Upload
jeffy-dwitra
View
173
Download
0
Embed Size (px)
Citation preview
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 1/46
BAB I
PENDAHULUAN
Data editor mempunyai dua fungsi utama:
• Input data yang akan diolah oleh SPSS
• Proses data yang telah diinput dengan prosedur statistik tertentu.
Membuat variabel dan mengisi dataData editor pada SPSS mempunyai dua bagian utama:
• Kolom dengan ciri adanya kata var dalam setiap kolomnya. Kolom dalam SPSS akan diisiVARIABEL.
• Baris, dengan ciri adanya angka 1, 2, 3 dan seterusnya. Baris dalam SPSS akan diisi
KASUS (seperti nama responden atau sampel)
SPSS menyediakan tujuh window, yang meliputi sebagai berikut:
1. Data Editor
Window ini terbuka secara otomatis setiap kali program SPSS dijalankan, dan berfungsi untuk input data SPSS. Menu yang ada pada data editor:
File
Menu File berfungsi untuk menangani hal-hal yang berhubungan dengan file data, semembuat file baru, membuka file tertentu, mengambil data dari program lain, mencetak isi
data editor dan lainnya.
Edit
Menu Edit berfungsi untuk menangani hal-hal yang berhubungan dengan memperbaikimengubah nilai data (duplikasi data, menghilangkan data, edit data dan lain-lain). Selai
juga berfungsi untuk mengubah setting pada options (seperti output label, script dan lainnya
View
Menu View berfungsi untuk mengatur toolbar (status bar, penampakan value label dan lainnData
Menu Data berfungsi untuk membuat perubahan data SPSS secara keseluruhan, sepertimengurutkan data, menyeleksi data berdasar kriteria tertentu, menggabung data dan sebaga
Transform
Menu Transform berfungsi untuk membuat perubahan pada variabel yang telah dipilih dekriteria tertentu.
Analyze
Menu Analyze merupakan menu inti dari SPSS, yang berfungsi untuk melakukan se prosedur penghitungan statistik, seperti Uji t, Uji F, regresi, time series dan lainnya.
Graphs
Menu Graphs berfungsi untuk membuat berbagai jenis grafik untuk mendukung analisisstatistik, seperti pie, line, bar dan kombinasinya.
Utilities
Menu Utilities adalah menu tambahan yang mendukung program SPSS, seperti:
Memberi informasi tentang variabel yang sekarang sedang dikerjakan
Menjalankan scripts
Mengatur tampilan menu-menu yang lain
WindowMenu Window berfungsi untuk berpindah diantara menu-menu yang ada di SPSS
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 2/46
Help
Menu Help berfungsi untuk menyediakan bantuan informasi mengenai program SPSS yang
diakses secara mudah dan jelas.2. Menu Output Navigator
Menu output pada prinsipnya sama dengan menu Editor seperti File, Edit, View, Analyze, Gra
Utilities, Windows dan Help. Selain menu tersebut ada tambahan yaitu insert (untuk menyisi
judul, grafik, teks atau obyek tertentu dari aplikasi lain dan format (untuk mengubah tata huruf output).
3. Menu Pivot Table Editor
Menu Pivot Table Editor berhubungan dengan pengerjaan tabel SPSS, seperti mentransfor baris tabel menjadi kolom dan sebaliknya, memindah baris dan kolom tabel, groupping
ungrouping tabel dan lainnya. Karena pengerjaan pivot table erat kaitannya dengan menu o
navigator, yaitu sebagai tempat edit tabel hasil output, maka menu Pivot Table mempunyaimenu yang hampir sama dengan Output Navigator, yaitu sebagai tempat edit tabel hasil ou
maka menu Pivot Table mempunyai submenu yang hampir sama dengan Output Navigator, y
File, Edit, View, Insert, Format, Analyze, Graphs, Utilities, Window dan Help. Tambahan diberikan adalah menu PIVOT yang khusus digunakan untuk pengerjaan pivoting (mengubah s
pivoting trays, pengerjaan multidimensional pivot table).4. Menu Chart Editor
Menu ini juga merupakan tempat edit bagi output hasil pengerjaan data dimenu editor, hkhusus untuk output berupa Grafik/Chart/Diagram. Chart editor dilengkapi dengan subm
seperti:
GallerySub menu ini berfungsi untuk mengubah jenis Chart, seperti dari bentuk grafik batan
bentuk Pie atau yang lainnya.
ChartUntuk mengedit berbagai hal mengenai grafik, seperti Layout dan Labeling Grafik, skala g
dan sebagainya.
SeriesUntuk memilih kelompok data tertentu, transpose data atau menampilkan seri data.
5. Menu Text Output Editor
Sama dengan menu Pivot Table dan Chart , menu Text Output adalah bagian dari output S
dengan fungsi untuk edit pada output yang berupa text atau tulisan. Isi submenu Text Output
persis dengan menu Output Navigator .
6. Menu Syntax Editor
Walaupun SPSS sudah menyediakan berbagai berbagai macam pengolahan data statistik sememadai, namun ada beberapa perintah atau pilihan yang hanya bisa digunakan dengan S
Command Language. Perintah-perintah tersebut bisa ditulis pada menu Syntax Editor. Men
berupa file text yang berisi berbagai perintah SPSS dan bisa diketik secara manual. Namun S
juga menyediakan berbagai kemudahan untuk pembuatan syntax sama dengan menu yang hanya disini ada tambahan sub menu Run yang berfungsi untuk menjalankan sytax yang
ditulis.
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 3/46
BAB II
MENGELOLA FILE
Membuat File Data Baru
Langkah kerja:
Klik File
Klik New
Klik Data
Klik Enter
Untuk membuat data baru pada file baru, maka kita akan memberikat contoh pengisian data beriku
No NamaJenis Kel Riset Statistik SPSS IP
X1 X2 X3 X4 Y
1 Diana Wanita 75 86 83 3,56
2 Andika Laki-laki 68 65 67 3,35
3 Laudita Wanita 65 56 78 3,10
4 Akin Wanita 55 60 75 2,785 Aris Laki-laki 70 77 65 1,50
6 Lina Wanita 90 80 87 3,80
7 Wiwik Wanita 80 82 90 2,78
8 Dani Laki-laki 85 85 80 3,45
9 Janka Laki-laki 90 78 75 1,56
10 Koko Laki-laki 78 80 90 2,90
Memasukkan dan Mendefinisikan Variabel
Langkah kerja:
1. Klik SPSS
2. Setelah masuk pada kotak dialog awal SPSS, dimana secara default merujuk pada per“Open an existing data source”. Lalu Anda pilih cancel, maka akan masuk pada layar
yang kosong. Pada saat ini yang aktif adalah layar kerja untuk pengisian data (Data View)
3. Karena akan mendefinisikan variabel terlebih dahulu, maka Anda klik pilihan Variabel V
(terletak dibawah layar). Maka layar kerja untuk Variabel view akan muncul sbb:
Name Type Width Decimals Label Values Missing Columns Align M
Nama String 15 Nama 15 Left Nom
x1 Numeric 8 0 Jenis
kelamin
{1,Laki
-laki,..}
None 8 Left Ord
x2 Numeric 8 0 Nilai
Riset
None None 8 Center Sca
x3 Numeric 8 0 NilaiStatistik
None None 8 Center Sca
x4 Numeric 8 0 NilaiSPSS
None None 8 Center Sca
y Numeric 8 2 Indek Prestasi
None None 8 Center Sca
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 4/46
Variabel value Jenis Kelamin:
1= Laki-laki
2=Wanita
Menyimpan Data
Langkah kerja:
Klik File
Klik Save data: Tulis nama file: DATA-1
Tekan OK (enter)
Menghapus Data
Menghapus isi satu sel tertentu:
Klik kotak sel yang akan dihapus
Klik Edit
Klik Cut/Clear
Menghapus isi sel pada suatu kolom(variabel):
Klik pada heading kolom (nama variabel) yang isinya akan dihapus
Klik Edit Klik Cut/Clear
Menghapus isi sel dalam satu baris:
Klik nomor case yang akan dihapus dalam satu baris
Klik Edit
Klik Cut/Clear
Mengcopy Data
Mengcopy isi satu sel:
Pilih sel yang akan dicopykan
Klik Edit
Klik Copy
Pindahkan “penunjuk sel” pada sel yang akan dituju
Klik Edit lagi
Tekan Paste
Menyisipkan Data
Menyisipkan satu kolom untuk variabel, caranya:
Pindahkan “pointer” pada kolom yang akan disisipi
Klik Data
Pilih Insert Variabel
Menyisipkan baris Pindahkan “pointer” pada baris yang akan disisipi (letakkan pointer pada nomor case/baris)
Klik Data
Pilih Insert Case
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 5/46
BAB III
TRANSFORMASI DATA
Contoh praktis:
Buka file DATA-1
Klik Data
Klik Transpose
Masukkan variabel:”x1, x2, x3 dan x4 ke kotak variable(s) dengan cara menunjuk masmasing variabel satu persatu, lalu klik tanda panah (segitiga) kecil untuk memasukkan var
tersebut
Masukkan variabel “nama” pada kotak name variabel
Klik OK
Menu transformasi data berguna untuk melakukan kegiatan perubahan data yang telah ditulis pada
DATA-2.DATA PENGHASILAN DAN PENGELUARAN
No. Umur
x1
Status
x2
Penghasilan/bln
x3
Pengeluaran
y
1 25 Pegawai Rp. 750.000 Rp. 600.000
2 35 Swasta Rp.1.250.000 Rp.1.000.000
3 40 Pepetani Rp. 800.000 Rp. 400.000
4 56 Pegawai Rp. 900.000 Rp. 750.000
5 60 Pegawai Rp.1.500.000 Rp.1.200.000
6 33 Swasta Rp.2.500.000 Rp.2.000.000
7 45 Pepetani Rp. 600.000 Rp. 450.000
8 52 Swasta Rp.3.000.000 Rp.2.500.000
9 22 Pepetani Rp.1.750.000 Rp.1.250.000
10 18 Pepetani Rp.1.100.000 Rp.1.000.000
Langkah memasukkan data ke dalam SPSS editor adalah sebagai berikut:
1. Aktifkan SPSS Editor (bisa dengan membuat data baru SPSS)2. Klik variabel view untuk memberikan definisi mengenai variabel yang akan diisi be
beberapa aturan terkait.
3. Isikan masing-masing variabel beserta aturan terkaitnya seperti dibawah ini:
Name Type Width Decimals Label Values Missing Columns Align Measure
x1 Numeric 8 0 Umur None None 8 Center Scalex2 Numeric 8 0 Status {1,Pepetani....} None 8 Center Nominal
x3 Numeric 8 2 Penghasilan None None 10 Right Scale
y Numeric 8 2 Pengeluaran None None 10 Right Scale
Value variabel x2:1 = Pepetani
2 = Pegawai
3 = Swasta
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 6/46
PERINTAH COMPUTE
Compute digunakan untuk membuat (menghitung) value-value suatu variabel baru atau dari vari
variabel yang sudah ada pada file kerja Anda. Proses penghitungan dapat dilakukan terhadap se
case, juga terhadap case-case tertentu yang memenuhi fungsi logika.Contoh:
Open File DATA-2
Klik transform
Klik compute
Pada kotak target variabel tulis target1
Pada kotak fungtion pilih SUM
Masukkan satu persatu variabel x1, x2 dan x3 kedalam tanda kurung tersebut, kedalam k
numerik expression.Perhatikan harus selslu anda tanda koma, jika memasukkan dua var
atau lebih. Cara memasukkannya sbb: SUM(x1,x2,x3)
OK
Maka hasilnya sbb:
X1 X2 X3 Y Target1
25 2 750000 600000 750027,00
35 3 1250000 1000000 1250038,00
40 1 800000 400000 800041,00
56 2 900000 750000 900058,00
60 2 1500000 1200000 1500062,00
33 3 2500000 2000000 2500036,00
45 1 600000 450000 600046,00
52 3 3000000 2500000 3000055,00
22 1 1750000 1250000 1750023,00
18 1 1100000 1000000 1100019,00
PERINTAH COUNT
Count berguna untuk menghitung jumlah cacah value dari semua variabel yang dikehendaki yang
memenuhi syarat value yand didefinisikan.
Contoh praktis operasi count:
Buka file DATA-2
Klik transform
Ketikkan COUNT pada kotak target Pindahkan variabel “x3” dan “y” ke kotak variabel
Klik define values
Pilih Range;.....through....ketik 750000 through 1000000
Klik Add
Klik continue
Klik Ok
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 7/46
BAB IV
STATISTIK DESKRIPTIVES
Statistik deskriptif merupakan bidang ilmu statistik yang mempelajari cara-cara pengump penyusunan dan penyajian data suatu penelitian.
Aplikasi Frequencies
Aplikasi ini digunakan untuk menyusun data yang jumlahnya relatif banyak kedalam suatu frekuensi.
Aplikasi SPSS:
1. Anda aktifkan SPSS editor dengan membuka file DATA-2
2. Klik menu utama analyze3. Dari menu analyze tersebut, pilih deskriptif statistics
4. Pilih Frequencies, perintah frequencies digunakan untuk membuat tabel frekuensi,
berisi cacah dari harga semua case pada variabel yang Anda daftar, prosentase
prosentase valid dan prosentase kumulatif. Kotak Variable(s) berguna untuk mendsatu atau beberapa variabel dari kotak listing. Display frequency tables berguna u
menampilkan tabel frekuensi.Contoh:
Buka File DATA-2
Klik Analyze
Pilih Descriptive Statistics
Klik Frequencies
Klik variabel “x3” (penghasilan), masukkan ke kotak variable(s)
Klik statistic, klik quartiles, mean, median, mode, sum, std deviation, vari
range, maximum, minimum, S.E.Means, Skewness, Kurtosis
Klik Continue Klik Chart, pilih Bar Chart
Klik Continue
Klik Format
OK
APLIKASI DESKRIPTIVES
Perintah deskriptives digunakan untuk menampilkan deskripsi statistik univariat dari variabel num
yang Anda daftar.
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 8/46
Contoh aplikasi praktis:
No Jenis Kelamin(x1) Pekerjaan(x2) Pendapatan (Rp)(x3)
1 Laki-laki Petani 650000
2 Laki-laki Pegawai 750000
3 Wanita Swasta 1450000
4 Wanita Petani 350000
5 Laki-laki Swasta 1500000
6 Wanita Pegawai 780000
7 Laki-laki Pegawai 2000000
8 Laki-laki Petani 750000
9 Laki-laki Swasta 1250000
10 Wanita Pegawai 100000011 Wanita Swasta 1250000
12 Wanita Petani 450000
13 Laki-laki Petani 550000
14 Laki-laki Petani 950000
15 Wanita Pegawai 950000
16 Laki-laki Petani 750000
17 Laki-laki Pegawai 475000
18 Wanita Swasta 1150000
19 Wanita Petani 450000
20 Laki-laki Swasta 780000
21 Wanita Pegawai 1375000
22 Laki-laki Pegawai 675000
23 Laki-laki Petani 450000
24 Laki-laki Swasta 1125000
25 Wanita Pegawai 1500000
26 Wanita Swasta 800000
27 Wanita Petani 450000
28 Laki-laki Petani 675000
29 Laki-laki Petani 560000
30 Laki-laki Petani 455000
Untuk data ketiga variabel tadi kita beri kode sbb:a. Jenis kelamin = Value 1 = laki-lakiValue 2 = wanita
b. Pekerjaan = Value 1 = petani
Value 2 = pegawaiValue 3 = swasta
c. Pendapatan = Value 1 = rendah (<500000)
Value 2 = sedang (500000-1000000)Value 3 = tinggi (>1000000)
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 9/46
PROSES ANALISIS
Contoh 1: Mencari Hubungan Jenis Kelamin (x1) dengan Pendapatan (x3)
Untuk proses analisis Crosstab, maka lakukan langkah berikut ini:
1. Anda sedang aktif pada Data-3 Crosstab2. Klik Analyze pada menu utama SPSS
3. Klik statistic deskriptive
4. klik crosstab5. Masukkan x1 pada kotak rows
6. Masukkan x3 pada kotak colomns
7. Klik statistik, pilih chi square8. Klik continue
9. Klik cells, lalu klik observed dan expected pada counts. Pada kotak pilihan prosent
pilih:Row, Column dan Total
10. Klik continue11. Klik OK, maka hasilnya sbb:
Bagian I:
Crosstabs
Bagian I ini merupakan ringkasan kasus, dimana semua kasus terdapat 30 sample (100%) dan t
terdapat missing data.
Bagian II:
Sesuai dengan pilihan, maka pada bagian II diperlihatkan data objektif dan data expected baik d
bentuk count maupun prosentase.
Sebagai contoh, pada data jenis kelamin laki-laki: tampak pada baris dan kolom pertama terdap
orang yang berpendapatan rendah, 10 orang berpendapatan sendang dan 4 orang berpendapatan tinIni merupakan data objektif (count). Sedang data/nilai harpan (expected count)nya adalah 3,4 u
pendapatan rendah, 7,9 untuk pendapatan sedang dan 5,7 untuk pendapatan tinggi. Karena
memilih prosentase, maka dalam hasil juga ditampilkan jumlah prosentasenya.
Bagian III:
Pada bagian III ini, SPSS menunjukkan hasi/output yang kita pilih yakni Chi-Square. Pada data ha
di atas, tampak bahwa nilai hitung C-Square adalah 2,482*.
Cara Pembuktian Hipotesis:
Rumusan Hipotesis:
Ho : Tidak ada hubungan antara jenis kelamin dengan pendapatan
H1 : Terdapat hubungan antara jenis kelamin dengan pendapatan
Ketentuan:
Jika X2 hitung < X2 tabel (df k-1 x k-1) = 2, Ho: diterima
Jika X2 hitung > X2 tabel (df k-1 x k-1) = 2 , H1: diterima (Ho ditolak)
Ketentuan:
Dapat diperhatikan bahwa harga X2 tabel dengan df = 2, pada tingkat kepercayaan 95%= 5,991.
Mengingat X2 hitung = 2,482 < X2 tabel 0,05 (df 2) = 5,991, maka Ho: diterima dan H1:ditolak.Kesimpulannya, bahwa tidak terdapat hubungan antara jenis kelamin dan pendapatan
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 10/46
BAB V
STATISTIK INDUKTIF
Compare Mean merupakan suatu analisis untuk membandingkan rata-rata dari dua populasi atau le
MEANS
Prosedur means digunakan untuk melakukan analisis statistik means, standar deviasi, count danstatistik lainnya pada variabel berkelompok. Contoh kasus untuk analisis mean misalnya menghitu
nilai rata-rata mata kuliah tertentu, katakanlah statistik yang didasarkan pada jenis kelamin (laki-lak
dan wanita) atau didasarkan pada jurusan IPS dan IPA dll.
Untuk memunculkan kotak dialog means, maka Anda harus aktifkan lebih dahulu Data Editor,misalnya dengan membuka file DATA-1, lalu klik Analyze, klik compare mean lalu pilih mean.
Terdapat 2 buah kotak pendaftaran variabel, yakni:
1. Dependent list. Kotak ini digunakan untuk mendaftar satu atau beberapa variabel numeric
akan ditentukan analisis statistiknya2. Independent list. Kotak ini berguna untuk mendaftar satu atau beberapa variabel yang akan
digunakan sebagai dasar pengelompokkan (variabel group)
Contoh Praktis Aplikasi Means
Anda aktif pada DATA-1
Klik Analyze
Klik Compare Mean, lalu pilih Means
Klik variabel “y” masukkan pada kotak dependent list
Klik variabel “x2” masukkan pada kotak independent list
Klik option, lalu pilih Mean, Standard Deviation, Sum, Maximum, Variance
Pada bagian Statistics for First Layer, pilih Anova Table dan Test for Linearity Klik continue
Klilk OK
ONE SAMPLE T TEST
Uji One Sample T Test bisa digunakan untuk membandingkan rata-rata sample yang diuji dengan rata populasi yang sudah ada. Misalkan kita akan menguji apakah rata-rata lama bertahan batu ba
pendatang baru, katakanlah merek “XZ” sama atau lebih lama dari rata-rata umur batu baterey m
merek yang sudah lama beredar. Secara umum masyarakat sudah mengetahui bahwa rata-rata u
batu baterey yang sudah beredar sekitar 75 hari (ini merupakan cerminan data populasi). Kemu
diketahui bahwa umur batu baterey “XZ” adalah 80 hari? Apakah ada perbedaan antara batu bat“XZ” dengan umur batu baterey pada umumnya?
Buatlah DATA-5 sbb:
Variabel View Name Type Width Decimals Label Values Missing Columns Align Measure
Lama Numeric 8 2
Umur
baterey
lama
None None 8 Right Scale
Baru Numeric 8 2 Umur None None 8 Right Scale
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 11/46
baterey
XZ
Isilah data berikut:
Lama Baru
75 76
85 78
82 85
68 95
72 92
65 89
56 96
68 88
60 75
62 7275 60
70 64
71 68
91 87
60 90
Langkah aplikasi uji one t test sbb:
1. Buka DATA-52. Klik Analyze
3. Klik Compare Means
4. Klik One Sample T test5. Klik variabel “lama”, lalu masukkan pada kotak
test variable(s) dengan mengklik tanda ►
6. Pada test value, tulis 80 (karena kita akan menguji rata-rata populasi)
7. Klik Options, maka akan tampak Convidence Intervall yang secara default = 95%. Tetaptentukan 95%, sebab biasanya pengujian adalah 95%
8. Klik continue
9. Klik OK
Bagian I:
Hasil pengolahan statistik pada bagian I menunjukkan hasil jumlah sampel dengan simbol N ya
15, rata-rata umur baterey = 70, Standard Deviasi= 8,6106 dan Std.Error Mean=2,2233.Bagian II:
Pernyataan Hipotesis
Ho: Rata-rata umur baterey “XZ” tidak berbeda dengan rata-rata umur baterey pada umumnyaH1: Rata-rata umur baterey “XZ” berbeda dengan rata-rata umur baterey pada umumnya.
Ketentuan:
Jika t hitung > t tabel, maka Ho ditolak Jika t hitung < t tabel, maka Ho diterima
Keputusan:
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 12/46
Dari hasil perhitungan dapat dilihat bahwa nilai t = -2,249 dengan df 14. Sedangkan t tabel de
DF 14 dan tingkat kepercayaan 95% = ± 2,1788.
Dengan demikian, t hitung = -2,249 > dari t tabel = - 2,1788
Kesimpulannya bahwa rata-rata umur baterey baru dengan rata-rata umur batu baterey yang sulama beredar (rata-rata 70 hari).
Latihan:
Seorang sales bernama Deki mampu menjual roti kacang sebanyak 333 buah. Manajer penjumenganggap penjualan Margono berbeda dengan rekan-rekannya. Benarkah pernyataan tersebut?
Data Editor
Salesman Gender Kacang Durian Coklat Susu Nana
1 0 250 300 298 325
1 1 234 320 254 312
1 1 220 324 315 450
1 0 245 315 387 500
1 1 281 400 200 268
1 0 220 420 145 351
2 1 256 398 256 245
2 1 238 375 200 2212 1 210 364 214 621
2 1 310 325 269 235
2 0 287 410 254 214
2 0 254 425
Variable View
Nama Variable Tipe Value Keterangan
Salesman Numerik 1= Sales-Sarjana
2= Sales-Akademi
Tingkat pendidik
seorang salesman
Gender Numerik 0= Wanita
1= Pria
Jenis kelamin seora
salesmanKacang Numerik Penjualan roti rasa kacan
Durian Numerik Penjualan roti rasa durian
Coklat Numerik Penjualan roti rasa cokla
Susu Numerik Penjualan roti rasa susu
Nanas Numerik Penjualan roti rasa nanas
Langkah-langkah:1. Buatlah data penjualan roti diatas dan simpan dengan nama Roti_Sales
2. Pilih menu Analyze kemudian pilih submenu Compare Means, lalu pilih One Sample T Tes
Pengisian:
Test Variabel(s) atau variabel yang akan diuji. Pilih Kacang
Test Value. Karena akan diuji 333 buah, maka ketik 333.
Klik tombol options
Untuk confidence Interval atau tingkat keyakinan/kepercayaan. Sebagai default, S
menggunakan tingkat kepercayaan 95% atau tingkat signifikansi 100%-95%= 5%.
Untuk missing value atau perlakukan terhadap data yang hilang (jika ada). Exclude cases analysis by analysis.
Continue
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 13/46
OK
ANALISIS:
Bagian I:
Memberi ringkasan statistik dari variabel kacang, yaitu roti kacang terjual rata-rata 250,4167 b
dengan standar deviasi 29,8556 buah.
Estimasi:Tingkat signifikansi (α) adalah 5%
DF atau derajat kebebasan adalah n (jumlah data) – 1 atau 12- 1= 11
Dari tabel t, didapat angka 2,2010 (untuk dua sisi).
Bagian II:
1. HipotesisHo: Jumlah roti kacang yang dijual Deki tidak berbeda dengan rata-rata roti yang terjual
H1: Jumlah roti kacang yang dijual Deki memang ada perbedaan dengan rata-rata roti yang terjual2. Pengambilan keputusan
a. Berdasarkan perbandingan t hitung dengan t tabel
Jika t hitung > t tabel, maka Ho ditolak
Jika t hitung < t tabel, maka Ho diterimaT hitung dari output adalah -9,582
Sedangkan statistik tabel bisa dihitung pada tabel t:
Tingkat signifikansi (α) adalah 5%
DF atau derajat kebebasan adalah n (jumlah data) – 1 atau 12-1= 11
Uji dilakukan dua sisi, karena akan diketahui apakah penjualan Deki dengan penjualan rata-rata selama ini ataukah tidak. Jadi bisa lebih besar atau lebih k
Karenanya dipakai uji dua sisi.
Dari tabel t, didapat angka 2,2010Karena t hitung terletak pada daerah Ho ditolak, maka penjualan Deki memang berbeda
dibandingkan dengan penjualan rata-rata.
b. Berdasarkan nilai probabilitas Jika probabilitas > 0.05, maka Ho diterima
Jika probabilitas < 0.05, maka Ho ditolak
Keputusan:
Pada output tampak nilai probabilitas adalah 0,000. Karena probabilitas jauh dibawah 0,05 mHo ditolak, dengan kesimpulan yang sama dengan cara perbandingan t hitung dengan t test.
INDEPENDENT SAMPLE T TEST
Uji Independent sample T Test digunakan untuk menguji dua rata-rata dari dua sample
independent (tidak terkait).
Contoh Aplikasi 1:
Untuk penerapan analisis independent sample T Test, maka kita akan menguji apakah terd perbedaan rata-rata indeks prestasi antara mahasiswa laki-laki dan perempuan pada ti
kepercayaan 95%. Konstanta pengujian hipotesisnya adalah:
Ho : µ1 = µ2
H1 : µ1 ≠ µ2
Aktifkan file DATA-1
Klik Analyze
Klik Compare Mean
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 14/46
Klik Independent Sample T Test
Klik variabel “y” dan masukan ke kotak test variable(s)
Klik “x1” dan masukkan ke kotak Groupping variable
Klik Define Groups, pada Group 1 tulis angka 1 dan pada group 2 tulis angka 2
Klik options, tetap pilih level of signifikans standard yakni 95%
Klik continue
Klik OK
Hasilnya sebagai berikut:
Bagian I:
Anda perhatikan pada bagian pertama terdapat nilai mean untuk masing-masing group, yakni g
laki-laki dan group wanita, dengan masing-masing n1= 5 case dan n2 = 5 case. Rata-rata in
prestasi mahasiswa laki-laki = 2,4180, sedang untuk wanita 3,3380. Selain itu terdapat nilai standeviasi dan standard error means.
Bagian II:
Proses pengujian t: (berdasarkan probabilitas)1. Tentukan hipotesis
Ho: Rata-rata IP laki-laki dan wanita adalah samaHi : Rata-rata IP laki-laki dan wanita berbeda
2. Penentuan kesimpulan berdasarkan probabilitas
a. Jika probabilitas (signifikan) > 0,05, maka Ho: diterima
b. Jika probabilitas (signifikan) < 0,05, maka Ho: ditolak 3. Pengambilan Kesimpulan
Dari hasil perhitungan diatas dapat dilihat bahwa harga t pada Equal Varians not assumed y
– 2,214 dengan tingkat signifikans = 0,071. Dengan demikian probabilitas 0,071 >
Kenyataan ini menunjukkan bahwa rata-rata IP laki-laki dan wanita adalah sama saja (t berbeda).
Latihan:Manajer penjualan PT.Angin Ribut ingin mengetahui apakah ada perbedaan prestasi penjualan roti
berdasarkan tingkat pendidikan salesman?
Langkah-langkah:1. Buka data Roti_Sales
2. Pilih menu Analyze kemudian pilih submenu Compare Means
Pengisian:
Test Variable(s) pilih Susu
Grouping variable atau variabel bertipe kualitatif. Sesai kasus pilih salesman, kemu
variabel tersebut harus didefinisikan. Klik define group.
Untuk group 1 isi dengan 1 dan untuk group 2, isi dengan 2 (angka min dan max s
grup)
Tekan continue
Untuk kolom options, biarkan tingkat kepercayaan tetap 95%. Demikian juga de perlakuan terhadap missing value, yaitu tetap pada pilihan Excluded case analys
analysis.
Tekan continue
Tekan Ok
ANALISIS
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 15/46
Bagian I: Group Statistics
Rata-rata penjualan roti untuk salesman berpendidikan sarjana adalah 367,6667 buah. Sedan
untuk salesman berpendidikan akademi adalah 307,2 buah. Dengan data standar deviasi dan sta
error, akan dianalisis apakah perbedaan tersebut memang nyata ataukah tidak.
Bagian II: Independent Sample Test
Ada dua tahapan analisis, yaitu:
a. Dengan Levene Test, diuji apakah varians populasi kedua sampel tersebut sama ata berbeda
b. Dengan t test dan berdasar hasil analisis nomor a, diambil suatu keputusan
Mengetahui apakah varians populasi identik ataukan tidak
1. Hipotesis
Ho: Kedua varians populasi adalah identik (varians populasi roti susu yang dijual salesman
berpendidikan sarjana atau akademi adalah sama)H1: Kedua varians adalah tidak identik (varians populasi roti susu yang dijual salesman
Berpendidikan sarjana atau akademi adalah berbeda.
2. Pengambilan keputusan
Dasar pengambilan keputusan: Jika probabilitas > 0.05 maka Ho diterima
Jika probabilitas < 0.05 maka Ho ditolak
Keputusan
Terlihat bahwa F hitung dengan Equal Variance Assumed (diasumsikan kedua varians sama menggunakan pooled variance t test) adalah 1,334 dengan probabilitas 0,278. Karena probabili
0.05 maka Ho diterima atau kedua varians adalah identik.
PAIRED SAMPLE T TEST
Paired Sample T Test berguna untuk melakukan pengujian terhadap 2 sample yang berhubungan
sering disebut “sample berpasangan” yang berasal dari populasi yang memiliki rata-rata (mean) sMisalnya kita akan mengetahui perbedaan rata-rata nilai mata kuliah komputer sebelum diber praktek komputer dengan setelah diberikan praktek.
Untuk analisa paired sample T Test, maka kita akan membuat sepasang data baru, yang diberi n
DATA-6. Data tersebut adalah sbb:
No Sebelum Treatmen Setelah Treatmen
1. 60 70
2. 55 76
3. 45 80
4. 62 855. 67 75
6. 70 68
7. 54 56
8. 35 90
9. 46 72
10. 50 69
Pengisian variabel:
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 16/46
Name Type Width Decimals Label Value Missing Column Align Meas
Sebelum Numeric 8 2 Sblm lat
komp
None None 8 Left Sca
Sesudah Numeric 8 2 Setlh lat
komp
None None 8 Left Sca
Contoh aplikasi Paired
Aktifkan file DATA-6 Klik Analyze
Klik Compare Means
Klik Paired-Sample T Test
Klik 2 variabel, yakni “sebelum” dan “setelah” dan masukkan ke kotak Paired Variables
Klik options..., tetap pilih interval 95%
Klik continue
Klik OK
Hasilnya sbb:
Bagian I:Pada output bagian I ini menunjukkan ringkasan dari kedua variabel, dimana terdapat jumlah sa
(N), nilai rata-rata (means), std.deviasi dan std.error means. Sebagai contoh, untuk data seblatihan komputer adalah, N=10, Mean = 54,4000, std. deviations = 10,7827 dan std.error = 3,4098
Bagian II:
Pada output bagian II ditunjukkan hasil korelasi antara nilai sebelum latihan komputer dengan semendapatkan latihan komputer. Didapat nilai r= -0,366 dengan taraf signifikansi sebesar 0
Dengan demikian tidak terdapat korelasi (hubungan) antara nilai sebelum dan sesudah la
komputer.
Bagian III:
Pada bagian III ini dikemukakan hasil t hitung. Untuk pengujian t hitung, maka dilakukan langkah
Proses pengujian t: (berdasarkan probabilitas)
1. Tentukan hipotesisHo: Rata-rata nilai sebelum latihan dengan setelah latihan adalah sama
Hi : Rata-rata nilai sebelum latihan dengan setelah berbeda
2. Penetuan kesimpulan berdasarkan probabilitasJika probabilitas (signifikans) > 0,05, maka Ho: diterima
Jika probabilitas (signifikans) < 0,05, maka Ho: ditolak
3. Pengambilan kesimpulan
Dari hasil perhitungan diatas dapat dilihat bahwa harga t = - 3,702 dengan tingkat signifikansi = 0Probabilitas (tingkat signifikans) 0,005 < 0,05. Dengan demikian, Ho: ditolak.
Dapat ditarik kesimpulan bahwa terdapat perbedaan yang sangat signifikans antara rata-rata
mahasiswa sebelum mendapatkan latihan komputer dengan setelah mendapatkan latihan komputerPerbedaan itu dapat dilihat pada output bagian I. Dimana rata-rata nilai mahasiswa seb
mendapatkan latihan komputer adalah 54.400. Namun setelah diberi pelatihan komputer, maka
rata nilai mahasiswa mampu mencapai 74,100.
ONE WAY ANOVA
Prosedur one way Anova atau sering disebut dengan “perancangan sebuah faktor”, merupakan ssatu alat analisis statistik ANOVA (Analysis of Variance) yang bersifat salah arah (satu jalur). Al
ini digunakan untuk menguji apakah 2 populasi atau lebih yang independen, memiliki rata-rata
dianggap sama atau tidak sama. Teknik ANOVA akan menguji variabilitas dari observasi ma
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 17/46
masing group dan variabilitas antar mean group. Melalui kedua estimasi variabilitas tersebut,
dapat ditarik kesimpulan mengenai mean populasi.
Buatlah DATA-7
Data Nilai Mahasiswa
NONILAI METODOLOGI RISET (MR)
Ceramah Diskusi Tugas
1 45 57 70
2 55 65 72
3 65 64 754 66 70 80
5 51 64 85
6 70 68 91
7 55 70 99
8 65 75 89
9 67 61 86
10 62 68 90
Contoh praktis I (satu faktor)
1. Aktifkan DATA-7
2. Klik Analyze, pilih compare means, lalu pilih ONE WAY ANOVA3. Klik variabel “nilai” dan masukkan pada kotak Dependent List4. Klik variabel “metode”, masukkan pada kotak faktor
5. Klik contrasts
6. Klik polynomial7. Tetap pilih linear (bisa juga anda coba memilih degree lainnya)
8. Isikan coeficients dengan urutan sbb: 0.5, 0.5 dan 1 (untuk memasukkan ketentuan ini, s
menulis satu ketentuan lalu tekan add)9. Klik continue
10. Klik tombol post hoc
11. Pilih LSD, Tukey, Ducan
12. Significance level tetap 0,00513. Klik continue
14. Klik tombol Option
15. Pilih descriptives, Homogenity of variance dan means plot16. Klik continue
17. Klik OK
Hasil olah data sbb:
Bagian I:
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 18/46
Pada bagian I ini merupakan hasil perhitungan dari sub menu option, yang isinya berupa ringkasan
data yang ada. Antara lain menyebutkan jumlah (N) data, rata-rata (means), std.deviasi, std.e
lower bound, upper bound, minimum dan maximum.
Bagian II:
Pada bagian kedua ini, diperlihatkan hasil tes homogenitas dari varians dengan menggunaka
Levene Statistic. Tes ini berguna untuk mengecek apakah varians dari ketiga variabel adalah s
Sebab, salah satu asumsi dasar dari anova adalah bahwa variannya haruslah sama.Prosedur pengujian:
1. Tentukan hipotesis
Ho: Diduga bahwa ketiga varians adalah samaHi : Diduga bahwa ketiga varians berbeda
2. Penentuan kesimpulan berdasarkan probabilitas
a. Jika probabilitas (signifikans) > 0,05, maka Ho: diterima
b. Jika probabilitas (signifikans) < 0,05, maka Ho: ditolak 3. Pengambilan keputusan
Dari hasil perhitungan diatas didapat nilai Levene Test adalah 2,401 dengan signifika
0,110. Jadi probabilitas 0,110 > 0,05 dengan demikian Ho: diterima.
Dapat ditarik kesimpulan bahwa ketiga varians tersebut adalah sama.Bagian III:
Pada bagian III ini ditampilkan hasil anova. Proses perhitungan anova ini baru bisa dilanjutkanketiga varians dari ketiga variabel dalam penelitian ini adalah sama. Terbukti dari uji Levene diata
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 19/46
BAB VI
APLIKASI CORRELATE
BIVARIATE CORRELATION
Bivariate correlation (korelasi sederhana) yang sering disebut sebagai korelasi product moment pe
bermanfaat untuk menghasilkan matrik korelasi pasangan antar 2-variabel. Pada umumnya o
mengatakan bahwa pengertian korelasi adalah suatu hubungan timbal balik.
DATA-8
Data Penjualan Sepeda Motor
Bulan
Ke
Besar pengeluaran biaya untuk Penjualan
(unit)
(y)Selling
(x1)
Promotion
(x2)
Advertensi
(x3)
1 12500000 8750000 5450000 600
2 11000000 7000000 4210000 540
3 9750000 3550000 4100000 465
4 7742500 4555000 3990000 430
5 5656800 2555000 3550000 421
6 4555000 3256600 2390000 3507 6750050 3300000 4554000 480
8 5990000 2750000 4320000 400
9 4580000 2500000 3700000 320
10 5800500 4200000 5610000 400
11 7990000 4500000 4660000 521
12 4500000 3758000 3850000 250
Proses uji korelasi:
Buatlah DATA-8 di atas
Klik Analyze
Klik correlate, pilih bivariate, maka akan muncul kotak dialog untuk mendaftar pasa
variabel yang akan dicari koefisien korelasinya. Terdapat 3 pilihan pada kotak correlcoeficients, yakni:
Person: untuk melakukan analisis korelasi dengan metode person product moment
Kendall’s tau-b: digunakan untuk melakukan analisis korelasi non-parametrikmetode kendall, yaitu ukuran asosiasi dari variabel bersifat ordinal.
Spearman: digunakan untuk melakukan analisis korelasi non-parametrik de
koefisien korelasi spearman. Korelasi ini juga sangat cocok untuk data yang bersifat or
Klik variabel “x1”, “x2”, “x3” dan “y”, lalu masukkan ke kotak variable(s) dengan meng
panah ►
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 20/46
Klik Pearson dan Speearman
Klik Options, pilih Means and Standard Deviation
Klik Continue
Klik OK
Hasil olah data sebagai berikut:
Analisis hasilBagian I:
Pada bagian ini merupakan hasil pilihan options. Dimana terdapat nilai rata-rata (mean) dari kee
variabel, nilai std. Deviation dengan jumlah sample (N)
Bagian II:
Pada bagian ini dikemukakan hasil perhitungan koefisien korelasi (r) untuk semua variabel
dimasukkan dalam perhitungan. Anda dapat membaca satu persatu hubungan/korelasi tersebut. Umengurutkan 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 mendangka 1, maka hal itu menunjukkan adanya hubungan yang sangat kuat. Bahkan ada
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 tinggi0,81-1,00 = 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) = 0,000Jika probabilitas 0,000 < 0,05, dengan demikian Ho: ditolak
Keadaan ini menunjukkan bahwa terdapat hubungan yang sangat erat antara pengeluaran biaya u
selling dengan penjualan. Dari hasil r tersebut terdapat tanda dua bintang (**). Tandamenunjukkan bahwa hubungan tersebut “sangat tinggi”, yakni pada tingkat signifikans 0,01.
hanya satu bintang (*) maka hubungan tersebut dikatakan “tinggi”, yakni memang pada tin
signifikansi 0,05.
ANALISIS KORELASI PARTIAL
Analisis korelasi partial bertujuan untuk menghitung koefisien korelasi antara dua variabel, akan t
dengan mengeluarkan variabel lainnya yang mungkin dianggap berpengaruh. Dengan kata dimana variabel lain yang dianggap berpengaruh bisa “dikontrol”.
Contoh aplikasi:
Korelasi x1 dan y dengan kontrol x2:Untuk melakukan aplikasi Partial Correlate tetap gunakan DATA-8
Buka file DATA-8
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 21/46
Klik Analyze
Klik correlate dan pilih Partial
Klik variabel “x1” dan “y”, masukkan pada kotak variable(s)
Klik variabel “x2”, masukkan sebagai variabel kontrol
Klik options dan klik means, std dan zero-order correlations
Klik continue
Klik OK
Maka hasilnya adalah sbb:
ANALISIS:
Bagian I:
Pada bagian ini dimuat hasil deskripsi tentang ketiga variabel, yakni x1, y dan x2 (sebagai kont
Disini diperlihatkan nilai rata-rata (means), standar deviasi dan jumlah kasus. Contoh untuk varx1, memiliki means= 7.234.570,83, Standard Deviasi = 2.647.359,07 dan cases = 12.
Bagian II:
Zero order partials dimaksudkan untuk menampilkan koefisien korelasi biasa (sebelum dilakuka
partial). Dengan demikian harga r disini sama dengan harga r pada korelasi sederhana (sebelum
Fungsinya untuk membandingkan, apakah sebelum diuji partial dan setelah, ada perbedaan koefkorelasi. Dapat dilihat bahwa korelasi antara x1 dengan y adalah 0,8878
Bagian III:
Pada bagian ini ditunjukkan hasil korelasi parsial antara x1 dan y, dengan variabel kontrol x2. koefisien korelasinya adalah 0,7636. Jika kita bandingkan dengan korelasi pada zero order, m
terdapat perbedaan nilai r, disini agak menurun.
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 22/46
BAB VII
ANALISIS REGRESI
LINEAR REGRESSION
Linear regression (regresi linear) digunakan untuk melakukan pengujian hubungan antara se
variabel dependent (tergantung) dengan satu atau beberapa variabel independent (bebas) ditampilkan dalam bentuk persamaan regresi. Jika variabel dependent dihubungkan dengan
variabel independent saja, persamaan regresi yang dihasilkan adalah regresi linier sederhana (lregression). Jika variabel independent-nya lebih dari satu, maka persamaan regresinya ad
persamaan regresi linear berganda (multiple linear regression).
Contoh aplikasi:Regresi sederhana
Dalam kasus ini kita akan melakukan suatu penelitian mengenai pengaruh besarnya pengeluaran b
“selling” (penjualan langsung), “promosi” dan “advertensi” terhadap tingkat “penjualan” banya
unit terjual). Untuk pengujian regresi sederhana, maka yang akan diregresikan hanya dua variabelyakni antara satu variabel bebas (independent variable) dan satu variabel terikat (dependent variabl
Misalnya, kita akan melakukan uji regresi antara variabel x1 (selling) terhadap y (unit penjua
Langkah-langkah yang harus diikuti adalah:
Aktifkan DATA-8
Klik analyze
Klik regressi, pilih linear
Klik variabel x1, lalu masukkan pada kotak independent (s)
Klik variabel y dan masukkan pada kotak dependent
Klik statistics, pilih estimates, model fit, descriptive
Klik continue
Klik Plots..., lalu masukkan DEPENDENT kekotak Y axis dan ADJPRED ke kotak X
Pilih Histogram dan normal probability
Klik continue Klik save, pada predicted value anda pilih unstandarized
Klik continue
Klik options, lalu klik saja continue (berarti memilih default) yakni menggunakan tak
probability 0,05 (95%)
Klik OK
Maka hasil lengkapnya adalah sebagai berikut:
Bagian I: Descriptive Statistics
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 23/46
Pada bagian ini diperlihatkan deskripsi dari kedua variabel yang diregresikan. Yakni variab
(tingkat penjualan) dengan x1 (selling). Isi deskripsi tersebut adalah: rata-rata (means), stan
deviasi dan jumlah kasus (N). Seperti contoh, variabel penjualan memiliki rata-rata 431,42, stan
deviasi 98,06 dan jumlah kasus ada 12. Demikian juga dengan variabel selling.
Bagian II: Correlation
Pada bagian dua ini, ditunjukkan hasil koefisien korelasi. Sebab, pada dasarnya dalam melakuka
regresi perlu dicek lebih dahulu tingkat korelasinya. Dari hasil korelasi tampak bahwa korelasi aselling dengan penjualan adalah 0,888, dengan tingkat signifikansi 0,000.
Bagian III: Variables Entered/Removed
Bagian ini menjelaskan tentang variabel yang dimasukkan, dimana semua variabel dimasukkan advariabel selling. Sedangkan variabel yang dikeluarkan (removed) tidak ada.
Bagian IV: Model Summary
Pada bagian ini ditampilkan nilai R, R 2, Adjusted R 2 dan std.error. Dimana nilai koefisien determ
R 2 (R Square) sebesar 0,788. R 2 ini merupakan indeks determinasi, yakni prosentase
menyumbangkan pengaruh x1 terhadap y. R 2 sebesar 0,788 menunjukkan pengertian bahwa seb
78,8% sumbangan pengaruh x1 (selling) terhadap y (penjualan), sedang sisanya sebesar 2dipengaruhi oleh faktor lain.
Bagian V: Anova
Pada bagian ini ditampilkan tabel analisis varians (ANOVA). Uji anova sebenarnya digunakan u
menguji ada tidaknya pengaruh beberapa variabel independent terhadap variabel dependent. Dedemikian lebih tepat untuk diterapkan pada analisis multiple regression (regresi berganda). Se
untuk analisis regresi sederhana cukup digunakan uji t.
Sekalipun demikian, jika kita hendak menjelaskan arti nilai F, maka dapat dijelaskan bahwa ni
sebesar 37,205 dengan tingkat signifikans 0,000 menunjukkan bahwa memang terdapat pengvariabel x1 (selling) terhadap y (penjualan) dengan sangat nyata (0,000).
Bagian VI: Coefficiens
Pada bagian ini dikemukakan nilai koefisien a dan batu baterey serta harga t-hitung serta tin
signifikansi. Dari tabel diatas didapat persamaan perhitungan sbb:
Y = 193,526 + 3,288XDimana:
Y= tingkat penjualan
X= selling
Haga 193,526 merupakan nilai konstanta (a) yang menunjukkan bahwa jika tidak ada pengelu biaya untuk “selling”, maka tingkat penjualan akan mencapai 193 unit sepeda motor. Sedang h
3,288X merupakan kokefisien regresi yang menunjukkan bahwa setiap adanya upaya penamb
sebesar Rp. 1, untuk biaya “selling”, maka akan ada kenaikan penjualan sebesar 3,288 (dibulatkaunit sepeda motor.
Angka 0,888 pada standarized coefficients (beta) menunjukkan tingkat korelasi antara “selling”
“tingkat penjualan”.Sedang nilai t merupakan nilai yang berguna untuk pengujian, apakah pengaruh “x1” (sel
terhadap “y” (tingkat penjualan) benar-benar signifikan atau tidak.
Proses pengujian t adalah sbb:1. Hipotesis:
Ho: Koefisien regresi tidak signifikan
Hi: Koefisien regresi adalah signifikan
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 24/46
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. Sedang harga t tabel denga
(12-2)=10 adalah 2,3060. Dengan demikian Ho ditolak dan Hi diterima. Dapat di
kesimpulan bahwa memang terdapat pengaruh yang signifikan antara pengeluaran biaya u“selling” dengan kenaikan tingkat penjualan sepeda motor.
Untuk pengujian ini dapat pula dilihat melalui nilai signifikansi, dimana Anda lihat bahwa
signifikansi (sign) adalah 0,000. Mengingat 0,000 adalah <0,05 maka dapat disimpulkan btingkat signifikansinya sangat tinggi.
Contoh aplikasi:
MULTIPLE REGRESSION
Jika pada analisa regresi sederhana kita hanya melihat pengaruh antara satu variabel “indepen
(bebas) terhadap satu variabel “dependen” (terikat), maka pada analisa multiple regresi kita
melihat pengaruh 3 variabel bebas terhadap satu variabel terikat. Langkah yang anda harus lakadalah:
Aktifkan DATA-8
Klik menu analyze
Klik regression
Klik Linear, maka akan muncul kotak dialog linear regression
Klik variabel “x1”, “x2” dan “x3”, lalu masukkan pada kotak independent
Klik variabel “y” dan masukkan pada kotak dependent
Klik tombol statistics, lalu pilih estimates, model fit, descriptives, part and partial correlacolinearity diagnostic dan durbin waston.
Klik continue
Klik tombol plots, masukkan DEPENDENT pada kotak Y dan ADPRED pada kotak X. standarized residual plots anda klik histogram dan normal probability plot
Klik continue
Klik tombol save. Pada predicted value, Anda pilih unstandarized, standarized dan adjuPada residual, Anda pilih unstandarized dan standarized. Pada prediction intervall, Anda
Mean dan Individual
Klik continue
Klik tombol option, lalu tetap pilih default, yakni use probability of F, entry 0,05
Klik continue
Klik OK
Maka hasilnya sbb:
Analisis hasil:
Bagian I: Descriptive statistics
Pada bagian ini diperlihatkan deskripsi dari semua variabel yang diregresikan. Yakni variab
(tingkat penjualan) sebagai variabel “dependent”, variabel x1 (selling), x2 (promotion) da
(advertensi) sebagai variabel “independen”. Isi deskripsi tersebut adalah; rata-rata (means), standeviasi dan jumlah kasus (N). Sebagai contoh, variabel penjualan memiliki rata-rata 431,42, sta
deviasi 98,06 dan jumlah kasus 12
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 25/46
Bagian II: Correlation
Pada bagian ini ditunjukkan hasil koefisien korelasi untuk semua variabel. Koefisien korelasi a
“selling” (x1) terhadap “penjualan” (y)= 0,888 dengan tingkat signifikansi = 0,000. Jika diperha
besarnya angka r yakni 0,888 dan tingkat signifikansi 0,000, maka keadaan ini menunjukkan adkorelasi positif yang sangat signifikans.
Koefisien korelasi antara “promotion” (x2) terhadap “penjualan” (y)= 0,712 dengan tin
signifikansi= 0,005. Pada kasus kedua ini juga menunjukkan adanya korelasi positif yang sasignifikans.
Koefisien korelasi antara “advertensi” (x1) terhadap “penjualan” (y)= 0,534 dengan tin
signifikansi= 0,037. Pada kasus ketiga ini juga menunjukkan adanya korelasi positif yang sasignifikans.
Bagian III: Variables Entered/Removed
Variabels entered/removed fungsinya untuk menunjukkan jumlah variabel yang dimasukkan (ente
dalam analisis dan yang dikeluarkan (removed) karena sesuatu hal. Dapat anda lihat bahwa svariabel bebas dimasukkan dan tidak ada yang dikeluarkan.
Bagian IV: Model Summary
Pada bagian ini ditampilkan nilai R, R2, Adjusted R2, Std.Error dan Durbin Watson. Dimana ni
(besar) yang menunjukkan gabungan korelasi ketiga variabel bebas x1, x2, x3 terhadap y adsebesar 0,900. Sedang R2 (indek determinasi) adalah 0,809. Hal ini menunjukkan bahwa sumba
dari pengaruh secara bersama-sama (multiple regression) antara x1, x2, dan x3 terhadap y adsebesar 90%. Selebihnya sebesar 10% dipengaruhi oleh faktor lain. Kemudian nilai standard
adalah 60,19. Selain itu diperlihatkan hasil Durbin Watson yakni sebesar 1,795.
Bagian V: Anova
Pada bagian ini ditampilkan tabel analisis varians (ANOVA). Uji anova digunakan untuk menguj
tidaknya pengaruh ketiga variabel independen terhadap variabel dependen (multiple regression).
Untuk pengujian F test (Anova) bisa dilakukan dengan dua cara, yakni dengan melihat tin
signifikansi dan dengan membandingkan F hitung dengan F Tabel.Pengujian dengan memperhatikan tingkat signifikansi:
1. Hipotesis
Ho: tidak terdapat pengaruh x1, x2 dan x3 terhadap yHi : terdapat pengaruh x1, x2 dan x3 terhadap y
2. Ketentuan
Jika probabilitas < 0,05, maka Ho: ditolak Jika probabilitas > 0,05, maka Ho: diterima
3. Kesimpulan
Dapat anda perhatikan bahwa tingkat signifikansi (sig) pada tabel anova adalah 0,003.
probabilitas 0,003 < 0,05. Dengan demikian, Ho: ditolak dan Hi: diterima. Dapat disimpu bahwa ketiga variabel x1, x2 dan x3 secara bersama memang berpengaruh terhadap y. De
demikian, faktor penjelas x1, x2, x3 dapat digunakan untuk memprediksi y.
Pengujian dengan membandingkan F hitung dengan F tabel
1. Hipotesis
Ho : tidak terdapat pengaruh x1, x2 dan x3 terhadap yH1 : terdapat pengaruh x1, x2 dan x3 terhadap y
2. Ketentuan
Jika F hitung > F tabel, maka Ho: ditolak Jika F hitung < F tabel, maka Ho: diterima
3. Kesimpulan
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 26/46
Anda perhatikan bahwa harga F pada tabel anova diatas adalah 11,331. Sedang F tabel (0
(numerator= 3 dan denumerator= 8) adalah 4,7571. Jadi F hitung > F tabel (0,05). Dengan demi
Ho: ditolak dan H1: diterima. Dapat ditarik kesimpulan bahwa ketiga variabel x1, x2 dan x3 se
bersama-sama berpengaruh terhadap variabel y. Oleh karenanya ketiga variabel tadi dapat digununtuk memprediksi variabel y.
Bagian VI: CoefficientsPada bagian ini dikemukakan nilai koefisien a dan b serta harga t-hitung serta tingkat signifik
Selain itu, terdapat pula partial correlation dan colinearity statistics.
Persamaan model:Dari hasil perhitungan diatas, maka dapat dibuatkan model persamaannya yakni:
Y = 141,461 + 3,632 x1 – 1,0206 x2 + 1,6738 x3.
Cara membaca persamaan diatas adalah:
Harga 141,461 merupakan nilai konstanta (a) yang menunjukkan bahwa jika tidak ada pengelu biaya untuk “selling”, “promosi” dan “advertensi”, maka tingkat penjualan akan mencapai 141,463
sepeda motor.
Nilai 3,632 x1 merupakan koefisien regresi, yang menunjukkan bahwa setiap adanya u
penambahan sebesar satu satuan biaya untuk “selling”, maka akan ada kenaikan penjualan se3,632 (dibulatkan 4) unit sepeda motor.
Nilai -1,0206 x2 merupakan koefisien regresi, yang menunjukkkan bahwa setiap adanya u penambahan sebesar satu satuan untuk biaya “promosi”, maka akan ada penurunan penjualan seb
1,0206 (dibulatkan 1) unit sepeda motor.
Nilai 1,6738 x3 merupakan koofisien regresi, yang menunjukkan bahwa setiap adanya u penambahan sebesar satu satuan biaya untuk “advertensi”, maka akan ada kenaikan penjualan seb
1,6738 (dibulatkan 2) unit sepeda motor.
Pengujian nilai t:
Pengujian nilai t digunakan untuk menguji adakah pengaruh masing-masing variabel x1, x2 da
terhadap y. Sebelumnya pada hasil anova kita perhatikan proses pengujian apakah variabel x1, x2
x3 secara bersama-sama mempengaruhi variabel y.
Pengujian x1 terhadap y:
1. Hipotesis:Ho: tidak terdapat pengaruh x1 terhadap y
Hi : terdapat pengaruh x1 terhadap y
2. Ketentuan: (berdasarkan probabilitas)
Ho: ditolak, jika probabilitas < 0,05Ho: diterima, jika probabilitas > 0,05
3. Kesimpulan:
Jika diperhatikan hasil perhitungan harga t untuk variabel “selling” sebesar 3,338 de probabilitas (signifikansi)= 0,010. Jadi probabilitas 0,01 masih dibawah 0,05. Dengan dem
Ho: ditolak. Dapat disimpulkan bahwa memang ada pengaruh x1 (selling) terhadap y (penjuala
Pengujian x2 terhadap y:1. Hipotesis:
Ho: tidak terdapat pengaruh x2 terhadap y
Hi : terdapat pengaruh x2 terhadap y2. Ketentuan: (berdasarkan probabilitas)
Ho: ditolak, jika probabilitas < 0,05
Ho: diterima, jika probabilitas > 0,05
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 27/46
3. Kesimpulan:
Jika diperhatikan hasil perhitungan harga t untuk variabel “promosi” sebesar -0,657 de
probabilitas (signifikansi)= 0,53. Jadi probabilitas 0,53 > 0,05. Dengan demikian, Ho: dite
Dapat disimpulkan bahwa tidak terdapat pengaruh x2 (promosi) terhadap y (penjualan).Pengujian x3 terhadap y:
1. Hipotesis:
Ho: tidak terdapat pengaruh x3 terhadap yHi : terdapat pengaruh x3 terhadap y
2. Ketentuan: (berdasarkan probabilitas)
Ho: ditolak, jika probabilitas < 0,05Ho: diterima, jika probabilitas > 0,05
3. Kesimpulan:
Jika diperhatikan hasil perhitungan harga t untuk variabel “advertensi” sebesar 0,801 de
probabilitas (signifikansi)= 0,446 probabilitas 0,446 > 0,05. Dengan demikian, Ho: diteDapat disimpulkan bahwa tidak terdapat pengaruh x3 (advertensi) terhadap y (penjualan).
Latihan:Berikut ini adalah contoh kasus untuk mengetahui bagaimana besarnya pengaruh dari var
independent (daerah, sales, iklan di koran, iklan di radio, banyaknya outlet dan salesman) terhvariabel dependen (sales).
Data Variable View
Nama Variabel Tipe Keterangan
Daerah Numerik Daerah penjualan roti dengan cakupan Jaka
Jawa Barat, Jawa Tengah dan Jawa Timur
Sales Numerik Tingkat penjualan roti semua rasa (dal
unit/bulan)
Iklan_ko Numerik Iklan di koran (Juta Rupiah/bulan)
Iklan_ra Numerik Iklan di Radio (Juta Rupiah/bulan)Outlet Numerik Jumlah outlet perusahaan untuk setiap daerah
Salesman Numerik Jumlah salesman untuksetiap daerah.
Data Editor
No. Daerah Sales Iklan_ko Iklan_ra Outlet Salesman
1 Jakarta 1 300.12 26.23 12.23 7 4
2 Jakarta 2 312.25 25.12 12.88 8 3
3 Jakarta 3 362.02 29.80 15.26 8 24 Jakarta 4 400.25 34.55 14.23 9 1
5 Jakarta 5 412.60 33.45 13.02 6 4
6 Jakarta 6 423.00 32.26 13.56 5 2
7 Jakarta 7 320.14 23.45 12.03 8 3
8 Jawa Barat 1 366.25 34.76 15.26 9 3
9 Jawa Barat 2 451.29 40.12 14.32 8 2
10 Jawa Barat 3 430.22 36.21 13.33 10 5
11 Jawa Barat 4 265.99 25.89 12.05 11 4
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 28/46
12 Jawa Barat 5 254.26 22.98 15.26 10 1
13 Jawa Barat 6 352.16 36.25 12.89 9 5
14 Jawa Barat 7 365.21 36.87 12.45 8 5
15 Jawa Tengah 1 295.15 22.41 13.44 5 2
16 Jawa Tengah 2 354.25 26.25 13.67 6 2
17 Jawa Tengah 3 415.25 36.99 19.25 8 5
18 Jawa Tengah 4 400.23 32.79 18.78 9 219 Jawa Tengah 5 423.22 33.98 16.59 7 2
20 Jawa Tengah 6 452.62 23.21 18.45 5 3
21 Jawa Tengah 7 512.33 44.98 13.45 8 5
22 Jawa Tengah 8 435.23 35.99 15.78 8 3
23 Jawa Tengah 9 302.21 25.00 16.35 9 2
24 Jawa Timur 1 330.92 23.25 19.58 8 5
25 Jawa Timur 2 254.25 24.86 13.87 6 6
26 Jawa Timur 3 265.21 26.23 15.87 5 5
27 Jawa Timur 4 215.36 20.98 13.23 7 4
28 Jawa Timur 5 235.26 24.88 15.69 9 3
29 Jawa Timur 6 222.32 25.87 18.97 8 630 Jawa Timur 7 323.45 28.94 18.29 9 5
Latihan:
Manajer PT. Setia ingin mengetahui apakah kegiatan yang menunjang penjualan perusahaan selam(sebagai variabel bebas):
Iklan di koran
Iklan di radio
Jumlah outlet penjualan
Jumlah salesman yang ada
Benar-benar berpengaruh terhadap penjualan roti?
Langkah-langkah:
1. Buka data Regresi
2. Pilih menu Analyze kemudian submenu Regression, lalu pilih linear Pengisian:
Dependent atau variabel tergantung. Pilih variabel sales
Independen(s) atau variabel bebas. Pilih variabel iklan_ko, iklan_ra, outlet dan salesman
Case labels atau keterangan pada kasus. Pilih variabel daerah
Method, pilih Enter
Abaikan bagian yang lain
OK
ANALISIS:
1. Model Summary
Angka R sebesar 0,869 menunjukkan bahwa korelasi/hubungan antara Sales dengan 4 var
independentnya adalah kuat
Angka R Square atau koefisien Determinasi adalah 0,755, namun untuk jumlah variabel indepenlebih dari dua lebih baik digunakan Adjusted R square, adalah 0,716. Hal ini berarti 71,6% variasi
sales bisa dijelaskan oleh variasi dari keempat variabel independent. Sedangkan sisanya (10
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 29/46
71.6%= 28.4%) dijelaskan oleh sebab-sebab lain. Standard error of estimate (SEE) adalah 41.58
Rp.41.58 juta/bulan (satuan yang dipakai adalah variabel dependent/sales)
2. Anova
Dari uji ANOVA atau F test, didapat F hitung adalah 19,298 dengan tingkat signifikansi 0.000. Ka probabilitas (0.000) jauh lebih kecil dari 0.05, maka model regresi bisa dipakai untuk mempre
sales. Atau bisa dikatakan, iklan di koran, iklan di radio, jumlah outlet dan jumlah salesman se
bersama-sama berpengaruh terhadap sales.3. Koefisien Regresi
Persamaan Regresi:
Sales= 100,123 + 10,913 iklan_ko + 4,966 iklan_ra – 13,275 outlet – 13,988 salesman
Konstanta sebesar 64,639 menyatakan bahwa jika tidak ada iklan, o
ataupun salesman yang bertugas, sales adalah Rp.100.123 juta/bulan
Koefisien regresi 10,913 menyatakan bahwa setiap penambahan R biaya iklan di koran akan meningkatkan sales sebesar Rp.10,913
Koefisien regresi 4,966 menyatakan bahwa setiap penambahan R
biaya iklan di radio akan meningkatkan sales sebesar Rp. 4,966
Koefisien regresi -13,275 menyatakan bahwa setiap penambahan 1
outlet akan mengurangi sales sebesar Rp.13,275 Koefisien regresi -13,998 menyatakan bahwa setiap penambahan 1 o
salesman akan mengurangi sales sebesar Rp.13,988.
Hipotesis:
Ho = Koefisien regresi tidak signifikanH1 = Koefisien regresi signifikan
Dasar Pengambilan Keputusan (berdasarkan probabilitas)Jika probabilitas > 0,05 maka Ho diterima
Jika probabilitas < 0,05 maka Ho ditolak
Keputusan:
Terlihat bahwa pada kolom Sig/significance:
Variabel iklan_ko, outlet dan salesman mempunyai angka signifikansi dibawah 0,05, karenketiga variabel independent tersebut memang mempengaruhi sales.
Variabel iklan_ra dan konstanta mempunyai angka signifikansi di atas 0,05, karena itu, k
variabel tersebut tidak mempengaruhi sales.
Dengan demikian, variabel iklan_ra dikeluarkan dari model regresi
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 30/46
BAB VIII
CHI SQUARE TEST
Uji Chi Square (uji Chi-Kuadrat) yang seringkali bernotasi X2 digunakan untuk melakukan peng
hipotesa terhadap proporsi relatif dari case yang dikelompokkan. Data yang sesuai digunakan analisis chi square adalah data dalam bentuk frekwensi, tidak dalam bentuk angka rasio atau skala.
Contoh kasus untuk aplikasi uji chi square misalnya kita akan melakukan penelitian tentang m
masyarakat dalam memilih stasiun TV yang akan mereka tonton. Secara acak dilakukan su
terhadap 100 pemirsa TV.
DATA-9
Minat Masyarakat Menonton TV
Stasiun TV Klasifikasi/Kode Frekwensi/Jumlah
TVRI 1 8
TPI 2 14
RCTI 3 16
SCTV 4 19
ANTV 5 21
INDOSIAR 6 22
JUMLAH 100
Buatlah value label:1= TVRI
2= TPI
3= RCTI
4= SCTV5= ANTV
Pengisian Data:
Name Type Width Decimals Label Values Missing Columns Align Mea
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 31/46
Minat Numeric 8 0 Nonton
TV
{1,TVRI..} None 8 Right Sc
Contoh Aplikasi 1:
Untuk aplikasi ini anda gunakan file DATA-9, dengan langkah-langkah sbb:1. Klik File DATA-9
2. Klik Analyze3. Klik Non-Parametric Test4. Klik Chi-Square
5. Klik variabel “minat” dan masukkan pada kotak Test Variable List
6. Klik Option, pada Statistics, pilih Descriptive7. Pada Missing Value tetap pilih default (Exclude test by test)
8. Klik OK
Analisis hasil olah data:1. Hipotesis
Ho: Masyarakat memiliki minat menonton yang sama terhadap 6 stasiun TV
H1: Masyarakat memiliki minat yang berbeda terhadap 6 stasiun TV2. Ketentuan
Jika X2 hitung > X2 tabel α 0.05 dk (k-1, maka Ho: ditolak
Jika X2 hitung < X2 tabel α 0.05 dk (k-1, maka Ho: diterima3. Kesimpulan
Diketahui harga X2 tabel dengan α 0.05 dengan dk= 6-1= 5 adalah 11,0705 sedang harg
hitung yang diperoleh adalah 7,280. Jadi X2 hitung= 7,280 < X2 tabel α 0.05 dk 3= 11,0
Dengan demikian Ho diterima dan H1 ditolak. Dengan demikian, pada dasarnya mmasyarakat dalam menonton keenam TV tersebut sama saja (tidak berbeda).
Latihan:Manajer Cabang PT. Selalu Maju di kota Palembang ingin mengetahui pendapat konsumen di
tersebut mengenai rasa roti yang diproduksi PT. Selalu Maju, yaitu roti rasa kacang, durian, cosusu dan nanas. Apakah konsumen menyukai semua jenis roti tersebut, ataukah lebih menyukai
roti yang satu dibanding yang lain.
Untuk itu disebar angket kepada 200 responden yang sudah mengkonsumsi kelima roti tersebut
kepada mereka ditanyakan rasa roti yang paling disukai. Ada tiga pertanyaan:1. Seharusnya roti rasa Durian dan Coklat lebih disukai konsumen?
2. Sesungguhnya semua rasa adalah sama di mata konsumen?
3. Sesungguhnya rasa roti Durian dan Coklat tidak ada bedanya?Apakah asumsi tersebut sesuai dengan hasil angket?
Data Variabel ViewNama Variabel Tipe Label
Rasa Numerik 1= Kacang2= Durian
3= Coklat
4= Susu
5= Nanas
Jumlah Numerik
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 32/46
No Rasa Jumlah
1 1 43
2 2 60
3 3 57
4 4 14
5 5 26
Kedua data (rasa dan jumlah) untuk analisis chi square dilakukan proses weight cases (pembobo
Maksudnya menghubungkan kode dengan jumlah. Misal kode 1 dihubungkan dengan angka seb
yaitu 43. Hal ini berarti, jika diinput rasa kacang, otomatis SPSS menganggap jumlahnya 43 bdemikian untuk rasa lainnya.
Langkah pembobotan:
Buka dari menu Data, pilih submenu Weight Cases
Dari kotak dialog yang tampak, pilih weighted cases by, lalu isi pada bagian Frequency var
dengan variabel jumlah
Tekan OK , maka penyebutan variabel roti akan mengacu ke variabel jumlah
Kasus PertamaKarena faktor yang berlainan, Manajer Cabang tersebut berpendapat seharusnya roti rasa DurianCoklat lebih disukai konsumen. Untuk itu ia berasumsi 70% konsumen akan menyukai roti Durian
Coklat secara seimbang, sedangkan 30% akan menyukai roti kacang, susu dan nanas juga se
seimbang.
Langkah-langkah:
1. Buka data Chi Square
2. Dari menu utama SPSS, pilih menu Analyze, kemudian pilih submenu Nonparametric Test pilih Chi Square
Pengisian:
Test variable list atau variabel yang akan diuji. Pilih Rasa
Expected values, digunakan karena asumsi dalam nilai tertentuPerhitungan:
70% senang durian dan coklat berimbang berarti
Durian : 35% x 200 = 70Coklat : 35% x 200 = 70
30% senang kacang, susu dan nanas dengan berimbang, berarti:
Kacang: 10% x 200 = 20Susu : 10% x 200 = 20
Nanas : 10% x 200 = 20
Catatan:
Pemasukan data harus berurutan sesuai urutan rasa pada file!Proses:
Pada bagian Expected value, klik values
Otomatis kotak dibawahnya aktif. Proses pemasukan data:
Isi kolom values dengan 20 (untuk kacang sesuai urutan pada data)
Otomatis tombol Add menjadi aktif. Klik tombol Add tersebut mana nilai 20 masuk ke kotak bawah
Isi kolom values dengan nilai 70 (untuk durian sesuai urutan rasa ke dua di data)
Klik tombol Add tersebut, maka nilai 70 akan masuk
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 33/46
Demikian seterusnya untuk nilai 70, 20, 20
Abaikan bagian lain dan tekan OK untuk proses data.
Analisis
Hipotesis:
Ho: Sampel berasal dari populasi yang mengikuti distribusi yang ditetapkan manajer cabang.
Atau pendapat manajer cabang tersebut benar, bahwa rasa durian dan coklat lebih disukaidibanding rasa yang lain.
H1: Sampel berasal dari populasi yang tidak mengikuti distribusi yang ditetapkan manajer caban
Atau pendapat manajer cabang tersebut salah, bahwa semua rasa disukai konsumen,tidak peduli berapa harganya.
Dasar Pengambilan Keputusan
a. Berdasarkan perbandingan Chi Square uji dan Tabel
Jika Chi Square hitung < Chi Square Tabel, maka Ho diterima
Jika Chi Square hitung > Chi Square Tabel, maka Ho ditolak
Chi Square tabel bisa dihitung pada tabel Chi Square, dengan:
α = 5%
Df= 4
Didapat Chi Square tabel adalah 9,487
Karena Chi Square hitung > Chi Square tabel (33,893 > 9,4877), maka Ho ditolak
b. Berdasarkan Probabilitas
Jika probabilitas > 0,05 maka Ho diterimaJika probabilitas < 0,05 maka Ho ditolak
Kesimpulan:Terlihat bahwa pada kolom Asymp.Sig/Asymptotic significance adalah 0,000 atau probabdibawah 0,05, maka Ho ditolak.
Dari kedua analisis di atas, bisa diambil keputusan yang sama, yaitu Ho ditolak atau distribusi tern
tidak sesuai anggapan manajer cabang. Karena ternyata rasa durian dan coklat tidak lebih istimdibanding rasa roti yang lain, dengan acuan distribusi roti seperti yang diasumsikan manajer cabang
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 34/46
BAB IX
ONE SAMPLE KOLMOGOROF-SMIRNOF TEST
One-Sample Kolmogorf-Smirnof Test (Uji Kolmogorof Smirnof untuk satu sample) berguna umenguji apakah suatu sampel berasal dari suatu populasi dengan distribusi tertentu, terutama distr
normal, uniform, dan poison.
Contoh kasus untuk aplikasi ini, misalnya, Anda akan menguji apakah data nilai sebanyak 20 o
mahasiswa berdistribusi normal. Nilai tersebut adalah sbb:
DATA-10
Data Nilai Mahasiswa
No. Nilai Mahasiswa
1 60
2 55
3 70
4 85
5 90
6 72
7 76
8 63
9 5710 91
11 51
12 69
13 89
14 97
15 62
16 74
17 69
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 35/46
18 94
19 81
20 77
Proses pembuatan data:
1. Memasukkan dan mendefinisikan variabel
Name Type Width Decimals Label Values Missing Columns Align Mea Nilai Numeric 8 0 Nilai
Mhs
None None 8 Right Sc
2. Pengisian data
Langkah Aplikasi Uji:
Anda sedang aktif pada DATA-12
Klik Analyze
Non-Parametrik test
Klik One Sample K-S
Masukan variabel “nilai” pada kotak Test Variable List
Pilih Normal
Klik Options, pilih Descriptive
Klik Continue
Klik OK
Analisis:
Pada bagian pertama memuat informasi deskripsi mengenai data mahasiswa. Dimana jumlah case
(N)=20, Mean= 74,10, Std. Deviasi= 13,75, minimum= 51 dan maksimum=97.Pada bagian kedua berisi hasil uji One Sampel KS.
Pengujian hasil one sampel KS:
1. Hipotesis:Ho : data nilai mahasiswa berdistribusi normal
Hi : data nilai mahasiswa tidak berdistribusi normal
2. Ketentuan:Jika probabilitas > 0,05, maka Ho: diterima
Jika probabilitas < 0,05, maka Ho: ditolak
3. Keputusan:
Dari hasil uji One Sampel KS diatas, tampak bahwa nilai Asym.Sig. adalah 0,967. probabilitas (Sig.) 0,967 > 0,05. Dengan demikian, Ho: diterima dan Hi: ditolak. D
disimpulkan bahwa distribusi nilai mahasiswa adalah normal.
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 36/46
BAB X
TWO-INDEPENDENT-SAMPLE TEST
Two-Independent-Sample Test (Uji dua sampel independent) berguna untuk membandingkan distr
variabel dua buah group yang independent. Uji dua sample independent ini menyediakan 4 pil
yakni: Mann-Whitney U, Kolmogorof-Smirnov Z, Moses Extreme dan Wold-Wolfowitz runs.
Contoh kasus berikut ini adalah untuk mengetahui apakah nilai ekonomi makro yang diberikan kemahasiswa Universitas Terbuka di wilayah DKI dan Sulsel ada bedanya (atau sama saja). Ju
sampel untuk mahasiswa DKI sebanyak 15 mahasiswa, sedangkan Sulsel hanya 17 mahas
Datanya adalah sebagai berikut:
DATA-11
Data Nilai Ekonomi Mahasiswa
NO Nilai Mahasiswa
UT DKI UT SULSEL
1 63 69
2 78 56
3 71 67
4 82 72
5 93 59
6 72 717 61 55
8 63 88
9 56 79
10 82 49
11 60 76
12 76 53
13 67 66
14 74 73
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 37/46
15 61 80
16 83
17 70
Proses pengisian data:
1. Memasukkan dan mendefinisikan variabel
Name Type Width Decimals Label Values Missing Columns Align MWilayah Numeric 8 0 Pembagian
wilayah
{1,DKI..
}
None 8 Right
Nilai Numeric 8 0 Nilai Mhs None None 8 Right S
Value label:1= DKI
2= Sulsel
2. Pengisian data
Langkah Aplikasi uji:Mengingat uji U Test merupakan uji jenjang, maka jika Anda akan menentukan jenjang dari mas
masing data nilai diatas, dapat Anda lakukan melalui transpormasi data dengan perintah Rank Case
Aktifkan DATA-11
Klik transform
Klik rank cases
Klik variabel nilai dan masukkan ke kotak variable(s)
Klik variabel wilayah, masukkan ke kotak by
Klik OK
Data nilai telah dirangking oleh menu Rank Cases. Selanjutnya mari kita melakukan uji Two Sa
Independent Test. Langkahnya adalah sbb:
Aktifkan DATA-11
Klik Analyze
Klik Non-Parametrik Tests
Klik 2-Independent Samples
Klik variabel “nilai”, dan masukkan pada kotak Test Variable List
Klik variabel “wilayah”, masukkan pada Grouping variable
Klik Define Group, isikan angka 1 pada Group 1 dan angka 2 pada Group 2
Pada Test Type, klik Mann-Whitney U
Klik Options, pilih Descriptive
Klik continue Klik OK
Hasil analisis data:
1. HipotesisHo: 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:
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 38/46
Ho diterima jika: -1.96 ≤ Zh ≤ +1,96
Ho ditolak jika : Zh > + 1,96 atau Zh < - 1,96
3. Kesimpulan
Dari hasil uji U Test diatas, didapat harga Z= -0,265. Dengan demikian Zh -0,265 < Z tabel
kritis) α 0.05 = -1,96. Dengan demikian, Ho: diterima. Kesimpulannya, tidak terdapat perbe
tingkat kemampuan (nilai ekonomi makro) antara mahasiswa UT wilayah DKI dan Sulsel, de
resiko kekeliruan sebesar 5%.
BAB XI
TWO RELATED SAMPLES TEST
Uji two related samples test (uji dua sampel berhubungan) digunakan untuk melakukan pembandi
distribusi dari dua variabel yang berhubungan.Contoh kasus:
Misalkan akan menguji adakah perbedaan kecepatan mengetik dari para juru ketik.
DATA-12
Data Kecepatan Mengetik
NOKecepatan Mengetik (dlm menit)
Program WS Program Ms.Word
1 9 7
2 10 6
3 12 8
4 13 9
5 11 8.96 8 7.8
7 15 8.9
8 16 10
9 12 11.2
10 9 12
11 8 13
12 12.5 12
13 13.6 10.4
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 39/46
14 14.3 9.7
15 10.1 8.6
16 9.7 7
17 12 8
18 13.7 9
19 14 9.7
20 15.2 1021 16 11
22 12.6 12
23 11 13
24 10.3 8
25 9.8 9.4
26 13.5 10
27 14 8.9
28 15 7
29 16 11
30 11 12
Proses pengisian data
1. Memasukkan dan mendefinisikan variabel
Name Type Width Decimals Label Values Missing Columns Align Mea
WS Numeric 8 2 Mengetik WS
None None 8 Right Sc
Ms.Word Numeric 8 2 Mengetik
Ms Word
None None 8 Right Sc
2. Pengisian data
Langkah analisis:
Pengujian dengan pilihan type wilcoxon:
Aktifkan DATA-12
Klik analyze
Klik non-parametrik test
Klik 2 ralated samples
Klik dua variabel sekaligus dan pindahkan ke kotak test pair(s) list
Pada test type, tetap pilih wilcoxon (default) Klik options, pilih descriptive
Klik continue
Klik OK
Maka hasilnya sbb:
Analisis:1. Hipotesis:
Ho: Bahwa lama waktu mengetik dengan WS dan Ms.Word adalah sama saja
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 40/46
Hi : Bahwa lama waktu mengetik dengan WS dan Ms.Word adalah tidak sama
2. Ketentuan
Dengan α 0.05 (pengujian dua sisi):
Maka, Ho diterima jika: -1,96 ≤ Zh ≤ +1,96Ho ditolak jika: Zh > +1,96 atau Zh < -1,96
3. KeputusanDari hasil perhitungan diatas diperoleh nilai Z= -3,724. Jadi Z hitung berada diluar batas k
penerimaan Ho. Dengan kata lain, Zh -3,724 < nilai kritis Z -1,96. Dengan demikian Ho di
dan H1 diterima. Kesimpulannya, terdapat perbedaan waktu mengetik secara signifikans amenggunakan paket program WS dan Ms.Word.
Contoh Aplikasi 2:
Pengujian dengan pilihan type sign:Pada contoh ini Anda hanya diminta untuk memilih (check box) Sign dan memastikan piWilcoxon. Langkah kegiatannya adalah sbb:
Aktifkan DATA-12
Klik Analyze Klik Non-Parametrik Test
Klik 2 Related Samples
Klik dua variabel sekaligus dan pindahkan ke kotak test pair(s) list
Pada test type, pilih sign dan matikan pilihan wilcoxon.
Klik options, pilih descriptive
Klik continue
OK
Analisis:
1. Hipotesis:
Ho : Bahwa lama waktu mengetik dengan WS dan Ms.Word adalah sama sajaHi : Bahwa lama waktu mengetik dengan WS dan Ms.Word adalah tidak sama
2. Ketentuan
Dengan α 0.05 (pengujian dua sisi):
Maka, Ho diterima jika: -1,96 ≤ Zh ≤ +1,96
Ho ditolak jika: Zh > +1,96 atau Zh < -1,96
3. KeputusanDari hasil perhitungan diatas diperoleh nilai Z= -3,834. Jadi Z hitung berada diluar batas k
penerimaan Ho. Dengan kata lain, Ho ditolak dan Hi diterima. Kesimpulannya, terdapat perbe
waktu mengetik secara signifikans antara menggunakan paket program WS dan Ms. Word.
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 41/46
BAB XII
K-INDEPENDENT-SAMPLES TESTS
K-Independent Samples Tests (uji k sample independent) digunakan untuk membandingkan distr
dua atau lebih group independent dari suatu variabel.
Contoh aplikasi:
Untuk memberikan contoh aplikasi uji K-sample independent, maka kita akan melihat hasil s penelitian yang dilakukan oleh suatu perusahaan obat diet terkemuka di Indonesia. Lembaga pene
obat diet tersebut mencoba melakukan uji penurunan berat badan dengan beberapa cara,
dilakukan terhadap 25 wanita gemuk. Mereka mencoba melakukan 5 cara penurunan berat ba
antara lain dengan: 1. Jalan pagi, 2. Senam pernafasan, 3. Aerobik, 4. Yoga dan 5. Obat diet mereka ciptakan. Setelah satu bulan dilakukan terapi, maka dihitung penurunan berat badan me
Hasil pernghitungan penurunan berat badan tersebut adalah sbb:
DATA 13
Data Penurunan Berat Badan
NoCara/Metode Penurunan Berat Badan
Jalan Pagi Senam Pernafasan Aerobik Obat Diet
1 2,10 2,60 2,50 3,60 3,50
2 2,30 3,10 2,60 3,70 3,20
3 3,20 2,70 2,70 4,10 4,50
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 42/46
4 3,10 3,70 1,50 5,00 2,90
5 3,50 3,90 1,90 3,60 3,10
Proses pemasukan data:1. Memasukkan dan mendefinisikan variabel
Name Type Width Decimals Label Values Missing Columns Align Mea
Cara Numeric 8 0 Cara diet None None 8 Right ScBerat Numeric 8 2 Penurunan
Berat
None None 8 Right Sc
2. Pengisian data
Langkah pengujian:
1. Anda buat DATA-132. Klik Analyze
3. Klik Non-Parametrik Test
4. Klik K-Independen samples test5. Klik variabel “berat” dan masukkan ke kotak test variable list
6. Klik variabel “cara” dan masukkan ke kotak grouping variable7. Klik define range, isikan ke kotak minimum dengan angka 1 dan kotak maksimum dengan angka 58. Klik continue
9. Klik kruskal-wallis H dan Median
10. Klik option, pilih deskriptive
11. Klik continue12. Klik OK
ANALISIS:Uji Kruskall-Wallis
1. Hipotesis:
Ho: Tidak terdapat perbedaan rata-rata dari lima metode terhadap penurunan berat badanHi : Terdapat perbedaan rata-rata dari kelima metode terhadap penurunan berat badan
2. Ketentuan:
Ho diterima jika X2 hitung ≤ X2 tabel
Ho ditolak jika X2 hitung > X2 tabel3. Keputusan:
Dari hasil perhitungan uji H (Kurskal-Wallis H) didapat harga 14,061. Sedang harga X2
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 me
kelima cara tersebut.
UJI MEDIAN
Pengujian Hipotesis Median:
1. Menentukan HipotesisHo: Dua atau lebih sampel yang diambil berasal dari populasi yang memiliki median yang sam
H1: Median yang berasal dari satu populasi tertentu berbeda dari populasi yang lainnya.
2. KetentuanHo diterima jika X2 hitung ≤ X2 tabel dan
Ho ditolak jika X2 hitung > X2 tabel
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 43/46
Dengan menggunakan tingkat kepercayaan (α) 0.05 dengan dk= k-1= 5-1= 4, maka dari X2 tabe
didapat harga= 9,488
3. Keputusan
Dari hasil perhitungan uji median di atas didapat harga X2 hitung 10.577. Karena X2 hitung 10,> 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 XIII
K-RELATED-SAMPLES TEST
K-Related Samples Test (uji beberapa sample yang berhubungan) berguna untuk menguji distribusi
dari beberapa sample yang berhubungan. Pada pengujian ini disediakan 3 pilihan metode, yakni: TFriedman, Kendall’s W dan Cochran’s Q.
Contoh kasus:
Penelitian ini dilakukan pada mahasiswa yang sama didalam satu kelas. Jumlah mahasiswa terdaporang. Pada masing-masing 10 orang akan diberikan metode yang berbeda. Dengan demi
terdapat 4 metode mengajar yang akan diujikan.
DATA 14
Nilai Mahasiswa dari Berbagai Metode Mengajar
NOMetode Mengajar
Ceramah Tanya-jawab Diskusi Tugas
1 45 71 81 78
2 52 61 72 80
3 56 59 73 79
4 63 63 68 69
5 72 72 64 76
6 64 65 58 90
7 56 59 66 75
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 44/46
8 61 63 75 86
9 48 58 76 78
10 57 70 80 67
Proses pemasukan data:
1. Memasukkan dan mendefinisikan variabel
Name Type Width Decimals Label Values Missing Columns Align Meaceramah Numeric 8 2 Metode
Ceramah
None None 8 Right Sc
tanya Numeric 8 2 MetodeTanyajawab
None None 8 Right Sc
diskusi Numeric 8 2 MetodeDiskusi
None None 8 Right Sc
tugas Numeric 8 2 MetodeTugas
None None 8 Right Sc
2. Pengisian Data
CONTOH APLIKASI:
Aktifkan DATA-14
Klik Analyze
Klik Non-Parametrik Test
Klik K-Related Samples
Klik 4 variabel sekaligus, dan masukkan pada kotak test variabel
Pada test type, pilih Friendman (default)
Klik Statistics, pilih descriptive
Klik continue
Klik OK
ANALISIS:
Hipotesis:
Ho: Tidak terdapat perbedaan penerapan 4 metode mengajar terhadap nilai siswaHi : Terdapat perbedaan penerapan 4 metode mengajar terhadap nilai siswa
Ketentuan
Ho diterima jika X2 hitung ≤ X2 tabel dan Ho ditolak jika sebaliknya.Kesimpulan
Dari hasil perhitungan Friedman Test didapat harga Chi-Square (X2) sebesar 18,735. Sedang n
X2 tabel α 0.05 (dk3)= 9,488.
Karena X
2
hitung 18,735 > X
2
tabel α 0.05 (dk3)= 9,488, maka Ho ditolak. Dengan demikian ddisimpulkan bahwa terdapat perbedaan pada keempat metode mengajar terhadap nilai mahasisw
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 45/46
UNIVERSITAS SRIWIJAYA
PROGRAM ILMU KOMPUTER
SILABUS MATA KULIAH
1. Nama mata kuliah : Statistika Dasar
2. Bobot : 1 SKS3. Jenjang studi : D3
4. Semester/Tahun Akademik : 3/2006-2007
5. Jurusan : Manajemen Informatika, Teknik Komputer
6. Software yang digunakan : SPSS
RENCANA PERKULIAHAN
Pertemuan ke Materi Pokok Pokok Bahasan
1 Pendahuluan Persiapan data, jenis data
2 Mengelola File Membuat file data baru
Mendefinisikan variabel
Memasukkan data
Menyimpan dan menghapus dataMengcopy dan menyisipkan data
5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com
http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 46/46
3 Transformasi Data Perintah compute
Perintah count
4 Statistik Deskriptif Aplikasi Deskriptif
5 Statistik Induktif MeansOne sample T Test
Independent Sample T Test
Paired sample T TestOne Way ANOVA
6 Aplikasi Correlate Bivariate correlationAnalisis korelasi partial
7 Ujian Tengah Semester
8 Analisis regresi Analisis regresi sederhana
Analisis regresi berganda
9 Chi square test Proses pemasukan data
Pendefinisian variabel
10 One sample kolmogorof
smirnof
Proses pemasukan data
Pendefinisian variabel
11 Two Independent RelatedSamples Test
Proses pemasukan dataPendefinisian variabel
12 Two Related Samples Test Proses pemasukan dataPendefinisian variabel
13 K-Independent samples test Proses pemasukan dataPendefinisian variabel
14 K-Related samples test Proses pemasukan dataPendefinisian variabel
15 Ujian Akhir Semester