statistika modul prakt 2013 2014

MODUL PRAKTIKUM

STATISTIK Disusun oleh:

Davidson Tarigan, S.Si, M.Si.

Erikson Damanik, S.Kom, MM.

2 | P a g e

By Davidson & Erikson STMIK – STIE Mikroskil Medan ©2012

Bab 1

Pengenalan SPSS

Dasar – Dasar SPSS

SPSS (Statistical Product and Service Solution) merupakan salah satu sekian banyak

software statistika yang dirancang untuk membantu pengolahan data secara statistik.

Disamping masih banyak lagi software statistika lainnya seperti Minitab, Syastas, Microstat

dan lain-lain. SPSS yang dipakai dalam praktikum ini adalah SPSS V. 19.

Cara kerja SPSS:

Input Data dengan data editor Output dan interpretasi hasil

Pada saat SPSS pertama kali dibuka, selalu tampil tampilan pertama sebagai berikut:

Jika data data sudah tersimpan, maka kita bisa langsung membuka data tersebut. Jika data belum tersimpan, bisa di klik Cancel.

SPSS data editor mempunyai dua jendela, yaitu:

- Data View : Tempat untuk menginput data statistik

- Variabel view : Tempat untuk mendefinisikan variabel.

Proses dengan

data editor

3 | P a g e


MENU BAR

SPSS Environment

MENU BAR : Kumpulan perintah – perintah dasar untuk meng-operasikan SPSS.

Menu yang terdapat pada SPSS adalah :

A. 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

o NEW : membuat lembar kerja baru SPSS

o OPEN : membuka dokumen SPSS yang telah ada

VARIABLE VIEW DATA VIEW

TOOL

BAR

4 | P a g e


Secara umum ada 3 macam ekstensi dalam lembar kerja SPSS, yaitu :

a. *.spo : file data yang dihasilkan pada lembar data editor

b. *.sav : file text/obyek yang dihasilkan oleh lembar output

c. *.cht : file obyek gambar/chart yang dihasilkan oleh chart window

o Read Text Data : membuka dokumen dari file text (yang berekstensi txt),

yang bisa dimasukkan/dikonversi dalam lembar data SPSS

o Save : menyimpan dokumen/hasil kerja yang telah dibuat.

o Save As : menyimpan ulang dokumen dengan nama/tempat/type

dokumen yang berbeda

o Page Setup : mengatur halaman kerja SPSS

o 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

o Print Preview : melihat contoh hasil cetakan yang nantinya diperoleh

o Recently used data : berisi list file data yang pernah dibuka sebelumnya.

o Recently used file : berisi list file secara keseluruhan yang pernah dikerjakan

B. EDIT

Untuk melakukan pengeditan pada operasi SPSS baik data, serta pengaturan/option

untuk konfigurasi SPSS secara keseluruhan.

♠ Undo : pembatalan perintah yang dilakukan sebelumnya

♠ Redo : perintah pembatalan perintah redo yang dilakukan sebelumnya

♠ Cut : penghapusan sebual sel/text/obyek, bisa dicopy untuk

keperluan tertentu dengan perintah dari menu paste

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

atau cut

♠ Paste after : mengulangi perintah paste sebelumya

♠ Paste spesial : perintah paste spesial, yaitu bisa konvesri ke gambar, word,

dll

♠ Clear : menghapusan sebuah sel/text/obyek

♠ Find : mencari suatu text

♠ Options : mengatur konfigurasi tampilan lembar SPSS secara umum

C. VIEW

Untuk pengaturan tambilan di layar kerja SPSS, serta mengetahu proses-prose yang

sedang terjadi pada operasi SPSS.

♠ Status Bar : mengetahui proses yang sedang berlangsung

♠ Toolbar : mengatur tampilan toolbar

♠ Fonts : untuk mengatur jenis, ukuran font pada data editor SPSS

- Outline size : ukuran font lembar output SPSS

- Outline font : jenis font lembar output SPSS

♠ Gridlines : mengatur garis sel pada editor SPSS

♠ Value labels : mengatur tampilan pada editor untuk mengetahui value

label

D. 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

5 | P a g e


♠ 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

E. 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

`♠ Categorize variable : merubah angka rasional menjadi diskrit

♠ Rank case : mengurutkan nilai data sebuah variabel

F. 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.

G. GRAPH

Menu graph digunakan untuk membuat grafik, diantaranya ialah bar, line, pie, dll

H. UTILITIES

Menu utilities dipergunakan untuk mengetahui informasi variabel, informasi file, dll

I. 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

J. WINDOWS

Menu windows digunakan untuk melakukan perpindahan (switch) dari satu file ke file

lainnya

K. HELP

Menu help digunakan untuk membantu pengguna dalam memahami perintah-perintah

SPSS jika menemui kesulitan

6 | P a g e


BAB 2

INPUT DATA

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.(untuk SPSS versi 19, jumlah karakter tidak terbatas).

- 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. (Nilai ini bisa dirubah dengan mengklik kolom

masing-masing)

- 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 : untuk format satuan, (mis: mata uang, massa, panjang,

dll)

h. String : biasanya huruf atau karakter lainnya

Label

Tempat memberi keterangan dari nama variabel yang dibuat, hal ini digunakan untuk

menutupi keterbatasan jumlah karakter dari nama variabel.

Values

Tempat mendfinisikan kode-kode jika tipe data nominal atau ordinal yang

membutuhkan kodifikasi. Jika tidak diperlukan maka tidak perlu diisi dan SPSS

secara otomayis akan menulis None dan data dianggap numerik murni (interval atau

rasio)

Missing

Hanya diisi jika data yang banyak angka missing.

7 | P a g e


Coloumn dan Aligment

Untuk tempat mendefiniskan lebar kolam data editor dan posisi letak (aligment )

tampilan data.

Measure

Tempat mendefinisikan jenis ukuran data.

Terdapat 3 jenis ukuran pada SPSS yaitu:

a. Ukuran Skala Nominal, yaitu skala dimana angka digunakan sebagai label atau

tanda untuk mengidentifikasikan dan mengklarifikasikan suatu objek dengan

koresponednsi 1 – 1. Artinya 1 angka hanya mewakili 1 objek. ( Misalnya,

variabel nama, nim, dll).

b. Ukuran Skala Scale, yaitu skala untuk ukuran data yang menyatakan kuantitaif

atau nilai dari suatu variabel. (misalnya: volume penjualan, gaji, berat badan, dll).

Ukuran ini juga dipakai untuk variabel yang diberi Values label.

c. Ukuran Skala Ordinal, yaitu skala pemeringkat dimana angka ditetapkan untuk

mengidikasikan relativitas karakter yang dimiliki. Skala ordinal mengindikasikan

posisi relatif, misalnya mahasiswa yang diberi peringkat 1 berarti secara relatif

lebih baik dari peringkat 2, 3, dst, namun tidak dapat diketahui apakah antara

peringkat 1 dan 2 perbedannya sangat tipis atau sangat jauh.

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.

Kasus 1.

Berikut adalah data Karyawan PT Sejahtera Merata. Input data berikut ke SPSS.

Nama Tinggi

badan

Jenis

kelamin Tgl Lahir Golongan Gaji Penjualan

Suhendry 165 Laki-laki 12-05-1970 Manager Rp 6.400.000,00 $ 1.500,00

Budi 174 Laki-laki 24-04-1965 Supervisor Rp 3.500.000,00 $ 2.000,00

Hermawan 160 Laki-laki 10-08-1980 Karyawan Rp 2.750.000,00 $ 1.750,00

Inri leoni 156 Perempuan 24-06-1979 Karyawan Rp 2.500.000,00 $ 1.250,00

Davine 170 Perempuan 07-12-1988 Direksi Rp 9.750.000,00 $ 3.000,00

Priskila 165 Perempuan 23-10-1982 Direksi Rp 9.500.000,00 $ 4.500,00

Zoel A 180 Laki-laki 21-01-1990 Manager Rp 7.000.000,00 $1.500,00

Nicholas 167 Laki-laki 18-02-1988 Supervisor Rp 4.350.000,00 $ 2.000,00

Suryani 154 Perempuan 08-08-1987 Karyawan Rp 2.250.000,00 $ 4.000,00

Jeremy T 161 Laki-laki 10-08-1989 Supervisor Rp 4.250.000,00 $ 3.000,00

Noviayanti 155 Perempuan 10-05-1988 Manager Rp 7.000.000,00 $ 2.500,00

Elsa M 145 Perempuan 23-08-1978 Karyawan Rp 3.000.000,00 $ 1.750,00

Yogie T 178 Laki-laki 16-09-1987 Manager Rp 6.750.000,00 $ 2.100,00

Riantomuan 167 Laki-laki 23-07-1975 Karyawan Rp 2.700.000,00 $ 1.750,00

Andika T 170 Laki-laki 10-10-1990 Manager Rp 7.500.000,00 $ 3.000,00

Winda R T 160 Perempuan 08-12-1988 Direksi Rp 8.200.000,00 $ 1.500,00

Teressia 162 Perempuan 23-08-1989 Direksi Rp 8.750.000,00 $ 4.000,00

John DP 155 Laki-laki 23-12-1979 Karyawan Rp 3.100.000,00 $ 1.750,00

Sinta R 150 Perempuan 23-08-1977 Supervisor Rp 4.000.000,00 $ 2.000,00

Briant S 165 Laki-laki 24-10-1977 Manager Rp 4.800.000,00 $ 2.400,00

Keterangan:

Untuk Jenis kelamin: 1 = Laki-laki, 2 = Perempuan

Untuk Golongan : 1 = Direksi, 2 = Manager, 3 = Supervisor, 4 = karyawan

8 | P a g e


Kasus 2.

Berikut adalah data karyawan PT. HANS TRAVEL untuk tahun 2008.

Gol. Nomor induk pegawai (NIP)

I 950101 950202 000104 950103 070122 050115

II 070116 000106 000205 070124 070123 070219

III 000208 050117 000107 050111 050213 070120

IV 050109 070118 050210 050212 050114 070121

Data Gaji Pokok:

Golongan I II III IV

Gaji Pokok Rp 2.200.000,- Rp 2.800.000,- Rp 2.500.000,- Rp 4.200.000,-

Input data di atas ke dalam SPSS.

9 | P a g e


Bab 3

TRANSFORMASI DATA

Komputasi data dalam SPSS yaitu suatu langkah yang digunakan untuk menghasilkan suatu

variabel baru yang merupakan hasil operasi dari satu atau lebih variabel yang telah ada. Hal ini

diperlukan karena tidak semua data bisa langsung diambil dari lapangan, tetapi suatu variabel bisa saja

merupakan penggabungan dari beberapa variabel lain atau hasil perhitungan dar sati variabel atau lebih

dengan operasi matematika.

Dalam SPSS dipakai menu Transform.

Menu transform yang umum dipakai antara lain:

1. Compute.

Perintah atau sub menu ini berfungsi untuk menambah variabel baru yang berisi hasil

perhitungan (compute) berdasarkan data dari variabel lama.

2. Count.

Perintah atau sub menu ini berfungsi untuk menghitung (count) data dengan kriteria tertentu.

3. Recode .

Perintah ini berfungsi untuk memberi kode ulang (recode) ke suatu variabel berdasarkan

kriteria tertentu. Recode terbagi dua yaitu:

- Dalam variabel yang sama (into same variable)

- Dalam variabel yang berbeda (into different variable)

4. Rank Cases.

Perintah ini berfungsi untuk mengurutkan (rank) kasus dengan kriteria tertentu.

10 | P a g e


Kasus 3. Berikut data Karyawan PT Jaya Naga

no NIP Status Gaji pokok Jlh anak Over time

1 9010105 Menikah Rp 2.500.000,- 2 24 2 9510107 Menikah Rp 2.000.000,- 3 18

3 9010106 Menikah Rp 2.500.000,- 2 6

4 9110237 Menikah Rp 3.500.000,- 2 9

5 9910235 Menikah Rp 4.500.000,- 3 0

6 9910105 Tidak menikah Rp1.800.000 ,- 0 5

7 9810106 Menikah Rp 2.100.000,- 3 15

8 9810207 Tidak menikah Rp 3.000.000,- 0 20

9 9110305 Menikah Rp 1.200.000,- 3 18

10 9510308 Tidak menikah Rp 1.200.000,- 0 24 11 9010409 Tidak menikah Rp 800.000,- 0 24

12 9310407 Tidak menikah Rp 750.000,- 0 18

13 9810124 Menikah Rp 1.900.000,- 4 5

14 9910438 Tidak menikah Rp 900.000,- 0 5

15 9910388 Tidak menikah Rp 1.400.000,- 0 24

16 9010278 Menikah Rp 4.500.000,- 3 5

17 9010368 Menikah Rp 1.400.000,- 3 9

18 9510298 Menikah Rp 2.800.000,- 2 6

19 9810499 Tidak menikah Rp 900.000,- 0 9

20 0810321 Tidak menikah Rp 1.400.000,- 0 6 21 0810120 Menikah Rp 1.500.000,- 1 18

22 0810206 Tidak menikah Rp 3.500.000,- 0 18

23 0810235 Menikah Rp 3.500.000,- 2 9

24 9010142 Menikah Rp 3.000.000,- 2 6

25 9810452 Tidak menikah Rp 1.100.000,- 0 0

a. input data diatas ke dalam spss b. tentukan variabel tahun masuk berdasarkan 2 digit pertama NIP dan tentukan masa kerja masing-masing. c. tentukan jabatan berdasarkan digit ke – 3 sampai ke – 5 NIP, dimana: 101 = administrasi, 102 = manager, 103 = teknik

informasi, 104 = relationship d. hitung tunjangan berdasarkan: jika menikah: - tunjangan suami/istri = 20 % gaji pokok, tunjangan anak 10 % dari gaji pokok untuk setiap anak,

tunjangan kesehatan 5% per setiap anggota keluarga

jika tidak menikah: - Tunjangan kesehatan 10% dari gaji pokok ditambah tunjangan cari jodoh 10% dari gaji pokok.

(Dalam satu variabel saja)

e. Tentukan gaji total, dimana Over time dibayar Rp 50.000,- per jam. f. Tentukan kriteria karyawan dengan catatan sebagai berikut:

- Kaya jika gaji pokok 3.500.000 atau lebih. - Sejahtera jika gaji pokok 2.000.000 sampai 3.499.999,- - Bahagia jika gaji pokok 1.000.000 sampai 1.900.000,- - Sederhana jika gaji pokok kurang dari 1.000.000,-

g. Buat rangking untuk gaji total berdasarkan jabatan karyawan.

11 | P a g e


Bab 4

Penyajian Laporan

Menyajikan data dalam bentuk yang simpel dan informatif merupakan hal cukup penting

dilakukan. Dalam SPSS hal ini dapat dilakukan dengan menu Report.

Penyajian laporan dalam SPSS terdiri dari beberapa bentuk tampilan hasil yang berbeda, yaitu:

1. Codebook.

Menyajikan laporan variabel lengkap dengan standard atribut variabel beserta ukuran

deskriptifnya. 2. OLAP Cubes.

Online Analytical Processing Cubes, menyajikan laporan suatu variabel berdasarkan group

atau kelompoknya dalam masing-masing layer yang berbeda.

3. Case Summaries.

Menyajikan laporan suatu varibel berdasarkan group atau kelompoknya. Hasil yang ditampilkan sama dengan OLAP Cubes, tetapi disajikan hanya dalam satu tabel yang

tergabung.

4. Report Summaries in Rows.

Menyajikan laporan yang disajikan dalam bentuk baris.

5. Report Summaries in Columns. Menyajikan laporan yang disajikan dalam bentuk kolom.

Kasus 4. Dari data karyawan PT Naga Jaya (kasus 3, halaman 10), sajikan laporan untuk variabel gaji

berdasarkan pengelopokan jenis kelamin dalam bentuk ke-lima laporan diatas. Tuliskan juga

perbedaan dari masing-masing laporan yang disajikan.

12 | P a g e


Bab 5

STATISTIKA DESKRIPTIF

Teori Ukuran Data

Statistika 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. Distribusi Frekuensi.

2. 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 Descriptive Statistics Frequencies

b. Analyse Descriptive Statistics Description

c. Analyse Descriptive Statistics Explore

Menggunakan Analisa Frequencies

PROSEDUR : Analyse Descriptive Statistics Frequencies

Klik menu Analyse Descriptive Statistics 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

Klik format, beri tanda pada ascending value pada pilihan order by untuk mengurutkan

data dari nilai terkecil terbesar.

Klik OK.

13 | P a g e


Kasus 5.

Data nilai UTS Statistik dari 15 anak kelas A yaitu :

Nama Nilai UTS

1. Mimi 90

2. Melisa 60

3. Yolin 65

4. Nina 55

5. Parto 70

6. Jerry 71

7. Tom-Tom 72

8. Yusron 80

9. Ableh 76

10. 10 Stefanus 56

11 Chandra 59

12 Roy 77

13 Ardian 85

14 Nita 89

15 Mawan 90

Langkah-langkahnya sebagai berikut:

Klik Menu Analyze pilih Descrivtive Statistics lalu pilih Frequncies, pindahkan

variabel Nilai Uts.

Klik Option Lalu centang nilai-nilai yang akan dihitung.

14 | P a g e


Klik Charts untuk memilih grafik yang dibutuhkan.

Klik Format untuk memilih urutan tampilan data.

Selanjutnya klik Continue dan OK. Maka diperoleh output sebagai berikut:

15 | P a g e


Keterangan:

- N menjelaskan bahwa data yang diolah sebanyak 15 - Mean, median, Mode, std. Deviationdan variance menjelaskan nilai rata-rata, median, modus,

standar deviasi dan varians data. - Skewness menjelaskan kesimetrisan. Sebuah data dikatakan simetris bila nilai-nilainya

tersebar merata disekitar nilai rata-ratanya. Jika bernilai 0 maka data simetris, < - 1 maka data contong ke kiri, > 1 maka data condong ke kanan. Karena nilai skewness dari data ini = -0.007 maka data dapat dianggap simetris.

- Kurtosis menyatakn ukuran keruncingan kurva data. - Selanjutnya range dan precentile dari data. - Berikutnya disajikan distribusi frekuensi dan histogram dari data.

Kasus 6. Lakukan Analisa Deskriftif untuk variabel gaji dan penjualan dari data pada Kasus 3 Hal.9.

16 | P a g e


Analisa Deskripsi

PROSEDUR : Analyse Descriptive Statistics Description

Klik Analyse Descriptive Statistics Description

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

Klik continue.

Klik OK

Contoh kasus.

Dengan menggunakan data nilai UTS dilakukan Analisa Deskriftif dengan

menggunakan langkah-langkah diatas sebagai berikut:

Dan diperoleh output sebagai berikut:

17 | P a g e


Dapat dilihat bahwa output yang ditampilkan tidak berbeda dengan pada analisa deskriptif frequence. Tetapi jika dilihat pada data view maka muncul variabel baru ZNilai_UTS yang dapat dipakai untuk mengetahui apakah terdapat data pencilan (outlier). Nilai Z yang berada diantara -1,96 sampai dengan 1,96 menunjukkan bahawa tidak ada data pencilan.

Kasus 7.

Data dari hasil penelitian kemasan pasta gigi diambil sample sebagai berikut :

Responden Merk Nilai Desain

Kemasan Minat Beli

1 Pepsodent 10 100

2 Ciptadent 75 80

3 Sensodyne 86 94

4 Kodomo 10 88

5 Close Up 10 90

6 Listerin 91 96

7 Switsal 10 95

8 Pepsodent Herbal 86 75

9 Ritadent 70 60

10 Close Up Whitening 80 86

Lakukan analisa Frekuensi untuk data diatas.

Explore

PROSEDUR : Analyse Descriptive Statistics Explore

Klik Analyse Descriptive Statistics Explore


Klik continue.

Klik OK

18 | P a g e


Contoh kasus.

Dari data karyawan PT Sejahtera Merata pada kasus 1 ( halaman 7), dapat dilakukan

analisa dengan menggunakan menu Explore untuk variabel gaji berdasarkan

pengelompokan golongan sebagai berikut.

Langkah-langkah:

1. Buka file data

2. Klik Analyse Descriptive Statistics Explore

3. Pindahkan variabel Gaji ke dependent list, dan golongan ke factor list.

4. Klik Statistics aktifkan semua.

5. Klik Continiu, lalu klik Plot, pilih factor levels together, stem-and-leaf dan

histogram.

19 | P a g e


6. Klik Continiu lalu OK. Maka muncul output sebagai berikut:

Case Processing Summary

Golongan

Cases

Valid Missing Total

N Percent N Percent N Percent

Gaji direksi 4 100.0% 0 .0% 4 100.0%

manager 6 100.0% 0 .0% 6 100.0%

supervisor 4 100.0% 0 .0% 4 100.0%

karyawan 6 100.0% 0 .0% 6 100.0%

Ket.

Menjelaskan statistik deskriptif gaji berdasarkan tiap golongan.

Dst……

Ket.

Menjelaskan statistic deskriptif gaji berdasarkan tiap golongan.

Menyajikan presentil data.

20 | P a g e


Stem-and-Leaf Plots

gaji Stem-and-Leaf Plot for

Golongan= direksi

Frequency Stem & Leaf

1.00 8 . 2

1.00 8 . 7

.00 9 .

2.00 9 . 57

Stem width: 1000000

Each leaf: 1 case(s)

Ket. Menunjukkan bahwa ada 1 direksi yang bergaji 8.2 juta, 1 orang bergaji 8.7 juta, 1 orang

bergaji 9.5 juta dan 1 orang bergaji 9.7 juta.

Demikian seterusnya untuk stem-and-leaf yang lain. gaji Stem-and-Leaf Plot for Golongan= manager Frequency Stem & Leaf 1.00 Extremes (=<4800000) 1.00 6 . 4 1.00 6 . 7 2.00 7 . 00 1.00 7 . 5 Stem width: 1000000 Each leaf: 1 case(s)

21 | P a g e


gaji Stem-and-Leaf Plot for Golongan= supervisor Frequency Stem & Leaf .00 3 . 1.00 3 . 5 3.00 4 . 023 Stem width: 1000000 Each leaf: 1 case(s) gaji Stem-and-Leaf Plot for Golongan= karyawan Frequency Stem & Leaf 1.00 2 . 2 3.00 2 . 577 2.00 3 . 01 Stem width: 1000000 Each leaf: 1 case(s)

Ket.

Diagram ini menunjukkan nilai minimum, kuartil 1, Median, Kuartil 3 dan nilai maksimum

untuk masing-masing kelompok.

Crosstabs

PROSEDUR : Analyse Descriptive Statistics Crosstabs

Klik Analyse Descriptive Statistics Crosstabs.


Klik continue.

Klik OK

22 | P a g e


Crosstabs digunakan untuk menyajikan deskripsi data dalam bentuk tabel silang (crosstab),

yang terdiri atas baris dan kolom.

Latihan.

Lakukan beberapa latihan untuk menu deskriftif ( Decrivtive, Frequencies, explore dan

crosstabs) statistik untuk variabel penjualan dari data pada kasus 1 halaman 7 , lengkapi

dengan hasil analisisnya.

23 | P a g e


BAB 6

UJI HIPOTESA RATA-RATA POPULASI

6.1.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.

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 Hı . Hipotesis kerja atau Hı merupakan kesimpulan sementara dan hubungan antar

variabel yang sudah dipelajari dari teori-teori yang berhubungan dengan masalah tersebut.

Untuk pengujian Hı 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 Ho salah

Terima Ho tepat galat jenis II (β)

Tolak Ho galat jenis I (α) 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 (α). Begitu pula sebaliknya jika kita menyimpulkan untuk menerima Ho padahal Ho

salah, maka kita telah melakukan kekeliruan yang disebut kekeliruan atau galat jenis II (β).

Jika nilai α diperkecil, maka akan menjadi β besar. Nilai α biasanya ditetapkan sebesar

0,05 atau 0,01. Jika α = 0,05, artinya 5 dari setiap 100 kesimpulan kita akan menolak Ho,

yang seharusnya diterima. Harga (1- β) disebut Kuasa Uji atau Kekuatan Uji.

Teknik dalam pengujian hipotesis dilakukan berdasarkan :

a. Pengujian Satu Pihak

Ho : µ = µo

Hı : µ > µo

Hı : µ < µo

b. Pengujian Dua Pihak

Ho : µ = µo

Hı : µ ≠ µo

Pengujian rata-rata satu sampel

24 | P a g e


Pengujian rata-rata satu sampel dimaksudkan untuk menguji nilai tengah atau rata-

rata populasi µ sama dengan nilai tertentu µo, lawan hipotesis alternatifnya bahwa nilai

tengah atau rata-rata populasi µ tidak sama dengan µo. Jadi kita akan menguji :

Ho : µ = µo lawan Hı : µ ≠ µo

Ho merupakan hipotesa awal.

Contoh Kasus.

Seorang Manager kualiti kontrol pengisian galon susu murni melakuan penelitian

mengenai volume galon susu murni yang pada kemasannya tertulis isinya 10 liter. Untuk itu

diambil sampel secara acak dari 10 botol yang telah diukur isinya, diperoleh hasil sebagai

berikut :

10,2 9,7 10,1 10,3 10,1 9,8 9,9 10,4 10,3 9,8.

Dengan α = 0,01 (atau tingkat kepercayaan 99%) ujilah apakah volume kemasan sama

dengan yang tertera kemasannya.

Analisa secara manual :

1. Hipotesis Ho : α = 10 lawan Hı : α # 10

2. Uji statistik t (karena α tidak diketahui atau n < 30).

3. α = 0.01

4. Wilayah kritik : t < tα/2(n-1) atau t > t α/2(n-1).

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

s

nxthit

)( = 0.772

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 :

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.

Isikan 10 pada test value, yang menyatakan nilai yang diuji (µ0 = 10). Setelah itu

pilih option, maka akan muncul jendela baru:

25 | P a g e


Isikan tingkat kepercayaan 99%, klik Continue lalu OK.

3. Sehingga menghasilkan output sebagai berikut :

Keterangan hasil analisa :

Std error = Standar Error

T = nilai hitung

Df = derajat kebebasan

Sig (2-tailed) = probabilitas (α/2)

Mean difference = perbandingan rata-rata

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

26 | P a g e


Kasus 8.

Seorang pengusaha berpendapat bahwa rata-rata penjualan perhari karyawan-karyawannya

adalah sebesar $ 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 α = 0,05. ujilah pendapat tersebut dan berikan

analisa anda. Hasil wawancaranya adalah sebagai berikut.

Nama Penjualan ($)

Aan 1000

andi 980

beril 880

bona 970

cici 850

dimas 750

erik 770

gogon 920

Hari 870

heru 900

ila 930

osin 1080

mima 1200

neni 1040

sila 1040

Siqi 850

Tata 950

Tita 1100

Wina 1110

zula 990

Lakukan analisa dan tuliskan hasil analisanya!

6.2. 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), dua sampel

berasal dari populasi yang sama diberi perlakuan yang berbeda 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.

Contoh kasus.

Manager penjualan PT Persada Nusantara melihat bahwa telah terjadi penurunan penjualan

dari salesmannya. Untuk itu diadakan pelatihan Marketing, dengan harapan stelah pelatihan

penjualan akan meningkat. Untuk menguji efektifitas pelatihan tersebut diambil 12 orang

sampel dan dicatat nilai penjualannya masing-masing sebelum dan setelah mengikuti

pelatihan. Diperoleh hasil sebagai berikut:

27 | P a g e


No Nama Penjualan (dalam US $)

Sebelum Sesudah

1 Bram 275 285

2 Bernike 260 265

3 Herman 315 335

4 Pramono 245 250

5 Jacky S 240 245

6 Hasoloan 290 305

7 Shinta 415 445

8 Mariati 265 260

9 Jhon P 290 295

10 Zoel A 295 305

11 Himawan 305 315

12 Pitor 315 340

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. Data diatas merupakan data berpasangan , maka langkahnya:

Klik Analyze Compare Means Paired Samples T-Test

Maka akan muncul tampilan sebagai berikut :

Paired Samples Statistics

Mean N Std. Deviation Std. Error Mean

Pair 1 Sesudah 303.7500 12 54.40275 15.70472

Sebelum 292.5000 12 46.04839 13.29303

Paired Samples Correlations

N Correlation Sig.

Pair 1 sesudah & sebelum 12 .995 .000

Paired Samples Test

Paired Differences

t df

Sig. (2-

tailed) Mean

Std.

Deviation

Std. Error

Mean

95% Confidence

Interval of the

Difference

Lower Upper

Pair 1 sesudah –

sebelum

11.2500

0

9.79912 2.82876 5.02394 17.47606 3.977 11 .002

Ket.

Berdasarkan hasil output diatas, dapat diketahui thitung = 3,977 dengan

sig.level = 0.002 < 0.05 (nilai α)

Kesimpulan : Pelatihan mampu meningkatkan jumlah penjualan.

28 | P a g e


Kasus 9.

Berikut adalah data keuntungan sebuah perusahaan taksi dengan menggunakan merk ban

mobil yang berbeda. Ujilah taraf nyata α = 0.05 apakah keuntungan yang diproleh sama untuk

merk ban A dan merk ban B. Data keuntungan (dalam ratusan dolar per bulan) menit adalah :

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 !

Kasus 10.

Seorang dosen berpendapat bahwa tidak ada perbedaan nilai rata-rata mahasiswa kelas A dan

mahasiswa 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 mahasiswa 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 α = 5%, uji pendapat tersebut.

Masa Putar (menit)

Merk A 55 58 55 52 59

Merk B 65 59 60 64 62 65 58

29 | P a g e


BAB 7

ANALISA SIDIK RAGAM (ANOVA)

7.1. ANALISA RAGAM SATU ARAH

Analisa ragam satu arah ( oneway ANOVA) digunakan untuk membandingkan mean lebih

dari dua populasi.

Bentuk hipotesisnya adalah sebagai berikut :

H0 : μ1 = μ2 = μ3 = … = μk

H1 : minimal ada dua mean popuasi yang tidak sama.

Contoh kasus

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

4.1 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 α = 0,01.

Penyelesaian

1. Input data ke SPSS Data Editor.

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

3. 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.

30 | P a g e


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 Sig.

1.613 2 11 .243

ANOVA

jumlah produk cacat

Sum of Squares df Mean Square F Sig.

Between Groups 9.274 2 4.637 15.098 .001

Within Groups 3.378 11 .307

Total 12.652 13

31 | P a g e


Homogeneous Subsets

jumlah produk cacat

Production LIne N

Subset for alpha = 0.05

1 2

Scheffea,b

Production_3 6 1.9833



Sig. .624 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 α = 0,01. Sehingga H0 : σ12 = σ2

2 = σ3

2 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 α = 0,01,

maka H0 : μ1 = μ2 = μ3 ditolak.

Kesimpulan: ketiga production line menghasilkan produk dengan kualitas yang

berbeda.

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.

32 | P a g e


Kasus 9.

1. seseorang ingin mengetahui apakah ada perbedaan pengaruh bentuk kemasan parfum

terhadap volume penjualannya. Untuk itu diambil sampel dari 10 toko kosmetik yang

menjual parvum tersebut, dan diperoleh hasil penjualan bulanan sebagai berikut:

Bentuk kemasan

Botol Persegi Kaleng Botol Lonjong

350 300 342

375 300 310

380 275 290

370 290 370

410 310 340

400 330 330

500 350 350

475 290 400

385 310 450

420 305 325

Lakukan uji hipoesa dengan menggunakan α = 0,05.

7.2. 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 : = = = …=

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 : (μAB)1 = (μAB)2 = (μAB)3 = … = (μAB)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-r dari factor pertama.

= mean populasi baris ke-1 dari factor kedua.

Dan seterusnya..

33 | P a g e


Contoh kasus analisa ragan 2 arah

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.

80Nama

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

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

Gunakan α = 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.

Penyelesaian.

1. Input data ke SPSS data editor.

2. Kemudian klik analyze dan klik general linear model lalu pilih univariate.

3. Pindahkan variabel nilai kuis [nilai]. Kedependen variable dan variabel mahasiswa

[mahasiswa] serta variabel matakuliah[mtkuliah] ke Fixed factor(s).

34 | P a g e


4. 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 Games-

Howell bila di asumsikan variance tidak sama.

Disini kita memilih Bonferroni karena belum tahu asumsi mana yang bisa dipenuhi.

5. Kemudian klik continue. Lalu klik option. Pilih Homogeneity test.

6. Kemudian klik continue lalu klik ok. Maka akan didapat hasil sebagai berikut :

35 | P a g e


Univariate Analysis of Variance

Between-Subjects Factors

Value Label N

Matakuliah 1 MATEMATIKA 15

2 STATISTIKA 15

3 BAHASA

INGGRIS

15

4 BAHASA

INDONESIA

15

mahasiswa 1 ANDI 12

2 DIAH 12

3 HENDRA 12

4 SHINTA 12

5 YANTI 12

Levene's Test of Equality of Error Variancesa

Dependent Variable:nilai

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 + Matakuliah + mahasiswa +

Matakuliah * mahasiswa

Tests of Between-Subjects Effects

Dependent Variable:nilai

Source

Type III Sum of

Squares df Mean Square F Sig.

Corrected Model 7300.600a 19 384.242 163.507 .000

Intercept 325901.400 1 325901.400 138681.447 .000

Matakuliah 92.600 3 30.867 13.135 .000

mahasiswa 6854.267 4 1713.567 729.177 .000

Matakuliah * mahasiswa 353.733 12 29.478 12.544 .000

Error 94.000 40 2.350

Total 333296.000 60

Corrected Total 7394.600 59

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

36 | P a g e


Homogeneous Subsets Mahasiswa

Multiple Comparisons

37 | P a g e


Interpretasi hasil

Dari tabel levene’s 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 α = 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

α=0,05,

maka H0 : μandy = μdiah = μhendra = μsinta = μyanti ditolak.

Kesimpulan: kelima mahasiswa mepunyai kemampuan yang berbeda.

b. Faktor matakuliah nilai uji F = 13,135 dengan derajat 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

α=0,05,

maka H0 : μmatematika = μstatistika = μbahasainggris = μbahasa indonesia ditolak. Kesimpulan:

keempat mata kuliah mepunyai tingkat kesulitan yang berbeda.

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 P-value

lebih kecil dari α= 0,05,

maka H0 : (μmhs-mtkliah)1 = (μmhs-mtkliah)2 = … = (μmhs-mtkliah)20 ditolak.

Kesimpulan: ada interaksi diantara kedua faktor.

Kasus 11.

1. Suatu perusahaan roti menduga bahwa penataan roti pada etalase yang dipajang

mempengaruhi penjualan roti. Penataan roti pada etalase meliputi tinggi (A :A1 , A2,

A3) dan lebar (B1,B 2, B3). Apabila tingkat penjualan di ukur dari banyaknya roti yang

terjual dan asumsikan α = 0,05 diperoleh data sebagai berikut :

Faktor A

Faktor B

B1 ( regular) B2 (non regular)

A1 (dasar) 47

43

46

40

A2 (tengah) 62

68

67

71

A3 (tengah) 41

39

42

46

38 | P a g e


BAB 8

ANALISA HUBUNGAN

8.1. ANALISA KORELASI

1 Tujuan

Dari praktikum ini praktikan diharapkan :

1. Dapat menghitung.koefisien korelasi.

2. Dapat menjelaskan pentingnya analisis hubungan.

3. Dapat melatih kemampuan mahasiswa/i untuk mengatasi permasalahan industri yang

berhubungan dergan kolerasi.

4. Dapat mengembangkan keterampilan mahasiswa/i dalam menggunakan dan

menganalisa dengan program SPSS Ver. 19.0

2. Landasan Teori

2.1 Korelasi Linier

Sampai saat ini dianggap bahwa peubah bebas X dikendalikan, jadi bukan suatu

peubah acak. Sebetulnya dalam hal ini, X sering disebut peubah matematika, yang dalam

proses pengambilan terak tanpa galat yang berarti.

Kita ingin memandang permasalaban mengukur hubungan antara kedua peubah

X dan Y. Dalam suatu kasus, bila X adalah umur suatu mobil bekas dan Y nilai jual

mobil tersebut, maka kita membayangkan nilai-nilai X yang kecil berpadanan dengan

nilai-nilai Y yang besar. Analiis kolerasi mencoba mengukur kekuatan hubungan antara

dua peubah demikian melalui sebuah bilangan yang disebut koefisien kolerasi.

Didefinisikan koefisien kolerasi linier sebagai huhungan linier antara dua peubah

acak X dan Y, dan dilambangkan dengan r. Jadi, r mengukur sejauh mana titik

menggerombol sekitar sebuah garis lurus. Oleh karena itu dengan membuat diagram

pencar bagi n pengamatan [(Xi, Yi), I = 1,2........, n] dan contoh acak, dapat ditarik

kesimpulan tertentu mengenai r. Bila titik-titik menggerombol mengikuti sebuah garis

lurus dengan kemiringan positif, maka ada kolerasi positif yang tinggi kedua peubah.

Akan tetapi, bila titik-titik menggerombol mengikuti sebuah garis lurus dengan

kemiringan negatif, maka antara kedua peubah itu terdapat kolerasi negatif yang tinggi.

Kolerasi antara kedua peubah semakin menurun secara numerik dengan semakin

memancarnya atau menjauhnya titik-titik dan suatu garis lurus.

Ukuran korelasi linier antara dua peubah yang paling banyak digunakan adalah

yang disebut koefisien korelasi momen hasil kali pearson atau ringkasnya koefisien

contoh.

Menurut Robert F. Walpole dalam bukunya Pengantar Statistika, 1996, koefisien

korelasi, ukuran hubungan linier antara dua peubah x dan y diduga dengan koefisien

korelasi contoh r, yaitu :

39 | P a g e


r =

n

i

n

iii

n

i

n

iii

n

i

n

ii

n

iiii

yynxxn

yxyxn

1

2

1

2

1

2

1

2

1 11

Dapat disimpulkan bahwa r nilainya pasti antara 0 dan 1. Akibatnya r mungkin

mengambil nilai dari -1 sampai +1. Nilai r = 1 semua titik contoh terletak pada satu garis iurus

yang mempunyai kemiringan positif. Jadi, hubungan linier sempurna terdapat antara nilai-nilai

x dari y dalam contoh, bila r = + 1 atau r = - 1. Bila r mendekati + 1 atau -1, hubungan antara

kedua peubah itu kuat dan terdapat korelasi yang tinggi antara keduanya. Akan tetapi, bila r

mendekari nol hubungan linier antara x dan y sangat lemah atau mungkin tidak ada sama

sekali.

Contoh kasus.

Sebuah perusahaan jeans memperkirakan bahwa iklan di televisi akan meningkatkan

permintaan produk jeans perusahaan tersebut. Bagian marketing perusahaan tersebut ingin

mengetahui hubungannya dalam koefisien korelasinya.Untuk itu telah diamil data permintaan

produk berdasarakan biaya iklan yang pernah dianggarakan dan digunakan selama 19 tahun

terakhir seperti tercantum dalam tabel berikut :

Jumlah permintaan jeans (dlm ribuan) Biaya iklan ( dlm puluhan juta)

94 0.473

96 0.753

95 0.929

95 0.939

94 0.832

95 0.983

94 1.049

104 1.178

104 1.176

106 1.292

108 1.403

110 1.499

113 1.529

113 1.599

118 1.749

115 1.746

121 1.897

127 2.040

131 2.231

a. Tentukan koefisien korelasinya dan jelaskan artinya.

b. Lakukan uji signifikansi korelasi berdasarkan hasil yang diperoleh.

Penyelesaian.

Langkah-langkahnya:

Input data ke dalam SPSS.

Pilih menu analyze, lalu pilih submenu correlate

Kemudian lakukan pengisian terhadap:

Kolom variabel

Kolom correlation coefisients, pilih pearson

40 | P a g e


Kolom test of significance, pilih two- tailed

Kolom flag significant correlations

Kolom options

Pilih statistics

Pilih missing values, pilih exclude cases pairwise

Tekan kontinu, lalu O.K

Correlations

jumlah_permint

aan_jeans biaya_iklan

jumlah_permintaan_jeans Pearson Correlation 1 .969**

Sig. (2-tailed) .000

N 19 19

biaya_iklan Pearson Correlation .969** 1

Sig. (2-tailed) .000

N 19 19

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

Terlihat bahwa koefisien korelasinya = 0.969, yang berarti bahwa korelasi kuat dan

searah (positif), artinya jika biaya iklan dinaikkan maka perimintaan jeans menngkat dan

sebalikyna jika biaya iklan menurun maka permintaan jeans menurun dengan peluang

0.969.

Uji hipotesa signifikansi korelasi.

Hipotesis

H0 : Korelasi = nol. (tidak ada hubungan (korelasi) antara dua vaniabel)

H1 : Korelasi ≠ nol (terdapat hubungan hubungan (korelasi) yang siginfikan antara dua

variabel

Jika probabilitas > α/2 , maka Ho diterima

Jika probabilitas < α/2, maka Ho ditolak

Keputusan:

Terlihat bahwa antara jumlah bahan baku dengan jumlah produk jadi berkorelasi secara

signifikan karena probabilitas 0.00 lebih kecil dari 0.005.

41 | P a g e


8.2. ANALISIS REGRESI SEDERHANA

Tujuan.

Dari praktikum ini praktikan diharapkan :

1. Dapat menjelaskan pentingnya analisis hubungan.

2. Dapat memahami dan menerapkan regresi.

3. Dapat menggunakan teknik ramalan dan melakukan analisis regresi.

4. Dapat melatih kemampuan mahasiswa/mahasiswi untuk mengatasi permasalahan yang

berhubungan dengan regresi.

5. Dapat mengembangkan keterampilan mahasiswa/mahasiswi dalam menggunakan dan

menganalisa dengan SPPS Ver. 19.0

2. Landasan Teori

2.1. Regresi Linier

Persamaan regresi adalah persamaan matematik yang memungkinkan untuk

meramalkan nilai-nilai suatu peubah tak bebas dari nilai-nilai satu atau lebih peubah bebas.

Regresi diterapkan pada semua jenis peramalan, dan tidak harus berimplikasi suatu

regresi mendekati nilai tengah populasi (Wallpole, 1996).

Bila diberikan data contoh [(xi, yi); i = 1,2 … n], maka nilai dugaan kuadrat terkecil

bagi parameter dalam garis regresi, yaitu :

ŷ = a + bx

koefisien regresi dapat diperoleh dari rumus :

n

i

n

iii

n

i

n

ii

n

iiii

yyn

yxyxn

b

1

2

1

2

1 11 dan

xbya

Dimana : a = Intersep / perpotongan dengan sumbu tegak

b = Kemiringan

y = Nilai ramalan yang dihasilkan garis regresi

= a + bxy

Gambar 1.2.1 Garis Regresi

42 | P a g e


Contoh kasus.

Berdasarkan contoh kasus pada Analisa Korelasi pada bagian sebelumnyaBagian marketing

perusahaan tersebut membuat model persamaan regresi untuk mempredeksi permintaan

produk berdasarakan biaya iklan.

a. Tentukan persamaan regresi untuk data diatas.

b. Apakah regresi yang didapat signifikan. Gunakan α = 0,05.

c. Jika diberikan biaya iklan sebesar 1,500 (dalam puluhan juta), berapa kira-kira jumlah

permintaan jeans?

d. Buat pendugaan interval dengan tingkat kepercayaan 95% bagi permintaan jeans jika

biaya iklan sebesar 1,500 (dalam puluhan juta).

Penyelesaiannya

Bentuk hipotesis untuk menguji koefisien b0 dan b1

H0 : β0 = 0, H0 : β0 0 DanH1 : β1 = 0 , H0 : β1 0

Dimana β0 dan β1 adalah parameter dari model regresi yi = β0 + β1 χi + εi

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).

4. pastikan anda memilih method : enter. Kemudian klik ok., maka akan di dapat hasil

sebagai berikut :

43 | P a g e


Model Summary

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 .969a .938 .935 3.01901

a. Predictors: (Constant), biaya_iklan

ANOVAb

Model Sum of Squares Df Mean Square F Sig.

1 Regression 2363.055 1 2363.055 259.266 .000a

Residual 154.945 17 9.114

Total 2518.000 18

a. Predictors: (Constant), biaya_iklan

b. Dependent Variable: jumlah_permintaan_jeans

Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig. B Std. Error Beta

1 (Constant) 74.673 2.124 35.161 .000

biaya_iklan 24.280 1.508 .969 16.102 .000

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 “

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 α = 0,05.

Uji F menguji secara serentak hipotesis

H0 : β1 = β2 = β3 = … βk = 0

H1 : tidak semua βi , ί = 1, 2, … , k sama dengan nol.

Tetapi karena pada regresi sederhana hanya ada satu β1, maka kita hanya menguji

H0 : β0 = 0

H1 : β1 0.

Dari tabel ANOVA jelas sekali terlihat bahwa H0 ditolak karena P-value = 0,000 lebih

kecil dari α = 0,05

Persamaan garis regresi menggunakan metode kuadrat terkecil ( least square method)

yang didapat adalah :

ŷ = 74,673 + 24,280 x

Dimana ŷ = jumlah permintaan jeans dan x = biaya iklan.

Untuk menguji signifikan masing-masing koefisien regresi digunakan uji statistik t.

untuk menguji β1 :

H0 : β1 = 0

H1 : β1 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 : β1 = 0,

karena P-value = 0,000 lebih kecil dari α = 0,05

44 | P a g e


Untuk pendugaan titik x = 1,500, dieproleh:

ŷ = 74,673 + 24,280 (1,500)

= 111,093

Untuk pendugaan titiknya

Dari tabel model summary diperoleh standar error pendugaan = 3.019, jadi pendugaan

interval dengan tingkat kepercayaan 95% untuk biaya iklan 1,5 (dalam puluhan juta

rupiah) adalah : ……

Kasus 11. Mentaricell dalam 20 minggu melakukan penjualan dengan data sebagai berikut

Minggu Penjualan Handphone

(unit) 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

Tentukan persamaan regresi untuk data diatas. Apakah regresi yang didapat

signifikan. Gunakan α = 0,05.

8.3. ANALISA REGRESI LINEAR BERGANDA

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.

Berbeda dengan regresi linier maka regresi berganda lebih kompleks (sulit) untuk mencari

persamaan regresi. Dengan melambangkan nilai dugaannya dengan b0, b1, ….., br, maka

didapat penulisan persamaan dalam bentuk.

ŷ = b0+b1 x1+b2 x2+…+br xr

dengan dua peubah bebas, persamaannya menjadi :

ŷ = b0+b1 x1 +b2 x2 + ei

45 | P a g e


Nilai dugaan kuadrat terkecil b0, b1, dan b2 dapat diperoleh dengan memecahkan

persamaan linier stimultan.

n

ii

n

iii

n

ii

n

iii

n

iii

n

ii

n

ii

n

iii

n

ii

n

ii

n

ii

xbxxbxbyx

xxbxbxbyx

xbxbnby

1

2

221

2111

201

2

1212

1

2

111

101

1

122

1110

1

Sistem persamaan linier tersebut dapat diselesaikan untuk mendapatkan b1 dan b2

dengan berbagai cara yang tersedia, antara lain dengan kaidah Cramer.

Contoh kasus.

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

37

38

39

30

28

20

23

25

28

29

4

4

5

2

0

3

0

1

2

4

5

35400

41200

45000

40300

22000

28000

13000

22000

26000

27000

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 α = 0,05.

Penyelesaiannya

1. Input data ke lembar kerja SPSS.

2. Kemudian klik analyze, regression, lalu pilih linear. Pindahkan variabel income ke

dependent dan variabel usia serta pengalaman kerja ke independent(s)

46 | 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 ok maka akan di dapat hasil sebagai berikut :

Variables Entered/Removedb

Model

Variables

Entered

Variables

Removed Method

1 pengalaman_ke

rja, usia

. Enter

a. All requested variables entered.

b. Dependent Variable: income

47 | P a g e


Model Summaryb

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate Durbin-Watson

1 .970a .941 .927 2615.35435 1.497

a. Predictors: (Constant), pengalaman_kerja, usia


ANOVAb

Model Sum of Squares Df Mean Square F Sig.

1 Regression 8.770E8 2 4.385E8 64.105 .000a

Residual 54720626.915 8 6840078.364

Total 9.317E8 10

a. Predictors: (Constant), pengalaman_kerja, usia


Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig. B Std. Error Beta

1 (Constant) -10360.507 4218.164 -2.456 .040

Usia 1201.098 157.935 .765 7.605 .000

pengalaman_kerja 1663.516 524.950 .319 3.169 .013

a. Dependent Variable: income

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 “

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

α = 0,05.

Uji F menguji hipotesis

H0 : β1 = β2 = 0

H1 : β1 dan β2 tidak sama dengan nol

Dari P-value = 0,000 yang lebih kecil dari α = 0,05., terlihat bahwa H0 : β1 = β2 = 0

ditolak secara signifikan. Ini berarti koefisien β1 dan β2 tidak smuanya bernilai nol.

Untuk menguji apakah masing-masing koefisien regresi signifikan, digunakan uji-t

dengan hasil sebagai berikut :

a. Variabel usia

H0 : β1=0

H1 0

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 α = 0,05.. hal ini merupakan bukti kuat

penolakan H0 : β1 = 0.

b. Variabel pengalaman kerja :

H0 : β2 = 0.

H1:𝛽2 0

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 α = 0,05.. hal ini merupakan bukti kuat

penolakan H0 : β2 = 0.

Sehingga dapat disimpulkan bahwa koefisien regresi tidak ada yang bernilai nol.

48 | P a g e


Persamaan regresi berganda yang diperoleh dengan menggunakan metode kuadrat

terkecil kriteria adalah

ŷ = -10360,5 + 1201,098x1 + 1663,516 x2

dimana : ŷ = income, x1 = usia, x2 = pengalaman kerja.

Nilai pendugaan untuk income jika usia 40 tahun dan pengalaman kerja 4 tahun :

ŷ = -10360,5 + 1201,098(40) + 1663,516(40) = 4337,484.

49 | P a g e


BAB 9

UJI NORMALITAS

Uji Normalitas berguna untuk menentukan apakah data yang dikumpulkan berdistribusi

normal atau tidak. Hal ini perlu dilakukan sebagai test pendahuluan sebelum pengolahan suatu

data lebih lanjut. Karena data yang berdistribusi Normal akan berbeda cara analisisnya dengan

data yang tidak berdistribusi Normal.

- Data Berdistribusi Normal

Statistik parametrik dapat diolah dengan Korelasi Pearson, Regresi, Uji T, Uji F,

Anova dan Manova)

- Data Berdistribusi Tidak Normal

Statistik Non Parametrik diolah dengan Korelasi Rank Spearman, Korelasi Kendall,

Uji Wilcoxon, Mann Whitney, dll).

Cara yang umum dipakai untuk Uji Normalitas data dengan SPSS adalah:

1. Kolmogorov-Smirnov pendekatan koreksi Lillifors

Langkah-langkah:

- Buka file data jika data sdh tersedia atau input data ke SPSS jika belum tersedia.

- Klik Analyze Descriftif Statistik Explore, pindahkan Variabel yang akan

diuji Normalitasnya ke kotak Dependent List

- Klik Plot, pada Boxplots pilih None dan centang Normality Plot with Test.

Kemudian klik Continiu lalu OK.

Contoh Kasus.

Dari data Karyawan PT. Sejahtera Merata halaman 7, Ujilah dengan tingkat kepercayaan 95%

apakah variabel gaji karyawan berdistribusi normal atau tidak.

Penyelesaian.

Hipotesa Uji:

Ho : Data mengikuti distribusi Normal

H1 : Data tidak megikuti Distribusi Normal.

Langkah-langkah:

- Klik Analyze Descriftif Statistik Explore, pindahkan Variabel gaji ke

kotak Dependent List

50 | P a g e


- Klik Plot, pada Boxplots pilih None dan centang Normality Plot with Test.

- Kemudian klik Continiu lalu OK. Maka keluar Output.

Tests of Normality

Kolmogorov-Smirnov

a Shapiro-Wilk

Statistic df Sig. Statistic Df Sig.

gaji .163 20 .173 .910 20 .063

a. Lilliefors Significance Correction

- Karena nilai Sig. = 0.173 > 0.05 (nilai α) maka Ho diterima.

Kesimpulan : Variabel gaji berdistribusi Normal.

2. Kolmogorov-Smirnov untuk 1-sampe K- S.

Langkah-langkah:

- Buka file data jika data sdh tersedia atau input data ke SPSS jika belum tersedia.

- Klik Analyze NonParametricsTest Legacy Dialogs 1-sample KS,

pindahkan Variabel gaji ke kotak Test Variabel List.

- Pilih Normal pada Test Dsitribution.

- Kemudian klik OK.

51 | P a g e


Maka Keluar Output.

One-Sample Kolmogorov-Smirnov Test

Gaji

N 20

Normal Parametersa,b

Mean Rp 5,402,500.0000

Std. Deviation Rp 2,504,704.78353

Most Extreme Differences Absolute .163

Positive .163

Negative -.105

Kolmogorov-Smirnov Z .728

Asymp. Sig. (2-tailed) .664

a. Test distribution is Normal.

b. Calculated from data.

- Karena nilai Sig. = 0.664 > 0.05 (nilai α) maka Ho diterima.

Kesimpulan : Variabel gaji berdistribusi Normal.

3. Dengan melihat hasil nilai skewness pada statistik deskriptif.

Langkah-langkah:

- Buka file data

- Klik Analyze Descriptive Statistic Descriptive Statistic Descriptve

- Pindahkan variabel gaji ke variable(s).

- Klik Option pada kotak Distribution pilih Skewness dan Kurtosis.

- Kemudian klik OK.

52 | P a g e


Maka Keluar Output.

Descriptive Statistics

gaji Valid N (listwise)

N Statistic 20 20

Minimum Statistic Rp 2,250,000.00

Maximum Statistic Rp 9,750,000.00

Mean Statistic Rp 5,402,500.0000

Std. Deviation Statistic Rp 2,504,704.78353

Skewness Statistic .366

Std. Error .512

Kurtosis Statistic -1.306

Std. Error .992

Keterangan.

Ratio Skewness dengan standar deviasi = 715.0512.0

366.0 < 2, maka data berdistribusi Normal.

Atau

Ratio Kurtosis dengan standar deviasi = 001.0992.0

306.1

> -2, maka data berdistribusi

Normal.

4. Uji Normalitas dengan melihat grafik.

Langkah-langkahnya sama dengan pada Kolmogorov-Smirnov pendekatan

koreksi Lillifors. Perhatikan grafik pada Outputnya:

Penjelasan.

Garis diagonal menggambarkan keadaan ideal data yang berdistribusi Normal. Titik-

titik disekitar garis menggambarkan keadaan data yang diuji. Karena kebanyakan titik-

titik berada sangat dekat dengan garis, maka disimpulkan bahwa data gaji berdistribusi

Normal.

Kasus 12.

Lakukan Uji Normalitas Data untuk variabel penjualan Dari data Karyawan PT. Sejahtera

Merata halaman 7, dengan tingkat kepercayaan 95%!

53 | P a g e


BAB 10

PENYAJIAN GRAFIK

Grafik pada SPSS dapat dibuat melalui menu: Graphs ----- Legacy Dialog ----

Terdapat beberapa jenis grafik, seperti Bar Chart, Line chart, Area, Pie, dan lain-lain.

Pada dasarnya langkah-langkah penyajian grafik hamper sama. Pada bagian ini akan dibahas diagram

batang.

Bar Charts.

Bar Chart terdiri dari:

1. Summaries For Group of Cases.

Menampilkan data secara kelompok, baik berupa frekuensi, persentase frekuensi, maupun ukuran

statistic dalam kelompok masing-masing.

Terdapat 3 jenis yaitu:

- Simple : satu variable dikelompokkan berdasarkan jenisnya.

Misalnya: grafik frekuensi jenis kelamin karyawan, grafik rata-rata penjualan marketing

berdasarkan jebis kelamin.

- Clustered dan stacked : satu variable berdasarkan jenisnya dan dikelompokkan oleh variable

lain.

Misalnya: Grafik frekuensi jenis kelamin marketing berdasarkan tingkat pendidikan, Grafik

rata-rata penjuaalan marketing berdasarkan jenis kelamin dan tingkat pendidikan.

2. Summaries of separate Variables.

Menampilkan ringkasan variable secara terpisah (Separate), misalnya berupa rata-rata, median, std

deviasi variable, dan lain-lain. Dapat digunakan untuk membandingkan ukuran-ukuran dari dua

variable atau lebih. Misalnya Rata-rata penjualan dan rata-rata biaya.


- Simple : ringkasan beberapa variable dalam satu grafik tanpa pengelompokan.

Misalnya: grafik mean penjualan dan biaya advertising.

Clustered dan stacked : Ringkasan beberapa variable dalam satu grafik dengan

pengelompokan oleh variable lain. Misalnya : grafik mean penjualan dan biaya advertising

berdasarkan jenis kelamin.

3. Values of individual cases.

Menampilkan setiap kasus secara individu, sehingga pergerakan perubahan terlihat dengan jelas.


- Simple : Menyajikan nilai setiap kasus dari satu variable saja. Misalnya: grafik penjualan

masing-masing marketing.

- Clustered dan stacked : Menyajikan nilai setiap kasus dari beberapa variable. Misalnya:

grafik penjualan dan biaya promosi masing-masing marketing.

54 | P a g e


Dapat dilakukan untuk jenis grafik yang lain (Lingkaran, Garis, dll).

no nama Jenis

kelamin

Pendidikan

marketing

Biaya

penjualan

perorang

Biaya

promosi

perorang

Biaya

iklan

Tipe bandrek penjualan

1 Wanita S1 500.00 350.00 2500.00 Original 6000.00

2 Pria S1 325.00 250.00 2000.00 Kopi_Bandrek 5400.00

3 Wanita S1 400.00 450.00 1600.00 Coklat_Bandrek 4650.00



6 Wanita D3 200.00 350.00 2000.00 Original 3500.00

7 Pria D3 350.00 400.00 2000.00 Original 4800.00

8 Pria D3 300.00 400.00 2000.00 Kopi_Bandrek 4000.00


10 Pria D3 450.00 450.00 2200.00 Original 4000.00

11 Pria D1 450.00 400.00 2200.00 Original 5500.00


13 Pria D1 500.00 500.00 2500.00 Coklat_Bandrek 6000.00

14 Pria D1 300.00 550.00 2300.00 Coklat_Bandrek 5500.00




18 Wanita S1 450.00 250.00 1800.00 Kopi_Bandrek 3500.00


20 Pria S1 300.00 380.00 1400.00 Coklat_Bandrek 4000.00

21 Pria D1 250.00 350.00 1250.00 Original 3200.00

22 Pria D1 350.00 450.00 2150.00 Original 4000.00



25 Pria D1 450.00 550.00 2800.00 Original 6000.00

26 Wanita D3 350.00 450.00 2400.00 Coklat_Bandrek 5400.00

27 Wanita D3 250.00 300.00 2000.00 Coklat_Bandrek 4650.00


29 Pria D3 420.00 450.00 1800.00 Original 4200.00


statistika modul prakt 2013 2014

Documents