modul statistika

DHEA ZAFARINA EP – 13030053 1

LITTLE MODUL PRAKTIKUM

STATISTIKA

Disusun oleh :

DHEA ZAFARINA EKAPUTRI

13030053

TEKNIK INFORMATIKA

SEKOLAH TINGGI TEKNOLOGI ADISUTJIPTO

2014 / 2015


DAFTAR ISI

Statistik Deskriptif .......................................................................................

Korelasi ...................................................................................................

Regresi Linear .......................................................................................

Independent Sample Test ...........................................................................

Paired Sample T-test .......................................................................................

One-way Anova .......................................................................................

Chi Square Test ........................................................................................

Binomial ....................................................................................................

K - Independent Sample ............................................................................

Two Independent Sample ....................................................................................


BAB 1

STATISTIK DESKRIPTIF

Contoh kasus :

No. Berat badan Tinggi badan 1. 73 175 2. 63 151 3. 52 169 4. 50 150 5. 65 165 6. 66 165 7. 50 169 8. 63 172 9. 62 169 10. 64 169 11. 55 172 12. 56 172 13. 51 162 14. 59 174 15. 77 182 16. 52 183 17. 60 168 18. 54 167 19. 59 164 20. 43 171 21. 54 168

Langkah – langkah :

1. Analyze

2. Deskriptive Statistics

3. Frequencies

4. Pindahkan variabel BeratBadan dan TinggiBadan dan centang

pada Display frequency tables.

5. Klik pada button Statistics, centang pada Quartiles, Percentile(s): (25, 50,

75), Mean, Median, Mode, Sum, Std. deviation, Variance, Range,


Minimum, Maximum, S.E. mean, Skewness dan Kurtosis,selanjutnya klik

pada button Continue.

6. Selanjutnya klik pada button Charts, pilih Histograms dan centang pada

Show normal curve on histogram serta klik button Continue.

Hasil :

Statistics

bb tb

N Valid 21 21

Missing 0 0

Mean 58.48 168.43

Std. Error of Mean 1.774 1.723

Median 59.00 169.00

Mode 50a 169

Std. Deviation 8.128 7.897

Variance 66.062 62.357

Skewness .453 -.649

Std. Error of Skewness .501 .501

Kurtosis .275 1.569

Std. Error of Kurtosis .972 .972

Range 34 33

Minimum 43 150

Maximum 77 183

Sum 1228 3537

Percentiles 25 52.00 165.00

50 59.00 169.00

75 63.50 172.00

a. Multiple modes exist. The smallest value is shown


BAB 2

KORELASI

Bivariate Correlation

Data penjualan sepeda motor

Selling

(X1)

Promotion

(X2)

Advertising

(X3)

Penjualan

(Y)

12500000 8750000 5450000 600

11000000 7000000 4210000 540

9750000 3550000 4100000 465

7742500 4550000 3990000 430

5656800 2550000 3550000 421

4555000 3256600 2390000 350

6750000 3300000 4554000 480

5990000 2750000 4320000 400

4580000 2500000 3700000 320

5800500 4200000 5610000 400

7990000 4500000 4660000 521

4500000 3758000 3850000 250


1. Klik Analyze

2. Klik correlate, pilih bivariate, maka akan muncul kotak dialog untuk

mendaftar pasangan variabel yang akan dicari koefisien korelasinya.

3. Klik variabel “x1”, “x2”, “x3” dan “y”, lalu masukkan ke kotak variable(s)

4. Klik Pearson dan Speearman

5. Klik Options, pilih Means and Standard Deviation

6. Klik Continue

7. Klik OK


Hasil :

Descriptive Statistics

Mean Std. Deviation N

X1 7.23E6 2647359.911 12

X2 4.22E6 1877668.601 12

X3 4.20E6 854251.116 12

Y 431.42 98.055 12

Pada bagian ini merupakan hasil pilihan options. Dimana terdapat nilai rata-rata

(mean) dari keempat variabel, nilai std. Deviation dengan jumlah sample (N).

Correlations

X1 X2 X3 Y

X1 Pearson Correlation 1 .848** .499 .888**

Sig. (2-tailed) .000 .098 .000

N 12 12 12 12

X2 Pearson Correlation .848** 1 .518 .712**

Sig. (2-tailed) .000 .085 .009

N 12 12 12 12

X3 Pearson Correlation .499 .518 1 .534

Sig. (2-tailed) .098 .085 .073

N 12 12 12 12

Y Pearson Correlation .888** .712** .534 1

Sig. (2-tailed) .000 .009 .073

N 12 12 12 12

**. Correlation is significant at the 0.01 level (2-tailed).

Pada bagian ini dikemukakan hasil perhitungan koefisien korelasi (r) untuk semua

variabel yang dimasukkan dalam perhitungan. Anda dapat membaca satu persatu

hubungan/korelasi tersebut.


Untuk mengurutkan data, maka kita baca dari atas:

1. Hubungan/korelasi antara selling dengan penjualan= 0,888**

2. Hubungan/korelasi antara promotion dengan penjualan= 0,712**

3. Hubungan/korelasi antara advertensi dengan penjualan= 0,534

Penilaian/pengujian terhadap “r”:

1. Dengan melihat besarnya nilai “r”. Sebab semakin besar nilai “r”, yakni

semakin mendekati angka 1, maka hal itu menunjukkan adanya hubungan

yang sangat kuat. Bahkan ada yang membuat daftar mengenai tinggi-

rendahnya nilai “r”, sebagai berikut ini:

0 - 0,20 = sangat rendah (hampir tidak ada hubungan)

0,21-0,40 = korelasi yang rendah

0,41-0,60 = korelasi sedang

0,61-0,80 = cukup tinggi

0,81-1,00 = korelasi tinggi

2. Dengan cara menguji probabilitas (tingkat signifikansi) dari hasil “r”

Jika probabilitas r > 0,05, berarti Ho: diterima (tidak terdapat korelasi)

Jika probabilitas r < 0,05, bararti Ho: ditolak (terdapat korelasi yang

berarti)

Pengujian pada probabilitas

Korelasi antara x1 dan y :

Jika diperhatikan hasil r = 0,888 dengan probabilitas (tingkat signifikansi) = 0,000

Jika probabilitas 0,000 < 0,05, dengan demikian Ho: ditolak

Keadaan ini menunjukkan bahwa terdapat hubungan yang sangat erat antara

pengeluaran biaya untuk selling dengan penjualan. Dari hasil r tersebut terdapat

tanda dua bintang (**). Tanda ini nmenunjukkan bahwa hubungan tersebut

“sangat tinggi”, yakni pada tingkat signifikans 0,01. Jika hanya satu bintang (*)

maka hubungan tersebut dikatakan “tinggi”, yakni memang pada tingkat

signifikansi 0,05.


Partial correlation

Analisis korelasi partial bertujuan untuk menghitung koefisien korelasi antara dua

variabel, akan tetapi dengan mengeluarkan variabel lainnya yang mungkin

dianggap berpengaruh. Dengan kata lain, dimana variabel lain yang dianggap

berpengaruh bisa “dikontrol”.

Contoh :

Korelasi x1 dan y dengan kontrol x2. Langkah – langkah :

1. Klik Analyze

2. Klik correlate dan pilih Partial

3. Klik variabel “x1” dan “y”, masukkan pada kotak variable(s)

4. Klik variabel “x2”, masukkan sebagai variabel kontrol

5. Klik options dan klik means, std dan zero-order correlations

6. Klik continue

7. Klik OK

Hasil :



X1 7.23E6 2647359.911 12

Y 431.42 98.055 12

X2 4.22E6 1877668.601 12

Pada bagian ini dimuat hasil deskripsi tentang ketiga variabel, yakni x1, y dan x2

(sebagai kontrol). Disini diperlihatkan nilai rata-rata (means), standar deviasi dan

jumlah kasus. Contoh untuk variabel x1, memiliki means= 7.23E6, Standard

Deviasi = 2.647.359,911 dan cases = 12.


Correlations

Control Variables X1 Y X2

-none-a X1 Correlation 1.000 .888 .848

Significance (2-tailed) . .000 .000

df 0 10 10

Y Correlation .888 1.000 .712

Significance (2-tailed) .000 . .009

df 10 0 10

X2 Correlation .848 .712 1.000

Significance (2-tailed) .000 .009 .

df 10 10 0

X2 X1 Correlation 1.000 .764

Significance (2-tailed) . .006

df 0 9

Y Correlation .764 1.000

Significance (2-tailed) .006 .

df 9 0

a. Cells contain zero-order (Pearson) correlations.

Zero order partials dimaksudkan untuk menampilkan koefisien korelasi biasa

(sebelum dilakukan uji partial). Dengan demikian harga r disini sama dengan

harga r pada korelasi sederhana (sebelumnya). Fungsinya untuk membandingkan,

apakah sebelum diuji partial dan setelah, ada perbedaan koefisien korelasi. Dapat

dilihat bahwa korelasi antara x1 dengan y adalah 0,888. Pada bagian ini juga

ditunjukkan hasil korelasi parsial antara x1 dan y, dengan variabel kontrol x2.

Hasil koefisien korelasinya adalah 0,7636. Jika kita bandingkan dengan korelasi

pada zero order, maka terdapat perbedaan nilai r, disini agak menurun.


BAB 3

REGRESI LINEAR

Regresi linear sederhana

Dalam kasus ini akan melakukan suatu penelitian mengenai pengaruh besarnya

pengeluaran biaya “selling” (penjualan langsung) terhadap tingkat “penjualan”

(banyaknya unit terjual).

Selling (X1) Penjualan (Y)

12500000 600

11000000 540

9750000 465

7742500 430

5656800 421

4555000 350

6750000 480

5990000 400

4580000 320

5800500 400

7990000 521

4500000 250


1. Klik analyze

2. Klik regressi, pilih linear

3. Klik variabel X1, lalu masukkan pada kotak independent (s)

4. Klik variabel Y dan masukkan pada kotak dependent

5. Klik statistics, pilih estimates, model fit, descriptive

6. Klik continue

7. Klik options, lalu klik saja continue (berarti memilih default) yakni

menggunakan taksiran probability 0,05 (95%)

8. Klik OK


Hasil :



Y 431.42 98.055 12

X1 7.23E6 2647359.911 12

Pada bagian ini diperlihatkan deskripsi dari kedua variabel yang diregresikan.

Yakni variabel Y (tingkat penjualan) dengan X1 (selling). Isi deskripsi tersebut

adalah: rata-rata (means), standard deviasi dan jumlah kasus (N). Seperti contoh,

variabel penjualan memiliki rata-rata 431,42, standard deviasi 98,055 dan jumlah

kasus ada 12. Demikian juga dengan variabel selling.

Correlations

Y X1

Pearson Correlation Y 1.000 .888

X1 .888 1.000

Sig. (1-tailed) Y . .000

X1 .000 .

N Y 12 12

X1 12 12

Pada bagian dua ini, ditunjukkan hasil koefisien korelasi. Sebab, pada dasarnya

dalam melakukan uji regresi perlu dicek lebih dahulu tingkat korelasinya. Dari

hasil korelasi tampak bahwa korelasi antara selling dengan penjualan adalah

0,888, dengan tingkat signifikansi 0,000.

Model Summary

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 .888a .788 .767 47.334

a. Predictors: (Constant), X1


Pada bagian ini ditampilkan nilai R, R2, Adjusted R2 dan std.error. Dimana nilai

koefisien determinasi R2 (R Square) sebesar 0,788. R2 ini merupakan indeks

determinasi, yakni prosentase yang menyumbangkan pengaruh X1 terhadap Y. R2

sebesar 0,788 menunjukkan pengertian bahwa sebesar 78,8% sumbangan

pengaruh X1 (selling) terhadap Y (penjualan), sedang sisanya sebesar 21,2%

dipengaruhi oleh faktor lain.

Coefficients a

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig. B Std. Error Beta

1 (Constant) 193.527 41.325 4.683 .001

X1 3.288E-5 .000 .888 6.100 .000

a. Dependent Variable: Y

Dari tabel diatas didapat persamaan perhitungan sbb:

Y = 193,526 + 3,288X

Keterangan :

Y= tingkat penjualan

X= selling

Haga 193,526 merupakan nilai konstanta (a) yang menunjukkan bahwa

jika tidak ada pengeluaran biaya untuk “selling”, maka tingkat penjualan akan

mencapai 193 unit sepeda motor. Sedang harga 3,288X merupakan kokefisien

regresi yang menunjukkan bahwa setiap adanya upaya penambahan sebesar Rp. 1,

untuk biaya “selling”, maka akan ada kenaikan penjualan sebesar 3,288

(dibulatkan 3) unit sepeda motor.

Angka 0,888 pada standarized coefficients (beta) menunjukkan tingkat

korelasi antara “selling” dan “tingkat penjualan”. Sedangkan nilai t merupakan


nilai yang berguna untuk pengujian, apakah pengaruh “x1” (selling) terhadap “y”

(tingkat penjualan) benar-benar signifikan atau tidak.

Proses pengujian t adalah sbb:

1. Hipotesis:

Ho : Koefisien regresi tidak signifikan

H1 : Koefisien regresi adalah signifikan

2. Ketentuan (berdasarkan nilai t)

Jika t hitung > t tabel 0,05, maka Ho ditolak

Jika t hitung < t tabel 0,05, maka Ho diterima

3. Kesimpulan:

• Dari hasil analisis regresi didapat harga t hitung sebesar 6,100.

• t tabel dengan dk (12-2)=10 adalah 2,3060.

Dengan demikian Ho ditolak. Dapat ditarik kesimpulan bahwa terdapat

pengaruh yang signifikan antara pengeluaran biaya untuk “selling”

dengan kenaikan tingkat penjualan sepeda motor. Untuk pengujian ini

dapat pula dilihat melalui nilai signifikansi, dimana Anda lihat bahwa

nilai signifikansi (sign) adalah 0,000. Mengingat 0,000 adalah <0,05 maka

dapat disimpulkan bahwa tingkat signifikansinya sangat tinggi.


BAB 4

INDEPENDENT SAMPLE TEST

Ada anggapan bahwa ada perbedaan IP antara mahasiswa laki-laki dengan

perempuan. Dari contoh acak mahasiswa yang dipilih, diperoleh data IP sebagai

berikut :

Laki – Laki Perempuan

2,11 3,05

3.15 2,70

2,75 2,90

3,10 2,67

2,95 3,15

2,95 2,03

3,00 2,65

2,50 2,37

2,79

2,50


1. Klik Data View, pada SPSS Data Editor

2. Ketik datanya seperti data di atas sesuai dengan variabelnya

3. Setelah itu, Klik menu Analyze � Compare Means � Independent �

Samples T test

4. Muncul kotak dialog baru, pada kotak tersebut klik variable Indeks

Prestasi, masukkan ke kotak Test Variable (s)

5. Pada Grouping Variable, klik Define Groups ketik 1 pada Group 1 dan

ketik 2 pada Group 2, kemudian klik Continue

6. Untuk Option, gunakan tingkat kepercayaan 95% atau tingkat signifikansi

5%, klik Continue

7. Untuk mengakhiri perintah Klik OK.


Hasil :

Group Statistics

Gender N Mean Std. Deviation Std. Error Mean

IP laki-laki 10 2.7800 .32527 .10286

perempuan 8 2.6900 .36359 .12855

Pada bagian pertama ini menyajikan deskripsi variabel yang dianalisis, yang

meliputi rata-rata (mean) Indek Prestasi laki-laki = 2,7800 dengan standar deviasi

0,32527 dan rata-rata Indek Prestasi perempuan = 2,6900 dengan Standar deviasi

0,36359.

Analisis :

1. Hipotesis :

Ho : rata-rata Indek Prestasi antara laki-laki dan perempuan adalah

sama

H1 : rata-rata Indek Prestasi antara laki-laki dan perempuan adalah

tidak sama

2. Pengambilan Keputusan :

• Probabilitas > 0,05, maka H0 diterima

• Probabilitas < 0,05, maka H0 ditolak

3. Kesimpulan :

F hitung untuk Indek Prestasi adalah 0,006 dengan probabilitas 0,937.

Oleh karena nilai probabilitas > 0,05, maka H0 diterima atau kedua varians

populasi adalah sama (homogen).


BAB 5

PAIRED SAMPLE T-TEST

Akan diteliti mengenai perbedaan nilai matematika kelas 3 di sebuah sekolah

dasar X sebelum dan sesudah penerapan kurikulum 2013. Data diambil dari 15

siswa.

Sebelum Sesudah

67 68

75 76

81 80

60 63

80 82

75 74

71 70

68 71

80 82

78 79

71 78

80 77

65 69

57 67

78 68


1. analyze

2. compare means

3. paired sample t-test

4. Masukkan sebelum dan sesudah pada kolom “Paired variables”

5. OK


Hasil :

Sebelum penerapan kurikulum 2013 rata-rata nilai dari 15 siswa adalah

sebanyak 72.4, sementara setelah penerapan kurikulum 2013 jumlah nilai rata-

rata adalah sebesar 73.6.

Hasil uji menunjukkan bahwa korelasi antara dua variabel adalah sebesar

0.809 dengan sig sebesar 0.000. Hal ini menunjukkan bahwa korelasi antara dua

rata-rata nilai sebelum dan sesudah kenaikan adalah kuat dan signifikan.

Analisa :

1. Hipotesis

Hipotesis yang diajukan adalah :

Ho : rata-rata nilai adalah sama

H1 : rata-rata nilai adalah berbeda


2. Hasil uji

• Nilai t hitung adalah sebesar -1.031 dengan sig 0.320.

• Sig > 0.05

0.320 > 0.05, maka Ho diterima.

• Kesimpulan :

Rata-rata nilai sebelum dan sesudah penerapan kurikulum 2013 adalah

sama (tidak berbeda). Dengan demikian dapat dinyatakan bahwa

penerapan kurikulum 2013 tidak mempengaruhi jumlah nilai di sekolah

dasar X.


BAB 6

ONE-WAY ANOVA

Seorang manajer ingin mengetahui perbedaan gaji berdasarkan jenis perusahaan

yaitu farmasi, jasa dan manufaktur. Survey dilakukan terhadap 45 sampel dari tiga

jenis perusahaan tersebut.

Jenis usaha

farmasi jasa manufaktur

2.5 3.2 2.2

3.8 3.7 2.2

3.5 2.5 2.1

3.5 4.2 1.8

3.6 3.6 1.8

3.8 3.0 2.0

4.1 3.4 2.0

3.8 2.8 3.5

3.7 2.4 2.5

3.4 3.8 2.6

3.2 3.2 2.2

3.5 2.9 2.4

3.3 3.5 2.1

3.5 2.7 1.8

3.8 2.9 2.2


1. klik Analyze

2. klik Compare mean

3. klik One-way ANOVA

4. Masukkan variabel gaji ke kotak dependent list, dan masukkan variabel

jenis perusahaan ke dalam kotak factor


5. Klik icon Post Hoc, pilih LSD dan Duncan, lalu continue

6. Klik Options, dan pilih Descriptive

7. Klik OK

Hasil :

Berdasarkan output Deskriptif diperoleh rata-rata gaji untuk pekerja sector farmasi

adalah 3.5 juta, jasa 3.18 juta dan sector manufaktur 2.23 juta rupiah. Gaji

minimal sector farmasi adalah 2.5 juta dan maksimal 4.1 juta. Sedangkan gaji

minimal pekerja di sector jasa adalah sebesar 2.4 juta dan maksimal 4.2 juta. Gaji

minimal pekerja di sector manufaktur adalah sebesar 1.8 juta dan tertinggi sebesar

3.5 juta.

Analisis :

• Ho : tidak terdapat perbedaan yang signifikan antara gaji kelompok sektor

farmasi, jasa, dan manufaktur.

• H1 : terdapat perbedaan yang signifikan antara gaji kelompok sektor

farmasi, jasa, dan manufaktur.

Descriptives

GAJI

15 3.5333 .36775 .09495 3.3297 3.7370 2.50 4.10

15 3.1867 .51111 .13197 2.9036 3.4697 2.40 4.20

15 2.2267 .42673 .11018 1.9904 2.4630 1.80 3.50

45 2.9822 .70462 .10504 2.7705 3.1939 1.80 4.20

farmasi

jasa

manufaktur

Total

N Mean Std. Deviation Std. Error Lower BoundUpper Bound

95% Confidence Interval forMean

Minimum Maximum

ANOVA

GAJI

13.746 2 6.873 35.637 .000

8.100 42 .193

21.846 44

Between Groups

Within Groups

Total

Sum ofSquares df Mean Square F Sig.


Kesimpulan :

F hitung = 35.637 dengan sig 0.000. dengan demikian dapat disimpulkan bahwa

Ho ditolak, atau terdapat perbedaan yang signifikan antara gaji kelompok sector

farmasi, jasa dan manufaktur.

PostHoc Test

Perbedaan tiap kelompok dapat dilihat dari nilai harmonic mean yang dihasilkan

tiap kelompok berada dalam kolom subset yang sama atau berbeda. Pada hasil uji

menunjukkan ketiga kelompok sampel berada pada kolom subset yang berbeda.

Kelompok manufaktur masuk ke dalam kolom 1, jasa masuk ke kolom 2 dan

sector farmasi di kolom 3. Ini mengindikasikan bahwa ketika sector ini memiliki

perbedaan yang signifikan.

Multiple Comparisons

Dependent Variable: GAJI

.34667* .16036 .036 .0231 .6703

1.30667* .16036 .000 .9831 1.6303

-.34667* .16036 .036 -.6703 -.0231

.96000* .16036 .000 .6364 1.2836

-1.30667* .16036 .000 -1.6303 -.9831

-.96000* .16036 .000 -1.2836 -.6364

(J) JENISjasa

manufaktur

farmasi

manufaktur

farmasi

jasa

(I) JENISfarmasi

jasa

manufaktur

LSD

MeanDifference

(I-J) Std. Error Sig. Lower Bound Upper Bound

95% Confidence Interval

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


Npar Test

Output di atas menunjukkan bahwa data berdistribusi normal. hal ini dapat dilihat

dari nilai asymp.sig (2-tailed) sebesar 0.289 > 0.05, sehingga dinyatakan normal.

Hasil uji di atas menggunakan uji Levene. nilai Levene F hitung adalah sebesar

1.424 dengan signifikansi 0.252. Karena nilai sig > 0.05 maka dapat disimpulkan

bahwa tidak ada perbedaan varian antar kelompok sampel yang diteliti atau varian

antar kelompok sampel adalah sama.

One-Sample Kolmogorov-Smirnov Test

45

2.9822

.70462

.147

.111

-.147

.983

.289

N

Mean

Std. Deviation

Normal Parametersa,b

Absolute

Positive

Negative

Most ExtremeDifferences

Kolmogorov-Smirnov Z

Asymp. Sig. (2-tailed)

GAJI

Test distribution is Normal.a.

Calculated from data.b.

Levene's Test of Equality of Error Variances a

Dependent Variable: GAJI

1.424 2 42 .252F df1 df2 Sig.

Tests the null hypothesis that the error variance ofthe dependent variable is equal across groups.

Design: Intercept+JENISa.


BAB 7

CHI SQUARE TEST

Contoh kasus untuk aplikasi uji chi square misalnya kita akan melakukan

penelitian tentang minat masyarakat dalam memilih stasiun TV yang akan mereka

tonton. Secara acak dilakukan survey terhadap 100 pemirsa TV.\

Stasiun TV Frekuensi

TVRI 8

MNC TV 14

RCTI 16

SCTV 19

ANTV 21

INDOSIAR 22

JUMLAH 100

Buatlah value label :

1 = TVRI

2 = MNCTV

3 = RCTI

4 = SCTV

5 = ANTV

6 = INDOSIAR


1. Klik Analyze

2. Klik Non-Parametric Test

3. Klik Chi-Square

4. Klik variabel “minat” dan masukkan pada kotak Test Variable List


5. Klik Option, pada Statistics, pilih Descriptive

6. Pada Missing Value tetap pilih default (Exclude test by test)

7. Klik OK

Analisis :

1. Hipotesis

Ho : Masyarakat memiliki minat menonton yang sama terhadap 6

stasiun TV.

H1 : Masyarakat memiliki minat yang berbeda terhadap 6 stasiun TV.

2. Ketentuan

Jika X2 hitung > X2 tabel α 0.05 dk, maka Ho: ditolak.

Jika X2 hitung < X2 tabel α 0.05 dk, maka Ho: diterima.

Test Statistics

Stasiun_TV

Chi-Square 8.120a

df 5

Asymp. Sig. .150

a. 0 cells (,0%) have expected

frequencies less than 5. The

minimum expected cell

frequency is 16,7.

3. Kesimpulan

• X2tabel dengan α 0.05 dengan dk= 6-1= 5 adalah 11,0705.

• sedangkan harga X2hitung yang diperoleh adalah 7,280.

Jadi, X2 hitung < X2 tabel, maka Ho diterima. Dengan demikian, minat

masyarakat dalam menonton keenam TV tersebut sama saja (tidak

berbeda).


BAB 8

BINOMIAL

Suatu perusahaan mengembangkan produk baru dengan memberi value added

terhadap produk lama. Perusahaan ingin mengetahui pengaruh value added

tersebut terhadap preferensi pilihan konsumen apakah sama atau tidak. Berikut

data sampling preferensi konsumen yang diambil secara random :

Produk Jumlah

Penambahan 157

Tidak penambahan 125


1. Klik Data � Weight Cases pada menu sehingga kotak dialog Weight

Cases muncul.

2. Pada Weight Cases by dan masukkan variabel jumlah pada kotak

Frequency Variable

3. Klik OK.

4. Selanjutnya langkah kedua, analisis Binomial :

Klik Analyze � Nonparametrik Test � Binomial Test pada menu

sehingga kotak Binomial Test muncul.

5. Masukkan variabel produk pada kotak Tes Variable List. Secara default

Get from data pada kotak Expected Range dan ketik 0.5 pada kotak Test

Proportion akan terpilih.

6. Klik OK.


Hasil :

Pada tabel Binomial Test, kolom Observed Prop merupakan proporsi dari kedua

kelompok, Group I (produk baru) = 157/282 = 0.56, dan Group 2 (produk lama) =

125/282 = 0.44.

Analisis :

1. Hipotesis :

• Ho : tidak ada perbedaan preferensi konsumen akan produk

• Ha : ada perbedaan preferensi konsumen akan produk

2. Ketentuan :

• Sig > 0.05, Ho diterima

• Sig < 0.05, Ho ditolak

3. Kesimpulan :

Asymp Sig (2-tailed) > 0,05

0.085 > 0.05 , maka Ho diterima. Jadi tidak ada perbedaan maka preferensi

akan produk.


BAB 9

K – INDEPENDENT SAMPLE

Untuk memberikan contoh aplikasi uji K-sample independent, maka kita akan

melihat hasil suatu penelitian yang dilakukan oleh suatu perusahaan obat diet

terkemuka di Indonesia. Lembaga penelitian obat diet tersebut mencoba

melakukan uji penurunan berat badan dengan beberapa cara, yang dilakukan

terhadap 25 wanita gemuk. Mereka mencoba melakukan 5 cara penurunan berat

badan, antara lain dengan: 1. Jalan pagi, 2. Senam pernafasan, 3. Aerobik, 4. Yoga

dan 5. Obat diet yang mereka ciptakan. Setelah satu bulan dilakukan terapi, maka

dihitung penurunan berat badan mereka. Hasil pernghitungan penurunan berat

badan tersebut adalah sbb:

No. Cara penurunan berat badan

Jalan pagi Senam pernapasan aerobik Obat diet

1.

2.

3.

4.

5.


1. Klik Analyze

2. Klik Non-Parametrik Test

3. Klik K-Independen samples test

4. Klik variabel “berat” dan masukkan ke kotak test variable list

5. Klik variabel “cara” dan masukkan ke kotak grouping variable

6. Klik define range, isikan ke kotak minimum dengan angka 1 dan kotak

maksimum dengan angka 5

7. Klik continue

8. Klik kruskal-wallis H dan Median


9. Klik option, pilih deskriptive

10. Klik continue

11. Klik OK

Hasil :

Analisis :

Uji Kruskall-Wallis

1. Hipotesis:

Ho : Tidak terdapat perbedaan rata-rata dari lima metode terhadap

penurunan berat badan

H1 : Terdapat perbedaan rata-rata dari kelima metode terhadap

penurunan berat badan

2. Ketentuan:

X2 hitung ≤ X2 tabel, Ho diterima

X2 hitung > X2 tabel, Ho ditolak

3. Keputusan:

Dari hasil perhitungan uji H (Kurskal-Wallis H) didapat harga 14,061.

Sedang harga X2tabel dengan tingkat kepercayaan (α) 0.05 dengan dk= k-

1= 5-1= 4, didapat harga= 9,488. Karena X2 hitung 14,061 > X2 tabel α

0.05 = 9,488, maka Ho ditolak. Dengan demikian dapat disimpulkan

bahwa terdapat perbedaan penurunan berat badan melalui kelima cara

tersebut.


Uji Median :

Pengujian Hipotesis Median:

1. Menentukan Hipotesis

Ho : Dua atau lebih sampel yang diambil berasal dari populasi yang

memiliki median yang sama

H1 : Median yang berasal dari satu populasi tertentu berbeda dari

populasi yang lainnya.

2. Ketentuan

X2 hitung ≤ X2 tabel, Ho diterima

X2 hitung > X2 tabel, Ho ditolak

Dengan menggunakan tingkat kepercayaan (α) 0.05 dengan dk= k-1= 5-1=

4, maka dari X2 tabel didapat harga= 9,488

3. Keputusan

Dari hasil perhitungan uji median di atas didapat harga X2hitung 10.577.

Karena X2 hitung 10,557 > X2 tabel α 0.05 = 9,488. Jadi Ho ditolak.

Dengan demikian dapat disimpulkan bahwa sampel-sampel tersebut

diperoleh dari populasi yang mempunyai median yang berbeda.


BAB 10

TWO INDEPENDENT SAMPLE

Contoh kasus berikut ini adalah untuk mengetahui apakah nilai ekonomi makro

yang diberikan kepada mahasiswa Universitas Terbuka di wilayah DKI dan

JATENG ada bedanya (atau sama saja). Jumlah sampel untuk mahasiswa DKI

sebanyak 15 mahasiswa, sedangkan KALTIM hanya 17 mahasiswa. Datanya

adalah sebagai berikut :

No. Nilai Mahasiswa

DKI KALTIM

1. 63 69

2. 78 56

3. 71 67

4. 82 72

5. 93 59

6. 72 71

7. 61 55

8. 63 88

9. 56 79

10. 82 49

11. 60 76

12. 76 53

13. 67 66

14. 74 73

15. 61 80

16. 83

17. 70


Value label :

1 = DKI

2 = KALTIM


1. Klik Analyze

2. Klik Non-Parametrik Tests

3. Klik 2-Independent Samples

4. Klik variabel “nilai”, dan masukkan pada kotak Test Variable List

5. Klik variabel “wilayah”, masukkan pada Grouping variable

6. Klik Define Group, isikan angka 1 pada Group 1 dan angka 2 pada Group

2

7. Pada Test Type, klik Mann-Whitney U

8. Klik Options, pilih Descriptive

9. Klik continue

10. Klik OK

Hasil :


Analisis :

1. Hipotesis

Ho : Tingkat kepandaian (nilai) mahasiswa UT pada kedua wilayah

adalah sama

H1 : Tingkat kepandaian (nilai) mahasiswa UT pada kedua wilayah

tidak sama

2. Ketentuan

Dengan α 0.05 (pengujian dua sisi) maka :

-1.96 ≤ Zh ≤ +1,96, maka Ho diterima

Zh> + 1,96 atau Zh< - 1,96, maka Ho ditolak

3. Kesimpulan

• Harga Z = -0,453.

• Dengan demikian -1,96 < -0,453 < 1,96.

• Jadi, Ho diterima. Kesimpulannya, tidak terdapat perbedaan tingkat

kemampuan (nilai ekonomi makro) antara mahasiswa UT wilayah

DKI dan KALTIM, dengan resiko kekeliruan sebesar 5%.

modul statistika

Education