Tugas Aplikasi Komputer Dalam Psikologi Statistik Deskriptif dan Statistik Inferensi

Disusun oleh : Rizky Septianingrum ( 1024090095 ) Irma Puspita Sari (1024090 Dina Arofah (1024090278)

FAKULTAS PSIKOLOGI UNIVERSITAS PERSADA INDONESIA Y.A.I JAKARTA 2012

Aplikasi Statistik dalam Psikologi

Aplikasi Statistik dalam Psikologi.................................................................................2 STATISTIK DESKRIPTIF.................................................................................................3 MEAN (Arithmetic Mean)..........................................................................................4 Mean untuk Data Tunggal.....................................................................................4 Mean dari Data Gabungan....................................................................................5 MEDIAN.................................................................................................................... 6 Median Data Tunggal............................................................................................7 Median dalam Data Gabungan..............................................................................8 MODUS.................................................................................................................... 8 Modus Data Tunggal................................................................................................9 Modus Data Gabungan........................................................................................10 RATA-RATA UKUR (Geometric Mean)......................................................................11 Rata-Rata Ukur Untuk Data Tunggal....................................................................11 Rata-rata Ukur Untuk Data Gabungan.................................................................11 Rata-rata Harmonik (H)..........................................................................................12 Rata-rata Harmonik Untuk Data Tunggal.............................................................12 Rata-Rata Harmonik untuk Data Gabungan.........................................................13 Statistik Inferensi......................................................................................................13 Uji Korelasi............................................................................................................. 13 Koefisien Korelasi................................................................................................14 Karakteristik korelasi..........................................................................................14 UJI VALIDITAS........................................................................................................14 Uji Reabilitas.......................................................................................................... 19 Uji Normalitas........................................................................................................ 20 Metode Kolmogorov-Smirnov untuk Uji Normalitas .............................................20 Metode Shapiro-Wilkb untuk Uji Normalitas.........................................................21 Uji Regresi.............................................................................................................21 A. Regresi Linier Sederhana..............................................................................22 B. Regresi Ganda (Dua Prediktor)......................................................................24 CONTOH SOAL STATISTIKA Tabel 1.1 dibawah ini:...............................................................................................25

STATISTIK DESKRIPTIF Statistik adalah sekumpulan prosedur untuk mengumpulkan, mengukur, mengklasifikasi, menghitung, menjelaskan, mensintesis, menganalisis, dan menafsirkan data kuantitatif yang diperoleh secara sistematis. Secara garis besar, statistik dibagi menjadi dua komponen utama, yaitu Statistik Deskriptif dan Statistik inferensial. Statistik deskriptif menggunakan prosedur numerik dan grafis dalam meringkas gugus data dengan cara yang jelas dan dapat dimengerti, sementara Statistik inferensial menyediakan prosedur untuk menarik ksimpulan tentang populasi berdasarkan sampel yang kita amati. Statistik Deskriptif membantu kita untuk menyederhanakan data dalam jumlah besar dengan cara yang logis. Data yang banyak direduksi dan diringkas sehingga lebih sederhana dan lebih mudah diinterpretasi. Terdapat dua metode dasar dalam statistik deskriptif, yaitu numerik dan grafis. 1. Pendekatan numerik dapat digunakan untuk menghitung nilai statistik dari sekumpulan data, seperti mean dan standar deviasi. Statistik ini memberikan informasi tentang rata-rata dan informasi rinci tentang distribusi data.

2. Metode grafis lebih sesuai daripada metode numerik untuk mengidentifikasi pola-pola tertentu dalam data,
dilain pihak, pendekatan numerik lebih tepat dan objektif. Dengan demikian, pendekatan numerik dan grafis satu sama lain saling melengkapi, sehingga sangatlah bijaksana apabila kita menggunakan kedua metode tersebut secara bersamaan. Terdapat tiga karakteristik utama dari variabel tunggal: a. Distribusi data (distribusi frekuensi) b. Ukuran pemusatan/tendensi sentral (Central Tendency) c. Ukuran penyebaran (Dispersion) Salah satu aspek yang paling penting untuk menggambarkan distribusi data adalah nilai pusat data pengamatan (Central Tendency). Setiap pengukuran aritmatika yang ditujukan untuk menggambarkan suatu nilai yang mewakili nilai pusat atau nilai sentral dari suatu gugus data (himpunan pengamatan) dikenal sebagai ukuran pemusatan data (tendensi sentral). Terdapat tiga ukuran pemusatan data yang sering digunakan, yaitu: 1. Mean (Rata-rata hitung/rata-rata aritmetika) 2. Median 3. Mode Pada artikel ini akan di bahas mengenai pengertian beberapa ukuran pemusatan data yang dilengkapi dengan contoh perhitungan, baik untuk data tunggal ataupun data yang sudah dikelompokkan dalam tabel distribusi frekuensi. Selain ukuran statistik di atas, akan dibahas juga mengenai beberapa ukuran statistik lainnya, seperti Ratarata Ukur (Geometric Mean), Rata-rata Harmonik (H) serta beberapa karakteristik penting yang perlu dipahami untuk ukuran tendensi sentral yang baik serta bagaimana memilih atau menggunakan nilai tendensi sentral yang tepat.

MEAN (Arithmetic Mean) Rata-rata hitung atau arithmetic mean atau sering disebut dengan istilah mean saja merupakan metode yang paling banyak digunakan untuk menggambarkan ukuran tendensi sentral. Mean dihitung dengan menjumlahkan semua nilai data pengamatan kemudian dibagi dengan banyaknya data. Definisi tersebut dapat di nyatakan dengan persamaan berikut: Sampel: Populasi: Keterangan: = lambang penjumlahan semua gugus data pengamatan n = banyaknya sampel data N = banyaknya data populasi = nilai rata-rata sampel = nilai rata-rata populasi Mean dilambangkan dengan (dibaca "x-bar") jika kumpulan data ini merupakan contoh (sampel) dari populasi, sedangkan jika semua data berasal dari populasi, mean dilambangkan dengan (huruf kecil Yunani mu).

Mean untuk Data Tunggal

Contoh 1: Hitunglah nilai rata-rata dari nilai ujian matematika kelas 3 SMU berikut ini: 2; 4; 5; 6; 6; 7; 7; 7; 8; 9 Jawab:

Nilai rata-rata dari data yang sudah dikelompokkan bisa dihitung dengan menggunakan formula berikut:

Keterangan: = lambang penjumlahan semua gugus data pengamatan fi = frekuensi data ke-i n = banyaknya sampel data = nilai rata-rata sampel Contoh 2: Berapa rata-rata hitung pada tabel frekuensi berikut: xi fi 7 5 0 6 6 9 4 3 5 8 1 0 56 1 Catatan: Tabel frekuensi pada tabel di atas merupakan tabel frekuensi untuk data tunggal, bukan tabel frekuensi dari data yang sudah dikelompokkan berdasarkan selang/kelas tertentu. Jawab:

xi 70 69 45 80 56

fi 5 6 3 1 1 1 Jumlah 6

fixi 350 414 135 80 56 1035

Mean dari Data Gabungan Distribusi Frekuensi: Rata-rata hitung dari data yang sudah disusun dalam bentuk tabel distribusi frekuensi dapat ditentukan dengan menggunakan formula yang sama dengan formula untuk menghitung nilai rata-rata dari data yang sudah dikelompokkan, yaitu:

Keterangan: = lambang penjumlahan semua gugus data pengamatan fi = frekuensi data ke-i

= nilai rata-rata sampel

Contoh 3: Tabel berikut ini adalah nilai ujian statistik 80 mahasiswa yang sudah disusun dalam tabel frekuensi. Berbeda dengan contoh 2, pada contoh ke-3 ini, tabel distribusi frekuensi dibuat dari data yang sudah dikelompokkan berdasarkan selang/kelas tertentu (banyak kelas = 7 dan panjang kelas = 10). Kelas Nilai Ujian fi ke1 31 - 40 2 2 41 - 50 3 3 51 - 60 5 1 4 61 - 70 3 2 5 71 - 80 4 2 6 81 - 90 1 1 7 91 - 100 2 8 Jumlah 0 Jawab:

Buat daftar tabel berikut, tentukan nilai pewakilnya (xi) dan hitung fixi. Kelas Nilai Ujian fi xi fixi ke1 31 - 40 2 35.5 71.0 2 41 - 50 3 45.5 136.5 3 51 - 60 5 55.5 277.5 1 4 61 - 70 65.5 851.5 3 2 5 71 - 80 75.5 1812.0 4 2 6 81 - 90 85.5 1795.5 1 1 7 91 - 100 95.5 1146.0 2 8 Jumlah 6090.0 0

Catatan: Pendekatan perhitungan nilai rata-rata hitung dengan menggunakan distribusi frekuensi kurang akurat dibandingkan dengan cara perhitungan rata-rata hitung dengan menggunakan data aktualnya. Pendekatan ini seharusnya hanya digunakan apabila tidak memungkinkan untuk menghitung nilai rata-rata hitung dari sumber data aslinya. Rata-rata Gabungan atau rata-rata terboboti (Weighted Mean) Rata-rata gabungan (disebut juga grand mean, pooled mean, atau rata-rata umum) adalah cara yang tepat untuk menggabungkan rata-rata hitung dari beberapa sampel.

Contoh 4: Tiga sub sampel masing-masing berukuran 10, 6, 8 dan rata-ratanya 145, 118, dan 162. Berapa rata-ratanya? Jawab:

MEDIAN Median dari n pengukuran atau pengamatan x1, x2 ,..., xn adalah nilai pengamatan yang terletak di tengah gugus data setelah data tersebut diurutkan. Apabila banyaknya pengamatan (n) ganjil, median terletak tepat ditengah gugus data, sedangkan bila n genap, median diperoleh dengan cara interpolasi yaitu rata-rata dari dua data yang berada di

tengah gugus data. Dengan demikian, median membagi himpunan pengamatan menjadi dua bagian yang sama besar, 50% dari pengamatan terletak di bawah median dan 50% lagi terletak di atas median. Median sering dilambangkan dengan (dibaca "x-tilde") apabila sumber datanya berasal dari sampel (dibaca "-tilde") untuk median populasi. Median tidak dipengaruhi oleh nilai-nilai aktual dari pengamatan melainkan pada posisi mereka. Prosedur untuk menentukan nilai median, pertama urutkan data terlebih dahulu, kemudian ikuti salah satu prosedur berikut ini: - Banyak data ganjil mediannya adalah nilai yang berada tepat di tengah gugus data. - Banyak data genap mediannya adalah rata-rata dari dua nilai data yang berada di tengah gugus data

Median Data Tunggal

Untuk menentukan median dari data tunggal, terlebih dulu kita harus mengetahui letak/posisi median tersebut. Posisi median dapat ditentukan dengan menggunakan formula berikut:

dimana n = banyaknya data pengamatan. Median apabila n ganjil: Contoh 5: Hitunglah median dari nilai ujian matematika kelas 3 SMU berikut ini: 8; 4; 5; 6; 7; 6; 7; 7; 2; 9; 10 Jawab: - data: 8; 4; 5; 6; 7; 6; 7; 7; 2; 9; 10 - setelah diurutkan: 2; 4; 5; 6; 6; 7; 7; 7; 8; 9; 10 - banyaknya data (n) = 11 - posisi Me = (11+1) = 6 - jadi Median = 7 (data yang terletak pada urutan ke-6) Nilai Ujian Urutan data keMedian apabila n genap: Contoh 6: Hitunglah median dari nilai ujian matematika kelas 3 SMU berikut ini: 8; 4; 5; 6; 7; 6; 7; 7; 2; 9 Jawab: - data: 8; 4; 5; 6; 7; 6; 7; 7; 2; 9 - setelah diurutkan: 2; 4; 5; 6; 6; 7; 7; 7; 8; 9 - banyaknya data (n) = 10 - posisi Me = (10+1) = 5.5 - Data tengahnya: 6 dan 7 - jadi Median = (6+7) = 6.5 (rata-rata dari 2 data yang terletak pada urutan ke-5 dan ke-6) Nilai Ujian 2456677789 1 Urutan data ke- 1 2 3 4 5 6 7 8 9 0 2 4 5 6 6 7 7 7 8 9 1 2 3 4 5 6 7 8 9 10 10 11

Median dalam Data Gabungan Formula untuk menentukan median dari tabel distribusi frekuensi adalah sebagai berikut:

b = batas bawah kelas median dari kelas selang yang mengandung unsur atau memuat nilai median p = panjang kelas median n = ukuran sampel/banyak data f = frekuensi kelas median F = Jumlah semua frekuensi dengan tanda kelas lebih kecil dari kelas median (fi)

Contoh 7: Tentukan nilai median dari tabel distribusi frekuensi pada Contoh 3 di atas! Jawab: Kelas Nilai Ujian fi fkum ke1 31 - 40 2 2 2 41 - 50 3 5 3 51 - 60 5 10 1 4 61 - 70 23 3 2 5 71 - 80 47 letak kelas median 4 2 6 81 - 90 68 1 1 7 91 - 100 80 2 8 8 Jumlah 0 Letak kelas median: Setengah dari seluruh data = 40, terletak pada kelas ke-5 (nilai ujian 71-80) b = 70.5, p = 10 n = 80, f = 24 f = 24 (frekuensi kelas median) F = 2 + 3 + 5 + 13 = 23

MODUS

Modus adalah data yang paling sering muncul/terjadi. Untuk menentukan modus, pertama susun data dalam urutan meningkat atau sebaliknya, kemudian hitung frekuensinya. Nilai yang frekuensinya paling besar (sering muncul) adalah modus. Modus digunakan baik untuk tipe data numerik atau pun data kategoris. Modus tidak dipengaruhi oleh nilai ekstrem. Beberapa kemungkinan tentang modus suatu gugus data: - Apabila pada sekumpulan data terdapat dua mode, maka gugus data tersebut dikatakan bimodal. - Apabila pada sekumpulan data terdapat lebih dari dua mode, maka gugus data tersebut dikatakan multimodal. - Apabila pada sekumpulan data tidak terdapat mode, maka gugus data tersebut dikatakan tidak mempunyai modus.\ Meskipun suatu gugus data mungkin saja tidak memiliki modus, namun pada suatu distribusi data kontinyu, modus dapat ditentukan secara analitis. - Untuk gugus data yang distribusinya simetris, nilai mean, median dan modus semuanya sama. - Untuk distribusi miring ke kiri (negatively skewed): mean < median < modus - untuk distribusi miring ke kanan (positively skewed): terjadi hal yang sebaliknya, yaitu mean > median > modus.

Hubungan antara ketiga ukuran tendensi sentral untuk data yang tidak berdistribusi normal, namun hampir simetris dapat didekati dengan menggunakan rumus empiris berikut: Mean - Mode = 3 (Mean - Median) Modus Data Tunggal Contoh 8: Berapa modus dari nilai ujian matematika kelas 3 SMU berikut ini: 2, 4, 5, 6, 6, 7, 7, 7, 8, 9 2, 4, 6, 6, 6, 7, 7, 7, 8, 9 2, 4, 6, 6, 6, 7, 8, 8, 8, 9 2, 4, 5, 5, 6, 7, 7, 8, 8, 9 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 Jawab: - 2, 4, 5, 6, 6, 7, 7, 7, 8, 9 Nilai yang sering muncul adalah angka 7 (frekuensi terbanyak = 3), sehingga Modus (M) = 7 - 2, 4, 6, 6, 6, 7, 7, 7, 8, 9 Nilai yang sering muncul adalah angka 6 dan 7 (masing-masing muncul 3 kali), sehingga Modusnya ada dua, yaitu 6 dan 7. Gugus data tersebut dikatakan bimodal karena mempunyai dua modus. Karena ke-2 mode tersebut nilainya berurutan, mode sering dihitung dengan menghitung nilai ratarata keduanya, (6+7) = 6.5.

2, 4, 6, 6, 6, 7, 8, 8, 8, 9 Nilai yang sering muncul adalah angka 6 dan 8 (masing-masing muncul 3 kali), sehingga Modusnya ada dua, yaitu 6 dan 8. Gugus data tersebut dikatakan bimodal karena mempunyai dua modus. Nilai mode tunggal tidak dapat dihitung karena ke-2 mode tersebut tidak berurutan. 2, 4, 5, 5, 6, 7, 7, 8, 8, 9 Nilai yang sering muncul adalah angka 5, 6 dan 7 (masing-masing muncul 2 kali), sehingga Modusnya ada tiga, yaitu 5, 6 dan 7. Gugus data tersebut dikatakan multimodal karena modusnya lebih dari dua. 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 Pada gugus data tersebut, semua frekuensi data sama, masing-masing muncul satu kali, sehingga gugus data tersebut dikatakan tidak mempunyai modusnya

Modus Data Gabungan

dimana: Mo = modal = kelas yang memuat modus b = batas bawah kelas modal p = panjang kelas modal bmo = frekuensi dari kelas yang memuat modus (yang nilainya tertinggi) b1= bmo bmo-1 = frekuensi kelas modal frekuensi kelas sebelumnya b2 = bmo bmo+1 = frekuensi kelas modal frekuensi kelas sesudahnya Contoh 9: Tentukan nilai median dari tabel distribusi frekuensi pada Contoh 3 di atas! Jawab: Kelas Nilai Ujian fi ke1 31 40 2 2 41 50 3 3 51 60 5 1 4 61 70 3 b1 = (24 13) = 11 2 5 71 80 kelas modal (frekuensinya paling besar) 4 b2 =(24 21) =3 2 6 81 90 1 1 7 91 - 100 2 8 8 Jumlah 0 Kelas modul =kelas ke-5 b = 71-0.5 = 70.5 b1 = 24 -13 = 11 b2 = 24 21 = 3 p = 10

Selain tiga ukuran tendensi sentral di atas (mean, median, dan mode), terdapat ukuran tendensi sentral lainnya, yaitu rata-rata ukur (Geometric Mean) dan rata-rata harmonis (Harmonic Mean)

RATA-RATA UKUR (Geometric Mean) Untuk gugus data positif x1, x2, , xn, rata-rata geometrik adalah akar ke-n dari hasil perkalian unsur-unsur datanya. Secara matematis dapat dinyatakan dengan formula berikut:

Dimana: U = rata-rata ukur (rata-rata geometrik) n = banyaknya sampel = Huruf kapital (pi) yang menyatakan jumlah dari hasil kali unsur-unsur data. Rata-rata geometrik sering digunakan dalam bisnis dan ekonomi untuk menghitung rata-rata tingkat perubahan, rata-rata tingkat pertumbuhan, atau rasio rata-rata untuk data berurutan tetap atau hampir tetap atau untuk rata-rata kenaikan dalam bentuk persentase. Rata-Rata Ukur Untuk Data Tunggal Contoh 10: Berapakah rata-rata ukur dari data 2, 4, 8? Jawab: atau:

Rata-rata Ukur Untuk Data Gabungan

xi = tanda kelas (nilai tengah) fi = frekuensi yang sesuai dengan xi Contoh 11: Tentukan rata-rata ukur dari tabel distribusi frekuensi pada Contoh 3 di atas! Jawab Kelas Nilai Ujian fi xi log xi fi.log xi ke-

1 2 3 4 5 6 7 8

31 - 40 41 - 50 51 - 60 61 - 70 71 - 80 81 - 90 91 - 100 Jumlah

2 35.5 1.5502 3.1005 3 45.5 1.6580 4.9740 1.744 5 55.5 8.7215 3 1 1.816 65.5 23.6111 3 2 2 1.877 75.5 45.0707 4 9 2 1.932 85.5 40.5713 1 0 1 1.980 95.5 23.7600 2 0 8 149.809 0 1

Rata-rata Harmonik (H) Rata-rata harmonik dari suatu kumpulan data x1, x2, , xn adalah kebalikan dari nilai rata-rata hitung (aritmetik mean). Secara matematis dapat dinyatakan dengan formula berikut:

Secara umum, rata-rata harmonic jarang digunakan. Rata-rata ini hanya digunakan untuk data yang bersifat khusus. Misalnya,rata-rata harmonik sering digunakan sebagai ukuran tendensi sentral untuk kumpulan data yang menunjukkan adanya laju perubahan, seperti kecepatan.

Rata-rata Harmonik Untuk Data Tunggal Contoh 12: Si A bepergian pulang pergi. Waktu pergi ia mengendarai kendaraan dengan kecepatan 10 km/jam, sedangkan waktu kembalinya 20 km/jam. Berapakah rata-rata kecepatan pulang pergi? Jawab: Apabila kita menghitungnya dengan menggunakan rumus jarak dan kecepatan, tentu hasilnya 13.5 km/jam! Apabila kita gunakan perhitungan rata-rata hitung, hasilnya tidak tepat!

Pada kasus ini, lebih tepat menggunakan rata-rata harmonik:

Rata-Rata Harmonik untuk Data Gabungan

Contoh 13: Berapa rata-rata Harmonik dari tabel distribusi frekuensi pada Contoh 3 di atas! Jawab: Kelas Nilai Ujian fi xi fi/xi ke0.056 1 31 - 40 2 35.5 3 2 41 - 50 3 45.5 0.0659 0.090 3 51 - 60 5 55.5 1 1 4 61 - 70 65.5 0.1985 3 2 0.317 5 71 - 80 75.5 4 9 2 0.245 6 81 - 90 85.5 1 6 1 7 91 - 100 95.5 0.1257 2 8 1.100 8 Jumlah 0 0

Perbandingan Ketiga Rata-rata (Mean):

Statistik Inferensi Uji Korelasi Nilai kovarian distandarkan dengan membagi nilai kovarian tersebut dengan nilai standar deviasi kedua variabel.

atau

atau

Koefisien Korelasi Koefisien korelasi mengukur kekuatan dan arah hubungan linier dari dua veriabel. Harus diingat bahwa nilai koefisien korelasi yang kecil (tidak signifikan) bukan berarti kedua variabel tersebut tidak saling berhubungan. Mungkin saja dua variabel mempunyai keeratan hubungan yang kuat namun nilai koefisien korelasinya mendekati nol, misalnya pada kasus hubungan non linier. Dengan demikian, koefisien korelasi hanya mengukur kekuatan hubungan linier dan tidak pada hubungan non linier. Harus diingat pula bahwa adanya hubungan linier yang kuat di antara variabel tidak selalu berarti ada hubungan kausalitas, sebab-akibat. Kedua pasang variabel, x dan y bisa saja nilai koefisien korelasinya tinggi sebagai akibat adanya faktor z. Sebagai contoh, suhu (x) dengan tekanan udara (y) mungkin saja nilai koefisien korelasinya tinggi, namun belum tentu keduanya menunjukkan adanya hubungan sebab akibat (misal, semakin rendah suhu udara maka tekanan udara akan semakin rendah). Adanya korelasi suhu dan tekanan udara tersebut bisa saja semata-mata sebagai akibat dari perubahan ketinggian (z) suatu tempat, semakin tinggi tempat maka baik suhu ataupun tekanan udara akan semakin menurun. (meskipun secara teoritis memang terdapat hubungan sebanding antara suhu dan tekanan: PV = nRT). Dengan demikian, Korelasi hanya menjelaskan kekuatan hubungan tanpa memperhatikan hubungan kausalitas, mana yang dipengaruhi dan mana yang mempengaruhi. Kedua variabel masing-masing bisa berperan sebagai Variabel X maupun Variabel Y. Karakteristik korelasi Nilai r selalu terletak antara -1 dan +1 Nilai r tidak berubah apabila seluruh data baik pada variabel x, variabel y, atau keduanya dikalikan dengan suatu nilai konstanta (c) tertetu (asalkan c 0). Nilai r tidak berubah apabila seluruh data baik pada variabel x, variabel y, atau keduanya ditambahkan dengan suatu nilai konstanta (c) tertetu. Nilai r tidak akan dipengaruhi oleh penentuan mana variabel x dan mana variabel y. Kedua variabel bisa saling dipertukarkan. Nilai r hanya untuk mengukur kekuatan hubungan linier, dan tidak dirancang untuk mengukur hubungan non linier UJI VALIDITAS Uji validitas dilakukan untuk mengetahui tingkat kevalidan dari instrumen (kuesioner) yang digunakan dalam pengumpulan data yang diperoleh dengan cara mengkorelasi setiap skor variable jawaban responden dengan total skor masing-masing variabel, kemudian hasil korelasi dibandingkan dengan nilai kritis pada taraf siginifikan 0,05 dan 0,01. Tinggi rendahnya validitas instrumen akan menunjukkan sejauh mana data yang terkumpul tidak menyimpang dari gambaran tentang variabel yang dimaksud. Adapun perhitungan korelasi product moment, dengan rumus seperti yang dikemukakan oleh Arikunto (1998):

Dimana: r n x y = Koefisien korelasi = Banyaknya sampel = Skor masing-masing item = Skor total variabel

Ilustrasi: Kita kembali ke data yang diambil dari responden yang pernah menginap di penginapan bungalow X. Skor menggunakan skala likert untuk beberapa atribut yang diukur pada bungalow X antara lain pelayanan, kenyamanan, kelengkapan, akses, dan tarif. Berikut adalah skor yang diberikan oleh 30 pengunjung. Dengan skala yang menyatakan 1=sangat buruk, 2=buruk, 3=baik, 4=sangat baik. Analisis dijalankan dengan perangkat lunak SPSS 17.00 for windows.

Tahapan pengujian: 1. Tahap pertama setelah data masuk di jendelas SPSS adalah dengan pilih di menubar Analyze-correlate-bivariate, lalu klik seperti berikut:

2. Setelah itu pada kotak dialog pindahkan semua atribut ke kolom variables yang ditunjuk tanda panah dengan mengklik tanda panah dalam lingkaran seperti berikut, lalu klik OK: Jangan lupa untuk men-checklist pearson, two-tailed, dan flag significant correlation:

Output:

Dari output yang dihasilkan korelasi antar variabel dengan nilai total masing-masing signifikan pada nilai kritik 0,05.

Uji Reabilitas Beberapa teknik mencari reliabilitas yang akan digunakan adalah : 1. 2. 3. 4. 5. 6. 7. Spearman-Brown Flanagan Rulon Kuder-Richardson (K-R) 20 K-R 21 Hoyt Alpha

Pada kesempatan ini, kita membatasi untuk menggunakan rumus terakhir, yaitu reliabilitas dengan rumus alpha. Rumus ini sering kali secara spesifik digunakan untuk model instrumen berupa angket penelitian yang memiliki karakteristik data berupa data berskala likert. Adapun rumus reliabilitas alpha yang digunakan *2) adalah :

dengan varians butir :

dan varians total :

Uji Normalitas Metode Kolmogorov-Smirnov untuk Uji Normalitas Metode Kolmogorov-Smirnov tidak jauh beda dengan metode Lilliefors. Langkah-langkah penyelesaian dan penggunaan rumus sama, namun pada signifikansi yang berbeda. Signifikansi metode Kolmogorov-Smirnov menggunakan tabel pembanding Kolmogorov-Smirnov, sedangkan metode Lilliefors menggunakan tabel pembanding metode Lilliefors Rumus

Keterangan : Xi = Angka pada data Z = Transformasi dari angka ke notasi pada distribusi normal FT = Probabilitas komulatif normal FS = Probabilitas komulatif empiris FT = komulatif proporsi luasan kurva normal berdasarkan notasi Zi, dihitung dari luasan kurva mulai dari ujung kiri kurva sampai dengan titik Z.

Persyaratan a. Data berskala interval atau ratio (kuantitatif) b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi c. Dapat untuk n besar maupun n kecil. Siginifikansi Signifikansi uji, nilai | FT FS | terbesar dibandingkan dengan nilai tabel Kolmogorov Smirnov. Jika nilai | FT FS | terbesar kurang dari nilai tabel Kolmogorov Smirnov, maka Ho diterima ; H1 ditolak. Jika nilai | FT FS | terbesar lebih besar dari nilai tabel Kolmogorov Smirnov, maka Ho ditolak ; H1 diterima. Tabel Nilai Quantil Statistik Kolmogorov Distribusi Normal.

Metode Shapiro-Wilkb untuk Uji Normalitas Metode Shapiro Wilk menggunakan data dasar yang belum diolah dalam tabel distribusi frekuensi. Data diurut, kemudian dibagi dalam dua kelompok untuk dikonversi dalam Shapiro Wilk. Dapat juga dilanjutkan transformasi dalam nilai Z untuk dapat dihitung luasan kurva normal.

Rumus Persyaratan a. Data berskala interval atau ratio (kuantitatif) b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi c. Data dari sampel random Signifikansi Signifikansi dibandingkan dengan tabel Shapiro Wilk. Signifikansi uji nilai T3 dibandingkan dengan nilai tabel Shapiro Wilk, untuk dilihat posisi nilai probabilitasnya (p). Jika nilai p lebih dari 5%, maka Ho diterima ; H1 ditolak. Jika nilai p kurang dari 5%, maka Ho ditolak ; H 1 diterima. Jika digunakan rumus G, maka digunakan tabel distribusi normal.

Uji Regresi Setiap analisis regresi pasti ada korelasinya, tetapi analisis korelasi belum tentu dilanjutkan dengan analisis regresi.

Analisis korelasi yang dilanjutkan dengan analisis regresi yaitu apabila korelasi mempunyai hubungan kausal (sebab-akibat) atau hubungan fungsional. Untuk menetapkan dua variable mempunyai hubungan kausal atau tidak, harus didasarkan pada teori atau konsepkonsep tentang dua variable tersebut. Contoh: Hubungan kausal: Hubungan antara temperature dengan tingkat muai besi. Hubungan fungsional: Hubungan antara komitmen bekerja dengan kinerja guru. Hubungan bukan kausal atau bukan fungsional: Hubungan antara kupu-kupu yang datang dengan banyaknya tamu di rumah. Analisis regresi digunakan untuk mengetahui bagaimana pola variabel dependent (kriteria) dapat diprediksikan melalui variabel inpependent (prediktor). A. Regresi Linier Sederhana

Yaitu regresi linier dengan satu variabel prediktor (bebas) Bentuk persamaan: ? = a + bX ? = variabel dependen/kriteria (yang diprediksikan) a = konstanta (harga Y untuk X=0) b = angka arah (koefisien regresi) ; bila b positif (+), arah regresi naik dan bila b negatif (-), arah regresi turun. X = variabel independent (prediktor) Harga a dan b dapat ditentukan dengan rumus: dan r= koefisien korelasi produck moment antara variabel X dengan variabel Y. sY= simpangan baku variabel Y sX= simpangan baku variabel X atau dapat pula dengan rumus: dan Hiptesis yang diuji dalam analisis regresi linier ada dua jenis:

Pengujian kelinieran regresi Hiptesis yang diuji: H0 : ? = a + bX (model regresi linier) Ha : ? ? a + bX (model regresi tidak linier Untuk pengujian hipotesis ini menggunakan uji F yang rumusnya: RJKTC : rerata jumlah kuadrat Tuna Cocok (varians Tuna Cocok) RJKE : rearat jumlah kuadrat Error/Galat (varians Error/Galat) Kriteria pengujian: Terima H0 jika Fh < Ftabel dan Terima H0 jika Fh > Ftabel. Ftabel ditentukan dari tabel distribusi F untuk ? tertentu serta dk pembilanag = k-2dan dk penyebut = n-k (k= banyaknya kelompok data. Untuk memudahkan perhitungan Fh, sajikan dalam tabel Ringkasan ANOVA sbb:

Sumber Varian(SV) Total Regresi (a) Regrasi (b|a) Residu Tuna Cocok Kesalahan (error)

dk N 1 1 n-2 k-2 n-k

Jumlah Kuadrat Rerata Jumlah (JK) kuadrat (RJK) JKReg(a) RJKreg(a) JKReg(b!a) JKRes JK TC JK E RJKReg(b!a) RJKRes RJKTC RJKE

Fhitung

Ftabel

1.

Pengujian keberartian koefisien regresi.

Hipotesis yang diuji: H0 : ? = 0 (koefisien regresi tidak berarti/tidak nyata) Ha : ? > 0 (koefisien regresi berarti/nyata) Untuk pengujian hipotesis ini menggunakan uji F yang rumusnya:

RJKReg(b/a) : rerata jumlah kuadrat regresi b/a (varians regresi b/a) RJKRes : rerata jumlah kuadrat Residu/sisa (varians Residu/sisa) Kriteria pengujian: Terima H0 jika Fh < Ftabel dan Terima H0 jika Fh > Ftabel. Ftabel ditentukan dari tabel distribusi F untuk ? tertentu serta dk pembilanag = 1 dan dk penyebut = n-2. Untuk memudahkan perhitungan Fh, sajikan dalam tabel Ringkasan ANOVA seperti di atas. Langkah-langkah penentuan tabel ringkasan ANOVA sperti di atas sudah dijelaskan seperti dalam Persyaratan Aanalisis Uji Kelinieran. B. Regresi Ganda (Dua Prediktor)

Yaitu regresi linier ganda dengan 2 (dua) variabel prediktor/bebas. Bentuk umum persamaannya: ? = a + b1X1 + b2X2 ? = variabel dependen/kriteria (yang diprediksikan) a = konstanta (harga Y untuk X1=0 dan X2=0) b1 = angka arah (koefisien regresi) dari prediktor X1 b2 = angka arah (koefisien regresi) dari prediktor X2 X1 = variabel independent 1 (prediktor 1) X2 = variabel independent 2 (prediktor 2)

CONTOH SOAL STATISTIKA Tabel 1.1 dibawah ini:

Jawab