Modul Praktikum Statistik 2018

MODUL PRAKTIKUM STATISTIK
OLEH:
DEVI KRISTINA SIREGAR

RAHELIA JELITA HANDONO
VANIA YULIANTI
N NNAMA :……………………………………………………………………………
NNINIM :……………………………………………………………………………
grgrGRUP :……………………………………………………………………………
SILABUS
PRAKTIKUM STATISTIK DENGAN SPSS
Program Studi Penyelenggara : Manajemen

Fakultas : Bisnis
Asisten : Devi Kristina Siregar
Rahelia Jelita Handono
Vania Yulianti
I. MODUL PRAKTIKUM
Seluruh praktikan wajib membawa modul praktikum setiap kali mengikuti kegiatan praktikum
statistik. Bagi mahasiswa yang tidak membawa modul praktikum tidak diperbolehkan
mengikuti kegiatan praktikum statistik.
II. POKOK BAHASAN DAN KETERANGAN

PERTEMUAN POKOK BAHASAN PROPORSI NILAI TES
1 Silabus dan Pengenalan SPSS statistik diskriptif 10%
2 Korelasi dan Regresi Berganda 10%
3 Uji T dan Analisis of Variance (ANOVA) 10%
4 Uji Chi Squares 10%
5 Ujian Akhir Praktikum close book 60%
TOTAL NILAI 100%
III. EVALUASI
a. NILAI AKHIR (100%) : 10%
Bonus Poin : 5%
STATISTIK DESKRIPTIF
Analisis deskriptif bertujuan mengubah kumpulan data mentah menjadi mudah

dipahami dalam bentuk informasi yang lebih ringkas. Statistik deskriptif merupakan bidang
ilmu statistika yang mempelajari cara-cara pengumpulan, penyusunan, dan penyajian data
suatu penelitian. Data-datanya bisa diperoleh dari hasil sensus, survei atau pengamatan lainnya.
Umumnya masih acak, harus diringkas dengan baik dan teratur, baik dalam bentuk table atau
presentasi grafis. Statistik Deskriptif merupakan dasar pengambilan keputusan bagi Statistik
Inferensi. Dua ukuran penting yang sering dipakai dalam pengambilan keputusan adalah:
1. Mencari central tendency (kecenderungan terpusat) seperti Mean, Median, Modus, dan
lainnya.
 Mean adalah nilai rata-rata dari hasil observasi terhadap suatu variabel dan
merupakan jumlah dari seluruh hasil observasi dibagi dengan jumlah observasinya.
X = nilai rata-rata observasi

Σ x = jumlah semua hasil observasi
n = jumlah observasi
 Modus menggambarkan nilai yang paling sering muncul atau memiliki frekuensi
terbanyak. Jika ada data : 5, 5, 6, 7, 2, 6, 5, 4, 1, 5. Modusnya merupakan angka 5.
 Median mengukur nilai tengah dengan membagi jumlah observasi secara seimbang
dari atas ke bawah atau merupakan persentil ke lima puluh. Jika ada urutan data : 4
5 6 6 6 6 7 8 8. Maka mediannya adalah 6.
2. Mencari ukuran disperse seperti standard deviation,variance.

Variance dari sejumlah observasi adalah rata-rata kuadrat deviasi data dari rata-ratanya.
Rumus untuk variance sampel adalah:
Standar deviasi adalah akar (positif) dari variance. Rumus untuk standar deviasi dari suatu
sample adalah:
3. Selain central tendency dan dispersion, ukuran lain yang dipakai adalah Skewness dan
Kurtosis untuk mengetahui keruncingan/kelandaian data. Skewness dihitung dan
dilaporkan sebagai angka yang mungkin positif, negatif, atau nol. Skewness nol
mengindikasikan distribusi simetrik. Skewness positif mengindikasikan distribusi yang
condong ke kanan. Skewness negatif mengindikasikan distribusi yang condong ke kiri.
Kurtosis adalah pengukuran keruncingan distribusi. Semakin besar kurtosis, semakin
keruncingan akan didistribusikan. Kurtosis dihitung dan dilaporkan baik sebagai absolut
maupun nilai relatif. Nilai absolut selalu angka positif.
4. Histogram
Histrogram adalah chart yang terdiri dari diagram batang dengan tinggi yang berbeda-
beda. Tinggi masing-masing batang mewakili nitai frekuensi dalam kelas yang diwakili
oleh diagram batang.
Latihan 1:
Menggunakan SPSS untuk menghitung Statistik Deskriptif dan Ukuran penyebaran.
Tujuan: Menghitung Mean, Modus, Standar Deviasi, Varian, Range, Minimum, Maximum,
standar estimasi dan rata-rata, Skewness dan kurtosis.
No. Nama Gender Berat Badan Nilai Statistik
1 Alfian laki-laki 56.20 65.00
2 Beny laki-laki 50.00 72.50
3 Ika Perempuan 45.00 58.65
4 Resti Perempuan 43.00 68.75
5 Sita Perempuan 46.00 62.50
6 Kusman laki-laki 54.00 57.50
7 Dedy laki-laki 58.00 58.00
8 Rika Perempuan 49.00 63.00
9 Hani Perempuan 52.00 65.00
10 Rena Perempuan 46.00 60.00
11 Gunawan laki-laki 57.50 72.00
12 Idhan laki-laki 62.00 75.00
13 Rama laki-laki 60.75 80.00
14 Fery laki-laki 58.75 82.50
15 Ana Perempuan 52.00 75.00
16 Dery laki-laki 60.00 76.00
17 David laki-laki 58.25 77.00
18 Tanto laki-laki 62.00 65.00
19 Yanita Perempuan 43.00 68.00
20 Indah Perempuan 46.00 69.50
21 Juhandi laki-laki 58.00 75.00
22 Sugeng laki-laki 55.00 65.00
23 Yanto laki-laki 55.80 66.00
24 Jony laki-laki 64.00 68.50
25 Kety Perempuan 48.00 72.50
26 Berta Perempuan 45.00 76.50
27 Tina Perempuan 43.00 77.75
28 Ani Perempuan 42.50 65.00
29 Erni Perempuan 48.75 80.00
30 Krisna laki-laki 56.50 79.00
31 Sulistyo laki-laki 60.00 73.00
32 Dody laki-laki 62.50 70.00
33 Gita Perempuan 53.50 69.00
34 Aryo Perempuan 57.65 64.00
35 Wulan Perempuan 48.75 65.00
36 Tuti Perempuan 49.00 75.00
37 Budi laki-laki 54.80 77.00
38 Irma Perempuan 42.50 79.00
39 Farida Perempuan 54.50 76.00
40 Dewi Perempuan 52.40 68.00
41 Yoana Perempuan 45.00 72.00
42 Mely Perempuan 46.80 64.00
43 Endang Perempuan 45.50 72.00
44 Keny laki-laki 65.20 74.00
45 Wendy laki-laki 58.00 72.00
46 Gatot laki-laki 56.00 78.00
47 Eka Perempuan 50.25 69.00
48 Tedy laki-laki 62.50 71.00
49 Ridho laki-laki 60.00 69.00
50 Fadly laki-laki 59.75 58.00
Langkah:
1. Input data pada SPSS.
2. Klik Analyze-Deskripve Statistics-Frequencies.
3. Masukkan nama variabel nilai statistik ke kotak Variable (s).

4. Klik statistics, kemudian pilih ukuran yang akan dihitung.
5. Klik continue, lalu klik OK.

Output:
Statistics
N.Statistika
N Valid 50
Missing 0
Mean 70.2230
Std. Error of Mean .91204
Median 70.5000
Mode 65.00
Std. Deviation 6.44911
Variance 41.591
Skewness -.225
Std. Error of Skewness .337
Kurtosis -.739
Std. Error of Kurtosis .662
Range 25.00
Minimum 57.50
Maximum 82.50
Percentiles 10 60.2500
25 65.0000
50 70.5000
75 75.2500
90 78.9000
KORELASI
Konsep Penting Korelasi:

Korelasi adalah asosiasi (hubungan) antara variable-variable yang diminati, apakah data
sampel yang ada menyediakan bukti cukup bahwa ada kaitan antara variable-variable dalam
populasi asal sampel, jika ada hubungan, seberapa kuat hubungan antar variable tersebut.
Keeratan hubungan itu dinyatakan dengan nama koefisien korelasi atau bisa disebut korelasi
saja.
Koefisien Korelasi/angka korelasi:
-1 < X < 1
+1 = Korelasi positif sempurna (arah sama/searah).
0 = tidak ada korelasi.
-1 = korelasi negatif sempurna (arah berlawanan).
Pedoman:
a. Koefisien Korelasi diatas +0,5  hubungan cukup kuat.
b. Koefisien Korelasi mendekati + 1  hubungan sangat kuat.
c. Koefisien Korelasi dibawah + 0,5  hubungan cukup lemah.
Jenis Korelasi
A. Bivariate.
Mengukur hubungan dari hasil-hasil pengamatan populasi yang terdiri dari dua
varian.
Bivariate dibagi menjadi 2:
a.Koefisien korelasi bivariate/product moment Pearson.
Mengukur keeratan hubungan diantara hasil-hasil pengamatan populasi yang
mempunyai dua varian (bivariate) dengan syarat populasi asal sample mempunyai
dua varian dan berdistribusi normal.
b.Koefisien Spearman (rank-spearman) dan Kendall.
Mengukur keeratan hubungan antar peringkat-peringkat dibandingkan dengan
hasil pengamatan itu sendiri (seperti pada korelasi Pearson). Dapat digunakan
untuk menghitung koefisien korelasi pada data ordinal dan penggunaan asosiasi
pada statistik non parametrik.
B. Partial.
Mengukur hubungan linear antara 2 variabel dengan menghilangkan pengaruh dari
satu atau beberapa variabel tambahan (variabel kontrol).
Latihan Soal:
Contoh Korelasi Bivariat (Uji Korelasi Pearson, Kendalls tau-b dan Spearman):
Seorang Manajer Personalia ingin mengetahui apakah ada hubungan antara
prestasi kerja seorang dengan tingkat kecerdasaan (diukur dengan IQ) dan motivasi
kerja pekerja yang bersangkutan. Untuk itu, diambil 9 orang pekerja dan seorang
supervisor diminta memberi penilaian pada setiap pekerja tersebut tentang prestasi
kerja dan motivasi kerjanya.
Berikut adalah hasilnya:
Pekerja Prestasi IQ Motivasi
1 84 110 85
2 85 100 82
3 87 90 84
4 92 110 91
5 91 100 83
6 96 110 88
7 83 95 82
8 87 90 86
9 88 100 84
Prestasi kerja dan motivasi kerja dinilai dalam range 0 (jelek sekali) sampai 100
(baik sekali). Sedang IQ didapat dari tes kecerdasan saat pekerja melamar ke
perusahaan.
Langkah-langkah:
 Membuat variabel: Pekerja, Prestasi, IQ, Motivasi
 Mengisi data
 Pengolahan data dengan SPSS
1. Analyze  Correlate  Bivariate
2. Variable: diisi Prestasi, IQ dan Motivasi
3. Correlation Coefficient: pilih Pearson atau Kendalls tau-b atau
Spearman (sesuaikan dengan kebutuhan).
4. Test of Significance: pilih Two-tailed
5. Options:
Statistics diabaikan saja
Missing Values: pilih Exclude cases pairwise
Tekan Continue
6. Ok
Output:
Correlations
Prestasi IQ Motivasi
Prestasi Pearson 1 .459 .665

Correlation
Sig. (2-tailed) .214 .051
N 9 9 9
IQ Pearson .459 1 .549

Correlation
Sig. (2-tailed) .214 .126
N 9 9 9
Motivasi Pearson .665 .549 1

Correlation
Sig. (2-tailed) .051 .126
N 9 9 9
Correlations
Prestasi IQ Motivasi
Kendall's tau_b Prestasi Correlation 1.000 .345 .435

Coefficient
Sig. (2-tailed) . .227 .112
N 9 9 9
IQ Correlation .345 1.000 .350

Coefficient
Sig. (2-tailed) .227 . .225
N 9 9 9
Motivasi Correlation .435 .350 1.000

Coefficient
Sig. (2-tailed) .112 .225 .
N 9 9 9
Spearman's rho Prestasi Correlation 1.000 .409 .620

Coefficient
Sig. (2-tailed) . .274 .075
N 9 9 9
IQ Correlation .409 1.000 .450

Coefficient
Sig. (2-tailed) .274 . .224
N 9 9 9
Motivasi Correlation .620 .450 1.000

Coefficient
Sig. (2-tailed) .075 .224 .
N 9 9 9
Analisis:
1. Pearson
Melihat korelasi antara IQ dengan prestasi : 0,459.
Hasil ini menjunjukkan lemahnya korelasi antara IQ dengan prestasi. Adanya hubungan
searah antara IQ dengan prestasi ditunjukkan koefisien korelasi yang positif.
Kesimpulan :
Semakin tinggi IQ yang dimiliki maka prestasinya akan semakin baik, namun masih
banyak faktor lain yang dapat mempengaruhi pencapaian prestasi.
Melihat korelasi antara IQ dengan motivasi : 0,549.
Hasil ini menjunjukkan hubungan yang cukup kuat antara IQ dengan motivasi. Adanya
hubungan searah antara IQ dengan motivasi ditunjukkan koefisien korelasi yang positif.
Kesimpulan:
Semakin tinggi IQ yang dimiliki maka motivasinya akan semakin tinggi,namun masih
Hipotesis:
Ho=Tidak ada hubungan (korelasi) antara 2 variabel/angka korelasi=0.
Hi=Ada hubungan antara 2 variabel atau angka korelasi ≠ 0
Pengambilan keputusan:
Probabilitas >0,05Ho diterima.
Probabilitas<0,05Ho ditolak.
Sign (2 tailed) = 0,214.

0,214 > 0,05Ho diterima.
Keputusan/kesimpulan:
Ho diterima, tidak ada hubungan (korelasi) secara signifikan antara 2 variabel, yaitu IQ
dengan prestasi.
2. Koefisien korelasi kendall tau_b
Melihat korelasi antara IQ dengan prestasi : +0,345.
searah antara IQ dengan prestasi ditunjukkan koefisien korelasi yangpositif.
Keterangan: Lemahnya korelasi antara IQ dengan prestasi.
Semakin tinggi IQ pekerja, maka semakin tinggi semakin berprestasi (baik) prestasi
tersebut.
Melihat korelasi antara IQ dengan motivasi : 0,549.
Kesimpulan:
Semakin tinggi IQ yang dimiliki maka motivasinya akan semakin tinggi, namun masih
banyak faktor lain yang dapat mempengaruhipencapaian prestasi.
Hipotesis:

Ho diterima, tidak ada hubungan (korelasi) secara signifikan antara 2 variabel, yaitu IQ
dengan prestasi.
3. Spearman.
Melihat korelasi antara IQ dengan prestasi: +0,409
searah antara IQ dengan prestasi ditunjukkan koefisien korelasi yang positif.
Keterangan:
Kurang kuat hubungan korelasi antara IQ dengan prestasi.
Semakin tinggi IQ pekerja, maka semakin berprestasi seorang pekerja.
Melihat korelasi antara IQ dengan motivasi: 0,549.
Kesimpulan:
Semakin tinggi IQ yang dimiliki maka motivasinya akan semakin tinggi, namun masih
Hipotesis:

Ho diterima, tidak ada hubungan korelasi secara signifikan antara 2 variabel, yaitu IQ
dengan prestasi.
REGRESI BERGANDA
Analisis korelasi bertujuan untuk mempelajari apakah ada hubungan antara dua variabel atau
lebih, sedangkan analisis regresi memprediksi seberapa jauh pengaruh tersebut.
Jenis regresi:
1. regresi linier (sederhana): jumlah variabel independennya satu.
2. regresi berganda: jumlah variabel independennya lebih dari satu.
Dalam analisis regresi akan dikembangkan sebuah estimating equation (persamaan
regresi) yaitu suatu formula matematika yang mencari nilai variabel dependen dari nilai variabel
indepeden yang diketahui.
Analisis regresi digunakan terutama untuk tujuan peramalan, dimana dalam model
tersebut ada sebuah variabel dependen (terikat) dan variabel independent (bebas).
Pada praktikum kali ini tidak membicarakan regresi sederhana, akan tetapi langsung
masuk pada regresi berganda.
REGRESI BERGANDA
Dalam regresi berganda terdapat satu variabel dependen dan lebih dari satu variabel
independen.
Contoh:
PT. X dalam beberapa bulan ini gencar mempromosikan sejumlah peralatan elektronik dengan
membuka outlet-outlet di berbagai daerah. Berikut ini adalah data mengenai penjualan, biaya
promosi dan jumlah outlet yang dikeluarkan di 15 daerah di Indonesia.
Daerah Sales (Juta) Promosi (Juta) Outlet (m 2 )
Jakarta 205 26 159
Tangerang 206 28 164
Bekasi 254 35 198
Bogor 246 31 184
Bandung 201 21 150
Semarang 291 49 208
Solo 234 30 184
Yogya 209 30 154
Surabaya 204 24 149
Purwokerto 216 31 175
Madiun 245 32 192
Tuban 286 47 201
Malang 312 54 248
Kudus 265 40 166
Pekalongan 322 42 287
Langkah-langkah:
 Membuat variabel : DAERAH, SALES, PROMOSI, OUTLET
 Pengolahan data dengan SPSS
 Analyze  Regression  Linear
 Dependent (variabel yang terikat): diisi sales
 Independent(s) atau variabel bebas: diisi promosi dan outlet
 Case Labels (keterangan pada kasus): diisi daerah
 Method (cara memasukkan atau seleksi variabel): pilih Enter
 Options:
- Stepping Method Criteria : pilih use probability of F,
angka entry: 0,05 atau 5%
- Beri tanda centang pada Include constant in equation
- Missing Value: pilih Exclude cases pairwise. Klik Continue.
 Statistics :
- Regression Coefficients: pilih Estimate, Descriptive, dan Model fit
- Residuals: dikosongkan saja
- Continue
 Plots : pilih produce all partial plots
Klik continue
 OK
Output
Regression
Descriptive Statistics
Std.
Mean Deviation N
Sales 246.4000 41.11274 15

Promosi 34.6667 9.67815 15
Outlet 187.9333 38.08724 15
Correlations
Sales Promosi Outlet
Pearson Sales 1.000 .916 .901

 Arah dan kekuatan
Correlation Promosi .916 1.000 .735 hubungan
Outlet .901 .735 1.000
Sig. (1-tailed) Sales . .000 .000 Perbandingan sig. Dengan

alpha.
Promosi .000 . .001
Outlet .000 .001 .
N Sales 15 15 15
Promosi 15 15 15
Outlet 15 15 15
Variables Entered/Removed
Variables Variables
Model Entered Removed Method
1 Outlet, . Enter
Promosia
a. All requested variables entered.

Model Summaryb
Adjusted R Std. Error of

Model R R Square Square the Estimate
1 .976a .952 .944 9.75663
a. Predictors: (Constant), Outlet, Promosi

b. Dependent Variable: Sales
ANOVAb
Sum of
Model Squares Df Mean Square F Sig.
1 Regression 22521.299 2 11260.649 118.294 .000a
Residual 1142.301 12 95.192
Total 23663.600 14
a. Predictors: (Constant), Outlet, Promosi

b. Dependent Variable: Sales
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta T Sig.
1 (Constant) 64.639 13.112 4.930 .000
Promosi 2.342 .398 .551 5.892 .000
Outlet .535 .101 .496 5.297 .000
a. Dependent Variable: Sales

Analisis:
Output 1 (Descriptive Statistics)
 Rata-rata Sales (dengan jumlah data 15 buah) = Rp 246, 4 juta dengan standart deviasi Rp.
41,11 juta.
 Rata-rata Promosi (dengan jumlah data 15 buah) = Rp 34,67 juta dengan standar deviasi
Rp. 9,68 juta.
 Luas outlet rata-rata (dengan jumlah data 15 buah) = 187,93 m2 dengan standar deviasi
38,09 m2.
Output 2 (Correlations)
 Besar hubungan antarvariabel Sales dengan promosi yang hitung dengan koefisien korelasi
adalah 0,916, sedangkan variabel Sales dengan Outlet adalah 0,901. Secara teori, karena
korelasi antara Sales dan Promosi lebih besar, maka variabel Promosi lebih berpengaruh
terhadap Sales dibanding variabel Outlet.
 Terjadi korelasi yang cukup kuat antara variabel Promosi dengan Outlet, yaitu 0,735. Hal
ini menandakan adanya Multikolinieritas, atau korelasi diatara variabel bebas.
 Tingkat signifikansi koefisien korelasi satu sisi dari output (diukur dari probabilitas)
menghasilkan angka 0.000 atau praktis 0. Karena probabilitas jauh dibawah 0,05 maka
korelasi diantara variabel Sales dengan Promosi dan Outlet sangat nyata.
Output 3 (Variabel Entered/Removed)
Tabel Variable Entered menunjukkan bahwa tidak ada variabel yang dikeluarkan
(removed). Semua variabel bebas dimasukkan dalam perhitungan regresi.
Output 4 (Model Summary)
Adjusted R2 = 0.944
Dari tampilan output SPSS model summary besarnya Adjusted R2 adalah 0.944, hal ini
berarti 94,4% variasi Sales dapat dijelaskan oleh variasi dari ke dua variabel independen
Outlet dan Promosi. Sedangkan sisanya (100%-94,4%=5,6%) dijelaskan oleh sebab-sebab
yang lain di luar model.
 Std error of estimate = 9,76. Std deviation Sales = 41,11.
Std. Deviation sales > Std, error of estimate maka model regresi lebih bagus dalam
bertindak sebagai predictor Sales dari pada rata-rata Sales itu sendiri.
Output 5 (ANOVA)
Sig = 0,000  jauh dibawa 0,05 maka model regresi dapat dipakai untuk memprediksi
sales atau promosi dan luas outlet yang disewa secara bersama-sama berpengaruh terhadap
sales.
Output 6 (Coefficients)
 Persamaan Regresi:
Sales=64,639 + 2,342 Promosi + 0,535 Outlet
Angka 64,639 adalah konstanta  jika tidak ada biaya promosi atau outlet yang
disewa oleh perusahaan maka sales sebesar Rp 64,639.
Koefisien regresi Promosisebesar 2,342  setiap Rp. 1 yang dikeluarkan untuk biaya
promosi maka akan meningkatkan sales sebesar Rp 2,342.
Koefisien regresi Outlet sebesar 0,535  bahwa setiap penambahan 1 m2 luas outlet
yang disewakan akan meningkat sales sebesar Rp 0,535.
 Uji t untuk menguji signifikansi konstanta dan setiap variabel independen.
Hipotesis:
Ho: Koefisien regresi tidak signifikan
Hi: Koefisien regresi signifikan
Pengambilan Keputusan:
a. Berdasarkan t hitung dengan t tabel.
t hitung < t tabel Ho diterima.
t hitung > t tabel  Ho ditolak.
Thitung = 5,892; t tabel = 2,160  t hitung > t tabel  Ho ditolak.

b. Berdasarkan Probabilitas
Probabilitas > 0,05  Ho diterima.
Probabilitas < 0,05  Ho ditolak.
Keputusan 0,000 < 0,05  Ho ditolak, menerima Hi  jadi koefisien regresi signifikan.
Uji t Satu Sampel (One sampel t Test)
Tujuan pengujian ini adalah ingin mengetahui apakah sebuah nilai tetentu yang diberikan sebagai
pembanding, berbeda secara nyata ataukah tidak dengan rat-rata sebuah sampel.
Asumsi yang digunakan pada pengujian ini:
 Data bertipe kuantitatif /numerik, baik itu interval atau rasio.
 Data berdistribusi normal.
 Data sampel berjumlah sedikit (di bawah 30).
KASUS
Dari data ROTI_SALES, diketahui penjual bernama Ali mampu menjual ROTI KACANG
sebanyak 333 buah. Manajer penjualan menganggap penjualan Ali berbeda dengan
rekan-rekannya. Benarkah pernyataan Manajer itu?
Langkah-langkah:
a. Buka lembar file ROTI_SALES
b. Menu Analyze Compare Means One sample T test….
Pengisian :
 Test Variable(s) atau variable yang akan diuji. Pilih kacang.
 Test value, karena akan diuji 333 buah, maka ketik 333.
 Untuk kolom option, dengan membuka pilihan tersebut.
Pengisian :
 Untuk Confidence Interval: atau tingkat kepercayaan. Sebagai default, SPSS menggunakan
tingkat kepercayaan 95% atau tingkat signifikansi 100%-95%=5%.
 Untuk Missing Values atau perlakuan terhadap data yang hilang (jika ada). Pilih Exclude
cases analysis by analysis).
Tekan Continue untuk kembali ke kontak dialog utama.
Kemudian tekan OK untuk proses data.
Input:
salesman Gender Kacang
1 0 250
1 1 234
1 1 220
1 0 245
1 1 281
1 0 220
2 1 256
2 1 238
2 1 210
2 1 310
2 0 287
2 0 254
Keteranga:
Salesman : 1 SMA Gender: 0 Pria
2 SLTP 1 Wanita
Output:
T-Test
One-Sample Statistics
N Mean Std. Deviation Std. Error Mean
kacang 12 250.4167 29.85559 8.61857
One-Sample Test
Test Value = 333
95% Confidence Interval of the

Difference
t Df Sig. (2-tailed) Mean Difference Lower Upper
kacang -9.582 11 .000 -82.58333 -101.5527 -63.6140

Analisis
Output bagian pertama (One-Sample Statistics)
Memberi ringkasan statistik dari variabel Kacang, yaitu:
Roti kacang terjual rata-rata 250,4167 buah dengan standar deviasi 29,8556 buah.
Estimasi:
 Tingkat signifikansi (α) adalah 5%.
 Df atau derajat kebebasan adalah n (jumlah data)-1 atau 12-1=11
Dari tabel t, didapat angka 2,2010 (untuk dua sisi).
Maka dengan keyakinan sebesar 95%, Rata-rata SEMUA Penjualan Roti kacang
diperkirakan antara :
29,8556
250,4167  [2,210 x ]
12
Atau :
29,8556 29,8556
 250,4167  [2,2010 x ] sampai 250,4167  [2,2010 x ]
12 12
= 231,44 buah roti kacang sampai 269,38 buah roti kacang.
Jadi, dengan sampel sejumlah 12 data penjualan roti kacang, bisa diestimasi interval rata-rata
penjualan semua (populasi) roti kacang yang dilakukan salesman DUTA MAKMUR.
Output bagian kedua (One Sample Test)

1. Hipotesis
Hipotesis untuk kasus ini:
H0 = jumlah roti kacang yang dijual Ali tidak berbeda dengan rata-rata Roti yang terjual
Hi = jumlah roti kacang yang dijual Ali memang berbeda dengan rata-rata Roti yang terjual.
Dasar pengambilan keputusan
a. Berdasar perbandingan t hitung dengan t tabel:
 Jika Statistik Hitung (angka t (output) > Statistik Tabel (tabel t), maka H0 ditolak.
 Jika Statistik Hitung (angka t output) < Statistik tabel (tabel t), maka H0 diterima.
Sedang statistik tabel bisa dihitung pada tabel t:
 Tingkat signifikansi (α) adalah 5%
 Df atau derajat kebebasan adalah n (jumlah data)-1 atau 12-1=11
 Uji dilakukan DUA SISI karena akan diketahui apakah penjualan Ali sama dengan
Penjualan rata-rata selama ini ataukah tidak. Jadi, bisa lebih besar atau lebih kecil,
karenanya dipakai uji dua sisi.
Default (standar) pengujian dari output SPSS adalah 2-tailed, yang

menyebut adanya uji dua sisi.
Dari tabel t, didapat angka 2,2010.

Gambar:
H0 H0
H0
dit d
d
eri i
-i - +2,20
m t
t 9 2 1
Karena t hitung terletak pada daerah H0 ditolak, maka penjualan Ali memang berbeda dengan
a o
o , penjualan
dibanding ,
rata-rata. 0
l
l 5 2
b. Berdasar nilai Probabilitas. a
a 8 0
 Jika probabilitas > 0,05, maka H0 diterima k
k 2 1
 Jika probabilitas< 0,05, maka H0 ditolak
0
Keputusan:
Pada output, tampak nilai probabilitas adalah 0,000. Karena probabilitas jauh di
bawah 0,05, maka H0 ditolak, dengan kesimpulan yang sama dengan cara perbandingan
t hitung dengan t test.
ANALISIS OF VARIANCE (ANOVA)
Pengertian
Uji ANOVA atau Uji Statistik F atau Uji Signifikansi Simultan pada dasarnya
menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model
mempunyai pengaruh secara bersama-sama terhadap variabel dependen/terikat.
Contoh Soal:
Permasalahan yang mungkin ditemukan adalah apakah rata-rata gaji dari 3 jenis
pekerjaan sarna atau berbeda.
1. Ho: Besarnya gaji dari ketiga varians pekerjaan identik.

H1: Besarnya gaji dari ketiga varians tidak identik.
2. Pilih Uji
Pilih ANOVA
Langkah:
a. Input data
b. Pilih menu Analyze-Compare Means-One-way ANOVA
c. Masukkan Gaji sebagai dependent variable
d. Masukkan Jenis Pekerjaan sebagai factor
e. Klik Option dan aktifkan Descriptive dan Homogenity of Variance test
f. Klik Continue
g. Klik Post Hoc aktifkan Bonferroni dan Tukey
h. Klik Continue kemudian OK
Input
Gender Pekerjaan Gaji (Dalam Juta) Pengalaman
Wanita Manajer 5.7 10
Pria Administrasi 4.02 9
Wanita Administrasi 2.15 7
Pria Manajer 1.04 7
Pria Manajer 6.04 10
Pria Manajer 1.35 5
Pria Manajer 1.11 6
Pria Manajer 9.2 10
Pria T.Keamanan 3.08 8
Wanita Administrasi 3 8
Pria Manajer 6 10
Pria Manajer 7.38 9
Pria Manajer 4.8 9
Pria Manajer 5.5 10
Pria Manajer 5.31 9
Pria Manajer 7.81 9
Pria Manajer 4.53 9
Pria T.Keamanan 3 8
Keterangan Keterangan
Pria 1 Administrasi 1
Wanita 2 Keamanan 2
Manajer 3
Output
Oneway
Descriptives
Gaji
95% Confidence Interval

for Mean
Std. Std. Lower Upper Minimu Maximu

N Mean Deviation Error Bound Bound m m
Administra 76 2.9817 .78532 .09008 2.8023 3.1612 1.62 5.40

si
T.Keamana 5 3.3680 .68958 .30839 2.5118 4.2242 3.00 4.60
n
Manajer 19 5.7774 2.40872 .55260 4.6164 6.9383 1.04 9.20
Total 100 3.5322 1.65612 .16561 3.2036 3.8608 1.04 9.20
Test of Homogeneity of Variances

Gaji
Levene
Statistic df1 df2 Sig.
16.914 2 97 .000
ANOVA
Gaji
Sum of
Squares Df Mean Square F Sig.
Between Groups 118.941 2 59.470 37.805 .000

Within Groups 152.591 97 1.573
Total 271.531 99
Multiple Comparisons
Dependent Variable:Gaji
95% Confidence
Mean Interval
(I) Jenis (J) Jenis Difference Std. Lower Upper

Pekerjaan Pekerjaan (I-J) Error Sig. Bound Bound
Tukey Administr T.Keaman -.38629 .57907 .783 -1.7646 .9920

HSD asi an
Manajer -2.79566* .32170 .000 -3.5614 -2.0299
T.Keaman Administr .38629 .57907 .783 -.9920 1.7646

an asi
Manajer -2.40937* .63041 .001 -3.9099 -.9089
Manajer Administr 2.79566* .32170 .000 2.0299 3.5614

asi
T.Keaman 2.40937* .63041 .001 .9089 3.9099

an
Bonferro Administr T.Keaman -.38629 .57907 1.00 -1.7970 1.0244
ni asi an 0
Manajer -2.79566* .32170 .000 -3.5794 -2.0119
T.Keaman Administr .38629 .57907 1.00 -1.0244 1.7970

an asi 0
Manajer -2.40937* .63041 .001 -3.9452 -.8736
Manajer Administr 2.79566* .32170 .000 2.0119 3.5794

asi
T.Keaman 2.40937* .63041 .001 .8736 3.9452

an
*. The mean difference is significant at the 0.05 level.

Homogeneous Subsets
Gaji
Subset for alpha =
Jenis 0.05
Pekerjaan N 1 2
Tukey HSDa,,b Administrasi 76 2.9817
T.Keamanan 5 3.3680
Manajer 19 5.7774
Sig. .745 1.000
Means for groups in homogeneous subsets are displayed.

a. Uses Harmonic Mean Sample Size = 11,287.
b. The group sizes are unequal. The harmonic mean of the
group sizes is used. Type I error levels are not guaranteed.
Analisis Output One Way ANOVA terdiri dari:
1. Tabel Descriptive: menunjukkan bahwa total kasus (N) karyawan sebanyak 100 orang,
meliputi; 76 orang bagian administrasi, 5 orang bagian keamanan, dan 19 orang manajer.
Gaji rata-rata bagian administrasi sebesar Rp 2.98 juta, bagian keamanan sebesar Rp 3.37
juta, dan gaji rata-rata manajer sebesar Rp 5.77 juta. Standar deviasi gaji bagian
administrasi sebesar 0,79, bagian keamanan 0.69 dan manajer 2.41. Standar kesalahan
masing-masing gaji karyawan Administrasi 0.09, keamanan 0.31 dan manajer 0.55.
Tingkat interval kepercayaan sebesar 0.05 (5%) maka batas bawah gaji bagian
administrasi adalah 2.80, bagian keamanan 2.51 dan manajer 4.61. Batas atas gaji bagian
administrasi sebesar 3.16, keamanan 4.22 dan manajer sebesar 6.93. Untuk besar gaji
minimum bagian administrasi adalah 1.62, keamanan 3.0 dan manajer 1.04, sedangkan
gaji maksimum bagian administrasi sebesar 5.40, keamanan 4.60 dan manajer 9.20.
2. Output Uji Varians Homogenitas Populasi meliputi:

a. Hipotesis
Ho= Ketiga varians populasi gaji karyawan identik
H1= Ketiga Varians populasi gaji karyawan tidak identik
b. Pengambilan Keputusan
Jika probabilitas > 0.05 maka Ho diterima
Jika probabilitas < 0.05 maka Ho ditolak
Dari output menunjukkan bahwa nilai probabilitas Levene Test diperoleh
varians gaji ketiga bagian pekerjaan sebesar 0.000. Karena probabilitas di bawah
0.05 maka Ho ditolak atau ketiga varians populasi gaji karyawan tidak identik
(tidak sama).
3. Output ANOVA: Hal ini dilakukan untuk menguji apakah ketiga sampel mempunyai
rata-rata gaji yang sama atau tidak.
a. Hipotesis
Ho= Ketiga rata-rata populasi gaji adalah identik
H1= Ketiga rata-rata populasi gaji tidak identik
Berdasarkan perbandingan F hitung dengan F tabe1
 Jika statistik hitung (angka F output) >statistic tabel (tabel F) maka Ho
ditolak.
 Jika Statistik hitung (angka F output) < Statsitik tabel (tabe1 F) maka Ho
diterima.
Hasil output F hitung sebesar 37.805 dengan tingkat signifikansi α5%
Numerator adalah (jumlah variable-1) atau 3-1 = 2 dan Denumerator adalah
(jumlah kasus-jumlah variabel) atau 100-3 = 97 maka nilai F tabel adalah = 3.09.
Karena F hitung terletak pada daerah penolakan Ho, maka dapat disimpulkan
bahwa rata-rata sampel gaji ketiga varians pegawai berbeda secara nyata.
b. Berdasarkan Nilai Probabilitas

Jika probabilitas Gaji Karyawan > 0.05 maka Ho diterima
Jika probabilitas Gaji Karyawan < 0.05 maka Ho ditolak
Dari output dapat diketahui bahwa F hitung adalah 37.805 dengan probabilitas
0.000. Karena probabilitas < 0.05 maka Ho ditolak.
4. OutputUji Post Hoc; setelah diketahui terdapat perbedaan besarnya gaji rata-rata
ketiga bidang kerja karyawan, maka akan dicari mana bidang pekerjaan yang berbeda
dan yang tidak berbeda. Hal ini akan dibuktikan dengan Uji Tukey dan Bonferroni.
Sebagai pedoman ada tidaknya perbedaan rata-rata besarnya gaji dari ketiga jenis
pekerjaan ditentukan oleh tanda BINTANG (*) yang terdapat pada kolom mean
difference. Jika tanda (*) terdapat pada means difference, maka perbedaan angka tersebut
signifikan, sebaliknya jika tidak terdapat tanda (*) maka angka tersebut tidak signifikan.
Dari output multiple comparison, pada kolom mean differencedengan Uji Tukey
maupun Bonferroni yang tidak memiliki tanda (*) yaitu antara (administrasi dengan
keamanan) artinya besarnya rata-rata gaji kedua bagian pekerjaan tersebut tidak memiliki
perbedaan. Sedangkan antara (manajer dengan administrasi dan manajer dengan
keamanan) mempunyai rata-rata gaji yang berbeda, karena kedua hasil uji tersebut
memiliki tanda (*).
5. Homogeneous Subset; output ini mencari grup/subset mana yang mempunyai

perbedaan rata-rata dan tidak berbeda secara signifikan. Hasil uji menunjukkan dua
grup/subset, artinya bahwa antara bagian administrasi dan keamanan rata-rata besarnya
gaji tidak mempunyai perbedaan yang nyata. Sedangkan manajer dengan bagian
administrasi dan manajer dengan keamanan mempunyai perbedaan yang nyata atau
signifikan.
UJI CHI-SQUARE
Uji Chi-Square merupakan pengujian hipotesis tentang berbagai perbandingan antara
frekuensi sample yang benar terjadi (disebut frekuensi observasi atau fa) dengan frekuensi
harapan yang didasarkan atas hipotesis tertentu pada setiap kasus atau data (disebut frekuensi
harapan atau fe).
Latihan:
Dibawah ini adalah data tentang warna-warna permen yang terjual dalam satu hari disebuah
toko.
Warna Jumlah
Merah 35
Hijau 28
Kuning 10
Putih 27
Apakah keempat warna permen tersebut disukai oleh pembeli secara merata?
Jawab:
Uji yang sesuai adalah uji chi-square.
Hipotesis:
Ho: Keempat warna permen disukai oleh pembeli secara merata.
Ha: Setidaknya ada warna permen yang lebih disukai oleh pembeli daripada satu warna
permen yang lain.
Langkah:
1. Input data.
2. Klik dataWeight Cases Weight Cases byisikan variabel jumlah pada kotak
frequency variableOk.
3. Klik AnalyseNon parametric testChi-Square.
4. Masukkan variabel warna pada kotak test variable listOk.
Output:
Warna
Observed Expected
N N Residual
Merah 35 25.0 10.0

Hijau 28 25.0 3.0
Kuning 10 25.0 -15.0
Putih 27 25.0 2.0
Total 100
Test Statistics
Warna
Chi-Square 13.520a
Df 3
Asymp. Sig. .004
a. 0 cells (,0%) have expected

frequencies less than 5. The
minimum expected cell frequency
is 25,0.
Analisis Output:
1. Output pertama (warna), dalam output ini diperlihatkan data dan harapan akan data yang
merata. Untuk contoh diatas, diharapkan pembeli akan menyukai warna permen secara
merata, sehingga jumlah sample (100 unit) dibagi dengan empat warna, maka didapatkan nilai
merata sebesar 25.
2. Output test statistic, dari output ini kita mendapatkan chi-square hitung sebesar 13,520.
Df=n-1=4-1=3.
Asymp sig.=0,004.
Mencari Chi-Square table:

* Dengan chi-square table: alpha 5% dan df 3=(0,05,3)=7,81
* Dengan menggunakan SPSS:
TransformCompute variableisikan target variable dengan nama chi_tabelpilih invers
DF dalam kotak function grouppilih fungsi Idf.Chisq (0.95,3)masukkan pada numeric
exspressionOK.
Pedoman:
Jika Chi-square hitung > chi-square tabel, maka Ho ditolak.
Jika Chi-square hitung < chi-square tabel, maka Ho diterima.
Atau
Jika nilai Asymp. Sig < 0,05, maka Ho ditolak.
Jika nilai Asymp. Sig > 0,05, maka Ho diterima.
Jadi, karena 13,52 >7,81, maka Ho ditolak.

Atau
0,004<0,05, maka Ho ditolak.
Artinya: Setidaknya ada warna permen yang lebih disukai oleh pembeli daripada satu warna
permen yang lain.

Modul Praktikum Statistik 2018

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul Praktikum Statistik 2018

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL PRAKTIKUM STATISTIK

DEVI KRISTINA SIREGAR

Program Studi Penyelenggara : Manajemen

II. POKOK BAHASAN DAN KETERANGAN

Analisis deskriptif bertujuan mengubah kumpulan data mentah menjadi mudah

X = nilai rata-rata observasi

2. Mencari ukuran disperse seperti standard deviation,variance.

2. Klik Analyze-Deskripve Statistics-Frequencies.

3. Masukkan nama variabel nilai statistik ke kotak Variable (s).

5. Klik continue, lalu klik OK.

Std. Error of Mean .91204

Std. Deviation 6.44911

Std. Error of Skewness .337

Std. Error of Kurtosis .662

Konsep Penting Korelasi:

Prestasi Pearson 1 .459 .665

Sig. (2-tailed) .214 .051

IQ Pearson .459 1 .549

Sig. (2-tailed) .214 .126

Motivasi Pearson .665 .549 1

Sig. (2-tailed) .051 .126

Kendall's tau_b Prestasi Correlation 1.000 .345 .435

Sig. (2-tailed) . .227 .112

IQ Correlation .345 1.000 .350

Sig. (2-tailed) .227 . .225

Motivasi Correlation .435 .350 1.000

Sig. (2-tailed) .112 .225 .

Spearman's rho Prestasi Correlation 1.000 .409 .620

Sig. (2-tailed) . .274 .075

IQ Correlation .409 1.000 .450

Sig. (2-tailed) .274 . .224

Motivasi Correlation .620 .450 1.000

Sig. (2-tailed) .075 .224 .

Sign (2 tailed) = 0,214.

Sign (2 tailed) = 0,227.

Sign (2 tailed) = 0,274.

Sales 246.4000 41.11274 15

Sales Promosi Outlet

Pearson Sales 1.000 .916 .901

Sig. (1-tailed) Sales . .000 .000 Perbandingan sig. Dengan

Outlet .000 .001 .

a. All requested variables entered.

Adjusted R Std. Error of

1 .976a .952 .944 9.75663

a. Predictors: (Constant), Outlet, Promosi

1 Regression 22521.299 2 11260.649 118.294 .000a

Residual 1142.301 12 95.192

a. Predictors: (Constant), Outlet, Promosi

Model B Std. Error Beta T Sig.

1 (Constant) 64.639 13.112 4.930 .000

Promosi 2.342 .398 .551 5.892 .000

Outlet .535 .101 .496 5.297 .000

a. Dependent Variable: Sales

t hitung < t tabel Ho diterima.

t hitung > t tabel  Ho ditolak.

Thitung = 5,892; t tabel = 2,160  t hitung > t tabel  Ho ditolak.

N Mean Std. Deviation Std. Error Mean

kacang 12 250.4167 29.85559 8.61857

Test Value = 333

95% Confidence Interval of the

t Df Sig. (2-tailed) Mean Difference Lower Upper

kacang -9.582 11 .000 -82.58333 -101.5527 -63.6140

Output bagian kedua (One Sample Test)

Default (standar) pengujian dari output SPSS adalah 2-tailed, yang