Buku Aplikasi Minitab Untuk Statistisi Pemula

Aplikasi Minitab
Untuk Statistisi Pemula

Penulis : Pardomuan Robinson Sihombing, SST, M.Stat
Ade Marsinta Arsani, SST, MPMA, ME
Editor : Irfan Lubis
Desain : Abu SAFOZ
Perpustakaan Nasional RI. Data Katalog Dalam Terbitan (KDT)
Sihombing, Pardomuan Robinson

Arsani, Ade Marsinta
Aplikasi Minitab Untuk Statistisi Pemula/
Penulis: Pardomuan Robinson Sihombing,
Ade Marsinta Arsani
Editor: Irfan Lubis. - Depok: Gemala, 2022.
x + 122 hal.: 14 x 21 cm.
ISBN: 978-623-470-000-8
Disusun dengan huruf Adobe Garamond Pro, 11,5 pt

Cetakan ke-1, Februari 2022
Jl. Raya Cilangkap No. 1 RT/RW 006/012 Kel. Cilangkap,

Tapos, Depok, Jawa Barat 16458
Telp/fax: (021) 8763-609 | WA: 0812-1354-8000
Email: keira.publishing@gmail.com | www.keira.id
© Hak cipta dilindungi Undang-Undang No. 28 Tahun 2014

Dilarang mengutip atau memperbanyak sebagian atau seluruh isi buku ini
tanpa izin tertulis dari penerbit.
APLIKASI MINITAB UNTUK STATISTISI PEMULA
Daftar Isi
Kata Pengantar..................................................... 7
Pengenalan Minitab.............................................. 9
LA
Tampilan Minitab.................................................... 9
Input Data ke Dalam Minitab................................. 10
A
EM
Membuat Label Data Kategorik............................... 10
Melakukan Operasi Matematika Dalam Minitab..... 11
Membuat Variabel Baru Berdasarkan Kriteria G
IT
Tertentu............................................................ 12
B
Membuat Nilai Standard (Z Score) Data.................. 13

ER
Menguji Data Outlier............................................... 15

Menguji Kenormalan Data....................................... 16
N
PE
Mentransformasi Data Dengan Teknik Box Cox...... 17

Membuat Lag Data.................................................. 19
P
Membuat Difference Data......................................... 20

SI
Statistik Deskriptif............................................... 21
R
A
1. Untuk data kuantitatif/metrik/numerik............ 21

2. Untuk data kualitatif/nonmetric/label/atribut.... 23
3. Kombinasi Data Kuantitatif dan Kualitatif........ 24
4 Pardomuan Robinson Sihombing | Ade Marsinta Arsani
4. Kombinasi Data Kualitatif/Kategorik dengan

Tabulasi Silang (Cross Tab)................................ 26
5. Analisis Cluster................................................. 27
6. Analisis Correspondency..................................... 32
Statistik Inferensia................................................ 35
LA
Uji Komparasi...................................................... 37
A
1. Uji Varian/Ragam............................................. 37
EM
2. Uji Rata-rata/Mean Aritmatic
dan Uji Median................................................ 43
3. G
Uji Proporsi...................................................... 59
IT
B
Uji Pembeda/Analisis Diskriminan....................... 63

ER
Uji Korelasi........................................................... 65
N
1. Korelasi Pearson................................................ 65
PE
2. Korelasi Spearman............................................ 67
3. Korelasi Kendall................................................ 69
P
SI
4. Korelasi Mc Nemar........................................... 70
R
5. Korelasi Cramer V............................................ 72

A
6. Korelasi Kruskal Gamma.................................. 73

7. Korelasi Kruskal Lamda.................................... 75
Aplikasi Minitab Untuk Statistisi Pemula 5
Regresi Linier Berganda Pada Data

Cross Section Gaussian.......................................... 77
Pengujian GoF......................................................... 79
Regresi Binary Logistik Pada Data

Cross Section......................................................... 81
LA
Pengujian Kebaikan Model...................................... 82
A
Regresi Ordinal Logistik Pada Data Cross
EM
Section ................................................................. 85
Regresi Multinomial Logistik Pada Data Cross

G
Section ................................................................. 89
IT
B
Regresi Poisson Pada Data Cross Section .............. 93

ER
Persamaan Regresi.................................................... 96
N
Model Difference in Difference (DiD)................... 97

PE
Pengujian GoF......................................................... 98
P
Uji Validitas dan Reabilitas................................... 101

SI
R
Analisis Faktor...................................................... 105

A
Analisis Komponen Utama (AKU)........................ 107
Smoothing Time Series ......................................... 109

a. Moving Average ................................................. 110
b. Single Exp Smoothing......................................... 111
c. Winter Method.................................................. 112

d. Trend Analysis...................................................
. 113
.
ARIMA Model .................................................... 115
Daftar Pustaka...................................................... 117
LA
Biodata Penulis..................................................... 121
A
EM
G
IT
B
ER
N
PE
P
SI
R
A
Kata Pengantar
Puji dan syukur Penulis panjatkan kepada Tuhan Yang
Maha Esa, buku Aplikasi Minitab Untuk Statistisi Pemula dapat
diterbitkan. Buku ini merupakan pelengkap dari Buku Corat
Coret Catatan Statistisi Pemula. Buku ini berisikan langkah-
LA
langkah pengolahan statistika dengan aplikasi software Minitab
21. Adapun metode yang dibahas dalam buku ini adalah
A
model-model standar yang biasa digunakan peneliti mulai dari
EM
analisis deskriptif dan analisis inferensia. Analisis inferensia
mencakup penggunaan statistik untuk tujuan komparasi,
G
menguji arah dan kekuatan hubungan antar variabel serta
IT
pembentukan model sebab akibat.
B
Minitab merupakan salah satu software statistik yang

ER
dianggap powerful karena dapat digunakan untuk data primer

maupun data sekunder. Dalam Minitab juga dapat digunakan
N
untuk model-model univariat maupun multivariat.

PE
Untuk edisi terbaru, Minitab juga dilengkapi dengan

model-model statistika yang digunakan dalam perancangan
P
percobaan seperti model DOE dan Taguchi. Dalam Minitab

SI
juga dilengkapi dengan pemodelan regresi nonlinier.

R
Penulis berharap dengan hadirnya buku ini dapat

A
menambah khazanah ilmu pengetahuan. Semoga dengan

hadirnya buku ini, statistika yang sering dianggap sebagai suatu
ilmu yang kompleks dan rumit dapat menjadi mudah dipahami
dan menjadi sesuatu yang menarik serta menyenangkan bagi
khalayak umum. Penulis menyadari bahwa buku ini masih jauh
dari kata sempurna. Sehingga penulis, sangat mengharapkan
kritik dan saran dari pembaca demi penyempurnaan buku ini ke

depan. Akhir kata penulis berharap, buku ini dapat menambah
referensi dan pemahaman pembaca akan metode statistika.
Penulis
LA
A
EM
G
IT
B
ER
N
PE
P
SI
R
A
Pengenalan Minitab
Tampilan Minitab
Minitab merupakan salah satu aplikasi komputer yang
dirancang untuk melakukan pengolahan statistik. Awalnya
LA
Minitab dikembangkan di Pennsylvania State University oleh
periset Barbara F. Ryan, Thomas A. Ryan, Jr., dan Brian L.
A
Joiner pada tahun 1972. Versi terbaru Minitab saat ini adalah
EM
Minitab 21 (https://www.minitab.com/en-us/products/
minitab/). Minitab dapat diaplikasikan baik pada OS Windows
dan Mac. Berikut tampilan dari Minitab:
G
IT
B
ER
N
PE
P
SI
R
A
• Menu bar berisi menu untuk mengolah data berbasis Graphical User
Interface (GUI).
• Kolom Output menampilkan output dari model yang digunakan
• Kolom sheet menampilkan data yang digunakan
• Navigator menampilkan pengolahan data yang sedang dikerjakan
Input Data ke Dalam Minitab

Input data ke dalam Minitab dapat dilakukan dengan berbagai
cara. Jika penulis sudah memiliki data yang disimpan dalam
bentuk format .mpx, maka memasukkan data pada Minitab pada
menggunakan menu:
LA
• File > Open (Ctrl+O)
• Selanjutnya pilih lokasi dan nama file
yang akan diinput
A
EM
G
IT
B
ER
Selain itu penulis juga dapat memasukkan data secara langsung

N
ke Minitab dari file Excel. Awalnya, data yang ada dalam Excel
PE
di-copy (Ctrl+C) lalu buka Minitab. Pada cell pojok kiri atas data
view, klik kanan pilih paste with variabel names, sehingga data akan
P
terinput di spreadsheet Minitab.

SI
R
Membuat Label Data Kategorik

A
Pada data yang sudah diinput di atas terdapat dua variabel

kuantitatif (pendapatan dan pengeluaran) dan dua variabel
kualitatif (gender dan pendidikan). Misalkan kita akan memberi
label pada variabel gender, yaitu 1 untuk pria dan 0 untuk wanita.
Data latihan dapat diunduh pada link: shorturl.at/ilxMZ.
LA
A
EM
• Klik Data G
• Pada recode values in the following column: pilih
IT
• Recode > variabel yang mau dibuat labelnya, misalnya gender
• (ABC) To Text • Pada Method: pilih recode individual code
B
• Pada record value isikan 0 untuk perempuan dan 1

ER
untuk laki-laki, klik OK

N
PE
Melakukan Operasi Matematika Dalam Minitab

Misalkan peneliti ingin membuat variabel baru yang
P
merupakan penjumlahan atau pengurangan ataupun perkalian

SI
dari beberapa indikator. Pada contoh ini, penulis ingin membuat

R
variabel baru, yaitu tabungan yang merupakan pengurangan

A
dari pendapatan dengan pengeluaran. Langkah yang dilakukan

adalah dengan mengeklik Calc lalu Calculator. Data latihan dapat
diunduh pada shorturl.at/ilxMZ.
• Pada store result om variable,

ketikkan nama variabel yang
ingin dibuat misal dalam
kasus ini tabungan, lalu pada
kotak numeric expression
masukkan formula (hubugan
matematisnya), Misalkan
pendapatan-pengeluaran.
LA
• Lalu klik OK
• Pada data spreadsheet akan
A
terlihat variabel baru
“tabungan”
EM
G
Membuat Variabel Baru Berdasarkan Kriteria
IT
Tertentu
B
Misalkan peneliti ingin membuat variabel baru data kategorik

ER
dari variabel kuantitatif/metrik berdasarkan kriteria tertentu. Pada

contoh ini, penulis ingin membuat tiga kategori pendapatan per
N
minggu. Misal kategori1 pendapatan rendah (1-2 juta,) kategori

PE
2 pendapat sedang (2.1-4 juta) dan katgeori 3 pendapatan tinggi

(4.1- 6 juta). Data latihan dapat diunduh pada shorturl.at/ilxMZ.
P
Langkahnya yang dilakukan adalah dengan mengeklik

SI
transform lalu record in to different variable.

R
A
LA
A
EM
• Klik Data • Pada recode value in the following columns
• Recode > masukkan pendapatan
• (123) To Numeric
G
• Pada method: pilih recoded range of values
• Pada baris 1 lower masukkan nilai 1 upper
IT
2 dan pada recorded value ketikkan angka
B
1,
• selanjutnya pada lower masukkan nilai
ER
2.1 upper 4 pada recorded value ketikkan

angka 2,
N
• dan terakhir pada lower masukkan nilai

4.1 upper 6 pada recorded value ketikkan
PE
angka 3.
• Klik OK
P
SI
Membuat Nilai Standard (Z Score) Data

R
A
Menstandarkan data artinya mentranformasi data, cara

mengurangi nilai data terhadap rata-ratanya lalu dibagi dengan
standar deviasi data. Beberapa kegunaan nilai z score adalah
mengecek ada tidaknya data outlier (pencilan) dalam data. Suatu
data dikatakan outlier pada umumnya jika nilai |z score| > 2.5.
Selain itu penggunaan nilai z score juga untuk menyamakan
keragaman satuan data yang umumnya digunakan sebelum

melakukan analisis cluster. Fungsi lainnya dasri zscore adalah
ketika menggunakan model moderating pada regresi, hanya untuk
variabel interaksi yang digunakan adalah perkalian nilai zcore
variabel moderator dan zscore variabel independennya, sehingga
tidak terjadi pelangganan asumsi multikolienaritas jika langsung
LA
mengakalikan antar variable l tanpa dibuat zcore terlebih dahulu.
Data latihan dapat diunduh pada shorturl.at/ilxMZ. Adapun
A
langkah dalam membuat nilai z score adalah:
EM
• Calc
• Standardize
G
IT
B
ER
• Pada input column(s) masukkan variabel

N
yang akan dicari nilai deskriptifnya

PE
• Masukkan store result in: masukkan

kolom yang akan diisi nilai standardize-
nya nilai “C9”
P
• Pada data spreadsheet kolom C9 akan

SI
terlihat variabel baru “zpendapatan”

R
A
Menguji Data Outlier

Salah satu masalah di dalam pemodelan adalah adanya data
outlier/pencilan. Data outlier/pencilan adalah data yang unsual
atau berbeda dari data lainnya. Ada banyak cara untuk mendeteksi
data outlier diantaranya dengan melihat nilai data dibandingkan
interval rata-rata± 3 standar deviasi, atau nilai |zscore|> 2. Cara lain
LA
yang dapat digunakan adalah dengan membandingkan interval
nilai pada nilai minimum dikurangai 1.5*nilai interquartile range
A
atau nilai maksimum ditambah1.5*nilai interquartile range. Cara
EM
lain yang digunakan dengan uji Gubbs. Misalkan kita akan melihat
apakah ada nilai outlier pada data pendapatan. Data latihan dapat
diunduh pada shorturl.at/ilxMZ. G
IT
Klik Stat
B
Basic Statistics
ER
Outlier Test
Pada Variable:
Masukkan variabel
N
Yang akan dites

PE
dalam hal ini

pendapatan
P
Ho: tidak ada data outlier Grubbs’ Test

SI
H1: ada data outlier

Karena P=0.21 >
R
alpha(0.05) maka tidak

A
tolak Ho, disimpulkan

tidak ada data outlier
Menguji Kenormalan Data

Salah satu persyaratan umum dalam analisis regresi adalah
terkait distribusi data. Dalam statistic parametrik mensyaratkan
bahwa data maupun residual dari model mengikuti distribusi
tertentu, yang pada umumnya digunakan distribusi normal. Dalam
Minitab menguji distribusi suatu data/residual dapat digunakan
LA
uji 1 sample Kolmogorov Smirnov Anderson Darling dan Ryan-
Joner. Untuk data latihan dalam diunduh pada link: shorturl.at/
A
yDHLT
EM
G
IT
B
ER
N
PE
• Stat • Pada variable list masukkan variabel yang

• Basic Statistic akan diuji kenormalan datanya misalkan
P
• Normality Test gini2021

SI
• Pada test for Normality pilih Kolmogor-

Smirnov
R
• Klik OK
A
Adapun hipotesis dalam

pengujian normalitas data:
Tolak Ho jika sigmprob.value

< alpha
LA
Karena nilai sign.prob
value=0.15 > alpha (0.05)
A
maka tidak tolak Ho dan
disimpulkan bahwa data
EM
berdistribusi normal
G
Mentransformasi Data Dengan Teknik Box Cox
IT
Misalkan kita memiliki data yang tidak berdistribusi normal
B
dan akan menggunakan metode yang mensyaratkan datanya harus

ER
berditribusi normal maka selain kita dapat membuang outlier

(dengan pertimbangan sudah melakukan screening data, mengecek
N
formula dalam menentukan variabel dan mengecek satuan

PE
variabel), maka kita dapat mentranformasi datanya dengan teknik

Box Cox. Untuk data latihan dalam diunduh pada link: shorturl.
P
at/yDHLT.
SI
R
A
Misalkan kita memiliki

data persentase
kemiskinan tahun 2021
yang diasumsikan tidak
berdistribusi normal
LA
Tolak Ho jika sign prob.
value < alpha
A
value= 0.025 < alpha
EM
(0.05) maka tolak Ho dan
disimpulkan bahwa data
G
belum berdistribusi normal
IT
B
ER
N
PE
P
• Stat Pada kolom all observation for chart are in one

SI
• Control Chart columns pilih variabel miskin 2021

• Box Cox Transformation
R
A
Pada nilai lamda optimum untuk

membuat data normal adalah
0.04
Maka lakukan tarnformasi nilai
LA
miskin2021 menjadi:
A
EM
Membuat Lag Data G
IT
Dalam analisis time series terkadang dibutuhkan data periode
B
sebelumnya atau disebut lag data. Biasanya penggunana lag data

ER
untuk mengatasi maslaah autokorelasi atau melihat hubungan

jangka pendek dalam pemodelan time series. Misalkan kita akan
N
membuat lag data untuk data sales. Untuk data latihan dapat
PE
diunduh pada link: shorturl.at/kGHV3

P
SI
R
A
• Stat • Pilih series data yaitu sales

• Time Series • Lalu pada lags tentukan periode lag yang diinginkan
• Lag Misal 1
• Klik OK
Membuat Difference Data

Dalam analisis time series terkadang dibutuhkan data
difference yaitu selisih data periode t dengan periode yang lalu (t-
1). Biasanya penggunaan data difference untuk mengatasi maslah
ketidakstationeran data. Misalkan kita akan membuat difference
data untuk data sales. Untuk data latihan dapat diunduh pada link:
LA
shorturl.at/kGHV3
A
EM
G
IT
B
ER
N
PE
• Stat • Pilih series data yaitu sales dan pilih store

P
• Time Series kolom C4

SI
• Differences • Lalu pada lags tentukan periode lag yang

diinginkan Misal 1
R
A
Statistik Deskriptif
Menurut Walpole (2012), statistika deskriptif dapat
diartikan sebagai metode yang berkaitan dengan pengumpulan
dan penyajian suatu data sehingga memberikan informasi
yang berguna. Sedangkan menurut Sugiono (2017) statistik
LA
deskriptif berfungsi untuk mendeskripsikan atau memberi
gambaran terhadap objek yang diteliti melalui data sampel
A
atau populasi. Gambaran dapat berupa ukuran pemusatan/
EM
tendency (rata-rata, median, modus, proporsi), ukuran letak/
posisi (kuartil, desil, persentil) maupun ukuran dispersi/
G
keragaman data (jangkauan/range, standar deviasi dan varian/
IT
ragam). Data yang digunakan dalam analisis deskriptif dapat
B
diunduh pada link berikut: shorturl.at/kGHV3.

ER
1. Untuk data kuantitatif/metrik/numerik

N
Data kuantitatif merupakan data yang berbentuk angka/

PE
metrik. Data kuantitatif dapat dibagi atas data interval yang

memiliki nilai nol mutlak seperti data suhu dan data tahun.
P
Selain itu juga dapat berupa data rasio yang tidak memiliki
SI
nilai nol mutlak seperti data berat, volume, luas dan lainnya.
R
Selain itu data kuantitatif berdasarkan cara memperoleh dan

A
sifat datanya dapat berupa data diskrit dan data kontinu.

Data diskrit didapat berdasarkan hasil cacahan (count), di
mana nilainya berupa bilangan bulat tanpa desimal misalnya
jumlah orang, jumlah kursi dan lainnya. Data kontinu didapat
berdasarkan hasil pengukuran (measurement), di mana nilainya
dapat berupa bilangan bulat dengan desimal misalnya berat badan,

tinggi badan dan lainnya. Adapun langkah pengujian, dengan
menggunakan menu Minitab:
• Stat
• Basic Statistics
• Display Descriptive
LA
Statistics
• Pada kotak Variable(s)
masukkan variabel
A
yang akan dicari nilai
EM
deskriptifnya
G
IT
B
ER
N
Statistics
PE
Variable N Mean SE Mean StDev Minimum Q1 Median Q3 Maximum

pendapatan 10 2,980 0,347 1,097 1,600 2,150 2,900 3,575 5,200
pengeluaran 10 1,630 0,344 1,087 0,400 0,950 1,250 2,725 3,600
P
SI
Dari deskriptif di atas ada 10 observasi data. Pada variabel

R
pendapatan nilai minimun 1.6 dan maksimum 5.2 dengan rata-

A
rata 2.98. Pada variabel pengeluaran nilai minimun 0.4 dan

maksimum 3.6 dengan rata-rata 1.63. Nilai variasi data pendapatan
lebih beragam (heterogen) karena nilai standar deviasinya lebih
besar dari nilai pengeluaran.
2. Untuk data kualitatif/nonmetric/label/atribut

Data kualitatif merupakan data yang tidak berbentuk
angka, biasanya datanya berupa data kategorik di mana atribut/
labelnya diberikan kode. Data kuantitatif dapat dibagi atas data
nominal yang berfungsi sebagai label atau pembeda tanpa dapat
memberikan peringkat misalnya data gender/jenis kelamin, warna
LA
pupil mata dan lainnya. Selain itu juga dapat berupa data ordinal
yang tidak hanya dapat membedakan tetapi juga dapat diurutkan/
A
diberi peringkat, hanya saja jarak antar kategori tidak selalu sama,
EM
misalnya tingkatan sekolah, tingkatan jabatan dan lainnya. Adapun
langkah pengujian, dengan menggunakan menu SPSS:
G • Stat
IT
• Tables
B
• Tally Individual Variables

ER
N
PE
P
SI
R
A
• Pada variables:
masukkan variable
dummy/kategori
• Pada display:
centang count dan
percent
• Klik OK
LA
A
EM
Tally
Recorded gender Count Percent
perempuan 5 50,00 G
IT
laki-laki 5 50,00
N= 10
B
ER
3. Kombinasi Data Kuantitatif dan Kualitatif

N
Terkadang peneliti juga menggabungkan deskriptif antara

PE
data kuantitatif dengan data kualitatif. Hal ini dilakukan

untuk membandingkan nilai-nilai dari variabel kuantitatif
P
berdasarkan kategori tertentu. Adapun langkah pengujian, dengan

SI
menggunakan menu SPSS:

R
A
• Stat
• Display Descriptive
Statistics
• Pada kotak Variable(s)
masukkan variabel
yang akan dicari nilai
deskriptifnya
LA
• By variables (optional):
masukkan variabel/
A
dummy kategorinya
• Klik OK
EM
G
IT
B
ER
Statistics
N
Recoded SE
PE
Variable N Mean StDev Minimum Q1 Median Q3 Maximum

gender Mean
pendapatan perempuan 5 3,020 0,659 1,474 1,600 1,650 3,200 4,300 5,200
laki-laki 5 2,940 0,326 0,730 2,300 2,400 2,600 3,650 4,100
P
SI
pengeluaran perempuan 5 1,600 0,377 0,843 1,100 1,150 1,300 2,200 3,100
laki-laki 5 1,660 0,624 1,396 0,400 0,450 1,200 3,100 3,600
R
A
4. Kombinasi Data Kualitatif/Kategorik dengan

Tabulasi Silang (Cross Tab)
Ketika seorang peneliti memiliki banyak data kualitatif maka
dapat dilakukan tabulasi silang/cross tab sehingga dapat dilihat
pola hubungan antar data kategorik tersebut. Adapun langkah
pengujian, dengan menggunakan menu Minitab
LA
• Masukkan variabel kategorik baik
A
pada rows dan columns. Dalam
hal ini variabel gender dan
EM
Pendidikan.
• Analyze
G
• Tables
• Cross Tabulation and Chi-
IT
Squares
B
ER
N
• Pada rows: masukkan

PE
variabel kategori ke-1

dalam hal ini gender
• Pada Colums: masukkan
P
variabel kategori ke-2

SI
dalam hal ini Pendidikan

• Klik OK
R
A
Rows: Recoded gender

Columns: Recoded pendidikan
SD-SMP SMA PT All
perempuan 0 2 3 5
0 20 30 50
laki-laki 4 1 0 5
LA
40 10 0 50
All 4 3 3 10
A
40 30 30 100
EM
5. Analisis Cluster
G
Analisis cluster (klaster/gerombol) adalah salah satu metode
IT
dalam analisis multivariat. Analisis ini terkadang dimasukan
B
ke dalam analisis deskriptif karena tidak mengandung unsur

ER
hipotesis dan hasilnya tidak unik. Analisis cluster bertujuan

mengelompokkkan unit-unit/subjek berdasarkan kemiripan, baik
N
kedekatan jarak maupun kemiripan korelasi antar variabel. Ada

PE
berbagai teknik pengelompokan data berdasarkan kedekatan jarak

seperti jarak cartesian, jarak mahalanobis, jarak Blok Mahakam,
P
Blok Chebychev dan lainnya. Pada umumnya analisis klaster

SI
dibagi dua metode yaitu metode hierarki dan metode non

R
hierarki (Johnson & Wichern, 1998). Metode hierarki (metode

A
single linkage, average linkage, complete linkage, dan lainnya) akan

membentuk klaster maksimal sebanyak jumlah objek sedangkan
pada metode non hierarki (k-means dan k-median) berdasarkan
jumlah yang diinginkan peneliti (dalam hal ini berdasarkan
teori yang ada atau lanjutan dari uji hierarki). Hal yang perlu
diperhatikan dalam analisis klaster adalah satuan, jika satuan
satuan antar variabel terlalu berbeda maka sebaiknya gunakan nilai

standar dari data yang ada. Dalam analisis klaster pada umumnya
data yang digunakan adalah data numerik/kuantitatif, jika
terdapat daoa kategorik/kualitatif maka sebaiknya menggunakan
teknik two-steps cluster. Misalkan kita akan mengelompokkkan
kabupaten kota di Bali dengan indiaktor sosial ekonomi seperti
LA
ipm, gini, kemiskinan, dan tpt. Dalam hal ini terlebih dahulu
dibuat nilai standar (Zscore) dari seluruh variabel.
A
Data untuk analisis cluster dapat di-download pada link:
EM
shorturl.at/fhlG5.
a. G
Adapun langkah analisis hirarki adalah dengan
IT
menggunakan menu Minitab
B
• Stat
ER
• Multivariate
• Cluster Observations
N
PE
P
SI
R
A
• Pada variables or
distance masukkan
nilai zcore masing-
masing varibel
• Pada linkage
method: masukkan
metode yang
diinginkan misal
LA
complete lengkage
• Lalu klik show
A
dendogram
• Klik OK
EM
Dari dendogram yang ada, kita G
IT
dapat menentukan sendiri mau
berapa kluster yang diinginkan,
B
misal ingin membuat 3 klaster

ER
maka kelompoknya kab3

(badung), kot 9 (denpasar) dan
N
sisanya menjadi 1 klaster

PE
P
SI
R
A
b. Adapun langkah analisis hirarki adalah dengan

menggunakan menu Minitab
• Stat
• Multivariate
• Cluster K-Means
LA
A
EM
G
IT
• Pada Variabels: masukkan nilai
zcore masing-masing varibel
B
• Pada specify partion by:

ER
• Number of clusters: masukkan

jumlah klister yang kita
inginkan misalkan 3
N
• Klik OK
PE
P
SI
R
A
Berikut output-nya:
Final Partition Cluster Centroids
LA
A
Berdasarkan hasil 3 klaster yang Selanjutnya untuk final klaster center.
terbentuk, Kabupaten klunkung Nilai positif menunjukkan nilai di atas
EM
menjadi kaster tersendiri, rata-rata dan nilai negatif menunjukkan
nilai di bawah rata-rata. Pada cluster 3,
G
memiliki IPM di atas rata-rata sekaligus
tertinggi di banding dua klaster
IT
lainnya, sebaliknya klaster ini memiliki
nilai kemiskinan terendah.
B
ER
c. selanjutnya kita juga dapat mengklasifikasikan tidak

N
hanya observasinya tetapi juga variabelnya. Adapun

PE
langkah dalam minitab

P
• Stat
• Multivariate
SI
• Cluster Variables
R
A
• Pada variables or distance

masukkan nilai zcore
masing-masing varibel
• Pada linkage method:
masukkan metode yang
diinginkan misal complete
lengkage
• Lalu klik show dendogram
LA
• Klik OK
A
EM
Dari dendogram yang ada, kita
dapat menentukan sendiri mau
berapa kluster yang diinginkan, G
IT
misal ingin membuat 3
klaster maka kelompoknya
B
tpt, kemiskinan dan sisanya

ER
menjadi 1 klaster
N
PE
P
6. Analisis Correspondency
SI
Korespondensi Analisis adalah adalah sebuah tehnik

R
A
multivariate secara grafik yang digunakan untuk eksplorasi data

dari sebuah tabel kontingensi. Memproyeksikan baris-baris dan
kolom-kolom dari matriks data sebagai titik-titik ke dalam sebuah
grafik dalam sebuah jarak Euclid.
Misal Seorang manajer riset universitas ingin menentukan
bagaimana sepuluh disiplin akademik dibandingkan satu sama lain
dalam kaitannya dengan lima kategori pendanaan yang berbeda.

Pengelola mengumpulkan data klasifikasi 2 arah untuk 796
peneliti. Untuk klasifikasi dua arah ini, disiplin akademik adalah
baris dan kategori pendanaan adalah kolom. A adalah kategori
pendanaan tertinggi, D adalah yang terendah, dan kategori E tidak
didanai. Manajer melakukan analisis korespondensi sederhana
LA
untuk mewakili hubungan antara baris dan kolom (data dan studi
kasus diambil dari manual Minitab). Data latihan dapat diunduh
A
pada link: shorturl.at/vxL06.
EM
G
IT
B
ER
N
PE
P
SI
• Stat • Pada input data categorical variable

• Multivariate masukkan CT1-CT5.
R
• Simple Correspondence Analysis • Pada Row names

A
masukkan RowNames
• Pada Column names,
masukkan ColNames.
LA
A
• Klik Result • Klik Supp Data
EM
• Centang Row Profiles • Pada Supplementary Rows,
masukkan
• RowSupp1 RowSupp2.
G
• Pada row names,masukkan RSNames
• Klik Ok.
IT
B
Klik Graphs.
ER
Centang Show supplementary

points in all plots
Centang Symmetric plot showing
N
rows only Centang

PE
Asymmetric row plot showing

rows and columns.
P
SI
R
A
Statistik Inferensia
Statistik inferensia adalah suatu metode yang digunakan
untuk menarik kesimpulan/generalisasi terhadap populasi
dari data sampel yang ada (Walpole, 2012). Sutau data
dapat dilakukan metode inferensua jika data yang digunakan
LA
merupakan data yang bersifat acak/random dan diambil
dengan menggunakan teknik probability sampling.
A
EM
Ada tiga tujuan utama dalam statistik inferensia yaitu
analisis komparasi/perbandingan, analisis arah dan keeratan
G
hubungan antar variabel serta analisi model sebab akibat/
pengaruh. Baik untuk ketiga tujuan tersebut, analisis statistik
IT
inferensia dapat dibagai atas statistic parametrik dan statistic
B
nonparametrik.
ER
Perbedaan utama dalam statistik parametrik dan statistik

nonparametrik untuk kasus uji komparasi adalah berdasarkan
N
distribusi data yang digunakan, skala data dan jumlah data.

PE
Jika data didasarkan pada asumsi distribusi tertentu (umumnya

distribusi normal), skala data interval atau rasio serta jumlah
P
data yang besar maka digunakan statistik parametrik.

SI
Sebaliknya jika data tidak didasarkan pada asumsi distribusi

R
tertentu, skala data nominal atau ordinal serta jumlah data

A
yang kecil maka digunakan statistik nonparametrik.

nonparametrik untuk kasus analisis arah dan keeratan hubungan
adalah berdasarkan distribusi data yang digunakan, skala data
serta pola hubungan yang terbentuk. Jika data didasarkan
pada asumsi distribusi tertentu (umumnya distribusi normal),
skala data interval atau rasio serta pola hubungannya linier

maka digunakan statistik parametrik. Sebaliknya jika data tidak
didasarkan pada asumsi distribusi tertentu, skala data nominal
atau ordinal serta pola hubungan yang tidak linier maka digunakan
statistik nonparametrik.
LA
nonparametrik untuk kasus analisis pembentukan model adalah
berdasarkan distribusi data yang digunakan, pola hubungan
A
yang terbentuk serta spesifikasi model yang digunakan. Jika data
EM
didasarkan pada asumsi distribusi tertentu (umumnya distribusi
normal dan keluarga eksponensial, pola hubungannya linier dan
G
spesifikasi modelnya finit (terbatas) maka digunakan statistik
IT
parametrik. Sebaliknya jika data tidak didasarkan pada asumsi
distribusi tertentu, pola hubungan yang tidak linier serta spesifikasi
B
model tidak finit maka digunakan statistik nonparametrik.

ER
N
PE
P
SI
R
A
Uji Komparasi
Dalam statistik untuk tujuan pengujian komparasi pada
umumnya dilakukan pada ukuran data yaitu ragam/varian,
rata-rata, median dan proporsi. Pengujian ini dapat dilakukan
pada satu populasi, dua populasi dan lebih dari dua populasi.
LA
Pengujian terhadap satu populasi biasa dibandingkan dengan
suatu nilai sebagai acuan/standar. Pengujian terhadap dua
A
atau lebih populasi dapat dibagi lagi menjadi dua atau lebih
EM
populasi dependen/berpasangan dan dua populasi independen.
Populasi dependen didasarkan pada pengujian suatu populasi
G
terhadap suatu treatment atau kebijakan yang dilakukan.
IT
Pada umumnya adanya efek pre dan post atau before dan after.
B
Sedangkan pada populasi independen dilakukan pada populasi

ER
yang saling bebas, di mana kejadian atau peluang sutau

populasi tidak mempengaruhi kejadian atau peluang populasi
N
lainnya.Untuk data contoh pada pengujian komparasi dapat

PE
didownload di link berikut: shorturl.at/cjrDJ.

P
1. Uji Varian/Ragam
SI
Pengujian komparasi varian digunakan untuk melihat

R
variasi suatu data. Uji satu populasi dapat menggunakan uji

A
chi square, sedangkan uji dua populasi dapat menggunakan ui

F dan uji levene. Untuk uji k populasi dapat menggunakan uji
barlet, uji Box M dan levene test (Brown & Forsythe, 1974).
Adapun langkah pengujian, dengan menggunakan menu
Minitab:
a. Uji Ragam 1 Populasi
Misalkan akan diteliti

apakah keragaman varian
nilai gini rasio 34 Provinsi
di Indonesia tahun 2021
sama dengan 0.0016 atau
standar deviasinya sama
LA
dengan 0.04 (diasumsikan
berdistibusi normal)
A
EM
G
• Stat
• Basics Statistics
IT
• 1 Variance
B
ER
N
PE
P
SI
R
A
Pada One or more sample each in a

column
Masukkan variabel gini2021
Pada perform hypothesis test: ketikkan
0,0016
Pada Option kita dapat memilih mau
uji dua arah atau 1 arah, lalu klik OK
LA
A
EM
Pada minitab kita juga dapat
memasukkan data summary, jika kita
G
tidak diberikan raw datanya
IT
B
ER
Karena nilai sign.prob value=0.5896

N
> alpha (0.05) maka tidak tolak

Ho dan disimpulkan bahwa
PE
variance data=0.0016 atau standar Pada sample variance masukkan

deviasinya=0.04 summary data sample variance sample
dan sizenya
P
SI
R
A
b. Uji Ragam 2 Populasi
Misalkan akan diteliti apakah

rata-rata nilai gini rasio
tahun 2021 pada daerah
Sumatera Jawa sama dengan
daerah selain Sumatera Jawa
(diasumsikan kedua data
LA
berdistribusi normal)
A
EM
• Stat
G • Basics Statistics
• 2 Variance
IT
B
ER
N
PE
P
SI
R
A
• Pada Both sample are in one

column
• Samples: Masukkan variabel
gini2021
• Sample ID: Masukkan group
variable
• Pada Option kita dapat
memilih mau uji dua rah atau 1
LA
arah, lalu klik OK
A
EM
G
IT
B

ER
memasukkan data summary, jika

kita tidak diberikan raw datanya
N
PE
P
Karena nilai sign.prob value=0.976 >

SI
alpha (0.05) maka tidak tolak Ho dan

R
disimpulkan bahwa variance kedua data

sama (homogen) Pada sample sample variance
A
masukkan summary data sample

variance dan sample sizenya
c. Uji Ragam k Populasi

apakah keragaman varian
nilai gini rasio 34 Provinsi
pada daerah Sumatera,
Jawa dana lainnya sama
LA
atau berbeda (diasumsikan
berdistibusi normal)
A
EM
G
IT
B
ER
N
PE
• Stat • Pada Respon masukkan gini2021

• Anova • Pada factor: masukkan variabel dummy
P
• Tesy for Equal Variances Misalnya type

SI
R
A

disimpulkan bahwa varian/ragam ketiga
populasi sama/homogen
2. Uji Rata-rata/Mean Aritmatic dan Uji Median

Pengujian komparas rata-rata dapat dilakukan pada satu
populasi dengan membandingkan terhadap suatu nilai, dua
populasi yang berbeda maupun lebih dari dua populasi. Jika
datanya mengikuti distribusi normal maka dapat menggunakan
uji t untuk uji 1 dan 2 populasi (Welch, 1947). Jika data tidak
LA
normal dapat menggunakan uji komparasi median dengan uji
Wilcoxon (Siegel, 1997). Jika data memenuhi asumsi distribusi
A
normal maka gunakan parametrik test, jika data tidak memenuhi
EM
asumsi distribusi normal dan jumlah data sedikit maka gunakan
uji nonparametric. Untuk data pengujian rata-rata dapat diunduh
pada link: shorturl.at/nF458. G
IT
B
a. Uji Rata-rata 1 Populasi Univariat

ER

rata-rata nilai gini rasio 34 Provinsi
N
di Indonesia tahun 2021 sama

PE
dengan 0.34 (diasumsikan data

P
SI
R
• Stat
A
• 1 sample t
• Pada One or more sample each in a

column pilih gini2021
• Lalu pada perform hypothesis test
ketik nilai yang mau diuji dalam
kasus ini 0.34
• Pada Option kita dapat memilih
mau uji dua rah atau 1 arah, lalu
klik OK
LA
A
EM
G
memasukkan data summary, jika kita
IT
tidak diberikan raw datanya
B
ER
N

PE

disimpulkan bahwa rata-rata data=0.34
P
SI
R
A
b. Uji Ragam 2 Populasi

median nilai persentase
kemiskinan 34 Provinsi
sama dengan 10 persen
(diasumsikan data tidak
LA
A
EM
G
IT
B
ER
N
PE
• Stat • Pada Variable: masukkan variables miskin2021

P
• Nonparametrics • Pada test median: masukkan angka 10

SI
• 1 Sample Wilcoxon • Pada alternative masukkan arah uji

R
A
Karena nilai sign.prob value=0.811

> alpha (0.05) maka tidak tolak
Ho dan disimpulkan bahwa bahwa
median data kemiskianan = 10
c. Uji Rata-rata 2 Populasi Independen Univariat

rata-rata nilai gini rasio tahun
2021 pada daerah Sumatera
Jawa sama dengan daerah selain
Sumatera Jawa (asumsi kedua
data berdistribusi normal).
LA
A
EM
• Stat
• 2 sample t
G
IT
B
ER
N
• Pada Both samples are in one column pilih

PE
gini2021
• Pada sample IDS pilih variabel kategorik
kode
P
Pada Option kita dapat memilih mau uji dua

SI
arah atau 1 arah, lalu klik OK

R
A

memasukkan data summary, jika
kita tidak diberikan raw datanya
masukkan masing-masing sample size
mean dan standar deviasi data
LA
disimpulkan bahwa nilai gini kedua
A
wilayah sama
EM
apakah median nilai IPM G
IT
tahun 2021 dan TPT
2021 sama atau berbeda
B
ER
N
PE
P
SI
R
A
LA
A
EM
• Stat G
• Pada Fist Sample: masukkan variables ipm2021
IT
• Nonparametrics • Pada Second Sample: masukkan variables tpt
• Mann-Whitney 2021
B
• Pada alternative masukkan arah uji

ER
N

value=0.000 < alpha (0.05) maka
PE
tolak Ho dan disimpulkan bahwa

median ipm dan tpt berbeda.
P
SI
R
A
d. Uji Rata 2 Populasi Dependen Univariat

Misalkan akan diteliti apakah rata-rata nilai gini rasio tahun
2020 dan 2021 pada 34 Provinsi di Indonesia sama (asumsi kedua
data berdistribusi normal)
LA
A
EM
• Stat G
IT
• Paired t
B
ER
N
PE
• Pada each sample is in a column

P
• Pada sample 1: masukkan gini 2020

SI
• Pada sample 2: masukkkan gini 2021

R
Pada Option kita dapat memilih mau uji

dua arah atau 1 arah, lalu klik OK
A
Pada minitab kita juga dapat memasukkan

data summary, jika kita tidak diberikan raw
data-nya masukkan masing-masing sample
size mean dan standar deviasi data

value=0.222 > alpha (0.05) maka
tidak tolak Ho dan disimpulkan
LA
bahwa nilai gini kedua periode
sama
A
EM
G
IT
B
Misalkan akan diteliti apakah median miskin tahun 2020 dan

ER
tahun 2021 sama atau tidak

N
PE
P
SI
R
A
LA
A
EM
• Stat • Pada first variable masukkan variable miskin
• Nonparametrics
• Pairwise Differences
2020
G
• Pada second variabel masukkkan variabel
IT
miskin 2021
B
• Paa store difference in: masukkan kolom

ER
menyimpan nilai bedanya

N
PE
P
SI
R
A
• Stat • Pada Variable: masukkan variables C20

• Nonparametrics • Pada test median: masukkan angka 0
• 1 Sample Wilcoxon • Pada alternative masukkan arah uji

disimpulkan bahwa bahwa median data
kemiskianan kedua periode sama
LA
e. Uji rata-rata k populasi univariat /Analysis of Variance
(ANOVA) independen
A
Uji ANOVA digunakan untuk menguji apakah nilai rata-rata
EM
populasi untuk k populasi sama atau berbeda. Adapun asumsi
dalam ANOVA adalah data harus berdistribusi normal dan nilai
G
varian antar populasi yang homogen (Walpole, 2012). Jika data
IT
tidak berdistribusi normal dapat menggunakan alternatif uji
B
nonparametric k populasi speri uji Kruskal Wallis (Siegel, 1997).

ER
• Jika data memenuhi asumsi distribusi normal maka

gunakan parametrik test
N
• Jika data tidak memenuhi asumsi distribusi normal dan

PE
jumlah data sedikit maka gunakan nonparametrik test

P

SI
apakah rata-rata nilai gini

pada daerah Sumatera, Jawa-
R
Bali dan selain Sumatera-

A
Jawa-Bali tahun 2021 sama

atau berbeda (asumsi data
berdistribusi normal dan
variance data homogen)
• Stat
• ANOVA
• One Way
• Pada Respojse data bare in one
LA
column for all factor level. Klik
comparisons
• Pilih Tukey
A
EM
G
IT
B
ER
N
i. Uji Homogenitas Variance (diuji di awal)

PE
P
SI
R
A
Karena nilai sign.prob value=0.126 > alpha (0.05) maka tidak

tolak Ho dan disimpulkan bahwa varian/ragam ketiga populasi
sama/homogen.
ii. Uji Rata-rata k populasi
LA
A
EM
Karena nilai sign.prob value=0.000 < alpha (0.05) maka tolak
Ho dan disimpulkan bahwa tingkat gini ketiga data dianggap ada
yang berbeda.
G
IT
B
iii. Uji Post Hoc

ER
Tukey Simultaneous Tests for Differences of Means

N
Difference SE of Adjusted
Difference of Levels of Means Difference
PE
95% CI T-Value P-Value

Jawa-Bali - Sumatera 0,0751 0,0167 (0,0339; 0,1163) 4,49 0,000
P
lainnya - Sumatera 0,0328 0,0135 (-0,0005; 0,0661) 2,42 0,054

SI
lainnya - Jawa-Bali -0,0423 0,0152 (-0,0798; -0,0048) -2,77 0,025

R
Individual confidence level = 98,04%

A
Karena nilai sign.prob value < alpha (0.05) maka yang

dianggap berbeda gini rasionya adalah daerah jawa-Bali terhadap
Sumatera dan Jawa-Bali terhadap provinsi lainnya

apakah rata-rata nilai
persentase ipm pada
daerah Sumatera,
Jawa-Bali dan selain
Sumatera-Jawa-Bali
Tahun 2021 sama atau
berbeda (asumsi salah
LA
satu atau semua data
tidak berdistribusi
A
normal)
EM
G
IT
B
ER
N
PE
• Stat • Pada respon list pilih variabel yang akan diuji

• Nonparametric dalam hal ini variabel ipm 2021
• Kruskal Wallis • Pada factor masukkan type
P
• Klik OK
SI
R
Test Karena nilai sign.prob value=0.001<

alpha (0.05) maka tolak Ho dan
A
disimpulkan bahwa tingkat ipm

ketiga data dianggap berbeda
f. Uji Analysis of Covariance (ANCOVA)

Uji ANCOVA digunakan untuk menguji apakah nilai rata-
rata populasi untuk k populasi sama atau berbeda, dan selain itu
ditambahkan covariat/variabel independent numerik. Adapun
asumsi dalam ANOVA adalah data harus berdistribusi normal dan
nilai varian antar populasi yang homogen (Walpole, 2012). Jika
LA
data tidak berdistribusi normal dapat menggunakan alternatif uji
nonparametric k populasi (Siegel, 1997).
A
Misalkan data pada penelitian ANOVA di atas akan diteliti
EM
apakah rata-rata nilai gini pada daerah Sumatera, Jawa-Bali dan
selain Sumatera-Jawa-Bali tahun 2021 sama atau berbeda (asumsi
G
data berdistribusi normal) tetapi juga dipengaruhi oleh tingkat
IT
IPM.
B
• Stat
ER
• ANOVA
• General Linier Model
N
• Fit Genral Linier Model

PE
P
SI
R
A
• Pada responses: pilih

gini 2021
• Pada factor: pilih type
• Pada Covariate pilih ipm
2021
• Klik OK
LA
A
EM
value=0.5950 > alpha (0.05) G
IT
maka tidak tolak Ho dan
disimpulkan bahwa ipm tidak
B
mempengaruhi variasi gini

ER
rasio. Tetapi perbedan wilayah

dapat melaihat perbedaan gini
ratio
N
PE
g. Uji rata-rata k populasi multivariat /Multivariat Analysis

P
of Variance (MANOVA)
SI
Uji Manova digunakan untuk menguji apakah beberapa nilai

R
rata-rata populasi untuk k kategori secara sekaligus. Adapun asumsi

A
dalam MAVOVA adalah data harus berdistribusi multivariat

normal dan nilai matrik kovarian yang homogen (Johnson &
Wichern, 1998).
Misalkan akan diteliti apakah rata-rata nilai Gini pada daerah
Sumatera, Jawa-Bali dan selain Sumatera-Jawa-Bali sama atau
berbeda sekaligus pada tahun 2020 dan 2021
LA
A
EM
• Stat • Pada responses pilih gini2021 dan
• Anova
• General Movova
gini2020
G
• Pada Model masukkan variabel type
IT
• Klik OK
B
ER

value=0.0010 < alpha
N
(0.05) maka tolak Ho

dan disimpulkan bahwa
PE
tingkat gini ketiga data

dianggap tahun 2021 dan
P
2020 ada yang beda

SI
R
A
3. Uji Proporsi
Pengujian proporsi digunakan untuk membandingkan apakah
proporsi suatu kategori sama terhadap nilai yang dihipotiskan
(untuk uji 1 populasi) maupun apakah proporsi suatu kategori sama
terhadap dua populasi yang berbeda. Uji proporsi menggunakan
ui z (Walpole, 2012). Untuk data uji proporsi dapat diunduh pada
LA
link: shorturl.at/duIW5
A
a. Uji Proporsi 1 Populasi
EM
Misalkan akan diteliti dari 20 responden
G
apakah proporsi laki-laki (kode=1) sama
dengan proporsi =0.5
IT
• Stat
B
ER
• 1 Proportion
N
• Pada one more sample each in a

PE
column , pilih gender 1

• Pada Perform hypothesis test,
Hypotheised proportion pilih yang
P
akan diuji, ketik 0.5

SI
• Klik OK
R
A
Dalam minitab jika kita memiliki

data summary bukan raw data dapat
menggunakan menu summmaried
data, masukkan number of event dan
number of trial
LA
disimpulkan bahwa proporsi pria =0.5
A
EM
G
IT
b. Uji Proporsi 2 Populasi Independen
B

ER
apakah data 20 data yang

ada proporsi laki-laki
N
(kode=1) daerah A (kode

=0) = proprosi laki-laki
PE
daerah B (kode =1)

• Stat
P
• 2 Proportion
SI
R
A
• Pada Each sample is in its own

column
• Sample 1: pilih gender1 (daera A)
• Sample 2: pilih denderf2 (daera
B)
• Klik Option untuk arah
penelitian
LA
A
EM
G
• Klik OK
IT
B
Dalam minitab jika kita memiliki

ER
data summary bukan raw data dapat

menggunakan menu summmaried
data, masukkan number of event dan
N
number of trial
PE

P
disimpulkan bahwa proporsi pria di

SI
kota A sama dengan di kota B.

R
A
c. Uji Proporsi k Populasi

Selanjutnya adalah melakukan uji komparasi terhadap k
populasi. Statistik yang digunakan adalah uji chi square (Breiman,
1973).
Misalkan akan diteliti apakah dari 20 data responden yang
terdiri atas 3 katgeori Pendidikan (SD dan SMP, SMA dan PT)
LA
apakah sama.
A
EM
G
IT
B
ER
N
PE
• Stat • Pada Categorical Data pilih pendidikan

• Tables • Pada Test: pilih equal proportiom
P
• Chi Square Goodness of Fit

SI
Test One Variable

R
A
Karena nilai sign.prob value=0.705>

disimpulkan bahwa proporsi kategori
pendidikan sama.
Uji Pembeda/Analisis
Diskriminan
Analisis diskriminan merupakan salah satu jenis analisis
dalam statistik multivariat. Dalam analisis diskriminan
LA
bertujuan mengetahui variabel apa saja yang mampu
membedakan kategori dua atau lebih populasi. Selain itu
A
dalam analisis ini akan terbentuk persamaan diskriminan yang
EM
dapat memprediksi klasifikasi dari sampel yang ada maupun
sampel yang baru. Dalam hal ini variabel dependennya
G
berupa data kategorik sedangkan variabel independen berupa
IT
data numerik. Adapun syarat dalam analisis diskriminan
adalah variabel independent berdistribusi multivariat normal
B
(Johnson & Wichern, 1998).

ER
Untuk data contoh pada pengujian diskriminan dapat

N
didownload di link berikut:

PE
Misalkan akan diteliti apakah nilai IPM, gini dan

kemiskinan mampu membedakan karakteristik daerah
P
Sumatera-Jawa dan selain Sumatera-Jawa. Adapun langkah

SI
dalam Minitab: shorturl.at/cjrDJ.

R
A
LA
A
EM
• Stat • Pada group: masukkan kode
• Multivariat • Pada Predictorss: masukkan variabel
• Discriminant Analysis miskin2021, gini2021 dan ipm2021
• Klik OK
G
IT
B
a. Nilai akurasi/hit rasio

ER
Model mampu memprediksi dengan

N
tepat sebesar (14+9)/334*100= 67.6

PE
persen
P
SI
R
b. Fungsi diskriminan
A
Daerah1= -390.834 +5.79

miskin2021-246.50
gini2021+11.18 ipm
Uji Korelasi
Pengujian korelasi digunakan untuk melihat arah dan
kuat/besaran hubungan antar variabel. Jika koefisien korelasi
bertanda positif artinya hubungannya searah, di mana kenaikan
nilai satu variabel juga diikuti kenaikan variabel lainnya,
LA
sebaliknya penurunan nilai suatu variabel diikuti penurunan
variabel lainnya. Jika koefisien korelasi bertanda negative
A
artinya hubungannya berlawanan arah, di mana kenaikan
EM
nilai satu variabel juga diikuti penurunan variabel lainnya,
sebaliknya penurunan nilai suatu variabel diikuti kenaikan
G
variabel lainnya. Nilai korelasi berkisar antara -1 sampai 1. Nilai
IT
absolut korelasi 0-0.5 besaran korelasinya dianggap lemah,
B
jika nilai absolut nya diantara 0.51-0.70 besaran korelasinya

ER
dianggap moderat sedangkan jika nilai absolutnya 0.71-0.99

besaran korelasinya dianggap kuat. Korelasi hanya menyatakan
N
ada tidaknya serta besaran hubungan antar variabel, tidak

PE
menjelaskan hubungan sebab akibat.

P
1. Korelasi Pearson
SI
Korelasi pearson adalah metode hubungan antar variabel

R
kuantitatif. Syarat data dalam korelasi pearson adalah data

A
berdistribusi normal dengan pola hubungan linier (Walpole,

2012).
Dengan menggunakan menu stata:
Untuk data contoh pada pengujian korelasi pearson dapat
Misalkan akan diteliti apakah ada hubungan antara gini tahun

2021 dan tpt tahun 2021 yang diasumsikan berdistribusi normal
LA
A
EM
• Stat
G
• Basic
• Correlation
IT
B
ER
N
PE
P
SI
R
A
• Pada variables masukkan variabel

yang akan diuji, dalam hal ini
gini2021 dan tpt2021
• Klik Option pilih pearson
correlation
LA
A
EM
G
IT
Besarnya korelasi 0,165 (positif lemah),
B
sehingga hubungan gini dan tpt tidak

signifikan
ER
N
2. Korelasi Spearman
PE
Korelasi spearman adalah metode hubungan antar variabel

kuantitatif, di mana datanya tidak harus berdistribusi normal
P
(Siegel, 1997). Misalkan akan diteliti apakah ada hubungan antara

SI
ipm tahun 2021 dan miskin tahun 2021 (asumsi salah sau atau
R
kedua variabel tidak berdistribusi normal)

A
Untuk data contoh pada pengujian korelasi spearman dapat

LA
A
• Stat
EM
• Basic
• Correlation
G
IT
B
ER
N
• Pada variables masukkan variabel

PE
yang akan diuji, dalam hal ini

ipm2021 dan miskn2021
• Klik Option pilih spearman
P
correlation
SI
R
A
Untuk data latihan dari uji korelasi kendall hingga korelasi

korelasi lamda dapat diunduh pada link: shorturl.at/hlEO5
3. Korelasi Kendall
Korelasi kendall adalah metode hubungan antar variabel
kualitatif/ordinal, di mana datanya tidak harus berdistribusi
normal (Siegel, 1997)
Misalkan akan diteliti apakah ada
LA
hubungan displin dan kinerja yang
diukur dengan skala ordinal likert
(asumsi data tidak berdistribusi
A
normal)
EM
• Stat
• Tables
• Cross Tabulation and Chi Square
G
IT
• Pada raw data (categorical
B
variables)
ER
• Rows: displin
• Columns: kinerja
N
• Klik chi square

PE
P
SI
• Pada other measure of association

R
• Pilih correlation coeffients for

A
ordinal categories
• Klik OK
Besarnya nilai koefisien korelasi -0.248

(korelasi negatif lemah
LA
4. Korelasi Mc Nemar
A
EM
Korelasi Mn Nemar sama dengan korelasi Phi adalah metode
hubungan antar variabel berskala nominal dikothomus/binary
(Garson, 2013).
G
IT
ada hubungan antara gender
B
(perempuan dan laki-laki) dengan

ER
jenis tontonan (sinetron dan

berita). Adapun langkah-langkah
N
dalam Minitab:
• Stat
PE
• Tables
P
SI
R
A
• Pada raw data (categorical variables)

• Rows: gender
• Columns: tontonan
• Klik chi square
LA
A
EM
• Pada test for for 2x2 tables
G
• Pilih McNemar Test
• Klik OK
IT
B
ER
N
PE
Besarnya nilai koefisien korelasi

P
-0.133 (korelasi negatif lemah

SI
R
A
5. Korelasi Cramer V
Korelasi Cramer V adalah metode hubungan antar variabel
berskala nominal yang berukuran mxm (Garson, 2013). Adapun
langkah dalam Minitab:
LA
hubungan antara kepemilikin TV (mnc,
bakery dan CT) dengan siaran acara
(sinetron, berita dan olah raga).
A
• Stat
EM
• Tables
G
IT
B

ER
variables)
• Rows: stasiun TB
• Columns: siaran
N
• Klik chi square

PE
P
SI
R
A
• Pada other measures of

association
• Pilih Crmaer V-square statistic
• Klik OK
LA
A
EM
Besarnya nilai koefisien korelasi 0.133 G
IT
(korelasi positif lemah
B
ER
6. Korelasi Kruskal Gamma

N
Korelasi Kruskal Gamma adalah metode hubungan antar

PE
variabel berskala ordinal yang berukuran mxn (Goodman &

Kruskal, 1954).
P

SI
ada hubungan antara tingkat

R
pendidikan (<=SMA dan > SMA)

dengan penghasilan (rendah,
A
sedang dan tinggi). Adapun

langkah dalam Minitab:
• Stat
• Tables
• Cross Tabulation and Chi
Square

variables)
• Rows: pendidikan
• Columns: penghasilan
• Klik chi square
LA
A
EM
• Pada other measures of association
G
• Pilih Goodman-Kuskal lamda dan tau
• Klik OK
IT
B
ER
N
PE
P
SI
R
A
Besarnya nilai koefisien

korelasi 0.642 (korelasi positif
moat)
7. Korelasi Kruskal Lamda

Korelasi Kruskal Gamma adalah metode hubungan antar
variabel berskala nominal yang berukuran mxn (Goodman &
Kruskal, 1954).
LA
hubungan antara gender (perempuan
dan laki-laki) dengan jenis acara TV
(MNC, Bakery dan CT). Adapun
A
langkah dalam Minitab
EM
• Stat
• Tables
G
IT
B
ER

variables)
N
• Rows: siaran TV
PE
• Columns: gender
• Klik chi square
P
SI
R
A
• Pada other measures of

association
• Pilih Goodman-Kuskal
lamda dan tau
• Klik OK
LA
A
EM
G
IT
B
ER
N
PE
P
SI
R
Besarnya nilai koefisien korelasi

A
0.666 (korelasi positif moerat)

Regresi Linier Berganda
Pada Data Cross Section
Gaussian
LA
Salah satu pemodelan sebab akibat yang sering digunakan
adalah model regresi. Jika data yang digunakan merupakan data
A
cross section (satu periode), dengan jumlah variabel independen
EM
lebih dari 1 dan data diasumsikan berdistibusi normal maka
model regresi dengan teknik estimasi ordinary least square
G
(OLS) tepat digunakan. Model regresi ini sering disebut model
regresi gaussian, yang memiliki asumsi klasik yaitu normalitas,
IT
multikol, heterokedastisitas dan linearitas (Gujarati, 2004).
B
Misalkan akan diteliti pengaruh gini rasio dan IPM di 34

ER
Provinsi di Indonesia Tahun 2021. Untuk data contoh pada

pengujian regresi linier berganda pada data cross section dapat
N
didownload di link berikut: shorturl.at/cjrDJ. Adapun langkah

PE
pengujian, dengan menggunakan Minitab:

P
• Stat
SI
• Regression
• Fit Regression
R
Model
A
• Pada resposes: masukkan variabel

miskin 2021
• Pada Continous predictor: masukkan
variabel independent metrik dalam hal
ini gini2021 dan ipm2021
• Pada Cetegorical predictor: masukkan
variabel independent kualitatif/dummy
jika ada
LA
• Pada graphs: pilih normal probability
of plot
A
EM
i. Uji multikolinearitas
G
Ho: tidak ada multikolinearitas yang tinggi antar variabel
IT
independen
H1: ada multikolinearitas yang tinggi antar variabel
B
independen
ER
α = 0.05
N
Karena nilai VIF < 10 maka tidak tolak Ho dan

PE
disimpulkan modelnya bebas asumsi multikolinearitas.

P
ii. Uji Autokorelasi

SI
R
Ho: tidak ada Autokorelasi

A
H1: ada Autokorelasi
α = 0.05
Karena nilai DW=1.86 diantara 1.7

< DW < 2.3 maka tidak tolak Ho
dan disimpulkan modelnya bebas
asumsi autokorelasi
Pengujian GoF
i. koefisien determinasi (adjusted r square)
Nilai r adj-0.603 artinya variasi

kemiskinan tahun 2021 mampu
dijelaskan oleh gini dan ipm
sebesar 60.30 persen sisanya
LA
39.70 oleh variabel lain di luar
model
A
ii. uji parsial/ uji t
EM
Ho: model tidak fit/tidak ada
G
variabel yang berpengaruh
H1: model fit/minimal 1 variabel
IT
independen yang berpengaruh
B
α = 0.05
ER
Karena nilai sign.prob value F

=0.000 < alpha (0.05) maka tolak
N
Ho dan disimpulkan modelnya

PE
fit/minimal 1 variabel yang

berpengaruh.
P
iii. uji parsial/uji t

SI
R
Ho: variabel independen ke-i tidak berpengaruh

H1: variabel independen ke-i berpengaruh
A
α = 0.05
Karena nilai sign.prob value t =0.000 < alpha

(0.05) maka tolak Ho dan disimpulkan variabel
independent berpengaruh signifikan.
iv. persamaan regresi
• Nilai koefisien ipm negatif artinya kenaikan IPM akan

menurunkan persentase kemiskinan dengan asumsi
LA
variabel lain konstan
A
• Nilai koefisien gini positif artinya kenaikan gini akan
menaikkan persentase kemiskinan dengan asumsi variabel
EM
lain konstan.
G
IT
B
ER
N
PE
P
SI
R
A
Regresi Binary Logistik Pada
Data Cross Section
Jika seorang peneliti melakukan pemodelan sebab akibat
dengan variabel dependen berupa data kategorik dengan dua
LA
kriteria baik berupa data nominal maupun ordinal maka model
regresi yang tepat adalah model regresi binary (Gujarati, 2004).
A
Model regresi binary masuk ke dalam model Generalized
EM
Linear Model (GLM). Di dalam model GLM terdapat tiga
komponen utama yaitu komponen distribusi acak, yaitu y
G
berdistribusi keluarga eksponensial; komponen prediktor linier,
IT
yaitu ; dan fungsi link yaitu fungsi monoton dan diferensiabel
sehingga. Fungsi link dapat berupa fungsi logit, probit dan
B
complementary log-log (Agresti, 2002). Dalam regresi binary

ER
logistic perlu diperhatikan komposisi antar kategori variabel

N
dependennya, jika proporsinya tidak seimbang (imbalanced),

PE
maka dapat menggunakan imbalanced model untuk data

binary, atau dapat menggunakan model quasy binary logistic
maupun skew binary logistic.
P
SI
Misalkan akan diteliti pengaruh keadaan lahir kembar

dan jarak antar kelahiran dengan resiko berat badan bayi
R
(0=normal, 1=berat bayi lahir rendah). Untuk data contoh

A
pada pengujian regresi binary logistik dapat didownload di

link berikut: shorturl.at/qtJKV. Adapun langkah pengujian,
dengan menggunakan Minitab:
• Stat
• Regression
• Binary Logistic Regression
• Fit Binary Logistic Model
LA
A
• Pada Respons: masukkan
EM
variabel dependen dalam hal ini
status
• Pada Continous predictor:
G
masukkan variabel independent
numerik jika ada
IT
• Pada Categorical predictor:
B

kategorik/dummy dalam hal
ER
ini kelahiran kembar dan jarak

kelahiran
N
PE
Pengujian Kebaikan Model

P
i. Uji Hosmer
SI
R
Ho: model fit/sesuai

H1: model tidak fit
A
α = 0.05
Karena nilai sign.prob value =0.1242

> alpha (0.05) maka tidak tolak Ho
dan disimpulkan modelnya fit
ii. Koefisien determinasi (pseudo r square)
Nilai pseudo r23.13% artinya

variasi kejadian bayi lahir
rendah mampu dijelaskan oleh
kelahiran kembar dan jarak
LA
kelahiran sebesar 3,13 persen
sisanya variabel lain di luar
model.
A
EM
iii. uji simultan/ uji chi Square
G
IT
Ho: model tidak fit/ tidak ada
variabel yang berpengaruh
B
H1: model fit/ minimal 1 variabel

ER

N
α = 0.05
PE
Karena nilai sign.prob value Chi

Ho dan disimpulkan modelnya
P
fit/ minimal 1 variabel yang

SI
berpengaruh.
R
A
iv. uji parsial/ uji t
Ho: variabel independen ke-i tidak

berpengaruh
H1: variabel independen ke-i
berpengaruh
α = 0.05
LA
Karena nilai sign.prob value t
A
Ho dan disimpulkan variabel
EM
independent berpengaruh
signifikan.
G
IT
v. persamaan regresi
B
ER
N
PE
• Nilai koefisien jarak lahir positif artinya peluang BBLR

lebih tinggi pada bayi yang lahir kembar dibanding yang
tidak kembar dengan odds sebesar exp (2.99) =19,96 kali,
P
dengan asumsi variabel lain konstan

SI
• Nilai jarak lahir positif artinya peluang BBLR lebih tinggi

R
pada kelahiran dengan jarak < 2 tahun dibanding jarak

A
kelahiran > 2 tahun, dengan odds sebesar exp (0.2036)

=1.22 kali, dengan asumsi variabel lain konstan.
Regresi Ordinal Logistik
dengan variabel dependen berupa data kategorik dengan lebih
LA
dari dua kriteria yang dapat diurutkan (ordinal) maka model
regresi yang tepat adalah model regresi ordinal (Gujarati,
A
2004). Model regresi ordinal juga masuk ke dalam model
EM
Generalized Linear Model (GLM). Fungsi link dapat berupa
fungsi logit, probit dan complementary log-log (Agresti, 2002).
G
Dalam model ordinal regression hal yang perlu diperhatikan
IT
adalah asumsi/asas pararel line/proportional odss, jika asumsi
ini tidak terpenuhi maka dapat menggunakan model penalized/
B
regulazation ordinal regression. Misalkan akan diteliti

ER
pengaruh sosial score dan jenis kelamin terhadap kemampuan

N
TPA/SES (1=rendah, 2=sedang, 3=tinggi). Untuk data contoh

PE
pada pengujian regresi ordinal logistik dapat di-download di

link berikut: shorturl.at/ceDQV. Adapun langkah pengujian,
P
SI
• Stat
R
• Regression
A
• Ordinal Logistic Regression

• Pada response: masukkan

variabel ses
• Pada Model: masukkan variabel
independent dalam hal ini scost
dan female
• Lalu klik OK
LA
A
EM
i. uji kesesuaian model/overdispersi
Ho: model fit (tidak overdispersi) G

IT
H1: model tidak fit (overdispersi)
B
α = 0.05
ER
Karena nilai sign.prob value =0.166 > alpha

(0.05) maka tidak tolak Ho dan disimpulkan
N
modelnya fit (sesuai)

PE
P
ii. uji simultan/uji chi2

SI
Ho: tidak ada variabel yang berpengaruh

R
H1: minimal 1 variabel independen yang

A
berpengaruh
α = 0.05
Karena nilai sign.prob value chi2 =0.000 < alpha

(0.05) maka tolak Ho dan disimpulkan minimal
1 variabel yang berpengaruh
iii. uji parsial/uji z/uji wald

Ho: variabel independen ke-i
tidak berpengaruh
H1: variabel independen ke-i
berpengaruh
α = 0.05
LA
Karena nilai sign.prob value z
=0.000 < alpha (0.05) maka
A
tolak Ho dan disimpulkan
EM
variabel independen berpengaruh
signifikan
G
IT
B
ER
• Nilai koefisien female negatif artinya peluang nilai SES

tinggi pada Wanita lebih rendah dibandingkan laki-laki,
N
dengan asumsi variabel lain konstan

PE
• Nilai koefisien socst positif artinya semakin tinggi nlai sosst

maka peluang nilai SES juga meningkat, dengan asumsi
P
variabel lain konstan.

SI
R
A
LA
A
EM
G
IT
B
ER
N
PE
P
SI
R
A
Regresi Multinomial
Logistik Pada Data Cross
Section
LA
dengan variabel dependen berupa data kategorik dengan lebih
A
dari dua kriteria yang tidak dapat diurutkan/dibandingkan
EM
(nominal) maka model regresi yang tepat adalah model regresi
multinomial (Agresti, 2002). Model regresi multinominal
G
juga masuk ke dalam model Generalized Linear Model
(GLM). Fungsi link dapat berupa fungsi logit, probit dan
IT
complementari log-log (Agresti, 2002). Misalkan akan
B
diteliti pengaruh math dan science score terhadap pemilihan

ER
program perkuliahan (1=general, 2=vocational, 3=academic).

Untuk data contoh pada pengujian regresi multinomial
N
logistik dapat didownload di link berikut: shorturl.at/ceDQV.

PE
Adapun langkah pengujian, dengan menggunakan SPSS:

P
SI
R
A
• Stat
• Regression
• Nomnal Logistic Regression
LA
A
EM
G
IT
B
ER
N
PE
P
SI
• Pada Respons: masukkan variabel dependen dalam hasus

R
ini prog
A
• Pada Model: masukkan variabel independent numerik

dalam hal ini math dan science
• Pada Categorical predictor: masukkan variabel independent
kategorik/dummy jika ada
Ho: model fit (tidak overdispersi)

α = 0.05
Karena nilai sign.prob value =0.821 > alpha
LA
(0.05) maka tidak tolak Ho dan disimpulkan
modelnya fit (sesuai)
A
EM
berpengaruh G
IT
α = 0.05
B
ER
Karena nilai sign.prob value chi2 =0.000 <

alpha (0.05) maka tolak Ho dan disimpulkan
N
minimal 1 variabel yang berpengaruh

PE

P
SI

berpengaruh
R

A
α = 0.05
Karena nilai sign.prob value z =0.000

< alpha (0.05) maka tolak Ho dan
disimpulkan variabel independen
berpengaruh signifikan
Peningkatan nilai math dan science akan meningkatkan

perbedaan peluang antara program academic dengan general
LA
A
EM
Belum cukup bukti peningkatan nilai math dan science akan
G
meningkatkan perbedaan peluang antara program vocational
IT
dengan general.
B
ER
N
PE
P
SI
R
A
Regresi Poisson
dengan variabel dependen berupa data cacahan/diskrit maka
LA
model regresi yang tepat adalah model regresi poisson (Agresti,
2002). Model regresi multinominal juga masuk ke dalam
A
model Generalized Linear Model (GLM). Fungsi link dapat
EM
berupa fungsi log (Agresti, 2002). Dalam pemodelan regresi
poisson, salah satu persyaratan adalah model harus memenuhi
G
asas equidispertion yang artinya nilai harapan/mean/expected
IT
value sama dengan nilai ragam/varian datanya. Jika asumsi ini
tidak terpenuhi, dikarenakan banyaknya nilai nol maka dapat
B
menggunakan model zero inflated poisson (zip), akan tetapi

ER
jika dikarenakan varian data yang tidak homogen maka dapat

N
menggunkan quasi poisson, general poisson, maupun negative

PE
binomial regression. Jika terjadi kombinasi akibat adalah

banyak nilai nol (excess zero) atau hurdle poisson dan varian
data yang tidak seragam maka dapat menggunakan hurdle
P
poisson atau zero inflated negative binomial.

SI
Misalkan akan diteliti pengaruh type rumah sakit dan

R
jumlah pasien terhadap jumlah kasus operasi cesar). Untuk

A
data contoh pada pengujian regresi poisson dapat didownload

di link berikut: shorturl.at/hFT38. Adapun langkah pengujian,
• Stat
• Regression
• Poisson Regression
• Fit Poisson Model
LA
A
EM
G
IT
B
ER
N
PE
P
SI
• Pada Respons: masukkan variabel dependen dalam hasus

R
ini operasi cesar

A
• Pada Continous predictor: masukkan variabel independent

numerik dalam hal ini jumlah pasien
• Pada Categorical predictor: masukkan variabel independent
kategorik/dummy dalam hal ini tipe rumah sakit
Berikut output-nya:
Ho: model fit (tidak overdispersi)

α = 0.05
LA
Karena nilai deviance/df=1.06
mendekati 1 maka tidak tolak Ho dan
A
disimpulkan modelnya fit (sesuai)
EM

G
IT
berpengaruh
B
α = 0.05
ER
Karena nilai sign.prob value chi2 =0.000

N

PE
disimpulkan minimal 1 variabel yang

berpengaruh
P

SI

R
berpengaruh
A
α = 0.05
Karena nilai sign.prob value z =0.000

disimpulkan variabel independen
berpengaruh signifikan
iv. koefisien determinasi
Nilai adjusted r square sebesar

79,96 persen artinay type rumah
sakit dan jumlah pasien mampu
menjelaskan variasi jumlah
operasi cesar sebesar 7996 persen
sisanya oleh variabel lain di luar
LA
model
A
EM
Persamaan Regresi
G
IT
B
• Nilai koefisien tipe rumah sakit artinya peluang jumlah

ER
operasi cesar meningkat pada tipe RS kedua, dengan

asumsi variabel lain konstan
N
• Nilai koefisien jmlh pasien positif artinya banyak pasien

PE
di RS maka peluang jumlah operasi cesar akan, dengan

asumsi variabel lain konstan
P
SI
R
A
Model Difference in
Difference (DiD)
Salah satu pemodelan sebab akibat yang sering digunakan
adalah model regresi. Apakah seorang peneliti ingin melihat
LA
pengaruh suatu treatment dan sekaligus efek waktu terhadap
suatu variabel maka model regresi yang tepat digunakan adalah
A
model DID. Model DID dapat digunakan untuk mengetahui
EM
perubahan sutau variable karena efek waktu, efek kebijakan
atau interaksi efek keduanya (Card & Krueger, 1994). Dalam
G
model DID diperlukan dummy periode waktu (before and
IT
after) serta adanya individu/subjek yang dijadikan sebagai
control (tidak diberikan treatment). Selanjutnya dilakukam
B
interaksi (perkalian) variabel waktu (time) dan variabel

ER
treatment. Misalkan akan diteliti pengaruh terhadap efek

N
waktu (0=Feb 1992 dan 1=Nov 1992) dan treatment (New

PE
Jersey = 1; Pennsylvania = 0) terhadap Full Time Employment

(FTE). Untuk data contoh pada pengujian model DID dapat
didownload di link berikut: shorturl.at/byBHI. Adapun
P
langkah pengujian, dengan menggunakan Minitab:

SI
R
A
• Stat
• Regression
• Fit Regression Model
• Pada responses: masukkan

variabel fte
• Pada Continous predictor:
metrik jika ada
• Pada Cetegorical predictor:
kualitatif/dummy t treatment
LA
time_tread
• Pada graphs: pilih normal
A
probability of plot
EM
i. Uji multikolinearitas
G
IT
Ho: tidak ada multikolinearitas yang tinggi antar
variabel independen
B
H1: ada multikolinearitas yang tinggi antar

ER
variabel independen
α = 0.05
N
PE
Karena nilai VIF < 10 maka tidak tolak Ho

dan disimpulkan modelnya bebas asumsi
multikolinearitas.
P
SI
R
Pengujian GoF
A
i. koefisien determinasi (adjusted r square)
Nilai r adj-0.44 artinya variasi fte

mampu dijelaskan oleh time dan
treatment sebesar 44 persen persen
sisanya oleh variabel lain di luar model
ii. uji simultan/anova/uji F
Ho: model tidak fit/tidak ada variabel

yang berpengaruh
H1: model fit/minimal 1 variabel
α = 0.05
LA
Karena nilai sign.prob value F =0.001
A
disimpulkan modelnya fit/minimal 1
EM
variabel yang berpengaruh.
iii. uji parsial/uji t G

IT
B

ER
berpengaruh
N
α = 0.05
PE
Karena nilai sign.prob value t =0.0q < alpha

(0.05) maka tolak Ho dan disimpulkan
P
variabel independent treatment

SI
berpengaruh signifikan, sedangkan variabel

periode dan interaksinya tidak berpengaruh
R
terhadap fte
A
LA
A
EM
G
IT
B
ER
N
PE
P
SI
R
A
Uji Validitas dan Reabilitas
Untuk menguji apakah instrumen yang digunakan, dalam
hal ini angket memenuhi persyaratan validitas, pada dasarnya
digunakan korelasi Pearson. Cara analisisnya dengan cara
menghitung koefisien korelasi antara masing-masing nilai pada
LA
nomor pertanyaan dengan nilai total dari nomor pertanyaan
tersebut. Selanjutnya koefisien korelasi yang diperoleh r
A
masih harus diuji signifikansinya bisa menggunakan uji t atau
EM
membandingkannya dengan r tabel. Bila t hitung > dari t tabel
atau r hitung > dari r tabel, maka nomor pertanyaan tersebut
G
valid. Bila menggunakan program komputer, asalkan r yang
IT
diperoleh diikuti harga p < 0,05 berarti nomor pertanyaan itu
B
valid.
ER
Perlu diketahui bahwa yang diuji kehandalannya

hanyalah nomor penyataan yang sahih saja. Metode yang biasa
N
digunakan untuk uji kehandalan adalah teknik ukur ulang dan

PE
teknik sekali ulur. Teknik sekali ukur terdiri atas teknik genap
gasal, belah tengah, belah Acak, Kuder Richardson, teknik
P
Hoyd, dan Alpha Cronbach.

SI
Misalkan pengecekan validitas variabel laten kualitas

R
sumber daya manusia (sdm) yang terdiri atas 5 indikator/

A
pertanyaan. Data untuk uji validitas dan reabilitas dapat

diunduh pada link berikut: shorturl.at/fDHOQ.
Salah satu cara pengujian validitas dapat dilakuakan
dengan mengkorelasikan item-item indicator/pertanyaan
dengan jumlah seluruh item dalam satu variabel yang sama.
• Stat
• Basic
• Correlation
LA
A
EM
G
• Pada variables masukkan variabel yang
IT
akan diuji, dalam hal ini sdm1 sampai
sdm5 dan sdm_total
B
• Klik OK
ER
N
PE
P
SI
R
Besarnya nilai koefisien korelasi antar

A
item dengan total item > 0.7 (korelasi

positif kuat, maka dikatakan semua
indiaktor valid.
Cara lainnya meneguji validitas dan reabilitas secara sekaligus
LA
.
A
• Stat • Pada Variables: masukkan variabel
EM
• Multivariate yang akan diuji, dalam hal ini sdm1
• Item Analysis sampai sdm5
G
• Klik OK
IT
B
ER
Besarnya nilai koefisien korelasi antar

item dengan total item > 0.6 (korelasi
positif moderatmaka dikatakan semua
N
indiaktor valid.
PE
Selanjutnya uji reabilitas:

Nilai Cronbach alpha=0.885 > 0.7
sehingga dikatakan bahwa variabel
P
latenhya reliabel (konsisten dalam

SI
mengukur penelitian)
R
A
LA
A
EM
G
IT
B
ER
N
PE
P
SI
R
A
Analisis Faktor
Analisis factor merupakan salah satu analisis multivariat.
Adapun analisis faktor bertujuan mereduksi sejumlah variabel
menjadi faktor-faktor, sehingga faktor yang terbentuk
merupakan kombinasi linier dari variabel yang terbentuk
LA
sehingga faktor yang terbentuk akan diberi label baru
berdasarkan kriteria variabel yang membentuknya (Johnson &
A
Wichern, 1998). Analisis faktor terkadang digunakan sebagai
EM
pengujian validitas suatu instrument, dalam hal ini diharapkan
indicator/pertanyaan yang digunanakan dalam 1 variabel laten
G
akan membentuk satu faktor. Metode ini dikenal dengan uji
IT
explanatory factor analysis (EFA). Selain itu analisis faktor
B
juga dapat digunakan sebagai dasar membentuk suatu indeks,

ER
dengan harapan dalam kriteria teori yang ada akan membentuk

suatu faktor. Data latihan analisis faktor dapat diunduh pada
N
link berikut: shorturl.at/fDHOQ. Adapun langkah pengujian,

PE
• Stat
P
• Multivariate
SI
• Factor Analysis
R
A
• Pada Variables: Masukkan

seluruh item yang akan diuji,
lalu klik Graph
• Pilih Scree Plot
• Klik OK
LA
A
EM
G
IT
B
ER
N
Pada faktor pertama semua nilai

PE
Dari scree Plot terlihat bahwa saat 1 faktor loading di atas 0.7
sudah turun tajam Total variasi yang terjelaskan
sudah 69.4 persen.
P
SI
R
A
Analisis Komponen Utama
(AKU)
Analisis komponen utama merupakan adalah
teknik dalam analisis multivariat, yang digunakan untuk
LA
menyederhanakan suatu data, dengan cara mentransformasi
data secara linier sehingga terbentuk sistem koordinat baru
A
dengan varians maksimum. Analisis komponen utama juga
EM
sering digunakan untuk menghindari masalah multikolinearitas
antar peubah bebas dalam model regresi berganda. Misalkan
G
data pada analisis faktor di atas kita anggap adalah variabel
IT
independen yang mengalami multikolinearitas karena
korelasinya cukup tinggi, maka kita aplikasikan dengan analisis
B
AKU untuk mereduksinya.

ER
• Stat
N
• Multivariate
PE
• Principal
Component
P
SI
R
A
• Pada Variables: Masukkan

seluruh item yang akan diuji,
lalu klik Graph
• Pilih Scree Plot
• Klik OK
•
LA
A
EM
G
IT
B
ER
Total variasi yang terjelaskan

sudah 69.4 persen dengan nilai
N
Dari scree Plot terlihat bahwa saat 1 masing-masing untuk komponen

PE
komponen sudah turun tajam di atas 0,4.

P
SI
R
A
Smoothing Time Series
Metode smoothing adalah metode dengan prinsip
pengenalan pola data dengan menghaluskan variasi lokal dalam
data. Pada umumnya metode penghalusan hanya cocok untuk
pola data tertentu. Beberapa metode pemulusan di antaranya
LA
single moving average, double moving average, single exponential
smoothing, double exponential smoothing, metode Winter, dan
A
dekomposisi data deret waktu (Wei, 1990).
EM
Metode moving average digunakan untuk data yang
G
polanya konstan/stasioner, dan memberikan bobot yang sama
dalam analisisnya. Metode exponential digunakan untuk data
IT
yang mengandung tren. Metode winter biasanya digunakan
B
untuk data yang memiliki pola musiman baik bersifat aditif

ER
maupun multifikatif. Metode dekomposisi digunakan untuk

memisahkan pola trend, musiman dan siklus pada data. Selain
N
itu penulis juga dapat membuat analisis trend dari data yang
PE
ada. Untuk data latihan smoothing time series dapat diunduh

pada link berikut: shorturl.at/ivJUY.
P
SI
R
A
a. Moving Average
LA
A
EM
• Stat G
• Pada Variable masukkan sales
IT
• Time Series • Pada MA length Misal kita pilih rata-rata
B
• Moving Average 3
• Klik time masukkan variabel waktu
ER
msialkan t
N
PE
P
SI
R
A
b. Single Exp Smoothing
LA
A
EM
G
IT
• Stat • Pada Variable masukkan sales
B
• Time Series • Pada weight to use in smooting plih

ER
• Single Exp Smoothing optoimal ARIMA

N
msialkan t
PE
P
SI
R
A
c. Winter Method
LA
A
EM
G
IT
B
ER
N

PE
• Time Series • Pada seasonal length masukkan perioe

• Winter method seasonalnya Misal 12 bulan
P
msialkan t
SI
R
A
d. Trend Analysis
LA
A
EM
G
IT
B

ER
• Time Series • Pada method type pilih linear

• Single Exp Smoothing • Klik time masukkan variabel waktu
N
msialkan t
PE
P
SI
R
A
LA
A
EM
G
IT
B
ER
N
PE
P
SI
R
A
ARIMA Model
Pemodelan dengan satu variabel data deret waktu adalah
metode Autoregressive Integrated Moving Average (ARIMA)
dan Generalized Autoregressive Conditional Heteroscedastic
(Garch). Dalam pemodelan data time series, syarat awal
LA
menggunakan model ARIMA adalah datanya harus sudah
stasioner baik dalam rata-rata maupun dalam varian/ragam
A
(Wei, 1990). Hal ini dikarenakan agar tidak menghasilkan
EM
model yang superious/lancung/palsu atau model yang memiliki
error yang nilainya besar. Untuk data latihan ARIMA dapat
diunduh pada link: shorturl.at/ewxO8 G
IT
B
ER
N
PE
P
SI
Pada series pilih dlnppi

Pada nonseasonal:
R
Autoregresive: isikan sesuai periode lag

A
Difference: isikan 0 jika data level

1 jika data difference 1
Moving Average: isikan data MA sesuai
lag
Stat ARIMA (1,0,0): AR(1) data level

Time Series Arima ARIMA (0,0,1): MA(1) data level
ARIMA (2,0,0): AR(2) data level
ARIMA (0,0,2): MA(2) data level
ARIMA(1,0,1): ARMA(1,1) data level
ARIMA (1,1,0): AR(1) data diffence 1
ARIMA (0,1,1): MA(1) data diffence 1
ARIMA (1,1,1): ARMA(1,1) data
LA
diffence 1
A
AR(1), ARIMA (1,0,1) MA(1), ARIMA (0,0,1)
EM
G
IT
B
ER
N
ARMA(1,1), ARIMA (1,0,1) AR(2), ARIMA (2,0,0)

PE
P
SI
R
A
Daftar Pustaka
Agresti, A. (2002). Categorical Data Analysis. New York: nc.
John Wiley and Son.
Bierens, H. J. (1994). Topics in Advanced Econometrics :
Estimation, Testing, and Specification of Cross-section
LA
and Time Series Models. :. pp.. New York: Cambridge
A
University Press.
EM
Breiman, L. (1973). Statistics: with a view towards applications.
Boston: Houghton Mifflin.
G
Brown, M. B., & Forsythe, A. B. (1974). Robust test for the
equality of variances. Journal of the American Statistical
IT
Association, 69, 364-367.
B
Card, D., & Krueger, A. (1994). Minimum Wages and

ER
Employment: A Case Study of the Fast-Food Industry

N
in New Jersey and Pennsylvania. The American Economic

PE
Review, 84(4), 772-793.

Cook, D., Kieschnick, R., & McCullough, B. (2008).
P
Regression analysis of proportions in finance with self

SI
selection. Journal of Empirical Finance, 15, 860–867.

R
Crocker, L. M., & Algina, J. (1986). Introduction to classical

A
and modern test theory. New York: Holt, Rinehart and

Winston.
Edwards, J. H., & Edwards, A. W. (1984). Approximating the
tetrachoric correlation coefficient. Biometrics, 40, 563.
Garson, G. D. (2013). Correlation. Asheboro, NC: Statistical
Associates Publishers.
Goodman, L., & Kruskal, W. (1954). Measures of association for

cross classifications. Journal, American Statistical Association,
49, 732-764.
Gujarati, D. (2004). Basic Econometrics (Ekonometrika Dasar).
Jakarta: Penerbit Erlangga.
Hair, J. F., Hult, G. T., Ringle, C. M., & Sarstedt, M. (2016). A
LA
Primer on Partial Least Squares Structural Equation Modeling
(PLS-SEM) Second. Los Angeles: SAGE.
A
Hassler, U., & Wolters, J. (2006). Autoregressive Distributed Lag
EM
Models and Cointegration. Allgemeines Statistisches Archiv,
90, 59-74.
G
Ji, Y.-b., & Lee, C. (2010). Data Envelopment Analysis in Stata.
IT
The Stata Journal, 10(2), 1-13.
B
Johnson, R., & Wichern, D. (1998). Applied Multivariate

ER
Statistical Analysis.. Second Edition. New Jersey: Prentice-

Hall International.
N
Katchova, A. (2013). Time Series ARIMA Models in Stata. Retrieved

PE
from https://sites.google.com/site/econometricsacademy/
econometrics-models/time-series-arima-models
P
Long, J. S. (1997). Regression Models for Categorical and Limited

SI
Dependent Variables. Thousand Oaks,CA: Sage Publications.

R
Miller, R. G. (1997). Survival Analysis. New York: John Wiley &

A
Sons.
Siegel, S. (1997). Statistik Nonparametrik Untuk Ilmu-ilmu Sosial.
Jakarta: Gramedia.
Sugiyono. (2017). Metode Penelitian Kuantitatif, Kualitatif, dan
R&D. Bandung: Alfabeta, CV.
Venturini, S., & Mehmetoglu, M. (2019). plssem: A Stata Package

for Structural Equation Modeling with Partial Least
Squares. Journal of Statistical Software, 88(8), 1-35.
Walpole, R. E. (2012). Probability & Statistics for Engineers &
Scientists, Ninth Edition. USA: Pearson.
Wei, W. (1990). Time Series Analysis: Univariate and Multivariate
LA
Methods. USA: Addison-Wesley Publishing Co.
Welch, B. L. (1947). The generalization of `student’s’ problem
A
when several different population variances are involved.
EM
Biometrika, 34, 28-35.
G
IT
B
ER
N
PE
P
SI
R
A
LA
A
EM
G
IT
B
ER
N
PE
P
SI
R
A
Biodata Penulis
Pardomuan Robinson Sihombing,
SST, M.Stat, C.PS adalah Statistisi
Muda di Badan Pusat Statistik (BPS)
RI sejak tahun 2013. Menyelesaikan
LA
Pedidikan Diploma IV Statistika
Ekonomi pada tahun 2012 di Sekolah
A
Tinggi Ilmu Statistik (STIS) Jakarta,
EM
dan Magister Statistika Terapan pada
tahun 2020 di Universitas Padjadjaran
G
(Unpad) Bandung. Saat ini Penulis
IT
sedang menempuh Pendidikan Doktoral Statistika dan Sains
B
Data di IPB University Bogor. Telah memiliki pengalaman

ER
sebagai Konsultan Statistik dan Pengampu Mata Ajar

Statistika sejak tahun 2012.
N
Topik penelitian yang diminati adalah bidang Statistika

PE
Ekonomi, Statistika Sosial, Machine Learning dan Epidemologi,

serta berperan aktif sebagai anggota Ikatan Statistisi Indonesia
P
(ISI). Selain itu Penulis juga aktif menjadi editor/reviewer

SI
di beberapa jurnal ilmiah. Penulis telah menerbitkan artikel

R
ilmiah di bidang statistika, ekonomi dan social science.

A
Akun Link
HP/WA 081271095616
Google Scholar https://scholar.google.com/citations?user=
TKeogYQAAAAJ&hl=en
Research Gate Pardomuan-Sihombing
Orchid https://orcid.org/0000-0002-1597-9077
Publon publons.com/researcher/4219441/
pardomuan-robinson-sihombing/
Research ID http://ResearchID.co/rid14715
Sinta ID 6754387/https://sinta.ristekbrin.go.id/
authors/detail?id=6754387&view=overview
LA
Scopus ID 57223216987/https://www.scopus.com/
authid/detail.uri?authorId=57223216987
A
Academica https://independent.academia.edu/
EM
pardomuansihombing
G
IT
Ade Marsinta Arsani, SST, MPMA, ME
B
adalah statistisi di Badan Pusat Statistik

ER
(BPS) RI sejak tahun 2013. Menyelesaikan

Pedidikan Diploma IV Statistika Ekonomi pada
N
tahun 2012 di Sekolah Tinggi Ilmu Statistik

PE
(STIS) Jakarta, dan Master Public

Management and Administration di Rikkyo,
P
Jepang pada tahun 2021 dan Magister

SI
Ekonomi di Universitas Padjadjaran

R
(Unpad) Bandung pada tahun 2022.

A
Telah memiliki pengalaman sebagai Konsultan Statistik dan

Pengampu Mata Ajar Statistika sejak tahun 2012.

Buku Aplikasi Minitab Untuk Statistisi Pemula

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Buku Aplikasi Minitab Untuk Statistisi Pemula

Diunggah oleh

Hak Cipta:

Format Tersedia

Aplikasi Minitab

Untuk Statistisi Pemula

Perpustakaan Nasional RI. Data Katalog Dalam Terbitan (KDT)

Sihombing, Pardomuan Robinson

Disusun dengan huruf Adobe Garamond Pro, 11,5 pt

Jl. Raya Cilangkap No. 1 RT/RW 006/012 Kel. Cilangkap,

© Hak cipta dilindungi Undang-Undang No. 28 Tahun 2014

Membuat Nilai Standard (Z Score) Data.................. 13

Menguji Data Outlier............................................... 15

Mentransformasi Data Dengan Teknik Box Cox...... 17

Membuat Difference Data......................................... 20

1. Untuk data kuantitatif/metrik/numerik............ 21

4. Kombinasi Data Kualitatif/Kategorik dengan

Uji Pembeda/Analisis Diskriminan....................... 63

5. Korelasi Cramer V............................................ 72

6. Korelasi Kruskal Gamma.................................. 73

Regresi Linier Berganda Pada Data

Regresi Binary Logistik Pada Data

Regresi Multinomial Logistik Pada Data Cross

Regresi Poisson Pada Data Cross Section .............. 93

Model Difference in Difference (DiD)................... 97

Uji Validitas dan Reabilitas................................... 101

Analisis Faktor...................................................... 105

Analisis Komponen Utama (AKU)........................ 107

Smoothing Time Series ......................................... 109

c. Winter Method.................................................. 112

Daftar Pustaka...................................................... 117

Minitab merupakan salah satu software statistik yang

dianggap powerful karena dapat digunakan untuk data primer

untuk model-model univariat maupun multivariat.

Untuk edisi terbaru, Minitab juga dilengkapi dengan

percobaan seperti model DOE dan Taguchi. Dalam Minitab

juga dilengkapi dengan pemodelan regresi nonlinier.

Penulis berharap dengan hadirnya buku ini dapat

menambah khazanah ilmu pengetahuan. Semoga dengan

kritik dan saran dari pembaca demi penyempurnaan buku ini ke

Input Data ke Dalam Minitab

Selain itu penulis juga dapat memasukkan data secara langsung

terinput di spreadsheet Minitab.

Membuat Label Data Kategorik

Pada data yang sudah diinput di atas terdapat dua variabel

• Pada record value isikan 0 untuk perempuan dan 1

untuk laki-laki, klik OK

Melakukan Operasi Matematika Dalam Minitab

merupakan penjumlahan atau pengurangan ataupun perkalian

dari beberapa indikator. Pada contoh ini, penulis ingin membuat

variabel baru, yaitu tabungan yang merupakan pengurangan

dari pendapatan dengan pengeluaran. Langkah yang dilakukan

• Pada store result om variable,

Misalkan peneliti ingin membuat variabel baru data kategorik

dari variabel kuantitatif/metrik berdasarkan kriteria tertentu. Pada

minggu. Misal kategori1 pendapatan rendah (1-2 juta,) kategori

2 pendapat sedang (2.1-4 juta) dan katgeori 3 pendapatan tinggi

Langkahnya yang dilakukan adalah dengan mengeklik

transform lalu record in to different variable.

2.1 upper 4 pada recorded value ketikkan

• dan terakhir pada lower masukkan nilai

Membuat Nilai Standard (Z Score) Data

Menstandarkan data artinya mentranformasi data, cara

keragaman satuan data yang umumnya digunakan sebelum

• Pada input column(s) masukkan variabel

yang akan dicari nilai deskriptifnya

• Masukkan store result in: masukkan

• Pada data spreadsheet kolom C9 akan