Professional Documents
Culture Documents
BAB I
PENDAHULUAN
sekolah seperti lab, kelas, dan fasilitas olahraga. Pengujian tersebut digunakan untuk
menilai apakah ketiga fasilitas yang diberikan telah sesuai harapan.
Untuk pengujian dengan sampel lebih dari 2 dan tidak berhubungan menggunakan
data perbandingan penilaian 3 bentuk fasilitas dengan 2 sekolah internasional terdekat.
Data – data tersebut dianalisis untuk menjawab permasalahan – permasalahan Kepala
Sekolah SMA TUJUH dalam menjalankan tugasnya di sekolah internasional tersebut.
Identifikasi Masalah
Studi Pustaka
Pengambilan Data
Pengolahan Data
Analisis
BAB II
TI NJAUAN PUSTAKA
pemilihan uji yang sesuai, penentuan taraf yang signifikan, analisa statistik. Statistik
induktif meliputi 2 hal yaitu :
- Teknik pengolahan data secara parametrik
- Teknik pengolahan data secara non parametrik
Data adalah bentuk jamak dari datum yang memiliki pengertian sebagai keterangan-
keterangan tentang suatu hal, dapat berupa sesuatu yang diketahui atau dianggap. Sehingga
data dapat diartikan sebagai sesuatu yang diketahui atau dianggap.
Statistik dalam prakteknya tidak bisa dilepaskan dari data yang berupa angka, baik itu
dalam statistik deskriptif yang menggambarkan data, maupun statistik inferensi yang
melakukan analisis terhadap data. Namun sebenarnya data dalam statistik juga bisa
mengandung data non angka atau data kualitatif.
2. Data Ordinal
Data ordinal, seperti pada data nominal, adalah juga data kualitatif
namun dengan level yang lebih “tinggi” daripada data nominal. Jika pada
data nominal, semua data kategori dianggap sama, maka pada data ordinal,
ada tingkatan data. Misal pada data Jenis Kelamin di atas, Lelaki dianggap
setara dengan Wanita, atau dalam data Tempat Kelahiran, data Jakarta
dianggap sama dengan data Yogyakarta, Surabaya, Boyolali, dan seterusnya.
Pada data ordinal, ada data dengan urutan lebih tinggi dan urutan lebih
rendah. Misal data tentang sikap seseorang terhadap produk tertentu. Dalam
pengukuran sikap konsumen, ada sikap yang “suka”, “tidak suka”,
“sangat suka”, dan lainnya. Di sini data tidak bisa disamakan derajatnya,
dalammarti “suka” dianggap lebih tinggi dari “tidak suka”, namun lebih
rendahmdari “sangat suka”. dan lainnya. Jadi, di sini ada preferensi atau
tingkatanmdata, di mana data yang satu berstatus lebih tinggi atau lebih
rendahmdarimyangmlain.
Namun, pada data ordinal juga tidak bisa dilakukan operasi
matematika, seperti jika “tidak suka” dikategorikan sebagai “1”, “suka”
sebagaim“2”mdan “sangat suka” sebagai “3”, maka tidak bisa dianggap “1 +
2=3”,mataum“tidak suka” ditambah “suka” menjadi “sangat suka”!
(http://id.shvoong.com/exact-sciences/statistics/2124845-tipe-data-
statistik/#ixzz1Jkj2Bpbc)
b. Data kuantitatif
Adalah data yang berbentuk bilangan. Jadi, berbagai operasi matematika bisa
dilakukan pada data kuantitatif. Yang termasuk data kuantitatif adalah data
interval dan data rasio.
1. Data Interval
Data Interval menempati level pengukuran data yang lebih “tinggi” dari data
ordinal karena selain bisa bertingkat urutannya, juga urutan tersebut bisa
dikuantitatifkan. Seperti pengukuran temperatur sebuah ruangan
pembakaran
roti dari PT ENAK JOSS. Interval Temperatur ruang tersebut:
omCukup Panas jika temperatur antara 500C - 800C
omPanas jika temperatur antara 800C - 1100C
omSangat Panas jika temperatur antara 1100C - 1400C
Dalam kasus di atas, data temperatur bisa dikatakan data interval karena data
mempunyai interval (jarak) tertentu, yaitu 300C.
Namun, di sini data interval tidak mempunyai titik nol yang absolut. Misal
pada pengukuran temperatur, seperti pernyataan bahwa „air membeku pada
00C„. Pernyataan di atas bersifat relatif, karena 00C hanya sebagai tanda
saja.
Dalam pengukuran 0F, air membeku bukan pada 00F, namun pada 320F.
Dengan demikian, juga tidak bisa dikatakan bahwa suhu 1000F adalah dua
kalimlebihmpanasmdarimsuhum500F.
(http://id.shvoong.com/exact-sciences/statistics/2124845-tipe-data-
statistik/#ixzz1Jko7NfUy)
2. Data Rasio
Data Rasio adalah data dengan tingkat pengukuran paling “tinggi” di
antara jenis data lainnya. Data Rasio adalah data bersifat angka dalam arti
sesungguhnya (bukan kategori seperti pada data nominal dan ordinal) dan
bisa dioperasikan secara matematika (+, -, x, /). Perbedaan dengan data
interval adalah bahwa data rasio mempunyai titik nol dalam arti
sesungguhnya.
Misal jumlah produk roti dari gudang PT ENAK JOSS pada contoh
di atas. Jika jumlah roti nol, berarti memang tidak ada sepotong roti pun
dalam gudang tersebut. Jika ada 24 roti, kemudian bertambah produk baru
sebanyak 3 roti, maka total roti sekarang adalah 24 + 3 = 27 roti (operasi
penjumlahan), dan seterusnya. Atau, berat badan dan tinggi badan
seseorang,mpengukuranmpengukurannya mempunyai angka nol/0 dalam arti
sesungguhnya.mMisal berat badan 0 berarti memang tanpa berat. Dengan
demikian,mbisamdikatakan bahwa sekantong beras seberat 10 kilogram
adalah benar-benar dua kali lebih berat dari sekantong beras yang
mempunyaimberatm5mkilogram.
Jenis-jenis data di atas dikupas dengan cukup mendalam karena
penerapan dalam statistik akan berbeda untuk jenis data yang berbeda. Data
kualitatif karena bukan data angka dalam arti sesungguhnya, tidak bisa
disamakan perlakuannya dengan data kuantitatif. Data nominal dan ordinal
biasanya menggunakan metode statistik nonparametrik, sedangkan data
kuantitatifmmemakaimmetodemparametrik
(http://id.shvoong.com/exact-sciences/statistics/2124845-tipe-data-
statistik/#ixzz1Jkp2tgCG)
tetapi hanya sekedar label atau kode saja. Data itu hanya mengelompokkan objek
atau kategori ke dalam kelompok tertentu.
Data ini mempunyai dua ciri, yaitu :
3. Kategori data bersifat saling lepas
4. Kategori data tidak disusun secara logis
Data bertipe nominal adalah data yang paling „rendah‟ dalam level pengukuran
data. Jika suatu pengukuran hanya menghasilkan satu dan hanya satusatiunya
kategori, data tersebut adalah data nominal (data kategori). Contoh: Status
Kewarganegaraan ( 1 untuk indonesia,2 untuk Amerika,3 untuk China).
b. Data ordinal
Adalah data yang penomoran objek atau kategorinya disusun menurut besarnya,
yaitu dari tingkat terendah ke tingkat tertinggi atau sebaliknya dengan jarak /
rentang yang tidak harus sama. Data ini memiliki ciri seperti pada ciri data
nominal ditambah satu ciri lagi, yaitu kategori data dapat disusun berdasarkan
urutan logis dan sesuai dengan besarnya karakteristik yang dimiliki.
Data ordinal seperti pada data nominal, adalah juga data kualitatif namun dengan
level yang lebih „tinggi‟ daripada data nominal. Jika pada data nominal semua
data kategori dianggap sama, maka pada data ordinal ada tingkatan data. Contoh:
Mengubah nilai ujian ke nilai prestasi, yaitu:
1. Nilai A untuk nilai dari 80-100
2. Nilai B untuk nilai dari 65-79
3. Nilai C untuk nilai dari 55-64
4. Nilai D untuk nilai dari 45-54
5. Nilai E untuk nilai dari 0 – 44
c. Data interval
Adalah data dimana objek / kategori dapat diurutkan berdasarkan suatu atribut
yang memberikan informasi tentang interval antara tiap objek/ kategori sama.
Besarnya interval dapat ditambah atau dikurangi. Data ini memiliki ciri yang
sama dengan ciri pada data ordinal ditambah satu ciri lagi yaitu urutan kategori
data mempunyai jarak yang sama.
Data interval menempati pengukuran data yang lebih „tinggi‟ dari data ordinal,
karena selain bisa bertingkat urutannya, juga urutan tersebut bisa dikuantitatifkan.
Data interval juga tidak memiliki nilai 0 absolut.
Contoh:
A B C D E
1 2 3 4 5
Interval A-C adalah 3-1=2 Interval C-D adalah 4-3=1
Pada kedua interval ini dapat dijumlahkan menjadi 2 + 1 = 3. Atau interval antara
A dan D adalah 4 – 1 = 3. Pada data ini yang dijumlahkan bukanlah kuantitas atau
besaran, melainkan interval dan tidak terdapat nilai nol absolut .
d. Data rasio
Adalah data yang memiliki sifat-sifat data nominal, data ordinal, dan data interval,
dilengkapi dengan titik nol absolut dengan makna empiris. Karena terdapat angka
nol maka pada data ini dapat dibuat perkalian atau pembagian. Angka pada data
menunjukkan ukuran yang sebenarnya dari objek/ kategori yang diukur. Data
rasio adalah data dengan pengukuran paling „tinggi‟ di antara jenis data lainnya.
Contoh: membandingkan nilai mata kuliah antara dua mahasiswa.
e. Efisiensinya lebih tinggi disbanding dengan uji statistik parametrik jika jumlah
sampelnya sedikit, n<30.
Di samping memilki kelebihan-kelebihan tersebut di atas, penggunaan statistik non
parametrik juga mempunyai kelemahan di antaranya :
a. Jika asumsi uji statistik parametrik terpenuhi, penggunaan uji non-parametrik
meskipun lebih cepat dan sederhana, akan menyebabkan pemborosan
informasi.
b. Meskipun perhitungannya sederhana tetapi pada umumnya menjemukan.
c. Jika sampel besar, maka tingkat efisiensi non-parametrik relatif lebih rendah
dibanding dengan metode parametrik.
Sebagai ringkasan, bila uji parametrik dan non parametrik keduanya berlaku pada
himpunan data yang sama, gunakanlah selalu uji parametrik yang lebih efisien. Akan tetapi
bila diketahui bahwa anggapan kenormalan sering tak berlaku dan ternyata bahwa yang
dihadapi adalah pengukuran yang tidak kuantitatif maka digunakan uji yang non
parametrik.
(Walpole & Myers, Ilmu Peluang dan Statistika hal 691, 1995)
5. Uji Tanda
Uji tanda hanya menggunakan tanda tambah dan kurang dari selisih antara
pengamatan dan o dalam kasus satu sampel, atau tanda tambah dari selisih antara
pasangan pengamatan dalam kasus sampel berpasangan tanpa memperhatikan besarnya
selisih tersebut. Suatu uji yang memanfaatkan baik tanda maupun besarnya selisih telah
diusulkan oleh Frank Wilcoxon (1945) dan sekarang biasa disebut uji rang tanda
Wilcoxon.
Uji tanda Wilcoxon berlaku untuk kasus distribusi kontinu setangkup. Pertama-tama
tiap nilai sampel dikurangi dengan o, buang semua selisih yang sama dengan nol.
Selisih yang tertinggal dirang tanpa menghiraukan tandanya. Bila dua atau lebih selisih
nilai mutlaknya sama, masing-masing diberi rang sama dengan rata-rata rangnya. Bila
hipotesis = o benar maka jumlah rang dari selisih yang positif seharusnya hampir
sama dengan jumlah rang selisih negatif. Nyatakanlah masing-masing jumlah ini
dengan w+ dan w- dan yang terkecil dari keduanya dengan w. Bila hipotesis H o : = o
dapat ditolak dan menerima tandingan o hanya bila w+ kecil dan w- besar. Begitu
pula o diterima apabila w+ besar dan w- kecil. Untuk tandingan dwi pihak H o
ditolak bila w+ maupun w- cukup kecil.
o Dua sampel dengan pengamatan berpasangan
Untuk menguji hipotesis nol bila teroknya berasal dari dua populasi yang kontinu
yang setangkup dengan 1 = 2 untuk kasus sampel berpasangan, rang selisihnya tanpa
memperhatikan tanda kemudian diselesaikan seperti pada kasus satu sampel.
Tabel 2.1 Uji Rang Tanda
Mengu Tandin Hitung
ji Ho gan H1
o w+
= o o w-
o w
1 2 w+
1 = 2 1 w-
2 w
1
2
Uji rang tanda dapat pula digunakan untuk menguji hipotesis nol bahwa 1 - 2 = b0.
Dalam kasus ini tidak perlu setangkup. Seperti pada uji tanda tiap selisih kita kurangi
dengan bo, rang tiap selisih tanpa memperhatikan tandanya dan terapkan prosedur yang
sama seperti sebelumnya.
(Walpole & Myers, Ilmu Peluang dan Statistika hal 696-698, 1995)
8. Uji Friedman
Uji yang dilakukan untuk mengetahui adanya perbedaan yang significant dimana
jumlah sampel lebih dari 2 yang dependent. Uji Friedman sebenarnya adalah analog
dengan uji analisis varians dua arah pada uji parametric. Uji ini dpat digunakan apabila
penerapan analisis varians dua arah parametric tidak dikehendaki dikarenakan
pertimbangan tertentu, misalkan seorang peneliti tidak ingin berasumsi bahwa sampel
yang diperolehnya adalah berdistribusi normal, dimana distribusi normal merupakan
persyaratan sahihnya (valid) uji dalam penggunaan uji parametric.
(Singgih Santoso, halaman 202 & 441)
9. Uji Binomial
Adalah uji nonparametrik yang digunakan untuk menggantikan uji statistik-t jika
asumsi n kecil dan populasi
2.4.2 MINITAB
Permasalahan – permasalahan statistika bukan suatu masalah rumit karena
seiring dengan perkembangan teknologi komputer, pekerjaan statistik sangat terbantu
dengan adanya program aplikasi komputer untuk statistik yang kini sudah banyak
dipasarkan. Komputer sangat membantu pekerjaan statistik, terutama dalam
melakukan perhitungan statistik yang menggunakan rumus matematika yang rumit
dan banyak data. Salah satu program statistik yang telah diakui banyak orang adalah
program MINITAB.
Program MINITAB merupakan program statistiks yang diakui cukup andal
oleh banyak kalangan, baik dunia kampus maupun industri. Keunggulan MINITAB
adalah selain menyediakan metode – metode statistik klasik seperti analisis regresi,
BAB III
PENGOLAHAN DATA DAN ANALISIS
16 Jelek
17 Bagus
18 Bagus
19 Bagus
20 Jelek
21 Jelek
22 Jelek
23 Jelek
24 Jelek
25 Jelek
b. Uji Binomial
1. H0 : µ1 = µ2
2. H1: µ1 ≠ µ2
3. α = 0,05
4. Daerah kritis : p value atau nilai sig < α
5. Perhitungan :
SPSS
Tabel 3.2 Output Statistics SPSS Data Satu Sampel (1)
Statistics
VAR00001
N Valid 25
Missing 0
Mean 1.32
Median 1.32a
Std. Deviation .476
Minimum 1
Maximum 2
Sum 33
Percentiles 25 .b,c
50 1.32
75 1.82
Tabel 3.3 Output Binomial Test SPSS Data Satu Sampel (1)
Binomial Test
Observed Exact Sig. (2-
Category N Prop. Test Prop. tailed)
VAR0000 Group 1 1 17 .68 .50 .108
1 Group 2 2 8 .32
Total 25 1.00
c. Uji Runs
Uji Runs digunakan untuk mengetahui apakah suatu rangkaian kejadian
merupakan hasil yang acak (random).
1. Ho : p1 = p2 = 0,5
2. H1 : p1 ≠ p2 ≠ 0,5
3. α = 0.05
4. Daerah kritis = Ho diterima jika : X2 hitung ≤ X2 tabel
5. Perhitungan :
SPSS
Tabel 3.4 Descriptive Staistics Data Satu Sampel (1)
Descriptive Statistics
Percentiles
Std. 50th
th
N Mean Deviation Minimum Maximum 25 (Median) 75th
VAR00001 19.080
25 2.73740 13.00 26.00 17.5000 19.0000 20.0000
0
Tabel 3.5 Output SPSS Uji Runs (1) Data Satu Sampel (1)
Runs Test
VAR00001
a
Test Value 19.00
Total Cases 25
Number of Runs 12
Z -.009
a. Median
Tabel 3.6 Output SPSS Uji Runs (2) Data Satu Sampel (1)
Runs Test 2
VAR00001
a
Test Value 19.00
Total Cases 25
Number of Runs 12
Z -.009
a. Mode
MINITAB
Runs Test: Jumlah
Jumlah
K = 19.0800
MANUAL
1. H0 : Barisan bersifat acak
2. H1: Barisan tidak bersifat acak
3. Taraf Keberartian = 0.05
4. Daerah kritis :
5. Perhitungan:
-Perhitungan Manual
R1 < R < R2
9 < 11 < 16
Tabel 3.8 Perbandingan Uji Runs Output SPSS, Minitab dan Manual
ANALISIS :
Hasil perhitungan Uji Runs dengan menggunakan output SPSS, Minitab dan
perhitungan manual mempunyai perbedaan nilai yang cukup signifikan.
Perbedaan tersebut dikarenakan aspek yang digunakan sebagai daerah kritis
berbeda-beda. Pada perhitungan manual menggunakan daerah kritis jumlah
runtun kurang dari r1 atau lebih dari r2, sedangkan pada output SPSS dan
Minitab hasil pengujiannya dapat dilihat pada nilai Asymp Sig.nya.
Kesimpulan yang didapat juga berbeda, pada pengujian menggunakan
software SPSS dan Minitab didapatkan kesimpulan bahwa data yang didapat
mempunyai keacakan (random) yang berbeda sedangkan pengujian dengan
menggunakan perhitungan manual didapatkan kesimpulan bahwa pada
tingkat kepercayaan 95% data yang didapat bersifat random ( acak )
Lanjutan Tabel 3.9 Data Statistik Non Parametrik Satu Sampel (2)
20 1 3 3 3 4 2 16
21 2 2 5 4 5 2 20
22 4 4 4 4 5 1 22
23 2 2 3 3 3 7 20
24 4 5 6 5 3 3 26
25 4 2 3 5 1 5 20
Total 83 71 66 101 82 78 481
b. Pengolahan Data
1. H0 = data mengikuti sebaran distribusi normal
2. H1 = data tidak mengikuti sebaran distribusi normal
3. α = 0.05
4. Daerah Kritis : p > 0.05 H0 diterima, selain itu tolak H0
5. Perhitungan:
SPSS
Tabel 3.10 Output SPSS Data Satu Sampel (2)
Descriptive Statistics
Percentiles
Tabel 3.11 Output SPSS Uji Kolmogorov Smirnov Data Satu Sampel (2)
One-Sample Kolmogorov-Smirnov Test
VAR00001
N 25
Positive .168
Negative -.128
Kolmogorov-Smirnov Z .842
19 3 2 5 2 6 1 19
20 1 3 3 3 4 2 16
21 2 2 5 4 5 2 20
22 4 4 4 4 5 1 22
23 2 2 3 3 3 7 20
24 4 5 6 5 3 3 26
25 4 2 3 5 1 5 20
Total 83 71 66 101 82 78 481
b. Pengolahan Data
Manual
1. H0: data mengikuti sebaran distribusi normal.
2. H1: data tidak mengikuti sebaran distribusi normal.
3. α = 0.05
4. Daerah Kritis: terima H0 jika
5. Perhitungan:
Tabel 3.13 Data Uji Satu Sampel, Data Ordinal, Uji Chi Square
6. Keputusan : Terima H0
7. Kesimpulan: Data yang di uji mengikuti sebaran distribusi normal,
karena nilai , yaitu 13.2800016
SPSS
1. H0: data mengikuti sebaran distribusi normal.
2. H1: data tidak mengikuti sebaran distribusi normal.
3. α = 0.05
4. Daerah Kritis: terima H0 jika
5. Perhitungan:
VAR00001
13 1 2.3 -1.3
15 1 2.3 -1.3
16 2 2.3 -.3
17 2 2.3 -.3
18 3 2.3 .7
19 6 2.3 3.7
20 5 2.3 2.7
21 1 2.3 -1.3
22 1 2.3 -1.3
23 2 2.3 -.3
26 1 2.3 -1.3
Total 25
Tabel 3.15 Output SPSS Uji Chi Square Satu Sampel Data Ordinal
Test Statistics
VAR00001
a
Chi-Square 13.280
Df 10
a. 11 cells (100.0%)
have expected
frequencies less than
5. The minimum
expected cell
frequency is 2.3
6. Keputusan : Terima H0
7. Kesimpulan: Data yang di uji mengikuti sebaran distribusi normal,
karena nilai , yaitu 13.2800016
Manual SPSS
13.280
c. Analisis
Dari hasil perhitungan dan output dari SPSS, didapatkan nilai
=13.280, dari nilai tersebut disimpulkan bahwa data yang sedang di uji
mengikuti sebaran distribusi normal. Jika nilai hitung < tabel maka H0
diterima, dan distribusi yang dihipotesiskan diterima.
Tabel 3.17 Data Statistik Non Parametrik Dua Sampel Saling Berhubungan (1)
Lanjutan Tabel 3.17 Data Statistik Non Parametrik Dua Sampel Saling Berhubungan (1)
22 80 80
23 75 80
24 70 75
25 80 85
b. Uji Tanda
1. H0 : d = 0 ( tidak ada pengaruh cara belajar terhadap nilai)
2. H1: d ≠ 0 ( ada pengaruh cara belajar terhadap nilai )
3. α = 0,05
4. Daerah kritis : nilai asymp sig < α
5. Perhitungan :
SPSS
Tabel 3.18 Output Frequencies SPSS Data Dua Sampel Berhubungan (1)
Frequencies
N
sendiri + Negative
3
kelompok Differencesa
Positive
13
Differencesb
Tiesc 9
Total 25
a. sendiri < kelompok
b. sendiri > kelompok
c. sendiri = kelompok
Tabel 3.19 Output Test Statistics SPSS Data Dua Sampel Saling Berhubungan (1)
Test Statisticsb
sendiri +
kelompok
Exact Sig.
.021a
(2+tailed)
a. Binomial distribution used.
b. Sign Test
MANUAL
1. H0 : p = 0,5
2. H1 : p > 0,5
3. α = 0,05
4. Daerah kritis : α > p
5. Perhitungan :
Tabel 3.20 Tabel Perhitungan Uji Tanda Data Dua Sampel Saling Berhubungan (1)
Perbedaan Tanda
Siswa/Siswi Kelompok Sendiri
Nilai Perbedaan
1 60 70 10 +
2 65 75 10 +
3 65 60 -5 -
4 60 60 0 0
5 60 75 15 +
6 70 75 5 +
7 75 80 5 +
8 75 75 0 0
9 70 80 10 +
10 70 70 0 0
11 75 75 0 0
12 70 65 -5 -
13 75 80 5 +
14 70 70 0 0
15 65 70 5 +
16 70 70 0 0
17 80 80 0 0
18 65 67 2 +
19 65 70 5 +
20 70 70 0 0
21 85 80 -5 -
22 80 80 0 0
23 75 80 5 +
24 70 75 5 +
25 80 85 5 +
Manual SPSS
0,0106
Analisis :
Hasil perhitungan Uji Tanda dengan menggunakan output SPSS
dan perhitungan manual mempunyai perbedaan nilai yang cukup
signifikan. Hal tersebut dikarenakan daerah kritis yang berbeda-beda
pada masing-masing pengujian. Kesimpulan yang didapatkan juga
berbeda yaitu pada perhitungan menggunakan software SPSS bahwa
dengan tingkat kepercayaan 95% hasil belajar dengan metode
kelompok nilainya tidak jauh berbeda dengan nilai menggunakan
metode belajar sendiri. Sedangkan pada perhitungan manual
menghasilkan kesimpulan bahwa dengan tingkat kepercayaan 95%
hasil belajar dengan menggunakan metode belajar kelompok lebih baik
daripada belajar sendiri.
c. Uji Wilcoxon
1. H0 : tidak ada perbedaan nilai antara metode belajar sendiri dan
kelompok
2. H1: terdapat perbedaan nilai antara metode belajar sendiri dan
kelompok
3. α = 0,05
4. Daerah kritis : nilai asymp sig < α
5. Perhitungan :
SPSS
Tabel 3.22 Tabel Output Descriptive Statistics SPSS Data Dua Sampel Saling Berhubungan (1)
Descriptive Statistics
Std.
N Minimum Maximum Mean Deviation
Kelompok 25 60.00 85.00 70.6000 6.66458
Sendiri 25 60.00 85.00 73.4800 6.47508
Valid N
25
(listwise)
Tabel 3.23 Tabel Output Ranks SPSS Data Dua Sampel Saling Berhubungan (1)
Ranks
N Mean Rank Sum of Ranks
a
sendiri – Negative Ranks 3 7.00 21.00
kelompok Positive Ranks 13b
8.85 115.00
Ties 9c
Total 25
a. sendiri < kelompok
b. sendiri > kelompok
c. sendiri = kelompok
Tabel 3.24 Tabel Output Test Statistics SPSS Data Dua Sampel Saling Berhubungan (1)
Test Statisticsb
sendiri -
kelompok
Z -2.527a
Asymp. Sig. (2-
.012
tailed)
a. Based on negative ranks.
b. Wilcoxon Signed Ranks Test
MANUAL
Tabel 3.25 Tabel Perhitungan Uji Tanda Data Dua Sampe Saling Berhubungan (1)
Harga Peringkat
Perbedaan Mutlak Bertanda
Siswa/Siswi Kelompok Sendiri Peringkat
Nilai
Perbedaan Positif Negatif
1 60 70 10 10 14 +14
2 65 75 10 10 14 +14
3 65 60 -5 5 7 -7
4 60 60 0 (diabaikan) 0
5 60 75 15 15 16 +16
6 70 75 5 5 7 +7
7 75 80 5 5 7 +7
8 75 75 0 (diabaikan) 0
9 70 80 10 10 14 +14
10 70 70 0 (diabaikan) 0
11 75 75 0 (diabaikan) 0
12 70 65 -5 5 7 -7
13 75 80 5 5 7 +7
14 70 70 0 (diabaikan) 0
15 65 70 5 5 7 +7
16 70 70 0 (diabaikan) 0
17 80 80 0 (diabaikan) 0
18 65 67 2 2 1 +1
19 65 70 5 5 7 +7
20 70 70 0 (diabaikan) 0
21 85 80 -5 5 7 -7
22 80 80 0 (diabaikan) 0
23 75 80 5 5 7 +7
24 70 75 5 5 7 +7
25 80 85 5 5 7 +7
JUMLAH +115 -21
7. Keputusan :
21 < 30 , maka H0 ditolak
8. Kesimpulan : Terdapat perbedaan nilai antara metode belajar
sendiri dan kelompok
Manual SPSS
21
Analisis :
Hasil perhitungan Uji Wilcoxon dengan menggunakan output
SPSS dan perhitungan manual mempunyai perbedaan nilai yang sangat
signifikan. Perbedaan tersebut dikarenakan daerah kritisnya berbeda-
beda. Pada perhitungan manual menggunakan daerah kritis T hitung
(jumlah peringkat bertanda negative) lebih dari T tabel, sedangkan
pada output SPSS hasil pengujiannya dapat dilihat pada nilai Asymp
Sig.nya. Tetapi kesimpulan yang didapat sama bahwa terdapat
perbedaan nilai antara metode belajar sendiri dan kelompok.
Laanjutan Tabel 3.27 Data Statistik Non Parametrik Dua Sampel Saling Berhubungan (2)
23 0 1
24 1 1
25 1 1
b. Pengolahan Data
1.H0 = proporsi pembelajaran sendiri dan berkelompok sama besar
2.H1 = proporsi pembelajaran sendiri dan berkelompok tidak sama
besar.
3.α = 0.05
4. Perhitungan :
SPSS
Tabel 3.28 Tabel Output Descriptive Statistics SPSS Data Dua Sampel Saling Berhubungan (2)
Descriptive Statistics
Percentiles
Tabel 3.29 Output SPSS Uji Mc Nemar (1) Dua Sampel Saling Berhubungan (2)
sendiri & kelompok
kelompok
sendiri 0 1
0 3 7
1 5 10
Tabel 3.30 Output SPSS Uji Mc Nemar (2) Dua Sampel Saling Berhubungan (2)
b
Test Statistics
sendiri &
kelompok
N 25
a
Exact Sig. (2-tailed) .774
b. McNemar Test
Manual
1. H0 = proporsi pembelajaran sendiri dan berkelompok sama
besar
2. H1 = proporsi pembelajaran sendiri dan berkelompok tidak sama
besar
3. α = 0.05
4. Daerah Kritis : Z hitung > Z tabel H0 ditolak, selain itu terima
H0
5. Perhitungan:
Z tabel = 1,64
6. Keputusan: karena z hitung < z tabel maka H0 diterima
7. Kesimpulan: Proses pembelajaran berkelompok tidak mengubah
sikap para siswa.
c. Analisis
Tabel 3.31 Perbandingan Output SPSS dan Manual Uji Mc Nemar
SPSS MANUAL
Exact Sig. (2-tailed) = 0.774
SPSS
Tabel 3.33 Output SPSS Uji Mann Whitney (1) Data k =2 Tidak Saling Berhubungan
Ranks
Tabel 3.34 Output SPSS Uji Mann Whitney (2) Data k =2 Tidak Saling Berhubungan
Test Statistics(b)
Prestasi
Mann-Whitney U 5,500
Wilcoxon W 33,500
Z -2,489
Asymp. Sig. (2-tailed) ,013
Exact Sig. [2*(1-tailed
Sig.)] ,011(a)
MANUAL
1. H0 = Prestasi Sekolah Tujuh = Prestasi Sekolah Lain
2. H1 = Prestasi Sekolah Tujuh > Prestasi Sekolah Tujuh
3. Taraf Nyata = 0,05
4. Wilayah Kritis = P(U) < α
5. Perhitungan :
Tabel 3.35 Tabel Ranking Data Data k =2 Tidak Saling Berhubungan
1
5,5 7 7
z 2 2,428
1
7 7(7 7 1)
12
P (z ≤ -2,428) = 0,0075
Program Studi Teknik Industri 51
Universitas Diponegoro
Laporan Praktikum Statistika Industri
Modul 1 “Statistik Non Parametrik”
Kelompok 15
c. Analisis
Tabel 3.36 Perbandingan Nilai P antara Output Software dengan Manual
SPSS Manual
P 0,0064 0,0075
c. Uji Kolmogorov-Smirnov Z
1. H0 : 1 = 2
2. H1 : 1 2
3. Taraf Nyata : 0,05
4. Wilayah Kritis : P < 0,05
5. Perhitungan :
SPSS
Tabel 3.37 Output SPSS Frekuensi Data k =2 Tidak Saling Berhubungan
Frequencies
Sekolah N
Prest asi Tujuh 7
Sekolah lain 7
Total 14
Tabel 3.38 Output SPSS Uji Kolmogorov Smirnov-Z Data k =2 Tidak Saling Berhubungan
Test Statisticsa
Prest asi
Most Extreme Absolute ,571
Dif f erences Positiv e ,000
Negativ e -,571
Kolmogorov -Smirnov Z 1,069
Asy mp. Sig. (2-tailed) ,203
a. Grouping Variable: Sekolah
Analisis
Pada perhitungan Uji Kolmogorov Smirnov Z dengan menggunakan
SPSS, nilai P diperoleh dari nilai Asymp. Sig. (2-tailed).Dari output
SPSS didapatkan nilai P = 0,203 dan pada uji ini nilai kritis berada pada
P < 0,05. Hasil ini menunjukkan bahwa pada uji ini H0 diterima karena
nilai P tidak memasuki daerah kritis. Dengan nilai P yang lebih besar
daripada 0,05 menunjukkan hasil bahwa nilai rataan prestasi sekolah
tujuh sama dengan rataan prestasi sekolah lain.
3.2.1.2 Uji Moses, Uji Walt-Wolfowitz Runs, dan Uji Jumlah Rank
a. Data
Untuk melihat kualitas sekolah Kepala Sekolah mencoba
membandingkan pencapaian prestasi dengan sekolah sebelah yang
belum ada kelas internasional dalam 7 bulan terakhir ini
b. Uji Moses
1. Ho : s1 - s2 = 0
2. H1 : s1 - s2 0
3. : 0,05
4. Daerah kritis : P < = P < 0,05
5. Perhitungan :
SPSS
Tabel 3.40 Output SPSS Uji Moses Tabel 3. Data k =2 Tidak Saling Berhubungan
Test Statisticsa,b
Prest asi
Observ ed Control 8
Group Span Sig. (1-tailed) ,015
Trimmed Control 8
Group Span Sig. (1-tailed) ,500
Outliers Trimmed f rom each End
1
a. Moses Test
b. Grouping Variable: Sekolah
6. Keputusan :
Terima H0, karena berdasarkan nilai probabilitas, P > = 0,5 >
0,05
7. Kesimpulan: selisih antara standar deviasi prestasi sekolah tujuh
dan prestasi sekolah lain sama.
Analisis
Dari perhitungan manual didapatkan nilai P = 0,5 sehingga H 0
diterima karena P > = 0,5 > 0,05. Nilai P diperoleh dari nilai
Group Span Sig. (1-tailed) yang berada pada output SPSS hasil Uji
Moses. Hasil ini menunjukkan bahwa selisih antara standar deviasi
prestasi sekolah tujuh sama dengan selisih standar deviasi prestasi
sekolah lain.
Frequencies
Sekolah N
Prest asi Tujuh 7
Sekolah lain 7
Total 14
Tabel 3.42 Output SPSS Uji Wald Wolfowitz Data k =2 Tidak Saling Berhubungan
Test Statisticsb,c
Analisis
Pada perhitungan Uji Walt Wolfowitz Runs dengan
menggunakan SPSS, nilai Z diperoleh dari nilai Z maximum
possible dan Z minimum posible.Dari outpust SPSS didapatkan
nilai Z maksimum sebesar -1,947 dan Z minimum sebesar 0,00
sedangkan pada uji ini nilai kritis berada pada Zhitung<-1,96 dan
Zhitung>1,96. Hasil ini menunjukkan bahwa pada uji ini H0
diterima karena nilai Z tidak memasuki daerah kritis karena nilai
Z yang dihasilkan lebih kecil daripada 1,96 dan lebih besar
daripada -1,96. Dari hasil output SPSS yang diperoleh, hal ini
menunjukkan bahwa prestasi sekolah tujuh berasal dari populasi
yang identik dengan prestasi sekolah lain.
d. Uji Jumlah Rank
MANUAL
1. H0 = 1 2
2. H1 = 1 2
3. Taraf Nyata = 0,05
4. Wilayah Kritis = u < 8 (Tabel L.17)
5. Perhitungan :
Tabel 3.43 Rank Uji Jumlah Rank Data k =2 Tidak Saling Berhubungan
No Sekolah Tujuh Sekolah Lain
1 6,5 3,5
2 13,5 6,5
3 6,5 2
4 10,5 1
5 10,5 3,5
6 13,5 6,5
7 10,5 10,5
∑R1=71,5 ∑ R2= 33,5
∑R1=71,5
∑ R2= 33,5
Jadi,
78
u1 71,5 43,5
2
78
u 2 33,5 5,5
2
sehingga u = 5,5
6. Keputusan : Tolak H0 karena nilai 5,5 < 8
7. Kesimpulan : Prestasi Sekolah Tujuh > Prestasi Sekolah Lain
Analisis
Dari perhitungan manual didapatkan nilai u = 5,5 sehingga H0
ditolak karena 5,5 < 8. Hasil ini menyatakan bahwa nilai rataan
prestasi sekolah tujuh berbeda dengan rataan prestasi sekolah
lainnya. Jadi, dapat disimpulkan bahwa prestasi sekolah tujuh lebih
banyak daripada prestasi yang diperoleh sekolah lain yang belum
memiliki kelas internasional.
Lanjutan Tabel 3.44 Data Statistik Non Parametrik k>2 Saling Berhubungan
8 75 80 81
9 75 88 79
10 78 87 75
11 86 90 80
12 75 91 85
b. Uji Friedman
1. H0 : Ketiga jenis kelas mempunyai tingkat kesuksesan yang sama
2. H1: Sekurang-kurangnya salah satu kelas memiliki tingkat
kesuksesan yang lebih besar.
3. Daerah kritis : nilai asymp sig < 0.05
SPSS
Friedman Test
Tabel 3.45 Output SPSS Statistik Non Parametrik k>2 Saling Berhubungan
Ranks
Mean Rank
Reguler 1.21
Eksel 2.75
Internasional 2.04
Tabel 3.46 Output SPSS Uji Friedman Statistik Non Parametrik k>2 Saling Berhubungan
Test Statisticsa
N 12
Chi-Square 15.244
Df 2
a. Friedman Test
MINITAB
S = 14.29 DF = 2 P = 0.001
S = 15.24 DF = 2 P = 0.000 (adjusted for ties)
Sum
of
C2 N Est Median Ranks
1 12 75.000 14.5
2 12 84.500 33.0
3 12 81.000 24.5
MANUAL
1. H0 : ketiga jenis kelas mempengaruhi penilaian
2. H1 : Tidak semua jenis kelas mempengaruhi penilaian
3. α v=2
2
Daerah Kritis r > 9.348
4. Perhitungan :
Tabel 3.47 Rank Data k > 2 Saling Berhubungan
Bulan Reguler Eksel Internasional
1 1.5 3 1.5
2 1 3 2
3 1 2 3
4 1 2.5 2.5
5 1 3 2
6 1 2.5 2.5
7 1 3 2
8 1 2 3
9 1 3 2
10 2 3 1
11 2 3 1
12 1 3 2
2
r=
= -95.295
2
5. Keputusan : r < 9.348, tidak berada didaerah kritis, maka
terima H0
6. Kesimpulan : Semua jenis kelas mempengaruhi penilaian
c. Uji Kendall W
1. H0 : Tidak ada keselarasan diantara kesuksesan pencapaian
akademis dari ketiga jenis.
2. H1: Ada keselarasan diantara kesuksesan pencapaian akademis
dari ketiga jenis..
3. Daerah kritis : nilai asymp sig < 0.05
SPSS
Kendall's W Test
Tabel 3.48 Output SPSS Statistik Non Parametrik k>2 Saling Berhubungan
Ranks
Mean Rank
Reguler 1.21
Eksel 2.75
Internasional 2.04
Tabel 3.49 Output SPSS Uji Kendall W Statistik Non Parametrik k>2 Saling Berhubungan
Test Statistics
N 12
Kendall's W a .635
Chi-Square 15.244
df 2
a. Kendall's Coefficient of
Concordance
8 0 0 1
9 1 1 1
10 1 1 1
11 0 1 1
12 0 0 1
13 0 0 1
14 0 1 1
15 1 1 1
16 0 1 1
17 1 1 0
18 1 0 1
19 1 0 0
20 1 1 0
21 1 1 0
22 1 0 1
23 0 0 1
24 0 1 1
25 1 1 1
b. Pengolahan Data
1. H0 : Semua fasilitas sekolah menunjang tingkat penilaian
2. H1: Tidak semua fasilitas sekolah menunjang tingkat penilaian
3. Daerah kritis : nilai asymp sig < 0.05
SPSS
Cochran Test
Tabel 3.52 Output SPSS Frekuensi Data k>2 Saling Berhubungan (Cochran)
Frequencies
Value
0 1
Lab 10 15
Ruang_Belajar 12 13
Fasilitas_Olahraga 5 20
Tabel 3.53 Output SPSS Uji Cochran Data k>2 Saling Berhubungan (Cochran)
Test Statistics
N 25
a
Cochran's Q 3.900
Df 2
a. 1 is treated as a success.
4. Keputusan : Terlihat bahwa pada kolom Asymp. Sig/Asymptotic
significance dua sisi adalah 0.142, nilai ini tidak
berada pada daerah kritis, maka terima H0.
5. Kesimpulan : Semua fasilitas sekolah manunjang tingkat
penilaian.
MANUAL
1. H0 : Semua fasilitas menunjang tingkat penilaian
2. H1 : Tidak semua fasilitas sekolah menunjang tingkat penilaian
3. α = 0,0
4. Daerah Kritis : t ≥ X2α(k-1)
t ≥ X20,05(2)
t ≥ 5,991
5. Perhitungan :
V = c-1 = 3-1 = 2
c. Analisis
Tabel 3.54 Perbandingan Uji Cochran Hasil Output SPSS dan Manual
SPSS Manual
Asymp. Sig. 0.142 T=
a. Data
Kemudian Kepala Sekolah juga mendapat data 5 bulan
terakhir dari luar (informasi tidak disebutkan) mengenai penilaian
hasil dari 3 bentuk fasilitas diandingkan dengan dua sekolah
internasional terdekat.
b. Pengolahan Data
1. H0 : μ1 = μ2 = μ3
2. H1 : Menunjukkan perbedaan fasilitas
3. Taraf nyata α : 0,05
4. Daerah Kritis : H > X2α(k-1)
H > 5,991
5. Perhitungan :
SPSS
Tabel 3.56 Rank Data k > 2 Tidak Berhubungan
Ranks
Test Statisticsa,b
f asilitas
Chi-Square 8,652
df 2
Asy mp. Sig. ,013
a. Kruskal Wallis Test
b. Grouping Variable: sekolah
MINITAB
Kruskal-Wallis Test on fasilitas
H = 8,41 DF = 2 P = 0,015
H = 8,65 DF = 2 P = 0,013 (adjusted for ties)
6. Keputusan : 8,41 > 5,991 ; H0 ditolak
7. Kesimpulan : Menunjukkan perbedaan fasilitas
MANUAL
1. H0 : μ1 = μ2 = μ3
2. H1 : Menunjukkan perbedaan fasilitas
3. Taraf nyata α : 0,05
4. Daerah Kritis :
H > X2α(k-1)
H > 5,991
5. Perhitungan :
Tabel 3.58 Rank Data k > 2 Tidak Berhubungan Data k > 2 Tidak Berhubungan
Sekolah
No Sekolah Strada Sekolah Ranger
Tujuh
1 3 9,5 14
2 7 5,5 15
3 3 3 9,5
4 1 9,5 9,5
5 5,5 12,5 12,5
∑ 19,5 40 60,5
12 19,52 40 2 60,52
H= 316
1516 5 5 5
c. Analisis
b. Pengolahan Data
1. H0 : Ketiga sekolah memiliki median yang sama
2. H1 : Ketiga sekolah tidak memiliki median yang
sama
3. Taraf Nyata : 0,05
4. Wilayah Kritis : P < 0,05
5. Perhitungan :
SPSS
Median Test
Tabel 3.61 Output SPSS Frekuensi Median Data k > 2 Tidak Berhubungan
Frequencies
Sekolah
<= Median 5 4 2
Tabel 3.62 Output SPSS Uji Median Data k > 2 Tidak Berhubungan
Test Statisticsb
Nilai
N 15
Median 90.0000
Chi-Square 4.773a
df 2
MINITAB
Mood Median Test: Nilai versus Sekolah
SPSS Minitab
P 0,092 0,006
BAB IV
PENUTUP
4.1 Kesimpulan
Dari praktikum yang sudah dilaksanakan dapat diambil beberapa kesimpulan yaitu :
Tidak ada
perbedaan nilai
Terima H0 karena
Uji Wilcoxon Dependen k=2 115 antara metode
nilai 115 > 30
belajar sendiri
dan kelompok
Tidak terdapat
perubahan
pembelajaran
secara
Tolak H0 karena
Uji Mc Nemar Dependen k=2 0,774
nilai 0,774 > 0,05
berkelompok
atau sendiri.
Rataan
prestasi
sekolah tujuh
Uji
Terima H0 karena sama dengan
Kolmogorov- Independen k=2 0,203
nilai 0,203 > 0,05 rataan prestasi
Smirnov Z
sekolah lain.
Selisih antara
standar deviasi
prestasi
Terima H0 karena
Uji Moses Independen k=2 0,5
nilai 0,5 > 0,05
sekolah tujuh
dan prestasi
sekolah lain
sama
Prestasi sekolah
Terima H0 tujuh berasal
Uji Wald
-1,947 karena nilai dari populasi
Wolfowitz Independen k=2
0,00 -1,947 > -1,96 yang identik
Runs
dan 0,00 > -1,96 dengan prestasi
sekolah lain.
Prestasi sekolah
tujuh lebih
Uji Jumlah Tolak H0 karena banyak daripada
Independen k=2 5,5
Rank nilai 5,5 < 8 prestasi yang
diperoleh
sekolah lain
Semua jenis
Terima H0 kelas
Uji Friedman Dependen k>2 -95,295 karena nilai - mempengaruhi
95,295 < 9,348 penilaian.
4.2 Saran