Metode Statistika
Uji ini digunakan untuk melihat apakah nilai variabel tertentu berbeda pada
tiga atau lebih kelompok
Uji Kruskal Wallis H merupakan alternatif dari uji ANOVA satu arah dengan
asumsi statistika parametriknya tidak terpenuhi
Pengujian Hipotesis
1. Pernyataan Hipotesis
H 0 : μ A =μ B =…=μ K (rata-rata K Populasi sama)
H 1 : μ A ≠ μ B ≠ … ≠ μ K (paling tidak ada satu rata-rata K populasi yang berbeda )
2. Tentukan Taraf signifikansi
3. Statistika Uji
Jika tidak terdapat angka kembar/sama
12
K
R 2j
2
χ =H = ∑ −3 ( N +1)
N (N +1) J=1 n j
Jika terdapat angka kembar/sama
K 2
12 Rj
∑ −3(N +1)
N ( N +1) J =1 n j
2
χ =H =
1− 3
∑T
N −N
Keterangan:
k= banyaknya sampel
n j= banyaknya kasus dalam sampel ke-j
N= ∑ n j = banyaknya kasus dalam semua sampel
T= t 3−t
t= banyak observasi yang berangka sama
4. Keputusan
Jika H hitung ≥ χ 2 tabel ( df =k−1 ) , maka Ho ditolak
Jika H hitung ¿ χ 2 tabel ( df =k−1 ) , maka Ho diterima
5. Interpretasi
Contoh :
Suatu penelitian dilakukan oleh suatu perusahaan obat diet. Perusahaan tersebut
mencoba melakukan uji penurunan berat badan dengan beberapa cara yang
dilakukan terhadap 15 orang gemuk. Mereka mencoba melakukan 3 metode
penurunan berat badan yaitu dengan : pernafasan, aerobic, dan obat diet yang
mereka buat. Masing-masing metode dilakukan oleh 5 orang yang berbeda. Setelah
satu bulan diterapi, maka dihitung penurunan berat badan mereka. Hasil
perhitungan berat badan sebagai berikut : (dalam kg). Dari data disamping, apakah
ada perbedaan penurunan berat badan dari ketiga metode yang diujikan ? Gunakan
taraf signifikansi 5%
Metode Penurunan Berat Badan
Pernafasa
Aerobik Obat Diet
n
2.7 3.8 4.5
2.5 3.7 2.9
2.9 5 3.1
1.4 5 3.5
2.0 3.6 3.2
Output
Interpretasi Output
Misal : μ1= penurunan BB metode pernafasan
μ2= penurunan BB metode aerobik
μ3= penurunan BB metode obat diet
1. Pernyataan Hipotesis
H 0 : μ1=μ2=μ 3(tidak ada perbedaan rata-rata yang signifikan pada penurunan
berat badan dari ketiga metode)
H 1 : μ 1 ≠ μ2 ≠ μ3(paling tidak ada satu rata-rata yang signifikan pada penurunan
berat badan dari ketiga metode)
2. Tentukan Taraf signifikansi α =5 %
3. Statistika Uji
p-value =0.004
4. Keputusan
p-value =0.004 < 0.05, Tolak Ho
5.Interpretasi
Ho ditolak, yang berarti paling tidak ada satu rata-rata yang signifikan pada
penurunan berat badan dari ketiga metode
Analisis regresi
Dalam beberapa kejadian sering kali berhubungan antara variabel satu dengan
variabel lainnya. Contohnya :
3. Tinggi Vs Vitamin
Contoh diatas merupakan dua kejadian antara X dan Y sehingga dapat kita sebut X
sebagai variabel penjelas atau independent dan Y sebagai variabel respon atau
dependent.
Linier dalam parameter dan sederhana merupakan variabel penjelas hanya satu.
Hubungan antara X dan Y dinyatakan dengan fungsi linier/ordo 1 dengan Y
diasumsikan karena adanya perubahan dari X. Model dari regresi linier sederhana
dapat dituliskan sebagai
Y = β0 + β 1 X +ε
Keterangan :
β 0 dan β1 : parameter regresi
ε : galat/error (peubah acak)
Y : peubah tak bebas (peubah acak)
X : peubah bebas yang nilainya diketahui dan presisinya sangan tinggi (bukan
peubah acak)
Dalam mengggunakan analisis regresi linier sederhana, nilai parameter regresi sulit
untuk ditentukan. Sulitnya untuk penentuan nilai parameter maka dilakukan
pendugaan parameter. Pendugaan parameter menggunakan Ordinary Least Square
(OLS) atau Metode Kuadrat Terkecil (MKT). Cara menduga parameter ini dengan
meminimumkan jumlah kuadrat galat (JKG) yaitu selisih antara y dengan ^y . Metode
Kuadrat Terkecil (MKT) yaitu
¿ min ∑ e i
2
min
JKG
¿ min ∑ ( y i− ^yi ) 2
¿ min ∑ ( y i−(b 0+ b1 x i ) )
2
Sehingga, model regresi linier sederhana untuk dugaan parameter regresinya, dapat
dituliskan:
y=b0 +b1 X + ε
(homoskedasitisitas)
3. E [ ε i ε j ] =0 ; i ≠ j dengan ε i dan ε j saling bebas
b. Tingkat Signifikansi α
c. Statistik uji : melihat nilai p-value
d. Daerah Kritis : Ho ditolak jika p-value < α
e. Kesimpulan
2. Uji Parsial (Uji Kelayakan Koefisien)
a. Pernyataan hipotesis
H 0 : β 0=0 (intersep tidak signifikan terhadap model regresi)
H 1 : β0 ≠ 0 (intersep signifikan terhadap model regresi)
b. Tingkat Signifikansi α
c. Statistik uji : melihat nilai p-value
d. Daerah Kritis : Ho ditolak jika p-value < α
e. Kesimpulan
3. Uji terhadap koefisien regresi dari β 1
a. Pernyataan hipotesis
H 0 : β 1=0 (peubah independent tidak mempengaruhi secara signifikan
peubah dependent)
b. Tingkat Signifikansi α
c. Statistik uji : melihat nilai p-value
d. Daerah Kritis : Ho ditolak jika p-value < α
e. Kesimpulan
Contoh 2 :
Sebuah agen real estate ingin mengetahui hubungan antara harga jual sebuah
rumah dengan luas lantainya (diukur dalam m2). Diambil sampel sebanyak 10
rumah secara acak dengan harga rumah (juta rupiah ) sebagai variabel dependent
dan luas lantai (m2) sebagai variabel dependent.
Harga Rumah (dalam juta) Luas Lantai (dalam m2)
245 1400
312 1600
279 1700
308 1875
199 1100
219 1550
405 2350
324 2450
319 1425
255 1700
Lakukan pendugaan terhadap parameter diatas menggunakan R Studio
Langkah- Langkah dalam SPSS
1. Input data
2. Mengecek Linearitas
Klik Graphs Legacy Dialogs Scatter/Dot Define Masukkan Y_axis
“Harga_rumah” dan X_Axis “Luas_Lantai” OK
Pada output, untuk menampilkan garis linear, double klik output kemudian
muncul kotak dialog Klik icon yang Add fit line total Klik Linear Apply
Close
3. Mengecek Normalitas
Klik Analyze Descriptive statistics Explore Masukkan dependent List
“Harga_Rumah” Klik Normality plots with tests Continue OK
4. Analisis Regresi Linear Sederhana
Klik Analyze Regression Linear Dependent masukkan “Harga Rumah”
dan independent masukkan “Luas Lantai” Klik Save checklist Standardized
pada Predicted Values dan Residuals Continue OK
Interpretasi Output:
1. Output Linieritas
Interpretasi:
Karena terdapat garis lurus dan terdapat titik-titik disekitar garis tersebut, maka
dapat disimpulkan terdapat hubungan linier antara variabel Harga Rumah
dengan Luas Lantai .
2. Output Normalitas
Note: Jika dalam kasus real, maka dapat dilakukan transformasi data atau
dilakukan penambahan data
3. Output Analisis Regresi Sederhana
Interpretasi:
R= 0,762 menunjukkan korelasi, yang berarti Harga Rumah dan Laus
Lantai mempunyai hub. yang linier
R2=0.581 menunjukkan koefisien determinasi, yang berarti Keragaman
dari Harga Rumah dapat dijelaskan oleh Keragaman Luas Lantai sebesar
58,1 % dan sisanya dijelaskan oleh keragaman variabel lain.
Adjusted R- square merupakan koraksi terhadap R-square (tidak
digunakan dalam analisis linier sederhana tetapi digunakan dalam analisis
regresi linier berganda)
Std. Error of Estimate menunjukkan ukuran besarnya varians model
regresi
Uji Simultan (Kelayakan Model Regresi)
a. Pernyataan hipotesis
H 0 : β i=0 (model regresi tidak signifikan digunakan)
H 1 : βi ≠ 0 (model regresi signifikan digunakan)
a. Pernyataan hipotesis
H 0 : β 0=0 (intersep tidak signifikan terhadap model regresi)
H 1 : β0 ≠ 0 (intersep signifikan terhadap model regresi)
a. Pernyataan hipotesis
H 0 : β 1=0 (Luas Lantai tidak mempengaruhi secara signifikan terhadap Harga
Rumah )
H 1 : β1 ≠ 0 (Luas Lantai mempengaruhi secara signifikan terhadap Harga
Rumah )
b. Tingkat Signifikansi α =0.05
c. Statistik uji : melihat nilai p-value = 0,010
d. Daerah Kritis : Ho ditolak jika p-value < α
e. Kesimpulan
Ho ditolak, yang berarti cukup bukti mengatakan bahwa Luas Lantai
mempengaruhi secara signifikan terhadap Harga Rumah.
Model Regresi
Dari hasil output diatas, maka didapatkan pendugaan regresi sederhananya yaitu
^
Harga Rumah=98,248+0,11 Luas Lantai
Dalam hal ini tidak ada rumah yang memiliki luas lantai =0, jadi bo=98,248 hanya
mengindikasikan bahwa untuk luas lantai yang berada pada selang pengamatan
Rp 98,248 adalah bagian dari harga rumah yang tidak diterangkan oleh luas lantai
Dalam hal ini b1=0,11 menggambarkan bahwa setiap penambahan satu m^2 luas
lantai rataan harga rumah akan naik sebesar 0,11 juta rupiah.
Latihan