LAPORAN PRAKTIKUM STATISTIK Moch - Salim

LAPORAN PRAKTIKUM STATISTIK
INDUSTRI
Disusun Oleh :
Moch. Salim (20052006)
PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNIK – UNIVERSITAS WIJAYA PUTRA
TAHUN 2022
LEMBAR PENGESAHAN
LAPORAN STATISTIK INDUSTRI
Surabaya, 19 Juni 2022
Mahasiswa Teknik Industri

Univ. Wijaya Putra
( Moch. Salim )
NPM. 20052006
Mengetahui Pembimbing Praktikum,
( Astria Hindratmo, ST., MT )
NIDN. 0703038605
Kata Pengantar
Alhamdulillah, puji syukur kehadirat Allah SWT yang telah memberikan rahmat dan
inayah-Nya sehingga kami dapat menyelesaikan Laporan statistic industri yang
berjudul Laboratorium Komputasi & Simulasi Industri.
Terima kasih saya ucapkan kepada Bapak. Astria Hindratmo, ST., MT yang telah
membantu kami baik secara moral maupun materi. Terima kasih juga saya ucapkan
kepada teman-teman seperjuangan yang telah mendukung kami sehingga kami bisa
menyelesaikan tugas ini tepat waktu.
Kami menyadari, bahwa laporan statistic industri yang kami buat ini masih jauh dari
kata sempurna baik segi penyusunan, bahasa, maupun penulisannya. Oleh karena
itu, kami sangat mengharapkan kritik dan saran yang membangun dari semua
pembaca guna menjadi acuan agar penulis bisa menjadi lebih baik lagi di masa
mendatang.
Semoga laporan statistic industri ini bisa menambah wawasan para pembaca dan
bisa bermanfaat untuk perkembangan dan peningkatan ilmu pengetahuan.
Surabaya, 19 Juni 2022
Moch. Salim
Daftar isi
Laporan Modul 1
Distribusi Probabilitas Diskrit ............................................................................................
Laporan Modul 2
DistribusiNormal................................................................................................................
Laporan Modul 3
Pengenalan SPSS................................................................................................................
Laporan Modul 4
Statistik Deskriptif..............................................................................................................
Laporan Modul 5
Pengujian Asumsi utk uji Hipotesis.....................................................................................
Laporan Modul 6
Uji Hipotesis .......................................................................................................................
Laporan Modul 7
ANOVA satu Arah ...............................................................................................................
Laporan Modul 8
Regresi Linier.......................................................................................................................
Laporan Modul 1
Distribusi Probabilitas Diskrit
Contoh Soal
1. Distribusi Binomial
Seorang pemegang medali perak memiliki ketepatan memanah
tepat sasaran sebesar 70%. Apabila ia diberi 5 anak panah, berapa
probabilitas bahwa 4 anak panah tepat mengenai sasaran ?
Penyelesaian:
Diketahui : Ketepatan memanah(probabilitas) = p = 70% = 0.7
Banyaknya percobaan = n = 5
Banyaknya peristiwa sukses = x = 4
Ditanya : P(X=4)?
Jawab :
2. Distribusi Hipergeometri
Dalam suatu perusahaan terdapat 4500 karyawan. 30% dari
karyawan tersebut pernah mengikuti pelatihan. Jika diambil 20
orang secara acak,
a. Berapa peluang mendapatkan 7 orang diantaranya pernah ikut
pelatihan?
b. Berapa peluang mendapatkan 4 orang diantaranya belum pernah ikut
pelatihan?
Penyelesaian :
Diketahui : Ukuran populasi (N) = 4500
Ukuran sampel (n) = 20
Banyaknya karyawan yang sudah pelatihan (a) = 30%(4500)
= 1350
Ditanya : a. P(X=7)
b. P(X=4)
Jawab :
b.Banyaknya karyawan yang belum pelatihan (a) = (100% − 30%) =

70%(4500) = 3150
3. Distribusi Poisson
Menurut data dari National Office of Vital Statistics of the U.S Department
of Health, Education, and Welfare, rata-rata dari banyaknya kecelakaan orang
tenggelam per tahun di Amerika Serikat adalah 3 per 100.000 penduduk. Carilah
probabilitas bahwa di sebuah kota yang memiliki jumlah penduduk sebanyak
200.000 jiwa akan terdapat :
a. 0 kecelakaan orang tenggelam;
b. 2 kecelakaan orang tenggelam;
c. 6 kecelakaan orang tenggelam;
d. 8 kecelakaan orang tenggelam;
e. Antara 4 dan 8 kecelakaan orang tenggelam;
f. Kurang dari 3 kecelakaan orang tenggelam.
Penyelesaian:
Diketahui : Mean = 𝜇 = 3 per 100.000 penduduk
Jumlah penduduk kota = 200.000
Ditanya : a. 𝑃(X = 0)
b. 𝑃(X = 2)
c. 𝑃(X = 6)
d. 𝑃(X = 8)
e. 𝑃(4 ≤ X ≤ 8)
f. 𝑃(X < 3)
Jawab : Mean = 3 per 100.000 penduduk, sedang kota tersebut memiliki
penduduk 200.000 jiwa. Maka mean kecelakaan orang tenggelam di kota
tersebut adalah : 𝑀e𝑎𝑛 =
II. Kajian Pustaka

❖ Probabilitas
Probabilitas merupakan besarnya kesempatan (kemungkinan) suatu peristiwa
akan terjadi. Berdasarkan pengertian probabilitas tersebut terdapat beberapa hal yang
penting, yaitu besarnya kesempatan dan peristiwa akan terjadi. Besarnya kesempatan
dari suatu peristiwa akan terjadi antara 0 sampai dengan 1. Jika suatu peristiwa
memiliki kesempatan akan terjadi 0, peristiwa tersebut pasti tidak akan terjadi.
Namun jika suatu peristiwa memiliki kesempatan akan terjadi 1, peristiwa tersebut
pasti akan terjadi. Dengan demikian dapat disimpulkan bahwa semakin kecil
probabilitas suatu peristiwa (probabilitasnya semakin mendekati 0), semakin kecil
kemungkinan kesempatan peristiwa tersebut akan terjadi. Sebaliknya, semakin besar
probabilitas suatu peristiwa (Probabilitasnya semakin mendekati 1), semakin besar
kesempatan (kemungkinan) peristiwa tersebut akan terjadi.
❖ Distribusi Probabilitas Diskrit
Jika sebuah variabel X bisa menyandang sebuah himpunan nilai- nilai distrik X 1, X2,
… , X𝐾 dengan probabilitas masing-masing adalah
𝑃1, 𝑃2, … , 𝑃𝐾 dimana 𝑃1 + 𝑃2 + ⋯ + 𝑃𝐾 = 1, maka kita katakan bahwa distribusi
probabilitas diskrit untuk X telah terdefinisikan. Fungsi 𝑃(X) yang masing-masing 𝑃1,
𝑃2, … , 𝑃𝐾 untuk X = X1, X2, … , X𝐾 disebut sebagai fungsi probabilitas atau fungsi
frekuensi dari X. Karena X dapat mengandung nilai-nilai tertentu untuk
probsbilitasprobabilitas yang diberikan, maka variabel ini sering disebut dengan
variabel acak diskrit. variabel acak juga dikenal juga dengan nama variabel peluang
atau variabel stokastik.
Misalkan dilakukan pelemparan sepasang dadu yang adil. Dan X menyatakan
jumlah dari angka dadu yang diperoleh, maka distribusi probabilitasnya ditunjukkan
sebagai berikut :
Dari tabel dapat dilihat bahwa probabilitas untuk memperoleh jumlah 5

adalah Jad i dalam 900 kali pelemparan dadu dapat
diperkirakan bahwa 100 kali pelemparan akan menghasilkan jumlah angka yang sama
dengan 5.
Perhatikan bahwa ini merupakan analogi terhadap distribusi frekuensi relatif.
Jadi kita dapat menganggap distribusi probabilitas sebagai bentuk terbatas teoretis
atau ideal dari distribusi frekuensi relatif untuk jumlah pengamatan yang sangat
besar. Atas alasan ini, kits dapat menganggap distribusi probabilitas sebagai
distribusi populasi, sementara distribusi frekuensi relatif adalah distribusi dari
sampel-sampel yang diambil dari populasi ini.
Distribusi probabilitas dapat ditampilkan secara grafis dengan mengeplot P(X)

terhadap X, seperti halnya pemetaan untuk distribusi frekuensi relatif.
Dengan mengakumulasikan probabilitas-probabilitas, kita akan mendapatkan
distribusi probabilitas kumulatif yang analog dengan distribusi frekuensi relatif
kumulatif. Fungsi yang berasosiasi dengan distribusi ini kadang disebut fungsi
distribusi.
Distribusi probabilitas (probability distribution) bagi X merupakan suatu daftar
yang memuat nilai probabilitas bagi semua nilai variable acak X yang mungkin
terjadi. Distribusi probabilitas bagi variabel acak diskrit dapat disajikan dalam
bentuk tabel, grafik atau rumus yang mengaitkan nilai probabilitas dengan setiap
nilai variabel acaknya.
1. Distribusi Bernoulli
Banyak tindakan yang hanya mempunyai dua kemungkinan hasil sukses
dan gagal. Seperti pelemparan uang yang menghasilkan muka dan belakang,
kelahiran seoramg bayi laki- laki atau perempuan, pengamatan secara
psikologi untuk menentukan apakah seseorang mempunyai perilaku
menyimpang atau tidak. Jika ya diberi nilai satu (1) dan tidak dengan nilai
nol (0), maka peubah yang berkaitan dengan ini hanya memiliki dua nilai
yaitu 0 dan 1. Jadi dapat dikatakan bahwa suatu peubah acak X mempunyai
distribusi Bernoulli jika (untuk suatu p, 0 d`` p d`` 1).
Misalkan jawaban (ya atau tidak) merupakan peubah X yang mempunyai dua
nilai: 0 dan 1, maka:
(𝐴) = 𝑃(X = 1) = 𝑝
Dan
(𝐴)𝑐 = 𝑃(X = 0) = 1 − 𝑝
Atau katakanlah q. Fungsi peluang untuk X ini adalah:
𝑃(X = 𝑥) = 𝑝−(1 − 𝑝)1−𝑥 = 𝑞 bila x = 0,1
Misalnya untuk x=1
𝑃(X = 1) = 𝑝1(1 − 𝑝)1−1 = 𝑝
Dan
𝑃(X = 0) = 𝑝0(1 − 𝑝)1−0 = (1 − 𝑝) = 𝑞
Percobaan atau pengamatan yang memberikan dua hasil yang mungkin dan
dengan peluang yang konstan dinamakan percobaan Bernoulli.
2. Distribusi Binomial
Beberapa percobaan seringkali terdiri atas ulangan-ulangan yang
mempunyai dua kejadian, yaitu berhasil atau gagal. Percobaan ini
merupakan percobaan dengan pemulihan (with replacement), yaitu setiap
cuplikan yang telah diamati dimasukkan kembali kedalam populasi semula.
Populasi setelah pencuplikan tetap sama. Artinya, susunan anggota populasi
dan nisbah setekah pencuplikan tidak pernah berubah. Seorang petugas
pengendali mutu ingin menghotung probabilitas untuk mendapatkan 4 bola
lampu yang rusak dari suatu sampel acak sebanyak 20 bola lampu apabila
diketahui bahwa 10% dari bola lampu tersebut rusak. Nilai probabilitas ini
dapat diperoleh dari tabel binomial yang dibuat berdasarkan distribusi
binomial.
Percobaan-percobaan pada distribusi binomial bersifat bebas dan

probabilitas keberhasilan setiap ulangan tetap sama. Distribusi binomial suatu
distribusi probabilitas peubah acak yang bersifat diskrit. Distribusi ini sering
disebut proses Bernoulli (Bernoulli trials). Nama ini diambil dari seorang ahli
matematika berkebangsaan Swiss, yaitu James Bernoulli (1654-1705). Pada
umumnya, suatu eksperimen atau percobaan
dapat dikatakan eksperimen atau percobaan binomial apabila mempunyai beberapa
syarat berikut.
1. Setiap percobaan selalu dibedakan menjadi dua macam kejadian yang

bersifat saling meniadakan (mutually exclusive).
2. Dalam setiap percobaan hasilnya dapat dibedakan: berhasil atau gagal.
3. Probabilitas kejadian berhasil dinyatakan dalam huruf p, sedangkan
probabilitas gagal dinyatakan dengan huruf q, dimana p+q=1 atau q=1-p.
4. Masing-masing percobaan merupakan peristiwa yang bersifat bebas, yaitu
peristiwa yang satu tidak dapat memengaruhi peristiwa yang lain.
Sedangkan menurut sumber lain, syarat-syarat distribusi
Binomial antara lain:
1. Percobaan binomial terdiri atas n ulangan yang identik.

2. Dalam setiap ulangan hanya mungkin dihasilkan dua kejadian yaitu sukses
atau gagal.
3. Peluang untuk berhasil dalam setiap ulangan adalah p dan nilai p bersifat
konstan.
4. Setiap ulangan bersifat bebas dari ulangan lainnya, artinya hasil dari suatu
ulangan tidak mempengaruhi hasil ulangan lainnya
Menunjukkan bahwa distribusi Bernoulli dan distribusi binomial hampir

sama. Perbedaannya hanya terletak pada jumlah kejadiannya. Jika distribusi
hanya berlaku pada sekali kejadian, maka distribusi binomial pada n
kejadian.
Seperti pada distribusi Bernoulli, jika populasi yang diamati cukup besar,
maka pengambilan seseorang dari populasinya tidak berpengaruh terhadap
pengambilan orang lain meski pengambilan tersebut tanpa pengembalian.
Jadi, kejadian untuk
menjawab ya peluangnya P(A), tidak berpengaruh terhadap peluang terjadinya
jawaban tidak 𝑃(𝐴)𝑐.
Jika p adalah probabilitas bahwa sebuah peristiwa akan terjadi dalam

sebarang percobaan tunggal (disebut sebagai probabilitas dari suatu kejadian
dari suatu keberhasilan) dan q=1-p adalah probabilitas bahwa peristiwa
tersebut tidak terjadi dalam sebarang percobaan tunggal (disebut sebagai
probabilitas dari suatu kegagalan), maka probabilitas bahwa peristiwa yang
dimaksud akan terjadi tepat sebanyak X kali dalam N kali percobaan (artinya,
akan terjadi sebanyak X keberhasilan dan N-X kali kegagalan). Dirumuskan
sebagai:
Dimana :
X = 0,1,2,…,N
N! =N(N-1)(N-2)…1
Dan sesuai definisi maka 0=1
Fungsi tersebut merupakan fungsi peluang atau tepatnya fungsi distribusi
peluang. Karena berdasarkan percobaan binomial (atau Bernoulli) maka
disebut fungsi peluang binomial atau bila dikaitkan dengan peubah X-nya itu
sendiri disebut distribusi binomial.
Nilai rata-rata dan varian distribusi binomial pada dasarnya ditentukan

oleh berbagai macam peristiwa yang dihasilkan dari percobaan binomial,
terutama probabilitas keberhasilan atau kegagalannya. Misalkan hasil
percobaan ke-n dinyatakan beubah acak 𝐿𝑛 dengan probabilitas p
keberhasilan 𝐿𝑛 = 1 dan probabilitas q kegagalan 𝐿𝑛 = 0. Suatu percobaan
binomialbanyaknya keberhasilan dituliskan sebagai jumlah n peubah acak
bebas:
X = 𝐿1 + 𝐿2 + ⋯ + 𝐿𝑛
Nilai harapan 𝐿𝑛 adalah (𝐿𝑛) = 1. (𝑝) + 0. (𝑞) = 𝑝 sehingga rata-rata suatu

populasi distribusi binomial dapat dinyatakan sebagai perkalian n percobaan
dengan probabilitas keberhasilan.
𝜇 = 𝐸(X) = (𝐿1) + 𝐸(𝐿2) + ⋯ + 𝐸(𝐿𝑛) = 𝑝
+𝑝+⋯+𝑝
= 𝑛. 𝑝
Sementara besarnya ragam distribusi binomial dapat dicari dari hubungan

berikut. Ragam populasi untuk setiap 𝐿i adalah:
𝜎2𝐿 =i [(𝐿i − 𝑝)2] = 𝐸(𝐿i2) − 𝑝2 =
(1)2𝑝+(0)2𝑞 − 𝑝2
= 𝑝. 𝑞
Dengan demikian, total ragam populasi distribusi binomial dirumuskan

sebagai berikut:
𝜎2 = 𝜎2𝐿1 + 𝜎2𝐿2 + ⋯ + 𝜎2𝐿𝑛 = 𝑝. 𝑞 + 𝑝. 𝑞 + ⋯ = 𝑛𝑝𝑞
Dan simpangan bakunya adalah
𝜎 = √𝑛𝑝𝑞
3. Distribusi Hipergeometrik
Distribusi hipergeometrik merupakan distribusi data diskrit. Probabilitas
suatu peristiwa pada percobaan yang akan menghasilkan dua macam
peristiwa dependen menghasilkan probabilitas peristiwa yang berbeda pada
setiap percobaan. Kondisi ini biasanya muncul pada percobaan yang
dilakukan tanpa pengembalian dengan ppopulasi yang terbatas. Dengan kata
lain, distribusi hipergeometrik merupakan bentuk probabilitas tanpa
pengembalian (without replacement), yaitu setiap pencuplikan data yang
telah diamati tidak dimasukkan kembali dalam populasi semula.
Dalam distribusi binomial kita menggunakan asumsi bahwa sampel yang kita
peroleh berasal dari suatu populasi yang sangat besar, sehingga peluang
“berhasil” dapat dianggap
konstan dari suatu percobaan lainnya. Oleh karena itu jika populasinya tidak
terlalu besar maka peluang “berhasil” tidak lagi konstan, sehingga percobaan
tersebut tidak lagi memenuhi percobaan binomial. Ketika populasinya
terbatas dan sampel yang diambil tidak dikembalikan lagi sebelum
pengambilan berikutnya, maka peluang berhasil dalam suatu pengambilan
(percobaan) tergantung pada hasil percobaan sebelumnya. Keadaan ini dapat
terjadi karena setelah dilakukan pengambilan sampel maka populasinya akan
berkurang dan peluang “berhasil” mengalami perubahan. Model yang tepat
untuk kasus demikian adalah dengan distribusi hipergeometri.
Adapun suatu distribusi dikatakan hipergeometrik, bila:

1. Percobaan tunggal yang menyusunnya hanya mempunyai 2 hasil yang
mungkin, katakanlah ya atau tidak;
2. Peluang terjadinya kejadian yang dimaksud (ya) berubah bila
percobaan diulang-ulang;
3. Percobaan satu dengan yang lain saling tergantung;
4. Percobaan dilakukan dengan n kali.
Secara umum, jika anggota populasi sebanyak N, ukuran contoh sebesar
N, dan dari contoh berukuran n terpilih sebanyak x, maka:
x = maks (0, n-(N-a)),…,min(n,a)
4. Distribusi Poisson
Salah satu distribusi/distribusi diskrit yang sangat bermanfaat adalah
distribusi poisson. Distribusi ini dapat dipandang sebagai penghampir
distribusi binomial atau
bentuk batas dari distribusi binomial. Atau dapat juga didekati sesuai
dengan distribusi itu sendiri dengan pertimbangan proses poisson
(poisson process).
Distribusi poisson ini, dipandang dari distribusinya itu sendiri banyak
digunakan dalam pengendalian mutu, dalam bidang biologi (sehubungan
dengan perhitungan bakteri misalnya), untuk fisika (perhitungan partikel
dan zat radioaktif), komunikasi (telepon) dan lain-lain.
Pada distribusi binomial dengan populasi yang cukup besar (N) dan
peluang terjadinya suatu kejadian yang dimaksud p cukup kecil, sehingga
q=1-p mendekati 1, maka kejadian itu disebut suatu kejadian langka (rate
event). Dalam hal ini perhitungan distribusi binomial dapat didekati
dengan menggunakan distribusi poisson dengan fungsi kepekatan peluang
adalah :
( X = 𝑟) = e−𝜇𝜇𝑟
𝑃 𝑟
Keterangan :
𝑃(X = 𝑟) = Probabilitas X dengan r tertentu

𝜇 = Banyaknya sukses yang diharapkan e = Suatu konstanta matematis
yang nilainya mendekati 2,71828
𝑥 = Banyaknya sukses setiap unit
𝜇 adalah sebuah konstanta yang diberikan, disebut sebagai
distribusi poisson, yang diambil dari nama Simon- Denis Poisson,
seorang ilmuwan yang menemukan rumus ini pada awal abad ke-19.
Nilai-nilai P(X) dapat dihitung dengan menggunakan tabel yang
memberikan nilainilai e−𝜇 untuk berbagai macam nilai 𝜇 atau dengan
menggunakan logaritma.
Distribusi Poisson merupakan turunan langsung dari distribusi binomial.

Bila jumlah percobaan lebih dari 20
amatan dan probabilitas p≤0.05. Dalam hal demikian, rata- rata binomial akan
diganti dengan rata-rata Poisson.
Beberapa sifat distribusi Poisson ini diberikan dalam tabel berikut:
Mean µ= 
Varians 𝜎2 = 
Deviasi Standar 𝜎 = √
Koefisien momen kemiringan 𝛼3 = 1/√
Koefisien momen kurtosis 𝛼4 = 3 + 1/
5. Hubungan antar Distribusi Diskrit

5.1 Hubungan antara Distribusi Bernoulli dan Binomial Misalkan bahwa X1,
X2, … , X𝑛 peubah acak dengan distribusi Bernoulli
yang sama (untuk suatu p, 0 d`` p d`` 1)
𝑃(X = 𝑥) = 𝑃𝑋 (𝑥) = { 𝑥(1 − 𝑝)1−𝑥, 𝑥 = 0.1 0,

𝑢𝑛𝑡𝑢𝑘 𝑦𝑎𝑛𝑔 𝑙𝑎i𝑛𝑛𝑦𝑎
Dan semuanya didasarkan pada kejadian yang bebas. Misalkan 𝑌 = X1 +
X2 + ⋯ + X𝑛 maka distribusi Y adalah:
Yakni, Y berdistribusi binomial dengan parameter n dan p (secara
instuisi,banyaknya yang berhasil dalam n usaha merupakan suatu jumlah
dalam tiap usaha jika berhasil dinyatakan dengan 1 dan 0 jika gagal).
5.2 Hubungan antara Distribusi Binomial dan Poisson

Misalkan X berdistribusi binomial dengan parameter n dan p(yakni,
sebagai contoh, banyaknya yang berhasil dalam n usaha yang bebas
dengan peluang berhasil p, 0 d`` p d`` 1 pada setiap usaha). Maka X
berdistribusi hampiran poisson dengan i=np.
Tentukan k=0, 1, 2, … dan i > 0, karena :

𝑎 𝑛
lim (1 + 𝑛) = e𝑎
𝑎→∞
Sehingga,
Karena ini berlaku sebagai limit, maka berlaku untuk n yang besar dan nilai p kecil,
sehingga i=np tidak terlalu besar.
5.3 Hubungan antara Distribusi Hipergeometri dan Binomial Suatu populasi dari
N benda yan terdiri atas jenis A
sebanyak a, sampel acak berukuran n tanpa pengembalian (I d`` n d`` N,0 d``
a d`` N). Misalkan X banyaknya jenis A dalam sampel sehingga
𝑥 𝑚𝑎𝑘𝑠 [0, 𝑛 − (𝑁 − 𝑎)], … , min(𝑛, 𝑎)
𝑎
Maka (misalkan 𝑝 = ⁄𝑁, yakni proporsi benda
yang berjenis A dalam populasi semula).
Lembar Pengesahan
Modul 2
Distribusi Normal
Surabaya, 15 Juli 2022
Mengetahui Pembimbing Praktikum,
( Astria Hindratmo, ST., MT )

NIDN. 0703038605
BAB I
PENDAHULUAN
1.1. Latar Belakang

Distribusi normal adalah qsatu jenis distribusi variabel acak kontinu, terdapat kurva
berbentuk lonceng atau grafik. Distribusi ini dengan fungsi probabilitas kemudian
menunjukkan variasi atau penyebaran distribusi, fungsi yang nantinya juga akan dibuktikan
dengan menggunakan suatu grafik simetris atau bell curve .Dikenalnya distribusi normal
diawali oleh kemajuan yang pesat dalam pengukuran abad ke 19. Saat itu, para ahli
matematika dihadapkan pada suatu tantangan menenai fenomena variabilitas pengamat
atau interna yang artinya bila seseorang mengadakan pengukuran berulang-ulang maka
hasilnya akan berbeda-beda. Yang menjadi pertanyaan adalah nilai manakah yang di
anggap paling tepat dari semua hasil pengukuran tersebut. Maka kemudian berdasarkan
kesepakan maka nilai rata-rata dianggap paling tepat dan semua penyimpangan dari
rata-rata dianggap suatu kesalahan atau eror.
Abraham de Moivre adalah yang pertama kali memperkenalkan distribusi normal
ini dan kemudian dipopulerkan oleh Carl Fredreich Gaus. Sehingga nama
1.2. Perumusan Masalah
a. Bagaimana Karakteristik Variabel Random Binomial dan konsep distribusi
Probabilias Binomial ?
b. Bagaimana karakteristik variabel random Hipergeomterik dan konsep distribusi
probabilitas ?
c. Bagaimana karakteristik variabel random poisson dan konsep distribusi
probabilitasnya ?
1.3. Pembatasan Masalah
Dalam penulisan laporan praktikum ini, penulis membatasi masalah hanya pada
cara menghitung, menentukan dan menyelesaikan suatu permasalahan statistik serta
membuat grafik distribusi probabilitas binomial, hipergeometrik dan poisson
menggunakan bantuan microsoft excel.
1.4. Tujuan Praktikum Modul 2 Melalui praktikum modul 2 ini, praktikan diharapkan
akan dapat :
1. Memahami karakteristik dari distribusi Normal.
2. Mampu membuat grafik normal dari suatu percobaanMemahami karakteristik
variabel random Binomial dan konsep distribusi probabilitas binomial.
.
1.5. Sistematika Penulisan
Adapun sistematika penulisan dalam laporan ini yaitu :
Adapun sistematika dalam penulisan laporan ini adalah sebagai berikut :
- Terdapat halaman sampul depan yang memuat informasi ringkas tentang
pembuat laporan, instansi dan judul Laporan
- Lembar Pengesahan, suatu pernyataan bahwa laporan yang dibuat sudah
disahkan kebenarannya.
- Bab I Pendahuluan, memuat Latar belakang, Perumusan Masalah, Pembatasan
Masalah, Tujuan Praktikum, dan Sistematika Penulisan
- Bab II Landasan Teori, memuat teori yang mendasari praktikum Statistik
Distribusi Probabilitas Diskrit.
- Bab III Pengumpulan dan Pengolahan Data, memuat Pengumpulan data dan
pengolahan data Modul 1 Distribusi Probabilitas Diskrit.
- Bab IV Analisa, memuat analisa untuk setiap modul
- Bab V Penutup, memuat Kesimpulan dan saran berupa narasi, dan daftar pustaka
BAB II
LANDASAN TEORI
2.1. Landasan Teori Distribusi Normal

Semakin bervariansi suatu gugus pengamatan, maka kurvanya menjadi lebih
rendah dan lebih melebar. Persamaan matematik bagi sebaran peluang acak
normal ini bergantung pada µ dan σ, yaitu nilai tengah dan simpangan bakunya.
Persamaan matematika ini dihitung untuk mengetahui besarnya nilai peluang dari
sebaran yang diteliti. Persamaan ini diperoleh dengan mentransformasikan nilai
setiap pengamatan X menjadi nilai peubah acak normal Z dengan nilai rataan (µ)
nol dan variansi (σ 2 ) 1, dengan bentuk sebagai berikut
:Karakteristik Percobaan Binomial :
ZX
dimana : Z : Variabel random normal baku µ : Mean dari populasi X : Mean

sampel σ : Simpangan baku populasi Variabel random Z ini selanjutnya disebut
sebagai variabel random normal standar Sifat-sifat kurva normal adalah sebagai
berikut :
1. Modus terjadi pada X = µ.
2. Kurvanya setangkup terhadap suatu garis tegak yang melalui nilai tengah µ.
3. Kurva ini mendekati sumbu mendatar secara asimtot dalam kedua sisi
2.2. Tugas Pendahuluan

2.3. Tugas pendahuluan ini dibuat agar praktikan dapat mengerti dengan baik topik
tentang distribusi normal. Praktikan wajib menyelesaikan soal-soal pada tugas
pendahuluan di bawah ini sebelum memulai aktivitas praktikum modul 6:
1. Diketahui suatu distribusi normal dengan rataan 500 dan simpangan baku 10.
Hitunglah peluang bahwa X mendapat harga antara 45 sampai dengan
62 (P(45 < X < 62)).
2. Suatu jenis baterai mobil rata-rata berumur 3 tahun dengan simpangan baku 0,5
tahun. Bila dianggap umu baterai berdistribusi normal. Hitunglah peluang suatu
baterai akan berumur kurang dari 2,3 tahun (P(X < 23)).
Tabel 1.1 Distribusi normal
N0
1 2,0 ampere
2 2,2 ampere
3 6 ampere
4 2,1 ampere
5 7,98 ampere
6 1,1 amper
7 2,02 ampre
8 5,1 ampere
9 4,56 ampere
10 2 ampere
2.4. Landasan Teori Distribusi Normal

Distribusi Normal
1. Definisi Distribusi Normal Definisi 2.4 (Engelhardt, 1992) Peubah acak 𝑋 dikatakan
berdistribusi normal yang dinotasikan 𝑋~𝑁(𝜇, 𝜎 2 ) dengan mean 𝜇 dan varians 𝜎 2
mempunyai fungsi densitas probabilitas yaitu : 𝑓(𝑥, 𝜇, 𝜎) = 1 𝜎√2𝜋 𝑒 − 1 2 {( 𝑥−𝜇 𝜎 )
2 } (2.4) untuk −∞ < 𝑥 < ∞, dengan −∞ < 𝜇 < ∞ dan 0 < 𝜎 < ∞
2 .Normal Baku Distribusi normal baku merupakan distribusi normal dengan dengan
nilai tengah atau rata-rata 0 dan standar deviasi 1. Peubah acak 𝑋 berdistribusi
normal baku dapat dituliskan dengan 𝑋~(0,1). Fungsi densitas probabilitasnya
menjadi, (𝑥, 0,1) = 1 √2𝜋 𝑒 − 𝑥 2 2
3. Uji Normalitas Uji normalitas sering digunakan untuk melihat apakah return saham
berdistribusi normal atau tidak dalam hal investasi. Apabila return saham
berdistribusi normal, maka saham tersebut akan diperhitungkan untuk dimasukkan ke
dalam portofolio. Tujuan pengujian normalitas dalam return saham adalah untuk
mengantisipasi terjadinya ketidakstabilan harga yang dikhawatirkan akan mengalami
penurunan harga saham yang sangat signifikan sehingga merugikan investor.
Uji normalitas dapat dilakukan dengan statistik uji kolmogorov-smirnov ada software
bantuan SPSS, minitab, atau program R. Langkah-langkah uji normalitas : a.
Hipotesis 𝐻0 : data return saham berdistribusi normal 𝐻1 : data return saham tidak
berdistribusi normal b. Tingkat signifikan 𝛼 c. Statistik Uji : Kolmogorov-Smirnov D
= 𝑚𝑎𝑘𝑠|𝐹0 (𝑥) − 𝑆𝑁(𝑥)|. 𝐹0 (𝑥) merupakan distribusi kumulatif data sampel dan 𝑆(𝑥)
merupakan distribusi kumulatif yang dihipotesiskan. d. Daerah Penolakan 𝐻0 ditolak
jika 𝐷 hitung > 𝐷 tabel untuk n = banyaknya data. Atau 𝐻0 ditolak jika p-value KS <
a 𝐷 tabel yang digunakan adalah tabel kolmogorov-Smirnov yang disesuaikan
dengan banyaknya data dan tingkat �
−αt x
e (αt )
p ( x ; αt ) = ; x=0,1,2, … ;e=2,71828 …
x!
Dengan :
Αt = rata-rata banyaknya kejadian yang terjadi persatuan waktu atau daerah
x = banyaknya kejadian per unit
Tabel 1.2. Sifat-sifat Distribusi normal
Nilai Tengah
Varians
Simpangan σ =√ α =√ Np
Baku
Koefisien 1 1
σ 3= =
√ α √ np
Momen
Kemencenga
n (Skewness)
Koefisien 1
σ 4=3+
1
Momen √ α =¿ 3+ ¿
√ np
Kurtosis
BAB III
PENGUMPULAN & PENGOLAHAN DATA
3.1. Pengumpulan Data

Data diperoleh dari Praktikum Statistik Industri yang dilakukan di D2/18 dengan alat
alat yang dibutuhkan sebagai berikut :
Dalam suatu ujian terdapat 300 siswa yang mengikuti ujian tersebut. Rata-rata dari hasil
ujian yaitu 70 serta simpangan baku hasil ujian tersebut adalah 10.
Jika data nilai hasil ujian siswa tersebut berdistribusi normal, maka berapa persen
mahasiswa yang mendapat nilai A jika syarat untuk mendapatkan nilai A adalah nilai
lebih dari 85.
Percobaan Binomial :
Berdasarkan contoh soal di atas, diperoleh informasi sebagai berikut.
µ = 70
σ = 10
x = 85
akan ditentukan Z(X>85).
Z(X > 85) = 1 – Z(X < 85)
Akan dihitung terlebih dahulu nilai dari Z (X < 85)
Z = (85 – 70)/10 = 15/10 = 1,5
Nilai Z untuk 1,50 adalah 0,9332, sehingga
Z(X > 85) = 1 – Z(X < 85)
Z(X > 85) = 1 – 0,9332
Z(X > 85) = 0,0668
Z(X > 85) = 6,68%

BAB IV
ANALISA
Berdasarkan percobaan Binomial yang telah dilakukan diatas, maka dapat

disimpulkan bahwa probabilitas terambilnya 3 kartu sekop adalah 0,134 dengan nilai
tengah dari percobaan Binomial tersebut adalah 2,6679. Momen kemencengan dari
percobaan binomial tersebut adaah 0,253. Momen kemencengan akan semakin kecil
seiring dengan pertambahan jumlah data.
Pada percobaan hipergeometrik didapat, probablitas terambilnya tepat satu unit
kancing bukan warna kuning adalah 0,165. Dari percobaan hipergeometrik didapat
sebaran distribusi probabilitas geometrik berikut ; 0,82720 ; 0,16500 ; 0,00720 ;
0,00005. Dalam Industri distribusi hipergeometri sering digunakan untuk pengendalian
kualitas sebab distribusi Hipergeometrik, berkaitan dengan jumlah sukses dan gagalnya
output atau produk.
Dalam pengendalian kualitas, kriteria yang ditekankan adalah produk sukses dan
produk gagal bukan seberapa cepat atau banyak output yang tercipta. Sehingga dalam
kasus dan permasalahan ini, formula yang tepat untuk menyelesaikan permasalahan ini
dengan menggunakan distribusi probabilitas Hipergeometrik.
Pada percobaan Poisson diperoleh αt =0,6 unit /menit . Dengan sebaran probabilitas
poisson sebagaimana tabel 1.6
BAB V
PENUTUP
5.1. Kesimpulan
Dengan melakukan percobaan ini, praktikan mampu memahami karakteristik
Distribusi Normal. Praktikan juga mampu menguasai penggunaan distribusi
Normal, nuntuk memecahkan masalah sehari-hari khususnya dalam bidang
industri.
5.2. Saran
Berdasarkan kesimpulan diatas, maka distribusinormal merupakan salah satu
disiplin ilmu dalam program studi teknik industri yang sangat luas
penggunaannya. Baik di kehidupan sehari-hari maupun dunia industri. Oleh
karena itu, mahasiswa program studi teknik industri harus menguasai dan
mampu mengaplikasikan penggunaan distribusi probabilitas normal untuk
penyelesaian masalah di dunia industri.
Laporan modul 3
PENGENALAN SPSS
Latar Belakang
SPSS adalah software statistik yang pada awalnya digunakan riset dibidang social
( SPSS pada saat itu adalah singkatan dari Statistical Package for the Social
Science). Sejalan dengan perkembagan SPSS digunakan untuk melayani berbagai
jenis user sehingga sekarang SPSS singkatan dari Statistical Product and Service
Solutions.
SPSS (Statistical Program for Social Science) adalah sebuah program komputer
yang digunakan dalam menganalisis statistika. SPSS sering digunakan dalam
sebuah penelitian baik itu dari perusahaan maupun perguruan tinggi.
Biasanya SPSS digunakan dalam persoalan seperti riset pasar, pengendalian dan
perbaikan mutu, serta riset-riset sains. Saat ini dengan kemajuan zaman dan
kecanggihan teknologi SPSS masih digunakan dalam berbagi bidang seperti ilmu
komunikasi, farmasi, penilaian kredit, peramalan bisnis, riset pemasaran, retail,
ilmu keuangan, militer, database marketing dan broadcasting. Cara kerja SPSS
sederhana, yaitu data yang telah diinput akan dianalisis dengan suatu paket
analisis.
Tujuan
1. Mengetahui kegunaan SPSS Statistics terutama dalam ilmu statistika.
2. Memahami penggunaan SPSS sebagai aplikasi pengolahan data.
3. Mampu menguji dan menganalisis data dengan berbagai pengujian.
4. Menambah wawasan dan pengetahuan mengenai penggunaan aplikasi SPSS
dalam statistika.
Pembahasan
Pada pertemuan pratikum yang pertama ini diberian materi dasar untuk
menggunaan SPSS, yaitu membuat tabel Pada tampilan awal SPSS akan ada 2
jenis tampilan, yaitu Data View dan Variable View.
Variable View adalah suatu tampilan pada SPSS yang digunakan untuk
mendeklarasikan variabel-variabel yang akan kita gunakan dalam tabel SPSS,
dalam Variable View ini terdapat beberapa tabel di atasnya, setiap tabel
tersebut digunakan untuk mendeklarisan keterang- keterangan yang akan di
gunakan dalam tabel SPSS nanti, tabel yang dimaksud adalah :
Adapun penjelasan mengenai tampilan variable view adalah sebagai berikut :
1. Name,digunakan untuk mengisi nama variabel
2. Type,digunakan untuk menuliskan tipe dari data yang akan dimasukkan. Ada
8 tipe yang dapat digunakan, yaitu meliputi: numeric, comma, dot, scientific
rotation, date, dollar, custom currency,dan string.
3. Width,digunakan untuk menentukan jarak atau lebar kolom. Jika data
menghendaki kolom lebar,maka lakukan pada kolom width. Anda tinggal
mengisi lebar kolom dengan sejumlah ketukan.
4. Decimal,digunakan untuk memasukkan angka-angka yang menggunakan
koma(decimal). Tentunya tergantung dari jenisdata. Jika rupiah,biasanya
digunakan dua desimal di belakang koma.
5. Label,digunakan untuk mengisi penjelasan nama(label) pada variabel yang
ditulis. Misalnya X1 diberi label Biaya Iklan,X2 = Biaya Transportasi, dst.
6. Value,digunakan untuk menjelaskan nilai dari data suatu variabel. Biasanya
digunakan untuk menjelaskan nilai data nominal. Misalnya,jenis kelamin
wanita diberi skor 1 dan laki-laki diberi skor 2.
7. Missing,digunakan untuk menjelaskan data yang hilang atau rusak.
8. Columns, digunakan untuk menentukan lebar kolom. Secara default,lebar
kolom adalah 8 karakter.
9. Align, digunakan untuk menentukan letak pengisisan data(rata kiri,rata
kanan atau rata tengah)
10. Measure, digunakan untuk menentukan jenis data,apakah berupa
skala,ordinal atau nominal.
Setelah kita mengetahui fungsi dari setiap coulum yang berada diatas tersebut,
kita sudah bisa mulai untuk menggunakan SPSS, hal pertama yang kita lakukan
adalah membuat suatu variable, variable dibuat pada Variable View dengan
mengisikan field-field yang kita butuhkan.
Pada kasus ini kita akan menghitung berat dan tinggi Mahasiswa, maka kita
akan mengisikan field-field pada Variable View dengan apa yang kita butuhkan,
hasilnya adalah seperti di bawah ini
Ada yang perlu di perhatikan dari pembuatan variable diatas, yaitu pembuatan
Variable Jenis Kelamin, Jenis kelamin pada field tersebut mempunyai tipe
numeric dengan widht hanya 1, nah kita akan menggantikan pada variable
tersebut laki-laki dengan 1 dan perempuan 0, adapun caranya adalah dengan
mengklik suatu tombol kecil pada field value, kemudian akan muncul suatu
kotak dialog seperti berikut :
Tujuan dari pembuatan value tersebut agar memudahkan kita sehingga kita
tidak perlu mengetikan kata laki-laki dan perempuan secara berulang-ulang,
cukup dengan menggantikannya dengan nilai 1 untuk laki-laki dan 0 untuk
perempuan.
Setelah kita membuat beberapa variable yang akan kita gunakan dalam SPSS
kita nanti, maka kita masuk kebagian Data View untuk memasukan data dari
variable yang telah kita buat
Pada variable JK terlihat angka 0 pada editor dan laki-laki pada field, inilah
fungsi dari pembuatan value dengan metode diatas.
Setelag kita membuat data seperti diatas, kita akan menambahkan beberapa
variable baru dengan menu compute.
Menentukan Berat Badan Ideal
a. Klik Menu Transform Compute Variable
b. Isi kotak target dengan nama variabel idealnya, kali ini kita menggunakan
nama variable “Berat_Ideal”
c. Tekan tombol type dan Label sehingga akan tampak tkotak dialog
d. Isi kolom label dengan menuliskan “Berat ideal responden” untuk

memberikan keterangan yang variabel ideal
e. Pilih type numeric untuk variabel Ideal
f. Isi kotak Numeric Expression dengan (tinggi- 100) * 0,
g. Kemudian Tekan OK
Menentukan Variabel Kelebihan Berat Badan

Menentukan variabel kelebihan berat badan bisa di lakukan dengan cara yang
hampir sama dengan menentukan berat ideal, hanya saja perhiungannya yang
berbeda, yakni (Berat – Berat_Ideal)/berat*100
Menghitung Over dengan perintah Count
a. Klik Menu Transform Count...
b. Isi kotak target variabel dengan nama variabel over
c. Isi kotak target Label dengan menuliskan “jumlah yang kelebihan berat
badan”
d. Pindahan variabel kelebihan pada kotak variables
e. Tekan tombol Define Value Pilih Range Througth highest

f. Isikan nilai 0,1 pada kotak Range tersebut
g. Tekan tombol add untuk memasukan nilai tersebut pada kotak Value of
Count
h. Tekan tombol Continue
i. Tekan tombol If Pilih Include if case statiesfies condition
j. Tuliskan kondisi Jk = 0 pada kotak kondisi
k. Tekan Continue Tekan Ok

Menentukan Variabel Data dengan mengikuti instruksi modul maka akan muncul
jendela sebagai berikut :
Hasil dari penambahan variable diet
Urutkan Nama Mahasiswa Berdasarkan Nama

Caranya adalah dengan cara klik kanan pada variable nama, kemudian pada dua
pilihan
terbawah akan muncul tulisan sort ascending (A – Z) dan sort descending

(Z – A) Kali ini kita akan memilih sort Ascending (A – Z)
Split Data Berdasarkan Jenis Kelamin
Split berdasarkan Jenis Kelamin dapat dilakukan dengan langkah sebagai berikut
➢ Data Splite File
➢ Kemudian akan muncul jendela baru, kita isikan seperti gambar di bawah ini
➢ Kemudian tekan OK
Perbedaan Compute, Count dan Record
Compute berfungsi untuk menghitung atau memberikan perhitungan dengan menggunakan

variabel yang sudah ada.
Count berfungsi untuk menghitung nilai yang ada pada variabel dengan nilai yang
sebenarnya
Record berfungsi untuk mengubah kembali variabel, terdapat dua jenis record yang ada pada
SPSS, yaitu :
1.Record in to same Variable = mengubah kembali ke dalam variabel yang sama
2.Record in to different Variable = mengubah kembali ke dalam variabel yang berbeda
Kesimpulan :
- Mahasiswa dapat mengenali dan dapat menggunakan SPSS for Windows -
Mahasiswa dapat memasukan data dalam SPSS for Windows.
Laporan modul 4
STATISTIK DESKRIPTIF
Ringkasan Materi:
Pengukuran Deskriptif
Pengukuran deskriptif pada dasarnya memaparkan secara numerik ukuran tendensi sentral, dispersi
dan distribusi suatu data. Tendensi sentral mengukur pemusatan data. Ada beberapa ukuran umum
tendesni sentral yang sering digunakan, yaitu: Mean/rata-rata, Median dan Modus. Dispersi mengkur
penyebaran suatu data. Beberapa ukuran umum dispersi yang sering digunakan, yaitu: standar
deviasi (simpangan baku), varian dan standard error mean (S.E Mean). Distribusi mengukur
distribusi suatu data, ukuran umum yang sering digunakan adalah skewness (kemiringan) dan
kurtosis (keruncingan) suatu distribusi data.
SPSS mengkategorikan analisis statistik deskriptif dalam 5 kategori, yaitut: Frequencies,

Descriptive, Explore, Crosstab, dan Ratio. Pada SPSS analisis statistik deskriptif dilakukan dengan
cara klik: Analyze > Descriptive Statistics.
Ketik data berikut untuk entry data:
Nilai
Nama Umur Jenis
Kelamin Statistik Statistik Metode
Deskriptif Inferensial Penelitian
Atun 21 Perempuan 80 60 70
Paijo 20 Laki-Laki 70 80 90
Bedul 21 Laki-Laki 90 60 80
Upik 19 Perempuan 80 90 60
Butet 20 Perempuan 60 70 80
Ucok 22 Laki-Laki 90 60 70
Maimunah 21 Perempuan 70 80 80
Markonah 21 Perempuan 60 70 60
Astri 20 Perempuan 80 80 60
Boim 22 Laki-Laki 70 80 90
Langkah-langkah entry data sebagai berikut:
➢ Masukkan variabel: Nama untuk “Nama”, Umur untuk “Umur”, Gender untuk “Jenis
Kelamin”, Stat_Des untuk “Nilai Statistik Deskriptif”, Stat_Inferen untuk “Nilai Statistik
Inferensial”, dan Metopen untuk “Nilai Metode Penelitian” pada kolom Name pada tab sheet
[Variable View].
➢ Berilah label untuk masing-masing variabel dengan menuliskannya pada kolom Label: Umur,
Jenis Kelamin, Nilai Statistik Deskriptif, Nilai Statistik Inferensial, dan Nilai Metode Penelitian.
Hal ini berarti: variabel Gender mempunyai label “Jenis Kelamin”, variabel Stat_Des mempunyai
label “Nilai Statistik Deskripsi”, dan seterusnya.
➢ Untuk variabel Gender pada kolom Values, definisikan Value: 1 = Laki-laki dan Value: 2 =
Perempuan.
➢ Untuk variabel Nama (baris pertama ) pada kolom Type, ubah tipe data menjadi String. ➢ Pada
kolom Decimals isi nol untuk semua variabel.
➢ Untuk kolom lainnya seperti Width, Missing, dan Columns biarkan tetap default SPSS atau anda
sesuaikan dengan keinginan.
➢ Simpan file atau ”save” atau tekan Ctrl + S. Beri nama file: 2_Statistik Deskriptif, dan simpan
pada folder anda (folder nama anda dan kelas).
➢ Kemudian klik tab sheet [Data View] dan entry data seperti di bawah ini:
,variabel Gender
➢ Untuk
melihat hasil definisi Value pada variabel Gender, klik ikon akan terdefinisi menjadi laki-laki dan
perempuan, tidak lagi berisi angka 1 dan 2.
➢ Selanjutnya, kita ingin menjumlahkan nilai Stat_Des, Stat_Inferen, dan Metopen, Klik menu
[Transform] > [Compute], muncul dialog box Compute Variable.
➢ Buatlah variabel baru dengan nama “Total” untuk menempatkan hasil penjumlahan nilai
Stat_Des, Stat_Inferen, dan Metopen, caranya: tuliskan “Total” pada form Target Variable.
Kemudian Klik [Type & Label], beri label “Nilai Total“.
➢ Ketik “Stat_Des+Stat_Inferen+Metopen” (sesuai nama variabel dan perintah penjumlahan ) pada

form Numeric Expression. Anda juga dapat menggunakan tombol- tombol yang tersedia pada
dialog box, lihat Gambar.
➢ Klik [OK]. Pada Data View akan muncul variabel baru dengan nama “Total” (lihat Gambar).
1. Frequencies
Perintah Frequencies digunakan untuk memperoleh jumlah pada nilai-nilai sebuah variabel
tunggal. Langkah-langkahnya adalah sebagai berikut:
❖ Klik menu [Analyze] > [Descriptive Statistics] > [Frequencies].

❖ Muncul dialog box Frequencies. Klik “Jenis Kelamin [Gender]” > klik , (untuk
memasukkan variabel Jenis Kelamin ke form Variables(s). Kita akan menganalisis variabel
Jenis Kelamin.
❖ Jangan lupa centang Display frequency tables.
❖ Agar menampilkan representasi bergambar (grafik), klik [Charts], maka akan muncul dialog
box Frequencies: Charts. Saya memilih Bar charts pada form Chart Type. Pada form Chart
Values , saya memilih Percentages (Lihat Gambar).
❖ Kemudian klik [Continues] untuk kembali ke dialog box Frequencies lalu klik [OK] maka
muncul jendela SPSS Viewer yang menunjukkan hasil analisis frekuensi (lihat Gambar).
2. Descriptives
Dengan menggunakan data sebelumnya langkah-langkah perintah Descriptives adalah sebagai

berikut:
❖ Klik menu [Analyze] > [Descriptives Statistics] > [Descriptives].

❖ Muncul dialog box Descriptives. Masukkan variabel yang akan dianalisis ke form
Variables(s). Untuk melakukan setting optional klik [Options].
❖ Muncul dialog box Descriptives: Options. Centang analisis yang diperlukan. Dalam hal ini
pilihannya adalah: Mean, Std. deviation, Minimum, Maximum, Kurtosis, Skewness, dan
pada form Display Order centang Variable list.
❖ Klik [Continue] dan [OK]. Hasil analisis akan terlihat seperti tabel yang ditunjukkan Gambar
di bawah ini:
3. Explore
Perintah Explore digunakan untuk membandingkan antara dua atau lebih kelompok dengan satu
variabel. Sebagai contoh, jika kita menggunakan Jenis Kelamin sebagai variabel independen;
variabel ini mendefinisikan kelompok (Laki-Laki dan Perempuan), kemudian
membandingkannya dengan variabel lain, seperti Umur. Perintah Explore; contoh dalam kasus
mean, akan menghasilkan berapa rata-rata umur laki-laki dan berapa rata-rata umur perempuan.
Ukuran-ukuran yang dihasilkan perintah Explore antara lain: ukuran-ukuran pemusatan data
(mean dan median), ukuran penyebaran (range, interquartile range, standar deviasi, varians,
minimum, dan maksimum), ukuran kurtosis, dan skewness.
Berikut langkah-langkah perintah Explore:
• Klik menu [Analyze] -> [Descriptives Statistics] -> [Explore].

• Muncul dialog box Explore.
o form Factor List, isi: variabel Jenis Kelamin.
o form Dependent List, isi: variabel Umur, Nilai Statistik Deskriptif, Nilai Statistik
Inferensial, Nilai Metode Penelitian, dan Nilai Total.
• Form Display ada tiga pilihan Both, Statistics, dan Plots. Saya hanya memilih
[Statistics].
o Klik [Plots] bila perlu grafik boxplot. o Klik [Statistics] bila tidak perlu grafik boxplot.
o Klik [Both] bila perlu keduanya.
• Terakhir klik [OK].
Laporan modul 5 Uji Asumsi Hipotesis
1.) MENGAPA UJI ASUMSI KLASIK PENTING?
Model regresi linier berganda (multiple regression) dapat disebut sebagai model yang baik jika
model tersebut memenuhi Kriteria BLUE (Best Linear Unbiased Estimator). BLUE dapat dicapai
bila memenuhi Asumsi Klasik.
Sedikitnya terdapat lima uji asumsi yang harus dilakukan terhadap suatu model regresi tersebut, yaitu:
1. Uji Normalitas
2. Uji Autokorelasi,
3. Uji Multikolinieritas
4. Uji Heteroskedastisitas
5. Uji Linieritas
Dalam modul ini hanya akan di bahas empat asumsi klasik pertama saja.
2.) DATA
Contoh aplikasi ini adalah kasus permintaan ayam di AS selama periode 19601982
Tabel 1. Permintaan Ayam di AS, 1960-1982

Tahun Y X2 X3 X4 X5
1960 27.8 397.5 42.2 50.7 78.3
1961 29.9 413.3 38.1 52 79.2
1962 29.8 439.2 40.3 54 79.2
1963 30.8 459.7 39.5 55.3 79.2
1964 31.2 492.9 37.3 54.7 77.4
1965 33.3 528.6 38.1 63.7 80.2
1966 35.6 560.3 39.3 69.8 80.4
1967 36.4 624.6 37.8 65.9 83.9
1968 36.7 666.4 38.4 64.5 85.5
1969 38.4 717.8 40.1 70 93.7
1970 40.4 768.2 38.6 73.2 106.1
1971 40.3 843.3 39.8 67.8 104.8
1972 41.8 911.6 39.7 79.1 114
1973 40.4 931.1 52.1 95.4 124.1
1974 40.7 1021.5 48.9 94.2 127.6
1975 40.1 1165.9 58.3 123.5 142.9
1976 42.7 1349.6 57.9 129.9 143.6
1977 44.1 1449.4 56.5 117.6 139.2
1978 46.7 1575.5 63.7 130.9 165.5
1979 50.6 1759.1 61.6 129.8 203.3
1980
1981 50.1
51.7 1994.2
2258.1 58.9
66.4 128
141 219.6
221.6
1982 52.9 2478.7 70.4 168.2 232.6
Adapun variabel yang digunakan terdiri
atas: Y = konsumsi ayam per kapita
X2 = pendapatan riil per kapit
X3 = harga ayam eceran riil per unit X4 = harga babi eceran riil per unit X5 = harga sapi eceran riil per
unit
Teori ekonomi mikro mengajarkan bahwa permintaan akan suatu barang dipengaruhi oleh pendapatan
konsumen, harga barang itu sendiri, harga barang substitusi, dan harga barang komplementer.
Dengan data yang ada, kita dapat mengestimasi fungsi permintaan ayam di AS adalah: Ŷi = b1 + b2
X2 + b3 X3 + b4 X4 + b5 X5 + error
3.) UJI NORMALITAS

Cara yang sering digunakan dalam menentukan apakah suatu model berdistribusi normal atau tidak
hanya dengan melihat pada histogram residual apakah memiliki bentuk seperti “lonceng” atau tidak.
Cara ini menjadi fatal karena pengambilan keputusan data berdistribusi normal atau tidak hanya
berpatok pada pengamatan gambar saja. Ada cara lain untuk menentukan data berdistribusi normal
atau tidak dengan menggunakan rasio skewness dan rasio kurtosis.
Rasio skewness dan rasio kurtosis dapat dijadikan petunjuk apakah suatu data berdistribusi normal
atau tidak. Rasio skewness adalah nilai skewnes dibagi dengan standard error skewness; sedang rasio
kurtosis adalah nilai kurtosis dibagi dengan standard error kurtosis. Sebagai pedoman, bila rasio
kurtosis dan skewness berada di antara –2 hingga +2, maka distribusi data adalah normal.
LANGKAH-LANGKAH DALAM SPSS 16.0

Lakukan regresi untuk data permintaan ayam di atas.
Analyze > Regression > Linear, akan muncul tampilan sebagai berikut:
Masukkan variabel Y pada kotak sebelah kiri ke kotak Dependent, dan variabel X2, X3, X4 dan X5 ke
kotak Independent(s) dengan mengklik tombol tanda panah. Kemudian pilih Save dan muncul
tampilan sebagai berikut:
Centang pilihan Unstandardized pada bagian Residuals, kemudian pilih Continue
dan pada tampilan awal pilih tombol OK, akan menghasilkan variabel baru
bernama Unstandardized Residual (RES_1). Selanjutnya Analyze → Descriptive
Statistics → Descriptives akan muncul tampilan sebagaiberikut.
Masukkan variabel Unstandardized Residual (RES_1) ke kotak sebelah kiri, selanjutnya pilih
Options akan muncul tampilan sebagai berikut
Centang pilihan Kurtosis dan Skewness dan kemudian Continue dan pada tampilan awal pilih OK.
Hasilnya sebagai berikut (Beberapa bagian dipotong untuk menghemat tempat).
Skewness Kurtosis
Statistic Std. Error Statistic Std. Error

Unstandardized Residual .105 .481 -1.002 .935
Valid N (listwise)
Terlihat bahwa rasio skewness = 0,105/ 0,481 = 0,218; sedang rasio kurtosis = -1,002/ 0,935 = - 1,071.
Karena rasio skewness dan rasio kurtosis berada di antara –2 hingga +2, maka dapat disimpulkan
bahwa distribusi data adalah normal.
4.UJI AUTOKORELASI
Ada beberapa cara yang dapat digunakan untuk mendeteksi ada tidaknya autokorelasi. Pertama, Uji
Durbin-Watson (DW Test). Uji ini hanya digunakan untuk autokorelasi tingkat satu (first order
autocorrelation) dan mensyaratkan adanya intercept dalam model regresi dan tidak ada variabel lag di
antara variabel penjelas. Hipotesis yang diuji adalah: Ho: p = 0 (baca: hipotesis nolnya adalah tidak
ada autokorelasi) Ha: p ≠ 0 (baca: hipotesis alternatifnya adalah ada autokorelasi)
Keputusan ada tidaknya autokorelasi adalah:

• Bila nilai DW berada di antara d U sampai dengan 4 - dU maka koefisien autokorelasi sama
dengan nol. Artinya, tidak ada autokorelasi.
• Bila nilai DW lebih kecil daripada d L, koefisien autokorelasi lebih besar daripada nol.
Artinya ada autokorelasi positif.
• Bila nilai DW terletak di antara dL dan dU, maka tidak dapat disimpulkan.
• Bila nilai DW lebih besar daripada 4 - d L, koefisien autokorelasi lebih besar daripada nol.
Artinya ada autokorelasi negatif.
• Bila nilai DW terletak di antara 4 – dU dan 4- dL, maka tidak dapat disimpulkan.
Gambar 1 di bawah ini merangkum penjelasan di atas.
Gambar 1. Pengambilan Keputusan Ada Tidaknya Autokorelasi Dengan Durbin Watson Test
LANGKAH LANGKAH DALAM SPSS 16.0
Lakukan regresi untuk data permintaan ayam di atas seperti pada Uji Normalitas. Setelah itu pilih
Statistics akan muncul tampilan seperti di bawah ini. Kemudian centang pilihan Durbin-Watson
setelah itu pilih tombol Continue dan akhirnya pada tampilan selanjutnya pilih OK.
Hasil dari perhitungan Durbin-Watson Statistik akan muncul pada tabel Model Summary seperti di
bawah ini.
Model Summary b
Adjusted R Std. Error of
Model R R Square Square the Estimate Durbin-Watson
1 .971a .943 .930 1.95320 1.065

❖ Predictors: (Constant), X5, X3, X4, X2
❖ Dependent Variable: Y
Langkah selanjutnya adalah menetapkan nilai dL dan dU. Caranya adalah dengan menggunakan derajat
kepercayaan 5%, sampel (n) yang kita miliki sebanyak 23 observasi, dan variabel penjelas sebanyak 4
maka dapatkan nilai dL dan dU sebesar 1,078 dan 1,660. Maka dapat disimpulkan bahwa model ini
memiliki gejala autokorelasi positif.
4. UJI MULTIKOLINIERITAS
Ada banyak cara untuk menentukan apakah suatu model memiliki gejala
Multikolinieritas, pada modul ini hanya diperkenalkan 2 cara, yaitu VIF dan Uji
Korelasi.
5.1. Uji VIF.

Cara ini sangat mudah, hanya melihat apakah nilai VIF untuk masing-masing variabel lebih
besar dari 10 atau tidak. Bila nilai VIF lebih besar dari 10 maka diindikasikan model tersebut
memiliki gejala Multikolinieritas.

Kembali Lakukan regresi untuk data permintaan ayam di atas seperti pada Uji Normalitas.
Setelah itu pilih Statistics kemudian centang pilihan Collinearity Diagnostics setelah itu pilih
tombol Continue dan akhirnya pada tampilan selanjutnya pilih OK. Hasilnya sebagai berikut.
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 37.232 3.718 10.015 .00
0
X2 .005 .005 .420 1.024 .31 .019 52.701
9
X3 -.611 .163 -.922 -3.753 .00 .053 18.901
1
X4 .198 .064 .948 3.114 .00 .034 29.051
6
X5 .070 .051 .485 1.363 .19 .025 39.761
0
a. Dependent Variable: Y
Dapat dilihat bahwa seluruh variabel penjelas memiliki nilai VIF lebih besar 10 maka dapat
disimpulkan bahwa model regresi ini memiliki masalah Multikolinieritas
5.2. Partial Correlation

Cara kedua adalah dengan melihat keeratan hubungan antara dua variabel penjelas atau yang
lebih dikenal dengan istilah korelasi.
Analyze > Correlate > Partial akan muncul tampilan sebagai berikut.
Masukkan variabel X2, X3, X4 dan X5 ke dalam kotak Variables, dan variabel Y ke dalam kotak
Controlling for, dan kemudian OK. Hasilnya sebagai berikut.
Correlations
Control Variables X2 X3 X4 X5
Y X2 Correlation 1.000 .782 .708 .881
Significance (2-tailed) Df . .000 .000 .000
0 20 20 20
X3 Correlation Significance .782 1.000 .917 .744
(2-tailed) .000 . .000 .000
Df 20 0 20 20
Correlation Significance .708 .917 1.000 .602

X4
(2-tailed) .000 .000 . .003
Df 20 20 0 20
Correlation .881 .744 .602 1.000

X5
Significance (2-tailed) Df .000 .000 .003 .
20 20 20 0
Untuk menentukan apakah hubungan antara dua variabel bebas memiliki masalah
multikoliniaritas adalah melihat nilai Significance (2-tailed), jika nilainya lebih kecil dari 0,05
(α=5%) maka diindikasikan memiliki gejala Multikolinearitas yang serius. Dari seluruh nilai
Significance (2-tailed) di atas, dapat disimpulkan seluruh variabel penjelas tidak terbebas dari
masalah Multikolinearitas.
5.) UJI HETEROSKEDASTISITAS

Untuk Uji Heteroskedastisitas, seperti halnya uji Normalitas, cara yang sering digunakan
dalam menentukan apakah suatu model terbebas dari masalah heteroskedastisitas atau tidak
hanya dengan melihat pada Scatter Plot dan dilihat apakah residual memiliki pola tertentu atau
tidak. Cara ini menjadi fatal karena pengambilan keputusan apakah suatu model terbebas dari
masalah heteroskedastisitas atau tidak hanya berpatok pada pengamatan gambar saja tidak
dapat dipertanggungjawabkan kebenarannya. Banyak metoda statistik yang dapat digunakan
untuk menentukan apakah suatu model terbebas dari masalah heteroskedastisitas atau tidak,
seperti misalnya Uji White, Uji Park, Uji Glejser, dan lain-lain.
Modul ini akan memperkenalkan salah satu uji heteroskedastisitas yang mudah yang dapat
diaplikasikan di SPSS, yaitu Uji Glejser.
Uji Glejser secara umum dinotasikan sebagai berikut:
|e| = b1 + b2 X2 + v
Dimana:
|e| = Nilai Absolut dari residual yang dihasilkan dari regresi model
X2 = Variabel penjelas
Bila variabel penjelas secara statistik signifikan mempengaruhi residual maka dapat dipastikan model
ini memiliki masalah Heteroskedastisitas.
Kita sudah memiliki variabel Unstandardized Residual (RES_1) (lihat lagi langkahlangkah uji
Normalitas di atas, khususnya halaman 3). Selanjutnya pilih Transform Compute Variable,
akan muncul tampilan sebagai berikut
Pada kotak Target Variable ketik abresid, pada kotak Function group pilih All dan
dibawahnya akan muncul beberapa pilihan fungsi. Pilihlah Abs. Kemudian klik pada tombol
tanda panah arah ke atas, dan masukkan variabel Unstandardized Residual (RES_1) ke
dalam kotak Numeric Expression dan tampilannya akan menjadi seperti berikut. Dan
akhirnya pilih OK.
Kemudian dilanjutkan dengan regresi dengan cara, Analyze → Regression → Linear, akan muncul
tampilan sebagai berikut:
Masukkan variabel abresid pada kotak sebelah kiri ke kotak Dependent, dan variabel X2,
X3, X4 dan X5 ke kotak Independent(s) dengan mengklik tombol tanda panah dan OK,
hasilnya sebagai berikut:
Coefficientsa
Standardized
Coefficients
Unstandardized Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -1.507 1.590 -.948 .356
X2 -.002 .002 -1.097 -.737 .471
X3 .068 .070 .866 .971 .344
X4 -.001 .027 -.060 -.055 .957

X5 .012 .022 .713 .552 .588
a. Dependent Variable: abresid
Nilai t-statistik dari seluruh variabel pejelas tidak ada yang signifikan secara statistik, sehingga dapat
disimpulkan bahwa model ini tidak mengalami masalah heteroskedastisitas
Laporan modul 6
UJI HIPOTESIS
➢ Tujuan Praktikum
-Mampu memahami Uji Hipotesis Sample t-Test
-Mampu menyeleseikan persoalan Uji Hipotesis Sample t-Test dengan software SPSS
➢ Tugas Pratikum
-Membuat dan mencari dari sumber terpercaya untuk sejumlah data yang akan diolah
kemudian tampilkan dalam bentuk tabel data historis dengan jumlah data minimal
sejumlah 40 data.
-Melakukan perhitungan Uji Hipotesis Sample t-Test (One Sample t-Test, Paired
Sample t- Test, Independent Sample t-Test) dari sejumlah yang telah didapat dengan
menggunakan software SPSS.
-Melakukan bahasan dari hasil sejumlah hasil olahan yang didapat hingga tentukan kesimpulan
keputusan yang didapat.
➢ Pengolahan Data
Deskripsi Kasus
1. One Sample t-Test
Menguji satu kelompok sampel yang terdiri dari 20 responden, kemudian mencatat
kecepatan membacanya sebelum diberikan treatment yang dapat dilihat dari jumlah kata
yang dapat dibaca dalam waktu 3 menit, setelah itu melakukan pengolahan data yang telah
didapatkankan dengan menggunakan software SPSS.
2. Paired Sample t-Test

Menguji satu kelompok sampel yang sama seperti metode one sample t-Test (terdiri dari
20 responden) kemudian mencatat kecepatan membacanya setelah diberikan treatment
yang dapat dilihat dari banyaknya kata yang dapat dibaca dalam waktu 3 menit. Setelah itu
melakukan perbandingan antara sebelum dan sesudah diberikan treatment dengan
menggunakan software SPSS.
3. Independent Sample t-Test

Melakukan pengujian terhadap kelompok sampel yang berbeda dengan 2 metode
sebelumnya yang juga terdiri dari 20 responden, kemudian mencatat kecepatan
membacanya dalam waktu 3 menit setelah diberikan treatment, setelah itu melakukan
perbandingan rata-rata kecepatan membaca setelah diberikan treatment antara kelompok
sampel pertama dan kedua.
-Tabel Data Historis

Dari pengumpulan data yang telah dilakukan terhadap 2 kelompok sampel yang berbeda,
didapatkan data-data yang dapat dilihat pada table berikut ini :
Tabel 1. Kelompok sampel 1

Jumlah kata
Jumlah kata
Nama Responden dengan diberi
No
tanpa treatment treatment
1 Firna 678 1153
2 Maya 864 1453
3 Herny 1011 1566
4 Noerfaizah 865 1354
5 Putri 735 1109
6 Hanif 623 1156
7 Rifaldi 585 1198
8 Desta 847 1298
9 Poppy 1035 1679
10 Nurika 944 1398
11 Barry 761 1221
12 Intan Shavana 853 1315
13 Laras 698 1123
14 Cathrine 733 1098

15 Vega 1022 1498
16 Rizki Yanwar 1040 1675
17 Eno 457 1335
18 Farhana 642 1244
19 Minda 579 1172
20 Wulan 472 1142
Tabel 2. Kelompok 2
Tentukan Ho dan Ha, tingkat probabilitas kesalahan (p), dan kriteria pengujian
Hipotesis
Ho : μ=800
Ha : μ ≠ 800
a = 0,05 x =
772,2 σ =183,15
Jika sig > 0,05 maka Ho diterima → Tidak ada perbedaan
Jika sig < 0,05 maka Ho ditolak → Ada perbedaan
Hipotesis
Ho: μ1= μ 2
Ha: μ1≠ μ 2
α =0,05
x = 1 772,2 ; ´x 2 1309,35
σ=1 183,15 ; σ 2 183,81


Hipotesis
Ho: μ 1 = μ 2 Ha: μ 1 ≠ μ
2
α =0,05
x´= 1 772,2 ; ´x 2752,05
σ= 1 183,15 ; σ 2 188,34

Cara Kerja
a. klik variable view
b. masukan data seperti dibawah ini :
∼ Pada Variabel View, pengisian Variabel nama responden pada kolom Name diketik
Nama_responden, sesuai dengan studi kasus.
∼ Pada Variabel View, pengisian Variabel jumlah kata tanpa treatment pada
kolom Name diketik Jumlah kata tanpa treatment, sesuai dengan studi kasus
∼ Pada kolom Type. Untuk baris pertama ganti menjadi String, karena merupakan
kolom yang berisi karakter. Untuk lebih memperjelas dapat dilihat seperti gambar
dibawah ini:
c. Setelah itu masukan data nama responden dan jumlah kata tanpa treatment diatas
pada Data View yang ada pada kiri bawah jendela SPSS, seperti gambar dibawah
berikut ini:
d. Kemudian cek normalitas/validitas dari data yang telah dimasukan pada Data View
dengan memilih menu Analyze, pada sub menu pilih Descriptive Statistics
kemudian pilih Explore seperti dibawah ini:
e. Akan muncul jendela Explore, pindahkan variabel jumlah kata tanpa treatment ke
Dependent List dengan memilih variabel jumlah kata tanpa treatment kemudian
klik tanda panah ke kanan di jendela tersebut, seperti gambar dibawah ini:
f. Setelah itu klik Option pada jendela Explore kemudian muncul jendela berikutnya.
Isikan derajat keyakinan sebesar 95%, klik Continue. Jika sudah klik Plot,
kemudian hilangkan centang pada Stem-and-leaf, centang pada Normality plots
with tests klik continue dan ok seperti yang diperlihatkan pada gambar dibawah
ini:
g. Akan muncul output yang berisi data berikut ini :
h. Dari gambar diatas diketahui sig > 0,05 maka dapat dipastikan dengan tingkat
kepercayaan 95% data dikatakan valid.
i. Jika data sudah valid, maka langkah selanjutnya adalah melakukan pengujian
dengan langkah pilih Analyze untuk memulai t-Test, pada sub menu pilih
Compare Means kemudian pilih One-Sample t-Test seperti dibawah ini:
j. Akan muncul jendela One-Sample t-Test, pindahkan variabel jumlah kata tanpa
treatment ke Test Variabel dengan memilih variabel jumlah kata tanpa treatment
kemudian klik tanda panah ke kanan di jendela tersebut, seperti gambar dibawah
ini:
k. Karena derajat keyakinan sudah diset menjadi 95% maka tidak perlu melakukan
pengaturan lagi. Kemudian klik ok dan akan muncul jendela output yang
menampilkan text dan tabel seperti dibawah ini:
2.Paired Sample t-Test

a. Dari menu utama, pilih File, kemudian pilih New, lalu pilih Data.
b. Masukan data seperti dibawah ini : Pada Variabel View, pengisian Variabel
nama responden pada kolom Name diketik Nama_responden, sesuai dengan studi
kasus.
Pada Variabel View, pengisian Variabel jumlah kata tanpa treatment pada
kolom Name diketik Jumlah kata tanpa treatment, sesuai dengan studi kasus
Pada Variabel View, pengisian Variabel jumlah kata dengan diberi treatment pada
kolom Name diketik Jumlah kata dengan treatment, sesuai dengan studi kasus
Pada kolom Type. Untuk baris pertama ganti menjadi String, karena merupakan
kolom yang berisi karakter. Untuk lebih memperjelas dapat dilihat seperti gambar
dibawah ini:
c. Setelah itu masukan data nama responden, jumlah kata tanpa treatment dan jumlah
kata dengan diberi treatment diatas pada Data View yang ada pada kiri bawah
jendela SPSS, seperti gambar dibawah berikut ini:
d. Kemudian cek normalitas/validitas dari data yang telah dimasukan pada Data View
dengan memilih menu Analyze, pada sub menu pilih Descriptive Statistics
e. Akan muncul jendela Explore, pindahkan variabel jumlah kata tanpa treatment dan
jumlah kata dengan diberi treatment ke Dependent List dengan memilih variabel
jumlah kata tanpa treatment dan dengan treatment kemudian klik tanda panah ke
kanan di jendela tersebut, seperti gambar dibawah ini:
f. Setelah itu klik Option pada jendela Explore kemudian muncul jendela berikutnya.
Isikan derajat keyakinan sebesar 95%, klik Continue. Jika sudah klik Plot,
kemudian hilangkan centang pada Stem-and-leaf, centang pada Normality plots
with tests klik continue dan ok seperti yang diperlihatkan pada gambar dibawah
ini:
h. Dari gambar diatas diketahui kedua data sig > 0,05 maka dapat dipastikan dengan
tingkat kepercayaan 95% data dikatakan valid.
i. Jika data sudah valid, maka langkah selanjutnya adalah melakukan pengujian
dengan langkah pilih Analyze untuk memulai t-Test, pada sub menu pilih Compare
Means kemudian pilih Paired-Sample t-Test seperti dibawah ini:
j. Akan muncul jendela Paired-Sample t-Test, karena yang akan diuji adalah jumlah
kata tanpa dan sesudah diberi treatment, maka klik
Jumlah kata tanpa treatment agar masuk variabel 1, kemudian klik Jumlah kata dengan treatment agar
masuk ke variabel 2.
Nb : variabel jumlah kata tanpa dan sesudah diberi treatment harus dipilih bersamaan,
seperti gambar dibawah ini:
k. Karena derajat keyakinan sudah diset menjadi 95% maka tidak perlu melakukan
pengaturan lagi. Kemudian klik ok dan akan muncul jendela output yang
menampilkan text dan tabel seperti dibawah ini:
3.Independent Sample t-Test

a. Dari menu utama, pilih File, kemudian pilih New, lalu pilih Data.
b. Masukan data seperti dibawah ini :
Pada Variabel View, pengisian Variabel nama responden pada kolom Name diketik
Nama_responden, sesuai dengan studi kasus.
Pada Variabel View, pengisian Variabel jumlah kata dengan diberi treatment pada kolom Name
diketik Jumlah_kata_dengan_treatment, sesuai dengan studi kasus.
Pada Variabel View, pengisian Variabel kelompok sampel pada kolom Name diketik
Kelompok_sampel, sesuai dengan studi kasus
∼ Pada kolom Type. Untuk baris pertama ganti menjadi String, karena merupakan kolom
yang berisi karakter.
∼ Pada kolom Value di baris ketiga, isi seperti gambar dibawah ini:
c. Mengisi data pada Data View dengan memasukan data nama responden, jumlah
kata dengan diberi treatment dan kelompok sampel diatas, seperti gambar dibawah berikut
ini:
d. Kemudian cek normalitas/validitas dari data yang telah dimasukan pada Data View dengan
memilih menu Analyze, pada sub menu pilih Descriptive Statistics kemudian pilih Explore
seperti dibawah ini:
e. Akan muncul jendela Explore, pindahkan variabel jumlah kata dengan diberi treatment ke
Dependent List dengan memilih variabel jumlah kata dengan diberi treatment kemudian klik
tanda panah ke kanan di jendela tersebut, seperti gambar dibawah ini:
f. Setelah itu klik Option pada jendela Explore kemudian muncul jendela berikutnya. Isikan
derajat keyakinan sebesar 95%, klik Continue. Jika sudah klik Plot, kemudian hilangkan
centang pada Stem-and-leaf, centang pada Normality plots with tests klik continue dan ok
seperti yang diperlihatkan pada gambar dibawah ini:
h. Dari gambar diatas diketahui sig > 0,05 maka dapat dipastikan dengan tingkat kepercayaan
95% data dikatakan valid.
i. Jika data sudah valid, maka langkah selanjutnya adalah melakukan pengujian dengan langkah
pilih Analyze untuk memulai t-Test, pada sub menu pilih
Compare Means kemudian pilih Independent-Sample t-Test seperti dibawah ini:
j. Akan muncul jendela Independent- Sample t-test:
Test Variable (s) atau variabel yang akan diuji. Karena yang akan diuji adalah apakah ada
perbedaan antar jumlah kata setelah pemberian treatment antara 2 kelompok sampel yang berbeda,
maka klik Jumlah kata dengan treatment agar masuk pada Test Variable (s)
Grouping Variable. Dalam kolom ini masukkan Kelompok_sampel sebagai grup yang akan
dibandingkan jumlah katanya.
Untuk kolom option karena sebelumnya tingkat kepercayaan telah diset menjadi
95% maka diabaikan saja. Untuk memperjelas perhatikan gambar berikut ini:
Define Grop. Isi sesuai dengan gambar dibawah berikut ini kemudian klik Continue dan ok
untuk memproses data.
k. Akan muncul jendela output yang menampilkan text dan tabel seperti dibawah ini:
➢ Hasil Output SPSS
Dari pengolahan data yang telah dilakukan menggunakan software SPSS didapatkan output
sebagai berikut:

➢ Analisis Hasil Output SPSS

Pada bagian pertama terlihat ringkasan dari sampel, yaitu jumlah kata tanpa treatment dengan
nilai rata-rata (mean) 772,2 dari total keseluruhan 20 data.
Dari output kedua dapat dilihat nilai dari t hitung = 18,885 dan juga sig.(2-tailed) yang diperoleh adalah
sebesar 0,000 yang berarti nilai sig.(2-tailed) < 0,05 maka Ho ditolak.

Pada bagian pertama terlihat ringkasan dari kedua sampel. Untuk jumlah kata tanpa
treatment memiliki nilai rata-rata 772,2 dari total keseluruhan 20 data. Sedangkan jumlah
kata dengan diberi treatment memiliki rata-rata 1309,35 dari total keseluruhan 20 data.
Dari output kedua dapat dilihat nilai dari t hitung = -19,945 dan juga sig.(2-tailed) yang
diperoleh adalah sebesar 0,000 yang berarti nilai sig.(2-tailed) < 0,05 maka Ho ditolak
Pada bagian pertama terlihat ringkasan dari kedua sampel. Untuk jumlah kata dengan
tidak diberi treatment kelompok sampel 1, nilai rata-rata jumlah katanya adalah 772,2
dari 20 data keseluruhan. Sedangkan jumlah kata dengan tidak diberi treatment
kelompok sampel 2, nilai rata-rata jumlah katanya adalah 752,05 dari 20 data
keseluruhan Dari output kedua dapat dilihat nilai dari t hitung = 0,343 dan juga sig.(2-
tailed) yang diperoleh adalah sebesar 0,733 yang berarti nilai sig.(2-tailed) > 0,05 maka
Ho diterima.
➢ Kesimpulan

Dari output kedua hasil pengolahan melalui software SPSS diperoleh nilai t hitung
a/2,v a/2,v
SPSS = 18,885. Sedangkan nilai t dan t adalah -2,0244 dan 2,0244. Jika
dibandingkan, maka nilai t hitung SPSS tidak berada diantara angka-angka t tabel,
sehingga Ho ditolak. Dan juga karena sig.(2-tailed) yang diperoleh adalah sebesar 0,000
yang berarti nilai sig.(2-tailed) < 0,05 maka Ho ditolak.
Dapat diambil keputusan bahwa dengan tingkat kepercayaan 95%, secara signifikan
jumlah kata yang dapat dibaca tanpa diberi treatment ada perbedaan dengan apa yang
diklaim oleh penguji.

Dari output kedua hasil pengolahan melalui software SPSS diperoleh nilai t hitung SPSS =
-19,945. Sedangkan nilai — t a/2,v dan t a/2,v adalah -2,093 dan 2,093. Jika
dibandingkan, maka nilai t hitung SPSS tidak berada diantara angka-angka t tabel,
sehingga Ho ditolak. Dan juga karena sig.(2-tailed) yang diperoleh adalah sebesar 0,000
yang berarti nilai sig.(2tailed) < 0,05 maka Ho ditolak.
Dapat diambil keputusan bahwa dengan tingkat kepercayaan 95%, secara signifikan
jumlah kata yang dapat dibaca tanpa dan sesudah diberi treatment memiliki perbedaan

Dari output kedua hasil pengolahan melalui software SPSS diperoleh nilai t hitung
SPSS = 0,343. Sedangkan nilai — t a/2,v dan t a/2,v adalah -2,093 dan 2,093. Jika
dibandingkan, maka nilai t hitung SPSS berada diantara angka-angka t tabel,
sehingga Ho diterima. Dan juga karena sig.(2-tailed) yang diperoleh adalah
sebesar 0,862 yang berarti nilai sig.(2-tailed) > 0,05 maka Ho diterima.
Dapat diambil keputusan bahwa dengan tingkat kepercayaan 95%, secara signifikan jumlah kata
yang dapat dibaca tanpa diberikan treatment antara kelompok sampel 1 dan kelompok sampel 2
tidak memiliki perbedaan
Laporan modul 7
ANOVA satu ARAH

Tujuan Praktikum
1. Mahasiswa mampu memahami uji hipotesis dari parameter yang lebih dari dua populasi
dengan menggunakan Anova, yaitu Anova satu arah dan Anova dua arah.
2. Mahasiswa mampu menyelesaikan uji hipotesis dari parameter yang lebih dari dua populasi
dengan menggunakan software SPSS.
Tugas Praktikum
1. Membuat dan mencari dari sumber terpercaya untuk sejumlah data yang akan diolah
kemudian tampilkan dalam bentuk tabel data historis dengan jumlah data minimal
sejumlah 30 data.
2. Melakukan perhitungan uji ANOVA (analysis of variance) 1 arah dan 2 arah dari
sejumlah yang telah didapat dengan menggunakan software SPSS.
3. Melakukan bahasan dari hasil sejumlah hasil olahan yang didapat hingga tentukan
kesimpulan keputusan yang didapat. Latar Belakang
Statistik berasal dari kata state (Yunani) yaitu negara dan digunakan untuk urusan
Negara. Statistik digunakan untuk ukuran sebagai wakil dari kelompok fakta. Untuk
memperoleh sejumlah informasi yang menjelaskan masalah untuk ditarik kesimpulan
yang benar, harus melalui beberapa proses yaitu proses pengumpulan informasi,
pengolahan informasi, dan proses penarikan kesimpulan. Secara umum, Statistik adalah
rekapitulasi dari fakta yang bentuk angka-angka disusun dalam bentuk tabel dan diagram
yang mendiskripsikan suatu permasalahan. Kesemuanya itu memerlukan pengetahuan
tersendiri yang disebut statistika.
Di dalam ilmu statistika dikenal juga istilah ANOVA. ANOVA merupakan suatu
analisis untuk menguji, apakah terdapat perbedaan antara lebih dari dua populasi. Dimana
populasinya harus berdistribusi normal, variansinya homogen dan saling bebas. Didalam
ANOVA, populasi harus berdistribusi normal dan variansinya homogen, serta merupakan
populasi yang bebas.
Pengolahan Data
Deskripsi Kasus
1. ANOVA One Way
Melakukan penyebaran data kuesioner mengenai Tingkat Stres / Beban Kerja Mental
Mahasiswa FTI untuk tiga jurusan yang ada di Fakultas Teknologi Industri sebanyak
10 responden dari tiap masing-masing jurusan, setelah itu melakukan pengolahan data
yang telah didapatkan dengan menggunakan software SPSS.
2. ANOVA Two Way

Melakukan penyebaran data kuesioner mengenai Tingkat Stres / Beban Kerja Mental
Mahasiswa FTI untuk tiga jurusan yang ada di Fakultas Teknologi Industri untuk
angkatan 2013-2014 sebanyak 5 responden dari masing-masing angkatan dan jurusan,
setelah itu melakukan pengolahan data yang telah didapatkan dengan menggunakan
software SPSS.
Tabel Data Historis
Dari kuesioner yang disebar didapatkan pengumpulan data yang dapat dilihat pada tabel
berikut ini :
Tabel 1. Tabel ANOVA One Way
Tingkat Stres / Beban Kerja Mental Mahasiswa
No
Teknik Industri Teknik Mesin Teknik Kimia
1 8 4 6
2 7 6 6
3 6 8 7
4 6 6 5
5 6 6 7
6 7 5 8
7 7 8 6
8 6 4 7
9 8 7 6
10 7 4 8
Tabel 2. Tabel ANOVA Two Way

Tingkat Stres / Beban Kerja Mental Mahasiswa
No Teknik Industri Teknik Mesin Teknik Kimia
2013 2014 2013 2014 2013 2014
1 7 8 5 4 8 6
2 7 7 8 6 6 6
3 6 6 4 8 7 7
4 8 6 7 6 6 5
5 7 6 4 6 8 7
Menentukan Ho dan Ha, tingkat probabilitas kesalahan (p), dan kriteria pengujian
a. Test of Normality
Dalam hal ini ditentukan bahwa:
o Ho = tidak ada perbedaan sebaran data antara sampel dan populasi. o Ha = terdapat
perbedaan sebaran data antara sampel dan populasi. Kriteria Pengujian:
o Jika nilai probabilitas (α) > 0.05, maka Ho diterima.
o Jika nilai probabilitas (α) < 0.05, maka Ho ditolak.
b. Test of Homogeneity of Variance

Pengambilan keputusan didasarkan pada:
o Jika nilai probabilitas (α) < 0.05, maka Ho ditolak. Dalam hal ini ditentukan
bahwa: o Ho = tidak ada perbedaan varian populasi (homogen) o Ha = terdapat
perbedaan varian populasi (tidak homogen)
c. One Way Anova

Dalam hal ini ditentukan bahwa: o Ho = tidak ada perbedaan Tingkat Stres /
Beban Kerja Mental Mahasiswa FTI untuk 3 jurusan yang berbeda. o Ha =
terdapat perbedaan Tingkat Stres / Beban Kerja Mental Mahasiswa FTI untuk
3 jurusan berbeda. Kriteria Pengujian:
o Jika nilai probabilitas (α) < 0.05, maka Ho ditolak.
d. Two Way Anova

Dalam hal ini ditentukan bahwa: o Ho = tidak ada perbedaan Tingkat Stres /
Beban Kerja Mental Mahasiswa FTI untuk 3 jurusan berbeda dan 2 angkatan
berbeda.
o Ha = terdapat perbedaan Tingkat Stres / Beban Kerja Mental Mahasiswa FTI untuk 3
jurusan dan 2 angkatan berbeda. Kriteria Pengujian:
o Jika nilai probabilitas (α) > 0.05, maka Ho diterima. Jika nilai probabilitas (α) <
0.05, maka Ho ditolak
Cara Kerja A. Uji ANOVA

One Way
1. Memasukan data yang telah tersedia kedalam input data seperti gambar berikut:
- Pada Variabel View, pengisian Variabel Kepuasan pada kolom Name diketik
Kepuasan, sesuai dengan studi kasus.
- Pada Variabel View, pengisian Variabel Jurusan pada kolom Name diketik jurusan,
sesuai dengan studi kasus
- Pada kolom Value di baris kedua, isi seperti gambar dibawah ini:
- Setelah itu masukan data Tingkat Kepuasan responden, dan jurusan diatas pada Data
View yang ada pada kiri bawah jendela SPSS, seperti gambar dibawah berikut ini:
2. Kemudian uji normalitas dan homogenitas dari data yang telah dimasukan pada Data View
dengan memilih menu Analyze, pada sub menu pilih Descriptive Statistics kemudian pilih
Explore seperti dibawah ini:
Akan muncul jendela Explore, pindahkan variabel Kepuasan ke Dependent List

dengan memilih variabel Kepuasan kemudian klik tanda panah ke kanan di jendela
tersebut, begitu juga dengan Variabel Jurusan klik pindah ke Factor List seperti
gambar dibawah ini:
2. Setelah itu klik Option pada jendela Explore kemudian muncul jendela
berikutnya. Isikan derajat keyakinan sebesar 95%, klik Continue. Jika
sudah klik Plot, kemudian hilangkan centang pada Stem-and-leaf, centang
pada Normality plots with tests klik continue, centang Untransformed
pada kolom Spread vs Level with Levene Test dan ok seperti yang
diperlihatkan pada gambar dibawah ini:
4. Akan Muncul Output Seperti dibawah ini :

a. Uji Normalitas
b. Uji Homogenitas
5. Dari gambar diatas diketahui kedua data sig > 0,05 maka dapat dipastikan dengan tingkat
6. Setelah didapatkan hasil uji normalitas dan homogenitas, dapat dilakukan uji ANOVA
One Way. Dikatakan ANOVA One Way dikarenakan hanya ada 1 variabel bebas dan
1 variabel terikat.
a. Pilih analyze pada menu file yang ada, pilih compare mean One Way Anova
b. Setelah itu maka akan tampil gambar sebagai berikut :
- Pada posisi Dependent List masukkan variabel yang menjadi variable terikat.
Dari data yang ada maka variabel terikatnya adalah variabel Kepuasan, maka
pilih Kepuasan.
- Pada posisi Factor pilih variabel yang menjadi faktor terjadinya perubahan
pada variabel terikat. Dalam hal ini adalah variabel Jurusan. Sehingga akan
berubah menjadi seperti ini:
c. Klik tombol options dan klik pilihan yang diinginkan seperti berikut:
Untuk melihat keseragaman pada perhitungan statistik, maka dipilih Descriptive

dan Homogeneity-of-variance. Untuk itu klik mouse pada pilihan tersebut.
Missing Value adalah data yang hilang, karena data yang dianalisis tidak ada yang
hilang, maka abaikan saja pilihan ini kemudian klik continue
d. Klik post hoc dan pilih jenis post hoc yang diinginkan.
Checklist pada kolom LSD dan perhatikan significance level yang digunakan.
Pada gambardiatas tertuliskan 0,05. Hal itu dikarenakan α sebesar 5%. Kemudian
klik Continue jika pengisian dianggap selesai. Beberapa saat kemudian akan
keluar tampilan output SPSS sebagai berikut :
B. Uji ANOVA Two Way

1. Memasukan data yang telah tersedia kedalam input data seperti gambar berikut:
- Pada Variabel View, pengisian Variabel Kepuasan pada kolom Name diketik Kepuasan,
sesuai dengan studi kasus.
- Pada Variabel View, pengisian Variabel Jurusan pada kolom Name diketik jurusan, sesuai
dengan studi kasus.
- Pada Variabel View, pengisian Variabel Angkatan pada kolom Name diketik angkatan,
sesuai dengan studi kasus.
- Pada kolom Value juga di isi seperti dibawah ini.
- Setelah itu masukan data Tingkat Kepuasan responden, jurusan dan angkatan diatas pada
Data View yang ada pada kiri bawah jendela SPSS, seperti gambar dibawah berikut ini:
2. Kemudian uji normalitas dan homogenitas dari data yang telah dimasukan pada Data
View dengan memilih menu Analyze, pada sub menu pilih Descriptive Statistics
3. Akan muncul jendela Explore, pindahkan variabel Kepuasan ke Dependent List

dengan memilih variabel Kepuasan, pindahkan variabel jurusan dan variabel
angkatan ke Factor List kemudian klik tanda panah ke kanan di jendela tersebut,
seperti gambar dibawah ini
4. Setelah itu klik Option pada jendela Explore kemudian muncul jendela berikutnya.
Isikan derajat keyakinan sebesar 95%, klik Continue. Jika sudah klik Plot, kemudian
hilangkan centang pada Stem-and-leaf, centang pada Normality plots with tests klik
continue, centang Untransformed pada kolom Spread vs Level with Levene Test dan
ok seperti yang diperlihatkan pada gambar dibawah ini:
5. Akan muncul output seperti ini:

a. Uji Normalitas
b. Uji Homogenitas
6. Dari gambar diatas diketahui kedua data sig > 0,05 maka dapat dipastikan dengan tingkat
7. Setelah didapatkan hasil uji normalitas dan homogenitas, dapat dilakuka uji ANOVA Two
Way. Dikatakan ANOVA Two Way dikarenakan hanya ada 2 variabel bebas dan
1 variabel terikat.
8. Pilih analyze -- General Linear Model – Univariate
9. Setelah itu maka akan tampil gambar sebagai berikut :

- Pada posisi Dependent List masukkan variabel yang menjadi variable terikat. Dari
data yang ada maka variabel terikatnya adalah variabel Kepuasan, maka pilih Kepuasan
- Pada posisi Factor pilih variabel yang menjadi faktor terjadinya perubahan pada variabel
terikat. Dalam hal ini adalah variabel Jurusan dan variabel Angkatan.
- Klik tombol plots dan klik pilihan yang diinginkan seperti berikut:
10. Klik post hoc dan pilih jenis post hoc yang diinginkan.
- Checklist pada kolom LSD dan perhatikan significance level yang digunakan. Pada
gambar diatas tertuliskan 0,05.
-
12. Klik option

✓ Descriptive Statistics
✓ Estimate of Effect
✓ Homogeneity test
✓ Spread vs level plot
✓
Kemudian klik Continue jika pengisian dianggap selesai. Beberapa saat kemudian akan
keluar tampilan output SPSS sebagai berikut :
Hasil Output SPSS
a. Uji ANOVA One Way
b. Uji ANOVA Two Way
Analisis Hasil Output SPSS
1. Test of Normality
Uji normalitas menunjukkan bahwa ketiga kelompok sampel yaitu Teknik

Industri, Teknik Kimia, dan Teknik Mesin memiliki signifikansi yang
berturutturut sebesar 0,91 , 0,133 , 0,200. Dari hasil keseluruhan tersebut dapat
ditarik kesimpulan bahwa signifikansi seluruh jurusan > 0,05 yang artinya
distribusi data normal. Maka data yang diambil dinyatakan tidak terjadi
penyimpangan dan layak untuk dilakukan uji ANOVA.
2. Test of homegenity of varience

Tes ini bertujuan menguji berlaku tidaknya asumsi untuk ANOVA, yaitu
apakah ketiga kelompok sampel mempunyai variansi yang sama. Uji
keseragaman variansi menunjukan probabilitas atau signifikansi seluruh
sampel adalah 0,087, yang berarti signifikansi = 0,087 > 0,05 maka sesuai
dengan kriteria pengujian dapat disimpulkan bahwa hipotesis nol (Ho)
diterima, yang berarti asumsi bahwa ketiga varian populasi adalah sama
(homogen) dapat diterima.
3. ANOVA
Setelah ketiga varian terbukti sama, baru dilakukan uji ANOVA untuk
menguji apakah ketiga sampel mempunyai rata-rata yang sama. Uji ANOVA
menunjukan nilai probabilitas atau signifikansi adalah 0,139. Hal ini berarti
signifikansi besar dari 0,05 maka Ho juga diterima, yang artinya ternyata tidak
ada perbedaan rata-rata antar ketiga kelompok jurusan yang diuji. Maka tidak
ada perbedaan Tingkat Kepuasan beban kerja mental terhadap tiga kelompok
jurusan tersebut yang ada di FTI.
4. Post Hoc
Post Hoc dilakukan untuk mengetahui kelompok mana yang berbeda dan yang
tidak berbeda. Atau dapat dikatakan dalam kasus ini, kelompok jurusan mana
yang memberikan pengaruh signifikan terhadap perbedaan Tingkat Kepuasan
Beban Mental. Uji post hoc merupakan uji kelanjutan dari uji ANOVA jika
hasil yang diperoleh pada uji ANOVA adalah Ho diterima atau tidak terdapat
perbedaan antara tiap kelompok. Namun karena uji ANOVA menunjukkan Ho
diterima, maka uji post hoc menunjukkan ada kelompok jurusan FTI UII yang
memberikan pengaruh pada perbedaan Tingkat Beban Mental. Hal ini juga
dapat dilihat pada tabel Post hoc yang tidak menunjukkan tanda (*) sebagai
penanda bahwa terdapat kelompok yang signifikan. Diketahui dari Mean
Difference yaitu:
𝐓𝐞𝐤𝐧𝐢𝐤 𝐌𝐞𝐬𝐢𝐧 < 𝑇𝑒𝑘𝑛𝑖𝑘 𝐾𝑖𝑚𝑖𝑎 < 𝑇𝑒𝑘𝑛𝑖𝑘 𝐼𝑛𝑑𝑢𝑠𝑡𝑟𝑖

1. Test of normality
Uji normalitas menunjukkan bahwa ketiga kelompok sampel yaitu Teknik
Industri, Teknik Elektro dan Teknik Kimia yang terdiri dari angkatan 2013
dan 2014 memiliki signifikansi yang berturut-turut sebesar 0,91 , 0,133 ,
0,200. Dari hasil keseluruhan tersebut dapat ditarik kesimpulan bahwa
signifikansi seluruh jurusan > 0,05 yang artinya distribusi data normal. Maka
data yang diambil dinyatakan tidak terjadi penyimpangan dan layak untuk
dilakukan uji
ANOVA.
2. Test of homegenity of varience

Tes ini bertujuan menguji berlaku tidaknya asumsi untuk ANOVA, yaitu
apakah ketiga kelompok sampel mempunyai variansi yang sama. Uji
keseragaman variansi menunjukan probabilitas atau signifikansi seluruh
sampel adalah 0,165, yang berarti signifikansi = 0,165 > 0,05 maka sesuai
dengan kriteria pengujian dapat disimpulkan bahwa hipotesis nol (Ho)
diterima, yang berarti asumsi bahwa ketiga varian populasi adalah sama
(homogen) dapat diterima.
3. ANOVA
Setelah ketiga varian terbukti sama, baru dilakukan uji ANOVA untuk
menguji apakah ketiga sampel mempunyai rata-rata yang sama. Uji ANOVA
menunjukan nilai probabilitas atau signifikansi besar dari 0,05 maka Ho juga
diterima, yang artinya ternyata tidak ada perbedaan rata-rata antar ketiga
kelompok jurusan antara angkatan 2013 dan 2014 yang diuji. Maka tidak ada
perbedaan Tingkat Kepuasan Beban Mental terhadap tiga kelompok jurusan
dan angkatan 20123 dan 2014 tersebut yang ada di FTI.
4. Post Hoc
Post Hoc dilakukan untuk mengetahui kelompok mana yang berbeda dan
yang tidak berbeda. Atau dapat dikatakan dalam kasus ini, kelompok jurusan
dan angkatan mana yang memberikan pengaruh signifikan terhadap Tingkat
Beban Mental. Uji post hoc merupakan uji kelanjutan dari uji ANOVA jika
hasil yang diperoleh pada uji ANOVA adalah Ho diterima atau tidak terdapat
perbedaan antara tiap kelompok. Namun karena uji ANOVA menunjukkan
Ho diterima, maka uji post hoc menunjukkan ada kelompok jurusan dan
angkatan FTI UII yang memberikan pengaruh pada Tingkat Beban Mental.
Hal ini juga dapat dilihat pada tabel Post hoc yang tidak menunjukkan tanda
(*) sebagai penanda bahwa terdapat kelompok yang signifikan. Diketahui
dari Mean Difference yaitu:
𝐓𝐞𝐤𝐧𝐢𝐤 𝐌𝐞𝐬𝐢𝐧 < 𝑇𝑒𝑘𝑛𝑖𝑘 𝐾𝑖𝑚𝑖𝑎 < 𝑇𝑒𝑘𝑛𝑖𝑘 𝐼𝑛𝑑𝑢𝑠𝑡𝑟𝑖
Keputusan

Dari keseluruhan uji yang dilakukan maka dapat disimpulkan bahwa tidak
terdapat perbedaan yang signifikan antara ketiga jurusan yang ada di FTI yang
artinya tidak terdapat hubungan antara Tingkat Stres / Beban Mental dengan
kelompok jurusan di FTI UII.

Dari keseluruhan uji yang dilakukan maka dapat disimpulkan bahwa tidak
terdapat perbedaan yang signifikan antara ketiga jurusan dan kedua angkatan
yang ada di FTI yang artinya tidak terdapat hubungan antara Tingkat Stres /
Beban Mental dengan kelompok jurusan dan angkatan di FTI UII.
Laporan Modul 8
Regresi Linier Berganda
Regresi Linier Berganda yang akan disimulasikan pada bagian ini menggunakan pendekatan
Ordinary Least Squares (OLS). Penjelasan akan dibagi menjadi 4 (empat) tahapan, yaitu:
1) Persiapan Data (Tabulasi Data)

2) Estimasi Model Regresi Linier (Berganda)
3) Pengujian Asumsi Klasik
4) Uji Kelayakan Model (Goodness of Fit Model)
5) Intepretasi Model Regresi Linier (Berganda)
Persiapan data dimaksudkan untuk melakukan input data ke dalam software SPSS.
Setelah data di-input kedalam software SPSS, maka langkah selanjutnya adalah melakukan
estimasi (pendugaan) model (persamaan) regresi linier, baru dilanjutkan dengan pengujian
asumsi klasik. Pengujian asumsi klasik dilakukan setelah model regresi diestimasi, bukan
sebelum model diestimasi. Tidak mungkin pengujian asumsi klasik dilakukan sebelum
model regresi diestimasi, karena pengujian asumsi klasik yang meliputi normalitas,
heteroskedastisitas dan autokorelasi membutuhkan data residual model yang didapat setelah
model terbentuk. Apabila model yang terbentuk tidak memenuhi asumsi klasik yang
disyaratkan, maka dibutuhkan modifikasi/transformasi/ penyembuhan terhadap data ataupun
model regresi. Pada bagian ini tidak dibahas langkah-langkah yang harus ditempuh apabila
tidak dipenuhinya asumsi klasik dalam model regresi linier. Pada bagian ini data yang
digunakan untuk mengestimasi model regresi linier dengan OLS telah memenuhi semua
asumsi klasik. Tahap terakhir dari bagian ini akan dijelaskan bagaimana melihat layak
tidaknya model dan menginterpretasikan model yang terbentuk. Berikut rincian tahap-tahap
yang dilakukan dalam regresi linier berganda:
1) Persipapan Data (Tabulasi Data)
Sebagai pendahuluan dalam proses pengolahan data adalah mempersiapkan data. Data
yang digunakan pada contoh berikut ini adalah data time series. Data time series merupakan
salah satu jenis data dari satu entitas (perorangan, institusi, perusahaan, industri, negara, dll)
dengan dimensi waktu/periode yang panjang. Satuan waktu dari data disesuaikan dengan
data yang dimiliki, misalnya bulanan, triwulan, semesteran, atau tahunan.
Berikut ini adalah contoh data Ekspor Pakaian Jadi dari Indonesia ke Jepang. Data yang
tersedia dalam tahunan, 1985 – 2000. Adapun variabel penelitiannya adalah Ekspor Pakaian
Jadi, dalam ton (EKS) sebagai variabel terikat (dependent variable). Harga Ekspor Pakaian
Jadi, dalam juta per ton (HRG) dan Kurs Yen terhadap Rupiah (KURS) sebagai variabel
bebas (independent variable). Contoh ini ingin melihat pengaruh variabel Harga Ekspor
Pakaian Jadi (HRG) dan variabel Kurs Yen terhadap Rupiah (KURS) terhadap variabel
Ekspor Pakaian Jadi (EKS), dengan model regresi sebagai berikut:
EKS =  0 + 1HRG +  2 KURS + e
Model di atas yang akan diestimasi adalah parameter koefisien regresi dan konstanta, yaitu
nilai βi (i = 0, 1, 2). Guna mengestimasi persamaan dari model di atas dengan software
SPSS, maka data yang dimiliki harus disusun dalam format seperti di bawah ini:
Tahun EKS HRG KURS

1985 3678,8 248,48 5,65
1986 4065,3 331,48 10,23
1987 8431,4 641,88 13,50
1988 15718,0 100,80 13,84
1989 11891,0 536,69 12,66
1990 9349,7 332,25 13,98
1991 14561,0 657,60 15,69
1992 20148,0 928,10 16,62
1993 26776,0 1085,50 18,96
1994 43501,0 1912,20 22,05
1995 49223,0 2435,80 22,50
1996 65076,0 6936,70 20,60
1997 54941,0 3173,14 43,00
1998 58097,0 2107,70 70,67
1999 112871,0 2935,70 71,20
2000 108280,0 3235,80 84,00
Data di atas dapat dibuat dalam file Excel. Setelah data siap, maka penginputan data dalam
software SPSS dapat dilakukan dengan tahapan sebagai berikut:
a) Buka Aplikasi SPSS , maka akan muncul tampilan seperti berikut ini:
.
Yang hanya lewat saja, sampai akhirnya akan muncul dua file SPSS, seperti berikut ini:
D an
Apabila sebelumnya muncul tampilan jendela lain, maka dapat abaikan dan tutup saja.
File yang pertama disebut dengan file DATA dengan judul *Untitled1[DataSet0], sedangkan file yang
kedua disebut dengan file OUTPUT dengan judul
*Output1[Document1].
➢ File DATA berfungsi sebagai tempat untuk menginput data (template standar SPSS)
yang terdiri dari dua sheet, Data View dan Variabel View, . Data View
untuk menginput data, sedangkan Variabel View untuk memberikan identitas variabel,
seperti: Name, Type, Width, Decimals, Label, Value, Missing, Columns, Align, Measure
dan Role yang dibagi dalam kolom-kolom. Semua identitas penting, hanya saja, pada
pembahasan ini cukup isi kolom Name saja.
➢ File OUTPUT berfungsi sebagai luaran dari hasil olahan data yang telah di-input pada
file DATA dan dieksekusi sesuai dengan keinginan/tujuan pengolahan data.
b) Setelah software SPSS terbuka, copy paste data yang telah disiapkan ke dalam file DATA,
sheet Data View, sehingga didapat hasil sebagai berikut:
c) Setelah data ter-input, maka langkah selanjutnya memberikan identitas pada setiap variabel.
Seperti apa yang telah direncanakan di awal bahwa:
✓ Kolom pertama untuk variabel Ekspor Pakaian Jadi, diberi nama EKS,
✓ Kolom kedua untuk variabel Harga Ekspor Pakaian Jadi, diberi nama HRG, dan
✓ Kolom ketiga untuk variabel Kurs Yen terhadap Rupiah, diberi nama KURS.**
Pindahkan tampilan ke sheet Variable View, sehingga akan tampak seperti berikut:
Gantikan:
VAR00001 dengan EKS, VAR00002 dengan HRG, dan VAR00003 dengan KURS.
**
Biasanya variabel bebas diberi nama X1, X2, dst, sedangkan variabel terikat diberi nama Y. Tidak
ada aturan baku dalam pemberian nama tersebut, tapi ada baiknya pemberian nama merupakan
singkatan dari variabel tersebut agar mudah diingat, seperti contoh di atas.
Sehingga tampilan pada sheet Data View akan seperti ini:

Sampai disini persiapan data selesai, dan data sudah siap untuk diolah.
2) Estimasi Model Regresi Linier

Estimasi model dilakukan secara sekaligus dengan pengujian asumsi klasik (multikolinieritas,
autokorelasi, heteroskedastisitas dan normalitas). Sehingga output yang dihasilkan dari pengolahan
data dapat digunakan untuk uji asumsi klasik dan uji kelayakan model. Adapun langkah-langkahnya
adalah sebagai berikut:
a) Estimasi regresi linier,
Dengan cara klik Analyze => Regression => Linier...
Lalu akan mucul tampilan seperti di bawah ini:

Letakkan EKS dalam kotak Dependent. Caranya tekan lalu tekan yang disamping kotak
Dependent, sehingga EKS akan pindah ke kotak kotak Dependent. Dengan cara yang sama letakkan
HRG dan KURS dalam kotak Independent(s). Hasil yang diperoleh adalah sebagai berikut.
Apabila kita klik maka output yang diperoleh hanya dapat di uji kelayakan modelnya saja, tidak
termasuk output untuk uji asumsi klasik. Maka sebaiknya kotak dialog diatas tidak ditutup sebelum
meng-klik tombol-tombol lainnya agar dapat memunculkan uji asusmsi klasik.
b) Memunculkan output guna menguji Asumsi Klasik.
Uji asumsi klasik setelah disederhanakan ada 4, yaitu multikolinieritas, autokorelasi,
heteroskedastisitas dan normalitas.
❖ Multikolinieritas menggunakan VIF dan Tolerance.
❖ Autokorelasi menggunakan Durbin-Watson.
❖ Heteroskedastisitas menggunakan Scatter Plot ZPRED dan ZRESID.
❖ Normalitas menggunakan Normal PP-Plot. Multikolinieritas dan Autokorelasi ada di tombol
✓ Klik , lalu
✓ Klik kotak disebelah kiri Collinearity diagnostics untuk memunculkan hasil uji
multikolinieritas, dan
✓ Klik kotak disebelah kiri Dubin-Watson untuk memunculkan hasil uji autokorelasi.
✓ Setelah itu klik .
Heteroskedastisitas dan Normalitas ada di tombol .

✓ Klik , lalu
✓ Pindahkan *ZPRED ke kotak X: dan pindahkan *ZRESID ke kotak Y: untuk

memunculkan hasil uji heteroskedastisitas, dan
✓ Klik kotak disebelah kiri Normal probability plot untuk memunculkan hasil uji
normalitas.
✓ Setelah itu klik .
Setelah semua tombol perintah yang diinginkan di klik, maka untuk memunculkan semua output, klik
dengan demikian output yang diinginkan akan ditampilkan pada file OUTPUT. Sampai disini,
estimasi model regresi linier dan uji asumsi klasik telah selesai. Tidak ada lagi tahapan
mengoperasikan software SPSS. Apabila dikehendaki hasil output untuk uji asumsi klasik lainnya
(misal uji normalitas dengan Kolmogorov Smirnov, Heteroskedastisitas dengan Uji Glejser atau Uji
Park) maka akan dibahas pada bagian lainnya. Tahap selanjutnya hanya membahas cara membaca
hasil dan menginterpretasikannya.
Jangan lupa menyimpan kedua file (file DATA dan file OUTPUT) yang telah diperoleh dengan cara
me-klik pada masing -masing file.
1) Pengujian Asumsi Klasik

Pada tahap ini tidak dilakukan operasionalisasi software SPSS, melainkan hanya cara membaca uji
asumsi klasik dari output SPSS, sebagaimana yang tertampil pada file OUTPUT. a)
Multikolinieritas
Hasil uji multikolinieritas, dapat dilihat pada tabel Coefficientsa dua kolom terakhir.
Collinearity Statistics
Model Tolerance VIF
1 (Constant)
HRG ,801 1,248
KURS
,801 1,248
Nilai VIF untuk variabel HRG dan KURS sama-sama 1,248, sedangkan Tolerance-nya 0,801. Karena
nilai VIF dari kedua variabel tidak ada yang lebih besar dari 10 atau 5 (banyak buku yang
menyaratkan tidak lebih dari 10, tapi ada juga yang menyaratkan tidak lebih dari 5) maka dapat
dikatakan tidak terjadi multikolinieritas pada kedua variabel bebas tersebut.
Berdasarkan syarat asumsi klasik regresi linier dengan OLS, maka model regresi linier yang baik
adalah yang terbebas dari adanya multikolinieritas. Dengan demikian, model di atas telah terbebas dari
adanya multikolinieritas.
b) Autokorelasi
Data yang digunakan untuk mengestimasi model regresi linier merupakan data time series maka
diperlukan adanya uji asumsi terbebas dari autokorelasi. Hasil uji autokorelasi, dapat dilihat pada tabel
Model Summaryb kolom terakhir.
Durbin-
Watson
2,162
Nilai Durbin-Watson yang tertera pada output SPSS disebut dengan DW hitung. Angka ini akan
dibandingkan dengan kriteria penerimaan atau penolakan yang akan dibuat dengan nilai dL dan dU
ditentukan berdasarkan jumlah variabel bebas dalam model regresi (k) dan jumlah sampelnya (n).
Nilai dL dan dU dapat dilihat pada Tabel DW dengan tingkat signifikansi (error) 5% (α = 0,05)
Jumlah variabel bebas : k = 2 Jumlah sampel : n = 16
Tabel Durbin-Watson menunjukkan bahwa nilai dL = 0,982 dan nilai dU = 1,539 sehingga dapat
ditentukan kriteria terjadi atau tidaknya autokorelasi seperti terlihat pada gambar di bawah ini.
Autokorelasi Ragu - Tidak ada Ragu - Autokorelasi

positif dL ragu dU Autokorelasi 4-d U ragu 4-d L negatif
0 0,982 1,539 2,481 3,018 4

Nilai DW hitung sebesar 2,162 lebih besar dari 1,539 dan lebih kecil dari 2,481 yang artinya berada
pada daerah tidak ada autokorelasi. Sehingga dapat disimpulkan bahwa dalam model regresi linier
tidak terjadi autokorelasi.
c) Heteroskedastisitas
Pengujian heteroskedastisitas dilakukan dengan membuat Scatterplot (alur sebaran) antara residual
dan nilai prediksi dari variabel terikat yang telah distandarisasi. Hasil uji heteroskedastisitas dapat
dilihat pada gambar Scatterplot, seperti pada gambar di bawah ini:
Dari gambar di atas terlihat bahwa sebaran titik tidak membentuk suatu pola/alur tertentu, sehingga
dapat disimpulkan tidak terjadi heteroskedastisitas atau dengan kata lain terjadi homoskedastisitas.
Asumsi klasik tentang heteroskedastisitas dalam model ini terpenuhi, yaitu terbebas dari
heteroskedastisitas.
Uji ini (scatterplot) rentan kesalahan dalam penarikan kesimpulannya. Hal ini dikarenakan penentuan
ada tidaknya pola/alur atas titik-titik yang ada di gambar sangat bersifat subjektif. Bisa saja sebagian
orang mengatakan tidak ada pola, tapi sebagian lainnya mengatakan ini ada polanya. Tidak ada ukuran
yang pasti kapan suatu scatterplot membentuk pola atau tidak. Keputusan hanya mengandalkan
pengamatan/penglihatan peneliti.
d) Normalitas
Hasil uji normalitas dapat dilihat dari gambar Normal P-P Plot di bawah ini. Perlu diingatkan bahwa
asumsi normalitas yang dimaksud dalam asumsi klasik pendekatan OLS adalah (data) residual yang
dibentuk model regresi linier terdistribusi normal, bukan variabel bebas ataupun variabel terikatnya.
Kriteria sebuah (data) residual terdistribusi normal atau tidak dengan pendekatan Normal P-P Plot
dapat dilakukan dengan melihat sebaran titik- titik yang ada pada gambar. Apabila sebaran titik-titik
tersebut mendekati atau rapat pada garis lurus (diagonal) maka dikatakan bahwa (data) residual
terdistribusi normal, namun apabila sebaran titik-titik tersebut menjauhi garis maka tidak terdistribusi
normal.
Sebaran titik-titik dari gambar Normal P-P Plot di atas relatif mendekati garis lurus, sehingga dapat
disimpulkan bahwa (data) residual terdistribusi normal. Hasil ini sejalan dengan asumsi klasik dari
regresi linier dengan pendekatan OLS.
Kelemahan dari uji normalitas dengan Normal P-P Plot terletak pada kriteria dekat/jauhnya sebaran
titik-titik. Tidak ada batasan yang jelas mengenai dekat atau jauhnya sebaran titik- titik tersebut
sehingga sangat dimungkinkan terjadi kesalahan penarikan kesimpulan. Misalnya teramati bahwa
sebaran titik-titik terlihat relatif dekat (artinya terdistribusi normal), tapi ternyata tidak cukup
dikatakan dekat (tidak terdistribusi normal). Kondisi ini akhirnya bergantung kepada subjektifitas
pengamat (orang yang melihat).
Uji Kelayakan Model
e) Uji Keterandalan Model (Uji F)

Uji keterandalan model atau uji kelayakan model atau yang lebih populer disebut sebagai uji F (ada
juga yang menyebutnya sebagai uji simultan model) merupakan tahapan awal mengidentifikasi model
regresi yang diestimasi layak atau tidak. Layak (andal) disini maksudnya adalah model yang
diestimasi layak digunakan untuk menjelaskan pengaruh variabel-variabel bebas terhadap variabel
terikat. Nama uji ini disebut sebagai uji F, karena mengikuti mengikuti distribusi F yang kriteria
pengujiannya seperti One Way Anova.
Pengunaan software SPSS memudahkan penarikan kesimpulan dalam uji ini. Apabila nilai prob. F
hitung (ouput SPSS ditunjukkan pada kolom sig.) lebih kecil dari tingkat kesalahan/error (alpha) 0,05
(yang telah ditentukan) maka dapat dikatakan bahwa model regresi yang diestimasi layak, sedangkan
apabila nilai prob. F hitung lebih besar dari tingkat kesalahan 0,05 maka dapat dikatakan bahwa model
regresi yang diestimasi tidak layak.
Hasil uji F dapat dilihat pada tabel ANOVAa di bawah ini. Nilai prob. F hitung terlihat pada kolom
terakhir (sig.)
Nilai prob. F hitung (sig.) pada tabel di atas nilainya 0,000 lebih kecil dari tingkat signifikansi 0,05
sehingga dapat disimpulkan bahwa model regresi linier yang diestimasi layak digunakan untuk
menjelaskan pengaruh Harga Ekspor Pakaian Jadi (HRG) dan Kurs Yen terhadap Rupiah (KURS)
terhadap variabel terikat Ekspor Pakaian Jadi (EKS).
1) Uji Koefisien Regresi (Uji t)

Uji t dalam regresi linier berganda dimaksudkan untuk menguji apakah parameter (koefisien regresi
dan konstanta) yang diduga untuk mengestimasi persamaan/model regresi linier berganda sudah
merupakan parameter yang tepat atau belum. Maksud tepat disini adalah parameter tersebut mampu
menjelaskan perilaku variabel bebas dalam mempengaruhi variabel terikatnya. Parameter yang
diestimasi dalam regresi linier meliputi intersep (konstanta) dan slope (koefisien dalam persamaan
linier). Pada bagian ini, uji t difokuskan pada parameter slope (koefisien regresi) saja. Jadi uji t yang
dimaksud adalah uji koefisien regresi.
Hasil pengujian dapat dilihat pada tabel Coefficientsa seperti pada gambar di bawah ini:
t Sig.
Model
1 (Constant) -,887 ,391
HRG 4,297 ,001
KURS 7,688 ,000
Seperti uji F yang dimudahkan dengan aplikasi SPSS, maka uji t juga dapat dengan mudah ditarik
kesimpulannya. Apabila nilai prob. t hitung (ouput SPSS ditunjukkan pada kolom sig.) lebih kecil dari
tingkat kesalahan (alpha) 0,05 (yang telah ditentukan) maka dapat dikatakan bahwa variabel bebas
(dari t hitung tersebut) berpengaruh signifikan terhadap variabel terikatnya, sedangkan apabila nilai
prob. t hitung lebih besar dari tingkat kesalahan 0,05 maka dapat dikatakan bahwa variabel bebas tidak
berpengaruh signifikan terhadap variabel terikatnya.
Nilai prob. t hitung dari variabel bebas HRG sebesar 0,001 yang lebih kecil dari 0,05 sehingga
variabel bebas HRG berpengaruh signifikan terhadap variabel terikat EKS pada alpha 5% atau dengan
kata lain, Harga Ekspor Pakaian Jadi berpengaruh signifikan terhadap Ekspor Pakaian Jadi pada taraf
keyakinan 95%. Sama halnya dengan pengaruh variabel bebas KURS terhadap variabel terikat EKS,
karena nilai prob. t hitung (0,000) yang lebih kecil dari 0,05 sehingga dapat dikatakan bahwa variabel
bebas KURS berpengaruh signifikan terhadap variabel terikat EKS pada alpha 5% atau dengan kata
lain, Nilai Kurs Yen terhadap Rupiah berpengaruh signifikan terhadap Ekspor Pakaian Jadi pada taraf
keyakinan 95%.
2) Koefisien Determinasi
Koefisien determinasi menjelaskan variasi pengaruh variabel-variabel bebas terhadap variabel
terikatnya. Atau dapat pula dikatakan sebagai proporsi pengaruh seluruh variabel bebas terhadap
variabel terikat. Nilai koefisien determinasi dapat diukur oleh nilai R- Square atau Adjusted
RSquare. R-Square digunakan pada saat variabel bebas hanya 1 saja (biasa disebut dengan Regresi
Linier Sederhana), sedangkan Adjusted R-Square digunakan pada saat variabel bebas lebih dari satu.
Dalam menghitung nilai koefisien determinasi penulis lebih senang menggunakan R-Square daripada
Adjusted R-Square, walaupun variabel bebas lebih dari satu.
R Square Adjusted R
Square
.911 .898
Jika dilihat dari nilai R-Square yang besarnya 0,911 menunjukkan bahwa proporsi pengaruh variabel
HRG dan KURS terhadap variabel EKS sebesar 91,1%. Artinya, Harga Ekspor Pakaian Jadi dan Nilai
Tukar Yen terhadap Rupiah memiliki proporsi pengaruh terhadap Ekspor Pakaian Jadi sebesar 91,1%
sedangkan sisanya 8,9% (100% - 91,1%) dipengaruhi oleh variabel lain yang tidak ada didalam model
regresi linier.
1) Interpretasi Model
Setelah estimasi model regresi linier berganda dilakukan dan diuji pemenuhan syaratnya (uji asumsi
klasik) serta kelayakan modelnya, maka tahap terakhir adalah menginterpretasikannya. Interpretasi
atau penafsiran atau penjelasan atas suatu model yang dihasilkan seharusnya dilakukan setelah semua
tahapan (uji asumsi klasik dan kelayakan model) dilakukan. Mengapa demikian? Pertama, karena uji
asumsi klasik memastikan bahwa persyaratan minimal sebuah model regresi linier (dengan pendekatan
OLS) telah dipenuhi sehingga tidak akan menimbulkan kesalahan dalam pemenuhan asumsi.
Apabila uji asumsi klasik belum terpenuhi besar kemungkinan interpretasi model menjadi bias atau
kurang tepat. Kedua, uji kelayakan memastikan bahwa model regresi linier yang diestimasi memang
layak menjelaskan pengaruh variabel bebas terhadap variabel terikat. Apabila model yang diestimasi
tidak atau kurang layak, maka model tersebut memang tidak bisa digunakan untuk menafsirkan
(interpretasi) pengaruh variabel bebas terhadap variabel terikat.
Interpretasi yang dilakukan terhadap koefisien regresi meliputi dua hal, tanda dan besaran. Tanda
menunjukkan arah hubungan. Tanda dapat bernilai positif atau negatif. Positif menunjukkan pengaruh
yang searah antara variabel bebas terhadap variabel terikat, sedangkan negatif menunjukkan pengaruh
yang berlawanan arah.
Searah maksudnya adalah, apabila variabel bebas mengalami kenaikan/peningkatan/ bertambah maka
variabel terikat akan mengalami hal yang sama kenaikan/peningkatan/ bertambah. Sedangkan apabila
variabel bebas mengalami penurunan/pengurangan maka akan berdampak kepada variabel terikat yang
akan mengalami penurunan/pengurangan juga.
Berlawan arah maksudnya apabila variabel bebas mengalami kenaikan/peningkatan/ bertambah maka
variabel terikat akan mengalami hal yang sebaliknya yaitu penurunan/ pengurangan. Sebaliknya,
apabila variabel bebas mengalami penurunan/pengurangan maka variabel terikat akan mengalami
peningkatan/bertambah.
Besaran menjelaskan nominal slope persamaan regresi. Penjelasan tentang besaran dilakukan pada
contoh model yang diestimasi. Perhatikan model (persamaan) regresi linier berganda yang telah
diestimasi di bawah ini:
Angka-angka yang tertera pada persamaan diambil dari Tabel Coefficientsa output SPSS.
Koefisien regresi untuk variabel HRG sebesar 7,815 dan variabel KURS sebesar 1.001,855.
Koefisien regresi HRG bernilai positif artinya pada saat Harga Ekspor Pakaian Jadi ke Jepang (HRG)
naik maka jumlah Ekspor Pakaian Jadi ke Jepang (EKS) juga akan mengalami kenaikan. Begitu pula
pada saat harganya turun maka jumlah ekspornya juga turun. Kenaikan Harga Ekspor Pakaian Jadi (ke
Jepang) sebesar 1 juta (per ton) akan meningkatkan jumlah Ekspor Pakaian Jadi (ke Jepang) sebesar
7,815 ton dan sebaliknya, penuruhan Harga Ekspor Pakaian Jadi (ke Jepang) sebesar 1 juta (per ton)
akan menurunkan jumlah Ekspor Pakaian Jadi (ke Jepang) sebesar 7,815 ton.
Koefisien regresi KURS bernilai positif memiliki arti yang sama dengan koefisien regresi HRG. Pada
saat Nilai Kurs Yen terhadap Rupiah (KURS) menguat maka jumlah Ekspor Pakaian Jadi ke Jepang
(EKS) akan mengalami peningkatan. Begitu pula pada saat Kurs Yen melemah terhadap Rupiah maka
jumlah ekspornya juga menurun. Kenaikan Nilai Kurs Yen sebesar 1 Rupiah akan meningkatkan
jumlah Ekspor Pakaian Jadi (ke Jepang) sebesar 1.001,855 ton dan sebaliknya, penuruhan Kurs Yen
sebesar 1 Rupiah akan menurunkan jumlah Ekspor Pakaian Jadi (ke Jepang) sebesar 1.001,855 ton.
Sebagai catatan, tidak semua model regresi linier yang dibentuk dapat diinterpretasikan dari sisi
besaran. Hal ini bergantung kepada satuan dari variabel penelitian itu sendiri. Sebagai contoh data
penelitian yang menggunakan data primer & kuesioner sebagai alat ukur variabelnya (biasanya
menggunakan skala Linkert) tidak dapat diinterpretasikan dari sisi besaran, hanya dari sisi arah saja.
Hal ini dikarenakan skala Linkert tidak memiliki satuan, hanya menunjukkan gradasi (perubahan) nilai
dari kecil ke besar, tidak suka ke suka, tidak setuju ke setuju, dan lain-lain. Apabila diinterpretasikan
(dijelaskan) dari sisi besaran, maka satuan apa yang tepat untuk skala Linkert.

LAPORAN PRAKTIKUM STATISTIK Moch - Salim

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

LAPORAN PRAKTIKUM STATISTIK Moch - Salim

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN PRAKTIKUM STATISTIK

Moch. Salim (20052006)

PROGRAM STUDI TEKNIK INDUSTRI

Surabaya, 19 Juni 2022

Mahasiswa Teknik Industri

Mengetahui Pembimbing Praktikum,

( Astria Hindratmo, ST., MT )

Surabaya, 19 Juni 2022

b.Banyaknya karyawan yang belum pelatihan (a) = (100% − 30%) =

II. Kajian Pustaka

Dari tabel dapat dilihat bahwa probabilitas untuk memperoleh jumlah 5

Distribusi probabilitas dapat ditampilkan secara grafis dengan mengeplot P(X)

𝑃(X = 1) = 𝑝1(1 − 𝑝)1−1 = 𝑝

𝑃(X = 0) = 𝑝0(1 − 𝑝)1−0 = (1 − 𝑝) = 𝑞

Percobaan-percobaan pada distribusi binomial bersifat bebas dan

1. Setiap percobaan selalu dibedakan menjadi dua macam kejadian yang

1. Percobaan binomial terdiri atas n ulangan yang identik.

Menunjukkan bahwa distribusi Bernoulli dan distribusi binomial hampir

Jika p adalah probabilitas bahwa sebuah peristiwa akan terjadi dalam

Nilai rata-rata dan varian distribusi binomial pada dasarnya ditentukan

Nilai harapan 𝐿𝑛 adalah (𝐿𝑛) = 1. (𝑝) + 0. (𝑞) = 𝑝 sehingga rata-rata suatu

Sementara besarnya ragam distribusi binomial dapat dicari dari hubungan

𝜎2𝐿 =i [(𝐿i − 𝑝)2] = 𝐸(𝐿i2) − 𝑝2 =

Dengan demikian, total ragam populasi distribusi binomial dirumuskan

Adapun suatu distribusi dikatakan hipergeometrik, bila:

x = maks (0, n-(N-a)),…,min(n,a)

𝑃(X = 𝑟) = Probabilitas X dengan r tertentu

Distribusi Poisson merupakan turunan langsung dari distribusi binomial.

5. Hubungan antar Distribusi Diskrit

𝑃(X = 𝑥) = 𝑃𝑋 (𝑥) = { 𝑥(1 − 𝑝)1−𝑥, 𝑥 = 0.1 0,

5.2 Hubungan antara Distribusi Binomial dan Poisson

Tentukan k=0, 1, 2, … dan i > 0, karena :

Surabaya, 15 Juli 2022

Mengetahui Pembimbing Praktikum,

( Astria Hindratmo, ST., MT )

1.1. Latar Belakang

2.1. Landasan Teori Distribusi Normal

dimana : Z : Variabel random normal baku µ : Mean dari populasi X : Mean

2.2. Tugas Pendahuluan

2.4. Landasan Teori Distribusi Normal

Tabel 1.2. Sifat-sifat Distribusi normal

3.1. Pengumpulan Data

akan ditentukan Z(X>85).

Z(X > 85) = 1 – Z(X < 85)

Akan dihitung terlebih dahulu nilai dari Z (X < 85)

Z = (85 – 70)/10 = 15/10 = 1,5

Nilai Z untuk 1,50 adalah 0,9332, sehingga

Z(X > 85) = 1 – Z(X < 85)

Z(X > 85) = 1 – 0,9332

Z(X > 85) = 0,0668

Z(X > 85) = 6,68%

Berdasarkan percobaan Binomial yang telah dilakukan diatas, maka dapat

d. Isi kolom label dengan menuliskan “Berat ideal responden” untuk

e. Pilih type numeric untuk variabel Ideal

f. Isi kotak Numeric Expression dengan (tinggi- 100) * 0,

Menentukan Variabel Kelebihan Berat Badan

a. Klik Menu Transform Count...

b. Isi kotak target variabel dengan nama variabel over

e. Tekan tombol Define Value Pilih Range Througth highest

h. Tekan tombol Continue

i. Tekan tombol If Pilih Include if case statiesfies condition

j. Tuliskan kondisi Jk = 0 pada kotak kondisi

k. Tekan Continue Tekan Ok