MODUL

PRAKTIKUM

STATISTIK

JURUSAN PENDIDIKAN
EKONOMI
FAKULTAS EKONOMI
UNIVERSITAS NEGERI
SURABAYA

OLEH:
RIZA YONISA KURNIAWAN, S.Pd., M.Pd

2 | Page

Bab 1
Pengenalan dan Pembuatan File Data

Dasar Dasar SPSS

SPSS merupakan salah satu sekian banyak software statistika yang telah dikenal luas
dikalangan penggunaannya. Disamping masih banyak lagi software statistika lainnya
seperti Minitab, Syastas, Microstat dan masih banyak lagi. SPSS sebagai sebuah tools
mempunyai banyak kelebihan, terutama untuk aplikasi di bidang ilmu sosial.

SPSS Environment

MENU BAR

TOOL
BAR

DATA VIEW

VARIABLE VIEW

UNIVERSITAS NEGERI SURABAYA 2012

3 | Page

MENU BAR

: Kumpulan perintah perintah dasar untuk meng-operasikan

SPSS.

Menu yang terdapat pada SPSS adalah :

1. FILE
Untuk operasi file dokumen SPSS yang telah dibuat, baik untuk perbaikan pencetakan
dan sebagainya. Ada 5 macam data yang digunakan dalam SPSS, yaitu :
1. Data

: dokumen SPSS berupa data

2. Systax

: dokumen berisi file syntax SPSS

3. Output

: dokumen yang berisi hasil running out SPSS

4. Script

: dokumen yang berisi running out SPSS

5. Database
NEW

: membuat lembar kerja baru SPSS

OPEN

: membuka dokumen SPSS yang telah ada

Secara umum ada 3 macam ekstensi dalam lembar kerja SPSS, yaitu :
1. *.spo

: file data yang dihasilkan pada lembar data editor

2. *.sav

: file text/obyek yang dihasilkan oleh lembar output

3. *.cht

: file obyek gambar/chart yang dihasilkan oleh chart window

Read Text Data : membuka dokumen dari file text (yang berekstensi txt),
yang bisa dimasukkan/dikonversi dalam lembar data SPSS
Save
: menyimpan dokumen/hasil kerja yang telah dibuat.
Save As
: menyimpan ulang dokumen dengan nama/tempat/type
dokumen yang berbeda
Page Setup
: mengatur halaman kerja SPSS
Print
: mencetak hasil output/data/syntaq lembar SPSS
Ada 2 option/pilihan cara mencetak, yaitu :
- All visible output :mencetak lembar kerja secara keseluruhan
- Selection
: mencetak sesuai keinginan yang kita sorot/blok
Print Preview
: melihat contoh hasil cetakan yang nantinya diperoleh
Recently used data: berisi list file data yang pernah dibuka sebelumnya.
Recently used file : berisi list file secara keseluruhan yang pernah dikerjakan
2. EDIT
Untuk melakukan pengeditan pada operasi SPSS baik data, serta pengaturan/option
untuk konfigurasi SPSS secara keseluruhan.
Undo
Redo
Cut

: pembatalan perintah yang dilakukan sebelumnya

: perintah pembatalan perintah redo yang dilakukan
sebelumnya
: penghapusan sebual sel/text/obyek, bisa dicopy untuk
keperluan tertentu dengan perintah dari menu paste

UNIVERSITAS NEGERI SURABAYA 2012

4 | Page

Paste
Paste after
Paste spesial
Clear
Find
Options

: mempilkan sebua sel/text/obyek hasil dari perintah copy

atau cut
: mengulangi perintah paste sebelumya
: perintah paste spesial, yaitu bisa konvesri ke gambar,
word, dll
: menghapusan sebuah sel/text/obyek
: mencari suatu text
: mengatur konfigurasi tampilan lembar SPSS secara umum

3. VIEW
Untuk pengaturan tambilan di layar kerja SPSS, serta mengetahu proses-prose yang
sedang terjadi pada operasi SPSS.
Status Bar
Toolbar
Fonts
- Outline size
- Outline font
Gridlines
Value labels

: mengetahui proses yang sedang berlangsung

: mengatur tampilan toolbar
: untuk mengatur jenis, ukuran font pada data editor
SPSS
: ukuran font lembar output SPSS
: jenis font lembar output SPSS
: mengatur garis sel pada editor SPSS
: mengatur tampilan pada editor untuk mengetahui value
label

4. DATA
Menu data digunakan untuk melakukan pemrosesan data.
Define Dates
: mendefinisikan sebuah waktu untuk variable yang
meliputi jam, tanggal, tahun, dan sebagainya
Insert Variable
: menyisipkan kolom variable
Insert case
: menyisipkan baris
Go to case
: memindahkan cursor pada baris tertentu
Sort case
: mengurutkan nilai dari suatu kolom variable
Transpose
: operasi transpose pada sebuah kolom variable menjadi
baris
Merge files
: menggabungkan beberapa file dokumen SPSS, yang
dilakukan dengan penggabungan kolom-kolom
variablenya
Split file
: memecahkan file berdasarkan kolom variablenya
Select case
: mengatur sebuah variable berdasarkan sebuah
persyaratan tertentu
5. TRANSFORM
Menu transform dipergunakan untuk melakukan perubahan-perubahan atau
penambahan data.
Compute

: operasi aritmatika dan logika untuk

Count

: untuk mengetahui jumlah sebuah ukuran data tertentu

pada suatu baris tertentu

Recode

: untuk mengganti nilai pada kolom variable tertentu,

sifatnya menggantikan (into same variable) atau
merubah (into different variable) pada variable baru

UNIVERSITAS NEGERI SURABAYA 2012

5 | Page

Categorize variable : merubah angka rasional menjadi diskrit

Rank case

: mengurutkan nilai data sebuah variabel

6. ANALYSE
Menu analyse digunakan untuk melakukan analisis data yang telah kita masukkan
ke dalam komputer. Menu ini merupakan menu yang terpenting karena semua
pemrosesan dan analisis data dilakukan dengan menggunakan menu correlate,
compare mens, regresion.
7. GRAPH
Menu graph digunakan untuk membuat grafik, diantaranya ialah bar, line, pie, dll
8. UTILITIES
Menu utilities dipergunakan untuk mengetahui informasi variabel, informasi file,
dll
9. AD-ONS
Menu ad-ons digunakan untuk memberikan perintah kepada SPSS jika ingin
menggunakan aplikasi tambahan, misalnya menggunakan alikasi Amos, SPSS data
entry, text analysis, dsb
10. WINDOWS
Menu windows digunakan untuk melakukan perpindahan (switch) dari satu file ke
file lainnya
11. HELP
Menu help digunakan untuk membantu pengguna dalam memahami perintahperintah SPSS jika menemui kesulitan
TOOL BAR

: Kumpulan perintah perintah yang sering digunakan dalam

bentuk gambar.

POINTER

: Kursor yang menunjukkan posisi cell yang sedang aktif /

dipilih.

Percobaan
Menu File merupakan menu pertama dari Data Editor yang dibuka oleh para pengguna
SPSS. Dimana Data Editor pada SPSS mempunyai dua bagian utama :
1. Kolom, dengan ciri adanya kata var dalam setiap kolomnya. Kolom dalam SPSS akan
diisi oleh variabel.
2. Baris, dengan ciri adanya angka 1, 2, 3 dan seterusnya. Baris dalam SPSS akan diisi
oleh data.
Kasus : Berikut ini data barang di gudang 10 barang diambil secara acak (angka
dalam rupiah)

UNIVERSITAS NEGERI SURABAYA 2012

6 | Page

1.
2.
3.
4.
5.
6.
7.
8.
9.
10.

Barang
Buku Tulis
Tas Punggung
Dompet
Jam Tangan
Spidol
Kertas File
Gunting
Tempat CD
Pensil Zebra
Penggaris

Harga Pokok/Unit
3000
80000
45000
70000
7000
30000
70000
45000
17000
5000

Stock Di Gudang
5240
40000
22000
2500
7800
25000
7800
5200
22000
10500

Langkah-langkah Input Data :

1.

Membuat Variabel

Klik variabel view pada pojok kiri bawah, kemudian isikan :

Nama Variabel beserta keterangan yang diinginkan tentang variable tersebut.
Misal : Barang, Harga, Stock
Hal yang perlu diperhatikan saat mengisi nama variabel adalah :
- Nama variabel harus diawali denngan huruf dan tidak boleh diakhiri dengan tanda
titik.
- Panjang maksimal 8 karakter.
- Tidak boleh ada yang sama, dengan tidak membedakan huruf kecil atau besar.
Type, Width dan Decimal Variabel
- Default dari tipe setiap variabel baru adalah numeric, lebar 8 karakter sesuai
dengan desimal sebanyak 2 digit.
- Untuk mengubah tipe variabel dilakukan dengan cara mengklik tombol pilihan
pada kolom Type.
- Ada 8 tipe variable, yaitu :
a. Numeric

: angka, tanda (+) atau (-) didepan angka, indicator desimal

b. Comma

: angka, tanda (+) atau (-) didepan angka, indicator desimal,

tanda koma sebagai pemisah bilangan ribuan

c. Dot

: angka, tanda (+) atau (-) didepan angka, indicator desimal,

tanda titik sebagai pemisah bilangan ribuan

d. Scientific notation : sama dengan tipe numeric, tetapi menggunakan symbol

E untuk kelipatan 10 (misal 120000 = 1.20E+5)
e. Date

: menampilkan data format tanggal atau waktu

f. Dollar

: memberi tanda dollar ($), tanda koma sebagai pemisah

bilangan ribuan dan tanda titik sebagai desimal

g. Custom currency
f. String

: untuk format mata uang

: biasanya huruf atau karakter lainnya

UNIVERSITAS NEGERI SURABAYA 2012

7 | Page

2.

Mengisi Data
Memasukkan data pada Data Editor dilakukan dengan cara mengetik data yang akan
dianalisa pada sel-sel (case) dibawah judul (heading) kolom nama variabel.

3.

Menyimpan Data
Setelah data dimasukkan, maka data perlu disimpan untuk kepeluan analisa
selanjutnya. Langkah penyimpanan data adalah sebagai berikut :
Klik Menu File Save Data (Pilih folder penyimpanan), ketik Nama File
Klik OK.

Latihan
Berikut ini adalah data 15 Responden pria dan wanita sanggar tari PRIMA yang diambil
secara acak :
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.

Nama
Adelia
Erick
Anggoro
Amelia
Lidya
Liana
Cicil
Andre
Agus
Lana
Mely
Diana
Oon
Dodi
Agung

Tinggi
165
170
171
166
165
167
166
173
175
174
163
164
170
171
172

UNIVERSITAS NEGERI SURABAYA 2012

Berat
45
60
65
50
46
49
44
70
71
73
65
67
75
74
70

Gender
Wanita
Pria
Pria
Wanita
Wanita
Pria
Wanita
Pria
Pria
Pria
Wanita
Wanita
Pria
Pria
Pria

8 | Page

Bab 2
Ukuran Data Menggunakan Analisa Frekuensi

Teori Ukuran Data

Statistik deskripsi lebih berhubungan dengan pengumpulan data dan peringkasan

data , serta penyajian hasil peringkasan tersebut. Data-data statistik yang bisa
diperoleh dari hasil sensus, servei atau pengamatan lainnya, umumnya masih acak,
mentah dan tidak terorganisir dengan baik (raw data). Data-data tersebut harus
diringkas dengan baik dan teratur, baik dalam bentuk tabel datau presentasi grafis,
sebagai dasar untuk berbagai pengambilan keputussan (Statistik Inferensi).
Penyajian tabel grafik yang digunakan dalam statistik deskripsi seperti :
1.
2.

Distribusi Frekuensi.
Presentasi grafis seperti Histogram, Pie chart dan lainnya.

Untuk mendapatkan gambaran yang lebih jelas tentang data, selain dengan tabel dan
diagram, masih diperlukan ukuran-ukuran lain yang merupakan wakil dari data
tersebut. Ukuran yang dimaksudkan dapat berupa :
Ukuran Pemusatan (Rata-Rata Hitung atau Mean, Median dan Modus)
Ukuran Letak (Quartil dan Persentil)
Ukuran Penyimpangan/Penyebaran (Range, Ragam, Simpangan Baku dan
Galat Baku)
Skewness adalah tingkat kemiringan
Kurtosis adalah tingkat keruncingan
Untuk menganalisa ukuran pemusatan, ukuran letak dan ukuran penyimpangan (ketika
ukuran termasuk ke dalam statistika deskripsi), dapat dilakukan dengan prosedur.
a.

Analyse

b.

Analyse

Descriptive Statistics

Description

c.

Analyse

Descriptive Statistics

Explore

Descriptive Statistics

Frequencies

Menggunakan Analisa Frequencies

PROSEDUR : Analyse
Klik menu Analyse

Descriptive Statistics
Descriptive Statistics

Frequencies
Frequencies

Sorot variabel yang akan dianalisa lalu pindahkan ke kotak variabel dengan cara
mengklik tanda
Klik Statistics, berilah tanda pada semua check box Percetile Values
(Keterangan : untuk menentukan nilai Percentile 10,25 dan seterusnya, dilakukan
dengan cara memberi tanda pada check box percentile)
Klik chart, pilih Histogram jika ingin menampilkan
UNIVERSITAS NEGERI SURABAYA 2012

9 | Page

Klik format, beri tanda pada ascending value pada pilihan order by untuk
mengurutkan data dari nilai terkecil terbesar.
Klik OK.
Percobaan
Data nilai UTS Statistik dari 15 anak kelas A yaitu :
Nama
1.
2.
3.
4.
5.
6.
7.
8.
9.
10. 10
11
12
13
14
15

Mimi
Melisa
Yolin
Nina
Parto
Jerry
Tom-Tom
Yusron
Ableh
Stefanus
Chandra
Roy
Ardian
Nita
Mawan

UNIVERSITAS NEGERI SURABAYA 2012

Nilai UTS
90
60
65
55
70
71
72
80
76
56
59
77
85
89
90

10 | P a g e

Latihan
Mentaricell dalam 20 minggu melakukan penjualan dengan data sebagai berikut
Minggu
Penjualan Handphone
Tayangan Iklan
1
118
12
2
180
13
3
186
14
4
132
16
5
178
19
6
156
22
7
148
23
8
196
24
9
188
29
10
152
36
11
123
14
12
147
17
13
155
69
14
178
40
15
165
12
16
187
11
17
136
10
18
195
7
19
222
8
20
546
9
Cari : N, Mean, Std. Eror, Median, Standart Deviasi, Skewness, Kurtosis, Data
Minimum, Data Maksimum, Range, Percentile.

UNIVERSITAS NEGERI SURABAYA 2012

11 | P a g e

BAB 3
ANALISA DESKRIPSI
Teori
Analisa Deskripsi

PROSEDUR : Analyse

Descriptive Statistics

Klik Analyse

Klik Options, tandai pada semua check box ukuran data yang ingin
dianalisis. Klik continue.
Klik OK

Descriptive Statistics

Description

Description

Percobaan
Data barang penjualan Koperasi Mahasiswa :
............................................................................................................
Barang
Harga
1.

Bolpoint

3500

2.

Kertas File

30000

3.

CD Blank

5000

4.

Buku Tulis

5000

5.

Majalah Komputex

35000

6.

Tempat HP

40000

7.

Tempat Pensil

20000

8.

Bingkai Foto

45000

9.

Jepit Rambut

7000

10

Penggaris

5000

UNIVERSITAS NEGERI SURABAYA 2012

12 | P a g e

Latihan
Data dari hasil penelitian kemasan pasta gigi diambil sample sebagai berikut :
Responden
1
2
3
4
5
6
7
8
9
10

Merk
Pepsodent
Ciptadent
Sensodyne
Kodomo
Close Up
Listerin
Switsal
Pepsodent Herbal
Ritadent
Close Up Whitening

UNIVERSITAS NEGERI SURABAYA 2012

Nilai Desain
Kemasan
10
75
86
10
10
91
10
86
70
80

Minat Beli
100
80
94
88
90
96
95
75
60
86

13 | P a g e

Bab 4
Pengujian Rata-Rata Satu Sampel
Teori

Pengertian

Hipotesis dapat diartikan sebagai dugaan mengenai suatu hal, atau hipotesis
merupakan jawaban sementara suatu masalah, atau juga hipotesis dapat diartikan sebagai
kesimpulan sementara tentang hubungan suatu variabel dengan satu atau lebih variabel
yang lain. Namun menurut Prof. Dr. S. Nasution definisi hipotesis adalah pernyataan
tentatif yang merupakan dugaan mengenai apa saja yang sedang kita amati dalam usaha
untuk memahaminya.

Fungsi
Untuk menguji kebenaran suatu teori
Memberikan gagasan baru untuk mengembangkan suatu teori.
Memperluas pengetahuan peneliti mengenai suatu gejala yang sedang dipelajari.

Pengujian hipotesis
Hipotesis yang baik selalu memenuhi dua pernyataan, yaitu :
Menggambarkan hubungan antar variabel.
Dapat memberikan petunjuk bagaimana pengujian hubungan tersebut.

Oleh karena itu hipotesis perlu dirumuskan terlebih dahulu sebelum dilakukan
pengumpulan data. Hipotesis ini disebut Hipotesis Alternatif (Ha) atau Hipotesis kerja
(Hk) atau H . Hipotesis kerja atau H merupakan kesimpulan sementara dan hubungan
antar variabel yang sudah dipelajari dari teori-teori yang berhubungan dengan masalah
tersebut. Untuk pengujian H perlu ada pembanding yaitu Hipotesis Nol (Ho). Ho
disebut juga sebagai Hipotesis Statistik, karena digunakan sebagai dasar pengujian.
Langkah atau prosedur untuk menentukan apakah menerima atau menolak Hipotesis
Statistik (Ho) disebut Pengujian Hipotesis. Oleh karena itu dalam pengujian Hipotesis,
penarikan kesimpulan mengenai populasi didasarkan pada informasi sampel bukan
populasi itu sendiri, maka kesimpulannya dapat saja keliru. Dalam Pengujian Hipotesis
terdapat dua kekeliruan atau galat, yaitu :
Kesimpulan

Keadaan sebenarnya Ho
Ho benar

Terima Ho

tepat

Tolak Ho

galat jenis I ()

Ho salah
galat jenis II ()
tepat

Penarikan kesimpulan dinyatakan tepat apabila kita menerima Ho, karena memang
Ho benar, atau menolah Ho, karena memang Ho salah. Apabila kita menyimpulkan
menolak Ho padahal Ho benar, maka kita telah melakukan kekeliruan yang disebut
kekeliruan atau galat jenis I (). Begitu pula sebaliknya jika kita menyimpulkan untuk
menerima Ho padahal Ho salah, maka kita telah melakukan kekeliruan yang disebut
kekeliruan atau galat jenis II ().
UNIVERSITAS NEGERI SURABAYA 2012

14 | P a g e

Jika nilai diperkecil, maka akan menjadi besar. Nilai biasanya ditetapkan
sebesar 0,05 atau 0,01. Jika = 0,05, artinya 5 dari setiap 100 kesimpulan kita akan
menolak Ho, yang seharusnya diterima. Harga (1- ) disebut Kuasa Uji atau Kekuatan
Uji.
Teknik dalam pengujian hipotesis dilakukan berdasarkan :
a. Pengujian Satu Pihak
Ho : = o
H : > o
H : < o
b. Pengujian Dua Pihak
Ho : = o
H : # o

Pengujian rata-rata satu sampel

Pengujian rata-rata satu sampel dimaksudkan untuk menguji nilai tengah atau
rata-rata populasi sama dengan nilai tertentu o, lawan hipotesis alternatifnya bahwa
nilai tengah atau rata-rata populasi tidak sama dengan o. Jadi kita akan menguji :
Ho : = o

lawan

H : # o

Ho merupakan hipotesa awal.

Percobaan
Seorang mahasiswa melakuan penelitian mengenai galon susu murni yang rata-rata
isinya 10 liter. Telah diambil sampel secara acak dari 10 botol yang telah diukur isinya,
dengan hasil sebagai berikut : 10,2 ; 9,7 ; 10,1 ; 10,3 ; 10,1 ; 9,8 ; 9,9 ; 10,4 ; 10,3 ; 9,8.
Dengan = 0,01
Analisa secara manual :
1. Hipotesis Ho : = 10 lawan H : # 10
2. Uji statistik t (karena tidak diketahui atau n < 30).
3. = 0.01
4. Wilayah kritik : t < t /2(n-1)

atau

t > t /2(n-1).

5. Perhitungan, dari data : rata-rata x = 10.06 dan simpangan baku sampel s = 0.2459.
x-
t=

= 0,772
s/n

Karena t = 0,772 terletak diantara -3,250 dan 3,250 disimpulkan

untuk menerima Ho , artinya pernyataan bahwa rata-rata isi galon
susu murni 10 liter dapat diterima.
Analisa menggunakan SPSS :
UNIVERSITAS NEGERI SURABAYA 2012

15 | P a g e

1. Masukkan data diatas pada Data View, namun sebelumnya kita harus
menentukan nama dan tipe datanya pada Variable View.
2. klik Menu Analyze

Compare Means

One Sample T-Test.

3. Sehingga menghasilkan hasil analisa sebagai berikut :

Keterangan hasil analisa :

Std error

= Standar Error

= nilai hitung

Df

= derajat kebebasan

Sig (2-tailed)

= probabilitas (/2)

Mean difference = perbandingan rata-rata

Ho diterima apabila

sig > (/2), Ho ditolak apabila sig < (/2),

UNIVERSITAS NEGERI SURABAYA 2012

16 | P a g e

Latihan
Seorang pengusaha berpendapat bahwa rata-rata penjualan perhari karyawankaryawannya adalah sebesar Rp. 1.020,00 dengan alternatif tidak sama dengan itu. Untuk
maksud pengujian pendapatnya, pengusaha tersebut melakukan wawancara terhadap 20
orang karyawannya yang dipilih secara acak. Dengan menggunakan = 0,05. ujilah
pendapat tersebut dan berikan analisa anda. Hasil wawancaranya adalah sebagai berikut.
Nama
aan
andi
beril
bona
cici
dimas
erik
gogon
Hari
heru
ila
osin
mima
neni
sila
Siqi
Tata
Tita
Wina
zula

Penjualan (Rp.)
1000
980
880
970
850
750
770
920
870
900
930
1080
1200
1040
1040
850
950
1100
1110
990

Tuliskan hasil analisanya dibawah ini, dan apakah Ho diterima?

UNIVERSITAS NEGERI SURABAYA 2012

17 | P a g e

BAB 5
Pengujian Rata-Rata Dua Sampel
.
Teori
Untuk pengujian rata-rata dua sampel terdapat 2 jenis data :
1. Dua Sampel Berpasangan.
Artinya kedua sampel bersifat mutually exclusive (saling asing) dan
banyaknya pengamatan (ulangan) sama pada masing-masing sampel.
2. Sampel Bebas / Independen.
Pada pengujian rata-rata dua sampel berpasangan, banyaknya nilai
pengamatan harus sama (n1=n2), sedangkan pada dua sampel yang bebas
banyaknya pengamatan tidak harus sama.

Percobaan
1.
Langkah penyelesaiannya adalah sebagai berikut :
1. Masukkan data diatas pada Data View, namun sebelumnya kita harus
nenentukan nama dan tipe datanya pada Variable View.
2. Klik Analyze

Compare Means

Maka akan muncul tampilan sebagai berikut :

Keimpulan H0 diterima karena p-value / 2 > 0,05

UNIVERSITAS NEGERI SURABAYA 2012

Paired Samples T-Test

18 | P a g e

2. misal kita akan menguji sampel pada taraf nyata = 0.05 bahwa masa putar
roda pada sepeda 1 berbeda dengan sepeda 2. Data masa putar roda (menit)
kedua sepeda tersebut adalah :

sepeda 1
sepeda 2

55
65

Masa Putar (menit)

58
55
52
59
59
60
64
62

65

58

Langkah penyelesaiannya adalah sebagai berikut :

1. Masukkan data diatas pada Data View, namun sebelumnya kita harus
nenentukan nama dan tipe datanya pada Variable View.
2. Klik Analyze

Compare Means

Independent Samples T-Test

Maka akan muncul hasil analisa, tulis dibawah ini !

Latihan
Seorang guru berpendapat bahwa tidak ada perbedaan nilai rata-rata murid
kelas A dan murid kelas B, namun dengan alternatif ada perbedaan. Untuk
menguji pendapat tersebut, kemudian dilakukan penelitian berdasarkan penarikan
sampel secara acak dimana ada 8 murid kelas A dan 6 murid kelas B. Ternyata
hasil penelitian nilai siswa adalah sebagai berikut :
Kelas A

: 7,5 ; 8,5 ; 7 ; 7,3 ; 8 ; 7,7 ; 8,4 ; 8,5

Kelas B

: 7 ; 6,7 ; 7,3 ; 7,5 ; 6,6

Dengan menggunakan = 5%, uji pendapat tersebut.

UNIVERSITAS NEGERI SURABAYA 2012

19 | P a g e

Bab 6
ANALISA DATA KATEGORIK

Dalam bab ini kita akan membahas analisis data kategorik (analysis of categorical data)
menggunakan uji khi kuadrat (chi-square test), yaitu uji khi kuadrat untuk satu variabel
kategorik ( one categorical variable) yang disebut uji kebaikan suai khi kuadrat ( chisquare goodness-of-fit test) dan uji khi kuadrat untuk dua variabel kategorik ( two
categorical variable) yang disebut uji khi kuadrat untuk kebebasan (chi square test for
independence).

dalam pengujian hipotesis, kriteria untuk menolak atau tidak menolak H 0

berdasarkan p-value adalah sebagai berikut:
Jika P-value < , maka H0 ditolak
Jika P-value > , maka H0 tidak dapat ditolak.
dalam program SPSS digunakan istilah significance (yang disingkat Sig) untuk Pvalue; dengan kata lain P-value = Sig.

uji kebaikan suai khi kuadrat ( 2)

digunakan untuk menguji apakah frekuensi data yang diamati dari suatu variable kategorik
sesuai dengan frekuensi harapan (expected frequencies).
Hipotesis untuk uji kebaikan suai khi kuadrat selalu berbentuk uji hipotesis dua sisi (twosided atau two-tailed test) dengan hipotesis:
H0 : i = i0
H1 : tidak semua i = i0
Dimana :
.i = 1, 2. 3 k
k = banyaknya kategori
i0 = probalitas atau proporsi atau frekuensi acuan.

Uji kebaikan suai dengan frekuensi harapan sama.

Sebagai contoh uji kebaikan suai khi kuadrat untuk model dengan frekuensi harapan sama
( equal expected frequencies ) akan digunakan data sebagai berikut :
Sebuah perusahaan pasta gigi ingin memasarkan pasta gigi dengan rasa : strawberry,
vanilla, coklat, jeruk, dan nanas. Perusahaan tersebut ingin mengetahui apakah konsumen
memiliki preferensi tertentu terhadap kelima rasa pasta gigi tersebut. Perusahaan
melakukan suatu survey dengan membagikan kemasan kecil dari setiap rasa pasta gigi
kepada 200 konsumen. Data preferensi dari 200 konsumen terhadap kelima rasa pasta gigi
tersebut adalah sebagai berikut :

UNIVERSITAS NEGERI SURABAYA 2012

20 | P a g e

Rasa pasta gigi

Frekuensi
tersebut

Strawberry

32

Vanilla

30

Coklat

28

Jeruk

58

Nanas

52

total

200

konsumen

yang

memilih

rasa

Apakah ada preferesi tertentu konsumen terhadap kelima rasa pasta gigi tersebut ?
( gunakan = 0,01 ).
Penyelesaiannya :
Ada 5 kategori untuk variable kategorik rasa pasta gigi, k= 5.
Frekuensi harapan =

= 40.

Bentuk hipotesis :
H0 : preferensi terhadap kelima rasa pasta gigi sama.
H1 : preferensi terhadap kelima rasa pasta gigi tidak sama.
Atau
H0 : strawberry = vanila = coklat = jeruk = nanas = 40
H1 : tidak semua strawberry = vanila = coklat = jeruk = nanas sama dengan 40.

Prosedur dengan SPSS

1. pada lembar variable view kita definisikan variabel rasa pasta gigi dengan nama rasa
( dengan data value 1= strawberry ; 2=vanila; 3=coklat; 4=jeruk; 5=nanas) dan
variabel frekuensi dengan nama frekuensi.

2.

pada lembar data view, masukkan data rasa dan frekuensi :

UNIVERSITAS NEGERI SURABAYA 2012

21 | P a g e

3.

klik data lalu pilih weight cases.

4. pilih option weight cases by. Masukkan variabel frekuensi. Lalu klik ok.
5.

lalu klik analyze pilih nonparametric Test, Chi-Square. Pindahkan variabel rasa
pasta gigi [rasa] ke dalam box test variable(s). klik option. Pilih descriptive lalu
klik continue.

6.

kemudian klik ok maka akan di dapat hasil analisi chi-square goodness-of-fit test
sebagai berikut :
Descriptive Statistics

rasa
gigi

pasta

Mean

Std.
Deviation

Minimu
m

Maximu
m

200

3.34

1.419

UNIVERSITAS NEGERI SURABAYA 2012

22 | P a g e

Chi-Square Test
Frequencies
rasa pasta gigi
Observed
N

Expected
N

Residual

strawberr
32
y

40.0

-8.0

vanila

30

40.0

-10.0

coklat

28

40.0

-12.0

jeruk

58

40.0

18.0

nanas

52

40.0

12.0

Total

200
Test Statistics

rasa pasta gigi

Chi-Square(a)

19.400

df

Asymp. Sig.

.001

a 0 cells (.0%) have expected frequencies less than 5. The minimum expected cell
frequency is 40.0.

interpretasi hasil
untuk chi-square goodness-of-fit test, SPSS memberikan hasil 2 = 19.4 dengan derajat
kebebasan = k-1 =5-1 =4 dan P-value = 0.001. karena P-value=0.001 lebih kecil dari
=0.01, maka H0 : strawberry = vanila = coklat = jeruk = nanas = 40 di tolak.
Kesimpulan preferensi konsumen terhadap kelima rasa pasta gigi tidak sama.

Uji kebaikan suai dengan frekuensi harapan tak sama.

Contoh kasus utuk model ini adalah sebagai berikut :
Pabrik permen coklat kacang M&M menyatakan dalam setiap kantong permen coklat
kacang kemasan 500 gram terdapat 30% permen warna coklat, 20% permen warna hijau,
20% warna merah, 20% warna kuning, dan 10% warna biru. Seorang naka membeli 1
kemasan permen tersebut dan di dalamnya terdapat 188 permen dengan rincian warna
sebagai berikut ; 67 warna coklat, 24 warna hijau, 51 warna merah, 22 warna kuning, dan
UNIVERSITAS NEGERI SURABAYA 2012

23 | P a g e

24 warna biru. Gunakan taraf signifikan =0.01, untuk menguji apakah distribusi warna
permen sesuai dengan pernyataan pabrik.
Penyelesaianya:
Bentuk hipotesis :
H0 : coklat =56,4; hijau = 37,6; merah =37,6; kuning =37,6; biru = 18,8.
H1 :Distribusi warna permen coklat kacang tidak sesuai dengan coklat =56,4; hijau =
37,6; merah =37,6; kuning =37,6; biru = 18,8.
Dimana :
coklat =30% x 188= 56,4.

kuning =20% x 188= 37,6.

hijau = 20% x 188= 37,6.

biru = 10% x 188= 18,8.

merah =20% x 188= 37,6.

Prosedur dengan SPSS
1. pada lembar variable view kita definisikan variabel warna permen coklat dengan
nama warna ( dengan data value 1=coklat ; 2=hijau; 3=merah; 4=kuning;
5=biru) dan variabel frekuensi dengan nama frekuensi.

2.

pada lembar data view, masukkan data rasa dan frekuensi :

3.

klik data lalu pilih weight cases.

UNIVERSITAS NEGERI SURABAYA 2012

24 | P a g e

4. pilih option weight cases by. Masukkan variabel frekuensi. Lalu klik ok.
5.

lalu klik analyze pilih nonparametric Test, Chi-Square. Pindahkan variabel warna
permen [warna] ke dalam box test variable(s). pada Expected value. Pilih values
masukkan ke lima frekuensi harapan lalu klik add.

6.

klik menu option. Pilih descriptive lalu klik continue. Lalu klik ok

7.

maka akan di dapat hasil analisis chi-square goodness-of-fit test sebagai berikut :
Descriptive Statistics

warna
permen

Mean

Std.
Deviation

Minimu
m

Maximu
m

188

2.53

1.404

Chi-Square Test
Frequencies
warna permen
Observed
N

Expected
N

Residual

coklat

67

56.4

10.6

hijau

24

37.6

-13.6

merah 51

37.6

13.4

kunin
g

22

37.6

-15.6

biru

24

18.8

5.2

Total

188

UNIVERSITAS NEGERI SURABAYA 2012

25 | P a g e

Test Statistics
warna permen
Chi-Square(a)

19.598

df

Asymp. Sig.

.001

a 0 cells (.0%) have expected frequencies less than 5. The minimum expected cell
frequency is 18.8.
interprestasi hasil
. karena P-value=0.001 lebih kecil dari =0.01, maka H 0 : coklat =56,4; hijau = 37,6; merah
=37,6; kuning =37,6; biru = 18,8. Ditolak
Kesimpulan distribusi warna permen coklat kacang tidak sesuai dengan pernyataan
pabrik.

Uji khi kuadrat ( 2) untuk kebebasan

Uji khi kuadrat ( 2) untuk kebebasan ( chi-square ( 2) test for independence ) atau disebut
juga contingency-table analysis digunakan untuk menguji apakah dua variabel kategorik
bersifat independen atau dependen.
Sebagai contoh kasusnya sebagai berikut :
Seorang penegak hukum mengklasifikasi tindakan kriminal menjadi dua tipe: dengan
kekerasan atau tanpa kekerasan. Suatu investigasi dilakukan untuk mempelajari tipe
tindak kriminal tergantung pada usia pelaku tindak kriminal tersebut. Suatu sampel acak
dari 100 pelaku tindak kriminal diambil dari data kepolisian. Data ini di tabulasi-silangkan
sebagai berikut :
Kelompok usia ( dalam tahun)
Tipe tindak kriminal

Dibawah 25

25-49

50 keatas

Dengan kekerasan

15

30

10

Tanpa kekerasan

30

10

Apakah data tersebut menunjukkan bahwa tipe tindak kriminal tergantung pada usia
pelaku? gunakan =0.05.
penyelesaiannya
hipotesis:
H0 : tipe tindak kriminal tidak tegantung pada usia pelaku.
UNIVERSITAS NEGERI SURABAYA 2012

26 | P a g e

H1 : tipe tindak kriminal tergantung pada usia pelaku.

Prosedure dengan SPSS

1. pada lembar variable view kita definisikan variabel tipe tindak kriminal dengan
nama kriminal ( dengan data value 1=dengan kekerasan ; 2=tanpa kekerasan),
variabel kelompok usia dengan nama usia ( dengan data value 1= dibawah 25;
2=25-49; 3=50 keatas) dan variabel frekuesi dengan nama frekuensi.

2.

kemudian pada lembar data view kita masukkan data sebagai berikut :
a. untuk tipe tindak kriminal 1 = dengan kekerasan dan usia 1 = dibawah 25
dengan frekuensi data 15.
b. untuk tipe tindak kriminal 1 = dengan kekerasan dan usia 2 = 25-49 dengan
frekuensi data 30.
dan seterusnya

3.

klik data lalu pilih weight cases.

4.

kemudian klik analyze, descriptive statistics, dan pilih crosstabs.

5.

pindahkan variabel tipe tindak kriminal [kriminal] ke box row(s) dan variabel
kelompok usia[usia] ke dalam box column(s).

UNIVERSITAS NEGERI SURABAYA 2012

27 | P a g e

6.

klik cells, pada pilihan counts pilih observed dan expected, lalu klik continue.

7.

kemudian klik statistics, lalu continue

8.

kemudian klik ok, maka akan didapat hasil sebagai berikut :

Case Processing Summary

Cases
Valid
N
tipe
tindak
kriminal
* 100
kelompok usia

Missing

Total

Percen
t
N

Percen
t
N

Percent

100.0
%

.0%

100.0%

100

tipe tindak kriminal * kelompok usia Crosstabulation

kelompok usia
UNIVERSITAS NEGERI SURABAYA 2012

28 | P a g e

tanpa
kekerasn

Count

Total

30

10

45

Expected
Count

9.0

27.0

9.0

45.
0

Count

20

60

20

100

Expected
Count

20.0

60.0

20.0

100
.0

Chi-Square Tests

Value

df

Asymp.
Sig.
(2sided)

4.040(a)

.133

Likelihood Ratio

4.231

.121

Linear-by-Linear
Association

2.500

114

Pearson
Square

Chi-

N of Valid Cases

100

a 0 cells (.0%) have expected count less than 5. The minimum expected count is 9.00.
interpretasi hasil
. untuk chi-square test for independence, SPSS memberikan hasil 2 = 4,040 dengan derajat
kebebasan
= (r-1)(c-1)=(2-1)(3-1)=2 dan P-value=0,133. Karena P-value=0,133 lebih besar dari
=0.05, maka
H0 : tipe tindak kriminal tidak tergantung pada kelompok usia pelaku tidak dapat
ditolak.
Kesimpulan tipe tindak kriminal tidak tergantung pada kelompok usia pelaku.
Rumus chi-square test
Rumus untuk uji kebaikan suai (goodness-of-fit test) adalah sebagai berikut :
UNIVERSITAS NEGERI SURABAYA 2012

29 | P a g e

Dengan derajat kebebasan =(k-1).

Dimana :
Oi = adalah frekuensi data yang diamati ( observed frequencies).
ei = adalah frekuensi harapan ( expected frequencies)
k = banyaknya kategori.
Rumus untuk uji khi-kuadrat untuk kebebasan ( chi-square test for independence)

Derajat kebebasan =( r-1)(c-1)

Dimana :
adalah frekuensi data yang di observasi pada baris ke: adalah frekuensi harapan pada baris ke-

kolom ke-

kolom ke-

: jumlah frekuensi pada baris baris ke: jumlah frekuensi pada baris kolom ke: jumlah total frekuensi
r

: adalah jumlah baris (row)

c : adalah jumlah kolom (column)

BAB 7
ANALISA RAGAM SATU ARAH

Analisa ragam satu arah ( oneway ANOVA) digunakan untuk membandingkan mean lebih
dari satu.
UNIVERSITAS NEGERI SURABAYA 2012

30 | P a g e

Bentuk hipotesisnya adalah sebagai berikut :

H0 : 1 = 2 = 3 = = k
H1 : minimal ada dua mean popuasi yang tidak sama.
Sebagai contoh kasus oneway ANOVA adalah sebagi berikut :
Seorang manajer yang melakukan supervisi terhadap 3 production line tertarik akan kinerja
ketiga production line tersebut. Selama 6 minggu, manajer itu mengumpulkan data jumlah
produk yang cacat per 1000 unit yang produksi. Dua dari production line itu harus tutup
selama 2 minggu karena harus perbaikan peralatan. Data yang di dapat manajer adalah
sebagai berikut :
Production line 1

Production line 2

Production line 3

4.1

2.5

2.6

3.9

2.4

2.2

41

3.0

2.2

3.5

1.5

2.5
1.2
1.2

Apakah ketiga production line tersebut menghasilkan produk dengan kualitas yang sama ?
gunakan = 0,01.

Penyelesaiannya
1. pada lembar variable view kita definisikan variabel production line dengan nama
variabel line dan di beri label production line seta value 1 = production line 1; 2 =
production line 2;3 =production line 3. Untuk variabel jumlah produk yang cacat
gunakan nama cacat dan diberi label jumlah produk cacat.
2.

kemudian pada lembar data view kita masukkan data line dan cacat sebagai berikut

3.

kemudian klik analyze, compare means. Lalu pilih one-way ANOVA.

UNIVERSITAS NEGERI SURABAYA 2012

31 | P a g e

4.

pindahkan variabel jumlah produk cacat [cacat] ke dependen list. Dan variabel
production line ke factor.

5.

untuk menghitung post Hoc Multiple Comparison dengan asumsi ketiga sample
production line memiliki ragam ( variance ) yang sama, klik tombol berjudul Post
Hoc. Pilih Bonferroni dan Scheffe lalu continue.

6.

kemudian klik option pilih homogeneity of variance test untuk menguji asumsi
apakah ketiga sampel production line berasal dari populasi yang mempunyai ragam (
variance ) sama. Lalu klik continue.

7.

kemudian klik ok, maka akan di dapat hasil:

Test of Homogeneity of Variances

Jumlah produk cacat

Levene
Statistic

df1

df2

UNIVERSITAS NEGERI SURABAYA 2012

Sig.

32 | P a g e

1.613

11

.243

ANOVA
jumlah produk cacat
Sum of
Mean
Squares df
Square
Between
9.274
Groups
Within Groups 3.378
Total
12.652

4.637

11
13

.307

Sig.

15.098

.001

Homogeneous Subsets
jumlah produk cacat
production line
Scheffe
(a,b)

N
1

production line 3 6
production line 2 4
production line 1 4
Sig.

Subset for alpha = .05

2
1
1.983
2.350
.624

3.900
1.000

Means for groups in homogeneous subsets are displayed.

a Uses Harmonic Mean Sample Size = 4.500.
b The group sizes are unequal. The harmonic mean of the group sizes is used. Type
I error levels are not guaranteed.

Interpretasi hasil

Dari test of homogeneity of variance di dapat nilai P-value = 0,243 yang lebih besar
dari = 0,01. Sehingga H0 : 12 = 22 = 32 tidak dapat ditolak. Kesimpulan ketiga
sampel production line berasal dari populasi yang memiliki ragam sama.
Dari tabel ANOVA di dapat nilai sttistik F= 15,098 dengan derajar kebebasan K-1=
3 = 2 dan n-k =14-3 = 11 dan P-value = 0,0001. Karena P-value lebih kecil dari =
0,01, maka H0 : 1 = 2 = 3 ditolak. Kesimpulan ketiga production line
menghasilkan produk dengan kualitas yang berbeda.

UNIVERSITAS NEGERI SURABAYA 2012

33 | P a g e

Dari tabel homogeneous subsets terlihat bahwa subset 1 beranggotakan production

line 3 dan production line 2. ini berarti production line 3 dan production line 2
tidak berbeda.

Latihan
1. seseorang ingin mengetahui apakah ada perbedaan terhadap pertambahan berat
badan 3 kelompok bayi berusia 2 bulan apabila di perlakukan dengan 3 cara
pemberian ASI dan diperoleh datanya sebagai berikut :
BB1
350
375
380
370
410
400
500
475
385
420

BB2
300
300
275
290
310
330
350
290
310
305

BB3
342
310
290
370
340
330
350
400
450
325

Ket:
BB1 = berat badan bayi berumur 2 bulan yang hanya diberi ASI saja
BB2 = berat badan bayi berumur 2 bulan yang Tidak diberi ASI saja
BB3 = berat badan bayi berumur 2 bulan yang hanya diberi ASI dan susu bayi
Gunakan = 0,05.

BAB 8
ANALISA RAGAM DUA ARAH
Analisa ragam dua arah ( Twoway Analysis of Variance) digunakan untuk membandingkan
mean lebih dari dua sampel yang diklasifikasikan menjadi dua factor atau dua klasifikasi.
Ada tiga bentuk hipotesis analisa ragam dua arah :
Untuk factor pertama (A) :
H0 :

= =

UNIVERSITAS NEGERI SURABAYA 2012

34 | P a g e

H1 : minimal ada dua mean populasi yang tidak sama.

Untuk factor kedua (B) :
H0 :

= =

H1 : minimal ada dua mean populasi yang tidak sama.

Untuk interkasi anatar kedua factor A dan factor B ( bila ada );
H0 : (AB)1 = (AB)2 = (AB)3 = = (AB)r x c
H1 : minimal ada dua mean interkasi populasi yang tidak sama.
Ket :
= mean populasi baris ke-1 dari factor pertama.
= mean populasi baris ke-2 dari factor pertama.
= mean populasi baris ke-3 dari factor pertama.
= mean populasi baris ke-r dari factor pertama.
= mean populasi baris ke-1 dari factor kedua.
Dan seterusnya..
Contoh kasus analisa ragan 2 arah adalah sebagai berikut :
Data pada tabel di bawah ini adalah data hasil kuis yang didapat oleh 5 mahasiswa untuk 4
mata kuliah, yaitu : matematika, statistika, bahasa inggris, dan bahasa Indonesia.
Gunakan = 0,05 untuk melakukan.
a. Uji hipotesis bahwa kelima mahasiswa mempunyai kemampuan yang berbeda.
b. Uji hipotesis bahwa keempat mata kuliah tersebut memiliki tingkat kesulitan yang
berbeda.
c. Uji hipotesis bahwa tidak ada interaksi antara mahasiswa dan mata kuliah.

Nama
mahasiswa

Nilai kuis
Matematika

statistika

Bahasa
inggris

Bahasa
indonesia

andy

75
74
72

70
72
73

78
79
76

77
79
80

diah

79
77
78

85
87
88

82
80
81

80
83
81

UNIVERSITAS NEGERI SURABAYA 2012

35 | P a g e

hendra

70
71
72

74
76
77

81
84
83

76
75
73

sinta

55
54
53

54
53
56

53
50
52

54
50
53

yanti

80
82
84

84
83
81

82
81
85

83
82
80

Penyelesaiannya.
1.

pada variable view kita definisikan :

a. variabel mahasiswa dengan nama mahasiswa dan labelnya mahasiswa serta value
label 1 = andy;2 = diah;3 = hendra;4 = sinta;5 = yanti. Skala variabel
mahasiswa adalah nominal.
b. variabel matakuliah dengan nama mtkuliah dan labelnya mata kuliah serta value
label 1 = matematika;2 = statistika;3 = bahasa inggris;4 = bahasa Indonesia.
Skala variabel matakuliah adalah nominal.
c. variabel nilai kuis dengan nama nilai dan diberi variabel label nilai kuis.

2.

pada lembar data view kita masukkan data di atas.

3.

kemudian klik analyze dan klik general linear model lalu pilih univariate.

4.

pindahkan variabel nilai kuis [nilai]. Kedependen variable dan variabel mahasiswa
[mahasiswa] serta variabel matakuliah[mtkuliah] ke Fixed factor(s).

UNIVERSITAS NEGERI SURABAYA 2012

36 | P a g e

5.

untuk menghitung Post Hoc Multiple Comparison terhadap variabel mahasiswa dan
variabel mata kuliah. Klik post Hoc. Pundahkan factor mahasiswa dan mtkuliah ke
post hoc test for dan kemudian pilih Bonferroni biladiasumsikan sama dan GamesHowell bila di asumsikan variance tidak sama.
Disini kita memilih Bonferroni karena belum tahu asumsi mana yang bisa dipenuhi.

6.

kemudian klik continue. Lalu klik option. Pilih Homogeneity test.

7.

kemudian klik continue lalu klik ok. Maka akan didapat hasil sebagai berikut :
Univariate Analysis of Variance
Between-Subjects Factors

Mahasisw
a

Matakulia
h

1
2
3
4
5
1
2

Value
Label

Andy

12

Diah
Hendra
Sinta
Yanti
Matematik
a
Statistika

12
12
12
12

UNIVERSITAS NEGERI SURABAYA 2012

15
15

37 | P a g e

3
4

Bahasa
Inggris
Bahasa
Indonesia

15
15

Levene's Test of Equality of Error Variances(a)

Dependent Variable: Nilai Kuis
F

df1

df2

Sig.

.370

19

40

.989

Tests the null hypothesis that the error variance of the dependent variable is
equal across groups.
a Design: Intercept+mahasisw+mtkuliah+mahasisw * mtkuliah
Tests of Between-Subjects Effects
Dependent Variable: Nilai Kuis
Type
III
Sum
of
Source
Squares
df
Corrected Model
7300.600(a
19
)
Intercept
325901.40
1
0
mahasisw
6854.267
4
mtkuliah
92.600
3
mahasisw
*
353.733
12
mtkuliah
Error
94.000
40
Total
333296.00
60
0
Corrected Total
7394.600
59

Mean
Square

Sig.

384.242

163.507

.000

1713.567
30.867

138681.
447
729.177
13.135

29.478

12.544

325901.400

.000
.000
.000
.000

2.350

a R Squared = .987 (Adjusted R Squared = .981)

post hoc test

mahasiswa
Multiple Comparisons
Dependent Variable: Nilai Kuis
Bonferroni
(J)
(I)
Mahasis
Mahasiswa wa

Andy

Diah
Hendra

Mean
Difference (I- Std.
J)
Error
Upper
Lower Bound Bound
-6.33(*)
.626
-.58
.626

UNIVERSITAS NEGERI SURABAYA 2012

Sig.
Lower
Bound
.000
1.000

95% Confidence Interval

Upper
Lower
Bound
Bound
-8.19
-4.47
-2.44
1.28

38 | P a g e

Diah

Hendra

Sinta

Yanti

Sinta
Yanti
Andy
Hendra
Sinta
Yanti
Andy
Diah
Sinta
Yanti
Andy
Diah
Hendra
Yanti
Andy
Diah
Hendra
Sinta

22.33(*)
-6.83(*)
6.33(*)
5.75(*)
28.67(*)
-.50
.58
-5.75(*)
22.92(*)
-6.25(*)
-22.33(*)
-28.67(*)
-22.92(*)
-29.17(*)
6.83(*)
.50
6.25(*)
29.17(*)

.626
.626
.626
.626
.626
.626
.626
.626
.626
.626
.626
.626
.626
.626
.626
.626
.626
.626

.000
.000
.000
.000
.000
1.000
1.000
.000
.000
.000
.000
.000
.000
.000
.000
1.000
.000
.000

20.47
-8.69
4.47
3.89
26.81
-2.36
-1.28
-7.61
21.06
-8.11
-24.19
-30.53
-24.78
-31.03
4.97
-1.36
4.39
27.31

24.19
-4.97
8.19
7.61
30.53
1.36
2.44
-3.89
24.78
-4.39
-20.47
-26.81
-21.06
-27.31
8.69
2.36
8.11
31.03

Based on observed means.

* The mean difference is significant at the .05 level.

Interpretasi hasil

Dari tabel levenes test of equality of error variance yang menguji hipotesis
H0 : variance diasumsikan sama
H1 : variance diasumsikan tidak sama
Didapat hasil P-value = 0,989 yang lebih besar dari = 0,05 sehingga H0 : variance
diasumsikan sama tidak dapat ditolak. Kesimpulan variance sama.
Dari tabel ANOVA di dapat nilai statistik untuk main effect sebagai berikut :
a. Faktor mahasiswa : nilai uji F = 729,177 dengan derajat kebebasan r -1 = 5 -1
= 4 dan rc(n-1) = 5x4(3-1) = 40 serta P-value=0,000. Karena P-value lebih kecil
dari =0,05, maka H0 : andy = diah = hendra = sinta = yanti ditolak. Kesimpulan
kelima mahasiswa mepunyai kemampuan yang berbeda.
b. Faktor matakuliah nilai uji F = 13,135 dengan derajar kebebasan c -1 = 4-1
= 3 dan rc(n-1) = 5x4(3-1) = 40 serta P-value=0,000. Karena P-value lebih kecil
dari =0,05, maka H0 : matematika = statistika = bahasainggris = bahasa indonesia ditolak.
Kesimpulan keempat mata kuliah mepunyai tingkat kesulitan yang berbeda.

UNIVERSITAS NEGERI SURABAYA 2012

39 | P a g e

c. Faktor interaksi : nilai uji F=12,544 dengan derajat kebebasan (r-1)(c-1) =

(5-1)(4-1) = 12 dan rc(n-1)= 5x4(3-1) = 40 serta P-value=0,000. Karena Pvalue lebih kecil dari = 0,05, maka H0 : (mhs-mtkliah)1 = (mhs-mtkliah)2 = = (mhsmtkliah)20 ditolak. Kesimpulan ada interaksi diantara kedua faktor.

Latihan
1. Suatu perusahaan roti menduga bahwa penataan roti pada etalase yang dipajang
mempengaruhi penjualan roti. Penataan roti pada etalase meliputi tinggi (A :A 1 , A2,
A3) dan lebar (B1,B 2, B3). Apabila tingkat penjualan di ukur dari banyaknya roti
yang terjual dan asumsikan = 0,05 diperoleh data sebagai berikut :
Faktor B
Faktor A

B1 ( regular)

B2 (non regular)

A1 (dasar)

47
43

46
40

A2 (tengah)

62
68

67
71

A3 (tengah)

41
39

42
46

BAB 9
ALALISIS REGRESI SEDERHANA
Analisis regresi sederhana digunakan untuk mempredeksi nilai suatu variabel dependen y
berdasarkan nilai variabel independen x. analisis regresi juga dapat digunakan untuk
melihat pengaruh variabel independen x terhadap variabel dependen y. variabel independen
x sering disebut sebagai variabel prediktor, sedangkan variabel dependen y sering disebut
sebagai variabel respons.
Contoh kasusnya adalah sebagai berikut :
Sebuah perusahaan jeans memperkirakan bahwa iklan di televisi akan meningkatkan
permintaan produk jeans perusahaan tersebut. Bagian marketing perusahaan tersebut
membuat model persamaan regresi untuk mempredeksi permintaan produk berdasarakan
biaya iklan yang pernah dianggarakan dan digunakan selama 19 tahun terakhir seperti
tercantum dalam tabel berikut :
UNIVERSITAS NEGERI SURABAYA 2012

40 | P a g e

Jumlah permintaan jeans (dlm ribuan)

94
96
95
95
94
95
94
104
104
106
108
110
113
113
118
115
121
127
131

Biaya iklan ( dlm puluhan juta)

0.473
0.753
0.929
0.939
0.832
0.983
1.049
1.178
1.176
1.292
1.403
1.499
1.529
1.599
1.749
1.746
1.897
2.040
2.231

Tentukan persamaan regresi untuk data diatas. Apakah regresi yang didapat signifikan.
Gunakan = 0,05.
Penyelesaiannya
Bentuk hipotesis untuk menguji koefisien b0 dan b1
H0 : 0 = 0, H0 : 0

0 DanH1 : 1 = 0 , H0 : 1

Dimana 0 dan 1 adalah parameter dari model regresi yi = 0 + 1 i + i

Prosedure dengan SPSS
1.

pada lembar variable view kita definisikan variabel jumlah permintaan jeans
dengan nama variabel jeans dan labelnya jumlah permintaan jeans. Untuk variabel
biaya iklan gunakan nama iklan dan labelnya biaya iklan.

2.

pada lembar data view masukkan data diatas.

3.

kemudian klik analyze,regression. Lalu pilih linear. Pindahkan variabel jumlah

permintaan jeans ke dependent dan variabel biaya iklan ke independent(s).

UNIVERSITAS NEGERI SURABAYA 2012

41 | P a g e

4.

pastikan anda memilih method : enter. Kemudian klik ok., maka akan di dapat hasil
sebagai berikut :
Model Summary
Mode
l
R
1
.969(a)

Adjusted
R Square R Square
.938
.935

Std. Error
of
the
Estimate
3.019

a Predictors: (Constant), Biaya Iklan

Mode
l
1
Regressio
n
Residual
Total

ANOVA(b)
Sum of
Mean
Squares df
Square

Sig.

2363.055 1

2363.055

259.266

.000(a)

154.945 17
2518.000 18

9.114

Coefficients(a)
Unstandardized
Standardized
Coefficients
Coefficients t
Std.
B
Error
Beta
B
74.673
2.124
35.161

Sig.
Std.
Error
.000

24.280

.000

a Predictors: (Constant), Biaya Iklan

b Dependent Variable: Jumlah Permintaan Jeans

Model

(Constant)
Biaya
Iklan

1.508

.969

16.102

a Dependent Variable: Jumlah Permintaan Jeans

interpretasi hasil

dari R2 (R square ) dari tabel Model Summary menunjukkan bahwa 93,8% dari
variance jumlah permintaan jeans dapat di jelaskan oleh perubahan dalam
variabel biaya iklan

UNIVERSITAS NEGERI SURABAYA 2012

42 | P a g e

tabel ANOVA diatas mengindifikasikan bahwa regresi secara statistik sangat

signifikan dengan nilai F = 259.266 untuk derajat kebebasan k = 1 dan n-k-1 = 19
1 1 = 17 dan P-value = 0,000 yang jauh lebih kecil dari = 0,05.
Uji F menguji secara serentak hipotesis H0 : 1 = 2 = 3 = k = 0 terhadap H1 :
tidak semua i , = 1, 2, , k sama dengan nol. Tetapi karena pada regresi
sederhana hanya ada satu 1, maka kita hanya menguji H0 : 0 = 0 terhadap H1 : 1
0. Dari tabel ANOVA jelas sekali terlihat bahwa H0 ditolak karena P-value =

0,000 lebih kecil dari = 0,05

Persamaan garis regresi menggunakan metode kuadrat terkecil ( least square
method) yang didapat adalah :
= 74,673 + 24,280 x
Dimana = jumlah permintaan jeans dan x = biaya iklan.
Untuk menguji signifikan masing-masing koefisien regresi digunakan uji statistik t.
untuk menguji 1 : H0 : 1 = 0 terhadap H1 : 1

0. Di dapat nilai t = 16,102 dengan

derajat kebebasan n 2 = 19 2 = 17 dan P-value = 0.000. hal ini merupakan

bukti kuat penolakan H0 : 1 = 0, karena P-value = 0,000 lebih kecil dari = 0,05
Latihan
1. sebuah penelitian tentang hubungan antara tinggi badan dengan berat badan pada siswa
sebuah sekolah. Diambil secara acak 15 siswa pada sekolah tersebut dan diperoleh
data sebagai berikut :
nama
Tinggi badan (x)
Berat badan (y)
Animah
120
38.4
Haryadi
126
41.6
Maya
135
46.2
Ina
135
49.8
Dewi
143
55.9
Yayuk
150
61.2
Masihah
150
59.8
Mafaza
155
66.5
Uniana
155
63.4
Maruija
155
65.8
Rendy
160
67.5
Fafa
162
68.7
Rangga
162
81.8
Jaka
170
75.8
wahana
172
78.6
Tentukan persamaan regresi untuk data diatas. Apakah regresi yang didapat
signifikan. Gunakan = 0,05.

BAB 10
ANALISA REGRESI LINEAR BERGANDA
UNIVERSITAS NEGERI SURABAYA 2012

43 | P a g e

Analisa regresi linear berganda adalah pengembangan dari analisa regresi linear sederhana
dimana terdapat lebih dari satu variabel independen x. analisa ini digunakan untuk melihat
sejumlah variabel independen x1 , x2 , xk terhadap variabel dependen y berdasarkan nilai
variabel-variabel independen x1 , x2 , xk.
Contoh kasusnya adaalah sebagai berikut :
Suatu perusahaan memiliki data usia, income sales person, dan pengalaman kerja sebagai
sales. Perusahaan itu ingin membuat model regresi berganda untuk memprediksi income
berdasarkan usia dan pengalaman kerja. Data dapat dilihat pada tabel dibawah ini ;
Usia (x1)

Pengalaman kerja (x2)

Income (y)

31

35400

41200

38

45000

39

40300

30

22000

28

28000

20

13000

23

22000

25

26000

28

27000

29

30000

Tentukan koefisiensi dari persamaan regresi berganda dan tentukan apakah koefisiensi
yang diperoleh signifikan. Lakukan pula estimasi untuk seorang sales yang berusia 40
tahun dengan pengalaman kerja 4 tahun. Gunakan = 0,05.
Penyelesaiannya
1.

pada lembar variable view kita definisikan variabel usia dengan nama usia. Variabel
pengalaman kerja dengan nama pengalaman, dan variabel income dengan nama
income. Untuk variabel pengalaman kerja di beri label pengalaman kerja.

2.

pada lembar data view kita masukkan data diatas.

3.

kemudian klik analyze, regression, lalu pilih linear. Pindahkan variabel income ke
dependent dan variabel usia serta pengalaman kerja ke independent(s)

UNIVERSITAS NEGERI SURABAYA 2012

44 | P a g e

4.

pastikan method : enter telah terpilih, lalu klik statistics dan pilih estimates, model
fit, collinearity diagnostics dan durbin-waston

5.

kemudian klik continue , lalu klik plots. Pilih normal probability plot. Kemudian
pindahkan standardized residual *BZRESID ke dalam kotak Y dan standardized
predicted value *ZPRED ke dalam kotak X.

6.

kemudian klik continue , lalu klik ok maka akan di dapat hasil sebagai berikut :
Variables Entered/Removed(b)
Mode Variables
l
Entered
1

Variables
Removed

Pengalam
an Kerja, .
usia(a)

Method
Enter

a All requested variables entered.

UNIVERSITAS NEGERI SURABAYA 2012

45 | P a g e

b Dependent Variable: income

Model Summary(b)
Mode
l
R

Adjusted
R Square R Square

Std. Error
of
the DurbinEstimate
Watson

.941

2615.354

.970(a)

.927

1.497

a Predictors: (Constant), Pengalaman Kerja, usia

b Dependent Variable: income
ANOVA(b)
Mode
l
1

Sum of
Squares df

Mean
Square

Regressio
n

8769684
63.994

438484231.
64.105
997

Residual

5472062
6.915

6840078.36
4

Total

9316890
90.909

10

Sig.
.000(a)

a Predictors: (Constant), Pengalaman Kerja, usia

b Dependent Variable: income

Residuals Statistics(a)
Minimu

Maximu

UNIVERSITAS NEGERI SURABAYA 2012

Mean

Std.

46 | P a g e

Predicted Value

13661.4
5

43598.7
9

29990.9
1

9364.659

11

Residual

3672.42
9

3071.74
0

.000

2339.244

11

Std.
Value

Predicted

Deviation

N
o
r
m
a
l
P
P
P
l
o
t
o
f
R
e
g
r
e
s
i
o
n
S
t
a
n
d
a
r
d
i
z
e
d
R
e
s
i
d
u
a
l
1
.
0
Std. Residual

-1.744

1.453

.000

1.000

11

-1.404

1.175

.000

.894

11

R
egrsionStandrizedR
esidual ExpectdCumProb

a Dependent Variable: income

chart

0
.
8
0
.
6
0
.
4
0
.
2
0
.0
.0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
O
b
s
e
r
v
e
d
C
u
m
P
r
o
b

S
c
a
te
rp
lo
t

.1
1
5
.0
0
.-0
5
.-1
0
.-1
5
..0
5-2R
-1
0
e
g
re
s
io
n
S
ta
n
d
a
rd
iz
e
d
P
re
d
ic
te
d
V
a
l1
u
e2

Interpretasi hasil

Nilai R2 (R square) dari tabel model summary menunjukkan bahwa 94.1% dari
variance income dapat di jelaskan oleh perubahan dalam variabel usia dan
pengalaman kerja
Nilai uji statistik durbin-watson = 1,497. Jadi dapat diasumsikan tidak terjadi
autocorrelation.

UNIVERSITAS NEGERI SURABAYA 2012

47 | P a g e

Tabel ANOVA mengidentifikasikan bahwa regresi berganda secara statistic sangat

signifikan dengan uji statistic F= 64,105 dan derajat kebebasan k = 2 dan n-k-1 =
11 -2 -1 = 8. P-value = 0.000 lebih kecil dari = 0,05.
Uji F menguji hipotesis H0 : 1 = 2 = 0 terhadap H1 : 1 dan 2 tidak sama dengan
nol
Dari P-value = 0,000 yang lebih kecil dari = 0,05., terlihat bahwa H0 : 1 = 2 =
0 ditolak secara signifikan. Ini berarti koefisien 1 dan 2 tidak smuanya bernilai
nol.
Untuk menguji apakah masing-masing koefisien regresi signifikan, digunakan uji-t
dengan hasil sebagai berikut :
a. Variabel usia H0 : 1 terhadap H1

Hasil uji-t : t = 7,605 dengan derajat kebebasan n-k = 11-2-1= 8, dan P-value =
0.000 yang lebih kecil dari dari = 0,05.. hal ini merupakan bukti kuat
penolakan H0 : 1 = 0.
b. Variabel pengalaman kerja : H0 : 2 = 0. Terhadap H1:2

Hasil uji-t :t = 3,169 dengan derajat kebebasan n-k = 11-2-1= 8, dan P-value =
0.013 yang lebih kecil dari dari = 0,05.. hal ini merupakan bukti kuat
penolakan H0 : 2 = 0.
Sehingga dapat disimpulkan bahwa koefisien regresi tidak ada yang bernilai
nol.
Persamaan regresi berganda yang diperoleh dengan menggunakan metode kuadrat
terkecil kriteria adalah
= -10360,5 + 1201,098x1 + 1663,516 x2
dimana : = income, x1 = usia, x2 = pengalaman kerja.
Dari tabel coefficients juga terlihat baha nilai VIF = 1,377 sehingga masih dapat
dianggap tidak terjadi multicollinearity ( atau tepatnya hanya low collinearity).
Dari normal probability plot juga terlihat bahwa titik-titik data berbentuk pola
linear sehinggga konsisten dengan distribusi normal.
Scatterplot anatara *ZRESID dan *ZPRED tidak membentuk pola tertentu,
sehingga bias dianggap residual mempunyai variance konstan. ( homoscedasticity)

BAB 11
ANALISA REGRESI LOGISTIK
Analisa regresi logistik digunakan untuk melihat pengaruh sejumlah variabel independen
x1, x2 xk terhadap variabel dependen y yang berupa variabel kategorik ( binominal, multi
UNIVERSITAS NEGERI SURABAYA 2012

48 | P a g e

nominal, atau ordinal ) atau juga untuk memprediksi nilai suatu variabel dependen y ( yang
berupa variabel kategorik ) berdasarkan nilai variabel-variabel independen x1, x2 xk .
Regresi logistik biner
Adalah regresi logistik dimana variabel dependennya berupa variabel dikotomi atau
variabel biner, misalnya sukses-gagal, ya-tidak, benar-salah dll.
Contoh kasusnya adalah sebagai berikut :
Seorang peneliti mengamati pengaruh merokok dan berat badan terhadap detak jantung
saat responden beristirahat. Detak jantung responden di kategorikan menjadi 1= tinggi dan
0=rendah, variabel merokok dikategorikan menjadi 1=merokok dan 0= tak merokok.
Berikut data ini datanya:
Detak jantung
1= tinggi, 0= rendah
1
0
0
0
0
0
0
0
0
1
0
0
0
1
0
1
0
0
0
0
0
0
1
0
1
1
0
0
1
0

Merokok
1= merokok, 0= tak merokok
1
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
1
0
1
0
0

Berat badan
kg
68
71
57
86
70
77
70
98
59
59
70
74
57
61
57
54
55
52
46
75
68
50
53
79
43
57
60
80
68
90

Tentukan persamaan regresi logistik biner dan tentukan apakah koefisien regresi yang
diperoleh signifikan. Gunakan =0,05
Penyelesaiannya
n = 30 , y = detak jantung, x1 = merokok, x2 = berat badan.
1.

pada lembar variable view kita definisikan :

a. untuk variabel detak jantung beri nama detak dan labelnya detak jantung,
sedang value labelnya 1 = tinggi ;2 = rendah .

UNIVERSITAS NEGERI SURABAYA 2012

49 | P a g e

b. untuk variabel merokok beri nama merokok dan labelnya merokok, sedang
value labelnya 1 = merokok ;2 = tak merokok .
c. untuk variabel berat badan beri nama berat dan labelnya berat badan,
2.

pada data view kita masukkan data diatas.

3.

kemudian klik analyze, regression. Pilih binary logistic. Pindahkan variabel detak
jantung [detak] ke dependent dan variabel merokok [merokok] dan berat
badan[berat] ke covariates.

4.

pastikan method : enter telah terpilih. Kemudian klik ok, maka akan didapat hasil
sebagai berikut :
Logistic Regression
Case Processing Summary
Unweighted Cases(a)

Percent

30

100.0

Missing Cases

.0

Total

30

100.0

Unselected Cases

.0

Total

30

100.0

Selected Cases

Included
Analysis

in

a If weight is in effect, see classification table for the total number of cases.
Dependent Variable Encoding
Original
Value

Internal
Value

Rendah

Tinggi

Block 0: Beginning Block

Classification Table(a,b)
Observed

Predicted
Detak Jantung

UNIVERSITAS NEGERI SURABAYA 2012

Percentage
Correct

50 | P a g e

Step
0

Detak Jantung

Rendah
Tinggi

Rendah

Tinggi

Rendah

22

100.0

.0

Overall Percentage

73.3

a Constant is included in the model.

b The cut value is .500

Model Summary

Step

-2
Log Cox
&
likelihoo Snell
R Nagelkerke
d
Square
R Square

23.178(a) .321

.468

a Estimation terminated at iteration number 6 because parameter estimates changed

by less than .001.

Interpretasi hasil

tabel dependen variable enconding menunjukkan variabel detak jantung diberi kode
1= tinggi dan 0= rendah.
Output block : 0 beginning block
1. Classification table menunjukkan tabel 2x2 dengan kolom berupa predicted values
dari variabel dependen dan baris berupa niali data aktual yang diamati. Untuk
model yang sempurna, semua cases akan terletak pada diagonal tabel dan overall

UNIVERSITAS NEGERI SURABAYA 2012

51 | P a g e

percentage akan bernilai 100%. Jika model regresi logistic mempunyai variance
sama, maka nilai persen (%) pad akedua baris hampir sama. Overall percentage
yang memprediksi model dengan benar mempunyai nilai cukup baik sebesar

100% - 73,3 %.
2. Tabel variables in the equation yang hanya berisi constant memberikan nilai b0 =
-1,102 atau exp(-1,012)= -1,012 = 0,364. Karena responden yang mempunyai detak
jantung tinggi ada 8 dan yang mempunyai detak jantung rendah ada 22, maka odd
ratio =

= 0,364 .

3. Uji wald pada tabel variables in the equation digunakan untuk menguji apakah
masing-masing koefisien regresi logistik signifikan. Uji wald sama dengan
kuadrat dari rasio koefisien regresi logistic B dan standar error S.E . dalam contoh
ini uji wald
=[

]2 =

]2 = 6,004. P-value = 0,014 lebih kecil dari = 0,05.

Maka kesimpilannya constant dari model regresi logistic ini signifikan.

Pada output block 1 : method enter

1. Tabel omnibus test of model coefficients memberikan nilai chi-square goodnessof-fit test sebesar 11,617 dengan derajat kebebasan =2 P-value=0,003 lebih kecil
dari = 0,05.. sehingga hasil uji ini sngat signifikan, chi-square goodness-of-fit
test disini digunakan untuk menguji hipotesis :
H0 : memasukkan variabel independen ke dalam model tidak akan menambah
kemampuan predeksi model regresi logistik
2. Tabel model summary memberikan nilai statistic -2 loglikehood = 23,178 .
semakin kecil nilai -2 loglikehood semakin baik.
3. Koefisien cox & snall R square
pada tabel model summary
dapat
diinterpretasikan sama seperti koefisien determinasi R2 pada regresi berganda.
Tetapi karena nilai cox & snall R square biasanya lebih kecil dari 1 maka sukar
untuk di interpretasikan dan jangan digunakan
4. Koefisien nagelkerke R square pada tabel model summary merupakan
modifikasi dari koefisiensi cox & snall R square agar nilai maksimumnya bias
mencapai satu dan mempunyai kisaran nilai antara 0 dan 1, sama seperti koefisien
determinasi R2 pada regresi linear nerganda. Nilai koefisien nagelkerke R square
umumnya lebih besar dari koefisien cox & snall R square tapi cenderung lebih
kecil dibandingkan dengan nilai koefisien R2 pada regrei linear berganda. Dalam
contoh ini koefisien nagelkerke R square = 0,468.
5. Hasil perhitungan koefisien dari model regresi logistik biner ini terlihat pada tabel
variables in the equation sebagai berikut :
In

= 8,016 0,166 berat + 3,425 merokok

Atau
=exp (8,016 0,166 berat + 3,425 merokok)
6.

kolom Exp(B) merupakan odds ratio yang diprediksi oleh model :

UNIVERSITAS NEGERI SURABAYA 2012

52 | P a g e

a. untuk koefisien variabel merokok :

exp (3,425) = 3,425 = 30,712
b. untuk koefisien variabel berat :
exp (-0,166) = -0,166 = 0,847
c. Untuk constant : exp 8,016) = 8,016 = 3027,815
7.

uji wald manguji masing-masing koefisien regresi logistik :

a. untuk koefisien variabel merokok:
=

= 4,821. P-value = 0,028 lebih kecil dari = 0,05, maka

koefisien regresi untuk variabel merokok signifikan.

b. untuk koefisien variabel berat :
2

= 0,024 P-value = 0,024 lebih kecil dari = 0,05, maka koefisien

regresi untuk variabel berat signifikan.

c. untuk constant :
2

= 3,980. P-value = 0,046 lebih kecil dari = 0,05, maka koefisien

regresi untuk variabel constant signifikan.

Regresi logistik multinomial
Adalah regresi logistic dimana variabel dependennya berupa variabel kategorik yang terdiri
lebih dari dua nilai, seperti : merah, biru, kuning, hitam atau islem, Kristen, hindu, budha
dll
Regresi logistik ordinal
Adalah regresi logistic dimana variabel dependennya berupa variabel dengan skala ordinal
seperti : sangat setuju, setuju, netral, tidak setuju, sangat tidak setuju, atau halus, sedang,
kasar. dll

End of Modul
UNIVERSITAS NEGERI SURABAYA 2012