ANALISIS DATA

UNIVARIATE TECHNIQUE

Kuliah 13
A Classification of Univariate Techniques
Univariate Techniques

Metric Data Nonmetric Data

Two or Two or
One Sample One Sample
More Samples More Samples
 t test Frequency
 Z test Chi-Square
K-S
Independent Related Runs
Binomial
Two-Group t test => Paired t test
 Z test
One-Way ANOVA Independent Related
Chi-Square Sign
Mann-Whitney Wilcoxon
Median McNemar
K-S Chi-Square
K-W ANOVA
 STATISTIKA DAN METODE SCIENTIFICT
METODE SCIENTIFICT :
Adalah salah satu cara mencari kebenaran yang bila ditinjau dari segi
penerapannya, resiko untuk keliru paling kecil.

LANGKAH-LANGKAH DALAM METODE SCIENTIFICT :

1. Merumuskan masalah
2. Melakukan studi literatur
3. Membuat dugaan-dugaan, pertanyaan-pertanyaan atau hipotesis

4. Mengumpulkan dan mengolah data, menguji hipotesis,

atau menjawab pertanyaan

5. Mengambil kesimpulan

INSTRUMEN

SAMPEL

SIFAT DATA
PERAN STATISTIKA
VARIABEL

METODE ANALISIS
 KLASIFIKASI DATA

PEMBAGIAN DATA

DATA KUALITATIF : DATA KUANTITATIF :

Data yang dinyatakan dalam
bentuk bukan angka.
Contoh : jenis pekerjaan,
status marital, tingkat
kenyamanan lingkungan
Data yang dinyatakan dalam
bentuk angka
Contoh : lama tinggal, emisi,
tingkat polusi, hasil
tanggapan, pendapatan

DATA

KUALITATIF JENIS KUANTITATIF

DATA

NOMINAL INTERVAL
ORDINAL RASIO
 DATA
DATA NOMINAL :
Data berskala nominal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi.
CIRI : posisi data setara
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH : jenis kelamin, jenis pekerjaan

DATA ORDINAL :
Data berskala ordinal adalah data yang dipeoleh dengan cara kategorisasi atau klasifikasi, tetapi
di antara data tersebut terdapat hubungan
CIRI : posisi data tidak setara
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH : kualitas lingkungan, keinginan untuk membayar

DATA INTERVAL :
Data berskala interval adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara
dua titik skala sudah diketahui.
CIRI : Tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : temperatur yang diukur berdasarkan 0C dan 0F, sistem kalender

DATA RASIO :
Data berskala rasio adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara
dua titik skala sudah diketahui dan mempunyai titik 0 absolut.
CIRI : tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : emisi, biaya perbaikan lingkungan, jumlah rupiah kesediaan membayar
 PENGOLAHAN DATA
PROSEDUR PENGOLAHAN DATA :

A. PARAMETER : Berdasarkan parameter yang ada statistik dibagi menjadi

• Statistik PARAMETRIK : berhubungan dengan inferensi statistik yang

membahas parameter-parameter populasi; jenis data interval atau rasio;
distribusi data normal atau mendekati normal.

• Statistik NONPARAMETRIK : inferensi statistik tidak membahas

parameter-parameter populasi; jenis data nominal atau ordinal; distribusi
data tidak diketahui atau tidak normal

B. JUMLAH VARIABEL : berdasarkan jumlah variabel dibagi menjadi

• Analisis UNIVARIAT : hanya ada 1 pengukuran (variabel) untuk n

sampel atau beberapa variabel tetapi masing-masing variabel dianalisis
sendiri-sendiri. Contoh : korelasi kesediaan membayar dengan tingkat
pendidikan.

• Analisis MULTIVARIAT : dua atau lebih pengukuran (variabel) untuk n

sampel di mana analisis antar variabel dilakukan bersamaan. Contoh :
tingkat kesediaan membayar dipengaruhi oleh faktor tingkat penddikan,
pekerjaan, pendapatan, umur, jenis kelamin, status.
 PENGOLAHAN DATA (Lanjutan)

MULAI

Statistik NOMINAL Jenis INTERVAL

Statistik
Non Parametrik ORDINAL Data ? RASIO Parametrik

Analisis SATU DUA / LEBIH Analisis

Univariat Jumlah Multivariat
Variabel
?
 Analisis univariat
• Analisis terhadap satu variabel
• Biasanya dilakukan analisis untuk
mengetahui:
– Distribusi frekuensi
– Kecenderungan tengah (central tendency)
– Penyebaran (dispersion)
 Central tendency
• Merupakan estimasi “pusat” distribusi nilai-
nilai suatu variabel
• Tiga tipe utama central tendency:
– Mean
– Median
– Modus
 DISTRIBUSI FREKUENSI
DISTRIBUSI FREKUENSI : mengelompokkan data interval/rasio dan menghitung
banyaknya data dalam satu kelompok/klasifikasi

USIA FREKUENSI Membuat distribusi frekuensi :

1. Mencari sebaran (range) yakni selisih antara data paling besar
20 5
dengan data paling kecil)  35 – 20 = 15
21 6 2. Menentukan banyak kelas dengan rumus k = 1 + 3,3 log n
22 13  7 (sturgest)
1. Menentukan panjang kelas dengan rumus
23 4 p = sebaran / banyak kelas  15/7 = 2
24 7
25 7 KELOMPOK USIA FREKUENSI
26 7 20 – 21 11
27 5 22 – 23 17
28 3 24 – 25 14
29 4 26 – 27 12
30 15 28 – 29 7
31 3 30 – 31 18
33 5 32 - 33 5
35 1 34 - 35 1
Ukuran Tendensi Sentral

RATA-RATA : suatu bilangan yang bertindak mewakili sekumpulan bilangan

RATA-RATA HITUNG (RERATA) : jumlah bilangan dibagi banyaknya

n
X + X2 + X3 + … + Xn
X= 1 Σ Xi
n i =1

n
Bila terdapat sekumpulan bilangan di mana masing-masing bilangannya memiliki frekuensi,
maka rata-rata hitung menjadi :
k
X f + X2 f2 + X3 f3 + … + Xkfk Σ Xifi
X= 1 1
f1 + f2 + f3 + … + fk i =1

k
Σ fi
Cara menghitung : i =1

Bilangan (Xi) Frekuensi (fi) X i fi

70 3 210
63 5 315
Maka : X = 695 = 69.5
10
85 2 170
Jumlah 10 695
Median
MEDIAN : nilai tengah dari sekumpulan data setelah diurutkan yang fungsinya membantu
memperjelas kedudukan suatu data.

Contoh : diketahui rata-rata hitung produksi sampah RT dari sejumlah RT adalah 6.55 kg.
Pertanyaannya adalah apakah RT yang menghasilkan sampah RT 7 kg
termasuk istimewa, baik, atau biasa-biasa saja ?

Jika produksi sampah tsb adalah : 10 10 8 7 7 6 5 5 5 5 4,

maka rata-rata hitung = 6.55, median = 6
Kesimpulan : nilai 7 termasuk kategori baik sebab berada di atas rata-rata hitung
dan median (kelompok 50% atas)

Jika nilai ulangan tersebut adalah : 8 8 8 8 8 8 7 5 5 4 3,

maka rata-rata hitung = 6.55, median = 8
Kesimpulan : nilai 7 termasuk kategori kurang sebab berada di bawah median
(kelompok 50% bawah)

Jika sekumpulan data banyak bilangannya genap (tidak mempunyai bilangan tengah)
Maka mediannya adalah rerata dari dua bilangan yang ditengahnya.
Contoh : 1 2 3 4 5 6 7 8 8 9 maka median (5+6) : 2 = 5.5
Modus

MODUS : bilangan yang paling banyak muncul dari sekumpulan bilangan,

yang fungsinya untuk melihat kecenderungan dari sekumpulan bilangan tersebut.

Contoh : produksi sampah RT (kg) 10 10 8 7 7 6 5 5 5 5 4

Maka : s = 6 ; k = 3 ; p =2
rata-rata hitung = 6.55 ; median = 6
modus = 5 ; kelas modus = 5 - 7

Nilai Frekuensi Nilai Frekuensi

10 2 8 – 10 3
8 1 5–7 7
7 2 2–4 1
6 1 Jumlah 11
5 4
4 1
Jumlah 11 - +
Mo  Me

Kurva positif apabila rata-rata hitung > modus / median

Kurva negatif apabila rata-rata hitung < modus / median
Ukuran Penyebaran
UKURAN YANG MENYATAKAN HOMOGENITAS / HETEROGENITAS :
1. RENTANG (Range)
2. DEVIASI RATA-RATA (Average Deviation)
3. VARIANS (Variance)
4. DEVIASI STANDAR (Standard Deviation)

Rentang (range) : selisih bilangan terbesar dengan bilangan terkecil.

Sebaran merupakan ukuran penyebaran yang sangat kasar, sebab hanya bersangkutan
dengan bilangan terbesar dan terkecil.

Contoh : A : 100 90 80 70 60 50 40 30 20 10
X = 55
B : 100 100 100 100 100 10 10 10 10 10
r = 100 – 10 = 90
C : 100 100 100 90 80 30 20 10 10 10

Rata-rata
Deviasi rata-rata
Deviasi Rata-rata : penyebaran
Kelompok A Kelompok B
Berdasarkan harga mutlak simpangan Nilai X X - X |X – X| Nilai X X - X |X – X|
bilangan-bilangan terhadap rata-
100 45 45 100 45 45
ratanya.
90 35 35 100 45 45
80 25 25 100 45 45
70 15 15 90 35 35
60 5 5 80 25 25

Rata-rata 50 -5 5 30 -25 25
40 -15 15 20 -35 35
30 -25 25 10 -45 45
20 -35 35 10 -45 45
10 -45 45 10 -45 45
Jumlah 0 250 Jumlah 0 390

DR = 250 = 25 DR = 390 = 39
10 10

n
|Xi – X|
Rata-rata DR = Σ
n
i=1

Makin besar simpangan,

makin besar nilai deviasi rata-rata
Varians & Deviasi Standar

Varians : penyebaran berdasarkan Kelompok A Kelompok B

jumlah kuadrat simpangan bilangan- Nilai X X -X (X–X)2 Nilai X X -X (X –X)2
bilangan terhadap rata-ratanya ; 100 45 2025 100 45 2025
melihat ketidaksamaan sekelompok data
90 35 1225 100 45 2025
80 25 625 100 45 2025
n
s = Σ (Xi – X)
2
2 70 15 225 90 35 1225

i=1 n-1 60 5 25 80 25 625

50 -5 25 30 -25 625
40 -15 225 20 -35 1225

Deviasi Standar : penyebaran 30 -25 625 10 -45 2025

berdasarkan akar dari varians ; 20 -35 1225 10 -45 2025

menunjukkan keragaman kelompok data 10 -45 2025 10 -45 2025
Jumlah 8250 Jumlah 15850

8250 15850
n s= √ 9 = 30.28 s= √ 9 = 41.97
√ Σ (Xi – X)
2
s=
i=1 n-1
Kesimpulan :
Kelompok A : rata-rata = 55 ; DR = 25 ; s = 30.28
Kelompok B : rata-rata = 55 ; DR = 39 ; s = 41.97
Maka data kelompok B lebih tersebar daripada kelompok A
Normalitas, Hipotesis, Pengujian

Distribusi Normal : kurva berbentuk bel, simetris, simetris terhadap sumbu yang
melalui nilai rata-rata

Kurtosis = keruncingan

Skewness = kemiringan

+3s  +2s  -s   +s  +2s  +3s

68%
95%
99%

• Lakukan uji normalitas

• Rasio Skewness & Kurtosis berada –2 sampai +2
Rasio = nilai
Standard error
• Jika tidak berdistribusi normal, lakukan uji melalui non parametrik (Wilcoxon,
Mann-White, Tau Kendall)
Normalitas, Hipotesis, Pengujian

Hipotesis : uji signifikansi (keberartian) terhadap hipotesis yang dibuat ;

berbentuk hipotesis penelitian dan hipotesis statistik (H0) ;
hipotesis bisa terarah, bisa juga tidak terarah ;
akibat dari adanya Ho, maka akan ada Ha (hipotesis alternatif) yakni
hipotesis yang akan diterima seandainya Ho ditolak

HIPOTESIS TERARAH TIDAK TERARAH

Hipotesis RT yang memiliki awarnes
Penelitian pelestarian lingkungan akan
membuang sampah ke TPS sesuai
jadwal.
Hipotesis Nol RT yang memiliki awarnes
(Yang diuji) kepestarian lingkungan tidak
menunjukkan perilaku yang
berbeda dalam pembuangan
sampah ke TPS dengan RT yang
tidak memiliki kesadara
pelestarian lingkungan.
Ho : b < i
Ha : b > i
Ada perbedaan perilaku dalam
pembuangan sampah ke TPS antara
yang memiliki awarnes dengan yang
tidak memiliki awarnes.
Tidak terdapat perbedaan perilaku
dalam pembuangan sampah ke TPS
antara RT yang memiliki awarnes
pelestarian lingkungan dengan yang
tidak.
Ho : b = i
Ha : b ≠ I
Normalitas, Hipotesis, Pengujian

Pengujian : bila Ho terarah, maka pengujian signifikansi satu pihak

bila Ho tidak terarah, maka pengujian signifikansi dua pihak

Pengujian signifikansi satu arah (hipotesis terarah):

RT yang memiliki awarnes tidak menunjukkan perilaku pembuangan sampah yg sesuai jadwal
Ke TPS dari pada RT yang tidak memiliki awarnes  Ho : b < i
Jika Ho ditolak, maka Ha diterima ; daerah penolakan berada di sebelah kanan

5% 2.5% 2.5%

Daerah penerimaan hipotesis Daerah Daerah Daerah penerimaan hipotesis Daerah

penolakan penolakan penolakan
hipotesis hipotesis hipotesis

Pengujian signifikansi dua arah (hipotesis tidak terarah):

Tidak terdapat perbedaan kessadaran dalam pembuangan sampah ke TPS
 Ho : b = i
Jika Ho ditolak, maka Ha diterima ; daerah penolakan bisa berada di sebelah kiri atau kanan
Uji t

Uji t : menguji apakah rata-rata suatu populasi sama dengan suatu harga tertentu atau
apakah rata-rata dua populasi sama/berbeda secara signifikan.

1. Uji t satu sampel

Menguji apakah satu sampel sama/berbeda dengan ( - )
rata-rata populasinya t =
• hitung rata-rata dan std. dev (s) s / √n
• df = n – 1
α
• tingkat signifikansi ( = 0.05)
• pengujian apakah menggunakan 1 ekor atau 2 ekor
• diperoleh t hitung ; lalu bandingkan dengan t tabel : jika t hitung > t tabel Ho ditolak

Contoh :
Peneliti ingin mengetahui apakah korban yang mengalami kerugian paling besar
memang berbeda dibandingkan dengan korban lainnya.
Ho : k1 = k2
Diperoleh  = 2.865.625 ; std. Dev = 1.789.112,5 ; df = 79 ; t hitung = -22.169
α
Berdasarkan tabel df=79 dan = 0.05 diperoleh t tabel = 1.6644
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
korban yang mengalami kerugian paling besar secara signifikan berbeda
dengan korban lainnya
Contor : Beda rata-rata sampel dengan Rata-rata Hipotesis

Seorang Kepala Daerah mengatakan bahwa Rata-rata

pendapatan nelayan setelah adanya proyek PTA ini tidak
berkurang atau Rp. 80 ribu per hari dengan standar deviasi
6. Seorang peneliti ingin membuktikan pernyataan
tersebut. Dari semua nelayan yang terkena dampak proyek
PLT tersebut diambil 40 nelayan sebagai sampel dan
diperoleh informasi bahwa pendapatan rata-rata setelah
PLT beroperasi diperoleh sebesar Rp. 78 ribu. Dengan
tingkat signifikansi () 5%, apakah sampel tersebut dapat
mendukung pernyataan bahwa pendapatan rata-rata
nelayan setelah PLTA beroperasi adalah Rp. 80 ribu >?

21
Penyelesaian :

i. Hipotesis : H 0 :   80
H1 :   80
ii. Tingkat signifikansi 0.05
iii. H0 diterima jika
H 0 ditolak jika Z   Z  atau Z  Z 
2 2

H 0 ditolak jika Z  1.96 atau Z  1.96

iv. Hitungan X  0 80  78
Z   2,108
 6 / 40
n

v. Karena

Z=2,108>1.96 maka H0 ditolak

Jadi H1 :   80 diterima
Uji t
2. Uji t dua sampel bebas
Menguji apakah rata-rata dua kelompok yang tidak berhubungan sama/berbeda

(Σx2 + Σy2) (1/nx + 1/ny)

√
(X – Y)
t= Di mana Sx-y =
Sx-y (nx + ny – 2)

Contoh :
Peneliti ingin mengetahi apakah ada perbedaan penghasilan setelah bencana antara
korban ringan dengan korban berat
Ho : Pr = Pb
Diperoleh :  = 1547368 ; y = 1537500 ; t hitung = .066

Uji kesamaan varians  Ho : kedua varians sama

Probabilitas > 0.05 maka Ho diterima yakni kedua varians sama

Uji t independent sample

α
Berdasarkan tabel df=53 dan = 0.05 diperoleh t tabel = 1.6741
Kesimpulan : t hitung < t tabel sehingga Ho diterima
tidak ada perbedaan yang signifikan penghasilan setelah bencana antara
korban ringan dengan korban berat
Uji t
3. Uji t dua sampel berpasangan
Menguji apakah rata-rata dua sampel yang berpasangan sama/berbeda

D
t= s Di mana D = rata-rata selisih skor pasangan
D

ΣD2 – (ΣD)2
√
sD = Σ d2 Σd =
2

N(N-1) N

Contoh :
Sebelum diambil keputusan tentang pembangunan suatu dermaga, dialkukan suatu
survey tentang berapa rata-rata nilai hasil tangkapan nelayan. Setelah selesai
pembangunan dermaga, kemudian dilakukan survey untuk mendapatkan informasi
tentang hasil tangkapan nelayan. Peneliti ingin mengetahui apakah hasil tangkapan
sebelum dan setelah pembangunan dermaga terdapat perbedaan yang signifikan.
Ho : t1 = t2
Diperoleh t1 = 51.36 ; t2 = 52.55 ; korelasi 0.873
Korelasi sangat erat dan benar-benar berhubungan dengan nyata
α
Berdasarkan tabel df=21 dan = 0.05 diperoleh t tabel = 1.7207
Kesimpulan : t hitung < t tabel sehingga Ho diterima
Tidak ada perbedaan yang signifikan antara hasil t1 dan t2, artinya tidak
ada perbedaan hasil tangkapan nelayan sebelum dan setelah pembangunan dermaga.
Uji Keterkaitan

Korelasi : hubungan keterkaitan antara dua atau lebih variabel.

Angka koefisien korelasi ( r ) bergerak -1 ≤ r ≤ +1

POSITIF NEGATIF
makin besar nilai variabel 1 makin besar nilai variabel 1
menyebabkan makin besar menyebabkan makin kecil
pula nilai variabel 2 nilai variabel 2

NOL
tidak ada atau tidak menentunya hubungan dua variabel
Uji Keterkaitan

1. KORELASI PEARSON :
apakah di antara kedua variabel terdapat hubungan, dan jika ada hubungan bagaimana
arah hubungan dan berapa besar hubungan tersebut.
Digunakan jika data variabel kontinyu dan kuantitatif

NΣXY – (ΣX) (ΣY) Di mana : ΣXY = jumlah perkalian X dan Y

r= ΣX2 = jumlah kuadrat X
√ NΣX2 – (ΣX)2 x √ NΣY2 – (ΣY)2 ΣY2 = jumlah kuadrat Y
N = banyak pasangan nilai

Contoh :
10 orang Nelayan yang memiliki waktu dan hasil tangkapan yang berbeda
Nelayan : A B C D E F G H I J
Waktu (X) : 2 2 1 3 4 3 4 1 1 2
Tangkapan (Y) : 6 6 4 8 8 7 9 5 4 6
Apakah ada korelasi antara waktu dan hasil tangkapan ?

Nelayan X X2 Y Y2 XY
A
B
ΣX ΣX2 ΣY ΣY2 ΣXY
Uji Keterkaitan

2. KORELASI SPEARMAN (rho) dan Kendall (tau) :

Digunakan jika data variabel ordinal (berjenjang atau peringkat). Disebut juga korelasi
non parametrik

6Σd2 Di mana : N = banyak pasangan

rp = 1 -
N(N – 1)
2 d = selisih peringkat

Contoh :
10 orang nelayan yang memiliki motivasi berusaha (sangat baik, baik, cukup, kurang)
Dibandingkan dengan tingkat kesejahteraannya (sangat sejahtera, sejahtera, biasa, miskin)
Nelayan : A B C D E F G H I J
Motivasi : 2 4 1 3 4 2 3 1 3 2
Kesejahteraan : 3 2 1 4 4 3 2 1 2 3
Apakah ada korelasi antara motivasi berusaha dengan tingkat kesejahteraannya ?

Siswa A B C D

Perilaku
Kerajinan
d
d2 Σd2
Uji Chi-Square (X2)

Chi-Square (tes independensi) : menguji apakah ada hubungan antara baris dengan
kolom pada sebuah tabel kontingensi. Data yang digunakan adalah data kualitatif.

(O – E)2
X2 = Σ E
Di mana
O = skor yang diobservasi
E = skor yang diharapkan (expected)

Contoh :
Terdapat 20 siswa perempuan dan 10 siswa laki-laki yang fasih berbahasa Inggris, serta
10 siswa perempuan dan 30 siswa laki-laki yang tidak fasih berbahasa Inggris.
Apakah ada hubungan antara jenis kelamin dengan kefasihan berbahasa Inggris ?
Ho = tidak ada hubungan antara baris dengan kolom
H1 = ada hubungan antara baris dengan kolom
P L Σ O E (O-E) (O-E)2 (O-E)2/E
a b a 20 (a+b)(a+c)/N
Fasih
c d b 10 (a+b)(b+d)/N
Tidak fasih c 10 (c+d)(a+c)/N

Σ d 30 (c+d)(b+d)/N

df = (kolom – 1)(baris – 1)
Jika X2 hitung < X2 tabel, maka Ho diterima
Jika X2 hitung > X2 tabel, maka Ho ditolak
Uji Chi-Square (X2)
Chi-Square dengan menggunakan SPSS
KASUS : apakah ada perbedaan pendidikan berdasarkan status marital responden
Ho = tidak ada hubungan antara baris dengan kolom atau tidak ada perbedaan pendidikan
berdasarkan status marital
H1 = ada perbedaan pendidikan berdasarkan status marital
Dasar pengambilan keputusan :
1. X2 hitung < X2 tabel  Ho diterima ; X2 hitung > X2 tabel  Ho ditolak
2. probabilitas > 0.05  Ho diterima ; probabilitas < 0.05  Ho ditolak
status marital * pendidikan terakhir Crosstabulation
Chi-Square Tests
Count
Asymp. Sig.
pendidikan terakhir
Value df (2-sided)
SD SMP SMA Sarjana Total Pearson Chi-Square 30.605 9 .000
status belum kawin 1 9 5 0 15
marital Likelihood Ratio 29.160 9 .001
kawin 4 24 10 13 51
Linear-by-Linear
janda 5 1 1 0 7 3.412 1 .065
Association
duda 3 2 2 0 7
N of Valid Cases 80
Total 13 36 18 13 80
Symmetric Measures

Value Approx. Sig.

Nominal by Nominal Contingency Coefficient .526 .000
N of Valid Cases 80

Hasil : tingkat signifikansi = 5% ; df = 9 ; X2 tabel = 16.919 ; X2 hitung = 30.605 ;

asymp. sig = 0.000 ; contingency coeff. = 0.526
Karena : X2 hitung > X2 tabel maka Ho ditolak
asymp. Sig < 0.05 maka Ho ditolak
Artinya ada perbedaan tingkat pendidikan berdasarkan status maritalnya
dan hal ini diperkuat dengan kuatnya hubungan yang 52.6%
Uji Anova
Anova : menguji rata-rata satu kelompok / lebih melalui satu variabel dependen / lebih
berbeda secara signifikan atau tidak.

ONE WAY ANOVA

Satu variabel dependen (kuantitatif) dan satu kelompok (kualitatif)
Contoh : apakah pandangan siswa tentang IPS (kuantitatif) berbeda berdasarkan
jenjang pendidikannya (kualitatif : SD, SLTP, SMU)

Variabel dependen lebih dari satu tetapi

kelompok sama
Contoh : apakah rata-rata ulangan dan pandangan
siswa terhadap IPS berbeda untuk tiap daerah

Satu variabel dependen tetapi kelompok berbeda

MULTIVARIAT ANOVA Contoh : apakah rata-rata ulangan berbeda berdasar
kan klasifikasi sekolah dan kelompok penelitian

Variabel dependen lebih dari satu dan kelompok

berbeda
Contoh : apakah rata-rata ulangan dan pandangan
siswa terhadap IPS berbeda berdasarkan klasifikasi
Sekolah dan kelompok penelitian
Uji Anova
ONE WAY ANOVA

k
JKa = Σ J j - J Di mana :
2 2
RJKa
F= j=1 nj N J = jumlah seluruh data
RJKi
N = banyak data
k nj k J2j
Jki = Σ Σ X k = banyak kelompok
2
- Σ
j=1 i=1
ij
j=1 nj nj = banyak anggota kelompok j
Jj = jumlah data dalam kelompok j
Contoh :
Apakah terdapat perbedaan pandangan terhadap IPS siswa SD, SLTP, SMU ?
Ho : μ1 = μ2 = μ3 (tidak terdapat perbedaan sikap)

X1 X2 X3 212 + 72 + 152 432

Jka = - = 19.73
3 1 2 5 15
4 1 2 212 + 72 + 152
Jki = 32 + 42 + 52 … - = 10
5
5 2 3
Jka
4 1 3 RJKa = = 19.73/2 = 9.865
5 2 5 k-1 F = 9.865 / 0.833

Σ 21 7 15 Jki = 11.838
RJKi = = 10/15-3 = 0.833
 4.2 1.4 3
N-k
 32. Uji Anova

Sumber Jumlah Derajat Rata-rata F

adanya Kuadrat Kebebasan Jumlah Kuadrat
perbedaan (JK) (df) (RJK)
Antar kelompok 19.73 k–1=2 9.865 11.838
Inter kelompok 10 N – k = 12 0.833

α = 0.05 ; df = 2 dan 12 ; F tabel = 3.88 ; F hitung = 11.838

F hitung > F tabel , maka Ho ditolak
Terdapat perbedaan pandangan siswa SD, SLTP, SMU terhadap IPS
Apakah ada perbedaan rata-rata penghasilan sesudah bencana jika dilihat dari
sumbangan yang diterima ?
Ho = rata-rata penghasilan tidak berbeda dilihat dari sumbangan yang diterima
Descriptives

penghasilan sesudah bencana Test of Homogeneity of Variances

95% Confidence
penghasilan sesudah bencana
Std. Interval for Mean
Levene
N Mean Deviation Std. Error Lw Bound Up Bound Min Max
Statistic df1 df2 Sig.
sedikit 29 1341379 528148.55 98074.72 1140482.3 1542276 600000 2500000
.100 2 77 .905
sedang 30 1485000 501918.73 91637.40 1297580.5 1672420 500000 2400000
banyak 21 1752381 528790.17 115391 1511678.6 1993083 1.E+06 2800000
Total
Ho : varians populasi identik
80 1503125 537006.69 60039.17 1383620.0 1622630 500000 2800000
Probabilitas > 0.05 Ho diterima
ANOVA

penghasilan sesudah bencana

Sum of Squares df Mean Square F Sig. F hitung < F tabel maka Ho diterima
Between Groups 2073242970032.8 2 1036621485016 3.854 .025
Within Groups 20708475779967 77 268941243895.7 penghasilan tidak berbeda
Total 22781718750000 79 berdasarkan sumbangan yg diterima
Uji Anova
MULTIVARIAT ANOVA dengan menggunakan SPSS
Data yang digunakan untuk variabel dependen adalah data kuantitatif, sedangkan
faktor atau kelompok adalah data kualitatif
Kasus : apakah status marital mempunyai pengaruh yang signifikan terhadap penghasilan seb & usia
Variabel dependen adalah penghasilan seb & ses ; Faktor (kelompok) adalah status marital

Uji varians dilakukan 2 tahap :

1. Varians tiap-tiap variabel dependen ; Ho = varians populasi identik (sama)
alat analisis : Lavene Test ; keputusan : probabilitas > 0.05 maka Ho diterima
2. Varians populasi secara keseluruhan ; Ho = matriks varians sama
alat analisis : Box’s M ; keputusan : probabilitas > 0.05 maka Ho diterima
Uji Multivariat ; Ho = rata-rata vektor sampel identik (sama)
alat analisis : Pillai Trace, Wilk Lambda, Hotelling Trace, Roy’s
keputusan : probabilitas > 0.05 maka Ho diterima
a
Levene's Test of Equality of Error Variances a
Box's Test of Equality of Covariance Matrices

F df1 df2 Sig. Box's M 9.578

penghasilan F .956
2.772 3 76 .047
sebelum bencana df1 9
usia .450 3 76 .718 df2 2964.095
Tests the null hypothesis that the error variance of the dependent Sig. .475
variable is equal across groups. Tests the null hypothesis that the observed covariance
a. Design: Intercept+STATUS matrices of the dependent variables are equal across groups.
a. Design: Intercept+STATUS
Ho diterima
Varians tiap variabel identik Ho diterima
Varians populasi identik
Uji Anova
Multivariate Testsc

Effect Value F Hypothesis df Error df Sig.

Intercept Pillai's Trace .945 644.853a 2.000 75.000 .000
Wilks' Lambda 644.853a
.055
a
2.000 75.000 .000
Ho ditolak ; rata-rata vektor sampel
Hotelling's Trace 17.196 644.853 2.000 75.000 .000
Roy's Largest Root 17.196 644.853a 2.000 75.000 .000
tidak identik
STATUS Pillai's Trace .895 20.517 6.000 152.000 .000 Kesimpulan :
Wilks' Lambda .283 22.004a 6.000 150.000 .000 Status marital tidak mempunyai pengaruh
Hotelling's Trace 1.906 23.512 6.000 148.000 .000
terhadap penghasilan dan usia
Roy's Largest Root 1.482 37.552b 3.000 76.000 .000
a. Exact statistic
b. The statistic is an upper bound on F that yields a lower bound on the significance level.
c. Design: Intercept+STATUS

Artinya :
Perubahan status marital tidak menyebabkan terjadinya kenaikan penghasilan
dan penambahan usia
 Jenis- jenis Uji Statistik

Univariat Uji statistik Syarat

Mean berbeda dari nilai
yang dihipotesiskan;
interval One sample t-test Distribusi normal
Proporsi dua kategori
berbeda dari nilai yang Distribusi
dihipotesiskan Binomial test binomial
Proporsi lebih dari dua Bila terdapat
kategori berbeda dari Chi-square lebih dari
nilai yang dihipotesiskan goodness of fit dua kategori
 Jenis- jenis Uji Statistik

Perbandingan dua
kelompok dependen  Ukuran yang digunakan Syarat
Mean dua kelompok
berbeda; interval Paired t-test Distribusi normal

Nilai dua kelompok Wilcoxon signed rank

berbeda; ordinal sum test Nonparametrik

Nilai dua kelompok

berbeda; nominal Wilcoxon signed test Nonparametrik
 Jenis- jenis Uji Statistik
Bivariat*  Ukuran yang digunakan Syarat

Dua variabel nominal/ordinal Chi-square test Nilai minimum per kolom=5

Dua variabel nominal/ordinal;
sampel kecil Fisher's exact test Tabel berukuran 2 x 2

Variabel independen nominal, Distribusi variabel

variabel dependen interval One-way ANOVA dependen normal

Variabel independen nominal,

variabel dependen ordinal Kruskal-Wallis test Nonparametrik
Dua variabel interval Pearson correlation Distribusi normal

Dua variabel interval Simple linear regression Distribusi normal

Dua variabel ordinal Spearman correlation Nonparametrik
* = masih terdapat beberapa jenis
uji kekuatan hubungan yang tidak
dimuat    
Jenis- jenis Uji Statistik

 Ukuran yang
Multivariat digunakan Syarat
Lebih dari satu variabel
independen dan variabel Distribusi normal; lebih dari satu
dependen; interval Multiple regression variabel independen

Variabel independen nominal; Distribusi variabel dependen dan

salah satu variabel independen salah satu variabel independen
dan dependen interval ANCOVA normal

Lebih dari satu variabel

independen interval; variabel Discriminant Distribusi variabel-variabel
dependen nominal analysis independen normal
Variabel independen nominal,
variabel-variabel dependen Distribusi variabel-variabel
interval One-way MANOVA dependen normal
Beberapa variabel interval Factor analysis Distribusi normal
 Terima Kasih
Terima Kasih