Modul 2

MODUL II
STATISTIK INFERENSIA
OLEH
NAMA : MUHAMMAD ISNANDA IBNURIZQ
STAMBUK : D071211079
KELOMPOK : III
LABORATORIUM STATISTIK DAN MANAJEMEN MUTU

DEPARTEMEN TEKNIK INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS HASANUDDIN
GOWA
2023
DAFTAR ISI
DAFTAR ISI ............................................................................................................ ii

DAFTAR TABEL .................................................................................................... iv
DAFTAR GAMBAR ............................................................................................... v
DAFTAR RUMUS ................................................................................................... vii
BAB I PENDAHULUAN ........................................................................................ 1
1.1 Latar Belakang .......................................................................................... 1
1.2 Rumusan Masalah ..................................................................................... 2
1.3 Tujuan Praktikum...................................................................................... 2
1.4 Batasan Masalah ....................................................................................... 1
BAB II TEORI DASAR .......................................................................................... 3
2.1 Statistika Inferensia ................................................................................ 3
2.2 Statistik Parametrik ................................................................................ 4
2.3 Statistik Non-Parametrik ........................................................................ 14
2.4 Jenis Distribusi ....................................................................................... 18
2.5 Level of Significance ............................................................................... 21
2.6 Tingkat Kepercayaan .............................................................................. 22
2.7 Tingkat Ketelitian ................................................................................... 23
2.8 Uji Hipotesis ........................................................................................... 23
2.9 Uji Heteroskedastisitas ........................................................................... 25
2.10 Uji Homogenitas ..................................................................................... 26
2.11 Uji Normalitas ........................................................................................ 27
2.12 Uji Linearitas .......................................................................................... 31
2.13 Uji Kecukupan Data ............................................................................... 33
2.14 Uji Keseragaman Data ............................................................................ 35
2.15 Regresi .................................................................................................... 36
2.16 Korelasi ................................................................................................... 38
2.17 Koefisien Determinasi ............................................................................ 41
2.18 Daerah Kritis........................................................................................... 42
2.19 Diagram Pencar ...................................................................................... 44
BAB III METODOLOGI PRAKTIKUM ............................................................. 47
3.1 Objek dan Waktu Praktikum .................................................................. 47
3.2 Metode Pengumpulan Data .................................................................... 47
MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) ii
3.3 Alat dan Bahan Praktikum...................................................................... 48

3.4 Prosedur Praktikum ................................................................................ 48
BAB IV PENGOLAHAN DATA ........................................................................... 49
4.1 Data Responden ...................................................................................... 49
4.2 Uji Normalitas ........................................................................................ 52
4.3 Pengujian Data Statistik ......................................................................... 61
BAB V PEMBAHASAN.......................................................................................... 86
5.1 Pembahasan ............................................................................................ 86
5.2 Review Jurnal .......................................................................................... 89
BAB VI PENUTUP.................................................................................................. 95
6.1 Kesimpulan ............................................................................................. 95
6.2 Saran ....................................................................................................... 96
DAFTAR PUSTAKA .............................................................................................. 98
LAMPIRAN ............................................................................................................. 101
MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) iii
DAFTAR TABEL
Tabel 1 Hasil Perhitungan ......................................................................................... 6

Tabel 2 Perbandingan Prestasi Belajar Matematika Antara Mahasiswa IPB, ITB, dan
ITS ............................................................................................................................. 12
Tabel 3 Pengolahan Data Prestasi Belajar Matematika antara Mahasiswa IPB, ITB,
dan ITS ...................................................................................................................... 13
Tabel 4 Data Responden ............................................................................................ 49
Tabel 5 Perhitungan Regresi dan Korelasi ................................................................ 61
Tabel 6 Perhitungan Uji T dan Uji ANOVA ............................................................. 69
Tabel 7 Perhitungan Nilai Uji Statistik Uji ANOVA ................................................ 76
MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) iv
DAFTAR GAMBAR
Gambar 1 Tabel Perbedaan ...................................................................................... 31

Gambar 2 Uji Dua Pihak .......................................................................................... 43
Gambar 3 Uji Satu Pihak Kiri .................................................................................. 44
Gambar 4 Uji Satu Pihak Kanan .............................................................................. 44
Gambar 5 Membuka Aplikasi SPSS......................................................................... 55
Gambar 6 Memasukan Variable ............................................................................... 55
Gambar 7 Memasukkan Data ................................................................................... 56
Gambar 8 Membuka Submenu Linear ..................................................................... 56
Gambar 9 Pengaturan Submenu Linear ................................................................... 57
Gambar 10 Pengaturan Pada Plots Linear................................................................ 57
Gambar 11 Pengaturan Pada Save Linear ................................................................ 58
Gambar 12 Nilai Residual ........................................................................................ 58
Gambar 13 Memilih Submenu 1-Sample K-S .......................................................... 59
Gambar 14 Memasukan Variabel Unstandardized Residuals .................................. 59
Gambar 15 Memilih Fitur Monte Carlo ................................................................... 60
Gambar 16 Uji Normalitas Y, X1, X2, X3 ................................................................. 60
Gambar 17 Membuka Aplikasi SPSS....................................................................... 76
Gambar 18 Membuka Submenu Linear ................................................................... 77
Gambar 19 Memasukkan Variable........................................................................... 77
Gambar 20 Membuka Pengaturan Normalitas ......................................................... 78
Gambar 21 Pengaturan Pada Explore Statistics ....................................................... 78
Gambar 22 Hasil Perhitungan Korelasi .................................................................... 78
Gambar 23 Hasil Perhitungan Uji ANOVA ............................................................. 79
Gambar 24 Hasil Perhitungan Nilai Regresi dan Uji T ............................................ 79
Gambar 25 Membuka Menu Scatterdot ................................................................... 80
Gambar 26 Tampilan Menu Scatter/Dot Pada Menu Graphs .................................. 80
Gambar 28 Tampilan Diagram Scatter..................................................................... 81
MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) v

MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) vi
DAFTAR RUMUS
Rumus 1 Mencari Uji T .......................................................................................... 5

Rumus 2 Mencari Uji Z .......................................................................................... 7
Rumus 3 Mencari Uji ANOVA JKT .................................................................... 10
Rumus 4 Mencari Uji ANOVA JKK.................................................................... 11
Rumus 5 Mencari Uji ANOVA JKB .................................................................... 11
Rumus 6 Mencari Uji Post Hoc............................................................................ 13
Rumus 7 Mencari Nilai Kritis Uji Scheffe............................................................ 14
Rumus 8 Mencari Uji Homogenitas ..................................................................... 27
Rumus 9 Menentukan H0 Uji Homogenitas ......................................................... 27
Rumus 10 Mencari Uji Kolmogorov Smirnov ...................................................... 28
Rumus 11 Mencari Uji Lilliefors.......................................................................... 29
Rumus 12 Mencari Uji Chi-Square ...................................................................... 29
Rumus 13 Mencari Uji Saphiro-Wilk ................................................................... 30
Rumus 14 Mencari Uji Kecukupan Data.............................................................. 34
Rumus 15 Mencari Koefisien Determinasi .......................................................... 41
MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) vii
BAB I
PENDAHULUAN
1.1 Latar Belakang

Statistik berperan penting dalam penelitian baik dalam pembuatan model,
perumusan hipotesis, pengembangan alat dan instrumen pengumpulan data, penyusunan
desain penelitian, penentuan sampel, serta analisis data. Teknik dan metode statistik
tertentu digunakan dalam pengolahan dan analisis data, yang memberikan dasar untuk
menjelaskan hubungan-hubungan yang terjadi. Dalam konteks ini, statistik dapat
digunakan untuk menentukan apakah terdapat hubungan kausalitas antara dua atau lebih
variabel dalam suatu kualitas empiris atau apakah hubungan tersebut hanya bersifat
kebetulan atau acak (Keysha dkk., 2022).
Statistika merupakan ilmu yang merupakan cabang dari matematika terapan yang
mempelajari tentang metode ilmiah untuk mengumpulkan, mengorganisasikan,
menyimpulkan, menganalisis data, dan menarik kesimpulan yang valid sehingga
keputusan yang diambil dapat diterima. Statistika inferensia mencakup metode yang
terkait dengan analisis sebagian data atau sampel untuk membuat prediksi atau
kesimpulan umum tentang populasi secara keseluruhan. Dalam statistika inferensia,
terdapat pendugaan parameter, pembuatan hipotesis, dan pengujian hipotesis untuk
mencapai kesimpulan yang berlaku secara umum. Metode ini disebut juga sebagai
statistika induktif, karena kesimpulan yang diambil berdasarkan informasi dari sebagian
data saja. Namun, kesimpulan yang diambil dari statistika inferensia memiliki sifat tak
pasti dan dapat menyebabkan kesalahan dalam pengambilan keputusan. Oleh karena itu,
pengetahuan tentang teori peluang sangat diperlukan dalam menerapkan metode-
metode statistika inferensia (Rais, 2015).
Pada modul ini, peneliti akan mengumpulkan data dari responden menggunakan
berbagai metode, seperti angket, kuisioner, dan dokumentasi, yang fokus pengaruh
optimisme belajar, metode pembelajaran, dan mutu lingkungan sosial terhadap tingkat
prestasi (IPK) mahasiswa Fakultas Pertanian Universitas Hasanuddin. Setelah data
terkumpul, akan dilakukan pengolahan data dengan menggunakan statistik inferensia
yang akan dijelaskan dalam modul ini.
MUHAMMAD ISNANDA IBNURIZQ / D071211079 (KELOMPOK III) 1
1.2 Rumusan Masalah

Berdasarkan uraian latar belakang diatas, maka dalam modul ini ada 3 (tiga)
rumusan masalah yang terkaji yakni :
a. Bagaimana konsep statistik inferensia?
b. Bagaimana menginterpretasikan data ke dalam statistik inferensia?
c. Bagaimana cara melakukan uji regresi dan korelasi untuk menarik kesimpulan
berdasarkan sampel yang diperoleh?
1.3 Tujuan Praktikum

Berdasarkan rumusan masalah diatas, maka tujuan yang ingin dicapai dalam
penulisan modul ini adalah sebagai berikut :
a. Praktikan dapat memahami statistik parametrik dan nonparametrik.
b. Praktikan dapat melakukan penyajian hipotesis.
c. Praktikan dapat memahami dan melakukan pengujian statistik pada data penelitian.
1.4 Batasan Masalah

Praktikum ini dilakukan di Laboratorium Statistik dan Manajemen Mutu
Departemen Teknik Industri. Data yang akan diolah oleh praktikan adalah data
optimisme belajar mahasiswa dari hasil pengambilan data di Fakultas Pertanian
Universitas Hasanuddin dan dijalankan sesuai dengan arahan dari asisten laboratorium.
BAB II
TEORI DASAR
2.1 Statistika Inferensia
Statistika inferensial sering disebut sebagai statistika induktif yang merupakan

statistika yang digunakan untuk menganalisis data sampel dan hasilnya akan
digeneralisasikan atau disimpulkan untuk populasi dari asal sampel itu diambil (Sutopo
& Slamet, 2017). Adapun definisi dari beberapa para ahli yakni :
a. Definisi
1) Menurut Subana (dalam Arisena, 2018), statistika inferensia adalah
statistika yang berhubungan dengan penarikan kesimpulan yang bersifat
umum dari data yang telah disusun dan diolah.
2) Menurut Sudijono (dalam Arisena, 2018), statistika inferensia adalah
statistik yang menyediakan aturan atau cara yang dapat dipergunakan
sebagai alat dalam rangka mencoba menarik kesimpulan yang bersifat
umum, dari sekumpulan data yang telah disusun dan diolah.
3) Menurut Widi (dalam Susilawati & Dharmawansyah, 2019), Statistik
inferensia adalah statistik yang menyelidiki pertanyaan, model dan
hipotesis.
4) Menurut Bungin (dalam Susilawati & Dharmawansyah, 2019), statistik
inferensia adalah teknik atau alat yang dipakai dalam membuktikan
kebenaran teori probabilitas yang di pakai dalam penelitian ilmu-ilmu
sosial.
5) Menurut Sugiyono (dalam Hanif, 2021), statistik inferensia merupakan
teknik statistik yang digunakan untuk menganalisis data sampel dan
hasilnya digeneralisasikan untuk populasi dimana sampel diambil.
6) Menurut Kelompok kami, statistik inferensia merupakan suatu teknik dalam
pengumpulan informasi yang di ubah menjadi suatu data yang lebih mudah
untuk dimengerti dan dapat menarik kesimpulan secara general.
b. Tujuan
Tujuan utama dari statistik inferensia adalah untuk membuat perkiraan populasi
berdasarkan data sampel dari populasi yang bersangkutan. Yang paling sering
digunakan dalam teknik inferensia adalah pengujian hipotesis. Statistik hipotesis adalah
studi tentang karakteristik populasi, seperti rata-rata, proporsi, atau variasi (Perdana &
Rosadi, 2015).
c. Manfaat
Berikut manfaat dari statistik inferensia (dalam Sutopo dan Slamet 2017), yang
disajikan sebagai berikut :
1) Sebagai alat untuk menduga populasi untuk mengharapkan hasil
pengukuran yang akurat dan tepat.
2) Sebagai metode analisis yang sangat terstruktur dan teruji secara sistematis
sehingga mencegah hasil yang bias.
3) Sebagai dasar penyusunan menyusun rancangan penelitian.
4) Sebagai pengolah dan analisis data hasil penelitian.
5) Untuk mendukung pengembangan instrument penelitian.
2.2 Statistik Parametrik
Statistik parametrik adalah suatu teknik statistik yang bisa digunakan untuk
menguji hipotesis dengan parameter populasi. Adapun metode-metode yang digunakan
dalam statitik parametrik adalah :
2.2.1 Uji T
a. Definisi
Uji T adalah jenis pengujian dari uji statistik parametrik yang menunjukkan
seberapa jauh pengaruh satu variabel independen secara individual dalam menerangkan
variabel dependen (Magdalena dan Krisanti, 2019).
b. Tujuan
Uji T memiliki tujuan untuk mengetahui apakah ada perbedaan dari nilai yang
diperkirakan dengan nilai hasil perhitungan statistika serta membandingkan dua mean
(rata-rata) untukmenentukan apakah perbedaan rata-rata tersebut perbedaan nyata atau

karena kebetulan.
c. Prosedur
Adapun prosedur dari uji T yakni :
1) Menentukan hipotesis penelitian
2) Menentukan hipotesis statistik
3) Menentukan nilai rata-rata dan variannya
4) Mencari T hitung dengan rumus sebagai berikut :
̅̅̅̅
̅̅̅̅−xb
xa
Thitung = 2 2
(1)
√(na−1)sa + (nb−1)sb ( 1 + 1 )
na+nb−2 na nb
Dimana,
̅̅̅ = rata-rata sampel 1
xa
̅̅̅ = rata-rata sampel 2
xb
sa2 = varian sampel 1
sb2 = varian sampel 2
na = jumlah data sampel 1
nb = jumlah data sampel 2
5) Menetukan kriteria pengujian dan juga tentukan juga posisi pengujian pihak kiri,
pihak kanan atau uji dua pihak
6) Mencari t table dengan cara tentukan α (0,01 atau 0,05) dan db = n1-n2 – 2
7) Membandingkan t hitung dengan t tabel
8) Menarik kesimpulan
Uji ini untuk mengetahui perbedaan rata-rata dua populasi/kelompok data yang
independen. Jika nilai signifikan > 0,05, maka hipotesis nol diterima dan hipotesis
alternative ditolak. Hal ini berarti, secara parsial variabel independen tersebut tidak
mempunyai pengaruh yang signifikan terhadap variabel dependen. Sedangkan jika nilai
signifikan < 0,05, maka hipotesis nol ditolak dan hipotesis alternatif diterima. Hal ini
berarti secara parsial variabel independen tersebut mempunyai pengaruh yang signifikan
terhadap variabel dependen. Dan jika t hitung < dari t tabel maka hipotesis nol ditrerima
(Magdalena dan Krisanti, 2019).
d. Contoh
Dua produk makanan ikan jenis A dan B diuji cobakan pada dua kelompok ikan.
Kelompok satu berjumlah 11 ekor dan kelompok dua berjumlah 10 ekor. Setelah satu
bulan pertambahan bobot ikan ditimbang. Tentukanlah manakah jenis pakan yang
paling efektif.
Adapun data beserta hasil perhitungan sebagai berikut :
Tabel 1 Hasil Perhitungan
Pertambahan Bobot Kelompok A (XA) Pertambahan Bobot Kelompok B (XB)
No XA XA No XB XB
1 3.2 -0.2 0.04 1 2.8 -0.8 0.64

2 3.3 -0.1 0.01 2 3 -0.6 0.36
3 3.4 0 0 3 3.5 -0.1 0.01
4 2.95 -0.45 0.2 4 3.4 -0.2 0.04
5 2.7 -0.7 0.49 5 3.5 -0.1 0.01
6 3.8 -0.4 0.16 6 3 -0.6 0.36
7 3.7 -0.3 0.09 7 4.1 0.5 0.5
8 2.75 -0.65 0.42 8 5.5 1.9 3.6
9 3.9 0.5 0.25 9 3.8 0.2 0.04
10 4.2 0.8 0.64 10 3.8 -0.2 0.04
11 3.5 0.1 0.01 11
37.4 2.31 36 5.6
Sumber : Sulisetijono (2016)
H0 : μ1 = μ2
H1 : μ1 ≠ μ2
3740
̅̅̅ =
xa = 3.40
11
3600
̅̅̅
xb = = 3.60
10
∑ xa2 2.31
sa2 = = = 0.23
n−1 10
∑ xb2 5.6
sb2 = = = 0.62
n−1 9
̅̅̅ − ̅̅̅
xa xb
Thitung =
2 2
√(na − 1)sa + (nb − 1)sb ( 1 + 1 )
na + nb − 2 na nb
3.40 − 3.60
Thitung =
√(11 − 1)0.23 + (10 − 1)0.62 ( 1 + 1 )
11 + 10 − 2 11 10
Thitung = −0.71
Cari harga ttabel dengan db = n + n2 – 2 = 11 + 10 – 2 = 19

Taraf signifikan = (𝛼) 5%

Diperoleh ttabel = 2.90
Kesimpulan : thitung < dari ttabel sehingga H0 diterima. Sebagai akibatnya H1 di tolak.
Sehingga kedua jenis pakan ikan memiliki kualitas yang sama (Sulisetijono, 2016).
2.2.2 Uji Z
a. Definisi
Pengujian hipotesis dengan distribusi Z adalah pengujian hipotesis yang
menggunakan distribusi Z sebagai uji statistik. Tabel pengujiannya disebut tabel normal
standar. Hasil uji statistik ini kemudian di bandingkan dengan nilai dalam tabel untuk
menerima atau menolak hipotesis nol (H0) yang dikemukakan.
b. Tujuan
Uji Z bertujuan untuk membandingkan rata-rata dua variabel dalam satu kelompok.
c. Prosedur
Adapun prosedur dari uji Z yakni :
1) Menentukan formulasi hipotesis.
2) Penentuan nilai α (taraf nyata) dan nilai Ztabel (Zα) Menentukan nilai α
sesuai soal, kemudian nilai Zα atau Zα/2 ditentukan dari tabel.
3) Kriteria pengujian:
a) Untuk H0 : μ = μ0 dan H1 : μ > μ0
H0 diterima jika Z0 ≤ Zα
H0 ditolak jika Z0 > Zα
b) Untuk H0: μ = μ0 dan H1: μ < μ0
H0 diterima jika Z0 ≥ - Zα
H0 ditolak jika Z0 < - Zα
c) Untuk H0: μ = μ0 dan H1: μ ≠ μ0
H0 diterima jika -Zα/2 ≤ Z0 ≤ Zα/2
H0 ditolak jika Z0 > Zα/2 atau Z0 < -Zα/2
𝑧0 dapat dihitung dengan rumus sebagai berikut :
x̅−μ0
z0 = σ (2)
√n
Dimana,
𝑍0 = Harga distribusi normal baku
𝜇0 = Nilai yang dihipotesiskan
𝜎 = Variansi
(Gunawan, 2016).
d. Contoh
Dengan suntikan hormon tertentu pada ayam/ikan akan menambah berat
badannya rat-rata 4.5 ton per kelompok. Sampel acak yang terdiri atas 31 kelompok
ayam/ikan yang telah diberi suntikan hormone memberikan rata-rata 4.9 ton dan
simpangan baku = 0.8 ton. Apakah pernyataan tersebut diterima? Bahwa pertambahan
rata-rata paling sedikit 4.5 ton!
H : µ ≥ 4.5, berarti penyuntikan hormone pada ayam/ikan tidak menyebabkan
bertambahnya rata-rata berat badan dengan 4.5 ton.
A : µ > 4.5, berarti penyuntikan hormone pada ayam/ikan menyebabkan bertambahnya
rata-rata berat badan paling sedikit dengan 4.5.
X = 4.9 ton
N = 31
S = 0.8 ton
µ0 = 4.5 ton
4.9−4.5
z = = 2.78
0.8 √31
Dengan mengambil α = 0.01, dk = 30, didapat z = 2.46

Kriteria tolak hipotesis H jika t hitung lebih besar atau sama dengan 2.46 dan
sebaliknya.penelitian member hasil z = 2.78
Hipotesis H ditolak
Kesimpulan : penyuntikan hormone terhadap ayam/ikan dapat menambah berat badan
rata-rata paling sedikit dengan 4.5 ton
(Susilawati dkk, 2017).
2.2.3 Uji ANOVA
a. Definisi
ANOVA adalah sebuah analisis statistik yang menguji perbedaan rerata antar
grup. Grup disini bisa berarti kelompok atau jenis perlakuan. Berbeda dengan
independent sample t test yang hanya bisa menguji perbedaan rerata dari dua kelompok
saja.
b. Tujuan
Tujuan uji ANOVA yaitu untuk melakukan analisis komparasi multivariable,
membandingkan rata-rata populasi bukan ragam populasi.
c. Prosedur
Adapun prosedur dari uji ANOVA yakni :
1) Kelompokkan berdasarkan kategori tertentu untuk memudahkan
pengelompokkan dan perhitungan, buat tabel data sesuai dengan kategori berisi
sampel dan kuadrat dari sampel tersebut. Hitung pula total dari sampel dan kuadrat
sampel tiap kelompok Selain itu, tentukan pula hipotesis nol (H0) dan hipotesis
alternatif (H1).
2) Menentukan kategori ANOVA untuk menentukan tipe ANOVA. Jika tujuannya
membandingkan rata-rata tiga kelompok atau lebih maka boleh pakai ANOVA.
Jika berasal dari sampel yang sudah dikategorikan maka menggunakan ANOVA
dua arah/two way. Jika terjadi pengulangan maka menggunakan ANOVA dua arah
dengan interaksi.
3) Memeriksa apakah sudah memenuhi asumsi-asumsi sehingga bisa digunakan
ANOVA dengan melakukan uji :
a) Normalitas
Normatilas adalah menguji apakah data tiap kelompok memiliki distribusi
normal. Hal ini bisa dilakukan dengan uji Kolmogorov=Smirnov, Shapiro
Wilk.
b) Homogenitas
Homogenitas adalah menguji apakah varians tiap kelompok sama. Dalam
menghitung homogenitas bisa digunakan uji Bartlett dan uji Levene.
c) Saling bebas
Saling bebas menunjukkan bahwa setiap kelompok tidak saling
berhubungan. Biasanya yang digunakan logika apakah saling bebas atau
tidak.
d) Aditif (saling menjumlahkan)
Aditif artinya data yang dianalisis merupakan data interval/rasio.
4) Menghitung variabilitas dari seluruh sampel. Pengukuran total variabilitas atas
data dapat dikelompokkan menjadi tiga bagian, berikut rumus dalam ANOVA :
a) Total of Sum Squares (SSt) – Jumlah Kuadrat Total (JKT)
Jumlah Kuadrat Total (JKT) merupakan jumlah kuadrat selisih antara skor
individual dengan rata-rata totalnya.
b) Sum Square Between Column – Jumlah Kuadrat Kolom (JKK)
Jumlah Kuadrat Kolom (JKK) merupakan variansi rata-rata kelompok
sampel terhadap rata-rata keseluruhannya. Variansi di sini lebih terpengaruh
karena adanya perbedaan perlakuan antar kelompok.
c) Sum Square Between Row – Jumlah Kuadrat Baris (JKB)
Jumlah Kuadrat baris (JKB) merupakan variansi rata-rata kelompok sampel
terhadap rata-rata keseluruhannya. Variansi di sini lebih terpengaruh karena
adanya perbedaan perlakuan antar kelompok.
5) Menghitung derajat kebebasan (degree of freedom). Derajat kebebasan atau
degree of freedom (dilambangkan dengan v, dof, atau db) dalam ANOVA akan
sebanyak variabilitas. Oleh karena itu, ada tiga macam derajat kebebasan yang
akan kita hitung :
a) Derajat kebebasan untuk JKT merupakan derajat kebebasan dari Jumlah
kuadrat total (JKT) ini akan kita lambangkan dengan dof JKT. Adapun
rumusnya yaitu :
db JKT = rkn-1 (3)
Dimana,
db = Derajat Kebebasan
JKT = Jumlah Kuadrat Total
k = banyaknya kolom
r = banyaknya baris
n = banyak ulangan
b) Derajat kebebasan untuk JKK merupakan derajat kebebasan dari Jumlah
kuadrat kolom (JKK) ini akan kita lambangkan dengan dof JKK. Adapun
rumusnya yaitu:
db JKK = k-1 (4)
Dimana,
JKK = Jumlah Kuadrat Kolom
k = banyaknya kolom
c) Derajat kebebasan untuk JKB merupakan derajat kebebasan dari Jumlah
kuadrat baris (JKB) ini akan kita lambangkan dengan dof JKB. Adapun
rumusnya yaitu :
db JKB = r-1 (5)
Dimana,
JKB = Jumlah Kuadrat Baris
r = banyaknya baris
d. Kriteria
Adapun kriteria dari uji ANOVA yakni :
1) Menghitung variansi antar kelompok dan variance dalam kelompok.
Variansi dalam ANOVA, baik untuk antar kelompok maupun dalam
kelompok sering disebut dengan kuadrat tengah atau deviasi rata-rata
kuadrat (mean squared deviation) dan dilambangkan dengan MS atau KT.
Dengan demikian, maka mean squared deviation masing-masing dapat
dicari dengan rumus sebagai berikut:
KTK = JKK/db JKK
KTB = JKB/db JKB
KTG = JKG/db JKG
2) Menghitung Fhitung. Menghitung nilai distribusi Fhitung
Berdasarkan perbandingan variansi antar kelompok dan variansi dalam
kelompok. Fhitung ada tiga karena hipotesis ada tiga, sehingga setiap Fhitung
menjawab hipotesis.
a) Fhitung (kolom) = KTK/KTG

b) Fhitung (baris) = KTB/KTG
c) Fhitung (interaksi) = KT[BK]/JKG
3) Menghitung Ftabel Selain itu, F berdasarkan tabel (Ftabel) juga dihitung,
berdasarkan nilai derajat kebebasan (langkah ke-4) menggunakan tabel
distribusi-F. Jangan lupa untuk mencantumkan gambar posisi Fhitung dan
Ftabel dalam grafik distribusi-F.
4) Membandingkan Fhitung dengan Ftabel :
a) Jika Fhitung > Ftabel, maka H0 ditolak
b) Jika Fhitung ≤ Ftabel, maka H0 diterima
5) Buat kesimpulan sesuai dengan kasus awal yang ditanyakan
Simpulkan, apakah perlakuan (treatment) memiliki efek yang signifikan
pada sampel data atau tidak. Jika hasil tidak signifikan, berarti seluruh rata-
rata sampel adalah sama. Jika perlakuan menghasilkan efek yang signifikan,
setidaknya satu dari rata-rata sampel berbeda dari rata-rata sampel yang lain
(Bustami dkk, 2018).
e. Contoh
Berikut adalah perbandingan prestasi belajar matematika antara mahasiswa IPB
(A1), ITB (A2), dan ITS (A3). Uji apakah data-data tersebut memiliki perbedaan atau
tidak.
Tabel 2 Perbandingan Prestasi Belajar Matematika Antara Mahasiswa IPB, ITB, dan ITS
No A1 A2 A3
1 5 6 6
2 4 6 7
3 6 4 7
4 7 7 8
5 8 6 9
6 6 5 9
7 7 7 8
8 7 5 7
9 6 5 7
10 6 6 7
11 6 7 7
12 8 7 8
Sumber : Bustami dkk., (2018)
Setelah menghitung besar nilai diketahui hasil perhitungan ini antara lain :
Tabel 3 Pengolahan Data Prestasi Belajar Matematika antara Mahasiswa IPB, ITB, dan ITS
Sumber Jumlah Derajat Kuadrat
Fhitung α (0,05)
Varian Kuadrat Kebebasan Rerata
Antar grub
17,14 2 8,57 8,75 3,30
(A)
Dalam grub
31,55 32 0,98 - -
(D)
total 48,69 34 - - -
Sumber : Bustami dkk., (2018)
Selanjutnya menentukan kriteria pengujian

Jika (Fhitung ≥ Ftabel), maka tolak H0. Telah diperoleh Fhitung = 8,75 dan Ftabel = 3,30 dengan
ketentuan (Fhitung > Ftabel) atau 8,75 > 3,30. Adapun kesimpulan yang dapat diambil
adalah adanya perbedaan yang signifikan antara prestasi belajar matematika mahasiswa
IPB, ITB, dan ITS
(Bustami dkk, 2018).
2.2.4 Uji Post Hoc
a. Definisi
Uji post hoc dilakukan pada kelompok tingkatan asimetri informasi untuk
mengetahui kelompok asimetri informasi mana yang memiliki perbedaan rata-rata nilai
senjangan anggaran yang signifikan (Susilawati, 2017).
b. Tujuan
Post Hoc bertujuan untuk mengetahui lebih lanjut kelompok mana saja yang
berbeda rata-ratanya bila pada pengujian ANOVA dihasilkan ada perbedaan bermakna
(Ho ditolak).
c. Prosedur
Adapun prosedur dari uji post hoc yakni :
1) Tentukan hipotesis (disesuaikan dengan banyak jalur dan jenjang ANOVA)
2) Tentukan kriteria pengujian
3) Uji statistik
a) tentukan kontras antar kelompok (C) = perbedaan antara rata-rata
yang dibandingkan
b) tentukan rumus uji scheffe
C
t= (6)
2MWs
√
n
Dimana,
MWs = rata-rata jumlah kuadrat dalam kelompok
N = banyaknya data
C = kontras antar kelompok
c) Tentukan nilai kritis bagi uji scheffe
ts= √(k-1)F(1-a:k-1:n-k) (7)
Dimana,
k = jumlah kelompok
𝐹(1−𝑎:𝑘−1:𝑛−𝑘) = nilai pada distribusi
d) Bandingkan antara nilai uji scheffe dan nilai kritis bagi scheffe
d. Contoh
Uji ANOVA satu arah akan digunakan untuk mengetahui adakah hubungan antara
tingkat stress mahasiswa pada tiap kelompok jurusan yang ada di fakultas teknologi
Industri Universitas Islam Indonesia. Tingkat stres diukur pada skala 1-10. Skala 1-3
menunjukkan mahasiswa cukup stres. Skala 4-6 menunjukkan mahasiswa dalam
keadaan stres dan skala 7 ke atas menunjukkan mahasiswa sangat stres. Pengamatan
dilakukan pada waktu yang berbeda dengan menggunakan metode pengumpulan data
kuisioner yang disebarkan pada 100 responden.
(Susilawati, 2017).
2.3 Statistik Non-Parametrik

Menurut Sugiyono, Statistik Non-Parametrik adalah statistik yang digunakan untuk
menganalisis data nominal dan ordinal dari populasi yang bebas berdistribusi (Sugiyono,
2010).
2.3.1 Uji Wilcoxon
a. Definisi
Uji wilcoxon merupakan uji perangkat yang digunakan sebagai alternatif unutuk
uji T ketika populasi tidak dapat diasumsikan terdistribusi secara normal atau data pada
skala ordinal.
b. Tujuan
Tujuan dari uji wilcoxon yaitu untuk membandingkan nilai tengah suatu variabel
dari dua data sampel berpasangan.
c. Prosedur
Adapun prosedur dari uji wilcoxon yakni :
1) Tentukan hipotesis nol (H0) dan hipotesis alternatif (H1) untuk uji wilcoxon.
2) Kurangkan setiap pasangan data menjadi selisihnya.
3) Rangkingkan nilai-nilai selisih yang telah dihasilkan dari yang terkecil hingga
terbesar.
4) Hitung nilai W+ dan W- menggunakan rumus yang sesuai.
5) Hitung nilai W menggunakan rumus yang sesuai.
6) Tentukan derajat kebebasan (df) dari uji wilcoxon.
7) Tentukan nilai signifikansi (α) yang digunakan.
8) Tentukan nilai kritis (H0 ditolak jika nilai uji < nilai kritis).
9) Tentukan kesimpulan dari uji wilcoxon.
d. Contoh
Sebuah penelitian dilakukan untuk menguji apakah ada perbedaan yang signifikan
dalam tingkat kecemasan sebelum dan sesudah terapi kognitif pada pasien dengan
gangguan kecemasan. Data diambil dari 20 pasien dan dihitung skor kecemasan
sebelum dan sesudah terapi kognitif. Data di atas termasuk data ordinal, sehingga uji
non-parametrik seperti uji wilcoxon digunakan untuk analisis.
Jawab :
Hasil uji wilcoxon menunjukkan bahwa terapi kognitif signifikan meningkatkan tingkat
kecemasan pada pasien
(Z = −3.072, p = 0.002 < 0,05)
(Astuti dkk,, 2021).
2.3.2 Uji Mann-Whitney
a. Definisi
Uji mann-whitney merupakan uji non-parametris apabila uji t-independen tidak
dapat dilakukan karena asumsi normalitas tidak terpenuhi.
b. Tujuan
Tujuan dari uji mann-whitney yaitu untuk mencari perbedaan median, bentuk,
sebaran data sama.
c. Prosedur
Adapun prosedur dari uji mann-whitney yakni :
1) Tentukan hipotesis nol (H0) dan hipotesis alternatif (H1) untuk uji mann-
whitney.
2) Gabungkan kedua kelompok data yang akan diuji dan rangkingkan nilai-
nilainya dari yang terkecil hingga terbesar.
3) Hitung jumlah nilai rangking (R) dari kedua kelompok data.
4) Hitung nilai uji mann-whitney menggunakan rumus yang sesuai.
5) Tentukan derajat kebebasan (df) dari uji mann-whitney.
7) Tentukan nilai kritis (H0 ditolak jika nilai uji < nilai kritis).
8) Tentukan kesimpulan dari uji mann-whitney.
d. Contoh
Sebuah penelitian dilakukan untuk membandingkan kinerja dua kelompok siswa
dalam tes matematika yang berbeda. Data diambil dari 20 siswa pada kelompok A dan
25 siswa pada kelompok B. Data tersebut termasuk data ordinal, sehingga uji non-
parametrik seperti uji mann-whitney digunakan untuk analisis.
Jawab :
Hasil uji mann-whitney menunjukkan bahwa skor tes matematika pada kelompok A
(rata-rata rangking = 25,85) signifikan lebih tinggi dibandingkan dengan kelompok B
(rata-rata rangking = 20,96) (U = 209,5 , z = 2,28 , p = 0,02 < 0,05)
(Sulisetijono, 2016).
2.3.3 Uji Friedman
a. Definisi
Uji friedman merupakan data yang terkumpul berbentuk interval atau rasio yang
dimana sampel yang di uji jumlahnya lebih dari dua dengan minimal skala data
berbentuk ordinal.
b. Tujuan
Tujuan dari uji friedman adalah untuk menguji kesamaan pengaruh perlakuan
tetap dari dua atau lebih dari suatu populasi.
c. Prosedur
Adapun prosedur dari uji friedman yakni :
1) Tentukan hipotesis nol (H0) dan hipotesis alternatif (H1) untuk uji friedman.
2) Buat tabel rangking untuk masing-masing kolom.
3) Hitung nilai rangking total untuk masing-masing baris.
4) Hitung nilai uji friedman menggunakan rumus yang sesuai.
5) Tentukan derajat kebebasan (df) dari uji Friedman.
7) Tentukan nilai kritis (H0 ditolak jika nilai uji > nilai kritis).
8) Tentukan kesimpulan dari uji friedman.
d. Contoh
Sebuah penelitian dilakukan untuk membandingkan kinerja tiga kelompok siswa
dalam tes matematika yang sama. Data diambil dari 20 siswa pada kelompok A, 25
siswa pada kelompok B, dan 15 siswa pada kelompok C. Data tersebut termasuk data
ordinal, sehingga uji non-parametrik seperti uji Friedman digunakan untuk analisis.
Hasil uji friedman menunjukkan bahwa terdapat perbedaan signifikan dalam skor tes
matematika antara tiga kelompok siswa
(x 2(2) = 7,15 , p = 0,03 < 0,05)
Uji lanjutan dengan wilcoxon signed ranks test menunjukkan bahwa kelompok A dan B
memiliki perbedaan signifikan dalam skor tes matematika
(Z = −2,50 , p = 0,01 < 0,05)
Sedangkan tidak terdapat perbedaan signifikan antara kelompok B dan C
(Z = −0,56, p = 0,58 > 0,05)
Serta antara kelompok A dan C
(Z = −0,17, p = 0,12 > 0,05)
(Mawati dkk, 2010).
2.3.4 Uji Kruskall-Wallis
a. Definisi
Uji kruskall-wallis merupakan salah satu uji statistik non parametrik yang dapat
digunakan sebagai alternatif untuk uji one way ANOVA jika asumsi kenormalan tidak
terpenuhi.
b. Tujuan
Tujuan dari uji kruskall-wallis adalah untuk menguji apakah ada perbedaan yang
signifikan antara kelompok variabel independen dengan variabel dependennya.
c. Prosedur
Adapun prosedur dari uji kruskall-wallis yakni :
1) Tentukan hipotesis nol (H0) dan hipotesis alternatif (H1) untuk uji kruskal-
wallis.
2) Hitung nilai uji kruskal-wallis menggunakan rumus yang sesuai.
3) Tentukan derajat kebebasan (df) dari uji kruskal-wallis.
5) Tentukan nilai kritis (H0 ditolak jika nilai uji > nilai kritis).
6) Tentukan kesimpulan dari uji kruskal-wallis.
d. Contoh
k 2 k
12 1 n1 (N + 1) 12 Ri2
H= ∑ (R1 ) atau H = ∑ − 3(N + 1)
N(N + 1) n1 2 N(N + 1) n1
i=1 i=1
(Sulisetijono, 2016).
2.4 Jenis Distribusi
Distribusi merupakan alat bagi seorang peneliti untuk menentukan apa yang dapat
peneliti harapkan, apabila asumsi-asumsi yang dibuat oleh peneliti benar. Distribusi
memungkinkan para pembuat keputusan untuk memperoleh dasar logika yang kuat di
dalam keputusan, dan sangat berguna sebagai dasar pembuatan ramalan berdasarkan
informasi yang terbatas atau pertimbangan-pertimbangan teoritis, serta berguna pula
untuk menghitung probabilitas terjadinya suatu kejadian (Hadi dkk., 2018).
2.4.1 Binomial
a. Definisi
Distribusi binomial adalah suatu distribusi peluang yang menggunakan variabel
acak diskrit, yang terdiri dari dua kejadian yang berkomplemen, seperti sukses-gagal,
baik-cacat.
b. Contoh
Suatu eksperimen binomial, yang terdiri dari pengambilan satu bola secara acak
dari kotak yang berisi 30 bola merah (30M) dan 70 bola putih (70P). Y adalah variabel
acak dengan nilai sebagai berikut.
Y = 1, kalau bola merah yang terambil
Y = 0, kalau bola putih yang terambil
P(M) = p = probabilitas untuk mendapatkan bola merah (sukses)
30
= 0,30
100
P(P) = q = probabilitas untuk mendapatkan bola putih (gagal)

70
= 0,70
100
E(Y) = 1(p) + 0(q)

= 1(0,3) + 0(0,7)
= 0,3
(Hadi dkk., 2018).
2.4.2 Distribusi Poisson
a. Definisi
Distribusi poisson adalah pengembangan dari distribusi binomial yang mampu
mengkakulasikan distribusi probabilitas dengan kemungkinan sukses (p) sangat kecil
dan jumlah eksperimen (n) sangat besar.
b. Contoh
Misalnya peluang seseorang akan dapat reaksi buruk setelah minum satu butir
obat penenang besarnya 0,0005. Dari 4000 orang yang minum obat penenang tersebut,
dapat ditentukan peluang yang mendapatkan reaksi: (a) tidak ada; (b) ada dua orang;
dan (c) lebih dari dua orang.
Untuk menentukan peluang tidak ada orang yang mendapat reaksi buruk (dalam hal ini
x = 0), dengan menggunakan pendekatan distribusi poisson λ = p = 0,0005 = 2. Jika x =
banyaknya orang yang mendapatkan reaksi buruk, maka:
eλ λx
P(0) =
x!
2,7183−z 20
P(0) =
0!
P(0) = 0,1353
Untuk menentukan peluang 2 orang yang mendapatkan reaksi buruk (dalam hal ini x =
2), sehingga:
eλ λx
P(0) =
x!
2,7183−z 20
P(0) =
2!
P(0) = 0,2706
Untuk menentukan peluang lebih dari 2 orang yang mendapatkan reaksi buruk (dalam
hal ini x = 3, 4, 5, dan seterusnya). Diketahui P(0) = P(1) = P(2) = P(3) + ... + P(n) = 1
= –P(0) – P(1) – P(2), maka :
e−1 λx
P(1) =
1!
2,7183−z 20
P(1) =
2!
P(1) = 0,2706
Sedangkan peluang yang dicari adalah : 1 – (0,1353 + 0,2706 + 0,2706) = 0,3235.
(Hadi dkk., 2018).
2.4.3 Distribusi Eksponensial Negatif
a. Definisi
Distribusi eksponensial negatif merupakan distribusi yang mempunyai laju
probabilitas yang tetap terhadap waktu dimana distribusi ini merupakan distribusi yang
paling dikenal dan digunakan secara luas.
b. Contoh
Berapakah probabilitas sebuah kedatangan dalam setiap 10 menit, jika diketahui
=1 dan x=2 (2 interval 5 menit) adalah.
Jawab :
P(x = 2) = 1 − e−1(2) = 1 − 0.135 = 0,865
Jadi, probabilitas sebuah kedatangan dalam setiap 10 menit adalah 0,865
(Purwanto, 2013).
2.4.4 Distribusi Normal
a. Definisi
Distribusi normal merupakan distribusi teoritis dari variabel random kontinum.
Distibusi normal adalah distribusi kontinu yang sangat penting dalam statistik dan
banyak dipakai memecahkan persoalan.
b. Contoh
Misalnya hitung P (X < 1,25) pada taraf signifikansi 0,05? Cara penyelesaian
adalah lihat pada Tabel Distribusi Normal (Lampiran 4), carilah angka 1,2 pada kolom
paling kiri. Selanjutnya, carilah angka 0,05 pada baris paling atas. Sel para pertemuan
kolom dan baris tersebut adalah 0,8944. Dengan demikian P (X < 1,25) adalah 0,8944
(Hadi dkk., 2018).
2.5 Level of Significance
Dalam pengujian hipotesis terdapat konsep penting yaitu level of significance.

Level of significance adalah salah satu konsep yang penting dalam statistik yang
digunakan untuk menentukan apakah hasil pengujian hipotesis secara statistik signifikan
atau tidak. Dalam pengujian hipotesis, kita mengambil sampel dari populasi tertentu dan
menguji apakah sampel tersebut mewakili populasi secara keseluruhan atau tidak. Level
of significance adalah ukuran yang digunakan untuk menentukan seberapa besar
kemungkinan kesalahan jenis I yang diterima dalam pengujian hipotesis.
a. Definisi
Level of significance merupakan probabilitas atau peluang kesalahan yang
ditetapkan peneliti dalam mengambil keputusan untuk menolak atau mendukung
hipotesis nol.
b. Contoh Penerapan
Seorang bidan desa menyatakan bahwa rata-rata setiap bulan dia merujuk pasien
ke Puskesmas sebanyak 40 orang. Pihak Puskesmas ingin menguji pernyataan bidan
tersebut pada derajat kemaknaan 0,05. Untuk itu diambil sampel secara acak sebanyak
3 bulan dan diperoleh rata-rata 38 orang dengan varian 4 orang.
(Gujarati, 2009).
2.6 Tingkat Kepercayaan
Tingkat kepercayaan atau disebut juga confidence interval atau risk level
didasarkan pada gagasan yang berasal dari Teorema Batas Sentral (Central Limit
Theorem). Tingkat kepercayaan adalah salah satu konsep penting dalam statistik yang
digunakan untuk mengukur seberapa yakin kita dalam membuat kesimpulan dari suatu
data atau hasil penelitian. Dalam statistik, kita sering kali menggunakan sampel untuk
membuat kesimpulan tentang populasi yang lebih besar. Tingkat kepercayaan adalah
ukuran yang digunakan untuk menunjukkan seberapa yakin kita dalam kesimpulan
tersebut. Berdasarkan teorema tersebut: apabila suatu populasi secara berulang-ulang
ditarik sampel, maka nilai rata- rata atribut yang diperoleh dari sampel-sampel tersebut
sejajar dengan nilai populasi yang sebenarnya.
a. Definisi
Tingkat kepercayaan adalah ukuran keyakinan sang peneliti yang dinyatakan
dalam persentase bahwa ia sanggup mengambil resiko bahwa sesuatu itu dapat terjadi,
apakah 95%, 99% dan lain-lain.
b. Contoh Penerapan
Serikat perwakilan Bottle Blowers of America (BBA) sedang mempertimbangkan
proposal untuk bergabung dengan Serikat Teamsters. Menurut anggaran rumah tangga
serikat BBA, sedikitnya ¾ anggota serikat harus menyetujui merger apapun. Sampel
acak 2.000 anggota BBA saat ini menunjukkan bahwa 1.600 diantaranya akan
menyetujui proposal merger tersebut
(Sugiyono, 2010).
2.7 Tingkat Ketelitian
Tingkat ketelitian menunjukkan penyimpangan maksimum hasil pengukuran dari

waktu penyelesaian sebenarnya. Tingkat ketelitian adalah salah satu konsep penting
dalam pengukuran dan statistik yang digunakan untuk mengevaluasi seberapa akurat
atau tepat sebuah pengukuran atau hasil pengukuran tersebut. Dalam konteks statistik,
tingkat ketelitian sering kali diasosiasikan dengan error atau kesalahan dalam
pengukuran. Hal ini biasanya dinyatakan dalam persen dari waktu penyelesaian
sebenarnya, yang seharusnya dicari. Adapun definisi dari tingkat ketelitian yaitu sebagai
berikut.
a. Definisi
Tingkat ketelitian adalah istilah yang digunakan dalam statistik dan pengukuran
untuk mengukur seberapa akurat atau tepat suatu pengukuran atau hasil pengukuran
tersebut. Tingkat ketelitian biasanya dinyatakan dalam bentuk batas atas dan batas
bawah, yang mengindikasikan rentang nilai yang diperbolehkan sehingga pengukuran
masih dianggap akurat. Semakin sempit rentang batas atas dan batas bawah, semakin
tinggi tingkat ketelitian pengukuran. Tingkat ketelitian juga dapat dinyatakan dalam
bentuk selisih absolut, selisih relatif, atau persentase error, yang mengukur besarnya
kesalahan dalam pengukuran. Tingkat ketelitian sangat penting dalam evaluasi hasil
penelitian dan pengukuran, terutama dalam konteks penelitian ilmiah, pengembangan
produk, dan pengujian laboratorium. Tingkat ketelitian merupakan rata-rata pengukuran
yang menyimpang lebih dari 10% sehingga dibolehkan terjadi hanya dengan
kemungkinan 5%.
b. Contoh Penerapan
Sejumlah 30 pengamatan telah dilakukan pada suatu operasi. Pengamat ingin
mengetahui pada tingkat ketelitian 5% dan tingkat keyakinan 95%
(Sugiyono, 2010).
2.8 Uji Hipotesis
Uji hipotesis merupakan bagian dari statistik inferensia yang bertujuan untuk
menarik kesimpulan mengenai suatu populasi berdasarkan data yang diperoleh dari
sampel populasi tersebut. Dalam statistik, uji hipotesis adalah sebuah cara kita untuk
menguji apakah survey atau pengamatan yang kita lakukan memberikan hasil yang
bermakna.
2.8.1 Uji Hipotesis Mengenai Reputasi Populasi
Uji hipotesis menggunakan reputasi populasi adalah pengujian hipotesis tentang

rata rata adalah pengujian hipotesis mengenai ratarata populasi yang di dasarkan atas
informasi sampelnya.
2.8.2 Uji Hipotesis Mengenai Variansi Populasi
Uji hipotesis untuk variasi populasi dilakukan dengan menggunakan distribusi chi
square. Dalam menentukan nilai-nilai kritis dan nilai P, uji hipotesis ini berbeda dengan
uji-uji hipotesis lainnya karena akibat dari karakteristik distribusi chi square yang tidak
simetris. Contohnya adalah sebuah meriam harus memiliki ketepatan menembak dengan
variasi yang minimum. Spesifikasi dari pabrik senjata menyebutkan bahwa standar
deviasi dari ketepatan menembak meriam jenis tersebut maksimum adalah 4 meter.
Untuk menguji hal tersebut, diambil sampel sebanyak 16 meriam dan diperoleh hasil s2
yaitu 24 meter.
2.8.3 Uji Hipotesis Mengenai Proporsi Populasi
Terdapat dua metode untuk menguji klaim mengenai proporsi populasi. Metode
pertama menggunakan distribusi normal sebagai pendekatan untuk distribusi binomial,
sedangkan metode kedua menggunakan distribusi binomial secara langsung. Suatu
klaim mengenai proporsi populasi bisa diuji dengan memanfaatkan model distribusi
normal sebagai pendekatan terhadap distribusi binomial. Jika model distribusi normal
tersebut tidak bisa digunakan, maka uji hipotesis masih bisa dilakukan tetapi dengan
menggunakan distribusi binomial secara langsung. Contohnya adalah Pada tahun 2017,
lebih dari 91,2% warga Indonesia menilai Tentara Nasional Indonesia (TNI) sebagai
institusi dengan citra yang baik.
2.8.4 Uji Hipotesis Mengenai Hipotesis Alternatif
Hipotesis Alternatif (H1) adalah pernyataan yang sama dengan parameter populasi
yang sama dengan yang digunakan dalam hipotesis nol. Biasanya hipotesis ini
merupakan pernyataan yang menyatakan bahwa parameter populasi tersebut memiliki
nilai yang berbeda dari pernyataan yang telah disebutkan dalam hipotesis nol. Hipotesis
alternatif merupakan hipotesis yang kita cari bukti untuk mendukungnya. Contohnya
klaim awal menyatakan bahwa proporsi wisatawan dari negara Cina yang datang ke
Indonesia adalah sedikitnya 13,5% atau 0,135. Klaim ini bisa dinyatakan menjadi p ≥
0,135. Jadi, hipotesis alternatifnya adalah 𝐻1 ∶ 𝑝 < 135
(Hadi dkk., 2017).
2.8.5 Prosedur Uji Hipotesis
Adapun prosedur dari uji hipotesis yakni :

a. Tentukan parameter yang akan diuji
b. Tentukan hipotesis nol (H0)
c. Tentukan hipotesis alternatif (H1)
d. Tentukan (α)
e. Pilih statistik yang tepat
f. Tentukan daerah penolakan
g. Hitung statistik uji
h. Putuskan apakah hipotesis nol (H0) ditolak atau tidak
(Nuryadi dkk, 2017).
2.9 Uji Heteroskedastisitas
Uji heteroskedasitas merupakan varian residual yang tidak sama pada semua
pengamatan dalam model regresi. pada regresi yang baik seharusnya tidak terjadi
heteroskedasitas. Adapun definisi dari uji heteroskesdastisitas yaitu sebagai berikut.
2.9.1 Definisi
Uji heteroskedastisitas adalah alat uji model regresi untuk mengetahui

ketidaksamaan variance dari residual satu pengamatan terhadap pengamatan lainnya.
2.9.2 Tujuan
Uji heteroskedastisitas digunakan untuk menguji apakah dalam sebuah regresi

terjadi ketidaksamaan varian dari residual dari suatu pengamatan ke pengamatan lain.
2.9.3 Pengambilan Keputusan
Adapun prosedur pengambilan keputusan, yakni :

a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola tertentu
yang teratur (bergelombang melebar kemudian menyempit), maka terjadi
heteroskedastisitas.
b. Jika tidak ada pola yang jelas, seperti titik-titik yang menyebar di atas dan di bawah
angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Dari output regresi
titik-titik tidak membentuk pola yang jelas, dan titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, jadi dapat disimpulkan bahwa tidak terjadi
heteroskedastisitas dalam model regresi
(Denziana, dkk, 2014).
2.10 Uji Homogenitas
Uji homogenitas merupakan uji kesamaan dua varians guna menguji sebaran data
yang dijadikan objek. sebaran data yang diuji akan dilihat persebarannya apakah
homogen maupun tidak dengan membandingkan kedua variansinya. Adapun definisi
dari uji homogenitas yaitu sebagai berikut.
2.10.1 Definisi
Uji homogenitas merupakan suatu pengujian klasik yang dilakukan untuk

mengetahui karakteristik yang sama dari himpunan data yang diteliti.
2.10.2 Tujuan
Uji homogenitas bertujuan untuk mengetahui apakah dua atau lebih kelompok
data sampel yang diambil berasal dari populasi yang memiliki variansi yang sama atau
tidak.
2.10.3 Prosedur
Teknik prosedur homogenitas salah satunya ialah uji harley. Uji Harley
merupakan uji homogenitas variansi yang sangat sederhana karena cukup
membandingkan variansi terbesar dengan variansi terkecil. Uji homogenitas variansi
dengan rumus Harley bisa digunakan jika jumlah sampel antar kelompok sama Misal
ada dua populasi normal dengan varians σ12 dan σ22 . Akan diuji mengenai uji dua pihak
untuk pasangan hipotesis :
Ho : σ12 = σ22
H1 : σ12 ≠ σ22
Statistik yang akan digunakan pada pengujian hiptesis H0 adalah:
varians terbesar
F= (8)
varians terkecil
Dimana,
H0 ditolak jika Fhitung ≥ F 1 (9)
2a(v1 v2 )
(Nuryadi dkk, 2017).
2.11 Uji Normalitas
Uji normalitas adalah teknik statistik yang digunakan untuk mengevaluasi apakah
suatu data atau variabel terdistribusi secara normal atau tidak. Distribusi normal, atau
disebut juga sebagai distribusi Gauss atau distribusi bell-shaped, merupakan distribusi
yang simetris dengan nilai mean, median, dan modus yang sama. Uji normalitas
biasanya dilakukan pada data atau variabel yang akan digunakan dalam analisis statistik,
seperti regresi, ANOVA, atau uji hipotesis. Tujuan dari uji normalitas adalah untuk
memastikan bahwa data atau variabel yang digunakan memenuhi asumsi normalitas,
sehingga analisis statistik yang dilakukan dapat diandalkan dan akurat.
2.11.1 Definisi, Tujuan dan Manfaat Uji Normalitas
a. Definisi
Menurut (Hadi dkk., 2017), uji normalitas merupakan sebuah uji yang diperlukan
untuk menjawab pertanyaan apakah syarat sampel yang representatif terpenuhi atau
tidak, sehingga hasil penelitian dapat digeneralisasi pada populasi atau dapat mewakili
populasi.
b. Tujuan
Uji normalitas bertujuan untuk mengetahui apakah masing-masing variabel
berdistribusi normal atau tidak. Uji normalitas diperlukan karena untuk melakukan
pengujian-pengujian variabel lainnya dengan mengasumsikan bahwa nilai residual
mengikuti distribusi normal. Jika asumsi ini dilanggar maka uji statistik menjadi tidak
valid dan statistik parametrik tidak dapat digunakan.
c. Manfaat
Manfaat Uji distribusi normalitas atau biasa dikenal dengan istilah uji normalitas
dapat digunakan untuk mengukur apakah data yang telah didapatkan berdistribusi
normal atau tidak sehingga dapat digunakan dalam statistik inferensia
(Antara dkk., 2014).
2.11.2 Jenis-Jenis Uji Normalitas Beserta Syarat Penggunaannya
a. Uji Kolmogorov Smirnov

Uji Kolmogrof-Smirnov (Uji K-S) adalah tes non-parametrik dari persamaan
kontinu, distribusi probabilitas satu dimensi yang dapat digunakan untuk
membandingkan sebuah sampel dengan distribusi probabilitas referensi (uji K-S satu
sampel), atau untuk membandingkan dua buah sampel (uji K-S dua sampel). Dinamai
setelah Andrey Kolmogorov dan Nikolai Smirnov. Uji ini digunakan untuk menguji
goodness of fit antara distribusi sampel dan distribusi lainnya serta membandingkan
serangkaian data pada sampel terhadap distribusi normal pada serangkaian nilai dengan
mean dan standar deviasi yang sama. Uji Kolmogorof-Smirnov dilakukan dengan
membandingkan Dhitung dan Dtabel .
Dhitung = maks (F0 (x) − sin(x)) (10)
Dimana,
F0 (x) = Distribusi frekuensi komulatif teoritis.
sin (x) = Distribusi frekuensi komulatif skor observasi.
(Quraisy, 2020).
b. Uji Lilliefors
Uji Liliefors merupakan salah satu uji statistika yang digunakan untuk menguji
normalitas data, yaitu apakah data tersebut berdistribusi normal atau tidak. Uji Liliefors
digunakan untuk data tunggal, bukan data kelompok. Uji normalitas data dengan
Liliefors hampir sama dengan menggunakan uji Kolmogorov Smirnov, hanya saja pada
uji Liliefors digunakan tabel Liliefors. Uji Lilliefors menggunakan data dasar yang
belum diolah dalam tabel distribusi frekuensi. Data ditransformasikan dalam nilai z
untuk dapat dihitung luasan kurva normal sebagai probabilitas kumulatif normal.
Adapun persamaan uji Liliefors adalah sebagai berikut.
x−x̅
Zi = (11)
SD
Dimana,
Zi = Transformasi ke angka pada distribusi normal.
x = Angka pada data
x̅ = Nilai rata-rata (mean)
SD = Standar deviasi
(Oktaviani dan Notobroto, 2014).
c. Uji Chi-Square
Chi-square disebut juga dengan Kai Kuadrat. Uji chi-square adalah salah satu
jenis uji komparatif non-parametris yang dilakukan pada dua variabel, di mana skala
data kedua variabel adalah nominal. Apabila dari 2 variabel, ada 1 variabel dengan skala
nominal maka dilakukan uji chi-square dengan merujuk bahwa harus digunakan uji
pada derajat yang terendah. Uji chi-square dapat dirumuskan sebagai berikut :
(Oi −Ei )2
X2 = ∑ (12)
Ei
d. Uji Saphiro-Wilk
Metode shapiro wilk adalah metode uji normalitas yang efektif dan valid
digunakan untuk sampel berjumlah kecil. Menurut Razali, N.M & Wah, Y.B. (dalam
Quraisy, 2020) menyatakan bahwa uji Shapiro dan Wilk awalya dibatasi untuk ukuran
sampel yang kurang dari 50. Uji ini merupakan uji pertama yang mampu mendeteksi
kenormalan data berdasarkan skewness dan kurtosis atau keduanya. Berikut perumusan
untuk uji Shapiro-Wilk :
(∑n ay)
w = ( ∑ni=1(y iy)i 2 ) (13)
i=1 i
Dimana,
yi = Nilai data atau urutan data ke – i
𝑦̅ = Rata-rata sampel
mT v−1
ai = (a1,………….,an ) = (mT v−1v−1m)
m = (a1,………….,an )T adalah nilai yang diharapkan dari urutan statistik yang

independen dan didistribusikan secara identik.
(Quraisy, 2020).
e. Uji Grafik
Uji normalitas menggunakan analisi grafik dan analisis statistik. Analisis grafik
yaitu berupa grafik histogram dan grafik P-P Plot. Grafik histogram dikatakan normal
jika distribusi data membentuk lonceng (bell shaped), tidak condong ke kiri atau tidak
condong ke kanan. Grafik P-P Plot dapat difahami dengan melihat penyebaran item pada
garis diagonal pada grafik. Grafik P-P Plot dikatan tidak memenuhi syarat asumsi
normalitas apabila item menyebar jauh di garis diagonal dan tidak mengikuti arah garis
diagonal. Uji normalitas dengan grafik histogram dan grafik P-P Plot perlu diperkuat
dengan uji statistik. Uji statistik menggunakan uji Kolmogorov- Smirnov. Hasil uji
normalitas dengan grafik terkadang berbeda dengan hasil uji statistik. Grafik tampak
normal, namun secara statistik bisa terjadi sebaliknya
f. Tabel Perbedaan
Pengujian normalitas distribusi data dilakukan dengan menggunakan uji kolmogrov-
smirnov. Data dikatakan terdistribusi secara normal jika nilai probabilitas Asymp.sig. (2-
tailed) lebih besar daripada tingkat signifikansi 5%. Hasil uji normalitas menunjukkan
tingkat signifikan 0,843 lebih besar dari 0,05 sehingga disimpulkan bahwa data sudah
terdistribusi secara normal.
Gambar 1 Tabel Perbedaan

Sumber : Hadi dkk (2017)
(Hadi dkk., 2017).
2.12 Uji Linearitas
Uji linearitas adalah salah satu teknik statistik yang digunakan untuk
mengevaluasi apakah hubungan antara dua variabel dalam suatu model regresi adalah
linier atau tidak. Uji linearitas biasanya dilakukan pada model regresi linear sederhana
atau ganda, di mana variabel dependen dijelaskan oleh satu atau lebih variabel
independen.
a. Definisi
Uji Linearitas merupakan suatu perangkat uji yang diperlukan untuk mengetahui
bentuk hubungan yang terjadi di antara variabel yang sedang diteliti. Uji ini dilakukan
untuk melihat hubungan dari dua buah variabel yang sedah diteliti apakah ada hubungan
yang linear dan signifikan. Uji linearitas merupakan pra syarat penggunaan analisis
regresi dan korelasi.
b. Tujuan
Uji Linearitas dilakukan bertujuan untuk mengetahui hubungan antara variabel
bebas dan tak bebas apakah linear atau tidak. Linear diartikan hubungan seperti garis
lurus. Uji linearitas umumnya digunakan sebagai persyaratan analisis bila data
penelitian akan analisis menggunakan regresi linear sederhana atau regresi linear
berganda. Pengujian ini dimaksudkan untuk mengetahui apakah hubungan antara
variabel-variabel bebas dan tak bebas penelitian tersebut terletak pada suatu garis lurus
atau tidak.
(Widana dan Muliani, 2020)
c. Prosedur
Adapun prosedur dari uji linearitas yakni :
1) Menentukan variabel bebas dan variabel terikat. Variabel bebas adalah
variabel yang digunakan untuk memprediksi variabel terikat. Variabel terikat
adalah variabel yang akan diprediksi.
2) Memvisualisasikan data. Data dapat divisualisasikan dengan menggunakan
diagram pencar (scatterplot) untuk mengetahui bentuk hubungan antara
kedua variabel. Jika hubungan antara kedua variabel adalah linier, maka
diagram pencar akan menunjukkan pola sebaran data yang membentuk suatu
garis lurus.
3) Melakukan uji asumsi. Sebelum melakukan uji linearitas, perlu dilakukan uji
asumsi terlebih dahulu untuk memastikan bahwa data yang digunakan
memenuhi asumsi normalitas, homogenitas, dan independensi.
4) Membuat model regresi. Model regresi linier dapat dibuat dengan
menggunakan perangkat lunak statistik seperti SPSS, R, atau Excel. Model
regresi ini akan memberikan nilai koefisien determinasi (R-square) yang
menunjukkan seberapa besar variabilitas variabel terikat yang dapat
dijelaskan oleh variabel bebas.
5) Melakukan uji linearitas. Uji linearitas dapat dilakukan dengan menggunakan
uji Durbin-Watson atau uji Ramsey RESET. Uji Durbin-Watson digunakan
untuk menguji apakah ada ketergantungan antara nilai residual yang terdapat
pada model regresi. Jika nilai uji Durbin-Watson mendekati 2, maka dapat
disimpulkan bahwa tidak terdapat ketergantungan antara nilai residual. Uji
Ramsey RESET digunakan untuk menguji apakah hubungan antara variabel
bebas dan terikat bersifat linier.
6) Menafsirkan hasil uji. Jika hasil uji linearitas menunjukkan bahwa hubungan
antara kedua variabel bersifat linier, maka model regresi linier dapat
digunakan untuk memprediksi nilai variabel terikat berdasarkan nilai variabel
bebas. Namun, jika hasil uji linearitas menunjukkan bahwa hubungan antara
kedua variabel tidak bersifat linier, maka model regresi linier tidak dapat
digunakan dan perlu dilakukan transformasi data atau menggunakan model
regresi non-linier.
(Widhiarso, 2010).
2.13 Uji Kecukupan Data
Uji kecukupan data, juga dikenal sebagai uji sampel size, adalah teknik statistik
yang digunakan untuk menentukan apakah jumlah data yang digunakan dalam
penelitian sudah cukup besar atau belum. Tujuan dari uji kecukupan data adalah untuk
memastikan bahwa sampel yang digunakan dalam penelitian dapat memberikan hasil
yang valid dan dapat diandalkan.
a. Definisi
Uji kecukupan data adalah proses pengujian yang dilakukan terhadap data
pengukuran untuk mengetahui apakah data yang diambil untuk penelitian sudah
mencukupi untuk dilakukan perhitungan waktu baku. Uji kecukupan data dapat
dilakukan dengan berbagai metode, seperti menggunakan perangkat lunak statistik yang
tersedia atau menghitung power analysis secara manual. Hasil dari uji kecukupan data
dapat membantu peneliti menentukan apakah perlu menambah sampel atau memperoleh
data tambahan untuk mencapai ukuran sampel yang diinginkan.
b. Tujuan
Tujuan dari uji kecukupan data adalah untuk memastikan bahwa sampel yang
digunakan dalam penelitian dapat memberikan hasil yang valid dan dapat diandalkan.
Dalam hal ini, pengambilan sampel yang cukup besar dapat membantu meningkatkan
kemungkinan bahwa hasil penelitian akan mewakili populasi yang lebih besar secara
keseluruhan. Uji kecukupan data bertujuan untuk mengetahui apakah data hasil
pengukuran dengan tingkat kepercayaan dan tingkat ketelitian tertentu jumlahnya telah
memenuhi atau tidak.
c. Prosedur
Pengukuran kerja biasanya diambil 95% tingkat keyakinan dan 5% derajat
ketelitian. Hal ini berarti bahwa sekurang-kurangnya 95 dari 100 rata-rata dari waktu
dicatat atau diukur untuk suatu elemen kerja akan memiliki penyimpangan lebih dari
5% dengan demikian formula yang digunakan sebagai berikut:
k 2
√N ∑ x2 - ( ∑ x)
s
N' = ( ∑x
) (14)
Dimana,
K = Tingkat keyakinan (99% ≈ 3, 95% ≈ 2)
S = Derajat ketelitian
N = Jumlah data pengamatan
N’ = Jumlah data teoritis
x = Data pengamatan
Adapun prosedur dari uji kecukupan data yakni :
1) Tentukan Ukuran Sampel Yang Diinginkan.
Ukuran sampel yang cukup besar akan memungkinkan peneliti untuk
memperoleh hasil yang lebih akurat dan dapat diandalkan. Ukuran
sampel yang diinginkan dapat ditentukan berdasarkan kriteria yang
ditetapkan, seperti effect size, tingkat signifikansi, dan power.
2) Hitung Power Analysis
Power analysis adalah metode statistik yang digunakan untuk
menghitung ukuran sampel yang diperlukan untuk mencapai tingkat
kepercayaan tertentu. Power analysis mempertimbangkan beberapa
faktor, seperti effect size, level of significance, dan power, untuk
menghitung ukuran sampel yang optimal.
3) Lakukan Uji Kecukupan Data
Setelah ukuran sampel yang diinginkan dan power analysis dihitung,
selanjutnya adalah melakukan uji kecukupan data untuk memastikan
bahwa ukuran sampel sudah cukup besar. Uji kecukupan data dapat
dilakukan dengan menggunakan perangkat lunak statistik seperti
G*Power atau R.
4) Analisis hasil uji kecukupan data
Setelah uji kecukupan data dilakukan, hasilnya harus dianalisis untuk
menentukan apakah ukuran sampel sudah cukup besar atau perlu
ditambah. Jika hasilnya menunjukkan bahwa ukuran sampel sudah cukup
besar, maka peneliti dapat melanjutkan dengan pengolahan data. Namun,
jika hasilnya menunjukkan bahwa ukuran sampel masih kurang, maka

perlu dilakukan upaya untuk menambah sampel.
(Alhaffis, 2019).
2.14 Uji Keseragaman Data
Uji keseragaman data, atau uji homogenitas, adalah teknik statistik yang
digunakan untuk mengevaluasi apakah variasi data dari dua atau lebih kelompok
memiliki perbedaan yang signifikan. Uji ini umumnya digunakan dalam penelitian yang
melibatkan pengumpulan data dari beberapa kelompok atau populasi yang berbeda.
Tujuan dari uji keseragaman data adalah untuk menentukan apakah kelompok-
kelompok tersebut memiliki variasi data yang sama atau tidak, dan apabila ada
perbedaan, seberapa besar perbedaannya.
a. Definisi
Uji keseragaman data adalah uji yang dilakukan untuk mengetahui apakah hasil
pengukuran waktu cukup seragam. Suatudata dikatakan seragam apabila barada dalam
rentang batas kontrol tertentu. Jika data tersebut berada diluar rentang batas kontrol
tertentu, maka dikatakan tidak seragam. Rentang batas kontrol tersebut adalah Batas
Kontrol Atas (BKA) dan Batas Kontrol Bawah (BKB).
b. Tujuan
Uji keseragaman data Pengujian keseragaman data dilakukan untuk mengetahui
yaitu, homogenitas data, apakah berasal dari suatu populasi yang sama, data ekstrim
atau yang berada di luar batas harus dihilangkan dan tidak perlu disertakan dalam
perhitungan.
c. Prosedur
Adapun prosedur dari uji keseragaman data yakni :
1) Tentukan kelompok atau populasi yang akan dibandingkan. Pastikan bahwa
kelompok-kelompok tersebut berbeda dalam satu atau beberapa variabel
tertentu.
2) Pilih metode statistik yang tepat. Ada beberapa metode statistik yang dapat
digunakan untuk melakukan uji keseragaman data, seperti uji Levene, uji
Bartlett, atau uji Fligner-Killeen. Pemilihan metode yang tepat tergantung

pada jumlah kelompok dan jenis data yang dianalisis.
3) Lakukan uji keseragaman data. Dalam melakukan uji keseragaman data,
peneliti akan menghitung nilai F atau chi-square, yang mengindikasikan
perbedaan antara kelompok-kelompok. Semakin besar nilai F atau chi-
square, semakin besar perbedaan antara kelompok-kelompok.
4) Interpretasi hasil uji. Hasil uji keseragaman data akan menunjukkan apakah
ada perbedaan signifikan antara kelompok-kelompok atau tidak. Jika nilai p
kurang dari level of significance yang ditentukan, maka terdapat perbedaan
yang signifikan antara kelompok-kelompok.
(Rachman, 2013).
2.15 Regresi
Regresi merupakan pengukur hubungan dua variabel atau lebih yang dinyatakan
dengan bentuk hubungan/fungsi. Diperlukan pemisahan yang tegas antaravariabel bebas
dan variabel terikat, biasanya disimbolkan dengan x dan y. Pada regresi harus ada
variabel yang ditentukan dan variabel yang menentukan atau dengan kata lain, adanya
ketergantungan antara variabel yang satu dan variabel lainnya. Kedua variabel dalam
regresi biasanya bersifat kausal atau sebab akibat yaitu saling berpengaruh. Dengan
demikian, regresi merupakan bentuk fungsi tertentu antara variabel terikat y dan
variabel bebas x atau dapat dinyatakan bahwa regresi adalah sebagai suatu fungsi y =
f(x). Bentuk regresi tergantung pada fungsi atau persamaan yang dimilikinya. Adapun
definisi dari regresi yaitu sebagai berikut.
2.15.1 Definisi
Regresi merupakan suatu kajian yang dilakukan untuk mencari hubungan satu
variabel yang disebut sebagai variabel yang diterangkan (the explained variable) dengan
satu atau dua variabel yang menerangkan (the explanatory variable). Variabel pertama
disebut juga sebagai variabel terikat dan variabel kedua disebut juga sebagai variabel
bebas.
2.15.2 Tujuan
Tujuan dari regresi adalah untuk mempelajari hubungan antara satu atau lebih
variabel independen (biasanya disebut sebagai "variabel prediktor" atau "variabel X")
dan satu variabel dependen (biasanya disebut sebagai "variabel respons" atau "variabel
Y"). Regresi digunakan untuk memahami bagaimana variabel independen
mempengaruhi variabel dependen, dan untuk memprediksi nilai variabel dependen
berdasarkan nilai variabel independen yang diberikan. Dalam analisis regresi, variabel
independen digunakan untuk memprediksi atau menjelaskan nilai variabel dependen.
Dalam banyak kasus, variabel independen memiliki nilai yang dapat diubah atau
dikendalikan (misalnya, usia, suhu, atau waktu), sementara variabel dependen memiliki
nilai yang tidak dapat diubah (misalnya, berat badan, tekanan darah, atau harga saham).
Regresi dapat digunakan dalam berbagai bidang seperti ekonomi, bisnis, ilmu sosial,
psikologi, kedokteran, dan ilmu pengetahuan alam. Tujuan utama dari regresi adalah
untuk menemukan model matematika yang dapat menjelaskan hubungan antara variabel
independen dan variabel dependen dengan akurasi dan presisi yang tinggi, sehingga
model tersebut dapat digunakan untuk memprediksi nilai variabel dependen untuk nilai
variabel independen yang belum diketahui.
(Suyono, 2018).
2.15.3 Jenis-Jenis Regresi
a. Regresi Linier Sederhana

Model regresi linier sederhana adalah model probabilistik yang menyatakan
hubungan linier antara dua variabel di mana salah satu variabel dianggap memengaruhi
variabel yang lain. Variabel yang memengaruhi dinamakan variabel independen dan
variabel yang dipengaruhi dinamakan variabel dependen. Sebagai contoh, mungkin
seorang peneliti tertarik untuk menyelidiki pengaruh (hubungan) linier dari intelegency
quotient (IQ) terhadap hasil belajar statistika mahasiswa. Di sini IQ adalah variabel
independen, sedangkan hasil belajar statistika adalah variabel dependen
(Suyono, 2018).
b. Regresi Linier Berganda

Regresi linier berganda merupakan model persamaan yang menjelaskan hubungan
satu variabel tak bebas (Y) dengan dua atau lebih variabel bebas. Tujuan dari uji regresi
linier berganda adalah untuk memprediksi nilai variabel tak bebas apabila nilai- nilai
variabel bebasnya diketahui. Regresi non linier.
c. Regresi Non Linier
Regresi non linier adalah suatu metode untuk mendapatkan model non linier guna
menampikan variabel dependen dan independen. Apabila hubungan fungsi antara
variabel bebas X dan variabel tidak bebas Y bersifat non linier, tansformasi bentuk non
linier ke bentuk linier. Untuk mendapatkan linieritas dari hubungan non linier, dapat
dilakukan transformasi pada variabel dependen atau variabel independen atau keduanya.
d. Regresi Dummy
Regresi dummy adalah variabel yang digunakan untuk mengkuantitatifkan
variabel yang bersifat kualitatif (misal: jenis kelamin, ras, agama, perubahan kebijakan
pemerintah, perbedaan situasi dan lain- lain).
e. Regresi Logistik
Pada prinsipnya, regresi logistik mempunyai tujuan untuk memperkirakan
besarnya probabilitas kejadian tertentu di dalam suatu populasi sebagai suatu fungsi
eksplanatori
f. Regresi Poisson
Regresi Poisson adalah teknik statistik yang digunakan untuk memodelkan
hubungan antara variabel dependen berupa jumlah kejadian atau frekuensi suatu
peristiwa, dan satu atau lebih variabel independen yang dapat mempengaruhi frekuensi
tersebut. Regresi Poisson memanfaatkan distribusi Poisson sebagai dasar
perhitungannya.
(Widhiarso, 2020).
2.16 Korelasi
Korelasi adalah ukuran statistik yang digunakan untuk mengevaluasi kekuatan

dan arah hubungan antara dua variabel. Biasanya, korelasi digunakan untuk menentukan
seberapa kuat hubungan antara dua variabel dan apakah hubungan tersebut positif,
negatif, atau tidak ada hubungan sama sekali. Korelasi seringkali digunakan untuk
menganalisis hubungan antara dua variabel yang berbeda, seperti hubungan antara
tinggi badan dan berat badan seseorang, atau hubungan antara usia dan pendapatan.
2.16.1 Definisi dan Tujuan Korelasi
a. Definisi
Menurut Supardi, analisa korelasi merupakan suatu bentuk analisis inferensial
yang digunakan untuk mengetahui derajat atau kekuatan hubungan, bentuk atau
hubungan kausal dan hubungan timbal balik diantara variabel-variabel penelitian
(Ananda dan Fadhli, 2018).
b. Tujuan
Analisis korelasi bertujuan untuk mengetahui keeratan hubungan (kuat-lemahnya)
hubungan antara variabel bebas X dengan variabel terikat Y, tanpa melihat bentuk
hubungannya, apakah linear atau tan-linear. Kuat lemahnya korelasi dapat dilihat dari
koefisien korelasinya
(Wirawan, 2016).
2.16.2 Jenis Jenis Korelasi
a. Korelasi Linear (Bivariat)

Kolerasi Linear Sederhana Korelasi linear sederhana merupakan suatu teknik
statistik yang digunakan untuk menugukur hubungan antara dua variabel dan juga untuk
dapat mengetahui bentuk hubungan keduanya dengan hasil yang bersifat kuantitatif.
b. Korelasi Linear Berganda (Multivariat)
Korelasi Linear Berganda Korelasi linear ganda merupakan angka yang
menunjukkan arah dan kuatnya hubungan antara dua variabel secara bersama-sama atau
lebih dengan variabel yang lain yang disebut koefisien korelasi ganda dan biasanya
disimbolkan dengan R.
c. Korelasi Pearson
Korelasi Pearson (Product Moment) adalah salah satu teknik korelasi yang
digunakan untuk mengetahui hubungan antara dua variabel. Teknik korelasi ini
dikembangkan oleh Karl Pearson. Disebut Product Moment Correlation, karena angka
korelasinya merupakan hasil perkalian atau product dari moment-moment variabel yang
dikorelasikan (Product of the Moment).
d. Korelasi Rank/Spearman
Korelasi Rank/Spearman Teknik korelasi Rank/Spearman digunakan apabila data
yang diteliti merupakan data ordinal. Berbeda halnya dengan korelasi Pearson (product
moment) yang didasarkan atas hubungan linear maka korelasi Rank/Spearman tidak
memperhatikan hubungan linear antara kedua variabel yang dicari korelasinya.
e. Korelasi Kendall’s Tau
Korelasi Kendall’s Tau digunakan untuk menganalisis korelasi antara data ordinal
dengan data ordinal.
f. Korelasi Parsial
Korelasi parsial digunakan apabila dua variabel yang sedang diselidiki korelasi
terdiri dari variabel deskrit dan masin-masing hanya terdiri dari dua kategori misalnya
laki-laki perempuan, hidup-mati, lulus-tidak lulus, dan lain-lain.
g. Korelasi Kontigensi
Korelasi Kontigensi (KK) digunakan untuk menyelidiki hubungan antara dua
variabel yang masing-masing variabel dinyatakan dalam bentuk kualitatif.
h. Korelasi Poin Berserial
Korelasi point biserial digunakan apabila dua variabel yang akan dicari korelasi
terdiri dari variabel minimal deksrit (terbagi dua) dan variabel interval/rasio.
i. Korelasi Kanonik
Korelasi kanonik fokus pada korelasi antara kombinasi linear dan himpunan
variabel dependen y’= (y1,y2,...yp) dengan kombinasi linear dari himpunan variabel
independen x’= (x1,x2,...xq). Ide analisis ini adalah menentukan pasangan dari
kombinasi linear ini yang memiliki korelasi terbesar
(Ananda & Fadhli, 2018).
2.17 Koefisien Determinasi
2.17.1 Definisi
Menurut Sugiyono, Koefisien determinasi ialah suatu parameter yang

menunjukkan seberapa banyak variasi yang dapat dijelaskan oleh model. Nilai koefisien
determinasi dapat menunjukkan seberapa signifikan atau sesuai hubungan antara
variabel bebas dan variabel tak bebas dalam regresi linier. Dalam model regresi,
koefisien determinasi () mengukur keragaman atau informasi dalam variabel Y yang
dihasilkan oleh model. Rentang nilai koefisien determinasi adalah 0 hingga 1, dan ketika
dikalikan 100%, menunjukkan persentase keragaman dalam variabel Y yang dapat
dijelaskan oleh model regresi. Semakin besar nilai , semakin baik model regresi yang
dihasilkan. Koefisien determinasi juga dapat digunakan sebagai indikator seberapa
banyak variasi yang dapat dijelaskan dalam model, dan nilai ini dapat menunjukkan
tingkat signifikansi atau kesesuaian hubungan antara variabel bebas dan variabel tak
bebas dalam regresi linier.
2.17.2 Tujuan
Uji koefisien determinasi digunakan untuk mengukur seberapa jauh kemampuan

model dalam menerangkan variasi-variabel dependen. Selain itu, uji koefisien
determinasi juga bisa digunakan untuk mengukur seberapa baik garis regresi yang kita
miliki.
2.17.3 Rumus
ΣU2i
R2 = (15)
ΣY2i
Dimana,
R2 = Koefisien Determinan
Ui = Nilai Residual
Yi = Nilai Observasi
(Perdana & Rosadi, 2015).
2.17.4 Contoh
Diketahui sebuah data a = 249, 96; b = -12,43; ∑ Yi = 330; ∑ Yi2 = 24. 100 ; ∑ Xi Yi
̅ = 66 dan n = 5 didapatkan,
= 4.700; Y
̅ )2
a ∑ Yi + b ∑ Xi Yi − n(Y
r2 = ∑ Yi2 − n(Y̅ )2
249,96(330)−12,43(4.700)−5(66)2
r2 =
24.100−5(66)2
8.2486,8−58.421−21.780
r2 =
24.100−21.780
2.285,8
r2 = = 0,98
2320
(Wirawan, 2016).
2.18 Daerah Kritis
Daerah kritis adalah wilayah di sebelah kiri dan/atau kanan kurva distribusi yang
digunakan dalam pengujian hipotesis. Wilayah ini memungkinkan peneliti untuk
menentukan apakah hipotesis nol (H0) harus ditolak atau tidak. Dalam pengujian
hipotesis, hipotesis nol adalah pernyataan yang akan diuji, sementara hipotesis alternatif
(H1) adalah kebalikan dari hipotesis nol Daerah kritis dihitung berdasarkan tingkat
signifikansi dan uji statistik yang digunakan dalam pengujian hipotesis.
2.18.1 Definisi
Daerah kritis merupakan nilai ekstrim yang tidak konsisten sebagaimana yang
ditetapkan dengan taraf signifikansi, membatasi suatu wilayah di bawah kurva normal,
yang dinamakan daerah kritis. Daerah kritis meliputi nilainilai ekstrim pada kedua ujung
distribusi menyatakan besarnya kemungkinan yang tidak konsisten dengan hipotesis
nol, yaitu peristiwa yang paling kecil kemungkinan terjadi jika hipotesis nol diterima.
Jika data dari suatu penelitian menghasilkan nilai yang terletak di daerah kritis, maka
disimpulkan bahwa data tersebut tidak konsisten dengan hipotesis nol, dan hipotesis nol
tersebut ditolak (Lolang, 2015).
2.18.2 Prosedur
Adapun prosedur dari daerah kritis yakni :

a. Merumuskan hipotesis penelitian, yang bertujuan agar dapat dihitung statistik
sampelnya (seperti: rata-rata, proporsi, dsb).
b. Menentukan nilai α dan β yang akan digunakan.
c. Menentukan metode statistik yang digunakan.
d. Menentukan kriteria untuk menolak dan menerima hipotesis nol (H0) sesuai dengan
nilai α yang telah ditentukan pada prosedur nomor 2 di atas.
a. Uji Dua Pihak
1) Hipotesis
Uji hipotesa dua sisi ditulis dengan pernyataan H0 :  = x dan Ha :  ≠ x,
sehingga H0 tidak sama dengan Ha atau terdapat nilai yang lebih besar atau
lebih kecil dari batas kritis.
2) Gambar
Dari gambar di bawah, terdapat dua daerah penolakan hipotesis nol, dan
secara statistik disebut pengujian dua arah atau dua pihak.
Gambar 2 Uji Dua Pihak

Sumber : Hervana (2018)
b. Uji Satu Pihak Untuk Pihak Kiri

1) Hipotesis
Uji hipotesis satu sisi atau one tail dengan pernyataan H0 : 0 = x dan Ha : 0
< x, sehingga H0 lebih kecil dari Ha atau terdapat nilai yang lebih kecil dari
batas kritis. Dari gambar tersebut, terdapat satu daerah penolakan hipotesis
nol di kiri, dansecara statistik disebut pengujian satu arah atau satu pihak.
2) Gambar
Dari gambar tersebut, terdapat satu daerah penolakan hipotesis nol di kiri,
dan secara statistik disebut pengujian satu arah atau satu pihak.
Gambar 3 Uji Satu Pihak Kiri

Sumber : Heryana (2018)
c. Uji Satu Pihak Untuk Pihak Kiri

1) Hipotesis
Uji hipotesis satu sisi atau one tail dengan pernyataan H0 : 0 = x dan Ha : 0
> x, sehingga H0 lebih besar dari Ha atau terdapat nilai yang lebih besar dari
batas kritis.
2) Gambar
Dari gambar di bawah, terdapat satu daerah penolakan hipotesis nol di
kanan, dan secara statistik disebut pengujian satu arah atau satu pihak.
Gambar 4 Uji Satu Pihak Kanan

Sumber : Heryana (2018)
2.19 Diagram Pencar
Daerah kritis adalah wilayah di sebelah kiri dan/atau kanan kurva distribusi yang
digunakan dalam pengujian hipotesis. Wilayah ini memungkinkan peneliti untuk
menentukan apakah hipotesis nol (H0) harus ditolak atau tidak. Dalam pengujian
hipotesis, hipotesis nol adalah pernyataan yang akan diuji, sementara hipotesis alternatif
(H1) adalah kebalikan dari hipotesis nol. Daerah kritis dihitung berdasarkan tingkat
signifikansi dan uji statistik yang digunakan dalam pengujian hipotesis. Tingkat
signifikansi adalah tingkat kesalahan yang dapat diterima dalam menguji hipotesis nol,
sementara uji statistik adalah nilai yang digunakan untuk mengukur seberapa jauh hasil
pengamatan dari nilai hipotesis nol yang diharapkan.
2.19.1 Definisi
Diagram pencar atau disebut juga peta korelasi adalah grafik yang menampilkan
hubungan atara dua variabel apakah hubungan antara dua variabel tersebut kuat atau
tidak, yaitu antara faktor proses yang mempengaruhi proses dengan kualitas produk.
Pada dasarnya diagram sebar merupakan suatu alat interpretasi data yang digunakan
untuk menguji bagaimana kuatnya hubungan antara dua variabel dan menentukan jenis.
2.19.2 Tujuan
Diagram pencar bertujuan untuk mengetahui apakah sebuah variabel memiliki

hubungan yang berbanding lurus atau justru berbanding terbalik. Pada pemanfaatannya,
diagram pencar membutuhkan data berpasangan sebagai bahan baku analisisnya, yaitu
sekumpulan nilai x sebagai faktor yang independen berpasangan dengan sekumpulan
nilai y sebagai faktor dependen Artinya, bahwa setiap nilai x yang didapatkan memberi
dampak pada nilai y .
2.19.3 Jenis-Jenis Diagram Pencar
Bentuk diagram pencar terdiri dari beberapa jenis. Adapun jenis-jenis diagram
pencar yaitu sebagai berikut.
a. Diagram Pencar Linier Positif
Diagram pencar linear ini memiliki hubungan yang saling sejalan dan membentuk
garis lurus dari persamaan yang didapatkan. Dimana apabila nilai X naik maka nilai Y
juga ikut naik.
b. Diagram Pencar Linier Negatif

Diagram pencar ini memiliki hubungan yang terbalik. Dimana apabila nilai
meningkat maka nilai Y menurun. Persamaannya juga membentuk garis lurus.
c. Diagram Pencar Kurva Positif
Keterkaitan dua variabel yang bersifat tidak linear sama seperti diagram pencar
linear positif hanya saja mempunyai pola hubunga kurva linier positif dan menggunakan
persamaan fungsi kuadrat yaitu y = ax2+ bx +c, jika a > 0 maka akan membentuk kurva
positif.
d. Diagram Pencar Kurva Negatif
Keterkaitan dua variabel yang bersifat tidak linear sama seperti diagram pencar linear
negatif hanya saja mempunyai pola hubungan kurva ilinier negatif dan menggunakan
persamaan fungsi kuadrat yaitu y = ax2 + bx+ c, jika a < 0 maka akan membentuk kurva
negatif.
(Safrizal dan Zulaikha, 2021)
BAB III
METODOLOGI PRAKTIKUM
3.1 Objek dan Waktu Praktikum
Adapun subjek atau fenomena yang menjadi fokus penelitian serta waktu
praktikumnya yaitu sebagai berikut :
a. Objek Praktikum
Pada praktikum ini, yang menjadi objek praktikum yaitu pengaruh optimisme
belajar, metode pembelajaran, dan mutu lingkungan sosial terhadap tingkat
prestasi (IPK) mahasiswa Fakultas Pertanian Universitas Hasanuddin.
b. Waktu Praktikum
Praktikum dilaksanakan pada tanggal 30-31 Maret 2022.
3.2 Metode Pengumpulan Data
Adapun beberapa metode pengumpulan data yang digunakan peneliti adalah

sebagai berikut :
a. Angket
Metode pengumpulan data yang diperlukan dengan melakukan pengamatan
secara langsung.
b. Kuesioner
Metode kuesioner adalah pengumpulan data yang didapat dengan memberikan
kertas kuesioner kepada responden penelitian ini.
c. Dokumentasi
Metode pengumpulan data dengan memanfaatkan dokumen (bahan dan
gambar-gambar penting). Adapun dokumen yang dimaksud yaitu berupa data-
data yang berkaitan dengan penelitian ini.
3.3 Alat dan Bahan Praktikum
Adapun beberapa alat dan bahan yang digunakan dalam praktikum adalah sebagai
berikut :
a. Observation sheet, berfungsi sebagai tempat untuk mencatat data yangsudah
diukur.
b. Alat tulis berupa bolpoin ataupun sejenisnya.
c. Kamera ataupun media yang bisa dijadikan sebagai alat dokumentasi.
3.4 Prosedur Praktikum
Adapun beberapa tahapan dalam prosedur praktikum yaitu sebagai berikut :

a. Menyiapkan alat tulis dan observation sheet yang digunakan pada saat
pengambilan data.
b. Meminta tiap responden untuk memberikan penilaian mengenai mengenai
optimisme belajar, metode pembelajaran, mutu lingkungan sosial, dan tingkat
prestasi (IPK).
c. Mencatat setiap pengambilan data pada observation sheet dengan
menggunakan alat tulis yang disediakan hingga mencapai pada 200 data.
d. Melakukan dokumentasi pada saat proses pengambilan data dan data-data yang
berkaitan.
BAB IV
PENGOLAHAN DATA
4.1 Data Responden
Data yang diperoleh dalam penelitian ini berasal dari responden yang mengisi
kuesioner. Kuesioner tersebut diberikan kepada 200 responden yang merupakan
mahasiswa Fakultas Pertanian Universitas Hasanuddin, dengan tujuan untuk
mengetahui tingkat prestasi, optimisme belajar, metode pembelajaran, dan lingkungan
sosial bebas yang berpengaruh pada hasil prestasi mahasiswa (IPK) dengan
menggunakan skala likert 1-5 untuk skala 1 menunjukan sangat tidak setuju dan skala 5
menunjukansangat setuju. Data yang diolah merupakan data yang telah ditambahan tiga
(+3) dari data asli. Berikut adalah hasil data dari kuesioner yang telah terkumpul.
Tabel 4 Data Responden
Y X1 X2 X3
No
(Tingkat Prestasi) (Optimisme Belajar) (Metode Pembelajaran) (Mutu Lingkungan Sosial)
1 6 7 8 8
2 7 6 8 7
3 6 7 6 7
4 7 7 8 8
5 6 6 8 8
6 6 7 8 7
7 7 6 8 7
8 6 6 4 8
9 6 7 7 7
10 7 7 6 8
11 8 6 7 7
12 7 7 6 7
13 7 7 7 7
14 7 6 6 6
15 7 7 7 8
16 6 7 8 6
17 7 6 5 8
18 6 6 7 8
19 6 6 7 6
20 6 6 7 7
21 6 6 7 4
22 7 7 7 8
Lanjutan Tabel 4 Data Responden

Y X1 X2 X3
No
23 6 6 5 7
24 6 7 6 8
25 6 7 7 6
26 7 6 7 8
27 5 5 6 7
28 7 5 7 8
29 8 6 7 7
30 4 5 4 7
31 5 6 4 8
32 8 6 7 6
33 6 7 7 7
34 6 6 7 7
35 7 5 6 6
36 7 7 6 8
37 8 5 7 8
38 6 7 8 7
39 7 6 7 7
40 7 7 8 8
41 7 8 8 8
42 7 7 6 6
43 6 7 7 7
44 8 8 8 8
45 6 7 5 7
46 5 7 8 7
47 7 6 7 7
48 7 6 8 6
49 6 5 6 7
50 5 5 7 6
51 6 6 6 6
52 6 6 8 6
53 6 7 8 7
54 4 4 4 4
55 6 5 8 6
56 7 6 7 7
57 7 6 7 6
58 7 7 7 6
59 7 7 7 8
60 7 7 7 6
61 8 7 8 8

Y X1 X2 X3
No
62 6 7 7 8
63 6 5 5 6
64 7 6 7 6
65 7 7 7 7
66 5 6 6 6
67 8 8 6 6
68 7 8 7 7
69 6 5 8 6
70 4 5 7 6
71 6 6 6 6
72 6 6 4 5
73 7 7 6 7
74 6 6 4 6
75 6 6 7 5
76 5 4 6 5
77 7 7 6 6
78 8 7 7 8
79 8 7 7 6
80 7 6 6 8
81 6 6 6 8
82 6 6 7 6
83 6 6 6 6
84 8 8 8 6
85 6 6 6 6
86 7 6 8 7
87 6 6 6 6
88 7 7 8 8
89 5 8 5 5
90 6 5 6 5
91 5 4 6 7
92 6 6 5 6
93 5 4 4 4
94 7 6 7 7
95 7 7 7 6
96 7 5 7 8
97 7 6 5 7
98 6 6 6 5
99 6 6 6 6
100 6 5 6 5

Y X1 X2 X3
No
101 7 6 7 7
102 7 7 7 7
103 7 6 6 6
104 7 7 7 6
105 7 7 6 7
106 8 6 7 8
107 5 5 6 5
108 7 6 6 6
109 7 7 8 8
110 8 7 6 8
111 6 6 7 7
112 7 6 8 8
113 6 6 5 7
114 6 6 7 7
115 7 7 5 8
116 7 6 7 6
117 6 6 7 7
118 8 8 8 8
119 7 6 5 6
120 6 6 8 8
121 7 7 5 6
122 7 6 7 8
123 7 7 7 6
124 7 6 6 8
125 7 6 6 7
126 7 5 8 7
127 7 6 6 7
128 6 7 7 6
129 6 6 6 6
130 7 8 8 8
131 6 7 7 7
132 6 6 8 7
133 7 6 7 7
134 8 8 8 8
135 7 7 7 7
136 5 6 8 6
137 7 5 8 7
138 6 7 8 6
139 7 6 6 8

Y X1 X2 X3
No
140 6 6 6 6
141 6 7 7 6
142 6 7 8 6
143 4 6 4 8
144 7 8 8 6
145 6 8 8 8
146 7 6 7 6
147 7 6 7 7
148 5 6 5 5
149 7 6 6 6
150 7 6 7 6
151 5 6 6 7
152 6 6 7 6
153 5 6 8 6
154 7 6 6 6
155 4 4 4 4
156 5 7 7 7
157 5 7 6 7
158 6 7 7 7
159 7 8 8 8
160 4 6 7 5
161 7 6 6 7
162 5 6 6 5
163 8 8 7 6
164 6 7 8 6
165 7 7 7 8
166 7 8 7 6
167 7 8 7 7
168 6 7 6 6
169 7 7 5 6
170 6 6 6 6
171 5 6 7 7
172 7 7 8 6
173 7 6 6 6
174 6 7 6 8
175 7 6 4 8
176 6 7 7 8
177 6 7 7 6
178 6 7 7 7

Y X1 X2 X3
No
179 8 6 7 6
180 6 6 7 7
181 7 8 7 7
182 7 7 8 7
183 6 7 7 6
184 7 7 6 5
185 6 6 8 6
186 5 6 5 6
187 7 7 6 7
188 7 8 7 8
189 5 6 7 6
190 7 6 7 7
191 6 5 6 5
192 6 6 8 7
193 7 7 6 7
194 7 7 7 7
195 7 6 6 8
196 5 7 8 7
197 6 6 5 5
198 6 6 7 5
199 7 8 6 7
200 7 8 6 5
201 7 6 6 6
202 7 7 7 6
203 6 6 6 6
204 7 6 6 7
205 5 6 6 7
206 5 6 6 7
207 7 6 7 5
208 6 4 6 7
209 6 6 7 6
210 7 6 6 7
211 6 6 7 7
(Sumber : Penulis, diolah menggunakan software excel, 2023)
4.2 Uji Normalitas
Prosedur uji normalitas dilaksanakan untuk menentukan apakah distribusi data

tersebut bersifat normal atau tidak. Uji normalitas diterapkan pada empat jenis data,
yaitu data Y yang mengindikasikan tingkat prestasi, data X1 yang menggambarkan
optimisme belajar, data X2 yang menunjukkan metode pembelajaran, dan data X3 yang
mencerminkan mutu lingkungan sosial. Cara-cara untuk melaksanakan uji normalitas
ini menggunakan program aplikasi SPSS.
a. Pertama, membuka aplikasi SPSS.
Gambar 5 Membuka Aplikasi SPSS

Sumber : Data Diolah Oleh Penulis (2023)
b. Kedua, Masukkan nama dan variable pada menu variable view serta merubah
ukuran decimal menjadi 0 serta mengubah measure menjadi scale.
Gambar 6 Memasukan Variable

c. Ketiga, ketuk menu data view dan muncul variable yang dimasukkan pada variable
view dan masukkan datanya sesuai dengan data yang diperoleh.
Gambar 7 Memasukkan Data

d. Keempat, pilih menu Analyze > Regression > Linear.
Gambar 8 Membuka Submenu Linear

e. Kelima, memasukkan variabel Y ke dependent dan variabel X1, X2 dan X3 ke

independent.
Gambar 9 Pengaturan Submenu Linear

f. Keenam, kemudian pilih plots > Masukan kode *SRESID pada Y dan *ZPRED pada
X, kemudian Next > lalu masukan kode *ZPRED pada Y dan kode DEPENDNT
pada X, kemudian klik Continue.
Gambar 10 Pengaturan Pada Plots Linear

g. Ketujuh, kemudian pilih Save > Centang Unstandardized pada menu Residuals lalu
klik Continue.
Gambar 11 Pengaturan Pada Save Linear

h. Kedelapan, kemudian akan muncul nilai Residual pada kolom RES_1.
Gambar 12 Nilai Residual

i. Kesembilan, selanjutnya melakukan uji normalitas Kolmogorov-smirnof dengan

memilih menu Analyze > Nonparametric Tests > Legacy Dialogs > 1- Sample K-S.
Gambar 13 Memilih Submenu 1-Sample K-S

j. Kesepuluh, memasukkan variabel Unstandardized Residuals ke kotak Test

Variable List dan mencentang pilihan Normal lalu pilih Simulation (K).
Gambar 5 Memasukan Variabel Unstandardized Residuals

k. Kesebelas, kemudian pilih Exact > tandai fitur Monte Carlo, lalu klik Continue.
Gambar 6 Memilih Fitur Monte Carlo

l. Terakhir, Setelah itu akan muncul hasil seperti berikut.
Gambar 7 Uji Normalitas Y, X1, X2, X3

Berdasarkan Gambar 12 diperoleh nilai Sig. pada uji normalitas untuk keempat data yaitu
variabel Y, X1, X2, dan X3 sebesar 0,293. Pada uji normalitas ini, digunakan fitur metode
Monte Carlo dikarenakan fitur Monte Carlo lebih cocok diterapkan untuk data dengan
jumlah yang banyak seperti pada pengujian kali ini. Berdasarkan hasil yang diperoleh, dapat
dilihat bahwa data memiliki nilai sig. diatas 0,293 > 0,05 yang menandakan bahwa data
tersebut terdistribusi normal.
4.3 Pengujian Data Statistik
Pengujian data statistik adalah proses untuk menguji keabsahan suatu hipotesis
yang diperoleh dari data statistik. Pengujian data statistik sering digunakan dalam
penelitian ilmiah untuk membuktikan atau menolak hipotesis tertentu. Berikut
merupakan pengujian statistik yang digunakan.
4.3.1 Regresi dan Korelasi
Regresi dan korelasi adalah dua konsep dasar dalam statistika yang digunakan
untuk mengukur hubungan antara dua atau lebih variabel. Regresi mengacu pada
penggunaan model matematika untuk memprediksi nilai variabel dependen berdasarkan
nilai variabel independen, sedangkan korelasi mengukur seberapa kuat hubungan linier
antara dua variabel. Berikut merupakan hasil dari perhitungan regresi dan korelasi.
a. Tabel Perhitungan Regresi dan Korelasi
Tabel 5 Perhitungan Regresi dan Korelasi
No Y X1 X2 X3 𝐗 𝟐𝟏 𝐗 𝟐𝟐 𝐗 𝟐𝟑 X 1X 2 X1X3 X2X3 X 1Y X2Y X3Y
1 6 7 8 8 49 64 64 56 56 64 42 48 48
2 7 6 8 7 36 64 49 48 42 56 42 56 49
3 6 7 6 7 49 36 49 42 49 42 42 36 42
4 7 7 8 8 49 64 64 56 56 64 49 56 56
5 6 6 8 8 36 64 64 48 48 64 36 48 48
6 6 7 8 7 49 64 49 56 49 56 42 48 42
7 7 6 8 7 36 64 49 48 42 56 42 56 49
8 6 6 4 8 36 16 64 24 48 32 36 24 48
9 6 7 7 7 49 49 49 49 49 49 42 42 42
10 7 7 6 8 49 36 64 42 56 48 49 42 56
11 8 6 7 7 36 49 49 42 42 49 48 56 56
12 7 7 6 7 49 36 49 42 49 42 49 42 49
13 7 7 7 7 49 49 49 49 49 49 49 49 49
14 7 6 6 6 36 36 36 36 36 36 42 42 42
15 7 7 7 8 49 49 64 49 56 56 49 49 56
16 6 7 8 6 49 64 36 56 42 48 42 48 36
17 7 6 5 8 36 25 64 30 48 40 42 35 56
18 6 6 7 8 36 49 64 42 48 56 36 42 48
19 6 6 7 6 36 49 36 42 36 42 36 42 36
20 6 6 7 7 36 49 49 42 42 49 36 42 42
21 6 6 7 4 36 49 16 42 24 28 36 42 24
22 7 7 7 8 49 49 64 49 56 56 49 49 56
23 6 6 5 7 36 25 49 30 42 35 36 30 42
24 6 7 6 8 49 36 64 42 56 48 42 36 48
25 6 7 7 6 49 49 36 49 56 42 42 42 36

No Y X1 X2 X3 𝐗 𝟐𝟏 𝐗 𝟐𝟐 𝐗 𝟐𝟑 X 1X 2 X1X3 X2X3 X1Y X2Y X3Y
26 7 6 7 8 36 49 64 42 42 56 42 49 56
27 5 5 6 7 25 36 49 30 48 42 25 30 35
28 7 5 7 8 25 49 64 35 35 56 35 49 56
29 8 6 7 7 36 49 49 42 40 49 48 56 56
30 4 5 4 7 25 16 49 20 42 28 20 16 28
31 5 6 4 8 36 16 64 24 35 32 30 20 40
32 8 6 7 6 36 49 36 42 48 42 48 56 48
33 6 7 7 7 49 49 49 49 36 49 42 42 42
34 6 6 7 7 36 49 49 42 49 49 36 42 42
35 7 5 6 6 25 36 36 30 42 36 35 42 42
36 7 7 6 8 49 36 64 42 30 48 49 42 56
37 8 5 7 8 25 49 64 35 56 56 40 56 64
38 6 7 8 7 49 64 49 56 40 56 42 48 42
39 7 6 7 7 36 49 49 42 49 49 42 49 49
40 7 7 8 8 49 64 64 56 42 64 49 56 56
41 7 8 8 8 64 64 64 64 56 64 56 56 56
42 7 7 6 6 49 36 36 42 64 36 49 42 42
43 6 7 7 7 49 49 49 49 42 49 42 42 42
44 8 8 8 8 64 64 64 64 49 64 64 64 64
45 6 7 5 7 49 25 49 35 64 35 42 30 42
46 5 7 8 7 49 64 49 56 49 56 35 40 35
47 7 6 7 7 36 49 49 42 49 49 42 49 49
48 7 6 8 6 36 64 36 48 42 48 42 56 42
49 6 5 6 7 25 36 49 30 36 42 30 36 42
50 5 5 7 6 25 49 36 35 35 42 25 35 30
51 6 6 6 6 36 36 36 36 30 36 36 36 36
52 6 6 8 6 36 64 36 48 36 48 36 48 36
53 6 7 8 7 49 64 49 56 36 56 42 48 42
54 4 4 4 4 16 16 16 16 49 16 16 16 16
55 6 5 8 6 25 64 36 40 16 48 30 48 36
56 7 6 7 7 36 49 49 42 30 49 42 49 49
57 7 6 7 6 36 49 36 42 42 42 42 49 42
58 7 7 7 6 49 49 36 49 36 42 49 49 42
59 7 7 7 8 49 49 64 49 42 56 49 49 56
60 7 7 7 6 49 49 36 49 56 42 49 49 42
61 8 7 8 8 49 64 64 56 42 64 56 64 64
62 6 7 7 8 49 49 64 49 56 56 42 42 48
63 6 5 5 6 25 25 36 25 56 30 30 30 36
64 7 6 7 6 36 49 36 42 30 42 42 49 42
65 7 7 7 7 49 49 49 49 36 49 49 49 49
66 5 6 6 6 36 36 36 36 49 36 30 30 30
67 8 8 6 6 64 36 36 48 36 36 64 48 48
68 7 8 7 7 64 49 49 56 48 49 56 49 49
69 6 5 8 6 25 64 36 40 56 48 30 48 36
70 4 5 7 6 25 49 36 35 30 42 20 28 24
71 6 6 6 6 36 36 36 36 30 36 36 36 36
72 6 6 4 5 36 16 25 24 36 20 36 24 30

73 7 7 6 7 49 36 49 42 30 42 49 42 49
74 6 6 4 6 36 16 36 24 49 24 36 24 36
75 6 6 7 5 36 49 25 42 36 35 36 42 30
76 5 4 6 5 16 36 25 24 30 30 20 30 25
77 7 7 6 6 49 36 36 42 20 36 49 42 42
78 8 7 7 8 49 49 64 49 42 56 56 56 64
79 8 7 7 6 49 49 36 49 56 42 56 56 48
80 7 6 6 8 36 36 64 36 42 48 42 42 56
81 6 6 6 8 36 36 64 36 48 48 36 36 48
82 6 6 7 6 36 49 36 42 48 42 36 42 36
83 6 6 6 6 36 36 36 36 36 36 36 36 36
84 8 8 8 6 64 64 36 64 36 48 64 64 48
85 6 6 6 6 36 36 36 36 48 36 36 36 36
86 7 6 8 7 36 64 49 48 36 56 42 56 49
87 6 6 6 6 36 36 36 36 42 36 36 36 36
88 7 7 8 8 49 64 64 56 36 64 49 56 56
89 5 8 5 5 64 25 25 40 56 25 40 25 25
90 6 5 6 5 25 36 25 30 40 30 30 36 30
91 5 4 6 7 16 36 49 24 25 42 20 30 35
92 6 6 5 6 36 25 36 30 28 30 36 30 36
93 5 4 4 4 16 16 16 16 36 16 20 20 20
94 7 6 7 7 36 49 49 42 16 49 42 49 49
95 7 7 7 6 49 49 36 49 42 42 49 49 42
96 7 5 7 8 25 49 64 35 42 56 35 49 56
97 7 6 5 7 36 25 49 30 40 35 42 35 49
98 6 6 6 5 36 36 25 36 42 30 36 36 30
99 6 6 6 6 36 36 36 36 30 36 36 36 36
100 6 5 6 5 25 36 25 30 36 30 30 36 30
101 7 6 7 7 36 49 49 42 25 49 42 49 49
102 7 7 7 7 49 49 49 49 42 49 49 49 49
103 7 6 6 6 36 36 36 36 49 36 42 42 42
104 7 7 7 6 49 49 36 49 36 42 49 49 42
105 7 7 6 7 49 36 49 42 42 42 49 42 49
106 8 6 7 8 36 49 64 42 49 56 48 56 64
107 5 5 6 5 25 36 25 30 48 30 25 30 25
108 7 6 6 6 36 36 36 36 25 36 42 42 42
109 7 7 8 8 49 64 64 56 36 64 49 56 56
110 8 7 6 8 49 36 64 42 56 48 56 48 64
111 6 6 7 7 36 49 49 42 56 49 36 42 42
112 7 6 8 8 36 64 64 48 42 64 42 56 56
113 6 6 5 7 36 25 49 30 48 35 36 30 42
114 6 6 7 7 36 49 49 42 42 49 36 42 42
115 7 7 5 8 49 25 64 35 42 40 49 35 56
116 7 6 7 6 36 49 36 42 56 42 42 49 42
117 6 6 7 7 36 49 49 42 36 49 36 42 42
118 8 8 8 8 64 64 64 64 42 64 64 64 64
119 7 6 5 6 36 25 36 30 64 30 42 35 42

120 6 6 8 8 36 64 64 48 36 64 36 48 48
121 7 7 5 6 49 25 36 35 48 30 49 35 42
122 7 6 7 8 36 49 64 42 42 56 42 49 56
123 7 7 7 6 49 49 36 49 48 42 49 49 42
124 7 6 6 8 36 36 64 36 42 48 42 42 56
125 7 6 6 7 36 36 49 36 48 42 42 42 49
126 7 5 8 7 25 64 49 40 42 56 35 56 49
127 7 6 6 7 36 36 49 36 35 42 42 42 49
128 6 7 7 6 49 49 36 49 42 42 42 42 36
129 6 6 6 6 36 36 36 36 42 36 36 36 36
130 7 8 8 8 64 64 64 64 36 64 56 56 56
131 6 7 7 7 49 49 49 49 64 49 42 42 42
132 6 6 8 7 36 64 49 48 49 56 36 48 42
133 7 6 7 7 36 49 49 42 42 49 42 49 49
134 8 8 8 8 64 64 64 64 42 64 64 64 64
135 7 7 7 7 49 49 49 49 64 49 49 49 49
136 5 6 8 6 36 64 36 48 49 48 30 40 30
137 7 5 8 7 25 64 49 40 36 56 35 56 49
138 6 7 8 6 49 64 36 56 35 48 42 48 36
139 7 6 6 8 36 36 64 36 42 48 42 42 56
140 6 6 6 6 36 36 36 36 48 36 36 36 36
141 6 7 7 6 49 49 36 49 36 42 42 42 36
142 6 7 8 6 49 64 36 56 42 48 42 48 36
143 4 6 4 8 36 16 64 24 42 32 24 16 32
144 7 8 8 6 64 64 36 64 48 48 56 56 42
145 6 8 8 8 64 64 64 64 48 64 48 48 48
146 7 6 7 6 36 49 36 42 64 42 42 49 42
147 7 6 7 7 36 49 49 42 36 49 42 49 49
148 5 6 5 5 36 25 25 30 42 25 30 25 25
149 7 6 6 6 36 36 36 36 30 36 42 42 42
150 7 6 7 6 36 49 36 42 36 42 42 49 42
151 5 6 6 7 36 36 49 36 36 42 30 30 35
152 6 6 7 6 36 49 36 42 42 42 36 42 36
153 5 6 8 6 36 64 36 48 36 48 30 40 30
154 7 6 6 6 36 36 36 36 36 36 42 42 42
155 4 4 4 4 16 16 16 16 36 16 16 16 16
156 5 7 7 7 49 49 49 49 16 49 35 35 35
157 5 7 6 7 49 36 49 42 49 42 35 30 35
158 6 7 7 7 49 49 49 49 49 49 42 42 42
159 7 8 8 8 64 64 64 64 49 64 56 56 56
160 4 6 7 5 36 49 25 42 64 35 24 28 20
161 7 6 6 7 36 36 49 36 30 42 42 42 49
162 5 6 6 5 36 36 25 36 42 30 30 30 25
163 8 8 7 6 64 49 36 56 30 42 64 56 48
164 6 7 8 6 49 64 36 56 48 48 42 48 36
165 7 7 7 8 49 49 64 49 42 56 49 49 56
166 7 8 7 6 64 49 36 56 56 42 56 49 42

167 7 8 7 7 64 49 49 56 48 49 56 49 49
168 6 7 6 6 49 36 36 42 56 36 42 36 36
169 7 7 5 6 49 25 36 35 42 30 49 35 42
170 6 6 6 6 36 36 36 36 42 36 36 36 36
171 5 6 7 7 36 49 49 42 36 49 30 35 35
172 7 7 8 6 49 64 36 56 42 48 49 56 42
173 7 6 6 6 36 36 36 36 42 36 42 42 42
174 6 7 6 8 49 36 64 42 36 48 42 36 48
175 7 6 4 8 36 16 64 24 56 32 42 28 56
176 6 7 7 8 49 49 64 49 48 56 42 42 48
177 6 7 7 6 49 49 36 49 56 42 42 42 36
178 6 7 7 7 49 49 49 49 42 49 42 42 42
179 8 6 7 6 36 49 36 42 49 42 48 56 48
180 6 6 7 7 36 49 49 42 36 49 36 42 42
181 7 8 7 7 64 49 49 56 42 49 56 49 49
182 7 7 8 7 49 64 49 56 56 56 49 56 49
183 6 7 7 6 49 49 36 49 49 42 42 42 36
184 7 7 6 5 49 36 25 42 42 30 49 42 35
185 6 6 8 6 36 64 36 48 35 48 36 48 36
186 5 6 5 6 36 25 36 30 36 30 30 25 30
187 7 7 6 7 49 36 49 42 36 42 49 42 49
188 7 8 7 8 64 49 64 56 49 56 56 49 56
189 5 6 7 6 36 49 36 42 64 42 30 35 30
190 7 6 7 7 36 49 49 42 36 49 42 49 49
191 6 5 6 5 25 36 25 30 42 30 30 36 30
192 6 6 8 7 36 64 49 48 25 56 36 48 42
193 7 7 6 7 49 36 49 42 42 42 49 42 49
194 7 7 7 7 49 49 49 49 49 49 49 49 49
195 7 6 6 8 36 36 64 36 49 48 42 42 56
196 5 7 8 7 49 64 49 56 48 56 35 40 35
197 6 6 5 5 36 25 25 30 49 25 36 30 30
198 6 6 7 5 36 49 25 42 30 35 36 42 30
199 7 8 6 7 64 36 49 48 30 42 56 42 49
200 7 8 6 5 64 36 25 48 56 30 56 42 35
201 7 6 6 6 36 36 36 36 40 36 42 42 42
202 7 7 7 6 49 49 36 49 36 42 49 49 42
203 6 6 6 6 36 36 36 36 42 36 36 36 36
204 7 6 6 7 36 36 49 36 36 42 42 42 49
205 5 6 6 7 36 36 49 36 42 42 30 30 35
206 5 6 6 7 36 36 49 36 42 42 30 30 35
207 7 6 7 5 36 49 25 42 42 35 42 49 35
208 6 4 7 5 16 49 25 28 30 35 24 42 30
209 6 6 7 7 36 49 49 42 20 49 36 42 42
210 7 6 8 7 36 64 49 48 42 56 42 56 49
211 6 6 7 5 36 49 25 42 42 35 36 42 30
∑ 1354 1342 1401 1403 8694 9529 9533 8969 8980 9366 8676 9045 9064
b. Regresi
1) Persamaan Matriks
n Σx1 Σx2 Σx3 a ΣY
Σx1 Σx12 ΣX1 X2 ΣX1 X3 b ΣX1 Y
{ ΣX2 X3 } { c } = {ΣX2 Y}
Σx2 ΣX1 X2 Σx22
Σx3 ΣX1 X3 ΣX2 X3 Σx32 d ΣX3 Y
211 1342 1401 1403 a 1354
1342 8694 8986 8980 b
{ } { } = {8676}
1401 8969 9529 9366 c 9045
1403 8980 9366 9533 d 9064
2) Perhitungan Persamaan Matriks
n Σx1 Σx2 Σx3
Σx1 Σx12 ΣX1 X2 ΣX1 X3
A={ ΣX2 X3 }
Σx2 ΣX1 X2 Σx22
Σx3 ΣX1 X3 ΣX2 X3 Σx32
211 1342 1401 1403
1342 8694 8986 8980
A={ }
1401 8969 9529 9366
1403 8980 9366 9533
Det A = 1200474392
1354 1342 1401 1403
8676 8694 8986 8980
A1 = { }
9045 8969 9529 9366
9064 8980 9366 9533
ΣY Σx1 Σx2 Σx3
Σx1 Y Σx12 ΣX1 X2 ΣX1 X3
A1 = { ΣX2 X3 }
Σx2 Y ΣX1 X2 Σx22
Σx3 Y ΣX1 X3 ΣX2 X3 Σx32
Det A1 = 3055188870
n ΣY Σx2 Σx3
Σx1 Σx1 Y ΣX1 X2 ΣX1 X3
A2 = {Σx ΣX2 Y ΣX2 X3 }
2 Σx22
Σx3 ΣX3 Y ΣX 2 X3 Σx32
211 1354 1401 1403
1342 8676 8986 8980
A2 = { }
1401 9045 9529 9366
1403 9064 9366 9533
Det A2 = 332294830
n Σx1 ΣY Σx3
Σx1 Σx12 Σx1 Y ΣX1 X 3
A3 = { }
Σx2 ΣX1 X2 ΣX2 Y ΣX2 X3
Σx3 ΣX1 X3 ΣX3 Y Σx32
211 1342 1354 1403
1342 8694 8676 8980
A3 = { }
1401 8969 9045 9366
1403 8980 9064 9533
Det A3 = 153507952
n Σx1 Σx2 ΣY
Σx1 Σx12 ΣX1 X2 Σx1 Y
A4 = { }
Σx2 ΣX1 X2 Σx22 ΣX2 Y
Σx3 ΣX1 X3 ΣX2 X3 ΣX3 Y
211 1342 1401 1354
1342 8694 8986 8676
A4 = { }
1401 8969 9529 9045
1403 8980 9366 9064
Det A4 = 227935262
3) Perhitungan Persamaan Regresi
det A1
a=
det A
3055188870
a=
1200474392
a = 2,544
det A 2
b=
det A
332294830
b=
1200474392
b = 0,276
det A 3
c=
det A
153507952
c=
1200474392
c = 0,122
det A 4
d=
det A
227935262
d=
1200474392
d = 0,189
Jadi, diperoleh persamaan regresi yaitu :
Y = a ± b1 X1 ± b2 X2 ± b3 X3
Y = 2,544 ± 0,276X1 ± 0,122X 2 ± 0,189X3
c. Korelasi
1) Korelasi Parsial
nΣX1 Y − (ΣX1 )(ΣY)
rX1 Y =
√[nΣX12 − (ΣX1 )2 ][nΣY 2 − (ΣY)2 ]
211(8676) − (1342)(1354)
rX1 Y =
√[211(8694) − (1342)2 ][211(13542 ) − (1354)2 ]
rX1 Y = 0,003
rX2 Y =
√[nΣX22 − (ΣX2 )2 ][nΣY 2 − (ΣY)2 ]
211(9045) − (1401)(1354)
rX2 Y =
√[211(9529) − (1401)2 ][211(13542 ) − (1354)2 ]
rX2 Y = 0,002
rX3 Y =
√[nΣX32 − (ΣX3 )2 ][nΣY 2 − (ΣY)2 ]
211(9064) − (1403)(1354)
rX3 Y =
√[211(9533) − (1403)2 ][211(13542 ) − (1354)2 ]
rX3 Y = 0,003
(ΣX1 )(ΣY)
Σx1 y = ΣX1 Y −
n
(1342)(1354)
Σx1 y = 8676 −
211
Σx1 y = 64,303
(ΣX2 )(ΣY)
Σx2 y = ΣX2 Y −
n
(1401)(1354)
Σx2 y = 9045 −
211
Σx2 y = 54,696
(ΣX3 )(ΣY)
Σx3 y = ΣX3 Y −
n
(1403)(1354)
Σx3 y = 9064 −
211
Σx3 y = 60,862
(ΣY)2
Σy 2 = ΣY 2 −
n
(1354)2
Σy 2 = 13542 −
211
Σy 2 = 1824627
b1 Σx1 y + b2 Σx2 y + b3 Σx3 y

rX1 X2 X3 = √
Σy 2
(0,276)(64,30) + (0,122)(54,69) + (0,189)(60,86)

rX1 X2 X3 = √
1824627
rX1 X2 X3 = 0,004
2) Perhitungan Korelasi Berganda
rx1 y 2 + rx2 y 2 + rx3 y 2 − 2rx1 y. rx2 y. rx3 y. rX1 X2 X3

rX1 X2 X3 Y = √
1 − (rX1 X2 X3 )2
(0,003)2 + (0,002)2 + (0,003)2 − 2(0,003). (0,002). (0,003). (0,004)

rX1 X2 X3 Y = √
1 − (0,004)2
rX1 X2 X3 Y = 0,004
3) Kesimpulan
Nilai korelasi parsial berkisar pada −1 ≤ rxy ≤ 1. Dari hasil perolehan data
diperoleh nilai 0,004 yang dimana nilai mendekati 1 yang berarti korelasi
antara variabel ujinya lemah.
4.3.2 Uji-T dan Uji ANOVA
a. Tabel Perhitungan Uji-T dan Uji ANOVA

Tabel 6 Perhitungan Uji T dan Uji ANOVA
𝟐
No Y X1 X2 X3 𝐗 𝟐𝟏 𝐗 𝟐𝟐 𝐗 𝟐𝟑 ̂
𝐘 ̂)
(𝐘 − 𝐘 ̂)
(𝐘 − 𝐘 ̂−𝐘
(𝐘 ̅) ̂−𝐘
(𝐘 ̅)𝟐
1 6 7 8 8 49 64 64 -1.025 7.025 49.356 -7.442 55.39
2 7 6 8 7 36 64 49 0.454 6.546 42.852 0.454 0.206
3 6 7 6 7 49 36 49 -0.59 6.59 43.431 -0.59 0.348
4 7 7 8 8 49 64 64 -0.025 7.025 49.356 -0.025 0.001
5 6 6 8 8 36 64 64 -0.732 6.732 45.324 -0.732 0.536
6 6 7 8 7 49 64 49 -0.839 6.839 46.775 -0.839 0.704
7 7 6 8 7 36 64 49 0.454 6.546 42.852 0.454 0.206
8 6 6 4 8 36 16 64 -0.234 6.234 38.867 -0.234 0.055
9 6 7 7 7 49 49 49 -0.715 6.715 45.087 -0.715 0.511
10 7 7 6 8 49 36 64 0.224 6.776 45.919 0.224 0.05
11 8 6 7 7 36 49 49 1.578 6.422 41.238 1.578 2.491
12 7 7 6 7 49 36 49 0.41 6.59 43.431 0.41 0.168
13 7 7 7 7 49 49 49 0.285 6.715 45.087 0.285 0.081
14 7 6 6 6 36 36 36 0.889 6.111 37.344 0.889 0.79
15 7 7 7 8 49 49 64 0.099 6.901 47.622 0.099 0.01
16 6 7 8 6 49 64 36 -0.653 6.653 44.263 -0.653 0.426
17 7 6 5 8 36 25 64 0.641 6.359 40.435 0.641 0.411
18 6 6 7 8 36 49 64 -0.608 6.608 43.663 -0.608 0.369
19 6 6 7 6 36 49 36 -0.235 6.235 38.881 -0.235 0.055
20 6 6 7 7 36 49 49 -0.422 6.422 41.238 -0.422 0.178
21 6 6 7 4 36 49 16 0.137 5.863 34.376 0.137 0.019
22 7 7 7 8 49 49 64 0.099 6.901 47.622 0.099 0.01
23 6 6 5 7 36 25 49 -0.173 6.173 38.101 -0.173 0.03
24 6 7 6 8 49 36 64 -0.776 6.776 45.919 -0.776 0.603
25 6 7 7 6 49 49 36 -0.529 6.529 42.622 -0.529 0.279
26 7 6 7 8 36 49 64 0.392 6.608 43.663 0.392 0.154
27 5 5 6 7 25 36 49 -1.004 6.004 36.049 -1.004 1.008
28 7 5 7 8 25 49 64 0.685 6.315 39.876 0.685 0.47
29 8 6 7 7 36 49 49 1.578 6.422 41.238 1.578 2.491
30 4 5 4 7 25 16 49 -1.755 5.755 33.121 -1.755 3.08
31 5 6 4 8 36 16 64 -1.234 6.234 38.867 -1.234 1.524
32 8 6 7 6 36 49 36 1.765 6.235 38.881 1.765 3.114
33 6 7 7 7 49 49 49 -0.715 6.715 45.087 -0.715 0.511
34 6 6 7 7 36 49 49 -0.422 6.422 41.238 -0.422 0.178
35 7 5 6 6 25 36 36 1.182 5.818 33.848 1.182 1.397
36 7 7 6 8 49 36 64 0.224 6.776 45.919 0.224 0.05
Lanjutan Tabel 6 Perhitungan Uji T dan Uji ANOVA

𝟐
No Y X1 X2 X3 𝐗 𝟐𝟏 𝐗 𝟐𝟐 𝐗 𝟐𝟑 ̂
𝐘 ̂)
(𝐘 − 𝐘 (𝐘 − 𝐘̂) ̂−𝐘
(𝐘 ̅) ̂−𝐘
(𝐘 ̅)𝟐
37 8 5 7 8 25 49 64 1.685 6.315 39.876 1.685 2.84
38 6 7 8 7 49 64 49 -0.839 6.839 46.775 -0.839 0.704
39 7 6 7 7 36 49 49 0.578 6.422 41.238 0.578 0.334
40 7 7 8 8 49 64 64 -0.025 7.025 49.356 -0.025 0.001
41 7 8 8 8 64 64 64 -0.318 7.318 53.56 -0.318 0.101
42 7 7 6 6 49 36 36 0.596 6.404 41.011 0.596 0.355
43 6 7 7 7 49 49 49 -0.715 6.715 45.087 -0.715 0.511
44 8 8 8 8 64 64 64 0.682 7.318 53.56 0.682 0.464
45 6 7 5 7 49 25 49 -0.466 6.466 41.805 -0.466 0.217
46 5 7 8 7 49 64 49 -1.839 6.839 46.775 -1.839 3.383
47 7 6 7 7 36 49 49 0.578 6.422 41.238 0.578 0.334
48 7 6 8 6 36 64 36 0.64 6.36 40.449 0.64 0.41
49 6 5 6 7 25 36 49 -0.004 6.004 36.049 -0.004 0
50 5 5 7 6 25 49 36 -0.942 5.942 35.312 -0.942 0.888
51 6 6 6 6 36 36 36 -0.111 6.111 37.344 -0.111 0.012
52 6 6 8 6 36 64 36 -0.36 6.36 40.449 -0.36 0.13
53 6 7 8 7 49 64 49 -0.839 6.839 46.775 -0.839 0.704
54 4 4 4 4 16 16 16 -0.903 4.903 24.044 -0.903 0.816
55 6 5 8 6 25 64 36 -0.067 6.067 36.807 -0.067 0.004
56 7 6 7 7 36 49 49 0.578 6.422 41.238 0.578 0.334
57 7 6 7 6 36 49 36 0.765 6.235 38.881 0.765 0.585
58 7 7 7 6 49 49 36 0.471 6.529 42.622 0.471 0.222
59 7 7 7 8 49 49 64 0.099 6.901 47.622 0.099 0.01
60 7 7 7 6 49 49 36 0.471 6.529 42.622 0.471 0.222
61 8 7 8 8 49 64 64 0.975 7.025 49.356 0.975 0.95
62 6 7 7 8 49 49 64 -0.901 6.901 47.622 -0.901 0.812
63 6 5 5 6 25 25 36 0.307 5.693 32.415 0.307 0.094
64 7 6 7 6 36 49 36 0.765 6.235 38.881 0.765 0.585
65 7 7 7 7 49 49 49 0.285 6.715 45.087 0.285 0.081
66 5 6 6 6 36 36 36 -1.111 6.111 37.344 -1.111 1.234
67 8 8 6 6 64 36 36 1.303 6.697 44.851 1.303 1.698
68 7 8 7 7 64 49 49 -0.008 7.008 49.109 -0.008 0
69 6 5 8 6 25 64 36 -0.067 6.067 36.807 -0.067 0.004
70 4 5 7 6 25 49 36 -1.942 5.942 35.312 -1.942 3.773
71 6 6 6 6 36 36 36 -0.111 6.111 37.344 -0.111 0.012
72 6 6 4 5 36 16 25 0.324 5.676 32.214 0.324 0.105
73 7 7 6 7 49 36 49 0.41 6.59 43.431 0.41 0.168
74 6 6 4 6 36 16 36 0.138 5.862 34.362 0.138 0.019
75 6 6 7 5 36 49 25 -0.049 6.049 36.594 -0.049 0.002
76 5 4 6 5 16 36 25 -0.339 5.339 28.501 -0.339 0.115
77 7 7 6 6 49 36 36 0.596 6.404 41.011 0.596 0.355
78 8 7 7 8 49 49 64 1.099 6.901 47.622 1.099 1.208
79 8 7 7 6 49 49 36 1.471 6.529 42.622 1.471 2.165
80 7 6 6 8 36 36 64 0.517 6.483 42.034 0.517 0.267
81 6 6 6 8 36 36 64 -0.483 6.483 42.034 -0.483 0.234
82 6 6 7 6 36 49 36 -0.235 6.235 38.881 -0.235 0.055
83 6 6 6 6 36 36 36 -0.111 6.111 37.344 -0.111 0.012

𝟐
No Y X1 X2 X3 𝐗 𝟐𝟏 𝐗 𝟐𝟐 𝐗 𝟐𝟑 ̂
𝐘 ̂)
(𝐘 − 𝐘 (𝐘 − 𝐘̂) ̂−𝐘
(𝐘 ̅) ̂−𝐘
(𝐘 ̅)𝟐
84 8 8 8 6 64 64 36 1.054 6.946 48.248 1.054 1.111
85 6 6 6 6 36 36 36 -0.111 6.111 37.344 -0.111 0.012
86 7 6 8 7 36 64 49 0.454 6.546 42.852 0.454 0.206
87 6 6 6 6 36 36 36 -0.111 6.111 37.344 -0.111 0.012
88 7 7 8 8 49 64 64 -0.025 7.025 49.356 -0.025 0.001
89 5 8 5 5 64 25 25 -1.386 6.386 40.786 -1.386 1.922
90 6 5 6 5 25 36 25 0.368 5.632 31.716 0.368 0.136
91 5 4 6 7 16 36 49 -0.711 5.711 32.616 -0.711 0.506
92 6 6 5 6 36 25 36 0.014 5.986 35.838 0.014 0
93 5 4 4 4 16 16 16 0.097 4.903 24.044 0.097 0.009
94 7 6 7 7 36 49 49 0.578 6.422 41.238 0.578 0.334
95 7 7 7 6 49 49 36 0.471 6.529 42.622 0.471 0.222
96 7 5 7 8 25 49 64 0.685 6.315 39.876 0.685 0.47
97 7 6 5 7 36 25 49 0.827 6.173 38.101 0.827 0.685
98 6 6 6 5 36 36 25 0.075 5.925 35.103 0.075 0.006
99 6 6 6 6 36 36 36 -0.111 6.111 37.344 -0.111 0.012
100 6 5 6 5 25 36 25 0.368 5.632 31.716 0.368 0.136
101 7 6 7 7 36 49 49 0.578 6.422 41.238 0.578 0.334
102 7 7 7 7 49 49 49 0.285 6.715 45.087 0.285 0.081
103 7 6 6 6 36 36 36 0.889 6.111 37.344 0.889 0.79
104 7 7 7 6 49 49 36 0.471 6.529 42.622 0.471 0.222
105 7 7 6 7 49 36 49 0.41 6.59 43.431 0.41 0.168
106 8 6 7 8 36 49 64 1.392 6.608 43.663 1.392 1.938
107 5 5 6 5 25 36 25 -0.632 5.632 31.716 -0.632 0.399
108 7 6 6 6 36 36 36 0.889 6.111 37.344 0.889 0.79
109 7 7 8 8 49 64 64 -0.025 7.025 49.356 -0.025 0.001
110 8 7 6 8 49 36 64 1.224 6.776 45.919 1.224 1.497
111 6 6 7 7 36 49 49 -0.422 6.422 41.238 -0.422 0.178
112 7 6 8 8 36 64 64 0.268 6.732 45.324 0.268 0.072
113 6 6 5 7 36 25 49 -0.173 6.173 38.101 -0.173 0.03
114 6 6 7 7 36 49 49 -0.422 6.422 41.238 -0.422 0.178
115 7 7 5 8 49 25 64 0.348 6.652 44.248 0.348 0.121
116 7 6 7 6 36 49 36 0.765 6.235 38.881 0.765 0.585
117 6 6 7 7 36 49 49 -0.422 6.422 41.238 -0.422 0.178
118 8 8 8 8 64 64 64 0.682 7.318 53.56 0.682 0.464
119 7 6 5 6 36 25 36 1.014 5.986 35.838 1.014 1.027
120 6 6 8 8 36 64 64 -0.732 6.732 45.324 -0.732 0.536
121 7 7 5 6 49 25 36 0.72 6.28 39.432 0.72 0.519
122 7 6 7 8 36 49 64 0.392 6.608 43.663 0.392 0.154
123 7 7 7 6 49 49 36 0.471 6.529 42.622 0.471 0.222
124 7 6 6 8 36 36 64 0.517 6.483 42.034 0.517 0.267
125 7 6 6 7 36 36 49 0.703 6.297 39.654 0.703 0.494
126 7 5 8 7 25 64 49 0.747 6.253 39.101 0.747 0.558
127 7 6 6 7 36 36 49 0.703 6.297 39.654 0.703 0.494
128 6 7 7 6 49 49 36 -0.529 6.529 42.622 -0.529 0.279
129 6 6 6 6 36 36 36 -0.111 6.111 37.344 -0.111 0.012
130 7 8 8 8 64 64 64 -0.318 7.318 53.56 -0.318 0.101

𝟐
No Y X1 X2 X3 𝐗 𝟐𝟏 𝐗 𝟐𝟐 𝐗 𝟐𝟑 ̂
𝐘 ̂)
(𝐘 − 𝐘 (𝐘 − 𝐘̂) ̂−𝐘
(𝐘 ̅) ̂−𝐘
(𝐘 ̅)𝟐
131 6 7 7 7 49 49 49 -0.715 6.715 45.087 -0.715 0.511
132 6 6 8 7 36 64 49 -0.546 6.546 42.852 -0.546 0.298
133 7 6 7 7 36 49 49 0.578 6.422 41.238 0.578 0.334
134 8 8 8 8 64 64 64 0.682 7.318 53.56 0.682 0.464
135 7 7 7 7 49 49 49 0.285 6.715 45.087 0.285 0.081
136 5 6 8 6 36 64 36 -1.36 6.36 40.449 -1.36 1.849
137 7 5 8 7 25 64 49 0.747 6.253 39.101 0.747 0.558
138 6 7 8 6 49 64 36 -0.653 6.653 44.263 -0.653 0.426
139 7 6 6 8 36 36 64 0.517 6.483 42.034 0.517 0.267
140 6 6 6 6 36 36 36 -0.111 6.111 37.344 -0.111 0.012
141 6 7 7 6 49 49 36 -0.529 6.529 42.622 -0.529 0.279
142 6 7 8 6 49 64 36 -0.653 6.653 44.263 -0.653 0.426
143 4 6 4 8 36 16 64 -2.234 6.234 38.867 -2.234 4.992
144 7 8 8 6 64 64 36 0.054 6.946 48.248 0.054 0.003
145 6 8 8 8 64 64 64 -1.318 7.318 53.56 -1.318 1.738
146 7 6 7 6 36 49 36 0.765 6.235 38.881 0.765 0.585
147 7 6 7 7 36 49 49 0.578 6.422 41.238 0.578 0.334
148 5 6 5 5 36 25 25 -0.8 5.8 33.643 -0.8 0.64
149 7 6 6 6 36 36 36 0.889 6.111 37.344 0.889 0.79
150 7 6 7 6 36 49 36 0.765 6.235 38.881 0.765 0.585
151 5 6 6 7 36 36 49 -1.297 6.297 39.654 -1.297 1.683
152 6 6 7 6 36 49 36 -0.235 6.235 38.881 -0.235 0.055
153 5 6 8 6 36 64 36 -1.36 6.36 40.449 -1.36 1.849
154 7 6 6 6 36 36 36 0.889 6.111 37.344 0.889 0.79
155 4 4 4 4 16 16 16 -0.903 4.903 24.044 -0.903 0.816
156 5 7 7 7 49 49 49 -1.715 6.715 45.087 -1.715 2.94
157 5 7 6 7 49 36 49 -1.59 6.59 43.431 -1.59 2.529
158 6 7 7 7 49 49 49 -0.715 6.715 45.087 -0.715 0.511
159 7 8 8 8 64 64 64 -0.318 7.318 53.56 -0.318 0.101
160 4 6 7 5 36 49 25 -2.049 6.049 36.594 -2.049 4.2
161 7 6 6 7 36 36 49 0.703 6.297 39.654 0.703 0.494
162 5 6 6 5 36 36 25 -0.925 5.925 35.103 -0.925 0.855
163 8 8 7 6 64 49 36 1.178 6.822 46.534 1.178 1.389
164 6 7 8 6 49 64 36 -0.653 6.653 44.263 -0.653 0.426
165 7 7 7 8 49 49 64 0.099 6.901 47.622 0.099 0.01
166 7 8 7 6 64 49 36 0.178 6.822 46.534 0.178 0.032
167 7 8 7 7 64 49 49 -0.008 7.008 49.109 -0.008 0
168 6 7 6 6 49 36 36 -0.404 6.404 41.011 -0.404 0.163
169 7 7 5 6 49 25 36 0.72 6.28 39.432 0.72 0.519
170 6 6 6 6 36 36 36 -0.111 6.111 37.344 -0.111 0.012
171 5 6 7 7 36 49 49 -1.422 6.422 41.238 -1.422 2.021
172 7 7 8 6 49 64 36 0.347 6.653 44.263 0.347 0.12
173 7 6 6 6 36 36 36 0.889 6.111 37.344 0.889 0.79
174 6 7 6 8 49 36 64 -0.776 6.776 45.919 -0.776 0.603
175 7 6 4 8 36 16 64 0.766 6.234 38.867 0.766 0.586
176 6 7 7 8 49 49 64 -0.901 6.901 47.622 -0.901 0.812
177 6 7 7 6 49 49 36 -0.529 6.529 42.622 -0.529 0.279

𝟐
No Y X1 X2 X3 𝐗 𝟐𝟏 𝐗 𝟐𝟐 𝐗 𝟐𝟑 ̂
𝐘 ̂)
(𝐘 − 𝐘 ̂)
(𝐘 − 𝐘 ̂−𝐘
(𝐘 ̅) ̂−𝐘
(𝐘 ̅)𝟐
178 6 7 7 7 49 49 49 -0.715 6.715 45.087 -0.715 0.511
179 8 6 7 6 36 49 36 1.765 6.235 38.881 1.765 3.114
180 6 6 7 7 36 49 49 -0.422 6.422 41.238 -0.422 0.178
181 7 8 7 7 64 49 49 -0.008 7.008 49.109 -0.008 0
182 7 7 8 7 49 64 49 0.161 6.839 46.775 0.161 0.026
183 6 7 7 6 49 49 36 -0.529 6.529 42.622 -0.529 0.279
184 7 7 6 5 49 36 25 0.782 6.218 38.661 0.782 0.612
185 6 6 8 6 36 64 36 -0.36 6.36 40.449 -0.36 0.13
186 5 6 5 6 36 25 36 -0.986 5.986 35.838 -0.986 0.973
187 7 7 6 7 49 36 49 0.41 6.59 43.431 0.41 0.168
188 7 8 7 8 64 49 64 -0.194 7.194 51.753 -0.194 0.038
189 5 6 7 6 36 49 36 -1.235 6.235 38.881 -1.235 1.526
190 7 6 7 7 36 49 49 0.578 6.422 41.238 0.578 0.334
191 6 5 6 5 25 36 25 0.368 5.632 31.716 0.368 0.136
192 6 6 8 7 36 64 49 -0.546 6.546 42.852 -0.546 0.298
193 7 7 6 7 49 36 49 0.41 6.59 43.431 0.41 0.168
194 7 7 7 7 49 49 49 0.285 6.715 45.087 0.285 0.081
195 7 6 6 8 36 36 64 0.517 6.483 42.034 0.517 0.267
196 5 7 8 7 49 64 49 -1.839 6.839 46.775 -1.839 3.383
197 6 6 5 5 36 25 25 0.2 5.8 33.643 0.2 0.04
198 6 6 7 5 36 49 25 -0.049 6.049 36.594 -0.049 0.002
199 7 8 6 7 64 36 49 0.117 6.883 47.379 0.117 0.014
200 7 8 6 5 64 36 25 0.489 6.511 42.392 0.489 0.239
201 7 6 6 6 36 36 36 0.889 6.111 37.344 0.889 0.79
202 7 7 7 6 49 49 36 0.471 6.529 42.622 0.471 0.222
203 6 6 6 6 36 36 36 -0.111 6.111 37.344 -0.111 0.012
204 7 6 6 7 36 36 49 0.703 6.297 39.654 0.703 0.494
205 5 6 6 7 36 36 49 -1.297 6.297 39.654 -1.297 1.683
206 5 6 6 7 36 36 49 -1.297 6.297 39.654 -1.297 1.683
207 7 6 7 5 36 49 25 0.951 6.049 36.594 0.951 0.904
208 6 4 7 5 16 49 25 0.537 5.463 29.846 0.537 0.288
209 6 6 7 7 36 49 49 -0.422 6.422 41.238 -0.422 0.178
210 7 6 8 7 36 64 49 0.454 6.546 42.852 0.454 0.206
211 6 6 7 5 36 49 25 -0.049 6.049 36.594 -0.049 0.002
∑ 1354 1342 1401 1403 8694 9529 9533 -0.011 1354.000 8725.689 -6.417 182.651
b. Uji-T
1) Formula Hipotesis
a) Jika Thitung < Ttabel atau sig > 0,05 maka H0 diterima dan H1 ditolak, ini
berarti tidak ada pengaruh yang bermakna antara variabel X1, variabel X2,
dan variabel X3 terhadap variabel Y.
b) Jika Thitung > Ttabel atau sig < 0,05 maka H0 diterima dan H1 diterima, ini
berarti ada pengaruh yang bermakna antara variabel X1, variabel X2, dan
variabel X3 terhadap variabel Y.
2) Tingkat Signifikansi
𝛼 = 0,05
3) Derajat Kebebasan
a) Df1 = 𝛼2
0,05
Df1 =
2
Df1 = 0,025
b) Df2 = n − k − 1
Df2 = 211 − 3 − 1
Df2 = 207
Jadi, titik koordinatnya adalah f ( 0,025 : 207 ) = 3,06
4) Perhitungan Nilai Uji Statistik
a) Koefisien Regresi
b1 = 0,276
b2 = 0,122
b3 = 0,189
b) Standar Error Penduga
2
Sum Square of Error (SSE) = Σ(Ŷ − Y̅) = 182.651
SSE
SYX1 X2 X3 = √
(n − (k + 1))
182.651
SYX1 X2 X3 = √
(211 − (3 + 1))
SYX1 X2 X3 = 0,939
SYX1 X2 X3
Sb1 =
√(ΣX12 ̅12 )(1 − (rX1 X2 X3 )2 )
− nX
0,939
Sb1 =
√(8694 − 211(41,20))(1 − (0,004)2 )
Sb1 = 1,050
SYX1 X2 X3
Sb2 =
√(ΣX22 ̅ 22 )(1 − (rX1 X2 X3 )2 )
− nX
0,939
Sb2 =
√(9529 − 211(45,16))(1 − (0,004)2 )
Sb2 = 3,914
SYX1 X2 X3
Sb3 =
̅ 32 )(1 − (rX1 X2 X3 )2 )
√(ΣX32 − nX
0,939
Sb3 =
√(9533 − 211(45,18))(1 − (0,004)2 )
Sb3 = 0,196
c) Perhitungan Thitung
b
Variabel X1 = Sb1
1
0,276
Variabel X1 = 1,050
Variabel X1 = 0,263
b
Variabel X2 = Sb2
2
0,122
Variabel X1 = 3,914
Variabel X1 = 0,031
b
Variabel X3 = Sb3
3
0,189
Variabel X1 = 0,196
Variabel X1 = 0,968
c. Uji ANOVA
1) Formula Hipotesis
a) Jika Thitung < Ttabel atau sig > 0,05 maka H0 diterima dan H1 ditolak, ini
b) Jika Thitung > Ttabel atau sig < 0,05 maka H0 ditolak dan H1 diterima, ini
2) Derajat Kebebasan
a) Df1 = k
Df1 = 3
b) Df2 = n − k − 1
Df2 = 211 − 3 − 1
Df2 = 206
Jadi, titik koordinatnya adalah f ( 3 : 207 ) = 2,65
3) Perhitungan Nilai Uji Statistik
a) Standar Error Penduga
Sum Square of Error (SSE) = Σ(Ŷ − Y̅)2 = 182,651
Sum Square of Regression (SSR) = Σ(Y − Y̅)2 = 8818,174
Tabel 7 Perhitungan Nilai Uji Statistik Uji ANOVA
Jumlah Kuadrat
Df Fhitung Ftabel
Kuadrat Rata
Regression (SSR) 8818,174 207 42,357
0,70 2,65
Residual (SSE) 182,651 3 60,883
Jumlah 9000,82 209
Nilai Fhitung 0,70 < 2,65 sehingga keputusannya adalah H0 diterima. Interpretasinya
adalah secara bersama-sama berpengaruh signifikan terhadap Y, atau terdapat
minimal satu variabel bebas yang berpengaruh signifikan terhadap Y.
4.3.3 Pengujian Data Menggunakan Software
Berikut merupakan langkah-langkah untuk menghitung regresi, korelasi, uji-T

dan uji ANOVA menggunakan aplikasi SPSS :
a. Langkah-Langkah Pengujian
1) Pertama, buka aplikasi SPSS.
Gambar 8 Membuka Aplikasi SPSS

2) Kedua, pilih menu Analyze > Regression > Linear.
Gambar 9 Membuka Submenu Linear

3) Ketiga, akan muncul menu Linear Regression, kemudia masukkan variabel Y
terhadap menu dependent serta pada menu Block 1 of 1 masukkan variabel X1,
X2 dan X3.
Gambar 10 Memasukkan Variable

4) Keempat, lalu pilih Statistics > centang pada R Squared Change > Continue.
Gambar 11 Membuka Pengaturan Normalitas

5) Kelima, pilih menu OK.
Gambar 12 Pengaturan Pada Explore Statistics

6) Keenam, Setelah itu akan muncul hasil seperti berikut.
Gambar 13 Hasil Perhitungan Korelasi

Berdasarkan hasil pengujian korelasi menggunakan SPSS dapat diperoleh nilai
korelasi sebesar 0,708.
Gambar 14 Hasil Perhitungan Uji ANOVA

Berdasarkan hasil pengujian ANOVA menggunakan SPSS dapat diperoleh nilai Fhitung
sebesar 69,373.
Gambar 15 Hasil Perhitungan Nilai Regresi dan Uji T

Berdasarkan hasil pengujian nilai regresi menggunakan SPSS dapat diperoleh nilai a
sebesar 1,285; nilai b sebesar 0,378; nilai c sebesar 0,158 dan nilai d sebesar 0,247
sehingga persamaan regresi berdasarkan SPSS adalah Y = 1,285 + 0,378X1 – 0.158X2
+ 0,247X3. Sedangkan untuk nilai uji T berdasarkan SPSS adalah untuk variabel X1
sebesar 5,881; variabel X2 sebesar 2,841 dan variabel X3 sebesar 4,353.
4.3.4 Diagram Pencar
Diagram pencar digunakan untuk menunjukkan bukti dan hubungan sebab akibat
antara variabel bebas dan variabel terikat. Diagram pencar menggambarkan hubungan
variabel terikat yaitu Y (tingkat prestasi) terhadap tiap-tiap variabel bebas yaitu data X1
(optimisme belajar), data X2 (metode pembelajaran), data X3 (mutu lingkungan sosial).
Berikut ini adalah langkah-langkah membuat diagram pencar pada aplikasi SPSS :
a. Variabel X1 Terhadap Y
Berikut merupakan langkah-langkah membuat diagram pencar di aplikasi SPSS :
1) Pertama, pilih menu Graphs > Scatterdot.
Gambar 16 Membuka Menu Scatterdot

2) Kedua, akan muncul menu Scatterdot dan pilih Simple Scatter dan klik define.
Gambar 17 Tampilan Menu Scatter/Dot Pada Menu Graphs

3) Ketiga, akan muncul menu dan masukkan variabel Y ke Y axis dan variabel X1
ke X axis dan klik OK.

4) Keempat, akan muncul hasil scatter diagram sebagai berikut.
Gambar 19 Tampilan Diagram Scatter

Dari bentuk grafik yang dihasilkan, maka grafik dari diagram scatter variabel X1
(optimisme belajar) terhadap variabel Y (tingkat prestasi) memiliki pola positif
yang artinya X1 (optimisme belajar) memiliki hubungan variabel Y (tingkat
prestasi). Pada pola positif ini, apabila nilai X naik, maka nilai Y juga naik,
begitupun sebaliknya.
b. Variabel X2 Terhadap Y
1) Pertama, pilih menu Graphs > Legacy Dialog > Scatterdot.




(metode pembelajaran) terhadap variabel Y (tingkat prestasi) memiliki pola positif
yang artinya X2 (metode pembelajaran) memiliki hubungan variabel Y (tingkat
prestasi). Pada pola positif ini, apabila nilai X naik, maka nilai Y juga naik,
c. Variabel X3 Terhadap Y
1) Pertama, pilih menu Graphs > Legacy Dialog > Scatterdot.




(mutu lingkungan sosial) terhadap variabel Y (tingkat prestasi) memiliki pola
positif yang artinya X3 (mutu lingkungan sosial) memiliki hubungan variabel Y
(tingkat prestasi). Pada pola positif ini, apabila nilai X naik, maka nilai Y juga naik,
BAB V
PEMBAHASAN
5.1 Pembahasan
Dalam pelaksanaan praktikum modul statistik inferensia, kelompok kami sedang

meneliti bagaimana optimisme belajar, metode pembelajaran, dan kualitas mutu
lingkungan sosial berpengaruh terhadap prestasi mahasiswa (IPK) di Fakultas Pertanian
Universitas Hasanuddin. Kami akan menggunakan sampel sebanyak 211 responden dan
metode pengumpulan data meliputi wawancara langsung, pengisian kuesioner di
Google Form, dan dokumentasi langsung di lokasi penelitian. Variabel dependen (Y)
yang akan diukur adalah tingkat prestasi (IPK), sementara variabel independen (X1, X2,
dan X3) adalah optimisme belajar, metode pembelajaran, dan mutu lingkungan sosial.
Skala likert yang terdiri dari lima poin (1-5) akan digunakan untuk menilai hasil
penelitian, dimulai dari 1 sebagai sangat tidak setuju hingga 5 sebagai sangat setuju.
Sebelum menguji data lebih lanjut, langkah awal yang dilakukan adalah menguji
normalitas data. Syarat agar data dapat dianggap normal adalah jika nilai sig > 0,05. Jika
data telah memenuhi syarat ini, maka pengujian data selanjutnya adalah untuk melihat
apakah data tersebut terdistribusi secara normal. Hasil pengujian normalitas data
menunjukkan bahwa nilai tingkat signifikan sebesar 0,293, yang berarti data tersebut
telah memenuhi syarat sig > 0,05 dan dapat dianggap berdistribusi secara normal. Uji
1-Sample Kolmogorov-Smirnov digunakan untuk menguji normalitas data tersebut.
Setelah melakukan uji normalitas, dilakukan pengujian dengan uji T. Uji T
digunakan untuk mengetahui pengaruh masing-masing variabel bebas secara parsial
terhadap variabel terikat. Jika Thitung kurang dari Ttabel atau signifikansi lebih besar dari
0,05, maka H0 diterima dan H1 ditolak, yang berarti tidak ada pengaruh yang signifikan
antara variabel X1, X2, X3 terhadap variabel Y. Sebaliknya, jika Thitung lebih besar dari
Ttabel atau signifikansi kurang dari 0,05, maka H0 ditolak dan H1 diterima, yang
menunjukkan adanya pengaruh signifikan antara variabel X1, X2, X3 terhadap variabel
Y. Nilai Ttabel yang digunakan adalah 3,06 yang diperoleh dari tabel persentase
distribusi t. Uji T dilakukan dengan dua metode, yaitu perhitungan manual dan
menggunakan software SPSS. Hasil perhitungan manual menunjukkan bahwa Thitung

untuk variabel X1 adalah 0,263, variabel X2 adalah 0,031, dan variabel X3 adalah 0,968.
Sedangkan hasil perhitungan menggunakan software SPSS menunjukkan bahwa
variabel X1 adalah 5,881, variabel X2 adalah 2,841, dan variabel X3 adalah 4,353.
Selanjutnya, dilakukan pengujian dengan uji ANOVA untuk menentukan hipotesis yang
diterima dan ditolak. Jika nilai Fhitung kurang dari Ftabel atau signifikansi lebih besar dari
0,05, maka H0 diterima dan H1 ditolak, yang menunjukkan tidak ada pengaruh signifikan
antara variabel X1, X2, X3 terhadap variabel Y. Sebaliknya, jika nilai Fhitung lebih besar
dari Ftabel atau signifikansi kurang dari 0,05, maka H0 ditolak dan H1 diterima, yang
menunjukkan adanya pengaruh signifikan antara variabel X1, X2, X3 terhadap variabel
Y. Nilai Ftabel diperoleh dari tabel persentase distribusi F dengan memperhatikan derajat
kebebasan yang pertama, yaitu jumlah variabel bebas, dan derajat kebebasan yang
kedua, yaitu banyaknya data yang digunakan dikurangi dengan jumlah variabel yang
ada. Nilai Ftabel yang digunakan adalah 2,65. Dari pengujian ANOVA, diperoleh nilai
Fhitung, nilai SSE pada residual, nilai SSR pada regresi, dan derajat kebebasan. Nilai rata-
rata SSE dan SSR serta nilai signifikansi pada pengujian uji ANOVA dapat dilihat dari
tabel ANOVA yang disusun. Hasil perhitungan uji F manual menunjukkan nilai Fhitung
sebesar 0,70, sedangkan perhitungan menggunakan software SPSS menunjukkan nilai
sebesar 69,373. Kedua perhitungan tersebut menghasilkan kesimpulan yang sama, yaitu
H0 ditolak dan H1 diterima, yang menunjukkan bahwa variabel bebas X1, X2, dan X3
memiliki pengaruh signifikan terhadap variabel terikat.
Langkah pengujian berikutnya adalah regresi, yang merupakan metode untuk
menentukan apakah ada hubungan antara variabel bebas dan variabel terikat. Dalam
pengujian ini, perhitungan dilakukan baik secara manual maupun dengan menggunakan
software. Perhitungan manual pertama-tama menggunakan rumus determinan matriks
untuk mendapatkan persamaan regresi dalam bentuk Y = a ± bX1 ± cX2 ± dX3. Hasil
perhitungan manual adalah persamaan Y = 2,544 ± 0,276X1 ± 0,122X2 ± 0,189X3,
sementara perhitungan dengan software SPSS menghasilkan persamaan Y = 1,285 ±
0,378X1 ± 0,158X2 ± 0,247X3. Perbedaan dalam nilai a, b, c, dan d antara perhitungan
manual dan perhitungan dengan software SPSS dapat dilihat. Terdapat kemungkinan
kesalahan perhitungan dalam perhitungan manual, yang dapat menghasilkan hasil yang
tidak akurat.
Langkah berikutnya adalah pengujian korelasi, yang bertujuan untuk menentukan
seberapa kuat hubungan antara variabel bebas dan variabel terikat. Pengujian ini
dilakukan dengan menggunakan dua metode perhitungan, yaitu perhitungan manual dan
menggunakan software SPSS. Pada perhitungan manual, digunakan metode korelasi
parsial. Setelah mendapatkan hasil dari metode parsial, kemudian dilanjutkan dengan
metode korelasi berganda yang menghasilkan nilai sebesar 0,004. Nilai korelasi berkisar
antara -1 sampai 1, di mana nilai yang mendekati 1 menunjukkan korelasi yang kuat
antara kedua variabel, dan sebaliknya. Karena nilai korelasi yang didapatkan mendekati
1, maka dapat disimpulkan bahwa variabel bebas dan variabel terikat memiliki
hubungan yang kuat. Namun, pada perhitungan menggunakan software SPSS, hasilnya
hanya sebesar 0,708.
Dari hasil pengujian uji statistik, terdapat perbedaan hasil perhitungan baik yang
dilakukan secara manual maupun dengan menggunakan software SPSS. Hal ini
kemungkinan disebabkan oleh kesalahan perhitungan akibat kurang telitinya praktikan
saat mengolah data secara manual dan perbedaan dalam pembulatan angka setelah koma
yang dapat mempengaruhi akurasi hasil perhitungan. Meskipun demikian, pengolahan
data menggunakan software SPSS memiliki keunggulan dalam kemudahan dan
kecepatan serta menghasilkan hasil yang lebih akurat dibandingkan dengan pengolahan
data secara manual.
Dalam presentasi data ini, digunakan diagram scatter untuk menunjukkan
kemungkinan hubungan (korelasi) antara pasangan dua macam variabel. Diagram
scatter ini menunjukkan keeratan hubungan antara dua variabel dan dapat digunakan
untuk menentukan apakah penyebab yang ada memberikan dampak yang signifikan
pada karakteristik antar variabel. Tampilan diagram scatter ini dihasilkan melalui
perangkat lunak SPSS, dan terdiri dari tiga grafik yang menunjukkan hubungan antara
variabel X1 dan Y, variabel X2 dan Y, serta variabel X3 dan Y. Berdasarkan hasil grafik,
variabel X1 dan Y memiliki hubungan positif, yang berarti semakin tinggi nilai variabel
X1 (optimisme belajar), semakin tinggi pula nilai variabel Y (tingkat prestasi), dan
sebaliknya. Begitu juga pada grafik antara variabel X2 dan Y, serta variabel X3 dan Y,
keduanya menunjukkan hubungan positif di mana semakin tinggi nilai variabel tersebut,
semakin tinggi pula nilai variabel Y.
Berdasarkan beberapa penjelasan yang telah diuraikan sebelumnya, dapat
disimpulkan bahwa dalam pengolahan data pada modul ini dilakukan beberapa uji,
seperti uji korelasi, regresi, uji T, uji ANOVA, dan uji 1-Sample Kolmogorov-Smirnov,
dengan tujuan untuk melihat hubungan antar variabel dan pengaruh variabel bebas X1,
X2, dan X3 terhadap variabel terikat Y. Dari hasil uji tersebut, dapat disimpulkan bahwa
ketiga variabel bebas tersebut memiliki pengaruh atau hubungan positif (korelasi
positif) dengan variabel terikat Y. Semakin besar nilai variabel bebas, maka semakin
besar pula nilai variabel terikat Y.
5.2 Review Jurnal
Review jurnal merupakan kegiatan yang melibatkan satu atau beberapa individu
untuk mengevaluasi jurnal ilmiah secara kritis guna mengenali kekuatan dan kelemahan
yang ada dalam jurnal tersebut. Berikut merupakan jurnal nasional dan internasional
yang akan di review.
5.2.1 Jurnal nasional

Judul : Pengaruh Kemampuan Numerasi Dalam
Menyelesaikan Masalah Matematika Terhadap
Prestasi Belajar Mahasiswa Pendidikan Matematika
Jurnal : Jurnal Ilmiah Matematika Realistik (JI-MR)
Volume & Halaman : Vol. 2, No. 1, Juni 2021, halaman 1-10.
Penulis : Refiesta Ratu Anderha dan Sugama Maskar
Reviewer : Muhammad Isnanda Ibnurizq
Latar Belakang : Tantangan yang dihadapi oleh tenaga pendidik
dalam membangun dan membentuk manusia
berilmu di era Revolusi Industri 4.0. Selain itu,
pendahuluan juga menyebutkan bahwa masyarakat
tidak hanya dituntut untuk memahami pengetahuan
konseptual saja, namun juga harus mampu berpikir

kritis dan kreatif dalam memecahkan suatu
permasalahan. Hal ini menjadi latar belakang
penting bagi penelitian ini yang bertujuan untuk
menginvestigasi pengaruh kemampuan numerasi
dalam menyelesaikan masalah matematika terhadap
prestasi belajar mahasiswa pendidikan matematika.
Tujuan : Tujuan dari penelitian yang dilakukan adalah untuk
mengetahui signifikansi hubungan antara
kemampuan numerasi mahasiswa dan nilai Indeks
Prestasi Kumulatif (IPK). Penelitian ini
menggunakan metode kuantitatif dengan teknik
penelitian ex post facto dan populasi dalam
penelitian ini adalah mahasiswa/i jurusan
Pendidikan Matematika Universitas Teknokrat
Indonesia. Tujuan dari penelitian ini adalah untuk
memberikan kontribusi pada pengembangan
pembelajaran matematika di perguruan tinggi dan
meningkatkan kualitas sumber daya manusia di
Indonesia.
Metode Penelitian : Metode penelitian yang digunakan adalah metode
kuantitatif dengan teknik penelitian ex post facto.
Populasi dalam penelitian ini adalah mahasiswa/i
jurusan Pendidikan Matematika Universitas
Teknokrat Indonesia. Instrumen penelitian yang
digunakan adalah soal tes Asesmen Kemampuan
Minimum berupa 3 butir soal essay. Data yang
diperoleh dari instrumen tersebut kemudian
dianalisis menggunakan teknik analisis deskriptif
dan korelasi Pearson.
Hasil Pembahasan : Hasil penelitian menunjukkan bahwa kemampuan

numerasi berpengaruh positif dan signifikan
terhadap prestasi belajar mahasiswa dengan tingkat
kepercayaan dan nilai sig.value serta nilai koefisien
korelasi yang berada pada kategori sedang atau
cukup kuat. Kontribusi kemampuan numerasi dalam
mempengaruhi tinggi-rendahnya prestasi belajar
yaitu sebesar 0,504 atau sekitar 50,4%, sedangkan
sisanya dipengaruhi oleh faktor lain. Sehingga
dengan demikian hasil penelitian ini
mengindikasikan bahwa jika kemampuan numerasi
yang dimiliki setiap mahasiswa Pendidikan
Matematika itu tinggi, maka prestasi belajar yang
akan diperoleh juga turut tinggi, begitupun
sebaliknya.
Kesimpulan : Kemampuan numerasi mahasiswa Pendidikan
Matematika Universitas Teknokrat Indonesia
tergolong baik dengan rata-rata 71,83 atau 2,87
dalam skala interval. Selain itu, prestasi belajar
mahasiswa juga berada dalam kategori atau
golongan ke IV yaitu mahasiswa Pendidikan
Matematika memiliki nilai Indeks Prestasi
Kumulatif (IPK) lebih dari yang dibuktikan dari nilai
rata-rata Indeks Prestasi Kumulatif (IPK)
keseluruhan yaitu. Dari halaman 1 jurnal ini, dapat
disimpulkan bahwa kemampuan numerasi
berpengaruh positif dan signifikan terhadap prestasi
belajar mahasiswa dengan kontribusi sebesar 50,4%.
Oleh karena itu, hasil penelitian ini mengindikasikan
bahwa kemampuan numerasi yang dimiliki setiap
mahasiswa Pendidikan Matematika sangat penting

dalam meningkatkan prestasi belajar mereka.
5.2.2 Jurnal internasional

Judul : Optimal Inference With A Multidimensional Multiscale
Statistic
Jurnal : Electronic Journal of Statistics
Volume & Halaman : Vol. 15 (2021)
Penulis : Pratyay Datta dan Bodhisattva Sen
Reviewer : Muhammad Isnanda Ibnurizq
Latar Belakang : Bagian ini menjelaskan bahwa multiscale statistic yang
digunakan dalam jurnal ini dapat dianggap sebagai
penalized scan statistic, dan bahwa prosedur scan-type
telah banyak mendapat perhatian dalam literatur selama
beberapa dekade terakhir. Beberapa contoh prosedur
tersebut dapat ditemukan dalam beberapa karya seperti
Siegmund and Venkatraman, Kulldorff, Siegmund and
Yakir, Jiang, Naus and Wallenstein, Haiman and Preda
dan lain-lain. Selain itu, bagian ini juga menyebutkan
bahwa sifat asimtotik dari scan statistic telah banyak
dipelajari dalam beberapa karya seperti Naus and
Wallenstein dan Pozdnyakov et al.
Tujuan : Tujuan dari jurnal ini adalah untuk mengembangkan
dan memperkenalkan sebuah statistik multiscale
multidimensional yang optimal untuk melakukan
inferensi pada fungsi tak diketahui dalam model
stokastik. Jurnal ini menjelaskan secara rinci tentang
konstruksi statistik multiscale multidimensional yang
optimal, serta membahas sifat-sifat asimtotik dari
statistik tersebut. Selain itu, jurnal ini juga memberikan
beberapa contoh aplikasi dari statistik tersebut dalam

beberapa kasus simulasi dan data nyata.
Metode Penelitian : Metodologi penelitian yang digunakan dalam jurnal ini
adalah dengan mengembangkan sebuah statistik
multiscale multidimensional yang optimal untuk
melakukan inferensi pada fungsi tak diketahui dalam
model stokastik. Penelitian ini menggunakan
pendekatan teoritis dan simulasi untuk menguji kinerja
dari statistik yang dikembangkan.
Hasil Pembahasan : Pada bagian 2, dijelaskan secara rinci tentang
konstruksi dari statistik multiscale multidimensional
yang optimal dan bagaimana statistik tersebut dapat
digunakan untuk melakukan inferensi pada fungsi f.
Selanjutnya, pada bagian 3 dibahas tentang pengujian
kinerja dari statistik tersebut melalui simulasi dan
dibandingkan dengan metode-metode lainnya. Hasil
pengujian menunjukkan bahwa statistik multiscale
multidimensional yang dikembangkan dalam penelitian
ini memiliki kinerja yang lebih baik daripada metode-
metode lainnya dalam beberapa kasus simulasi dan data
nyata. Selain itu, pada bagian 5 juga dibahas tentang
beberapa aplikasi potensial dari statistik multiscale
ini. Secara keseluruhan, hasil pembahasan dalam jurnal
ini sangat informatif dan memberikan kontribusi
penting bagi pengembangan metode inferensi pada
fungsi tak diketahui dalam model stokastik.
Kesimpulan : Dapat disimpulkan bahwa penelitian ini berhasil
mengembangkan sebuah statistik multiscale
multidimensional yang optimal untuk melakukan
inferensi pada fungsi tak diketahui dalam model
stokastik. Metodologi penelitian yang digunakan cukup

sistematis dan terperinci, dengan menggunakan
pendekatan teoritis dan simulasi untuk menguji kinerja
dari statistik yang dikembangkan. Hasil pengujian
menunjukkan bahwa statistik multiscale
ini memiliki kinerja yang lebih baik daripada metode-
metode lainnya dalam beberapa kasus simulasi dan data
nyata. Selain itu, jurnal ini juga memberikan beberapa
contoh aplikasi dari statistik tersebut dalam beberapa
kasus simulasi dan data nyata. Oleh karena itu,
penelitian ini memberikan kontribusi penting bagi
pengembangan metode inferensi pada fungsi tak
diketahui dalam model stokastik.
BAB VI
PENUTUP
6.1 Kesimpulan
Kesimpulan adalah bagian penting dari sebuah tulisan atau penelitian yang
memberikan rangkuman dari informasi dan data yang telah dikumpulkan, serta
memberikan jawaban atas rumusan masalah yang diajukan. Berikut beberapa
kesimpulan yang akan menjawab dari rumusan masalah yaitu :
a. Statistik inferensia adalah teknik statistik yang memungkinkan kita untuk membuat
inferensi atau generalisasi tentang populasi dengan menggunakan data yang diambil
dari sampel yang mewakili populasi tersebut. Tujuannya adalah untuk membuat
kesimpulan tentang parameter populasi seperti rata-rata, proporsi, atau standar
deviasi. Metode statistik inferensia menggunakan ukuran probabilitas untuk
mengambil kesimpulan tentang populasi, dan dapat melibatkan penggunaan uji
hipotesis, interval kepercayaan, dan analisis regresi. Dalam uji hipotesis,
pernyataan tentang parameter populasi dibuat dan diuji apakah didukung oleh data
sampel. Dalam interval kepercayaan, nilai parameter populasi diperkirakan dengan
rentang nilai yang mungkin dengan tingkat kepercayaan tertentu. Analisis regresi
melibatkan studi hubungan antara dua atau lebih variabel dalam populasi untuk
membuat prediksi tentang nilai yang belum diketahui. Secara keseluruhan, statistik
inferensia sangat berguna dalam membantu kita memahami dan membuat
kesimpulan tentang populasi berdasarkan data sampel.
b. Untuk menginterpretasikan data ke dalam statistik inferensia, ada beberapa langkah
yang dapat diikuti. Pertama, data yang relevan harus dikumpulkan dari populasi
yang ingin diteliti melalui survei, eksperimen, atau sumber data lainnya.
Selanjutnya, ukuran sampel yang cukup besar harus diambil untuk memastikan data
yang diambil mewakili populasi dengan akurat. Jenis data yang dikumpulkan harus
ditentukan, apakah data kategori, interval, atau rasio. Kemudian, informasi penting
seperti rata-rata, deviasi standar, dan frekuensi harus diekstrak dari data. Setelah
itu, teknik statistik inferensia seperti uji hipotesis atau interval kepercayaan dapat
digunakan untuk membuat inferensi tentang populasi. Hasil inferensi harus

diinterpretasikan secara akurat dan hati-hati dengan memperhatikan sumber
kecacatan dalam data dan mengidentifikasi asumsi yang digunakan dalam teknik
statistik yang digunakan untuk memastikan keakuratan dan keandalan inferensi
yang dibuat.
c. Untuk melakukan uji regresi dan korelasi, serta menarik kesimpulan berdasarkan
sampel yang diperoleh, beberapa langkah dapat diikuti. Pertama-tama, kumpulkan
data yang relevan dari sampel yang mewakili populasi yang ingin diteliti. Variabel
independen dan dependen kemudian harus ditentukan, di mana variabel independen
adalah yang digunakan untuk memprediksi variabel dependen. Kemudian lakukan
uji korelasi untuk mengukur hubungan antara dua variabel kuantitatif menggunakan
koefisien korelasi parsial dan korelasi berganda. Setelah itu, lakukan uji regresi
untuk memprediksi nilai variabel dependen berdasarkan nilai variabel independent.
Terakhir, hasil dari uji korelasi dan regresi harus diinterpretasikan dengan hati-hati,
karena koefisien korelasi dan regresi memberikan informasi tentang kekuatan dan
arah hubungan antara variabel yang diuji. Dalam melakukan uji regresi dan
korelasi, penting untuk memperhatikan sumber kecacatan dalam data dan
memastikan sampel yang diambil mewakili populasi yang ingin diteliti untuk
mendapatkan kesimpulan yang akurat dan dapat diandalkan.
6.2 Saran
a. Saran untuk aboratorium

1) Sebaiknya bisa menambah kursi agar praktikan tidak duduk di lantai ketika
praktikum.
2) Sebaniknya bisa juga menambah rak sepatu agar terlihat rapi ketika praktikan
atau asisten laboratorium menaruh sepatunya.
3) Untuk papan tulisnya, sebaiknya bisa dibersihkan lagi agar terlihat bersih dan
enak dipandang ketika pengarahan pengolahan data.
b. Saran untuk asisten

1) Asisten 1 (Asyera Rara Anugerah Randebua’)
a) Sebaiknya asisten laboratorium dapat memberikan file template agar dapat
memudahkan praktikan ketika mengerjakan laporan.
b) Sebaiknya asisten laboratorium tetap bersabar ketika menghadapi praktikan.
c) Sebaiknya asisten laboratorium tetap mempertahankan ketegasannya seperti
membuat rules kepada praktikan.
2) Asisten 2 (Azzah Fadiyah)
a) Sebaiknya asisten laboratorium tetap ramah kepada praktikan.
b) Sebaiknya asisten laboratorium tetap menjaga kesehatannya.
c) Sebaiknya asisten laboratorium tetap mempertahankan ketelitiannya ketika
memeriksa laporan praktikan.
DAFTAR PUSTAKA
Ananda, R., & Fadhli, M. (2018). Statistik Pendidikan Teori dan Praktik Dalam
Pendidikan. Medan: CV. Widya Puspita.
Antara, S., Sepang, J., & Saerang, I. S. (2014). Analisis Rasio Likuiditas, Aktivitas,
Dan Profitabilitas Terhadap Return Saham Perusahaan Wholesale Yang
Terdaftar Di Bursa Efek Indonesia. Jurnal EMBA, 902-911.
Arisena, G. M. K. (2018). Buku Ajar Pengantar Statistika.
Astuti., dkk. (2021). Implementasi Wilcoxon Signed Rank Test Untuk Mengukur
Efektifitas Pemberian Video Tutorial Dan PPT Untuk Mengukur Nilai Teori.
Jurnal PRODUKTIF : Universitas Muhammadiyah Tasikmalaya.
Bastian, Bustami dan Nurlela. (2013). Klasifikasi Biaya
Denziana A. Indrayenti. dan Fatah F. (2014). Corporate Financial Performance
Effects Of Macro Economic Factors Against Stock Return. Jurnal Akuntansi dan
Keuangan. Vol.5. No.2. Hal.17- 40
Gunawan, Imam. (2016). Pengantar Statistika Inferensial. Depok : PT Raja Grafindo
Persada.
Hadi, S., Gunawan, I., & Dalle, J. (2017). Statistika Inferensial Teori dan Aplikasinya
Edisi II. Banjarmasin.
Hadi, S., Gunawan, I., & DALLE, J. (2018). Statistika Inferensial Teori dan
Aplikasinya.
Hanif, Arief Affanu.l (2021). Analisis Pengaruh Kinerja Keuangan Terhadap Nilai
Perusahaan Dengan Prediksi Financial Distress Sebagai Variabel Intervening
(Studi Pada Sektor Consumer Cyclicals Dan Energy Yang Terdaftar Di Bei
Tahun 2015 – 2020). Tesis thesis, Sekolah Tinggi Ilmu Ekonomi Indonesia
Jakarta
Heryana, A. (2018). Hipotesis Dalam Penelitian Kuantitatif. Jakarta : Universitas Esa
Unggul.
Kakiay, T. J. (2004). Dasar Teori Antrian untuk Kehidupan Nyata. Andi Publisher.
Keysha., dkk. (2022). Konsep Statistika Inferensial dan Uji Persyaratan Statistik
Parametrik. FIP Universitas Pendidikan Indonesia.
Lolang, E. (2015). Hipotesis Nol dan Hipotesis Alternatif. Jurnal KIP, 690-691
Magdalena, Riana dan Maria A. Krisanti. 2019. “Analisis Penyebab dan Solusi
Rekonsilasi Finished Goods Menggunakan Hipotesis Statistik dengan Metode
Pengujian Independent Sample T-Test di PT.Merek,Tbk”. Dalam Tekno. Vol.
16, No. 1.
Mawati., dkk. (2010). Uji Friedman dan Uji Anderson pada Rancangan Acak
Kelompok Lengkap Dasar Non Parametrik. Bengkulu : FMIPA Universitas
Bengkulu.
Nindyaiswari, N., Sugito, & Wilandari, Y. (2015). Identifikasi Model Antrian Bus
Rapid Transit (Brt) Pada Halte Operasional Brt Semarang. Gaussian, 4, 593–
601.
Nuryadi, Astuti, T, D., Utami, S, E,. & Budiantara, M. (2017). Dasar-Dasar Statistik
Penelitian. Yogyakarta.
Nuryadi, Astuti, T. D., Utami, E. S., & Budiantara, M. (2017). Dasar-Dasar Statistik
Penelitian. Yogyakarta: Sibuku Media. (http://eprints.mercubuana-
yogya.ac.id/id/eprint/6667/1/Buku-Ajar_Dasar-Dasar-Statistik-Penelitian.pdf)
Oktaviani, M, A. & Notobroto, H, B. (2014). Perbandingan Tingkat Konsistensi
Normalitas Distribusi Metode Kolmogorov-Smirnov, Lilliefors, Shapiro-Wilk,
dan Skewness-Kurtosis. Surabaya.
Purwanto, A. (2013). Analisis Failure Rate Mesin Reverse Osmosis Dengan
Perhitungan Evaluasi Sistem Perawatan Di Pt. Xyz. Indept, 3(3).
Quraisy, A. (2020). Normalitas Data Menggunakan Uji Kolmogorov-Smirnov dan
Saphiro-Wilk. Makassar.
Rahman, N. (2019). Pengaruh Model Pembelajaran Role Playing dan Inside Outside
Circle Terhadap Hasil Belajar IPS Peserta Didik SDN 008 Camba – Camba
Kabupaten Polewali Mandar. 55-66.
Rais, A.P. (2015). Statistik Inferensial. FKIP Universitas Muhammadiyah Makassar.
Sugito, M. A. M. (2011). Distribusi Poisson Dan Distribusi Eksponensial Dalam
Proses Stokastik. Media Statistika, 4(2), 113–120.
Sugiyono. (2007). Metode Penelitian Kuantitatif Kualitatif dan R&D. Bandung:
Alfabeta
Sugiyono. (2010). Metode Penelitian Kuantitatif, Kualitatif, dan R&D. In C. Alfabeta.

Bandung
Susilawati Luh K.P., dkk. (2017). Statistik. Program Studi Psikologi Fakultas
Kedokteran Universitas Udayana.
Susilawati, T., & Dharmawansyah, D. (2019). Metode Penerapan Keselamatan dan
Kesehatan Kerja terhadap Kinerja Proyek Konstruksi (Studi Kasus Proyek
Pembangkit Listrik Tenaga Mesin Gas Sumbawa). Jurnal Tambora, 3(3), 107-
114
Sutopo, E. Y., & Slamet, A. (2017). Statistik Inferensial. Penerbit Andi.a
Widana, W. & Muliani, P, L. (2020). Uji Persyaratan Analisis. Lumajang.
Widhiarso, W. (2010). Uji Linearitas Hubungan. Yogyakarta.
LAMPIRAN

Modul 2

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

Modul 2

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL II

LABORATORIUM STATISTIK DAN MANAJEMEN MUTU

DAFTAR ISI ............................................................................................................ ii

3.3 Alat dan Bahan Praktikum...................................................................... 48

Tabel 1 Hasil Perhitungan ......................................................................................... 6

Gambar 1 Tabel Perbedaan ...................................................................................... 31

Gambar 30 Tampilan Menu Scatter/Dot Pada Menu Graphs .................................. 82

Rumus 1 Mencari Uji T .......................................................................................... 5

1.1 Latar Belakang

1.2 Rumusan Masalah

1.3 Tujuan Praktikum

1.4 Batasan Masalah

2.1 Statistika Inferensia

Statistika inferensial sering disebut sebagai statistika induktif yang merupakan

2.2 Statistik Parametrik

(rata-rata) untukmenentukan apakah perbedaan rata-rata tersebut perbedaan nyata atau

1 3.2 -0.2 0.04 1 2.8 -0.8 0.64

Cari harga ttabel dengan db = n + n2 – 2 = 11 + 10 – 2 = 19

Taraf signifikan = (𝛼) 5%

Dengan mengambil α = 0.01, dk = 30, didapat z = 2.46

2.2.3 Uji ANOVA

a) Fhitung (kolom) = KTK/KTG

Selanjutnya menentukan kriteria pengujian

2.2.4 Uji Post Hoc

2.3 Statistik Non-Parametrik

2.3.1 Uji Wilcoxon

2.3.2 Uji Mann-Whitney

2.3.3 Uji Friedman

2.3.4 Uji Kruskall-Wallis

2.4 Jenis Distribusi

P(P) = q = probabilitas untuk mendapatkan bola putih (gagal)

E(Y) = 1(p) + 0(q)

2.4.2 Distribusi Poisson

2.4.3 Distribusi Eksponensial Negatif

2.4.4 Distribusi Normal

2.5 Level of Significance

Dalam pengujian hipotesis terdapat konsep penting yaitu level of significance.

2.6 Tingkat Kepercayaan

2.7 Tingkat Ketelitian

Tingkat ketelitian menunjukkan penyimpangan maksimum hasil pengukuran dari

2.8 Uji Hipotesis

2.8.1 Uji Hipotesis Mengenai Reputasi Populasi

Uji hipotesis menggunakan reputasi populasi adalah pengujian hipotesis tentang

2.8.2 Uji Hipotesis Mengenai Variansi Populasi

2.8.3 Uji Hipotesis Mengenai Proporsi Populasi

2.8.4 Uji Hipotesis Mengenai Hipotesis Alternatif

2.8.5 Prosedur Uji Hipotesis

Adapun prosedur dari uji hipotesis yakni :

2.9 Uji Heteroskedastisitas

Uji heteroskedastisitas adalah alat uji model regresi untuk mengetahui

Uji heteroskedastisitas digunakan untuk menguji apakah dalam sebuah regresi

2.9.3 Pengambilan Keputusan

Adapun prosedur pengambilan keputusan, yakni :

2.10 Uji Homogenitas

Uji homogenitas merupakan suatu pengujian klasik yang dilakukan untuk

(Nuryadi dkk, 2017).

2.11 Uji Normalitas

2.11.1 Definisi, Tujuan dan Manfaat Uji Normalitas

2.11.2 Jenis-Jenis Uji Normalitas Beserta Syarat Penggunaannya

a. Uji Kolmogorov Smirnov

m = (a1,………….,an )T adalah nilai yang diharapkan dari urutan statistik yang

Gambar 1 Tabel Perbedaan

(Hadi dkk., 2017).