Bagi Downacademia - Com Modul Probabilitas Dan Statistika Praktikum Spss Reny Rian Marliana PDF

Praktikum Probabilitas dan Statistika 2016
PRAKTIKUM
PROBABILITAS DAN STATISTIKA
Reny Rian Marliana, S.Si., M.Stat.
SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER
SUMEDANG
2016
KATA PENGANTAR
Segala puji dan syukur penulis panjatkan kepada Allah SWT yang senantiasa memberi
rahmat dan petunjuk-Nya dalam menyelesaikan modul Praktikum mata kuliah Probabilitas
dan Statistika untuk mahasiswa/mahasiswi Sekolah Tinggi Manajemen & Informatika
(STMIK) Sumedang.
Adapun tujuan penulisan modul ini adalah sebagai pedoman atau panduan dalam Proses
Belajar dan Mengajar yang merupakan penunjang Praktikum mata kuliah Probabilitas dan
Statistika bagi mahasiswa/mahasiswi Sekolah Tinggi Manajemen & Informatika (STMIK)
Sumedang, baik jurusan Teknik Informatika, Manajemen Informatika maupun Sistem
Informasi. Modul ini diharapakan dapat membantu mahasiswa/mahasiswi dalam
mempersiapkan dan mengikuti proses belajar dan mengajar dengan lebih baik, terarah dan
terencana.
Modul ini adalah hasil saduran dari beberapa penulis pada beberapa literatur. Penulis
menyadari bahwa tanpa rahmat Allah SWT, serta bimbingan, bantuan, doa dan dorongan dari
berbagai pihak, modul ini tidak mungkin dapat terselesaikan dengan baik pada waktunya.
Untuk itu, penulis mengucapkan banyak terima kasih kepada semua pihak yang telah
membantu baik secara langsung maupun tidak langsung, terutama kepada para penulis pada
beberapa literatur yang menjadi saduran atau referensi dalam penulisan modul ini. Terima
kasih telah memberikan kontribusi yang sangat besar kepada kemudahan penulisan modul ini.
Penulis menyadari bahwa dalam penulisan modul ini masih jauh dari kesempurnaan.
Oleh karena itu, kritik dan saran yang sifatnya membangun sangat penulis harapkan. Kritik
dan saran dapat disampaikan melalui email renyrian@stmik-sumedang.ac.id.
Akhir kata, semoga modul ini dapat bermanfaat bagi Proses Belajar Mengajar
khususnya pada mata kuliah Probabilitas & Statistika.
Sumedang, Agustus 2016
Penulis
i
DAFTAR ISI
KATA PENGANTAR ............................................................................................ i

DAFTAR ISI.......................................................................................................... ii
DAFTAR TABEL .................................................................................................. iv
DAFTAR GAMBAR ............................................................................................. v
1. Pengenalan SPSS ............................................................................................... 1
1.1.Menu dalam SPSS ....................................................................................... 2
1.2. Data Editor ................................................................................................. 5
1.3. SPSS Viewer ............................................................................................... 8
1.4. Importing dan Exporting Data ..................................................................... 10
LATIHAN 1 ...................................................................................................... 13
2. Konsep Dasar Statistika ..................................................................................... 14
2.1. Jenis Penelitian .......................................................................................... 14
2.2. Tipe Variabel .............................................................................................. 16
2.2.1. Variabel Kualitatif ............................................................................ 16
2.2.2. Variabel Kuantitatif .......................................................................... 16
2.3. Reliabilitas dan Validitas ............................................................................ 17
2.4. Uji Hipotesis ............................................................................................... 18
2.4.1. Error Tipe I dan Tipe II.................................................................... 19
2.4.2. Taraf Signifikansi ............................................................................. 20
2.4.3. Uji Satu Pihak dan Uji Dua Pihak ..................................................... 20
LATIHAN 2 ...................................................................................................... 22
3. Ukuran Deskriptif .............................................................................................. 23
3.1. Penyajian Data dengan Tabel ...................................................................... 24
3.2. Penyajian Data dengan Grafik ..................................................................... 29
3.3. Penyajian Data dengan Distribusi Frekuensi ............................................... 40
3.4. Penyajian Data dengan Ukuran-Ukuran Deskriptif ...................................... 43
LATIHAN 3 ...................................................................................................... 48
4. Penyajian Data Menggunakan Microsoft Excel .................................................. 49
4.1.Penyajian Data Menggunakan Pivot Table ................................................... 49
4.2.Penyajian Data Menggunakan Pivot Chart ................................................... 54
ii
4.3.Ukuran-Ukuran Deskriptif pada Microsoft Excel.......................................... 58
LATIHAN 4 ...................................................................................................... 63
5. Distribusi Probabilitas ...................................................................................... 66
5.1. Ruang Sampel............................................................................................. 66
5.1.1. Permutasi ......................................................................................... 66
5.1.2. Kombinasi ........................................................................................ 67
5.2. Rumus Bayes .............................................................................................. 68
5.3. Distribusi Binomial ..................................................................................... 69
5.4. Distribusi Poisson ....................................................................................... 71
5.5. Distribusi Hipergeometrik ........................................................................... 73
5.6. Distribusi Normal Standard ......................................................................... 77
LATIHAN 5 ...................................................................................................... 82
6. Pengujian Hipotesis ........................................................................................... 84
6.1.One Sample t-Test ........................................................................................ 84
6.2.Independent Sample t-Test ........................................................................... 88
6.3.Dependent Sample t-Test ............................................................................. 93
LATIHAN 6 ...................................................................................................... 99
7. Regresi Linear Sederhana dan Korelasi .............................................................. 101
7.1.Analisis Regresi ........................................................................................... 101
7.1.1. Asumsi Normalitas ........................................................................... 107
7.1.2. Asumsi Non-Autokorelasi ................................................................ 110
7.1.3. Asumsi Homoskedastisitas ............................................................... 114
7.2. Analisis Korelasi......................................................................................... 122
Case Study 1 ...................................................................................................... 126
Case Study 2 ...................................................................................................... 127
Case Study 3 ...................................................................................................... 128
8. Time Series ........................................................................................................ 129
8.1. Uji Normalitas ............................................................................................ 133
8.2. Uji Non-Autokorelasi.................................................................................. 135
8.3. Uji Homoskedastisitas ................................................................................ 137
LATIHAN 8 ...................................................................................................... 143
DAFTAR PUSTAKA ................................................................................................... 145
iii
DAFTAR TABEL
Tabel 1.1. Data Pengunjung Pelabuhan Sekupang Batam Kepulauan Riau .............. 13
Tabel 2.1. Contoh Kasus Penelitian ........................................................................ 19
Tabel 4.1. Data Penjualan dan Kualitas Pelayanan yang Diberikan. ........................ 60
Tabel 6.1. Data Gaji Rata-Rata Lulusan. ................................................................. 84
Tabel 6.2. Hasil Tambang Pekerja. ......................................................................... 88
Tabel 6.3. Banyaknya Penawaran. .......................................................................... 93
Tabel 7.1. Data Penjualan Berdasarkan Kualitas Pelayanan yang Diberikan ........... 102
Tabel 7.2. Arti Koefisien Korelasi .......................................................................... 124
Tabel 8.1. Data Penjualan Produk Tahun 1959-1973 .............................................. 129
Tabel 8.2. Coding Tahun Data Penjualan Produk Tahun 1959-1973 ....................... 130
iv
DAFTAR GAMBAR
Gambar 1.1............................................................................................................. 2
Gambar 1.2............................................................................................................. 3
Gambar 1.3............................................................................................................. 3
Gambar 1.4............................................................................................................. 4
Gambar 1.5............................................................................................................. 4
Gambar 1.6............................................................................................................. 5
Gambar 1.7............................................................................................................. 6
Gambar 1.8............................................................................................................. 6
Gambar 1.9............................................................................................................. 7
Gambar 1.10........................................................................................................... 8
Gambar 1.11........................................................................................................... 9
Gambar 1.12........................................................................................................... 10
Gambar 1.13........................................................................................................... 11
Gambar 1.14........................................................................................................... 11
Gambar 1.15........................................................................................................... 12
Gambar 3.1............................................................................................................. 23
Gambar 3.2............................................................................................................. 23
Gambar 3.3............................................................................................................. 24
Gambar 3.4............................................................................................................. 25
Gambar 3.5............................................................................................................. 25
Gambar 3.6............................................................................................................. 26
Gambar 3.7............................................................................................................. 26
Gambar 3.8............................................................................................................. 27
Gambar 3.9............................................................................................................. 27
Gambar 3.10........................................................................................................... 28
Gambar 3.11........................................................................................................... 28
Gambar 3.12........................................................................................................... 29
Gambar 3.13........................................................................................................... 29
Gambar 3.14........................................................................................................... 30
Gambar 3.15........................................................................................................... 30
v
Gambar 3.16........................................................................................................... 31
Gambar 3.17........................................................................................................... 31
Gambar 3.18........................................................................................................... 32
Gambar 3.19........................................................................................................... 32
Gambar 3.20........................................................................................................... 33
Gambar 3.21........................................................................................................... 33
Gambar 3.22........................................................................................................... 34
Gambar 3.23........................................................................................................... 34
Gambar 3.24........................................................................................................... 35
Gambar 3.25........................................................................................................... 35
Gambar 3.26........................................................................................................... 36
Gambar 3.27........................................................................................................... 36
Gambar 3.28........................................................................................................... 37
Gambar 3.29........................................................................................................... 37
Gambar 3.30........................................................................................................... 38
Gambar 3.31........................................................................................................... 38
Gambar 3.32........................................................................................................... 39
Gambar 3.33........................................................................................................... 39
Gambar 3.34........................................................................................................... 40
Gambar 3.35........................................................................................................... 40
Gambar 3.36........................................................................................................... 41
Gambar 3.37........................................................................................................... 41
Gambar 3.38........................................................................................................... 42
Gambar 3.39........................................................................................................... 43
Gambar 3.40........................................................................................................... 43
Gambar 3.41........................................................................................................... 44
Gambar 3.42........................................................................................................... 45
Gambar 3.43........................................................................................................... 46
Gambar 3.44........................................................................................................... 46
Gambar 3.45........................................................................................................... 47
Gambar 3.46........................................................................................................... 47
Gambar 4.1............................................................................................................. 49
Gambar 4.2............................................................................................................. 50
vi
Gambar 4.3............................................................................................................. 51
Gambar 4.4............................................................................................................. 51
Gambar 4.5............................................................................................................. 52
Gambar 4.6............................................................................................................. 52
Gambar 4.7............................................................................................................. 53
Gambar 4.8............................................................................................................. 53
Gambar 4.9............................................................................................................. 54
Gambar 4.10........................................................................................................... 54
Gambar 4.11........................................................................................................... 55
Gambar 4.12........................................................................................................... 55
Gambar 4.13........................................................................................................... 56
Gambar 4.14........................................................................................................... 56
Gambar 4.15........................................................................................................... 57
Gambar 4.16........................................................................................................... 57
Gambar 4.17........................................................................................................... 58
Gambar 4.18........................................................................................................... 59
Gambar 4.19........................................................................................................... 59
Gambar 4.20........................................................................................................... 60
Gambar 4.21........................................................................................................... 61
Gambar 4.22........................................................................................................... 61
Gambar 4.23........................................................................................................... 62
Gambar 5.1............................................................................................................. 67
Gambar 5.2............................................................................................................. 68
Gambar 5.3............................................................................................................. 69
Gambar 5.4............................................................................................................. 70
Gambar 5.5............................................................................................................. 71
Gambar 5.6............................................................................................................. 72
Gambar 5.7............................................................................................................. 73
Gambar 5.8............................................................................................................. 74
Gambar 5.9............................................................................................................. 76
Gambar 5.10........................................................................................................... 77
Gambar 5.11........................................................................................................... 77
Gambar 5.12........................................................................................................... 78
vii
Gambar 5.13........................................................................................................... 79
Gambar 5.14........................................................................................................... 80
Gambar 5.15........................................................................................................... 81
Gambar 6.1............................................................................................................. 86
Gambar 6.2............................................................................................................. 86
Gambar 6.3............................................................................................................. 87
Gambar 6.4............................................................................................................. 87
Gambar 6.5............................................................................................................. 87
Gambar 6.6............................................................................................................. 90
Gambar 6.7............................................................................................................. 90
Gambar 6.8............................................................................................................. 91
Gambar 6.9............................................................................................................. 91
Gambar 6.10........................................................................................................... 92
Gambar 6.11........................................................................................................... 92
Gambar 6.12........................................................................................................... 94
Gambar 6.13........................................................................................................... 95
Gambar 6.14........................................................................................................... 95
Gambar 6.15........................................................................................................... 96
Gambar 6.16........................................................................................................... 96
Gambar 6.17........................................................................................................... 96
Gambar 7.1............................................................................................................. 103
Gambar 7.2............................................................................................................. 103
Gambar 7.3............................................................................................................. 104
Gambar 7.4............................................................................................................. 104
Gambar 7.5............................................................................................................. 105
Gambar 7.6............................................................................................................. 106
Gambar 7.7............................................................................................................. 106
Gambar 7.8............................................................................................................. 107
Gambar 7.9............................................................................................................. 108
Gambar 7.10........................................................................................................... 108
Gambar 7.11........................................................................................................... 109
Gambar 7.12........................................................................................................... 109
Gambar 7.13........................................................................................................... 111
viii
Gambar 7.14........................................................................................................... 111
Gambar 7.15........................................................................................................... 112
Gambar 7.16........................................................................................................... 112
Gambar 7.17........................................................................................................... 113
Gambar 7.18........................................................................................................... 113
Gambar 7.19........................................................................................................... 114
Gambar 7.20........................................................................................................... 115
Gambar 7.21........................................................................................................... 116
Gambar 7.22........................................................................................................... 116
Gambar 7.23........................................................................................................... 117
Gambar 7.24........................................................................................................... 117
Gambar 7.25........................................................................................................... 117
Gambar 7.26........................................................................................................... 118
Gambar 7.27........................................................................................................... 119
Gambar 7.28........................................................................................................... 119
Gambar 7.29........................................................................................................... 120
Gambar 7.30........................................................................................................... 120
Gambar 7.31........................................................................................................... 121
Gambar 7.32........................................................................................................... 123
Gambar 7.33........................................................................................................... 123
Gambar 7.34........................................................................................................... 124
Gambar 8.1............................................................................................................. 131
Gambar 8.2............................................................................................................. 131
Gambar 8.3............................................................................................................. 132
Gambar 8.4............................................................................................................. 134
Gambar 8.5............................................................................................................. 134
Gambar 8.6............................................................................................................. 136
Gambar 8.7............................................................................................................. 136
Gambar 8.8............................................................................................................. 137
Gambar 8.9............................................................................................................. 138
Gambar 8.10........................................................................................................... 139
Gambar 8.11........................................................................................................... 140
Gambar 8.12........................................................................................................... 141
ix
Gambar 8.13........................................................................................................... 142
x
Pengenalan SPSS
Dalam kehidupan sehari-hari, seorang Manajer Bisnis atau seorang Peneliti sering
sekali menemui kesulitan dalam menyelesaikan masalah dalam kehidupan nyata yang
melibatkan metode statistika. Bagaimanapun, perhitungan manual tidak lagi efektif dilakukan
jika data yang digunakan dalam ukuran yang besar. Perhitungan manual akan menjadi rumit,
melelahkan dan rawan dengan kesalahan. Perhitungan manual sangat efektif dilakukan hanya
untuk menjelaskan konsep dan tidak untuk menyelesaikan masalah penelitian dalam
kehidupan yang nyata. Untuk alasan tersebut, sebagian besar praktik analisis statistik
dilakukan dengan bantuan software. Seorang Manager atau Peneliti hanya perlu menyiapkan
data input dan dapat memperoleh hasil akhir analisis dengan mudah dengan bantuan
software. Dengan demikian, perhatian Manajer atau Peneliti dapat terfokus kepada berbagai
aspek lain dari pemecahan masalah dan pengambilan keputusan.
Dalam penyelesaian masalah yang melibatkan metode Statistika, terdapat banyak sekali
software yang dapat digunakan untuk membantu menyelasikan perhitungan secara cepat dan
mudah, seperti SPSS, Minitab, SAS, STATA, S-PLUS, STATISTICA, dll. Microsoft Excel
juga dapat digunakan untuk menyelesaikan permasalahan Statistika. Dari beberapat software
yang tersedia tersebut, salah satu yang paling sering digunakan karena alasan praktis dan
mudah adalah SPSS dan Microsoft Excel. SPSS adalah singkatan dari Statistical Package for
The Social Sciences.
Program SPSS dapat diinstal di PC menggunakan CD atau melalui jaringan. Setelah
terinstal, SPSS dapat dibuka seperti aplikasi program lainnya dalam Windows yaitu melalui
menu Start dan mengklik SPSS dari daftar program. Saat anda membuka program SPSS
pertama kali, maka akan muncul kotak dialog seperti pada Gambar 1.1. kotak Dialog ini tidak
digunakan untuk perhitungan sehingga pilih Don’t show this dialog in the future dan klik
tombol Cancel. Langkah tersebut akan mengaktifkan sebuah window yang ditunjukkan pada
Gambar 1.2. Window tersebut adalah window editor data utama dimana semua data
dimasukkan seperti spreadsheet dalam Microsoft Excel. Di bagian atas layar terdapat menu
yang berbeda yang memberikan akses ke berbagai fungsi SPSS. Di bawahnya, terdapat
toolbar yang merupakan tombol quick acces ke berbagai fungsi. Pada bagian paling bawah
adalah status bar. Kita dapat melihat SPSS Processor is ready pada status bar yang
1
menunjukkan bahwa SPSS telah terinstal dengan benar dengan lisensi yang valid. Jika SPSS
sedang dalam proses analisis maka status bar akan menunjukkan pesan untuk proses tersebut.
program SPSS dapat ditutup dengan mengklik tombol Close pada sudut kanan atas, sama
seperti aplikasi program lain dalam Windows.
Gambar 1.1.
1.1. Menu dalam SPSS

SPSS 16.0 memilik 11 menu utama, yang memberikan akses ke berbagai tool pada
program SPSS. Seperti yang terlihat pada Gambar 1.2. pembaca pasti familiar dengan
beberapa menu seperti file, edit dan sebagainya, menu-menu tersebut biasa ditemui ketika
bekerja pada aplikasi Microsoft Office. Menu file digunakan untuk membuka, menyimpan,
mencetak, menutup file dan menyediakan akses ke file yang belum lama digunakan recently
use). Menu edit dignakan untuk melakukan hal-hal seperti cut, copy, paste dll. Menu view
memungkinkan kita menyesuaikan dekstop SPSS. Dengan menggunakan menu view kita
dapat menyembunyikan (hide), atau menunjukkan (show) toolbar, status bar, gridlines dll.
2
Gambar 1.2.
Gambar 1.3.
Menu data merupakan menu penting dalam SPSS. Dengan menu ini kita dapat
memanipulasi data dalam berbagai cara. Seperti yang terlihat pada Gambar 1.3., dengan
menggunakan menu ini kita dapat mendefinisikan variabel, transposisi data, menggabungkan
3
kasus dll. Menu transform adalah menu yang sangat berguna lainnya, yang memungkinkan
kita menghitung variabel baru dan membuat perubahan pada data yang sudah ada.
Gambar 1.4.
Gambar 1.5.
4
Menu analyze merupakan fungsi yang memungkinkan kita melakukan semua analisis
statistika. Menu ini memiliki berbagai macam alat statistika yang dapat digunakan pada kasus
yang berbeda. Menu graph memungkinkan kita membuat berbagai jenis plot dari data yang
tersedia seperti bar chart, line chart, pie chart, histogram dll. Menu utilities memberikan
informasi mengenai variabel dan file. Menu Add-ons menunjukkan tentang program lain dari
dari “keluarga” SPSS seperti AMOS, Clementine dll. Selain itu, melalui menu ini kita dapat
menemukan fungsi baru yang ditambahkan di bawah add-ons. Menu windows dan help
sangat mirip dengan menu aplikasi Windows lainnya.
Gambar 1.6.
1.2. Data Editor

Seperti yang terlihat pada Gambar 1.2. pada bagian paling bawah dari data editor
terdapat dua tab yaitu data view dan variabel view. Pada data view, data editor bekerja sama
seperti sebuah spreadsheet dalam Microsoft Excel. Melalui tab ini kita dapat memasukkan
nilai di cells yang berbeda, memodifikasi dan bahkan melakukan cut dan paste ke dalam
sebuah spreadsheet di Microsoft Excel. Pada variabel view, data editor ditunjukkan seperti
pada Gambar 1.7.
5
Gambar 1.7.
Pada variabel view terdapat 10 kolom yang masing-masing berfungsi sebagai berikut :
 Name
Merupakan kolom yang digunakan untuk nama variabel, misalnya Barang, Nilai,
Tinggi.
Hal yang perlu diperhatikan saat mengisi nama variabel adalah nama variabel harus
diawali dengan huruf dan tidak boleh diakhiri dengan tanda titik atau separator lain.
Juga, tidak boleh ada yang sama, dengan tidak membedakan huruf kecil atau besar.
 Type
Kolom ini digunakan untuk memilih tipe data yang dimasukkan ke dalam dala view.
Terdapat beberapa tipe seperti yang ditunjukkan pada kotak dialog di bawah ini :
Gambar 1.8.
6
a. Numeric : angka, tanda (+) atau (-) di depan angka, indikator desimal
b. Comma : angka, tanda (+) atau (-) di depan angka, indikator desimal, tanda
koma sebagai pemisah bilangan ribuan
c. Dot : angka, tanda (+) atau (-) di depan angka, indikator desimal, tanda titik
sebagai pemisah bilangan ribuan
d. Scientific Notation : sama dengan tipe numeric, tetapi menggunakan simbol E
untuk kelipatan 10 misalnya 120000=1.2E+5
e. Date : menampilkan data format tanggal atau waktu.
f. Dollar : memberi tanda dollar ($), tanda koma sebagai pemisah bilangan ribuan
dan tanda titik sebagai desimal.
g. Custom Currency : untuk format mata uang
h. String : untuk data yang diinput dalam bentuk huruf atau karakter lainnya.
 Width
Kolom yang digunakan untuk mengatur banyaknya karakter di tial cells pada Data
View.
 Decimals
Kolom yang digunakan untuk mengatur banyaknya angka di belakang koma atau
desimal pada tiap cells di Data View.
 Labels
Kolom yang digunakan untuk memberikan informasi lengkap tentang nama variabel
dari ata yang dimasukkan ke Data View. Berbeda dengan kolom name pada kolom ini
separator “spasi” dapat digunakan. Contoh : Tinggi Badan
 Values
Kolom yang digunakan untuk mengubah data yang dimasukkan ke Data View ke dalam
bentuk kategori melalui kotak dialog di bawah ini :
Gambar 1.9.
7
 Missing
Kolom yang digunakan untuk memberikan keterangan missing data
 Coloumns
Kolom yang digunakan untuk mengatur lebar kolom
 Align
Kolom yang digunakan untuk mengatur letak data pada tiap cells di Data View
 Measure
Kolom yang digunakan untuk memilih skala pengukuran yang sesuai dengan data yang
dimasukkan ke dalam Data View. Terdapat 3 jenis measure yang digunakan yaitu scale,
ordinal dan nominal. Scale digunakan untuk skala pengukuran Interval dan atau Rasio.
Ordinal digunakan untuk skala pengukuran Ordinal. Begitu pula dengan nominal
digunakan untuk skala pengukuran Nominal.
1.3. SPSS Viewer

Setiap kali kita menjalankan analisis pada program SPSS, output ditampilkan dalam
SPSS Viewer yang terbuka sebagai window yang terpisah. Contoh output tersebut dapat
dilihat pada Gambar 1.10 berikut :
Gambar 1.10.
SPSS Viewer memiliki dua panel yaitu panel kanan dan panel kiri. Panel kanan
menampilkan output hasil analisis data dan log commands, panel kiri menunjukkan sebuah
8
outline dari output yang ditampilkan pada panel kanan. Panel kiri tersebut dapat dengan cepat
menavigasi output dengan memilih outline yang sama yang ditampilkan pada panel kiri.
Menu pada SPSS Viewer sangat mirip dengan menu yang kita temukan pada Data
Editor. Akan tetapi, dalam SPSS Viewer terdapat dua menu tambahan yaitu Insert dan
Format. Menu Insert dapat digunakan untuk memasukkan judul, komentar, page breaks dll.
untuk mengatur output output dengan ukuran yang sangat besar. Menu format memiliki peran
serupa untuk mengatur output dengan cara yang lebih mudah. Menu format jarang digunakan
sebagai output yang bisa disalin ke dalam MS.Word atau MS.Excel. Output pada panel kanan
dapat diekspor ke berbagai format lainnya. Pilihan format ekspor dapat diakses di bawah
menu file.
Gambar 1.11.
Dengan mengklik export maka akan muncul kotak dialog seperti yang terlihat pada
Gambar 1.12. Pada kotak dialog tersebut, kita dapat menentukkan bagian dari output yang
ingin diekspor dengan membuat pilihan pada kotak berjudul Objects to Export. Kita juga
dapat menentukan format dari output yang akan diekspor dengan memilih tipe tertentu dari
menu Type. SPSS menyediakan beberapa format yang dapat dipilih seperti HTML file, Text
file, Excel file, PDF file, Presentation file dan Word/RTF file.
9
Gambar 1.12.
1.4. Importing dan Exporting Data

SPSS memberikan pilihan dari berbagai opsi untuk membuka data. Jika anda klik menu
file dan pilih open dan Data seperti yang ditunjukkan pada Gambar 1.13 akan memunculkan
sebuah kotak dialog seperti pada Gambar 1.14. SPSS 16.0 dapat membuka file data dari
program-program seperti Excel, Systat, Lotus, dBase, SAS, STATA disamping teks dan
ASCII format.
Jika kita ingin membuka data dari file Excel, pertama anda pilih file yang akan dibuka
sebagai contoh pada Gambar 1.14 file yang dipilih adalah file demo.xls kemudian klik open,
maka akan muncul kotak dialog seperti pada Gambar 1.15. Di dalam kotak dialog tersebut,
kita dapat menentukan lembar kerja (sheet) dari data yang ingin diimpor ke dalam SPSS. Kita
juga dapat membaca nama variabel dengan mencentang Read variable names from the first
row of data.
Sama halnya dengan membuka data dari berbagai format atau mengimport data ke
SPSS, kita juga dapat menyimpat data dari SPSS ke berbagai format. hal ini dapat dilakukan
dengan mengklik file kemudian pilih save dan memilih format yang dinginkan dan disediakan
pada kotak dialog yang muncul.
10
Gambar 1.13.
Gambar 1.14.
11
Gambar 1.15.
12
LATIHAN 1
Data berikut adalah data mengenai pengunjung pelabuhan Sekupang Batam Kepulauan Riau.
Input data berikut pada SPSS :
Tabel 1.1. Data Pengunjung Pelabuhan Sekupang Batam Kepulauan Riau
NO Resp Umur Jenis Kelamin Pekerjaan Pendidikan Frekuensi Menyebrang

1 15-20 Tahun Laki-Laki Lainnya SMU/Sederajat Lain-Lain
3 15-20 Tahun Laki-Laki Lainnya Diploma 1 kali dalam sebulan
5 15-20 Tahun Laki-Laki Swasta/Pengusaha SMU/Sederajat 1 kali dalam sebulan
7 15-20 Tahun Laki-Laki Lainnya D4/Sarjana 1 kali dalam sebulan
8 15-20 Tahun Perempuan Karyawan Diploma Lain-Lain
9 15-20 Tahun Perempuan Karyawan D4/Sarjana Lain-Lain
10 33-38 Tahun Perempuan Karyawan SMU/Sederajat Lain-Lain
11 21-26 Tahun Perempuan Karyawan D4/Sarjana Lain-Lain
12 15-20 Tahun Laki-Laki Karyawan SMU/Sederajat Lain-Lain
13 15-20 Tahun Laki-Laki Lainnya SMU/Sederajat 1 kali dalam sebulan
20 15-20 Tahun Laki-Laki Tidak Bekerja SMU/Sederajat Lain-Lain
22 15-20 Tahun Laki-Laki Lainnya D4/Sarjana Lain-Lain
23 33-38 Tahun Laki-Laki Dosen D4/Sarjana 1-2 kali dalam seminggu
24 15-20 Tahun Perempuan Tidak Bekerja SMU/Sederajat Lain-Lain
25 15-20 Tahun Perempuan Karyawan D4/Sarjana 1 kali dalam sebulan
Sumber : Pusat Kajian UMKM, Politeknik Negeri Batam (Shinta Wahyu, 2015).
13
Konsep Dasar Statistika
Komputer telah mengubah bagaimana Statistika dipelajari dan diajarkan. Saat ini,
seringkali ditemui perilaku mahasiswa yang hanya tertarik pada hasil dari apa yang mereka
analisis dan tidak peduli tentang bagaimana hasil tersebut didapatkan. Tujuan dari Bab ini
adalah memperkenalkan istilah-istilah statistik umum dan konsep-konsep mana yang harus
pembaca ketahui agar dapat menginterpretasikan output yang dihasilkan. Pembaca sangat
dianjurkan untuk merujuk beberapa buku Statistika untuk memahami dasar teori dan logika.
Sebagai tujuan dari modul ini adalah untuk membantu mahasiswa menggunakan SPSS
untuk penelitian yang dilakukan dengan aspek praktis dari Statistik yang diperlukan untuk
menggunakan paket perangkat lunak yaitu SPSS yang mampu melakukan analisis statistik
bagi penggunanya.
2.1. Jenis Penelitian

Salah satu tujuan utama dari perilaku seorang ilmuan adalah mengembangkan teori dan
prinsip-prinsip yang memberikan wawasan dalam perilaku manusia dan organisasi. Teori-
teori dan prinsip-prinsip telah dievaluasi terhadap hasil observasi yang sebenarnya. Hal ini
disebut sebagai validasi teori dengan penelitian empiris. Secara umum, penelitian
diklasifikasikan ke dalam dua kelompok yaitu Penelitian Kualitatif dan Penelitian Kuantitatif.
a. Penelitian Kualitatif
Penelitian kualitatif melibatkan pengumpulan data kualitatif melalui wawancara,
observasi, field notes, open-ended questions dll. Peneliti sendiri adalah instrumen utama
dalam pengumpulan data dimana data yang dikumpulkan bisa dalam bentuk kata-kata,
gambar, pola dll. Data analisis yang dilibatkan dalam penelitian ini adalah mencari pola,
tema dan holistic features. Hasil dari penelitian Kualitatif lebih menyerupai sebuah
konteks khusus dan laporan dalam bentuk sebuah narasi dengan konteks deskripsi dan
pernyataan langsung dari penelitinya.
b. Penelitian Kuantitatif
Penelitian kuantitatif melibatkan pengumpulan data kuantitatif berdasarkan hasil
pengukuran menggunakan struktur, reliabilitas dan validasi instrumen pengumpulan data
atau melalui sumber-sumber data arsip. Data berasal dari sebuah variabel dan data
14
analisis yang dilakukan adalah membangun hubungan statistika. Jika dilakukan dengan
benar, hasil dari penelitian ini dapat digeneralisasi terhadap keseluruhan populasi.
Penelitian kuantitatif dapat diklasifikasikan menjadi dua kelompok berdasarkan
metodologi pengumpulan data yang digunakan yaitu penelitian eksperimental dan
penelitian non-eksperimental.
 Penelitian Eksperimental
Penelitian eksperimental merupakan bentuk dasar yang sangat sering
digunakan oleh penelitian di bidang Psikologi. Tujuan utama dari penelitian
eksperimental adalah menetapkan hubungan sebab-akibat. Penetapan hubungan
sebab-akibat ini hanya bisa dilakukan pada sebuah penelitian eksperimental
dengan rancangan atau desain yang benar.
Penelitian eksperimental sering juga disebut sebagai sebuah desain
eksperimen. Terdapat dua jenis desain eksperimen yaitu deasin between-
subjects design dan within-subjects design. Dalam desain between-subjects,
secara acak kita menetapkan subjek yang berbeda untuk kondisi yang berbeda.
Sebaliknya, pada desain within-subjects, subjek yang sama secara acak
dialokasikan pada lebih dari satu kondisi. Dalam hal ini dapat dikatakan
sebagai desain pengukuran berulang atau repeated measures design. Selain
kedua desain tersebut, kita juga dapat memiliki sebuah penelitian eksperimental
mixed design. Teknik analisis yang sering digunakan untuk menganalisis data
tersebut diantaranya t-test, ANOVA dll.
 Penelitian Non-Eksperimental
Penelitian non-eksperimental umumnya digunakan di bidang Sosiologi,
Political Science dan disiplin Manajemen. Jenis penelitian ini sering dilakukan
dengan bantuan sebuah survey. Tidak terdapat pengacakan subjek terhadaa
kelompok tertentu ataupun manipulasi variabel independen. Sebagai akibatnya,
dalam penelitian non-eksperimental kita tidak dapat menetapkan hubungan
sebab-akibat.
Terdapat dua pendekatan dalam menganalisis data tersebut. Pertama,
menguji signifikansi perbedaan antara kelompok, sementara pendekatan kedua
adalah menguji signifikansi hubungan antara dua faktor.
15
Penelitian kuantitatif juga diklasifikasikan berdasarkan tipe atau jenis data yang
digunakan yaitu data primer dan data sekunder. Data primer adalah data yang
dikumpulkan langsung dari subjek penelitian. Data ini diperoleh dengan bantuan
instrumen standard sebuah survey. Data sekunder adalah data yang dikumpulkan dari
sumber yang dipublikasikan. Terdapat banyak sekali database manajemen yang selalu
menyimpan data dari berbagai sumber seperti data lingkungan micro maupun macro
termasuk data laporan tahunan perusahaan, jurnal perdagangan, majalah dan koran.
2.2. Tipe Variabel

Variabel adalah sebuah karakteristik dari seorang individu atau objek yang dapat
diukur. Terdapat dua buah tipe variabel yaitu kualitatif dan kuantitatif.
2.2.1. Variabel Kualitatif
Variabel kualitatif adalah variabel yang berbeda dalam jenis dan bukan dalam
tingkatan. Variabel ini dapat diukur pada skala nominal dan skala ordinal. Skala nominal
mengelompokkan variabel ke dalam beberapa kelompok atau kelas. Sebagai contoh, jenis
kelamin, agama, ras, warna, pekerjaan, etc. Skala ordinal menunjukkan urutan item. Sebagai
contoh, skala Setuju-Tidak Setuju yaitu “1-Sangat Setuju sampai dengan 5-Sangat Tidak
Setuju”. Contoh lain adalah tingkat kepuasan pelanggan “1-Sangat Puas sampai dengan 5-
Sangat Tidak Puas”.
Variabel kualitatif bisa berbentuk dikotomus atau hanya dalam dua kategori, misalnya
jenis kelamin (perempuan dan laki-laki) atau multinomial yang bisa lebih dari dua kategori
misalnya wilayah geografis.
2.2.2. Variabel Kuantitatif
Variabel kuantitatif adalah variabel berbeda dalam tingkatan dibandingkan dengan
jenis. Variabel ini dapat diukur dalam skala interval atau rasio. Skala interval menunjukkan
peringkat dan jarak dari nol dalam satuan interval. Misalnya temperatur udara atau suhu.
Skala rasio menunjukkan peringkat dan jarak dari nol sebagai titik absolut, misalnya tinggi,
konsumsi bulanan, anggaran tahunan.
Dalam program SPPS, skala interval dan rasio tidak dibedakan, kedua skala ini
dikelompokkan pada pengukuran (measured) scale.
16
2.3. Reliabilitas dan Validitas
Reliabilitas dan validitas adalah dua ukuran penting dari setiap prosedur pengukuran
sebuah variabel. Reliabilitas menunjukkan tingkat keandalaan atau keyakinan bahwa kita
dapat menggunakan alat ukur atau instrumen untuk memberikan nilai numerik yang sama
ketika pengukuran diulang pada objek yang sama. Validitas menunjukkan seberapa tepat
pengukuran yang dilakukan melalui sebuah instrumen dalam mengukur apa yang seharusnya
diukur. Reliabilitas sebuah instrumen penelitian tidak menjamin kevalidan dari instrumen
tersebut.
Sebagai contoh, mungkin terdapat sebuah instrumen yang dapat mengukur berapa
banyak hal yang dapat diingat oleh seorang anak dari aktivitas terakhirnya dalam satu hari.
Jika instrumen ini memberikan nilai yang sama ketika diimplementasikan pada anak yang
sama maka instrumen tersebut handal. Akan tetapi, jika seseorang mengklaim bahwa
instrumen tersebut adalah alat yang valid untuk mengukur tingkat IQ anak adalah salah.
Instrumen tersebut hanya bisa mengukur tingkat memori bukan mengukur tingkat IQ anak.
Seperti yang telah disebutkan sebelumnya, reliabilitas adalah tingkat keandalan yang
diharapakan seseorang untuk menemukan hasil yang sama jika pengukuran dilakukan secara
berulang. Salah satu cara yang ideal untuk mengukur tingkat reliabilitas sebuah instrumen
adalah metode test-retest. Metode ini dilakukan dengan mengukur objek yang sama dua kali
dan hasil korelasinya. Jika pengukuran menghasilkan jawaban yang sama dalam pengukuran
secara berulang maka dapat disimpulkan instrumen yang digunakan adalah reliabel.
Bagaimanapun, pengukuran reliabilitas menggunakan metode test-retest secara praktik sangat
sulit dilakukan. Sekali sebuah objek melalui sebuah tes, maka pada pengukuran selanjutnya
dengan instrumen yang sama jawaban dari objek tersebut tidak akan netral. Beberapa teknik
yang umum diguakan untuk mengukur tingkat reliabilitas termasuk Cohen’s kappa
coefficient untuk data kategorikal, dan Cronbach’s alpha untuk reliabilitas internal dari
sebuah set pertanyaan (scales). Alternatif lain untuk mengukur tingkat reliabilitas instrumen
adalah menggunakan analisis faktor konfirmatori.
Objektifitas dalam mengukur validitas adalah melihat seberapa akurat yaitu hubungan
antara ukuran dengan apa yang seharusnya diukur. Tahap pertama dalam mengukuran
validitas disebut sebagai face validity test. Face validity test menetapkan apakah instrumen
penelitian (alat ukur) mengukur karakteristik yang seharusnya diukur. Face validity test
dilakukan dengan menunjukkan instrumen penelitian ke para ahli (experts) dan subjek yang
17
sebenarnya serta menganalisis tanggapan mereka secara kualitatif. Akan tetapi, para ahli
tidak terlalu mementingkan face validity.
Terdapat tiga aspek penting dalam sebuah validitas yaitu predictive validity, content
validity dan construct validity. Predictive validity mengartikan bahwa pengukuran harus
dapat memperkirakan atau menduga pengukuran lain pada sebuah objek yang sama.
Misalnya, jika seorang siswa baik pada ujian GMAT, dia juga seharusnya baik dalam
program MBA. Content validity menunjukkan sejauh mana pengukuran mencerminkan
domain yang dimaksudkan oleh konten tertentu. Sebagai contoh, jika seorang peneliti ingin
menilai kemampuan bahasa Inggris seorang siswa dan
2.4. Uji Hipotesis
Sebuah hipotesis adalah asumsi atau klaim tentang beberapa karakteristik dari sebuah
populasi, dimana hipotesis tersebut dapat ditolak atau diterima atas dasar dukungan bukti
empiris. Sebagai contoh, sebuah perusahaan manufaktur listrik mungkin mengklaim bahwa
masa hidup rata-rata lampu minimal 1000 jam.
Pengujian hipotesis adalah proses untuk memilih antara inisiatif dari alternatif yang
berbeda dengan hipotesis yang dibentuk. Inisiatif alternatif harus saling eksklusif dan
lengkap. Misalkan, ketika salah satu mengklaim benar maka alternatifnya adalah palsu dan
sebaliknya, kondisi seperti inilah yang dimaksud dengan saling eksklusif. Sedangkan, saling
lengkap menunjukkan bahwa tidak boleh ada kemungkinan lain dari hubungan antara
parameter. Pada contoh sebelumnya mengenai perusahaan manufaktur listrik, berikut terdapat
dua pilihan yang dapat dipertimbangkan dalam memverifikasi klaim dari perusahaan tersebut:
1. Rata-rata masa hidup bola lampu lebih besar atau sama dengan 1000 jam
2. Rata-rata masa hidup bola lampu lebih kecil dari 1000 jam
Berdasarkan dua pilihan di atas, jelas bahwa alternatif saling eksklusif dan saling
lengkap. Dalam pengujian hipotesis dua pilihan di atas dinamakan sebagai hipotesis nol dan
hipotesis alternatif. Hipotesis nol adalah asumsi atau klaim awal yang diterima sebagai
asumsi yang benar kecuali ada bukti kuat yang menolak kebenaran dari asumsi tersebut.
Hipotesis alternatif adalah asumsi atau klaim alternatif yang diterima jika hipotesis nol
ditolak.
18
Pengujian hipotesis membantu dalam pengambilan keputusan dalam kehidupan sehari-
hari seperti dalam dunia Bisnis, Ekonomi dan masalah yang berkaitan dengan Penelitian.
Berikut terdapat beberapa contoh kasus :
Tabel 2.1. Contoh Kasus Penelitian
Bidang Contoh Kasus
Departemen Pemasaran ingin mengetahui apakah iklan

Marketing Pemasaran tertentu memiliki dampak dalam meningkatkan
tingkat kesadaran akan sebuah produk.
Departemen Produksi ingin mengetahui apakah output hasil
Production
produksi dari dua buah pabrik sama.
Departemen Keuangan ingin mengetahui apakah rata-rata stok
Finance harga saham perusahaan telah berkurang dibandingkan dengan
stok kompetitor.
Departemen HR ingin mengetahui apakah terdapat dampak
Human Resource signifikan dari Sistem 360-degree feedback pada kinerja
pegawai.
Departemen Quality-Control ingin mengetahui apakah rata-
Quality Control
rata kesalahan berada dalam batas yang ditentukan.
Pembuat Kebijakan tertarik untuk mengetahui apakah terdapat
Economics
dampak signifikan
Seorang Peneliti ingin mengetahui apakah rata-rata hasil panen
Research
dari benih rekayasa genetika lebih besar dari benih normal.
2.4.1. Errors Tipe I dan Tipe II

Dalam sebuah perngujian hipotesis, terdapat dua jenis tipe eror yaitu eror tipe I dan
eror tipe II. Eor tipe I terjadi jika kita menolak hipotesis yang seharusnya diterima sedangkan
eror tipe II terjadi jika kita menerima hipotesis yang seharusnya ditolak. Peluang
kemungkinan terjadinya eror tipe I dinyatakan sebagai α sedangkan perluang kemungkinan
terjadinya eror tipe II dinyatakan sebagai β.
Satu-satunya cara untuk mengurangi terjadinya eror baik eror tipe I maupun eror tipe
II adalah dengan meningkatkan ukuran sampel.
19
2.4.2. Taraf Signifikansi (p-value)
Dalam sebuah pengujian hipotesis terdapat sebuah peluang untuk menentukan
kesimpulan apakah hipotesis diterima atau ditolak. Kriteria yang digunakan untuk menerima
atau menolak sebuah hipotesis nol disebut sebagai tingkat signifikansi atau p-value.
Nilai p-value menunjukkan sebuah peluang kemungkinan menyimpulkan (salah)
bahwa terdapat sebuah perbedaan di dalam sampel yang dimiliki ketika tidak terdapat
perbedaan yang nyata. Nilai tersebut adalah sebuah statistik hasil perhitungan dengan
membandingkan distribusi yang diberikan oleh data dengan sebuah distribusi yang
diharapkan (misalkan distribusi Normal, F, t-Student, dll.) dan bergantung pada statistik uji
yang digunakam.
Sebagai contoh, jika dua buah sampel dibandingkan dengan menggunakan uji t,
sebuah p-value yang bernilai 0,05 menunjukkan bahwa hanya terdapat 5% kemungkinan
yang muncul dari hasil perhitungan uji t jika sampel tidak berbeda atau berasal dari populasi
yang sama. Dengan kata lain, nilai p-value 0,05 menyatakan bahwa hanya terdapat 5%
kemungkinan bahwa kita mungkin salah menyimpulkan bahwa kedua populasi berbeda atau
kesimpulan yang kita buat dapat dipercaya 95%.
2.4.3. Uji Satu Pihak dan Uji Dua Pihak
Sebuah hipotesis directional diuji melalui uji satu pihak (one-tailed) sedangkan
hipotesis non-directional diuji melalui uji dua pihak (two-tailed). Berikut adalah tiga
kemungkinan hubungan antara dua variabel µ 1 dan µ 2 :
a. µ 1 = µ 2
b. µ 1 < µ 2
c. µ 1 > µ 2
Untuk memenuhi syarat saling eksklusif dan saling lengkap antara hipotesis nol dan
hipotesis alternatif dari ketiga bentuk hubungan di atas, kita dapat memilih (b) atau (c)
sebagai hipotesis alternatif dan mengkombinasikan salah satunya dari keduanya dengan (a)
untuk memformulasikan hipotesis nol. Sehingga kita akan memiliki H0 dan H1 sebagai
berikut :
H0 : µ 1 ≥ µ 2 atau µ 1 ≤ µ 2
H1 : µ 1 < µ 2 atau µ 1> µ 2
20
Hipotesis di atas merupakan hipotesis directional dan pengujian hipotesis digunakan
melalui uji satu pihak atau one-tailed test. Jika hipotesis nol diberikan sebagai (a) sedangkan
(b) dan (c) dikombinasikan untuk menentukan hipotesis alternatif, maka kita akan
memperoleh H0 dan H1 sebagai berikut :
H0 : µ 1 = µ 2
H1 : µ 1 ≠ µ 2
Hipotesis di atas dinamakan sebagai hipotesis non-directional, oleh karena hanya difokuskan
pada hubungan “sama dengan” atau “tidak sama dengan” atau sebuah hubungan non-
directional maka pengujian hipotesis dilakukan melalui uji dua pihak atau two-tailed test.
Hipotesis nol (H0) ditolak jika p-value yang diperoleh lebih kecil dan diterima jika
lebih besar dari taraf signifikansi yang digunakan untuk menguji hipotesis. Kebanyakan,
tujuan utama sebuah pengujian hipotesis adalah menolak H 0 dan menemukan dukungan bukti
empiris untuk hipotesis alternatif. Dengan demikian, kita lebih mencari nilai p-value yang
lebih kecil dari 0,05 atau 0,01 (taraf signifikansi yang umum digunakan).
21
LATIHAN 2
1. Jelaskan apa yang dimaksud dengan :

a. Penelitian Kualitatif
b. Penelitian Kuantitatif
c. Penelitian Eksperimental
d. Penelitian Non-Eksperimental
e. Variabel Kualitatif
f. Variabel Kuantitaif
g. Reliabilitas
h. Validitas
i. Hipotesis nol
j. Hipotesis Alternatif
k. Eror tipe I
l. Eror tipe II
m. Uji satu pihak
n. Uji dua pihak
2. Berikan beberapa contoh kasus penelitian di bidang :
a. Teknik Informatik
b. Sistem Informasi
c. Manajemen Informatika
3. Jelaskan mengapa inisiatif alternatif harus saling eksklusif dan lengkap!
4. Berikan beberapa contoh metode yang bisa digunakan untuk mengukur tingkat
reliabilitas instrumen penelitian!
5. Berikan beberapa contoh dari :
a. Variabel kualitatif
b. Variabel kuantitatif
22
Ukuran Deskriptif
Data yang telah dikumpulkan, baik berasal dari populasi atau sampel, untuk keperluan
laporan atau analisis selanjutnya, perlu diatur, disusun dan disajikan dalam bentuk yang jelas
dan baik. Dengan kata lain, data perlu disajikan secara sistematis dan rapi sehingga dapat
dengan mudah dan cepat dimengerti oleh orang yang berkepentingan dengan data tersebut,
misalnya para pengambil keputusan seperti manager, direktur dan lain-lain.
Perhatikan data mengenai Profil Pegawai dari sebuah Perusahaan berikut :
Gambar 3.1.
Gambar 3.2
23
Jika, kita hanya menyajikan data seperti yang terlihat pada Gambar 3.1, maka informasi
yang terdapat pada data tersebut akan sulit untuk dimengerti. Misalnya, berapa orang pegawai
yang bekerja di bidang Marketing yang berjenis kelamin Wanita? Atau berapa banyak
pegawai yang bekerja di bidang Akuntasi yang tingkat pendidikannya adalah SMA?. Agar
informasi yang terdapat dalam sebuah data dapat dengan mudah dan cepat dimengerti maka
diperlukan sebuah penyajian data. Data dapat disajikan dalam bentuk tabel, grafik maupun
dalam bentuk ukuran-ukuran statistika.
Penyajian data melalui sebuah tabel dan grafik, saling berkaitan. Hal ini dikarenakan,
pada dasarnya sebelum dibuat grafik terlebih dahulu dibuat tabel. Penyajian data melalui
grafik dikatakan lebih komunikatif karena dalam waktu singkat seseorang dapat dengan
mudah memperoleh gambaran dan kesimpulan mengenai suatu keadaan. Dengan membaca
data pada tabel dan grafik, para eksekutif akan dengan cepat dan mudah mengetahui situasi
dan kondisi perusahaannya, sehingga dapat diambil tindakan-tindakan atau kebijakan-
kebijakan yang tepat.
3.1. Penyajian Data dengan Tabel

Dengan menggunakan data Profil Pegawai seperti yang diperlihatkan pada Gambar 3.1.
dan Gambar 3.2., berikut adalah langkah-langkah penyajian data dengan Tabel dalam SPSS :
Klik Analyze kemudian pilih Descriptive Statistics dan pilih Crosstab
Gambar 3.3
24
Selanjutnya, akan muncul kotak dialog berikut :
Gambar 3.4
Sebagai contoh, pada kasus ini akan dibentuk sebuah tabel kontingensi antara Jenis Kelamin
dan Bidang Kerja untuk mengetahui masing-masing banyaknya pegawai berjenis kelamin
Wanita dan Laki-Laki. Oleh karena itu, pindahkan Jenis Kelamin ke Row(s) (Klik Tanda
Panah) dan Bidang Kerja ke Column(s) berikut :
Gambar 3.5
Selanjutnya klik Cells akan muncul kotak Dialog pada Gambar 3.6. kemudian centang
column di menu Percentages serta klik Continue sehingga akan kembali ke kotak dialog pada
25
Gambar 3.5 dan klik OK. Tabel yang diinginkan akan muncul pada Output seperti yang
terlihat pada Gambar 3.7.
Gambar 3.6
Gambar 3.7
Berdasarkan output yang diperoleh seperti yang terlihat pada Gambar 3.7. di atas
diperoleh informasi bahwa terdapat 12 orang yang bekerja di Bidang Marketing yang terdiri
atas 6 orang (50%) Wanita dan 6 orang (50%) Pria. Kemudian terdapat 16 orang pegawai
yang bekerja di bidang Akuntansi terdiri atas 7 orang (43,8%) Wanita dan 9 orang (56,2%)
Pria. Di Bidang Umum, terdapat 20 orang pegawai terdiri atas 12 orang (60%) Wanita dan 8
26
orang (40%) Pria, sedangkan di Bidang Produksi terdapat 22 orang pegawai terdiri 8 orang
(36,4%) Wanita dan 14 orang (63,6%) Pria. Secara umum, terdapat 70 orang pegawai yang
bekerja di Perusahaan tersebut dan terdiri atas 33 orang (47,1%) Wanita dan 37 orang
(52,9%) Pria.
Dalam program SPSS, terdapat cara lain dalam menyajikan data ke dalam bentuk Tabel
yaitu klik Analyze kemudian pilih Tables dan pilih Custom Tables.
Gambar 3.8.
Selanjutnya klik OK pada kotak dialog pada Gambar 3.9 sehingga akan diperoleh kotak
dialog pada Gambar 3.10.
Gambar 3.9
27
Gambar 3.10
Seperti contoh sebelumnya, disini akan dibentuk sebuah tabel kontingensi antara Jenis
Kelamin dan Bidang Kerja untuk mengetahui masing-masing banyaknya pegawai berjenis
kelamin Wanita dan Laki-Laki. Oleh karena itu, pindahkan Jenis Kelamin ke Row(s) (drag)
dan Bidang Kerja ke Column(s) berikut :
Gambar 3.11
Untuk memunculkan nilai persentasi dari masing-masing Bidang Kerja berdasarkan Jenis
Kelamin, terlebih dahulu Klik Jenis Kelamin sehingga di menu N% Summary Statistics
28
menjadi Aktif, kemudian klik menu tersebut dan akan muncul kotak dialog pada Gambar
3.12. Langkah selanjutnya adalah lakukan double klik pada Column N% yang akan berpindah
dan muncul pada menu Display.
Gambar 3.12
Langkah selanjutnya klik Apply to Selection yang akan kembali pada kotak Dialog pada
Gambar 3.11, kemudian klik OK sehingga akan diperoleh Output seperti pada Gambar 3.13.
berikut:
Gambar 3.13
3.2. Penyajian Data dengan Grafik

Seperti yang sudah dijelaskan sebelumnya, selain dapat disajikan dalam bentuk tabel,
agar informasi yang terkandung dalam data dapat dengan mudah dan cepat dimengerti maka
data dapat disajikan dalam bentuk grafik. Dalam program SPSS kita dapat menyajikan data
dalam bentuk Grafik dengan menggunakan menu graph. Di dalam menu tersebut kita dapat
menyajikan data dalam berbagai bentuk grafik seperti Bar Chart, Line Chart dan Pie Chart.
Sama seperti contoh sebelumnya, dengan menggunakan data Profil Pegawai yang sama,
akan dibentuk Bar Chart Jenis Kelamin pegawai. Klik Graph pilih Legacy Dialogs dan pilih
Bar sehingga akan muncul kotak dialog seperti pada Gambar 3.15.
29
Gambar 3.14
Gambar 3.15
Selanjutnya pilih Simple dan pastikan bahwa yang dicentang pada Data in Chart Area adalah
Summaries for groups of cases kemudian klik Define sehingga muncul kotak dialog seperti
pada Gambar 3.16. Pindahkan Jenis Kelamin ke Category Axis dan klik OK sehingga muncul
Output pada Gambar 3.17.
30
Gambar 3.16
Gambar 3.17
Berdasarkan output yang diperoleh pada Gambar 3.17, kita masih kesulitan dalam
menginterpretasikan informasi yang terdapat dalam data. Satu-satunya informasi yang kita
peroleh adalah banyaknya pegawai berjenis kelamin Pria lebih banyak dibandingkan dengan
pegawai berjenis kelamin Wanita. Untuk itu, kita dapat memunculkan angka (frekuensi atau
31
persentasi) masing-masing jenis kelamin dengan cara lakukan double klik pada Bar Chart
sehingga akan muncul Chart Editor seperti pada Gambar 3.18 berikut :
Gambar 3.18
Selanjutnya klik kanan pada Chart dan pilih Show Data Labels sehingga akan muncul kotak
dialog seperti pada Gambar 3.20.
Gambar 3.19
32
Gambar 3.20
Disini yang akan dimunculkan adalah frekuensi dan persentase sehingga yang dipilih
untuk dimunculkan adalah Count dan Percent. Klik Apply dan klik Close sehingga output Bar
Chart akan berubah menjadi sebagai berikut :
Gambar 3.21
33
Selain dapat menyajikan data dalam bentuk Bar Chart untuk satu Variabel, program
SPSS juga dapat digunakan untuk menyajikan data dalam bentuk Bar Chart untuk dua
Variabel. Langkah awal yang dilakukan sama yaitu pilih menu Graph, pilih Legacy Dialogs
dan pilih Bar sehingga akan muncul kotak dialog seperti pada Gambar 3.15. Pada kasus ini,
pada kotak dialog tersebut yang dipilih adalah Clustered dan pastikan bahwa yang dicentang
pada Data in Chart Area adalah Summaries for groups of cases kemudian klik Define
sehingga muncul kotak dialog seperti pada Gambar 3.22. Pindahkan Bidang Kerja ke
Category Axis dan Jenis Kelamin ke Define Cluster By kemudian klik OK sehingga muncul
Output pada Gambar 3.23
Gambar 3.22
Gambar 3.23
34
Seperti yang selalu disebutkan dalam menyajikan data dalam bentuk grafik, selain Bar
Chart, data juga bisa disajikan dalam bentuk pie Chart. Menu yang digunakan sama yaitu
menu Graph. Perbedaannya adalah yang dipilih adalah Pie Chart seperti yang terlihat pada
Gambar 3.24.
Gambar 3.24
Kemudian akan muncul kotak dialog seperti Gambar 3.25, pastikan yang dicentang adalah
summaries for groups of cases dan klik define sehingga muncul kembali kotak dialog lain
seperti yang terlihat pada Gambar 3.26. Pindahkan Jenis Kelamin ke Define Slices By
kemudian klik OK sehingga muncul Output seperti yang terlihat pada Gambar 3.27.
Gambar 3.25
35
Gambar 3.26
Gambar 3.27
Sama halnya dengan Bar Chart, Pie Chart dalam SPSS juga dapat dibentuk untuk dua
Variabel. Menu yang digunakan masih sama yaitu Graph, pilih Legacy Dialogs dan pilih Pie
Chart. Kotak dialog yang akan muncul sama seperti Gambar 3.25. Pastikan yang dicentang
adalah Summaries For Groups of Cases dan klik Define sehingga muncul kembali kotak
dialog lain seperti yang terlihat pada Gambar 3.28. Pindahkan Jenis Kelamin ke Define Slices
36
By dan Bidang Kerja ke Columns kemudian klik OK sehingga muncul Output seperti yang
terlihat pada Gambar 3.29.
Gambar 3.28
Gambar 3.29
Contoh lain dalam menyajikan sebuah data ke dalam bentuk grafik adalah melalui Line
Chart. Line Chart hanya dapat dibentuk oleh data dengan skala pengukuran Interval atau
Rasion (scale). Menu yang digunakan sama yaitu Graph kemudian Legacy Dialogs dan pilih
Line
37
Gambar 3.30
Kotal dialog yang muncul adalah sebagai berikut :
Gambar 3.31
Selanjutnya pilih Simple dan pastikan yang dicentang adalah Values of Individual Cases
kemudian klik Define sehingga muncul kotak dialog lain seperti yang terlihat pada Gambar
3.32. Pindahkan Skor Produktivitas Karyawan ke Line Represent kemudian klik OK sehingga
diperoleh output seperti yang terlihat pada Gambar 3.33.
38
Gambar 3.32
Gambar 3.33
39
Berdasarkan output yang diperoleh pada Gambar 3.33. di atas, kita dapat mengetahui
karyawan mana saja yang memiliki skor produktivitas yang sangat rendah yaitu karyawan ke
65 dan 67 atau Karyawan dengan Nomor Karyawan 9764 dan 0763. Informasi ini dapat
digunakan sebagai bahan evaluasi HRD sehingga dapat ditentukan tindakan apa yang
diperlukan untuk memperbaiki Kinerja Karyawan.
3.3. Penyajian Data dengan Distribusi Frekuensi

Interpretasi yang diperoleh dengan menyajikan data ke dalam bentuk distribusi
Frekuensi sama halnya dengan menyajikan data melalui grafik. Berikut akan dibentuk tabel
distribusi frekuensi dari variabel Jenis Kelamin, Bidang Kerja dan Status Karyawan. Menu
yang digunakan untuk membentuk sebuah tabel distribusi frekuensi adalah menu Analyze,
pilih Descriptive Statistics dan klik Frequencies sehingga muncul kotak dialog seperti pada
Gambar 3.35. Pindahkan Jenis Kelamin, Bidang Kerja dan Status Karyawan ke Variable(s)
dan klik OK, sehingga diperoleh output pada Gambar 3.36 dan 3.37.
Gambar 3.34
Gambar 3.35
40
Gambar 3.36
Output pertama yang terlihat pada Gambar 3.36 sangat penting untuk mengetahui
apakah terdapat kesalahan input data atau adanya data yang hilang. Hal ini terlihat pada baris
missing. Jika nilai frekuensi pada baris tersebut bernilai nol (0) menunjukkan tidak terdapat
kesalahan dalam input data ataupun tidak terdapat data yang hilang. Dengan demikian data
yang diinput 100% dapat terbaca oleh program SPSS.
Gambar 3.37
Output kedua yang diperoleh adalah output tabel distribusi frekuensi untuk masing-
masing variabel. Dalam tabel frekuensi Jenis Kelamin, diperoleh informasi bahwa di
perusahaan tersebut terdapat 70 orang pegawai yang terdiri atas 33 orang pegawai berjenis
kelamin Wanita atau 47,1% dan 37 orang pegawai berjenis kelamin Pria atau 52,9% . Pada
41
tabel distribusi frekuensi Bidang Kerja, diperoleh informasi bahwa dari 70 orang pegawai, 12
orang diantaranya atau 17,1% bekerja di bidang Marketing, 16 orang atau 22,9% bekerja di
bidang Akuntansi, 20 orang atau 28,6% bekerja di bidang Umum dan 22 orang atau 31,4%
bekerja di bidang Produksi. Dari tabel distribusi frekuensi Status Karyawan, diperoleh
informasi bahwa dari 70 orang pegawai, 37 orang atau 52,9% diantaranya belum menikah
dan sisanya 33 orang atau 47,1% sudah menikah.
3.4. Penyajian Data dengan Ukuran-Ukuran Deskriptif

Data yang dikumpulkan dalam skala pengukuran interval atau rasio lebih mudah dan
cepat dimengerti jika disajikan dalam bentuk ukuran-ukuran deskriptif. Seperti yang sudah
diketahui bersama, ukuran-ukuran deskriptif dalam Statistika terbagi menjadi dua yaitu
ukuran pemusatan data (rata-rata hitung, median, modus, kuartil, desil, persentil, dll.), ukuran
penyebaran data (range, varians, simpangan baku, koefisien variasi, ukuran kemiringan
distribusi data, ukuran keruncingan distribusi data, dll.).
Dalam program SPSS, terdapat dua cara yang bisa digunakan untuk menghitung
ukuran-ukuran deskriptif. Cara pertama adalah menggunakan menu yang sama dengan menu
yang digunakan dalam membuat tabel distribusi frekuensi pada sub bab sebelumnya, yaitu
melalui menu Analyze, pilih Descriptive Statistics dan klik Frequencies sehingga akan
muncul kotak dialog seperti pada Gambar 3.38.
Sebagai contoh, kita akan menghitung ukuran-ukuran deskriptif untuk variabel berskala
rasio (scale) yaitu Usia Karyawan, Lama Kerja Karyawan, Gaji Karyawan dan Skor
Produktivitas Karyawan. Untuk itu pindahkan keempat variabel tersebut ke Variable(s) di
dalam kotak dialog seperti yang terlihat pada Gambar 3.38.
Gambar 3.38
42
Untuk memunculkan atau menghitung nilai dari ukuran-ukuran deskriptif, klik
Statistics sehingga akan muncul kotak dialog lain seperti yang terlihat pada Gambar 3.39.
Kemudian centang ukuran deskriptif yang diinginkan, sebagai contoh centang Quartiles,
Mean, Median, Mode, Sum, Std. Deviation, Variance, Range, Minimum, Maximum, Skewness
dan Kurtosis. Klik Continue untuk kembali ke kotak dialog sebelumnya (Gambar 3.38).
Jika diinginkan, histogram dari keempat variabel tersebut dapat diperoleh dengan klik
Charts sehingga akan muncul kotak dialog pada Gambar 3.40. Pilih Histograms dan centang
with normal curve, tujuannya adalah untuk memunculkan histogram yang dilengkapi dengan
kurva distribusi normal. Kemudian klik Continue sehingga akan kembali ke kotak dialog
pada Gambar 3.38 dan klik OK. Akan diperoleh output seperti yang terlihat pada Gambar
3.41 dan 3.42.
Gambar 3.39
Gambar 3.40
43
Gambar 3.41
Berdasarkan output di atas, diperoleh berbagai informasi mengenai ukuran-ukuran

deskriptif dari masing-masing variabel. Misalnya, untuk variabel Usia Karyawan, rata-rata
karyawan di Perusahaan tersebut berusia 27,06 tahun (mean), kebanyakan berumur 31 tahun
(mode) dengan usia paling muda adalah 21 tahun (minimum) dan paling tua adalah 34 tahun
(maximum). Jarak antara umur paling muda dan paling tua adalah 13 tahun (range),
simpangan baku (St, Deviation) dari variabel Usia Karyawan adalah 3,78 tahun dengan nilai
tengahnya (Median) adalah 27 tahun.
Contoh lain, untuk variabel Lama Kerja Karyawan, rata-rata karyawan di perusahaan
tersebut sudah bekerja selama 5,97 tahun (mean) dan kebanyakan sudah bekerja selama 7
tahun (mode) dengan nilai tengah adalah sudah bekerja selama 6 tahun (median). Lama Kerja
Karyawan yang paling baru adalah 1 tahun (Minimum) dan yang paling lama adalah sudah
bekerja selama 12 tahun (maximum). Jarak antara lama kerja karyawan yang paling baru
dengan yang paling lama adalah 11 tahun (range), dengan simpangan baku (St. Deviation).
Untuk variabel Gaji Karyawan dan Skor Proudktivitas Karyawan, nilai dari ukuran-ukuran
deskriptif yang diinginkan dapat dilihat pada output yang sama pada Gambar 3.41.
44
Gambar 3.42
45
Cara kedua untuk menghitung ukuran-ukuran Deskriptif adalah dengan memilih
Descriptives masih pada menu yang sama yaitu Analyze dan Descriptive Statistics sehingga
akan muncul kotak dialog pada Gambar 3.44.
Gambar 3.43
Gambar 3.44
Selanjutnya klik Options sehingga diperoleh kotak dialog pada Gambar 3.45 dan centang
ukuran-ukuran desktiptif yang diinginkan. Klik Continue kemudian klik OK. Output yang
diperoleh dapat dilihat pada Gambar 3.46. Nilai-nilai ukuran desktiptif yang diperoleh pun
akan sama dengan output yang diperoleh pada Gambar 3.41.
46
Gambar 3.45
Gambar 3.46
47
LATIHAN 3
1. Dengan menggunakan data yang sama (profil pegawai.sav) pada contoh kasus, buatlah :
a. Tabel antara Bidang Kerja dengan Tingkat Pendidikan
b. Tabel antara Bidang Kerja dengan Status Pernikahan
c. Tabel antara Jenis Kelamin dengan Tingkat Pendidikan
2. Kumpulkan data mengenai rata-rata lamanya (dalam satuan jam) mahasiswa di STMIK
Sumedang mengakses Internet melalui fasilitas Wifi kampus. Kemudian sajikan data
yang telah dikumpulkan melalui ukuran-ukuran deskriptifnya.
3. Buatlah tabel untuk menggambarkan luas wilayah dan jumlah penduduk semua provinsi
di Indonesia dalam satu tabel!
4. Luas dan kepadatan penduduk di beberapa provinsi tahun 1991 disajikan pada tabel
berikut :
Provinsi Luas (km2) Kepadatan Penduduk per km2

D.I. Aceh 55392 29
Sumatera Utara 70787 70
Sumatera Barat 49778 47
Riau 94562 13
Jambi 44924 17
Sumatera Selatan 158163 31
Seluruh Sumatera 473606 33
Buatlah histogram, line chart dan pie chart untuk data tersebut!
5. Distribusi nilai ujian Statistika di suatu Universitas disajikan pada tabel berikut :
Nilai Frekuensi Mahasiswa

30-39 5
40-49 10
50-59 15
60-69 40
70-79 25
80-89 3
90-99 2
Total 100
Buatlah histogram dan pie chart untuk data tersebut!
48
Penyajian Data Menggunakan

Microsoft Excel
Seperti yang telah dijelaskan pada Bab sebelumnya, agar informasi yang terdapat dalam
sebuah data dapat dengan mudah dan cepat dimengerti maka diperlukan sebuah penyajian
data. Data dapat disajikan dalam bentuk tabel, grafik maupun dalam bentuk ukuran-ukuran
statistika. Pada bab ini, kita akan menggunakan sebuah menu dalam Microsoft Excel dalam
menyajikan data ke dalam bentuk tabel, grafik dan ukuran-ukuran statistika.
4.1. Penyajian Data Menggunakan Pivot Table

Perhatikan data mengenai pengunjung Pelabuhan Sekupang Batam Kepulauan Riau
Tahun 2015 pada Gambar 4.1. berikut :
Gambar 4.1.
Data pada Gambar 4.1. di atas merupakan data sampel yang terdiri atas 300 data pengunjung
Pelabuahn Sekupang Batam Kepulauan Riau tahun 2015. Untuk keperluan manajemen, data
di atas perlu disajikan ke dalam bentuk yang lebih mudah dan cepat untuk dimengerti seperti
tabel dan grafik. Sebagai contoh, pihak manajemen Pelabuhan ingin mengetahui frekuensi
49
masing-masing pengunjung dalam menyebrang, frekuensi pengunjung berdasarkan umur,
jenis kelamin, pekerjaan dan pendidikan.
Pada Microsoft Excel terdapat sebuah menu yang dapat digunakan untuk membuat
tabel frekuensi, yaitu pivot table. Untuk itu, sebagai langkah awal dalam membuat tabel
frekuensi mengenai umur pengunjung, jenis kelamin, pekerjaan, pendidikan dan frekuensi
menyebrang pilih menu insert pada Microsoft Excel, kemudian klik pivot table sehingga
muncul kotak dialog pada Gambar 4.3. Select table/range dengan memblok seluruh data
kemudian pada Location pindahkan kursor pada sheet yang kosong atau bisa juga dengan
mencentang New Worksheet kemudian klik OK. Dengan demikian akan muncul kotak dialog
lain seperti Gambar 4.4.
Gambar 4.2.
50
Gambar 4.3.
Gambar 4.4.
Tabel frekuensi pertama yang ingin dibentuk adalah tabel frekuensi mengenai umur
pengunjung pelabuhan dengan demikian, drag umur ke dalam row table dan ∑ values dan
pastikan yang muncul adalah Count of umur sehingga muncul tabel frekuensi seperti yang
terlihat pada Gambar 4.4. Berdasarkan tabel tersebut, kita dapat mengetahui bahwa dari 300
pengunjung yang terdata, terdapat 1 pengunjung yang berumur < 15 tahun, 121 pengunjung
yang berumur 15-20 tahun, 101 pengunjung yang berumur 21-26 tahun, 40 pengunjung yang
berumur 27-32 tahun, 24 pengunjung yang berumur 33-38 tahun, 10 pengunjung yang
berumur 39-44 tahun dan 3 orang pengunjung yang berumur >45 tahun. Seandainya,
51
diinginkan tabel yang berurut berdasarkan frekuensi tertinggi, klik tanda ▼ pada row labels
kemudian pilih More Short Option sehingga muncul kotak dialog seperti Gambar 4.6. pada
kotak dialog tersebut, centang Descending (Z to A) by dan pilih Count of Umur, kemudian
klik OK. Dengan demikian tabel frekuensi akan berubah seperti yang terlihat pada Gambar
4.8.
Gambar 4.5.
Gambar 4.6.
52
Gambar 4.7.
Gambar 4.8.
Gunakan cara yang sama untuk membuat tabel frekuensi mengenai jenis kelamin,
pekerjaan, pendidikan dan frekuensi menyebrang.
53
4.2. Penyajian Data Menggunakan Pivot Chart
Masih menggunakan data yang sama pada sub bab sebelumnya, kali ini kita akan
membuat grafik mengenai umur pengunjung, jenis kelamin, pekerjaan, pendidikan dan
frekuensi menyebrang dari 300 pengunjung Pelabuhan Sekupang Batam Kepulauan Riau
tahun 2015. Untuk membuat grafik-grafik tersebut, kita akan menggunakan menu Pivot
Chart. Sama seperti sub bab sebelumnya, masuk ke dalam menu Insert kemudian pilih Pivot
Table dan klik Pivot Chart, sehingga muncul kotak dialog seperti Gambar 4.10.
Gambar 4.9.
Gambar 4.10.
54
Pada kotak dialog tersebut (Gambar 4.10), isi Select table/range dengan memblok
seluruh data kemudian pada Location pindahkan kursor pada sheet yang kosong atau bisa
juga dengan mencentang New Worksheet kemudian klik OK. Dengan demikian akan muncul
kotak dialog lain seperti Gambar 4.11.
Gambar 4.11.
Gambar 4.12.
55
Tabel frekuensi pertama yang ingin dibentuk adalah tabel frekuensi mengenai umur
pengunjung pelabuhan dengan demikian, drag umur ke dalam row table dan ∑ values dan
pastikan yang muncul adalah Count of umur sehingga muncul grafik histogram seperti yang
terlihat pada Gambar 4.12. Pada grafik tersebut kita masih belum memperoleh informasi yang
jelas mengenai frekuensi dari masing-masing kelompok umur. Untuk memunculkan nilai
frekuensi di masing-masing kelompok umur, klik kanan pada grafik kemudian pilih Add Data
Labels sehingga grafik akan berubah seperti yang terlihat pada Gambar 4.14.
Gambar 4.13.
Gambar 4.14.
56
Seandainya, grafik yang diinginkan bukanlah histogram, misalnya pie chart, klik
Change Chart Type sehingga muncul kotak dialog pada Gambar 4.15. Pada kotak dialog
tersebut pilih Pie kemudian pilih tipe pie chart yang dinginkan kemudian klik OK sehingga
grafik berubah menjadi seperti yang terlihat pada Gambar 4.16.
Gambar 4.15.
Gambar 4.16.
57
Gunakan cara yang sama untuk membuat tabel frekuensi mengenai jenis kelamin,
pekerjaan, pendidikan dan frekuensi menyebrang.
4.3. Ukuran-Ukuran Deskriptif pada Microsoft Excel

Selain dapat disajikan dalam bentuk tabel dan grafik, data dapat disajikan dalam
bentuk ukuran-ukuran statistik yaitu ukuran deskriptif seperti rata-rata, standard deviasi,
varians, nilai minimum, range, dll. Pada Microsoft Office terdapat sebuah menu Data
Analysis yang di dalamnya terdapat banyak alat analisis statistika yang bisa digunakan untuk
mengolah data, termasuk menyajikan data dalam bentuk ukuran-ukuran statistika. Namun,
menu ini tidak muncul secara default tetapi harus diinstal melalu add-ins. Untuk itu, klik icon
Office Button kemudian pilih Excel Options sehingga muncul kotak dialog seperti gambar
4.18. Pada kotak dialog tersebut pilih Add ins kemudian klik Go sehingga muncul kotak
dialog selanjutnya (Gambar 4.19). Centang Analysis Toolpak kemudian klik OK dan tunggu
sampai dengan instalasi selesai. Setelah proses instalasi selesai, masuk ke dalam menu Data
kemudian periksa apakah menu Data Analysis berhasil diinstal (Gambar 4.20).
Gambar 4.17.
58
Gambar 4.18.
Gambar 4.19.
59
Gambar 4.20.
Misalkan, sebuah perusahaan melakukan penelitian dengan tujuan ingin mengetahui

ukuran-ukuran deskriptif dari penjualan produk dan kualitas pelayanan yang diberikan. Data
yang dikumpulkan dalam penelitian tersebut adalah sebagai berikut :
Tabel 4.1. Data Penjualan dan Kualitas Layanan yang Diberikan
Kualitas Penjualan Kualitas Penjualan

No. No.
Layanan (X) Barang (Y) Layanan (X) Barang (Y)
1 54 167 18 45 160
2 50 155 19 47 155
3 53 148 20 53 159
4 45 146 21 49 159
5 48 170 22 56 172
6 63 173 23 57 168
7 46 149 24 50 159
8 56 166 25 49 150
9 52 170 26 58 165
10 56 174 27 48 159
11 47 156 28 52 162
12 56 158 29 56 168
13 55 150 30 54 166
14 52 160 31 59 177
15 50 157 32 47 149
16 60 177 33 48 155
17 55 166 34 56 160
60
Untuk menyajikan data pada Tabel 4.1. ke dalam bentuk ukuran-ukuran statistik
dengan menggunakan Microsoft Excel, masuk ke dalam menu Data kemudian klik Data
Analysis sehingga muncul kotak dialog pada Gambar 4.21. Pada kotak dialog tersebut, pilih
Descriptive Statistics kemudian klik OK. Dengan demikian akan muncul kotak dialog
selanjutnya (Gambar 4.22.), pada kotak dialog tersebut isi Input Range dengan memblok
semua data (tidak termasuk judul kolom) yaitu kolom Kualitas Layanan dan Penjualan
Barang. Kemudian centang Output Range dan pindahkan kursor pada Cell kosong dan
centang Summary Statistics kemudian klik OK sehingga diperoleh output seperti yang terlihat
pada Gambar 4.23.
Gambar 4.21.
Gambar 4.22.
61
Gambar 4.23.
Berdasarkan output yang diperoleh pada Gambar 5.23, kita memperoleh informasi
bahwa rata-rata kualitas layanan yang diberikan adalah 52,4118 dengan standard error
sebesar 0,78899. Nilai median dari kualitas layanan adalah 52,5 dengan skor modus adalah
56. Standard deviasi dari kualitas layanan tersebut adalah 4,6064 dengan varians sebesar
21,2192., jarak antara skor kualitas layanan tertinggi dengan yang terendah adalah 18 dengan
skor tertinggi adalah 63 dan terendah adalah 63. Jumlah skor kualitas pelayanan selama 34
hari ini adalah 1782. Sementara rata-rata penjualan barang yang diberikan adalah 161,3235
dengan standard error sebesar 1,47209. Nilai median dari penjualan barang adalah 160
dengan skor modus adalah 159. Standard deviasi dari penjualan barang tersebut adalah
8,5837 dengan varians sebesar 73,6800, jarak antara penjualan barang tertinggi dengan yang
terendah adalah 31 dengan penjualan tertinggi adalah 177 dan terendah adalah 146. Total
penjualan barang selama 34 hari ini adalah 54845.
62
LATIHAN 4
Data berikut adalah data mengenai 100 orang Pasien Demam Berdarah di Rumah Sakit
Boromoeus Bandung pada Tahun 2013. Buatlah tabel frekuensi dan pie chart mengenai
Kelurahan, Kecamatan dan Pekerjaan dari 100 orang pasien tersebut.
No Kelurahan Kecamatan Pekerjaan

1 SUKARAJA CICENDO PELAJAR SD AL AZHAR
2 BOJONGSOANG BOJONGSOANG PELAJAR SMP TARUNA
3 LEBAK GEDE COBLONG BRI
4 BURANGRANG LENGKONG SWASTA
5 SUKAWARNA SUKAJADI PELAJAR SMA
6 SADANGSERANG COBLONG SMPN 27
7 MELONG CIMAHI SELATAN IBU RT
8 CISEUREUH REGOL PELAJAR TK
9 WARUNGMUNCANG BANDUNG KULON KARYAWAN BANK MEGA
10 DAGO COBLONG SMP DARUL HIKAM
11 CIPADUNG CIBIRU IBU RUMAH TANGGA
12 MERDEKA SUMUR BANDUNG PELAJAR SD
13 CIPARAY BIARAWATI
14 CIPEDES SUKAJADI WIRASWASTA
15 CITARUM BANDUNG WETAN IBU RT
16 CIBABAT CIMAHI UTARA WIRASWASTA
17 CIHAPIT BANDUNG WETAN PELAJAR
18 MEKARWANGI BOJONGLOA KIDUL PEL SD ST ALLOYSIUS
19 HEGARMANAH CIDADAP MAHASISWA UNPAR
20 SUKARASA SUKASARI PEL SD BINA PERSADA
21 SEKEJATI KALER MARGACINTA PNS
22 DAGO COBLONG MHS ITENAS
23 BUAH BATU BOJONGSOANG PELAJAR
24 CIKADUT CIMENYAN MARIA 3
25 RANCABALONG XX RANCASARI
26 SUKAGALIH SUKAJADI MAHASISWAS UNPAR
27 HEGARMANAH CIDADAP Mhs ITB
28 MARGASARI MARGACINTA PELAJAR
29 ANTAPANI ANTAPANI TENGAH SWASTA
30 CITARUM BANDUNG WETAN MAHASISWA ITENAS
31 CIGONDEWAH KIDUL BANDUNG KULON SD CIJERAH 2
32 MALABAR LENGKONG
33 KARANGANYAR ASTANAANYAR WIRASWASTA
34 TAMANSARI BANDUNG WETAN PEL SD ISTIQOMAH
35 ANTAPANI KIDUL ANTAPANI IBU RT
36 PASTEUR SUKAJADI
37 BATUNUNGGAL BANDUNG KIDUL PELAJAR SALMAN
38 GUMURUH BATUNUNGGAL MHS.UNISBA
39 LEBAK GEDE COBLONG TK AL FITHROH
40 MARGAASIH MARGAASIH SD ARRAFI
41 DAGO COBLONG PELAJAR
42 SINDANGJAYA MANDALAJATI IBU RUMAH TANGGA
43 CIHAPIT BANDUNG WETAN MAHASISWI UNPAD
63
44 CIHAPIT BANDUNG WETAN PELAJAR SMU
45 LEDENG CIDADAP SWASTA
46 SUKAGALIH SUKAJADI PELAJAR SD ALOYSIUS
47 CIJAGRA LENGKONG
48 SARIWANGI PARONGPONG
49 TAMANSARI BANDUNG WETAN PNS
50 MEKAR MULYA RANCASARI MAHASISWA UNPAR
51 PASIRKALIKI CICENDO KARYAWAN SWASTA
52 SEKELOA COBLONG MAHASISWA UNPAD
53 DAGO COBLONG PELAJAR SMA
54 CILEUNYI CILEUNYI
55 SUKALUYU CIBEUNYING KALER SWASTA
56 PAMOYANAN CICENDO IBU RUMAH TANGGA
57 RAHAYU MARGAASIH SWASTA
58 NYENGSERET ASTANAANYAR SD YOS SUDARSO
59 DAGO COBLONG
60 CIGONDEWAH KIDL BANDUNG KULON PELAJAR
61 LEBAK GEDE COBLONG SWASTA
62 CIGENDING UJUNG BERUNG PELAJAR SMPN 50
63 MEKARWANGI BOJONGLOA KIDUL KARY.SWASTA
64 BABAKAN BABAKAN CIPARAY PEL.SMP STAMFORD
65 KEBON PISANG SUMUR BANDUNG PELAJAR SMA
66 DUNGUSCARIANG ANDIR WIRASWASTA
67 TURANGGA LENGKONG PEG. PT. PLN
68 BABAKAN CIPARAY BABAKAN CIPARAY PEL.SMP STAMPFORD
69 MANJAHLEGA RANCASARI KARY. BRI
70 SAMOJA BATUNUNGGAL PELAJAR SMAN 1
71 CISEUREUH PURWAKARTA Ibu Rumah Tangga
72 CITEUREUP CIMAHI UTARA KARY PUPUK KUJANG
73 SUKARAJA CICENDO PELAJAR TK
74 BUAH BATU BOJONGSOANG PEL.TK TARUNA BHAKTI
75 SUKALUYU CIBEUNYING KALE
76 PATARUMAN CIHAMPELAS PELAJAR
77 SINDANGLAYA CIMENYAN MHS STIKES BOROMEUS
78 KEBON JAYANTI KIARACONDONG IRENE II/RSB
79 DAGO COBLONG KARY SWASTA
80 LEUWIGAJAH CIMAHI SELATAN SWASTA
81 DAGO COBLONG KARY.BANK BJB
82 KARANGANYAR ASTANAANYAR WIRASWASTA
83 BURANGRANG LENGKONG MAHASISWA UNPAD
84 CIPAGERAN CIMAHI UTARA SMP CIPAGERAN
85 SUKAPURA KIARACONDONG SD KARANG PAWULANG
86 RAHAYU MARGAASIH MAHASISWA UNPAD
87 SUKAHAJI BABAKAN CIPARAY IBU RUMAH TANGGA
88 HEGARMANAH CIDADAP PELAJAR SMU BPK
89 PAJAJARAN CICENDO MAHASISWA ITB
90 CIJAGRA LENGKONG WIRASWASTA
91 SUKABUNGAH SUKAJADI
92 KEBONJERUK ANDIR SEKOLAH TK
93 KEBONLEGA BOJONGLOA KIDUL Pel.SMP ST.ALOYSIUS
94 SARIJADI SUKASARI PEL SMP BINA BANGSA
64
95 CIBEUNYING CIMENYAN FIRST GRADUATE
96 DAGO COBLONG PELAJAR SDN CIPTO
97 SARIJADI SUKASARI PELAJAR
98 SEKELOA COBLONG BELUM SEKOLAH
99 HUSEIN SASTRANEGA. CICENDO MAHASISWI
100 CISARANTEN KULON ARCAMANIK SMA 17
Sumber : Rumah Sakit Boromoeus Bandung Tahun 2013.
65
Distribusi Probabilitas
Pada bab ini kita akan menggunakan beberapa function pada Microsoft Excel untuk
menghitung banyaknya ruang sampel menggunakan permutasi dan kombinasi serta beberapa
nilai peluang atau probabilitas dari distribusi probabilitas seperti distribusi Binomial,
Distribusi Poisson, Distribusi Normal dan Distribusi Hipergeometrik.
5.1. Ruang Sampel

Terdapat beberapa langkah yang dapat dilakukan untuk menghitung sebuah peluang
atau probabilitas kejadian tertentu, yaitu :
 Tentukan percobaan yang dilakukan
 Tentukan ruang sampel S
 Tentukan peluang tiap titik sampel
 Tentukan peristiwa A yang menjadi perhatian
 Hitung probabilitas peristiwa A
Berdasarkan langkah-langkah tersebut di atas, jelas bahwa langkah terpenting dalam
menghitung sebuah nilai peluang atau probabilitas adalah menentukan ruang sampel S. Ruang
sampel S dapat dihitung melalui tiga cara yaitu aturan perkalian, permutasi dan kombinasi.
Pada sub bab ini akan dibahas mengenai Function dalam Microsoft Excel yang
digunakan untuk menghitung ruang sampel dengan cara permutasi dan kombinasi.
5.1.1. Permutasi
Dalam menghitung ruang sampel menggunakan permutasi artinya menghitung jumlah
cara menyusun sebuah objek dengan memperhatikan urutannya. Cara menyusun r objek dari
n objek didefinisikan sebagai berikut :
Prn 
 n  r !
n!
Sementara perhitungan Permutasi dalam Microsoft Excel adalah menggunakan Funtion

berikut:
66
PERMUT(number;number_chosen)
 Number is an integer that describes the number of objects.
 Number_chosen is an integer that describes the number of objects in each

permutation.
Gambar 5.1.
Andaikan operasi merakit dalam perencanaan pabrik mengandung empat tahap, yang
dibentuk dalam suatu barisan. Jika pemilik pabrik ingin mencoba untuk membndingkan
waktu merakit untuk masing-masing barisan, berapa banyak barisan yang berbeda akan
dilibatkan dalam percobaan?
P44   PERMUT (4; 4)  24

 4  4!
4!
5.1.2. Kombinasi
Menghitung ruang sampel dengan menggunakan kombinasi, artinya menghitung
banyaknya cara menyusun suatu objek tanpa memperhatikan urutannya. Cara menyusun r
objek dari n objek tanpa memperhatikan urutannya didefinisikan sebagai :
Crn 
r ! n  r  !
n!
Sementara perhitungan Permutasi dalam Microsoft Excel adalah menggunakan Funtion

berikut:
COMBIN(number;number_chosen)
 Number is the number of items.
 Number_chosen is the number of items in each combination.
67
Gambar 5.2.
Misalkan, 10 orang hadir dalam sebuah pesta. Jika mereka berjabat tangan satu per
satu, maka berapa kali jabat tangan yang terjadi dalam pesta tersebut.
C210   COMBIN (10; 2)  45

2! 10  2  !
10!
5.2. Rumus Bayes

Secara umum, bila A1, A2, ...,An kejadian saling lepas dalam ruang sampel S dan B
kejadian lain yang sembarang dalam S, maka probabilitas kejadian bersyarat Ai|B dirumuskan
P  B Ai  P  Ai 
sebagai berikut :
P  B  Ai 
P  Ai B   
P  B
 PB A  P A 
n
i 1
i i
probabilitas marginal kejadian B
Misalkan, Sebuah perusahaan memiliki 3 mesin A, B dan C yang masing-masing

memproduksi 20%, 30% dan 50% dari total produksi. Dari pengalaman diperoleh informasi
bahwa :
dari mesin A terdapat 5% produk yang rusak
dari mesin B terdapat 4% produk yang rusak
dari mesin C terdapat 3% produk yang rusak
Bila suatu produk yang diambil secara acak dan ternyata rusak. Berapa peluang bahwa
produk tersebut berasal dari mesin A?
68
Gambar 5.3.
5.3. Distribusi Binomial

Distribusi binomial diterapkan pada percobaan atau fenomena tau kejadian dengan
ciri-ciri :
 Percobaan atau fenomena atau kejadiaan terdiri atas n tindakan (trial) yang identik.
 Setiap percobaan atau fenomena atau kejadian hanya mempunyai dua
kemungkinan hasil, misalkan “Sukses” dan “Gagal”.
 Peluang sukses pada percobaan tunggal sama dengan p dan tetap sama dari
percobaan ke percobaan, peluang gagal sama dengan (1-p)=q
 Setiap percobaan bersifat independen dan dengan pengembalian.
 Variabel acak X adalah banyaknya sukses percobaan selama n tindakan.
Probabilitas sebuah variabel acak X yang berdistribusi binomial didefinisikan sebagai berikut:
p  x   Cxn p x 1  p 
n x
Untuk x = 0,1,2,3,…,n
69
p(x) : probabilitas peristiwa sukses terjadi sebanyak x kali
C : kombinasi x dari n
n : banyaknya percobaan
p : probabilitas sukses
(1-p) : probabilitas gagal
Rata-rata nya didefinisikan sebagai :
  n p
Standard deviasi nya didefinisikan sebagai :
  n  p  1  p 
Sementara, perhitungan nilai probabilitas sebuah variabel acak X yang berdistribusi Binomial
dalam Microsoft Excel menggunakan Function berikut :
BINOMDIST(number_s,trials,probability_s,cumulative)
 Number_s is the number of successes in trials.
 Trials is the number of independent trials.
 Probability_s is the probability of success on each trial
Gambar 5.4.
70
Perhatikan contoh berikut, probabilitas seorang penembak akan menembak tepat
pada sasaran adalah 0m7. Jika penembak tersebut diberi kesempatan untuk menembak 10
kali, berapakah probabilitas 5 tembakan tepat sasaran.
p  5   C510  0, 7  1  0, 7 
5 10 5
  0,16807  0, 00243
10!
10  9  8  7  6
 0, 000408
5!5!

5  4  3  2 1
 0,102919
Rata-rata banyaknya tembakan tepat sasaran np=10. 0,7=7 kali
Gambar 5.5.
5.4. Distribusi Poisson

Distribusi poisson diterapkan pada percobaan atau fenomena atau kejadian dengan
ciri-ciri :
 Banyaknya percobaan yang dilakukan (n) relatif besar
 Kejadian yang diteliti merupakan kejadian yang jarang terjadi sehingga
probabilitasnya kecil
 Diketahui parameter intensitas percobaan (rata-rata kejadian)
71
Probabilitas sebuah variabel acak X yang berdistribusi poisson didefinisikan sebagai
berikut :
 x e 
P  x 
x!
dengan :
μ : rata-rata kejadian (intensitas kejadian)

x : jumlah sukses
e : bilangan alam (epsilon) = 2,7182
sementara, perhitungan probabilitas sebuah variabel acak X yang berdistribusi Poisson pada
Microsoft Excel menggunakan Function berikut :
POISSON(x,mean,cumulative)
 X is the number of events.
 Mean is the expected numeric value
Gambar 5.6.
Misalkan, berdasarkan pengalaman, setiap kali mencetak 10.000 lembar kertas

terdapat 100 lembar yang rusak. Pada suatu waktu, perusahaan mencetak 1.000 lembar kertas.
Berapakah probabilitas mendapatkan tepat 5 lembar kertas yang rusak? Dan berapakah
probabilitas mendapatkan paling banyak 2 lembar kertas yang rusak?
Berdasarkan pengalaman, maka probabilitas rusaknya lembar kertas yang dicetak
adalah:
p  0, 01
100
10.000
72
Dengan n=1.000 dan rata-rata   n  p  1000  0, 01  10 maka probabilitas mendapatkan
tepat 5 lembar kertas yang rusak adalah :
P 5 
105 e10
 0, 03783
5!
P  x  2   P  0   1   2 
Sedangkan probabilitas mendapatkan paling banyak 2 lembar kertas yang rusak adalah :
100 e10 101 e 10 102 e 10

  
 0, 002768
0! 1! 2!
Gambar 5.7.
5.5. Distribusi Hipergeometrik

Misalkan kita mempunyai suatu populasi sebanyak N yang terdiri atas dua jenis. Jenis
merah sebanyak N1 dan sisanya jenis putih sebanyak N-N1. Kemudian diambil sampel secara
acak sebanyak n buah tanpa pengembalian. Misalkan X=k menyatakan banyaknya jenis
merah yang terambil, maka probabilitas untuk memperoleh sampel jenis merah sebanyak X=k
adalah :
73
 N1  N  N1 
  
nk 
P  X  k    
k
N
 
n
Rata-Rata :

nk
N
Varians :
 N n
  n    1  
 k  k
2 
 N 1   n  n 
Simpangan Baku/Standard Deviasi :
 N n
  n    1  
 k  k
= 
 N 1   n  n 
Perhitungan probabilitas sebuah variabel acak yang berdistribusi Hipergeometrik pada

Microsoft Excel menggunakan Function berikut :
HYPGEOMDIST(sample_s,number_sample,population_s,number_population)
 Sample_s is the number of successes in the sample.
 Number_sample is the size of the sample.
 Population_s is the number of successes in the population.
 Number_population is the population size.
Gambar 5.8.
74
Misalkan dalam suatu rak terdapat 50 kain batik yang diantaranya 5 rusak. Bila
diambil kain sebanyak 4 helai secara acak, hitunglah probabilitas untuk memperoleh 0,1,2,3,4
helai kain yang rusak?
Untuk memudahkan perhitungan probbilitas pada persoalan di atas, maka terlebih
dahulu definisikan setiap informasi yang terdapat dalam persoalan sebagai berikut :
N = banyaknya kain =50
N1 = banyaknya kain rusak = 5
N2 = banyaknya kain baik = 45
n = sampel kain yang diambil =4
X=k = menyatakan banyaknya kain rusak yang diperoleh, maka k=0,1,2,3,4
 5  45   5  45 
     
P  X  0       0, 64696 P  X  1      0,30808
0 4 1 3
 50   50 
   
4 4
 5  45   5  45 
     
P  X  2       0, 04299 P  X  3      0, 00195
2 2 3 1
 50   50 
   
4 4
 5  45 
  
P  X  4       0, 00002
4 0
 50 
 
4
75
Gambar 5.9.
Perhatikan contoh kedua berikut, suatu masalah penting dihadapi oleh direktur
personalia antara lain pemilihan terbaik dalam kelompok unsur berhingga ditunjukkan oleh
situasi berikut. Dari satu kelompok atas 20 sarjana teknik, 10 dipilih untuk dipekerjakan.
Berapakah peluang bahwa 10 orang yang terpilih termasuk semua di dalamnya 5 sarjana
teknik terbaik dalam kelompok atas 20?
Sama seperti pada persoalan sebelumnya, definisikan setiap informasi yang terdapat
dalam soal sebagai berikut :
N = Kelompok atas Sarjana Teknik =20
N1 = Sarjana Teknik Terbaik= 5
n = Sarjana Teknik yang dipekerjakan =10
X=k = menyatakan banyaknya sarjana teknik terbaik yang terpilih maka k=5
Dengan demikian, peluang bahwa 10 orang yang terpilih termasuk semua di dalamnya 5
sarjana teknik terbaik dalam kelompok atas 20 adalah :
 5 15 
  
P  X  5       0, 0162
5 5
 20 
 
 10 
76
Gambar 5.10.
5.6. Distribusi Normal Standard

Distribusi normal standard adalah distribusi normal yang memiliki rata-rata nol dan
standard deviasi atau simpangan baku sama dengan satu (Lukas, S.A.,2009). Fungsi distribusi
x
normal standar diperoleh dari hasil transformasi berikut :
z 
Sehingga fungsi distribusi normal standar didefinisikan sebagai :
1  2 z2
f (z | ,  2 ) 
1
2
e
dengan   z  ;   0;   1;   3, 1415...; e  2, 71828...

Perbedaan antara distribusi normal umum dan normal standar dapat dilihat pada kurva
berikut :
Gambar 5.11.
77
Luas daerah bagian atas sumbu datar dan di bawah lengkungan normal standard yang
telah dihitung hingga 4 desimal dan disusun dalam sebuah daftar, yaitu tabel distribusi
normal standard (Sudjana, 2004). Ketentuan perhitungan luas distribusi normal standard :
1. P(Z>z)=P(Z<-z)
2. P(Z<z)=1-P(Z>z)
3. Memungkinkan untuk operasi penambahan atau perngurangan pada sebuah
kombinasi nilai.
Dalam Microsoft Excel, Function yang digunakan untuk menghitung nilai probabilitas
dari sebuah variabel acak X yang berdistribusi Normal Standard adalah sebagai berikut :
NORMSDIST(z)
 Z is the value for which you want the distribution.
Gambar 5.12.
Misalkan, nilai ujian masuk perguruan tinggi didistribusikan secara normal dengan
rata-rata 75 dan simpangan baku 10. Berapakah probabilitas atau peluang seorang peserta
ujian mencapai skor antara 80-90?
80  75 90  75
P(80  x  90)  P( z )
 P(0, 5  z  1, 5)
10 10
 P( z  1, 5)  P( z  0, 5)
 0, 9332  0, 6915
 0, 2417
78
Gambar 5.13.
Perhatikan contoh kedua berikut, masa hidup suatu batere yang dihasilkan oleh suatu
perusahaan mendekati distribusi normal. Rata-rata masa hidupnya 300 jam sedangkan
simpangan bakunya 35 jam. Tentukan :
a. Persentase hasil batu batere yang masa hidupnya antara 250 dan 350 jam
b. Persentasi hasil batu batere yang masa hidupnya paling sedikit 325 jam
Persentasi hasil batu batere yang masa hiduppnya 250 jam didefinisikan sebagai :
250  300 350  300
P(250  x  350)  P( z )
 P(1, 43  z  1, 43)
35 35
 P(1, 43  z  0)  P(0  z  1, 43)

 0, 4236  0, 4236
 0, 8472
Artinya, sekitar 84,72% dari produksi batu batere diharapkan akan mempunyai masa hidup
antara 250 dan 350 jam.
79
Gambar 5.14.
Persentasi hasil batu batere yang masa hidupnya paling sedikit 325 jam didefinisikan
sebagai :
325  300
P( x  325)  P( z  )
 P( z  0, 71)
35
 0, 5  P(0  z  0, 71)
 0, 5  0, 2612
 0, 2388
Artinya, terdapat sekitar 23,88% batu batere yang masa hidupnya paling sedikit 325 jam.
80
Gambar 5.15.
81
LATIHAN 5
1. Suatu percobaan mengenai ukuran ruang memori dengan menggunakan metode

quickshort menyatakan bahwa ukurang penggunaan ruang memomri berdistribusi normal
dengan rata-rata 510,8 byte dan simpangan baku 40,67 byte.Berapa persen dalam
percobaan tersebut ditemukan ruang memori yang melebihi 600 byte.
2. Andaikan lot sebesar 300 sekering listrik mengandung 5% rusak. Jika sampel dari 5
sekering diuji, carilah peluang pengamatan paling sedikit satu rusak!
3. Dari barang yang dihasilkan oleh semacam mesin ternyata 15% rusak. Kemudian diambil
secara acak dari produksi barang itu sebanyak 30 buah untuk diselidiki. Berapa
peluangnya dari barang yang diselidiki itu akan terdapat :
a. Bagus semua
b. Satu rusak
c. Dua bagus
d. Paling sedikit satu rusak
e. Paling banyak dua rusak
4. Misalkan sebuah televisi diiklankan di surat kabar untuk dijual. Jika surat kabar yang
memuat iklan tersebut memiliki 100.000 pembaca dan peluang seorang pembaca akan
membalas iklan tersebut adalah 0,00002, maka :
a. Berapa orangkah diharapkan akan membalas iklas itu?
b. Berapa peluangnya bahwa yang membalas iklan hanya satu orang pembaca?
c. Berapa peluangnya bahwa tidak satupun pembaca yang membalas iklan tersebut?
5. Suatu perusahaan mengeluarkan produk baru floopy disk 5,25” dengan target
konsumennya siswa SMU. Alat tersebut rata-rata berumur 11 bulan dengan simpangan
baku 0,88. Jika pada produksi perdana perusahaan tersebut menghasilkan sebanyak
100.000 buah, berapakah :
a. Peluang floopy disk tersebut berumur lebih dari 1 tahun
b. Peluang floopy disk tersebut berumur antara 9 sampai 13 bulan.
6. Suatu mesin dapat membuat suatu alat tahanan listrik dengan rata-rata tahanan 47,3 ohm
dan simpangan baku 4,8 ohm. Tahanan tersebut menyebar mengikuti distribusi normal.
Hitunglah probabilitas mesin tersebut yang mampu menghasilkan tahanan melebihi 50
ohm!.
7. Andaikan bahwa sistem acak dari patroli polisi direncanakan sehingga orang yang
berpatroli dapat mengunjungi rute lokasi yang diberikan yaitu X=0,1,2,... kali per periode
82
setengah jam, dan bahwa sistem disusun sehingga ia mengunjungi lokasi rata-rata sekali
per periode waktu. Andaikan X mengikuti distribusi peluang Poisson, hitunglah peluang
bahwa ia mengunjungi lokasi itu :
a. Satu kali.
b. Dua kali.
c. Paling sedikit satu kali.
83
Pengujian Hipotesis
t-Test dan z-Test merupakan dua statistik uji yang umum digunakan untuk
membandingkan dua sampel atau beberapa nilai standard dan rata-rata pada satu buah
sampel. Terdapat beberapa perbedaan penggunakan t-Test dan z-Test yang digunakan dalam
kondisi yang berbeda-beda pada sebuah desain eksperimen atau populasi data.
Secara umum penggunaan t-Test dan z-Test sangat mirip dalam banyak cara. Kedua
statistik uji ini menggunakan asumsi yang berbeda. Untuk z-Test asumsi yang harus dipenuhi
adalah nilai Standard Deviasi dan Rata-rata populasi harus diketahui. Pada masalah
kehidupan nyata, kedua nilai statistik tersebut sangat sulit untuk diketahui, dengan ukuran
populasi yang sangat besar dan tidak diketahui nilai dari kedua statistik tersebut tidak dapat
dihitung. Dengan demikian, jika kedua nilai statistik tersebut tidak diketahui, atau dengan
kata lain asumsi tidak terpenuhi maka statistik uji t-Test dapat digunakan sebagai alternatif.
Selain itu, t-Test tidak memerlukan ukuran sampel yang besar. Terdapat banyak pendapat
yang mengatakan bahwa dengan ukuran sampel 30-40, hasil t-Test yang diperoleh akan
mendekati hasil yang diperoleh dengan z-Test.
6.1. One-Sample t-Test

One sample t-Test digunakan untuk menguji rata-rata populasi dari satu buah sampel.
Perhatikan contoh kasus berikut, dalam sebuah iklan sebuah Sekolah Bisnis mengklaim
bahwa gaji rata-rata yang dihasilkan oleh lulusannya dalam satu tahun tertentu adalah setara
dengan gaji rata-rata yang ditawarkan kepada lulusan dari 5 (lima) Sekolah Bisnis yang top.
Untuk menguji kebenaran dari klaim sekolah tersebut, sebuah sampel acak diambil dari
lulusan sekolah tersebut dengan ukuran 30, berikut adalah data yang diperoleh dari sampel :
Tabel 6.1. Data Gaji Rata-Rata Lulusan
Gaji Rata-Rata Gaji Rata-Rata

No. No.
(dalam ribuan Rp.) (dalam ribuan Rp.)
1 750 16 770
2 600 17 680
3 600 18 670
4 650 19 740
5 700 20 760
84
Gaji Rata-Rata Gaji Rata-Rata

No. No.
(dalam ribuan Rp.) (dalam ribuan Rp.)
6 780 21 775
7 860 22 845
8 810 23 870
9 780 24 640
10 670 25 690
11 690 26 715
12 550 27 630
13 610 28 685
14 715 29 780
15 755 30 635
Gaji rata-rata yang ditawarkan di lima sekolah bisnis top di tahun tersebut adalah Rp.
750.000,-. Dengan demikian hipotesis yang diuji adalah :
H0 : μ = 750
(Tidak terdapat perbedaan antara gaji rata-rata dari sekolah bisnis dalam iklan
dengan gaji rata-rata yang ditawarkan kepada 5 sekolah bisnis top)
H1 : μ ≠ 750
(Terdapat perbedaan antara gaji rata-rata dari sekolah bisnis dalam iklan dengan
gaji rata-rata yang ditawarkan kepada 5 sekolah bisnis top)
α = 0,05
Untuk dapat menguji hipotesis di atas menggunakan SPSS, terlebih dahulu lakukan input
dapat seperti Gambar 6.1 dan harus diingat bahwa terdapat dua asumsi yang harus dipenuhi
yaitu sampel berasal dari satu populasi berdistribusi Normal dan simpangan baku populasi (σ)
tidak diketahui. Kemudian klik Analyze dan pilih Compare Means dan pilih One-Sample t-
Test sehingga akan muncul kotak dialog pada Gambar 6.3. Pindahkan Gaji rata-rata ke Test
Variable(s) dan input nilai 750 pada Test Value. Selanjutnya klik Option dan pastikan
Confidence Interval yang diisi adalah 95% (Gambar 6.4) karena taraf signifikansi yang
digunakan adalah 5%, artinya jika taraf signifikansi yang digunakan adalah 1% maka
Confidence Interval yang diisi adalah 99%. Langkah terakhir klik Continue dan klik OK
sehingga diperoleh output pada Gambar 6.5.
85
Gambar 6.1.
Gambar 6.2.
86
Gambar 6.3.
Gambar 6.4.
Gambar 6.5.
Berdasarkan output SPSS di atas, diperoleh informasi bahwa ukuran sampel yang
diambil adalah 30 dengan gaji rata-rata Rp. 713.700,- standard deviasi Rp. 81.263,2 dengan
87
standard error sebesar Rp. 14.836,56. Nilai statistik uji t yang diperoleh adalah -2,46 dengan
degrees of freedom (df) 29 dan sig.(2-tailed) atau p-value sebesar 0,02. Kriteria uji yang
digunakan adalah tolak H0 jika p-value < α dan terima dalam hal lainnya. Dengan
demikian, berdasarkan hasil yang diperoleh dan taraf signifikansi yang digunakan nilai p-
vavlue yang diperoleh adalah 0,02 jauh lebih kecil dari taraf signifikansi yang digunakan
yaitu 0,05, artinya H0 ditolak. Sehingga dapat disimpulkan bahwa terdapat perbedaan antara
gaji rata-rata dari Sekolah Bisnis pada iklan dengan gaji rata-rata di lima sekolah bisnis top.
Dengan kata lain, klaim yang dilakukan oleh Sekolah Bisnis pada iklan tersebut tidak dapat
diterima.
6.2. Independent Sample t-Test

Dalam banyak situasi kehidupan nyata, kita tidak bisa menentukan nilai yang tepat
dari populasi, akan tetapi kita hanya bisa membandingkan dua populasi dari dua sampel acak.
Perhatikan kasus berikut, sebuah penelitian dilakukan untuk membandingkan efisiensi
pekerja dari dua perusahaan tambang yaitu perusahaan tambang swasta dan perusahaan milik
Pemerintah. Peneliti memandang bahwa tidak terdapat perbedaan yang nyata dari tingkat
efisiensi kerja pekerja dari kedua perusahaan tambang tersebut. Total tonase mineral yang
ditambang oleh seorang pekerja dalam satu shift dijadikan sebagai kriteria untuk menilai
tingkat efisiensi tersebut. Sebanyak 20 pekerja dari perusahaan tambang swasta dan 24
pekerja dari perusahaan milik Pemerintahan yang dipilih secara acak dijadikan sebagai
sampel kemudian masing-masing total tonase mineral yang ditambang dalam satu shift
dicatat seperti yang terlihat pada Tabel 6.2. berikut :
Tabel 6.2. Hasil Tambang Pekerja
Perusahaan Tambang Swasta Perusahaan Tambang Pemerintah
Pekerja Hasil Tambang (tonase) Pekerja Hasil Tambang (tonase)
1 48 1 42
2 45 2 44
3 33 3 41
4 39 4 39
5 34 5 35
6 49 6 34
7 33 7 33
88
Perusahaan Tambang Swasta Perusahaan Tambang Pemerintah
Pekerja Hasil Tambang (tonase) Pekerja Hasil Tambang (tonase)
8 45 8 36
9 48 9 37
10 44 10 37
11 45 11 41
12 45 12 42
13 36 13 39
14 48 14 38
15 41 15 38
16 47 16 39
17 39 17 41
18 49 18 40
19 38 19 41
20 45 20 40
21 38
22 41
23 43
24 40
Oleh karena, peneliti memandang bahwa tidak terdapat perbedaan yang nyata dari
tingkat efisiensi kerja pekerja dari kedua perusahaan tambang tersebut, maka hipotesis yang
diuji adalah :
H0 : μ1 = μ2
(tingkat efisiensi kerja dari pekerja di kedua perusahaan tambang tersebut adalah
sama)
H1 : μ1 ≠ μ2
(tingkat efisiensi kerja dari pekerja di kedua perusahaan tambang tersebut adalah
tidak sama)
α=0,05
Untuk dapat menguji hipotesis di atas menggunakan SPSS, lakukan iput data terlebih dahulu
seperti yang terlihat pada Gambar 6.6. dan Gambar 6.7.
89
Gambar 6.6.
Gambar 6.7.
90
Untuk memulai analisis, klik Analyze, pilih Compare Means dan klik Independent Sample t-
Test sehingga muncul kotak dialog pada Gambar 6.9. Pindahkan output ke Test Variable(s)
dan Miners ke Grouping Variable kemudian klik dan akan muncul kotak dialog pada Gambar
6.10, Group 1 isi “1” dan Group 2 isi “2” , klik continue dan OK sehingga diperoleh output
pada Gambar 6.11.
Gambar 6.8.
Gambar 6.9.
91
Gambar 6.10.
Gambar 6.11.
Berdasarkan output yang diperoleh pada Gambar 6.11 di atas, diperoleh informasi
bahwa ukuran sampel untuk Perusahaan Tambang Swasta adalah 20 dengan rata-rata hasil
tambang pekerja dalam satu shift adalah 42,55 ton, standard deviasi 5,4818 ton dan standard
eror 1,2258 ton. Sementara ukuran sampel untuk Perusahaan Tambang Pemerintah adalah 24
dengan rata-rata hasil tambang pekerjanya dalam satu shift adalah 39,1250 ton, standard
deviasi 2,7868 ton dan standard error 0,5689 ton.
Ingat kembali bahwa terdapata dua asumsi yang harus dipenuhi untuk dapat
menggunakan independent sample t-Test yaitu sampel berasal dari dua populasi yang
berdistribusi normal dan simpangan baku kedua populasi tersebut sama. Dengan demikian,
statistik uji t yang diperoleh untuk menguji hipotesis yang telah disebutkan sebelumnya
adalah 2,678 dengan degrees of freedom (df) 42 dan sig (2-tailed) atau p-value sebesar 0,011.
Sama seperti pada one sample t-Test kriteria uji yang digunakan yaitu tolak H0 jika p-value
92
lebih kecil dari taraf signifikan yang digunakan (α) dan terima dalam hal lainnya.
Untuk itu, berdasarkan hasil analisis yang diperoleh, dapat disimpulkan bahwa nilai p-value
pada output jauh lebih kecil dari taraf signifikan yang digunakan yaitu 0,011<0,05, sehingga
H0 ditolak. Artinya, tingkat efisiensi pekerja di kedua tambang tersebut tidaklah sama.
6.3. Dependents (Paired) Sample t-Test

Sama seperti independent sample t-Test, dependents (paired) sample t-Test digunakan
untuk menguji rata-rata dua populasi. Perbedaanya terletak pada kedua sampel bukan
merupakan sampel independen melainkan sampel berpasangan. Asumsi yang harus dipenuhi
yaitu sampel berasal dari dua populasi dependen (berpasangan) yang berdistribusi normal.
Sebagai contoh, perhatikan kasus berikut, sebuah lembaga perlatihan mengklaim
bahwa program pelatihan yang diselenggarakan sangat bisa meningkatkan efisiensi kerja
karyawan call centre. Sebuah Call Centre besar telah mengirimkan beberapa karyawannya
untuk mengikuti program pelatihan tersebut. Efisiensi kerja diukur dengan banyaknya
penawaran yang ditutup oleh masing-masing karyawan dalam periode satu bulan. Data
dikumpulkan untuk jangka waktu satu bulan sebelum karyawan mengikuti program pelatihan
dan juga dalam jangka waktu yang sama setelah karyawan mengikuti pelatihan. Berikut
adalah data yang diperoleh :
Tabel 6.3. Banyaknya Penawaran
Sebelum Setelah Sebelum Setelah

Karyawan Karyawan
Pelatihan Pelatihan Pelatihan Pelatihan
1 41 44 11 46 39
2 35 36 12 42 40
3 40 48 13 37 36
4 50 47 14 34 39
5 39 40 15 38 50
6 45 52 16 42 46
7 35 35 17 46 49
8 36 51 18 39 42
9 44 46 19 40 51
10 40 55 20 45 37
Dalam kasus ini, kita ingin menguji kebenaran dari klaim yang dilakukan oleh lembaga
pelatihan tersebut bahwa program pelatihan yang diselenggaran dapat meningkatkan efisiensi
kerja karyawan Call Centre. Dengan kata lain, ingin diketahui apakah terdapat perbedaan
yang signifikan dari banyaknya penawaran yang ditutup oleh masing-masing karyawan
93
selama satu bulan sebelum mengikuti pelatihan dan sesudah mengikuti pelatihan. Oleh karena
itu, hipotesis yang diuji adalah sebagai berikut :
H0 : μ1 = μ2
(rata-rata banyaknya penawaran yang ditutup oleh karyawan dalam satu bulan
sebelum mengikuti pelatihan dan sesudah mengikuti pelatihan adalah sama)
H1 : μ1 ≠ μ2
sebelum mengikuti pelatihan dan sesudah mengikuti pelatihan tidaklah sama)
α=0,05
Untuk menguji hipotesis di atas menggunakan SPSS, lakukan input data seperti pada Gambar
6.12. dan 6.13. Kemudian klik Analyze, pilih Compare Means dan klik Paired-Sample t-Test
sehingga muncul kotak dialog pada Gambar 6.15. Selanjutnya pindahkan Sebelum Pelatihan
ke Varibael 1 dan Setelah Pelatihan ke Variable 2 dan klik Option sehingga muncul kotak
dialog pada Gambar 6.16. pastikan bahwa confidence interval yang digunakan adalah 95%
karena taraf signifikansi yang digunakan adalah 5%. Langkah terakhir klik continue
sehingga kembali ke kotak dialog pada Gambar 6.15 dan klik OK untuk memperoleh output
pada Gambar 6.17.
Gambar 6.12.
94
Gambar 6.13.
Gambar 6.14.
95
Gambar 6.15.
Gambar 6.16.
Gambar 6.17.
96
Berdasarkan output pada Gambar 6.17 di atas, diperoleh informasi bahwa rata-rata
banyaknya penawaran yang ditutup oleh karyawan selama satu bulan sebelum mengikuti
pelatihan adalah 40,7 atau 41 penawaran dengan standard deviasi sebesar 4,3 atau 4
penawaran dan standard error sebesar 0,9654 atau 1 penawaran. Sementara rata-rata
banyaknya penawaran yang ditutup oleh karyawan dalam satu bulan setelah mengikuti
pelatihan adalah 44,15 atau 44 penawaran dengan standard deviasi 6,158 atau 6 penawaran
dan standard error 1,3 atau 1 penawaran.
Dari output yang sama, kita juga dapat mengetahui ukuran keeratan hubungan antara
banyaknya penawaran yang ditutup oleh karyawan dalam satu bulan sebelum mengikuti
pelatihan dengan sesudah mengikuti pelatihan yaitu sebesar 0,281 dengan p-value sebesar
0,230. Sementara nilai statistik t yang diperoleh untuk menguji hipotesis yang telah
disebutkan sebelumnya yaitu -2,391 dengan degrees of freedom (df) 19 dan sig (2-tailed)
sebesar 0,027. Sama halnya dengan dua statistik uji t sebelumnya, kriteria uji yang digunakan
adalah tolak H0 jika p-value lebih kecil dari taraf signifikan yang digunakan (α) dan
terima dalam hal lainnya. Untuk itu, berdasarkan hasil analisis yang diperoleh, dapat
disimpulkan bahwa nilai p-value pada output jauh lebih kecil dari taraf signifikan yang
digunakan yaitu 0,027 < 0,05, sehingga H0 ditolak. Artinya, rata-rata banyaknya penawaran
yang ditutup oleh karyawan dalam satu bulan sebelum mengikuti pelatihan dan sesudah
mengikuti pelatihan tidaklah sama.
Dengan menggunakan hasil pengujian hipotesis tersebut, walaupun hasilnya
menunjukkan terdapat perbedaan yang signifikan antara rata-rata banyaknya penawaran yang
ditutup oleh karyawan dalam satu bulan sebelum mengikuti pelatihan dan sesudah mengikuti
pelatihan, kita tetap belum bisa menerima klaim lembaga pelatihan yang menyebutkan bahwa
pelatihan yang diselenggarakan bisa meningkatkan efisiensi kerja karyawan Call Centre.
Untuk itu, hipotesis yang lebih tepat untuk menguji klaim tersebut adalah sebagai berikut :
H0 : μ1 ≥ μ2
sebelum mengikuti pelatihan lebih besar atau sama dengan sesudah mengikuti
pelatihan)
H1 : μ1 < μ2
sebelum mengikuti pelatihan lebih kecil dibandingkan dengan sesudah mengikuti
pelatihan)
97
α=0,05
Hipotesis di atas merupakan hipotesis satu pihak, sehingga kriteria uji yang digunakan
berbeda yaitu tolak H0 jika p-value/2 lebih kecil dari taraf signifikan yang digunakan (α)
dan terima dalam hal lainnya. Oleh karena itu, dengan menggunakan output yang sama
pada Gambar 6.17. dapat disimpulkan bahwa nilai p-value/2 (0,027/2) pada output jauh lebih
kecil dari taraf signifikan yang digunakan yaitu 0,0136 < 0,05, sehingga H 0 ditolak. Artinya,
rata-rata banyaknya penawaran yang ditutup oleh karyawan dalam satu bulan sebelum
mengikuti pelatihan lebih kecil dibandingkan dengan sesudah mengikuti pelatihan. Dengan
demikian, klaim lembag pelatihan tersebut dapat diterima.
98
LATIHAN 6
1. Dua macam cat harus diteliti. Macam kesatu harganya lebih murah daripada macam yang
kedua. Penelitian dilakukan untuk menilai masing-masing cat sesudah digunakan dlam
keadaan cuaca tertentu selama enam bulan. Dari masing-masing cat diambil enam
percobaan, yang nilainya dapat dilihat pada tabel berikut :
Macam I 87 85 92 80 84 90
Macam II 89 90 89 84 88 92
Peneliti berpendapat bahwa cat macam I yang harganya murah lebih layak digunakan,
kecuali apabila ada alasan yang kuat untuk mempercayai bahwa cat macam II yang lebih
layak digunakan. Gunakan taraf signifikansi 5% untuk menguji pendapat peneliti
tersebut!
2. Seorang pemilik pabrik rokok mempunyai anggapan bahwa rata-rata nikotin yang
dikandung oleh setiap batang rokok adalah sebesar 20 mg, dengan alternatif lebih kecil
dari itu. Dari 10 batang rokok yang dipilih secara acak, diperoleh hasil sebagai berikut :
20 23 18 24 25 17 16 17 21 18
Dengan menggunakan taraf signifikansi 5%, ujilah pendapat tersebut!
3. Data berikut adalah masa putar film (dalam menit) yang diproduksi oleh dua perusahaan:
Perusahaan A 102 86 98 109 92

Perusahaan B 81 165 97 134 92 87 114
Ujilah hipotesis yang menyatakan bahwa rata-rata masa putar film yang diproduksi oleh
perusahaan B lebih lama dibandingkan dengan rata-rata masa putar film yang diproduksi
oleh perusahaan A. Asumsikan bahwa dua populasi berdistribusi normal dengan varians
yang sama.
4. Seorang pejabat perindustrian ingin membandingkan rata-rata keuntungan bersih yang
diperoleh oleh perusahaan A dan perusahaan B. Tabel berikut menyajikan keuntungan
bersih yang diperoleh oleh dua perusahaan tersebut (dalam miliar rupiah).
Perusahaan A 11 9 10 7 15 12 8 10 13 14
Perusahaan B 10 9 12 9 8 7 9 6 8 15
99
apakah benar rata-rata keuntungan bersih perusahaan A lebih besar dari perusahaan B?
Gunakan taraf signifikansi 5%. Anggap bahwa keuntungan bersih kedua perusahaan
berdistribusi normal dengan varians yang homogen.
5. Suatu perusahaan besar mengadakan kursus bahasa Inggris bagi pada karyawannya
dengan harapan agar para karyawannya mampu berkomunikasi dengan baik ketika
berhadapan dengan mitranya dari luar negeri. Setelah kursus berlangsung selama tiga
bulan, diadakan evaluasi dengan memakai tes tertentu yang sama sebelum mereka
mengikuti kursus. Data hasil evaluai berupa nilai yang diperoleh oleh 9 orang karyawan
sebagai berikut :
Sebelum Kursus 65 50 68 56 60 46 48 68 61
Sesudah Kursus 60 70 70 50 75 48 56 64 60
Apakah penyelenggaraan kursus tersebut efektif? Gunakan taraf signifikansi 1%.

Asumsikan bahwa dua populasi berdistribusi normal dengan varians homogen.
100
Analisis Regresi dan Korelasi
7.1. Analisis Regresi

Seperti yang telah kita ketahui bersama, analisis regresi berkenaan dengan studi
ketergantungan satu variabel (variabel tak bebas) pada satu atau lebih variabel lain (variabel
bebas/variabel yang menjelaskan/explanatory variable) dengan maksud menaksir dan atau
meramalkan nilai rata-rata hitung (mean) atau rata-rata (populasi) variabel tak bebas,
dipandang dari segi nilai yang telah diketahui atau tetap dari variabel bebas (Gujarati, 2004).
Pengertian ini tidak berbeda jauh dengan pengertian yang diungkapkan oleh Sanford Wisberg
(2005), Rudolf J.Freund (2003) dan Lukas Setia Atmaja (2009). Dalam analisis regresi
diketahui terdapat dua jenis variabel yaitu variabel bebas yang dinotasikan sebagai variabel x
dan variabel tak bebas yang dinotasikan sebagai variabel y.
Langkah-langkah analisis regresi sederhana adalah sebagai berikut :
 Buat scatter plot antara variabel x dan variabel y untuk menelaah apakah hubungan
yang dibentuk merupakan hubungan linear atau tidak
 Uji asumsi klasik diantaranya uji normalitas residual, uji non-autokorelasi dan uji
homoskedastistias. Uji asumsi klasik harus dipenuhi, jika salah satu asumsi tidak
terpenuhi maka analisis regresi tidak dapat lagi digunakan untuk menaksir atau
meramalkan nilai rata-rata variabel tak bebas (y) berdasarkan variabel bebas (x) yang
diketahui. Juga, pengujian hipotesis mengenai hubungan antara kedua variabel
tersebut tidak dapat dilakukan, oleh karena jika salah satu asumsi tidak terpenuhi dan
analisis regresi tetap digunakan maka hasil uji hipotesis bisa keliru.
 Setelah asumsi klasik terpenuhi, selanjutnya pembentukan model regresi yang
dihasilkan yaitu Yî  a  bX i .
 Setelah persamaan model regresi terbentuk, lakukan uji model secara keseluruhan (uji
F) untuk mengetahui apakah kecocokan model yang dibentuk dengan data yang ada.
 Untuk mengetahui apakah variabel x mempengaruhi variabel y maka lakukan uji
model secara parsial (uji t)
 Langkah terakhir adalah hitung nilai koefisien determinasi yang akan menunjukkan
berapa besar kontribusi variabel x mempengaruhi perubahan nilai variabel y.
101
Perhatikan kasus berikut, sebuah perusahaan melakukan penelitian dengan tujuan
ingin mengetahui taksiran penjualan produk berdasarkan kualitas pelayanan yang diberikan.
Data yang dikumpulkan dalam penelitian tersebut adalah sebagai berikut :
Tabel 7.1. Data Penjualan Berdasarkan Kualitas Layanan yang Diberikan
Kualitas Penjualan Kualitas Penjualan

No. No.
Layanan (X) Barang (Y) Layanan (X) Barang (Y)
1 54 167 18 45 160
2 50 155 19 47 155
3 53 148 20 53 159
4 45 146 21 49 159
5 48 170 22 56 172
6 63 173 23 57 168
7 46 149 24 50 159
8 56 166 25 49 150
9 52 170 26 58 165
10 56 174 27 48 159
11 47 156 28 52 162
12 56 158 29 56 168
13 55 150 30 54 166
14 52 160 31 59 177
15 50 157 32 47 149
16 60 177 33 48 155
17 55 166 34 56 160
Seperti yang telah disebutkan sebelumnya, langkah pertama dalam analisis regresi
adalah membuat scatter plot antara variabel x dan variabel y, dalam kasus ini kita akan
membuat scatter plot antara kualitas pelayanan (x) dan penjualan (y). Setelah data kedua
variabel tersebut kita input, pilih menu Graph kemudian pilih Legacy Dialogs dan klik
Scatter/Dot sehingga muncul kotak dialog pada Gambar 7.2. Pilih Simpe Scatter dan Klik
Define yang akan memunculkan kotak dialog selanjutnya seperti Gambar 7.3. Pindahkan
Penjualan ke Y-Axis dan Kualitas Pelayanan ke X-Axis kemudian klik OK. Output akan
muncul seperti Gambar 7.4.
102
Gambar 7.1.
Gambar 7.2.
103
Gambar 7.3.
Gambar 7.4.
104
Berdasarkan output pada Gambar 7.4. dapat dilihat bahwa secara garis besar, plot
menunjukkan bahwa semakin besar skor kualitas pelayanan semakin tinggi pula penjualan
produk yang terjadi. Hal ini menunjukkan terjadi hubungan linear antara kualitas pelayanan
dan penjualan produk.
Langkah kedua dalam analisis regresi adalah menguji asumsi klasik. Sebelum kita
masuk ke dalam pengujian tersebut, kita akan melakukan analisis regresi untuk memperoleh
nilai-nilai yang dibutuhkan dalam melakukan uji asumsi klasik. Masuk ke dalam menu
Analyze kemudian pilih Regression dan klik Linear sehingga muncul kotak dialog pada
Gambar 7.6. Pindahkan Penjualan (Variabel y) ke Dependent dan Kualitas Pelayanan
(Variable x) kemudian klik Statistics yang akan memunculkan kotak dialog pada Gambar 7.7.
Pada kotak dialog tersebut centang estimates yang berfungsi memunculkan nilai taksiran
koefisien regresi (a dan b), Confidence Intervals yang berfungsi untuk memunculkan nilai
interval atau range taksiran koefisien regresi (range nilai a dan b), Model fit yang berfungsi
untuk menguji model secara keseluruhan (uji F), part and partial correlations untuk
memunculkan nilai koefisien korelasi dan Durbin-Watson yang berfungsi untuk menguji
asumsi non-autokorelasi. Selanjutnya klik continue agar kembali ke kotak dialog pada
Gambar 7.6.
Selanjutnya, pada kotak dialog tersebut (Gambar 7.6) klik save yang akan
memunculkan kotak dialog pada Gambar 7.8. Pada kotak dialog ini centang unstandardized
pada masing-masing menu Predicted dan Residuals. Klik continue dan klik OK.
Pada data view akan muncul dua buah kolom baru dengan nama PRE_1 yang
merupakan nilai taksiran penjualan dan RES_1 yang merupakan nilai residual atau error
terms. Kedua nilai ini akan digunakan untuk melakukan uji asumsi klasik.
Gambar 7.5.
105
Gambar 7.6.
Gambar 7.7.
106
Gambar 7.8.
7.1.1. Asumsi Normalitas
Salah satu asumsi klasik pada analisis regresi yang harus dipenuhi adalah asumsi
normalitas. Asumsi ini menunjukkan bahwa residual atau error terms dari model regresi yang
dibentuk harus mengikuti pola distribusi Normal. Terdapat dua cara dalam menguji asumsi
ini yaitu menggunakan metode grafik dan uji hipotesis. Dalam menggunakan metode grafik,
kita akan menggunakan plot normal kuantil sedangkan dalam uji hipotesis kita akan
menggunakan statistik Kolmogorov-Smirnov dengan hipotesis sebagai berikut :
H0 : Distribusi residual (error term) mengikuti pola distribusi normal
H1 : Distribusi residual (error term) tidak mengikuti pola distribusi normal
Pada SPSS pilih menu Analyze kemudian plih Descriptive Statistics dan klik Explore
sehingga muncul kotak dialog pada Gambar 7.9. Pindahkan RES_1 atau unstandardized
residuals ke Dependent list kemudian klik Statistics sehingga muncul kotak dialog pada
107
Gambar 7.10. Pada kotak dialog tersebut centang Normality plots with tests untuk
memperoleh plot normal kuantil dan nilai statistik uji Kolmogorov-Smirnov pada output.
Klik continue dan klik OK sehingga diperoleh output pada Gambar 7.11 dan Gambar 7.12.
Gambar 7.9.
Gambar 7.10.
108
Gambar 7.11.
Plot normal kuantil pada Gambar 7.11. menunjukkan bahwa residual atau error terms
menyebar mengikuti garis yang terbentuk sehingga dapat disimpulkan bahwa residual atau
error terms mengikuti pola distribusi normal. Artinya asumsi normalitas dapat dikatakan
terpenuhi. Akan tetapi, seperti yang sudah kita ketahui bersama, pengujian yang dilakukan
dengan menggunakan metode grafik, sering kali hasilnya lebih subjektif berdasarkan
pandangan penelitinya. Dengan demikian, untuk memperkuat hasil yang diperoleh melalui
metode grafik, kita akan melakukan uji hipotesis menggunakan statistik Kolmogorov-
Smirnov dengan hipotesis yang sudah disebutkan sebelumnya. Nilai statistik uji Komogorv
yang diperoleh pada Output dapat dilihat pada Gambar 7.12 berikut :
Gambar 7.12.
Berdasarkan output di atas, kita memperoleh informasi bahwa nilai statistik

Kolmogorov-Smirnov yang dihasilkan adalah 0,075 dengan degrees of freedom (df) 34 dan
109
sig, atau p-value sebesar 0,2. Kriteria uji yang digunakan adalah tolak H0 jika p-value lebih
kecil dari taraf signifikan yang digunakan (α) dan terima dalam hal lainnya. Dengan
demikian, dapat disimpulkan bahwa H0 diterima karena nilai p-value yang diperoleh jauh
lebih besar dari taraf signifikansi yang digunakan (0,2 > 0,05), artinya distribusi dari residual
atau error terms mengikuti pola distribusi normal. Hal ini menunjukkan bahwa hasil uji
hipotesis sama dengan hasil yang diperoleh melalui metode grafik, sehingga dapat dikatakan
bahwa asumsi normalitas terpenuhi.
7.1.2. Asumsi Non-Autokorelasi

Asumsi klasik lain yang harus dipenuhi dalam sebuah analisis regresi adalah non-
autokorelasi, artinya tidak terdapat korelasi di antara dua residual (error term) yang beruntun.
Sama halnya dalam uji asumsi normalitas, terdapat dua cara dalam menguji asumsi non-
autokorelasi yaitu melalui metode grafik dan uji hipotesis. Dalam metode grafik, kita akan
memplotkan nilai residual atau error terms terhadap t atau urutannya, dimana jika secara
visual terdapat pola yang sistematis maka cenderung terdapat autokorelasi. Sementara dalam
uji hipotesis kita akan menggunakan statistik Durbin-Watson dengan hipotesis sebagai
berikut :
H0 :  = 0 Tidak terdapat autokorelasi
H1 :   0 Terdapat autokorelasi
Statistik Durbin-Watson diperoleh dari persamaan berikut :
 (e  e
n
t 1 )2
dH  t 2
e
t
n
2
t 1
t
Dengan : et = nilai residual ke-t

et-1 = nilai residual ke-(t-1)
Kriteria uji yang digunakan adalah dengan membandingkan nilai dH yang diperoleh dengan
nilai dtabel yang diperoleh dari Tabel Durbin Watson (Lampiran 1) dengan dL=dB adalah batas
bawah dan dU=dA adalah batas atas. Kriteria penolakan dan penerimaan H0 dapat dilihat pada
Gambar 7.13 berikut :
110
Gambar 7.13
Metode grafik, dilakukan dengan memilih menu Graph pada SPSS, kemudian pilih
legacy dialog dan klik line sehingga muncul kotak dialog pada Gambar 7.15. Selanjutnya
pilih Simple dan centang Values of indiviual cases dan klik define maka akan muncul kotak
dialog seperti Gambar 7.16. Pada kotak dialog tersebut pindahkan RES_1 atau
unstandardized residuals ke line represents klik OK maka akan diperoleh plot pada Gambar
7.17.
Gambar 7.14
111
Gambar 7.15
Gambar 7.16
112
Gambar 7.17
Plot pada output Gambar 7.17 tersebut memperlihatkan bahwa plot yang dihasilkan
tidak menunjukkan sebuah pola tertentu sehingga dapat dikatakan bahwa tidak terdapat
autokorelasi di antara dua residual yang beruntun. Untuk lebih memperkuat hasil dari metode
grafik, selanjutnya kita akan menguji hipotesis yang telah dijelaskan sebelumnya
menggunakan statistik Durbin-Watson. Output hasil analisis regresi yang telah kita lakukan
sebelumnya (Gambar 7.18), memperlihatkan bahwa nilai statistik Durbin-Watson yang
diperoleh adalah 1,570.
Gambar 7.18
Selanjutnya nilai statistik Durbin-Watson tersebut akan kita bandingkan dengan

kritis yang diperoleh pada Tabel Durbin-Watson (Lampiran 1). Dengan ukuran sampel (n) =
113
34, taraf signifikansi (α) =0,05 dan banyaknya variabel bebas atau x yang dinotasikan dengan
k adalah 1 yaitu kualitas pelayanan, maka berdasarkan tabel tersebut diperoleh nilai dL=1,39
dan dU=1,51. Dengan demikian akan diperoleh bahwa :
4-dU = 4-1,51 = 2,49
4-dL = 4-1,39 = 2,61
Sehingga daerah penolakan dan penerimaan H0 dapat digambarkan sebagai berikut :
dH=1,570
Gambar 7.19
Oleh karena nilai statistik Durbin-Watson (dH) berada pada interval 1,51-2,49 maka H0
diterima, artinya tidak terdapat autokorelasi di antara dua residual yang beruntun. Dengan
demikian dapat disimpulkan bahwa asumsi non-autokorelasi terpenuhi.
7.1.3. Asumsi Homoskedastisitas

Asumsi terakhir yang harus dipenuhi pada sebuah analisis regresi sederhana adalah
homoskedastisitas. Asumsi ini menunjukkan bahwa varians dari residual atau error terms
untuk setiap nilai variabel x adalah sama atau konstan. Sama seperti dua asumsi sebelumnya,
terdapat dua cara untuk menguji asumsi ini yaitu melalui metode grafik dan melalui uji
hipotesis. Dalam metode grafik, plot yang dibentuk adalah plot antara nilai taksiran variabel y
dengan nilai kuadrat dari residualnya atau plot antara nilai variabel x dengan nilai kuadrat
residualnya. Jika plot tidak menunjukkan pola tertentu maka homoskedastistias dapat
dikatakan terpenuhi. Untuk memperkuat hasil pengujian melalui metode grafik digunakan uji
hipotesis menggunakan statistik rank Spearman. Prosedur pengujiannya adalah sebagai
berikut :
1. Uji Hipotesis :
H0 :=0 Tidak Terdapat Heteroskedastisitas
H1 : 0 Terdapat Heteroskedastisitas
114
2. Dengan MKTB hitung ei untuk i =1,2,..,n
3. Tentukan Rank |ei| dengan Xi tanpa memperhatikan tanda – atau +
4. Hitung Statistik Uji :
6 di2
n
rs n  2
t ~ tn 2 dengan rs  1  i 1
1 r
s
2 n(n  1)
2
di : Selisih rank Xi dengan |ei|

5. Kriteria uji :
H0 diterima jika –tα/2;n-2 ≤ t ≤ tα/2;n-2 dan ditolak jika t> t α/2;n-2 atau t<-tα/2;n-2
Dalam metode grafik, sebelum kita membuat plot antara antara nilai taksiran
variabel y dengan nilai kuadrat dari residualnya, kita harus menghitung terlebih dahulu nilai
kuadrat residualnya melalui menu Transform kemudian pilih Compute sehingga muncul
kotak dialog pada Gambar 7.21. Pada Target Variable isi dengan nama kolom yang akan
memuat nilai hasil perhitungan pada Numeric Expression (operasi matematika yang
digunakan). Dalam kasus ini, Target Variable diberi nama dengan e2 sedangkan Numeric
Expression adalah RES_1*RES_1 seperti yang terlihat pada Gambar 7.21. Selanjutnya klik
OK sehingga pada data view akan muncul kolom baru dengan nama e2 yang memuat nilai-
nilai kuadrat residual (RES_1).
Gambar 7.20
115
Gambar 7.21
Langkah selanjutnya adalah masuk ke dalam menu Graph kemudian pilih Legacy
Dialog dan klik Scatter/Dot sehingga muncul kotak dialog pada Gambar 7.23. Pilih Simple
Scatter dan klik Define yang akan memunculkan kotak dialog selanjutnya (Gambar 7.24).
Pindahkan PRE_1 atau Unstandardized Predicted Value ke X-Axis dan nilai e2 ke Y-Axis
kemudian klik OK., dengan demikian akan diperoleh plot seperti yang terlihat pada Gambar
7.25.
Gambar 7.22
116
Gambar 7.23.
Gambar 7.24.
Gambar 7.25.
117
Plot pada Gambar 7.25, menunjukkan bahwa tidak terdapat pola tertentu sehingga
dapat dikatakan bahwa varians dari residual atau error terms untuk setiap nilai x (Kualitas
Pelayanan) adalah sama atau konstan. Artinya, kita dapat mengatakan bahwa asumsi
homoskedastisitas terpenuhi. Untuk memperkuat hasil dari metode grafik, selanjutnya kita
akan menggunakan metode kedua yaitu melalui uji hipotesis menggunakan statistik korelasi
rank Spearman dengan hipotesis yang telah disebutkan sebelumnya.
Langkah pertama yang harus dilakukan adalah menghitung nilai mutlak atau
absolute dari nilai residual. Dengan demikian, kita akan masuk kembali ke dalam menu
Transform kemudian pilih Compute sehingga muncul kotak dialog pada Gambar 7.26. Klik
Reset dan isi Target Variabel dengan nama AbsE sedangkan pada untuk mengisi Numeric
Expression, pada Function Group pilih Arithmetic, kemudian double klik Abs pada Function
and Special Variable. Terakhir double klik nilai RES_1 sehingga berpindah ke dalam
Numeric Expression dan klik OK. Nilai hasil perhitungan ini, akan muncul pada data view
pada kolom baru bernama AbsE.
Gambar 7.26.
Langkah selanjutnya untuk menguji asumsi homoskedastisitas melalui metode uji

hipotesis adalah masuk ke dalam menu Analyze kemudian pilih Correlate dan klik Bivariate
118
sehingga muncul kotak dialog pada Gambar 7.28. Pindahkan variabel x atau Kualitas
Pelayanan dan AbsE ke dalam Variable dan pilih Spearman kemudian klik OK, sehingga
akan diperoleh output pada Gambar 7.29.
Gambar 7.27.
Gambar 7.28.
119
Gambar 7.29.
bahwa korelasi rank Spearman yang dihasilkan antara kualitas pelayanan (x) dan nilai mutlak
residual sebesar 0,045 dengan p-value atau sig.(2-tailed) sebesar 0,8. Kriteria uji yang
digunakan adalah tolak H0 jika p-value < α/2 dan terima dalam hal lainnya. Dengan
demikian, dapat disimpulkan bahwa H0 diterima, oleh karena 0,8 jauh lebih besar dari 0,025.
Artinya asumsi homoskedastisitas terpenuhi.
Sebagai catatan, jika variabel bebas (X) yang dilibatkan dalam analisis regresi lebih
dari satu maka analisis regresi yang dlakukan dinamakan sebagai analisis regresi berganda.
Dalam membentuk persamaan regresi pada analisis regresi berganda, selain ketiga asumsi
yang sudah dijelaskan sebelumnya, terdapat asumsi lain yang harus dipenuhi, yaitu asumsi
non-Multikolinieritas. Asumsi ini memberikan pengertian bahwa tidak terdapat korelasi di
antara variabel-variabel bebas (Xi) dengan (Xj). Pemeriksaan asumsi ini dilakukan
menggunakan statistik Variance Inflation Factor (VIF) dengan kriteria bahwa nilai VIF yang
lebih besar dari 10 mengindikasikan adanya kolinieritas di antara variabel bebas.
Setelah semua asumsi klasik pada analisis regresi sederhana terpenuhi, langkah
selanjutnya adalah membentuk persamaan regresi berdasarkan output yang diperoleh pada
Gambar 7.30 berikut :
Gambar 7.30
Berdasarkan output di atas, maka model taksiran regresi antara kualitas pelayanan (x) dan
penjualan produk (y) dapat dituliskan sebagai berikut :
120
yî  93, 850  1, 287 xi
Artinya, secara rata-rata penjualan produk pada saat kualitas pelayanan nol adalah 93,845
atau 94 pcs atau berada pada interval 68-119 pcs dan meningkat sebesar 1,2874 atau 1 pcs
atau berada dalam interval 1-2 pcs jika kualitas pelayanan meningkat sebesar satu satuan.
Untuk dapat menggunakan persamaan regresi di atas dalam menaksir nilai penjualan produk
berdasarkan nilai kualitas pelayanan tertentu, terlebih dahulu harus dilakukan uji kecocokan
model menggunakan uji F dengan hipotesis sebagai berikut :
H0 : b = 0
(Tidak terdapat pengaruh dari kualitas layanan terhadap penjualan produk)
H1 : b ≠ 0
(Terdapat pengaruh dari kualitas layanan terhadap penjualan produk)
Taraf Signifikansi α =5%
Gambar 7.31
Berdasarkan output di atas, diperoleh bahwa nilai statistik uji F sebesar 29,221
dengan sig. Atau p-value sebesar 0,000. Kriteria uji yang digunakan adalah tolak H0 jika p-
value < α dan terima dalam hal lainnya. Dengan demikian, dapat disimpulkan bahwa H0
ditolak, karena nilai p-value yang diperoleh jauh lebih kecil dari taraf signifikansi yang
digunakan yaitu 0,000 < 0,05, artinya terdapat pengaruh dari kualitas pelayanan terhdapa
penjualan produk atau dengan kata lain model regresi dapat digunakan untuk menaksir atau
meramalkan nilai penjualan produk berdasarkan nilai kualitas pelayanan yang diketahui.
Setelah uji kecocokan model dilakukan, selanjutnya dilakukan uji model secara
parsial dengan hipotesis yang sama pada uji kecocokan model. Perbedaan hipotesis yang
digunakan untuk kedua uji ini akan lebih terlihat jelas pada analisis regresi berganda. Oleh
121
karena pada kasus ini adalah analisis regresi sederhana, maka dengan banyaknya variabel x
yang dilibatkan hanya satu maka hipotesis yang sama akan digunakan pula pada uji model
secara parsial. Uji model secara parsial dilakukan untuk menguji apakah variabel x
berpengaruh secara signifikan terhadap variabel y, dalam hal ini kualitas pelayanan terhadap
penjualan produk. Statistik uji yang digunakan adalah statistik t.
Nilai statistik t diperoleh pada output yang sama untuk pembentukan model regresi
yaitu Gambar 7.30. Berdasarkan output tersebut kita memperoleh bahwa nilai statistik t yang
dihasilkan sebesar 5,406 dengan sig. atau p-value sebesar 0,000. Kriteria uji yang digunakan
adalah tolak H0 jika p-value < α/2 dan terima dalam hal lainnya. Dengan demikian dapat
disimpulkan bahwa H0 ditolak, karena nilai p-value yang diperoleh jauh lebih kecil dari taraf
signifikansi yang digunakan (setelah dibagi 2) yaitu 0,000 < 0,025, artinya kualitas pelayanan
berpengaruh secara signifikan terhadap penjualan produk.
Untuk mengetahui berapa besar kontribusi yang diberikan oleh kualitas pelayanan
terhadap perubahan nilai penjualan produk, gunakan koefisien determinasi pada output
Gambar 7.18. Berdasarkan output tersebut kita memperoleh informasi bahwa nilai korelasi
antara kualitas pelayanan dan penjualan produk sebesar 0,691 dengan nilai koefisien
determinasi sebesar 0,477. Dengan kata lain, 47,7% variasi keragaman dari penjualan produk
dapat dijelaskan oleh kualitas pelayanan dan sisanya (52,3%) dijelaskan oleh variabel lain.
7.2. Analisis Korelasi

Berbicara regresi atau analisis regresi tidak dapat lepas dari korelasi. Akan tetapi
terdapat perbedaan mendasar dari kedua analisis ini. Dalam sebuah analisis regresi, hubungan
yang diamati adalah sebuah hubungan asimetris antara variabel X terhadap variabel Y.
Dengan kata lain, hubungan yang diamati adalah hubungan satu arah, yaitu variabel X
mempengaruhi variabel Y (XY). Sementara dalam sebuah analisis korelasi, hubungan yang
diamati adalah sebuah hubungan simetris antara variabel X dan variabel Y.
Seperti yang telah kita ketahui bersama, untuk dapat berbicara pengaruh dalam sebuah
analisis regresi terdapat beberapa syarat yang harus dipenuhi, salah satunya adalah
association yaitu adanya hubungan antara variabel Y dan variabel X. Salah satu cara untuk
mengukur asosiasi antara variabel-variabel adalah menggunakan koefisien korelasi. Dalam
kasus ini, untuk dapat berbicara pengaruh antara kualitas pelayanan terhadap penjualan
produk, harus dipastikan terlebih dahulua bahwa terdapat hubungan antara kualitas pelayanan
dan penjualan produk. Dengan kata lain, harus dihitung nilai koefisien korelasi antara kualitas
122
pelayanan dan penjualan produk yang kemudian dilakukan pengujian signifikansi terhadap
koefisien korelasi yang diperoleh.
Dalam hal ini, masuk ke dalam menu Analyze, pilih Correlate dan klik Bivariate
sehingga muncul kotak dialog pada Gambar 7.33. Pindahkan variabel x dan y atau kualitas
pelaynan dan penjualan produk ke dalam Variable dan pilih Pearson kemudian klik OK .
Dengan demikian akan diperoleh output seperti yang terlihat pada Gambar 7.34.
Gambar 7.32.
Gambar 7.33.
123
Gambar 7.34.
Berdasarkan output di atas, diperoleh bahwa nilai korelasi antara kualitas pelayanan
dan penjualan produk sebesar 0,691. Untuk dapat mengatakan bahwa terdapat hubungan yang
signifikan antara kedua variabel tersebut, akan dilakukan pengujian terhadap hipotesis
berikut:
H0 : ρ = 0 (tidak terdapat hubungan antara kualitas pelayanan dan penjualan produk)
H1 : ρ ≠ 0 (terdapat hubungan antara kualitas pelayanan dan penjualan produk)
Taraf Signifikansi 5%
Dari output yang sama diperoleh nilai p-value sebesar 0,000. Kriteria uji yang digunakan
yaitu tolak H0 jika p-value lebih kecil dari α/2 dan terima dalam hal lainnya. Dengan
demikian, dapat disimpulkan bahwa H0 ditolak, karena nilai p-value yang diperoleh jauh
lebih kecil dari taraf signifikansi yang digunakan (setelah dibagi 2) yaitu 0,000 < 0,025,
artinya terdapat hubungan yang signifikan antara kualitas pelayanan dan penjualan produk.
Setelah terbukti melalui hasil pengujian bahwa terdapat hubungan yang signifikan
antara kedua variabel baru kita dapat menafsirkan arti dari koefisien korelasi yang telah
diperoleh. Arti dari koefisien korelasi menurut Guilford (Mindra Jaya, 2010) sebagai berikut :
Tabel 7.2. Arti Koefisien Korelasi
Nilai Koefisien Korelasi Tafsiran
Hubungan yang sangat rendah dan dapat diabaikan atau dapat

0 - < 0,2
dianggap tidak terdapat korealsi antara variabel
≥0,2 - < 0,4 Hubungan yang rendah atau hubungan tidak erat
124
Nilai Koefisien Korelasi Tafsiran
≥0,4 - < 0.7 Hubungan yang moderat / sedang
≥0,7 - < 0,9 Hubungan yang erat / kuat
≥0,9 - < 1 Hubungan yang sangat erat / sangat kuat
Nilai koefisien korelasi berkisar pada -1 ≤ r ≤ 1, artinya koefisien korelasi bisa

bertanda positif dan negative. Mindra Jaya (2010) menyebutkan bahwa :
 Tanda positif menunjukkan adanya hubungan yang selaras antara variabel bebas
dengan variabel tak bebas ( dalam arti semakin tinggi nilai dari variabel bebas
semakin tinggi pula nilai dari variabel tak bebas)
 Tanda negatif menunjukkan adanya hubungan yang terbalik antara variabel tak bebas
dengan variabel bebas ( dalam arti semakin tinggi nilai dari variabel bebas semakin
kecil nilai dari variabel tak bebas)
Dalam kasus ini, dapat disimpulkan bahwa terdapat hubungan yang moderat/sedang
antara kualitas pelayanan dan penjualan produk.
125
Case Study 1
Suatu penelitian lingkungan bertujuan untuk mengetahui tingkat pencemaran yang berasal
dari mobil. Dalam hal ini diperkirakan bahwa tingkat emisi hydrokarbon (HC) dari mntung
dari jaraknya. Dengan demikian, mobil yang masih baru lebih sedikit mengeluarkan HC
daripada mobil tua. Untuk itu, sebanyak 10 mobil merek tertentu dipilih secara acak,
kemudian diperiksa berapa jarak tempuh (dalam ribuan kilometer) dari mobil tersebut dan
diukur tingkat emisi HC-nya (dalam ppm). Hasilnya adalah sebagai berikut :
Jarak (x) 31 38 48 52 63 67 75 84 89 99
Emisi (y) 553 590 608 650 700 680 834 752 845 960
Berdasarkan data di atas :
1. Untuk mengetahui keeratan hubungan antara jarak tempuh dan tingkat emisi, hitung
nilai korelasi antara jarak tempuh dengan tingkat emisi (HC), kemudian lakukan uji
signifikansi korelasi antara jarak tempuh dan tingkat emisi!
2. Telaah hubungan antara jarak tempuh dengan tingkat emisi dengan membuat scatter
plot antara kedua variabel tersebut, simpulkan!
3. Lakukan uji asumsi klasik dan simpulkan!
4. Hitunglah nilai parameter a dan b, kemudian tuliskan persamaan regresi antara jarak
tempuh dan tingkat emisi (HC), interpretasikan!
5. Lakukan uji signifikansi model regresi pada (3) secara overall untuk mengetahui
apakah persamaan regresi yang diperoleh dapat digunakan untuk menaksir tingkat
emisi (HC), simpulkan!
6. Lakukan uji model regresi pada (3) secara parsial untuk mengetahui apakah jarak
tempuh mempengaruhi tingkat emisi (HC) secara signifikan atau tidak, simpulkan!
7. Hitunglah nilai koefisien determinasi untuk mengetahui besar variasi tingkat emisi
(HC) yang dapat dijelaskan oleh jarak tempuh, jelaskan!
126
Case Study 2
PT Cemerlang dalam beberapa bulan gencar mempromosikan sejumlah peralatan elektronik
dengan membuka outlet-outlet di berbagai daerah. Berikut data mengenai penjualan dan
biaya promosi yang dikeluarkan.
Daerah Sales (juta rupiah) Promosi (juta rupiah)

Jakarta 205 26
Tangerang 206 28
Bekasi 254 35
Bogor 246 31
Bandung 201 21
Semarang 291 49
Solo 234 30
Yogya 209 30
Surabaya 204 24
Purwokerto 216 31
Madiun 245 32
Tuban 286 47
Malang 312 54
Kudus 265 40
Pekalongan 322 42
Perusahaan tersebut, ingin mengetahui apakah promosi yang dilakukan berpengaruh secara
signifikan terhadap tingkat penjualan (sales) dan persamaan regresi yang dapat digunakan
untuk memprediksi penjualan (sales) berdasarkan biaya promosi yang dikeluarkan.
Berdasarkan data di atas :
1. Untuk mengetahui keeratan hubungan antara promosi dan tingkat penjualan, hitung
nilai korelasi antara kedua variabel tersebut kemudian lakukan uji signifikansi
korelasi antara kedua variabel tersebut!
2. Telaah hubungan antara promosi dan tingkat penjualan dengan membuat scatter plot
antara kedua variabel tersebut, simpulkan!
3. Lakukan uji asumsi klasik dan simpulkan!
4. Hitunglah nilai parameter a dan b, kemudian tuliskan persamaan regresi antara
promosi dan tingkat penjualan, interpretasikan!
127
5. Lakukan uji signifikansi model regresi pada (3) secara overall untuk mengetahui
apakah persamaan regresi yang diperoleh dapat digunakan untuk memprediksi
penjualan berdasarkan biaya promosi yang dikeluarkan, simpulkan!
6. Lakukan uji model regresi pada (3) secara parsial untuk mengetahui apakah tingkat
penjualan dipengaruhi oleh promosi secara signifikan, simpulkan!
7. Hitunglah nilai koefisien determinasi untuk mengetahui besar variasi tingkat
penjualan yang dapat dijelaskan oleh biaya promosi yang dikeluarkan, jelaskan!
Case Study 3
Bank Indonesia (BI) sebagai Bank Sentral saat ini tidak berniat menaikkan tingkat suku
bunga untuk dapat menekan lajunya dollar terhadap rupiah, karena jika kenaikkan suku
bunga ini dilakukan oleh BI, hal tersebut tentunya akan memperburuk rekapitulasi perbankan,
yang pada akhirnya sektor dunia usaha lainnya kembali terpuruk.
BI menduga bahwa menguatnya kurs dollar yang terjadi pada semua mata uang (termasuk
rupiah) dewasa ini lebih disebabkan oleh perilaku Federal Reserve (Bank Sentral Amerika)
yang menaikkan suku bunganya, hal seperti ini diprediksi hanya bersifat temporer dan
situsional, yang diharapkan tidak akan berlangsung lama.
Untuk membuktikan dugaanya, BI berniat untuk melakukan penelitian untuk mengetahui
seberapa besar pengaruh perubahan tingkat suku bunga oleh Federal Reserve terhadap
perubahan kurs rupiah. Untuk itu diamati 10 data perubahan tingkat suku bunga yang
diimbangi oleh perubahan kurs, hasilnya sebagai berikut :
Perubahan
Tingkat
-0.5 0.1 0.3 -0.1 0.5 -0.5 -0.4 0.2 -0.3 0.4
Suku Bunga
(%)
Perubahan
Kurs 200 50 -200 50 -300 300 250 -100 350 -250
Rupiah (%)
Berdasarkan data tersebut :

(i) Tentukan persamaan regresi linear antara perubahan tingkat suku bunga dengan
perubahan kurs rupiah, interpretasikan!
(ii) Tentukan besar keeratan hubungan (korelasi) antara perubahan tingkat suku bunga
dengan perubahan kurs rupiah, kemudian lakukan uji signifikansinya dan simpulkan!
(iii) Lakukan uji model secara over all dan parsial untuk menentukan apakah dapat
dikatakan dengan semakin turunnya tingkat suku bunga akan menyebabkan semakin
kuatnya nilai rupiah?
(iv) Hitung nilai koefisien determinasi untuk mengetahui seberapa besar perubahan tingkat
suku bunga memberikan kontribusi terhadap perubahan kurs rupiah?
128
Time Series
Time series atau data deret waktu adalah sekumpulan hasil observasi yang diatur dan
didapat menurut urutan kronologis, biasanya dalam interval waktu yang sama (Sudjana,
2005). Pengertian yang sama diungkapkan oleh J.Supranto (2008) dan Lukas Setia Atmaja
(2009) bahwa sebuah time series adalah data yang dikumpulkan menurut urutan waktu.
Analisis data time series, pada praktiknya tidak berbeda jauh dengan analisis regresi.
Perbedaan di antara keduanya terletak pada variabel x. Dalam sebuah analisis regresi,
variabel x adalah variabel independen yang diasumsikan berpengaruh terhadap variabel tak
bebas y. Sedangkan dalam sebuah analisis time series, yang menjadi variabel x adalah koding
dari urutan waktu yang diduga mempengaruhi variabel y.
Perhatikan data berikut adalah data hasil penjualan produk yang dipasarkan oleh
sebuah perusahaan pada periode tahun 1959-1973 (dalam jutaan rupiah)
Tabel 8.1. Data Penjualan Produk Tahun 1959-1973
Tahun Penjualan
1959 75,4
1960 89,7
1961 102,1
1962 109,2
1963 121,6
1964 117
1965 135
1966 144,9
1967 147,8
1968 141,5
1969 161,5
1970 163,9
1971 164,3
1972 179,1
1973 192,1
129
Perusahaan tersebut ingin membentuk sebuah persamaan trend yang dapat digunakan untuk
meramalkan atau memprediksi penjualan produk di tahun-tahun berikutnya. Juga, ingin
diketahui taksiran penjualan produk menurut persamaan trend yang diperoleh dan prediksi
penjualan produk pada pertengahan tahun 1975.
Langkah pertama yang harus dilakukan dalam sebuah analisis time series adalah
menentukan koding untuk tahun yang selanjutnya dinotasikan sebagai variabel x. Berikut
adalah koding tahun untuk data pada Tabel 8.1.
Tabel 8.2. Coding Tahun Data Penjualan Produk Tahun 1959-1973
Tahun Coding Tahun (X) Penjualan (Y)
1959 -7 75,4
1960 -6 89,7
1961 -5 102,1
1962 -4 109,2
1963 -3 121,6
1964 -2 117
1965 -1 135
1966 0 144,9
1967 1 147,8
1968 2 141,5
1969 3 161,5
1970 4 163,9
1971 5 164,3
1972 6 179,1
1973 7 192,1
Langkah selanjutnya, input data pada Tabel 8.2. tersebut ke dalam SPSS seperti pada
Gambar 8.1 dan Gambar 8.2. Sebelum kita membentuk persamaan trend, terlebih dahulu
harus ditelaah apakah trend yang terbentuk linear atau non-linear. Dengan demikian, pada
kasus ini, akan dibuat sebuah scatter plot antara penjualan produk dengan tahun. Masuk ke
dalam menu Graph, kemudian pilih Legacy Dialogs, klik Scatter/Dott sehingga akan muncul
kotak dialog seperti pada Gambar 7.2. Pada kotak dialog tersebut pilih Simple Scatter yang
akan memunculkan kotak dialog seperti Gambar 7.3. Pindahkan penjualan kepada Y-Axis dan
Tahun ke X-Axis. Klik OK, sehingga diperoleh output pada Gambar 8.3.
130
Gambar 8.1
Gambar 8.2.
131
Gambar 8.3.
Berdasarkan scatter plot pada output Gambar 8.3. dapat dilihat bahwa plot yang
dihasilkan menunjukkan sebuah trend yang cenderung naik dan membentuk sebuah trend
linear. Artinya, penjualan produk yang dipasarkan oleh perusahaan tersebut cenderung
mengalami peningkatan setiap tahunnya.
Dalam membentuk sebuah persamaan trend linear dari data time series pada SPSS,
menu yang digunakan sama dengan menu analisis regresi. Pada dasarnya pembentukan
persamaan trend linear dari data time series sama dengan membentuk persamaan regresi
antara coding waktu, dalam kasus ini adalah tahun dengan variabel y atau penjualan produk.
Dengan kata lain, persamaan trend linear adalah persamaan regresi yang digunakan untuk
meramalkan nilai dari variabel y berdasarkan waktu yang diinginkan. Dalam kasus ini,
persamaan trend linear yang akan dibentuk akan digunakan untuk meramalkan nilai
penjualan produk berdasarkan tahun. Untuk itu, sama halnya dengan analisis regresi terdapat
asumsi klasik yang harus dipenuhi yaitu normalitas residual, non-autokorelasi dan
132
homoskedastisitas. Setelah ketiga asumsi tersebut terpenuhi, barulah kita dapat membentuk
persamaan trend linear dan pengujian model baik secara keseluruhan maupun secara parsial.
Sama seperti pada analisis regresi, sebelum masuk ke dalam uji asumsi klasik,
terlebih dahulu akan dilakukan analisis regresi untuk memperoleh nilai-nilai yang diperlukan
pada pengujian asumsi klasik. Masuk ke dalam menu Analyze kemudian pilih Regression dan
klik Linear sehingga muncul kotak dialog seperti pada Gambar 7.6. Pada kotak dialog
tersebut pindahkan Penjualan ke Dependent dan Koding Tahun ke Independent. Selanjutnya
klik Statistics yang akan memunculkan kotak dialog seperti Gambar 7.7. Pada kotak dialog
tersebut centang Estimates, Confidence Interval, Model Fits dan Durbin-Watson, kemudian
klik Continue. Selanjutnya klik Save dan centang unstandardized pada Predicted dan
Residuals, kemudian klik Continue dan klik OK.
8.1. Uji Normalitas

Hipotesis yang diuji adalah sebagai berikut :
H0 : Distribusi residual (error term) mengikuti pola distribusi normal
H1 : Distribusi residual (error term) tidak mengikuti pola distribusi normal
Pada SPSS pilih menu Analyze kemudian pilih Descriptive Statistics dan klik
Explore sehingga muncul kotak dialog seperti Gambar 7.9. Pindahkan RES_1 atau
unstandardized residuals ke Dependent list kemudian klik Statistics sehingga muncul
kotak dialog seperti Gambar 7.10. Pada kotak dialog tersebut centang Normality plots
with tests untuk memperoleh plot normal kuantil dan nilai statistik uji Kolmogorov-
Smirnov pada output. Klik continue dan klik OK sehingga diperoleh output pada Gambar
8.4. dan Gambar 8.5.
133
Gambar 8.4.
Plot Normal Kuantil yang diperoleh pada Gambar 8.4. menunjukkan bahwa
residual (error terms) menyebar mengikuti garis yang memberikan pengertian bahwa residual
(error terms) menyebar mengikuti pola distribusi normal. Sementara nilai statistik
Kolmogorov-Smirnov yang diperoleh dapat dilihat pada output Gambar 8.5. berikut :
Gambar 8.5.
Output di atas menunjukkan bahwa nilai statistik Kolmogorov-Smirnov yang

diperoleh adalah 0,185 dengan degrees of freedom (df) dan Sig. atau p-value sebesar 0,178.
Kriteria uji yang digunakan adalah tolak H0 jika p-value lebih kecil dari taraf
signifikan yang digunakan (α) dan terima dalam hal lainnya. Dengan demikian,
134
dapat disimpulkan bahwa H0 diterima karena nilai p-value yang diperoleh jauh lebih
besar dari taraf signifikansi yang digunakan (0,178 > 0,05), artinya distribusi dari residual
atau error terms mengikuti pola distribusi normal. Hal ini menunjukkan bahwa hasil
uji hipotesis sama dengan hasil yang diperoleh melalui metode grafik, sehingga dapat
dikatakan bahwa asumsi normalitas terpenuhi.
8.2. Uji Non-Autokorelasi

Sama halnya dalam uji asumsi normalitas, terdapat dua cara dalam menguji asumsi
non-autokorelasi yaitu melalui metode grafik dan uji hipotesis. Dalam metode grafik, kita
akan memplotkan nilai residual atau error terms terhadap t atau urutannya, dimana jika
secara visual terdapat pola yang sistematis maka cenderung terdapat autokorelasi. Sementara
dalam uji hipotesis kita akan menggunakan statistik Durbin-Watson dengan hipotesis sebagai
berikut :
H0 :  = 0 Tidak terdapat autokorelasi
H1 :   0 Terdapat autokorelasi
Metode grafik, dilakukan dengan memilih menu Graph pada SPSS, kemudian pilih
Legacy Dialog dan klik Line sehingga muncul kotak dialog seperti Gambar 7.15. Selanjutnya
pilih Simple dan centang Values of indiviual cases dan klik define maka akan muncul kotak
dialog seperti Gambar 7.16. Pada kotak dialog tersebut pindahkan RES_1 atau
unstandardized residuals ke line represents klik OK maka akan diperoleh plot pada Gambar
8.6.
135
Gambar 8.6.
Berdasarkan plot pada output Gambar 8.6., plot yang dihasilkan tidak menunjukkan
sebuah pola tertentu sehingga dapat dikatakan bahwa tidak terdapat autokorelasi di antara dua
residual yang beruntun. Untuk lebih memperkuat hasil dari metode grafik, selanjutnya kita
akan menguji hipotesis yang telah dijelaskan sebelumnya menggunakan statistik Durbin-
Watson . Nilai statistik Durbin-Watson yang diperoleh dapat dilihat pada Gambar 8.7.
berikut:
Gambar 8.7.
136
Output SPSS pada Gambar 8.7 di atas menunjukkan statistik Durbin-Watson yang
diperoleh adalah 1,738. nilai statistik Durbin-Watson tersebut akan kita bandingkan dengan
kritis yang diperoleh pada Tabel Durbin-Watson (Lampiran 1). Dengan ukuran sampel (n) =
15, taraf signifikansi (α) =0,05 dan banyaknya variabel bebas atau x yang dinotasikan dengan
k adalah 1 yaitu coding tahun, maka berdasarkan tabel tersebut diperoleh nilai dL=1,08 dan
dU=1,36. Dengan demikian akan diperoleh bahwa :
4-dU = 4-1,36 = 2,64
4-dL = 4-1,08 = 2,92
Sehingga daerah penolakan dan penerimaan H0 dapat digambarkan sebagai berikut :
dH=1,738
Gambar 8.8.
Oleh karena nilai statistik Durbin-Watson (dH) berada pada interval 1,36-2,64 maka H0
diterima, artinya tidak terdapat autokorelasi di antara dua residual yang beruntun. Dengan
demikian dapat disimpulkan bahwa asumsi non-autokorelasi terpenuhi.
8.3. Uji Homoskedastisitas

Sama seperti dua asumsi sebelumnya, terdapat dua cara untuk menguji asumsi ini
yaitu melalui metode grafik dan melalui uji hipotesis. Dalam metode grafik, plot yang
dibentuk adalah plot antara nilai taksiran variabel y dengan nilai kuadrat dari residualnya atau
plot antara nilai variabel x dengan nilai kuadrat residualnya. Jika plot tidak menunjukkan pola
tertentu maka homoskedastistias dapat dikatakan terpenuhi. Untuk memperkuat hasil
pengujian melalui metode grafik digunakan uji hipotesis menggunakan statistik rank
Spearman dengan hipotesis sebagai berikut :
H0 :=0 Tidak Terdapat Heteroskedastisitas
H1 : 0 Terdapat Heteroskedastisitas
137
Dalam metode grafik, sebelum kita membuat plot antara antara nilai taksiran
variabel y dengan nilai kuadrat dari residualnya, kita harus menghitung terlebih dahulu nilai
kuadrat residualnya melalui menu Transform kemudian pilih Compute sehingga muncul
kotak dialog seperti Gambar 7.21. Pada Target Variable isi dengan nama kolom yang akan
memuat nilai hasil perhitungan pada Numeric Expression (operasi matematika yang
digunakan). Dalam kasus ini, Target Variable diberi nama dengan e2 sedangkan Numeric
Expression adalah RES_1*RES_1 seperti yang terlihat pada Gambar 7.21. Selanjutnya klik
OK sehingga pada data view akan muncul kolom baru dengan nama e2 yang memuat nilai-
nilai kuadrat residual (RES_1).
Langkah selanjutnya adalah masuk ke dalam menu Graph kemudian pilih Legacy
Dialog dan klik Scatter/Dot sehingga muncul kotak dialog seperti Gambar 7.23. Pilih Simple
Scatter dan klik Define yang akan memunculkan kotak dialog selanjutnya (Gambar 7.24).
Pindahkan PRE_1 atau Unstandardized Predicted Value ke X-Axis dan nilai e2 ke Y-Axis
kemudian klik OK., dengan demikian akan diperoleh plot seperti yang terlihat pada Gambar
8.9.
Gambar 8.9.
138
Plot pada Gambar 8.9, menunjukkan tidak terdapat pola tertentu sehingga dapat
dikatakan bahwa varians dari residual (error terms) untuk setiap nilai x yaitu coding tahun
adalah sama atau konstan. Artinya, kita dapat mengatakan bahwa asumsi homoskedastisitas
terpenuhi. Untuk memperkuat hasil dari metode grafik, selanjutnya kita akan menggunakan
metode kedua yaitu melalui uji hipotesis menggunakan statistik korelasi rank Spearman
dengan hipotesis yang telah disebutkan sebelumnya.
Langkah pertama yang harus dilakukan adalah menghitung nilai mutlak atau
absolute dari nilai residual. Dengan demikian, kita akan masuk kembali ke dalam menu
Transform kemudian pilih Compute sehingga muncul kotak dialog seperti Gambar 7.26. Klik
Reset dan isi Target Variabel dengan nama AbsE sedangkan pada untuk mengisi Numeric
Expression, pada Function Group pilih Arithmetic, kemudian double klik Abs pada Function
and Special Variable. Terakhir double klik nilai RES_1 sehingga berpindah ke dalam
Numeric Expression dan klik OK. Nilai hasil perhitungan ini, akan muncul pada data view
pada kolom baru bernama AbsE.
Masuk ke dalam menu Analyze kemudian pilih Correlate dan klik Bivariate
sehingga muncul kotak dialog seperti Gambar 7.28. Pindahkan variabel x atau coding tahun
dan AbsE ke dalam Variable dan pilih Spearman kemudian klik OK, sehingga akan diperoleh
output pada Gambar 8.10.
Gambar 8.10.
bahwa korelasi rank Spearman yang dihasilkan antara coding tahun (x) dan nilai mutlak
residual sebesar -0,107 dengan p-value atau sig.(2-tailed) sebesar 0,704. Kriteria uji yang
digunakan adalah tolak H0 jika p-value < α/2 dan terima dalam hal lainnya. Dengan
139
demikian, dapat disimpulkan bahwa H0 diterima, oleh karena 0,704 jauh lebih besar dari
0,025. Artinya asumsi homoskedastisitas terpenuhi.
Setelah semua asumsi klasik pada analisis regresi sederhana terpenuhi, langkah
selanjutnya adalah membentuk persamaan trend linear berdasarkan output yang diperoleh
pada Gambar 8.11. berikut :
Gambar 8.11.
Berdasarkan output di atas, maka persamaan trend linear antara coding tahun (x) dan
penjualan produk (y) dapat dituliskan sebagai berikut :
Yî  136,34  7,374 X i
Artinya, secara rata-rata penjualan produk pada tahun 1966 adalah Rp. 136.340.000 atau
berada dalam interval Rp. 132.844.000 sampai dengan Rp. 139.836.000 dan akan meningkat
sebesari Rp. 7.374.000 atau berada dalam interval Rp. 6.564.000 sampai dengan Rp.
8.183.000 setiap tahunnya.
Untuk dapat menggunakan persamaan trend linear di atas dalam meramalkan atau
memprediksi nilai penjualan produk berdasarkan tahun tertentu, terlebih dahulu harus
dilakukan uji kecocokan model menggunakan uji F dengan hipotesis sebagai berikut :
H0 : b = 0
(Tidak terdapat pengaruh dari tahun terhadap penjualan produk)
H1 : b ≠ 0
(Terdapat pengaruh dari tahun terhadap penjualan produk)
Taraf Signifikansi α =5%
140
Gambar 8.12.
Berdasarkan output di atas, diperoleh bahwa nilai statistik uji F sebesar 387,502
dengan sig. Atau p-value sebesar 0,000. Kriteria uji yang digunakan adalah tolak H0 jika p-
value < α dan terima dalam hal lainnya. Dengan demikian, dapat disimpulkan bahwa H0
ditolak, karena nilai p-value yang diperoleh jauh lebih kecil dari taraf signifikansi yang
digunakan yaitu 0,000 < 0,05, artinya terdapat pengaruh dari tahun terhadapa penjualan
produk atau dengan kata lain persamaan trend linear dapat digunakan untuk menaksir atau
meramalkan nilai penjualan produk berdasarkan tahunnya.
Setelah uji kecocokan model dilakukan, selanjutnya dilakukan uji model secara
parsial dengan hipotesis yang sama pada uji kecocokan model. Uji model secara parsial
dilakukan untuk menguji apakah variabel x berpengaruh secara signifikan terhadap variabel y,
dalam hal ini tahun terhadap penjualan produk. Statistik uji yang digunakan adalah statistik t.
Nilai statistik t diperoleh pada output yang sama untuk pembentukan model regresi
yaitu Gambar 8.11. Berdasarkan output tersebut kita memperoleh bahwa nilai statistik t yang
dihasilkan sebesar 19,685 dengan sig. atau p-value sebesar 0,000. Kriteria uji yang digunakan
adalah tolak H0 jika p-value < α/2 dan terima dalam hal lainnya. Dengan demikian dapat
disimpulkan bahwa H0 ditolak, karena nilai p-value yang diperoleh jauh lebih kecil dari taraf
signifikansi yang digunakan (setelah dibagi 2) yaitu 0,000 < 0,025, artinya tahun berpengaruh
secara signifikan terhadap penjualan produk.
Untuk mengetahui berapa besar kontribusi yang diberikan oleh kualitas pelayanan
terhadap perubahan nilai penjualan produk, gunakan koefisien determinasi pada output
Gambar 8.13. berikut :
141
Gambar 8.13.
Berdasarkan output tersebut kita memperoleh informasi bahwa nilai korelasi antara
tahun dan penjualan produk sebesar 0,984 dengan nilai koefisien determinasi sebesar 0,968.
Dengan kata lain, 96,8% variasi keragaman dari penjualan produk dapat dijelaskan oleh
tahunnya dan sisanya (3,2%) dijelaskan oleh variabel lain.
142
LATIHAN 8
1. Data berikut merupakan data deret waktu mengenai angka kelahiran per 1000 penduduk
di suatu negara selama jangka waktu 1915,1920,...,1955.
Tahun 1915 1920 1925 1930 1935 1940 1945 1950 1955
Kelahiran per 1000

25 23.7 21.3 18.5 16.9 17.6 19.5 23.6 24
penduduk
Buatlah persamaan trend nya dan lakukan peramalan kelahiran penduduk per 1000
penduduk pada 3 tahun selanjutnya!
2. Hasil penjualan barang “A” yang dilakukan oleh suatu pabrik selama 1957-1966, dalam
jutaan rupiah adalah sebagai berikut :
Tahun 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966
Penjualan
265.1 283.1 286.8 339.4 407.6 407.5 457.1 435.7 586.9 604.6
(dalam jutaan Rupiah)
Jika data tersebut memiliki trend berbentuk eksponensial, maka buatlah persamaan
trendnya dan lakukan peramalan penjualan untuk 3 tahun berikutnya!
3. Pesanan semacam barang yang diterima oleh suatu pabrik setiap tahun, dinyatakan dalam
jutaan rupiah adalah sebagai berikut :
Tahun Pesanan Barang

1959 19,91
1960 24,47
1961 23,62
1962 22,69
1963 23,49
1964 28,06
1965 27,61
Tentukan persamaan trend linear dari data tersebut dan hitung prediksi rata-rata pesanan
barang per bulan pada tahun 1966!
143
4. Berikut adalah data mengenai banyaknya pengangguran di Negara Indonesia Tahun
1986-2004.
Pengangguran Pengangguran
Tahun Tahun
(Juta Orang) (Juta Orang)
1986 1.82 1996 4.28

1987 1.82 1997 4.18
1988 2.04 1998 5.05
1989 2.04 1999 6.03
1990 1.91 2000 5.81
1991 1.99 2001 8.01
1992 2.14 2002 9.13
1993 2.2 2003 9.94
1994 3.64 2004 10.25
Tentukan persamaan trend linear kemudian hitung prediksi banyaknya pengangguran

untuk tengah tahun 2016!
144
DAFTAR PUSTAKA
Abbott, Martin Lee. Understanding Educational Statistics using Microsoft Excel and SPSS,
Jhon Wiley &Son, Inc. New Jersey. 2011.
Atmaja, Lukas Setia., Ph.D, Statistika untuk Bisnis dan Ekonomi, Penerbit Andi,
Yogyakarta, 2009.
DR. Boediono, Statistika dan Probabilitas, ROSDA, Bandung, 2014.
Freud, Rudolf J. & William J. Wilson. Statistical Methods, 2nd Edition. Academic Press,
USA, 2003.
Gaur, Ajai S, et all. Statistical Methods for Practice and Research, 2nd Edition. SAGE
Publications, California, 2009
Gujarati, Damodar N. Basic Econometrics, fourth edition. The McGraw−Hill Companies,

2004.
Jaya, I.G. Mindra. Modul Praktikum Analisis Regresi. Statistika Universitas Padjadjaran,
2010.
Levin, David M. et all. Statistics for Managers using Microsoft Excel. Pearson Education,
Inc. USA. 2008.
Sudjana. Metode Statistika, Edisi 6. Tarsito Bandung. 2005
Supranto,J., Statistik Teori dan Aplikasi, Edisi ketujuh Buku 1 dan 2, Penerbit Erlangga
Jakarta, 2008.
Weisberg, Sanford. Applied Linear Regression, Third Edition. John Wiley & Son,Inc. New
Jersey. 2005.
145
LAMPIRAN 1
Tabel Durbin Watson untuk Taraf Signifikansi 5%
146
147
Tabel Durbin-Watson untuk Taraf Signifikansi 1%
148
149

Bagi Downacademia - Com Modul Probabilitas Dan Statistika Praktikum Spss Reny Rian Marliana PDF

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

Bagi Downacademia - Com Modul Probabilitas Dan Statistika Praktikum Spss Reny Rian Marliana PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Praktikum Probabilitas dan Statistika 2016

PROBABILITAS DAN STATISTIKA

Reny Rian Marliana, S.Si., M.Stat.

SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER

Sumedang, Agustus 2016

KATA PENGANTAR ............................................................................................ i

1.1. Menu dalam SPSS

1.2. Data Editor

1.3. SPSS Viewer

1.4. Importing dan Exporting Data

Tabel 1.1. Data Pengunjung Pelabuhan Sekupang Batam Kepulauan Riau

NO Resp Umur Jenis Kelamin Pekerjaan Pendidikan Frekuensi Menyebrang

Konsep Dasar Statistika

2.1. Jenis Penelitian

2.2. Tipe Variabel

2.4. Uji Hipotesis

Tabel 2.1. Contoh Kasus Penelitian

Bidang Contoh Kasus

Departemen Pemasaran ingin mengetahui apakah iklan

2.4.1. Errors Tipe I dan Tipe II

2.4.3. Uji Satu Pihak dan Uji Dua Pihak

H1 : µ 1 < µ 2 atau µ 1> µ 2

1. Jelaskan apa yang dimaksud dengan :

3.1. Penyajian Data dengan Tabel

Klik Analyze kemudian pilih Descriptive Statistics dan pilih Crosstab

3.2. Penyajian Data dengan Grafik

Kotal dialog yang muncul adalah sebagai berikut :

3.3. Penyajian Data dengan Distribusi Frekuensi

3.4. Penyajian Data dengan Ukuran-Ukuran Deskriptif

Berdasarkan output di atas, diperoleh berbagai informasi mengenai ukuran-ukuran

Provinsi Luas (km2) Kepadatan Penduduk per km2

Nilai Frekuensi Mahasiswa

Buatlah histogram dan pie chart untuk data tersebut!

Penyajian Data Menggunakan

4.1. Penyajian Data Menggunakan Pivot Table

4.3. Ukuran-Ukuran Deskriptif pada Microsoft Excel

Misalkan, sebuah perusahaan melakukan penelitian dengan tujuan ingin mengetahui

Tabel 4.1. Data Penjualan dan Kualitas Layanan yang Diberikan

Kualitas Penjualan Kualitas Penjualan

No Kelurahan Kecamatan Pekerjaan

5.1. Ruang Sampel

Sementara perhitungan Permutasi dalam Microsoft Excel adalah menggunakan Funtion

 Number is an integer that describes the number of objects.

 Number_chosen is an integer that describes the number of objects in each

P44   PERMUT (4; 4)  24

Sementara perhitungan Permutasi dalam Microsoft Excel adalah menggunakan Funtion

 Number is the number of items.

 Number_chosen is the number of items in each combination.

C210   COMBIN (10; 2)  45

5.2. Rumus Bayes

probabilitas marginal kejadian B

Misalkan, Sebuah perusahaan memiliki 3 mesin A, B dan C yang masing-masing

5.3. Distribusi Binomial

(1-p) : probabilitas gagal

Rata-rata nya didefinisikan sebagai :

Standard deviasi nya didefinisikan sebagai :

 Number_s is the number of successes in trials.

 Trials is the number of independent trials.

 Probability_s is the probability of success on each trial

Rata-rata banyaknya tembakan tepat sasaran np=10. 0,7=7 kali

5.4. Distribusi Poisson

μ : rata-rata kejadian (intensitas kejadian)

 X is the number of events.