Bab 1 Pengenalan dan Pembuatan File Data

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

SPSS Environment
MENU BAR

TOOL BAR

DATA VIEW

VARIABLE VIEW

MENU BAR

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

Menu yang terdapat pada SPSS adalah : 1. FILE Untuk operasi file dokumen SPSS yang telah dibuat, baik untuk perbaikan pencetakan dan sebagainya. Ada 5 macam data yang digunakan dalam SPSS, yaitu : 1. Data 2. Systax 3. Output 4. Script 5. Database ♠ NEW ♠ OPEN : membuat lembar kerja baru SPSS : membuka dokumen SPSS yang telah ada : dokumen SPSS berupa data : dokumen berisi file syntax SPSS : dokumen yang berisi hasil running out SPSS : dokumen yang berisi running out SPSS

Secara umum ada 3 macam ekstensi dalam lembar kerja SPSS, yaitu : 1. *.spo 2. *.sav 3. *.cht : file data yang dihasilkan pada lembar data editor : file text/obyek yang dihasilkan oleh lembar output : file obyek gambar/chart yang dihasilkan oleh chart window

♠ Read Text Data : membuka dokumen dari file text (yang berekstensi txt), yang bisa dimasukkan/dikonversi dalam lembar data SPSS ♠ Save : menyimpan dokumen/hasil kerja yang telah dibuat. ♠ Save As : menyimpan ulang dokumen dengan nama/tempat/type dokumen yang berbeda ♠ Page Setup : mengatur halaman kerja SPSS ♠ Print : mencetak hasil output/data/syntaq lembar SPSS Ada 2 option/pilihan cara mencetak, yaitu : - All visible output :mencetak lembar kerja secara keseluruhan - Selection : mencetak sesuai keinginan yang kita sorot/blok ♠ Print Preview : melihat contoh hasil cetakan yang nantinya diperoleh ♠ Recently used data: berisi list file data yang pernah dibuka sebelumnya. ♠ Recently used file: berisi list file secara keseluruhan yang pernah dikerjakan 2. EDIT Untuk melakukan pengeditan pada operasi SPSS baik data, serta pengaturan/option untuk konfigurasi SPSS secara keseluruhan. ♠ Undo ♠ Redo ♠ Cut ♠ Paste ♠ Paste after : pembatalan perintah yang dilakukan sebelumnya : perintah pembatalan perintah redo yang dilakukan sebelumnya : penghapusan sebual sel/text/obyek, bisa dicopy untuk keperluan tertentu dengan perintah dari menu paste : mempilkan sebua sel/text/obyek hasil dari perintah copy atau cut : mengulangi perintah paste sebelumya

♠ Paste spesial ♠ Clear ♠ Find ♠ Options

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

3. VIEW Untuk pengaturan tambilan di layar kerja SPSS, serta mengetahu proses-prose yang sedang terjadi pada operasi SPSS. ♠ Status Bar ♠ Toolbar ♠ Fonts - Outline size - Outline font ♠ Gridlines ♠ Value labels : mengetahui proses yang sedang berlangsung : mengatur tampilan toolbar : untuk mengatur jenis, ukuran font pada data editor SPSS : ukuran font lembar output SPSS : jenis font lembar output SPSS : mengatur garis sel pada editor SPSS : mengatur tampilan pada editor untuk mengetahui value label

4. DATA Menu data digunakan untuk melakukan pemrosesan data. ♠ Define Dates : mendefinisikan sebuah waktu untuk variable yang meliputi jam, tanggal, tahun, dan sebagainya ♠ Insert Variable : menyisipkan kolom variable ♠ Insert case : menyisipkan baris ♠ Go to case : memindahkan cursor pada baris tertentu ♠ Sort case : mengurutkan nilai dari suatu kolom variable ♠ Transpose : operasi transpose pada sebuah kolom variable menjadi baris ♠ Merge files : menggabungkan beberapa file dokumen SPSS, yang dilakukan dengan penggabungan kolom-kolom variablenya ♠ Split file : memecahkan file berdasarkan kolom variablenya ♠ Select case : mengatur sebuah variable berdasarkan sebuah persyaratan tertentu 5. TRANSFORM Menu transform dipergunakan untuk melakukan perubahan-perubahan atau penambahan data. ♠ Compute ♠ Count ♠ Recode : operasi aritmatika dan logika untuk : untuk mengetahui jumlah sebuah ukuran data tertentu pada suatu baris tertentu : untuk mengganti nilai pada kolom variable tertentu, sifatnya menggantikan (into same variable) atau merubah (into different variable) pada variable baru : mengurutkan nilai data sebuah variabel

♠ Categorize variable : merubah angka rasional menjadi diskrit ♠ Rank case

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

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

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

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

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

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

Langkah-langkah Input Data : 1. Membuat Variabel ● Nama Variabel beserta keterangan yang diinginkan tentang variable tersebut. Misal : Barang, Harga, Stock Hal yang perlu diperhatikan saat mengisi nama variabel adalah : - Nama variabel harus diawali denngan huruf dan tidak boleh diakhiri dengan tanda titik. - Panjang maksimal 8 karakter. - Tidak boleh ada yang sama, dengan tidak membedakan huruf kecil atau besar. ● Type, Width dan Decimal Variabel - Default dari tipe setiap variabel baru adalah numeric, lebar 8 karakter sesuai dengan desimal sebanyak 2 digit. - Untuk mengubah tipe variabel dilakukan dengan cara mengklik tombol pilihan pada kolom Type. - Ada 8 tipe variable, yaitu : a. Numeric b. Comma c. Dot : angka, tanda (+) atau (-) didepan angka, indicator desimal : angka, tanda (+) atau (-) didepan angka, indicator desimal, tanda koma sebagai pemisah bilangan ribuan : angka, tanda (+) atau (-) didepan angka, indicator desimal, tanda titik sebagai pemisah bilangan ribuan Klik variabel view pada pojok kiri bawah, kemudian isikan :

d. Scientific notation : sama dengan tipe numeric, tetapi menggunakan symbol E untuk kelipatan 10 (misal 120000 = 1.20E+5) e. Date f. Dollar : menampilkan data format tanggal atau waktu : memberi tanda dollar ($), tanda koma sebagai pemisah bilangan ribuan dan tanda titik sebagai desimal : untuk format mata uang : biasanya huruf atau karakter lainnya

g. Custom currency f. String

12. 7. Langkah penyimpanan data adalah sebagai berikut : Klik Menu File → Save Data → (Pilih folder penyimpanan). 15. 14. 5. 13. 8. 4. 9. Latihan Berikut ini adalah data 15 Responden pria dan wanita sanggar tari “PRIMA” yang diambil secara acak : 1. Nama Adelia Erick Anggoro Amelia Lidya Liana Cicil Andre Agus Lana Mely Diana Oon Dodi Agung Tinggi 165 170 171 166 165 167 166 173 175 174 163 164 170 171 172 Berat 45 60 65 50 46 49 44 70 71 73 65 67 75 74 70 Gender Wanita Pria Pria Wanita Wanita Pria Wanita Pria Pria Pria Wanita Wanita Pria Pria Pria . 11. 3. 6.2. 2. ketik Nama File → Klik OK. Menyimpan Data Setelah data dimasukkan. maka data perlu disimpan untuk kepeluan analisa selanjutnya. 10. Mengisi Data Memasukkan data pada Data Editor dilakukan dengan cara mengetik data yang akan dianalisa pada sel-sel (case) dibawah judul (heading) kolom nama variabel. 3.

Distribusi Frekuensi. berilah tanda pada semua check box Percetile Values (Keterangan : untuk menentukan nilai Percentile 10. masih diperlukan ukuran-ukuran lain yang merupakan wakil dari data tersebut. Median dan Modus) • Ukuran Letak (Quartil dan Persentil) • Ukuran Penyimpangan/Penyebaran (Range. b. umumnya masih acak.  Analyse Analyse Analyse Descriptive Statistics Descriptive Statistics Descriptive Statistics Frequencies Description Explore Menggunakan Analisa Frequencies Descriptive Statistics Descriptive Statistics Frequencies Frequencies PROSEDUR : Analyse  Klik menu Analyse  Sorot variabel yang akan dianalisa lalu pindahkan ke kotak variabel dengan cara mengklik tanda “”  Klik Statistics. “mentah” dan tidak terorganisir dengan baik (raw data). Simpangan Baku dan Galat Baku) • Skewness adalah tingkat kemiringan • Kurtosis adalah tingkat keruncingan Untuk menganalisa ukuran pemusatan. selain dengan tabel dan diagram.Bab 2 Ukuran Data Menggunakan Analisa Frekuensi  Teori Ukuran Data Statistik deskripsi lebih berhubungan dengan pengumpulan data dan peringkasan data . pilih Histogram jika ingin menampilkan  Klik format. Penyajian tabel grafik yang digunakan dalam statistik deskripsi seperti : 1. sebagai dasar untuk berbagai pengambilan keputussan (Statistik Inferensi). dilakukan dengan cara memberi tanda pada check box percentile)  Klik chart. c. Presentasi grafis seperti Histogram. baik dalam bentuk tabel datau presentasi grafis. serta penyajian hasil peringkasan tersebut. Pie chart dan lainnya. Data-data tersebut harus diringkas dengan baik dan teratur. beri tanda pada ascending value pada pilihan order by untuk mengurutkan data dari nilai terkecil terbesar. Ragam. Ukuran yang dimaksudkan dapat berupa : • Ukuran Pemusatan (Rata-Rata Hitung atau Mean. . dapat dilakukan dengan prosedur. a. servei atau pengamatan lainnya. 2. Data-data statistik yang bisa diperoleh dari hasil sensus. ukuran letak dan ukuran penyimpangan (ketika ukuran termasuk ke dalam statistika deskripsi).25 dan seterusnya. Untuk mendapatkan gambaran yang lebih jelas tentang data.

5. Klik OK. 6. 2. 4. 10 11 12 13 14 15 Nama Mimi Melisa Yolin Nina Parto Jerry Tom-Tom Yusron Ableh Stefanus Chandra Roy Ardian Nita Mawan Nilai UTS 90 60 65 55 70 71 72 80 76 56 59 77 85 89 90 . 3. 7. 8. 9. 10. Percobaan Data nilai UTS Statistik dari 15 anak kelas A yaitu : 1.

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

8. 4.BAB 3 ANALISA DESKRIPSI Teori  Analisa Deskripsi Descriptive Statistics Description PROSEDUR : Analyse  Klik Analyse Descriptive Statistics Description  Klik Options.... tandai pada semua check box ukuran data yang ingin dianalisis..  Klik OK Percobaan Data barang penjualan Koperasi Mahasiswa : . 7... 10 Bolpoint Kertas File CD Blank Buku Tulis Majalah Komputex Tempat HP Tempat Pensil Bingkai Foto Jepit Rambut Penggaris Barang Harga 3500 30000 5000 5000 35000 40000 20000 45000 7000 5000 . Klik continue.. 2. 6.. 1...... 3.. 9. 5.

Latihan Data dari hasil penelitian kemasan pasta gigi diambil sample sebagai berikut : Responden 1 2 3 4 5 6 7 8 9 10 Merk Pepsodent Ciptadent Sensodyne Kodomo Close Up Listerin Switsal Pepsodent Herbal Ritadent Close Up Whitening Nilai Desain Kemasan 10 75 86 10 10 91 10 86 70 80 Minat Beli 100 80 94 88 90 96 95 75 60 86 .

maka kita telah melakukan kekeliruan yang disebut kekeliruan atau galat jenis I (α). . Oleh karena itu dalam pengujian Hipotesis.  Fungsi  Untuk menguji kebenaran suatu teori  Memberikan gagasan baru untuk mengembangkan suatu teori. penarikan kesimpulan mengenai populasi didasarkan pada informasi sampel bukan populasi itu sendiri. yaitu : Menggambarkan hubungan antar variabel. maka kesimpulannya dapat saja keliru. S. Nasution definisi hipotesis adalah pernyataan tentatif yang merupakan dugaan mengenai apa saja yang sedang kita amati dalam usaha untuk memahaminya.  Memperluas pengetahuan peneliti mengenai suatu gejala yang sedang dipelajari. Langkah atau prosedur untuk menentukan apakah menerima atau menolak Hipotesis Statistik (Ho) disebut Pengujian Hipotesis.Bab 4 Pengujian Rata-Rata Satu Sampel Teori  Pengertian Hipotesis dapat diartikan sebagai dugaan mengenai suatu hal. karena memang Ho benar. maka kita telah melakukan kekeliruan yang disebut kekeliruan atau galat jenis II (β). atau juga hipotesis dapat diartikan sebagai kesimpulan sementara tentang hubungan suatu variabel dengan satu atau lebih variabel yang lain. yaitu : Kesimpulan Terima Ho Tolak Ho tepat galat jenis I (α) Keadaan sebenarnya Ho Ho benar Ho salah galat jenis II (β) tepat Penarikan kesimpulan dinyatakan tepat apabila kita menerima Ho. Begitu pula sebaliknya jika kita menyimpulkan untuk menerima Ho padahal Ho salah. Dr. Apabila kita menyimpulkan menolak Ho padahal Ho benar. Ho disebut juga sebagai Hipotesis Statistik. Untuk pengujian Hı perlu ada pembanding yaitu Hipotesis Nol (Ho). Hipotesis kerja atau Hı merupakan kesimpulan sementara dan hubungan antar variabel yang sudah dipelajari dari teori-teori yang berhubungan dengan masalah tersebut. atau hipotesis merupakan jawaban sementara suatu masalah. karena memang Ho salah. Hipotesis ini disebut Hipotesis Alternatif (Ha) atau Hipotesis kerja (Hk) atau Hı . Namun menurut Prof. Oleh karena itu hipotesis perlu dirumuskan terlebih dahulu sebelum dilakukan pengumpulan data. atau menolah Ho.    Pengujian hipotesis Hipotesis yang baik selalu memenuhi dua pernyataan. Dapat memberikan petunjuk bagaimana pengujian hubungan tersebut. Dalam Pengujian Hipotesis terdapat dua kekeliruan atau galat. karena digunakan sebagai dasar pengujian.

Dengan α = 0.772 atau t > t α/2(n-1). Hipotesis Ho : α = 10 lawan Hı : α # 10 2. Jika α = 0. yang seharusnya diterima. 9.250 dan 3. Uji statistik t (karena α tidak diketahui atau n < 30).01 Analisa secara manual : 1. 10. maka akan menjadi β besar. 9. Analisa menggunakan SPSS : = 0.01. 3.7 .3 . Percobaan Seorang mahasiswa melakuan penelitian mengenai galon susu murni yang rata-rata isinya 10 liter.250 disimpulkan untuk menerima Ho . Pengujian Satu Pihak Ho : α = αo Hı : α > αo Hı : α < αo b.05.Jika nilai α diperkecil.05 atau 0. lawan hipotesis alternatifnya bahwa nilai tengah atau rata-rata populasi µ tidak sama dengan µo. Harga (1. 10. 9. 5. Perhitungan.4 . artinya 5 dari setiap 100 kesimpulan kita akan menolak Ho. Jadi kita akan menguji : Ho : α = αo lawan Hı : α # αo Ho merupakan hipotesa awal.3 .9 . dari data : rata-rata x = 10.06 dan simpangan baku sampel s = 0. 10. 10.1 .772 terletak diantara -3. 10. dengan hasil sebagai berikut : 10. Telah diambil sampel secara acak dari 10 botol yang telah diukur isinya. Pengujian Dua Pihak Ho : α = αo Hı : α # αo  Pengujian rata-rata satu sampel Pengujian rata-rata satu sampel dimaksudkan untuk menguji nilai tengah atau rata-rata populasi µ sama dengan nilai tertentu µo. Teknik dalam pengujian hipotesis dilakukan berdasarkan : a.01 4.8 .2459. α = 0. Wilayah kritik : t < t α/2(n-1) x-µ t= s/√n Karena t = 0.1 . Nilai α biasanya ditetapkan sebesar 0.2 . 9.β) disebut Kuasa Uji atau Kekuatan Uji. artinya pernyataan bahwa rata-rata isi galon susu murni 10 liter dapat diterima. .8.

Mean difference = perbandingan rata-rata . 2.1. Ho ditolak apabila sig < (α/2). 3. klik Menu Analyze Compare Means One Sample T-Test. Masukkan data diatas pada Data View. namun sebelumnya kita harus menentukan nama dan tipe datanya pada Variable View. Sehingga menghasilkan hasil analisa sebagai berikut : Keterangan hasil analisa : Std error T Df Sig (2-tailed) Ho diterima apabila = Standar Error = nilai hitung = derajat kebebasan = probabilitas (α/2) sig > (α/2).

Nama aan andi beril bona cici dimas erik gogon Hari heru ila osin mima neni sila Siqi Tata Tita Wina zula Penjualan (Rp. Hasil wawancaranya adalah sebagai berikut.020. .Latihan Seorang pengusaha berpendapat bahwa rata-rata penjualan perhari karyawankaryawannya adalah sebesar Rp. Dengan menggunakan α = 0. dan apakah Ho diterima? BAB 5 Pengujian Rata-Rata Dua Sampel . pengusaha tersebut melakukan wawancara terhadap 20 orang karyawannya yang dipilih secara acak.) 1000 980 880 970 850 750 770 920 870 900 930 1080 1200 1040 1040 850 950 1100 1110 990 Tuliskan hasil analisanya dibawah ini. ujilah pendapat tersebut dan berikan analisa anda. Untuk maksud pengujian pendapatnya.05. 1.00 dengan alternatif tidak sama dengan itu.

Langkah penyelesaiannya adalah sebagai berikut : 1. sedangkan pada dua sampel yang bebas banyaknya pengamatan tidak harus sama. Masukkan data diatas pada Data View. Dua Sampel Berpasangan.05 2.05 bahwa masa putar roda pada sepeda 1 berbeda dengan sepeda 2. misal kita akan menguji sampel pada taraf nyata α = 0. Sampel Bebas / Independen. Pada pengujian rata-rata dua sampel berpasangan. Data masa putar roda (menit) kedua sepeda tersebut adalah : . 2. banyaknya nilai pengamatan harus sama (n1=n2).Teori Untuk pengujian rata-rata dua sampel terdapat 2 jenis data : 1. Percobaan 1. Artinya kedua sampel bersifat mutually exclusive (saling asing) dan banyaknya pengamatan (ulangan) sama pada masing-masing sampel. 2. Samples T-Test Klik Analyze Compare Means Paired Maka akan muncul tampilan sebagai berikut : Keimpulan H0 diterima karena p-value / 2 > 0. namun sebelumnya kita harus nenentukan nama dan tipe datanya pada Variable View.

tulis dibawah ini ! Latihan Seorang guru berpendapat bahwa tidak ada perbedaan nilai rata-rata murid kelas A dan murid kelas B. Masukkan data diatas pada Data View.sepeda 1 sepeda 2 55 65 Masa Putar (menit) 58 55 52 59 59 60 64 62 65 58 Langkah penyelesaiannya adalah sebagai berikut : 1. 7 . kemudian dilakukan penelitian berdasarkan penarikan sampel secara acak dimana ada 8 murid kelas A dan 6 murid kelas B. Ternyata hasil penelitian nilai siswa adalah sebagai berikut : Kelas A Kelas B : 7.5 . 6. 8 . 7. uji pendapat tersebut. 8.6 Dengan menggunakan α = 5%. 7.5 .5 : 7 . 8.7 . 2.3 .7 . 8.3 . namun dengan alternatif ada perbedaan.5 . Untuk menguji pendapat tersebut. . 7. namun sebelumnya kita harus nenentukan nama dan tipe datanya pada Variable View. 7. Klik Analyze Test Compare Means Independent Samples T- Maka akan muncul hasil analisa. 6.4 .

Hipotesis untuk uji kebaikan suai khi kuadrat selalu berbentuk uji hipotesis dua sisi (twosided atau two-tailed test) dengan hipotesis: H0 : πi = πi0 H1 : tidak semua πi = πi0 Dimana : .i = 1. • dalam program SPSS digunakan istilah significance (yang disingkat Sig) untuk Pvalue. 2. dengan kata lain P-value = Sig. dan nanas.Bab 6 ANALISA DATA KATEGORIK Dalam bab ini kita akan membahas analisis data kategorik (analysis of categorical data) menggunakan uji khi kuadrat (chi-square test). Data preferensi dari 200 konsumen terhadap kelima rasa pasta gigi tersebut adalah sebagai berikut : . uji kebaikan suai khi kuadrat ( χ2) digunakan untuk menguji apakah frekuensi data yang diamati dari suatu variable kategorik sesuai dengan frekuensi harapan (expected frequencies). Perusahaan melakukan suatu survey dengan membagikan kemasan kecil dari setiap rasa pasta gigi kepada 200 konsumen. Perusahaan tersebut ingin mengetahui apakah konsumen memiliki preferensi tertentu terhadap kelima rasa pasta gigi tersebut. coklat. • dalam pengujian hipotesis. Uji kebaikan suai dengan frekuensi harapan sama. maka H0 ditolak Jika P-value > α . Sebagai contoh uji kebaikan suai khi kuadrat untuk model dengan frekuensi harapan sama ( equal expected frequencies ) akan digunakan data sebagai berikut : Sebuah perusahaan pasta gigi ingin memasarkan pasta gigi dengan rasa : strawberry. maka H0 tidak dapat ditolak. jeruk. vanilla. 3 … k k = banyaknya kategori πi0 = probalitas atau proporsi atau frekuensi acuan. yaitu uji khi kuadrat untuk satu variabel kategorik ( one categorical variable) yang disebut uji kebaikan suai khi kuadrat ( chisquare goodness-of-fit test) dan uji khi kuadrat untuk dua variabel kategorik ( two categorical variable) yang disebut uji khi kuadrat untuk kebebasan (chi square test for independence). kriteria untuk menolak atau tidak menolak H0 berdasarkan p-value adalah sebagai berikut:   Jika P-value < α .

‘4=jeruk’. Prosedur dengan SPSS 1. pada lembar variable view kita definisikan variabel rasa pasta gigi dengan nama rasa ( dengan data value ‘1= strawberry’ . Penyelesaiannya : Ada 5 kategori untuk variable kategorik rasa pasta gigi. Atau H0 : πstrawberry = πvanila = πcoklat = πjeruk = πnanas = 40 H1 : tidak semua πstrawberry = πvanila = πcoklat = πjeruk = πnanas sama dengan 40. 2. ‘2=vanila’.01 ). = 40. H1 : preferensi terhadap kelima rasa pasta gigi tidak sama. k= 5. masukkan data rasa dan frekuensi : . pada lembar data view. ‘5=nanas’) dan variabel frekuensi dengan nama frekuensi.Rasa pasta gigi Strawberry Vanilla Coklat Jeruk Nanas total Frekuensi tersebut 32 30 28 58 52 200 konsumen yang memilih rasa Apakah ada preferesi tertentu konsumen terhadap kelima rasa pasta gigi tersebut ? ( gunakan α = 0. Frekuensi harapan = Bentuk hipotesis : H0 : preferensi terhadap kelima rasa pasta gigi sama. ‘3=coklat’.

4.3. 5. kemudian klik ok maka akan di dapat hasil analisi chi-square goodness-of-fit test sebagai berikut : Descriptive Statistics Std. Masukkan variabel frekuensi. lalu klik analyze pilih nonparametric Test. klik option. Deviation 1. pilih option weight cases by. Pilih descriptive lalu klik continue. Chi-Square. 6. klik data lalu pilih weight cases.34 . Lalu klik ok.419 Minimu m 1 Maximu m 5 N rasa gigi pasta 200 Mean 3. Pindahkan variabel rasa pasta gigi [rasa] ke dalam box test variable(s).

dan 10% warna biru. 22 warna kuning.0.0 40. 24 warna hijau.001 a 0 cells (. dan . 20% warna kuning.0 40.0 18. interpretasi hasil untuk chi-square goodness-of-fit test.0 -10. Contoh kasus utuk model ini adalah sebagai berikut : Pabrik permen coklat kacang M&M menyatakan dalam setiap kantong permen coklat kacang kemasan 500 gram terdapat 30% permen warna coklat. 19. Seorang naka membeli 1 kemasan permen tersebut dan di dalamnya terdapat 188 permen dengan rincian warna sebagai berikut . SPSS memberikan hasil χ2 = 19.0 Residual -8.0%) have expected frequencies less than 5. karena P-value=0.Chi-Square Test Frequencies rasa pasta gigi Observed N strawberr 32 y vanila coklat jeruk nanas Total 30 28 58 52 200 Test Statistics Expected N 40.001 lebih kecil dari α=0. Uji kebaikan suai dengan frekuensi harapan tak sama.0 12.400 4 .001. Sig. 20% warna merah. Kesimpulan preferensi konsumen terhadap kelima rasa pasta gigi tidak sama. 20% permen warna hijau.01.0 40.0 rasa pasta gigi Chi-Square(a) df Asymp. 51 warna merah. 67 warna coklat. maka H0 : πstrawberry = πvanila = πcoklat = πjeruk = πnanas = 40 di tolak.0 40. The minimum expected cell frequency is 40.0 -12.4 dengan derajat kebebasan = k-1 =5-1 =4 dan P-value = 0.

Prosedur dengan SPSS 1. masukkan data rasa dan frekuensi : 3. πhijau = 37. πhijau = 20% x 188= 37.4. πbiru = 18. πbiru = 10% x 188= 18.6. πkuning =37. Gunakan taraf signifikan α=0. πbiru = 18.8. πmerah =37.6.6.4. . ‘2=hijau’. klik data lalu pilih weight cases. πhijau = 37. ‘5=biru’) dan variabel frekuensi dengan nama frekuensi. ‘4=kuning’.6.24 warna biru.4.6. πkuning =20% x 188= 37. Dimana : πcoklat =30% x 188= 56. ‘3=merah’. πmerah =37. pada lembar data view.8.8. πmerah =20% x 188= 37.6.6. πkuning =37.6. untuk menguji apakah distribusi warna permen sesuai dengan pernyataan pabrik. 2.6. H1 :Distribusi warna permen coklat kacang tidak sesuai dengan πcoklat =56.01. pada lembar variable view kita definisikan variabel warna permen coklat dengan nama warna ( dengan data value ‘1=coklat’ . Penyelesaianya: Bentuk hipotesis : H0 : πcoklat =56.

6. Deviation 1.6 -13. Masukkan variabel frekuensi. Pindahkan variabel warna permen [warna] ke dalam box test variable(s). 7. Lalu klik ok. lalu klik analyze pilih nonparametric Test.6 5. Chi-Square.53 Std.4.6 37. Pilih descriptive lalu klik continue. pada Expected value. klik menu option.2 merah 51 22 24 188 .6 13.8 Residual 10.4 37. 5. Pilih values masukkan ke lima frekuensi harapan lalu klik add.4 -15. Lalu klik ok maka akan di dapat hasil analisis chi-square goodness-of-fit test sebagai berikut : Descriptive Statistics N warna permen 188 Mean 2. pilih option weight cases by.404 Minimu m 1 Maximu m 5 Chi-Square Test Frequencies warna permen Observed N coklat hijau kunin g biru Total 67 24 Expected N 56.6 18.6 37.

Sebagai contoh kasusnya sebagai berikut : Seorang penegak hukum mengklasifikasi tindakan kriminal menjadi dua tipe: ‘dengan kekerasan’ atau ‘tanpa kekerasan’. πmerah =37. H1 : tipe tindak kriminal tergantung pada usia pelaku. Ditolak Kesimpulan distribusi warna permen coklat kacang tidak sesuai dengan pernyataan pabrik. The minimum expected cell frequency is 18. interprestasi hasil .8.598 4 .001 lebih kecil dari α=0. karena P-value=0. . penyelesaiannya hipotesis: H0 : tipe tindak kriminal tidak tegantung pada usia pelaku.Test Statistics warna permen Chi-Square(a) df Asymp.001 a 0 cells (. πhijau = 37.8. πbiru = 18.05.4. Suatu sampel acak dari 100 pelaku tindak kriminal diambil dari data kepolisian. Sig.6.6. πkuning =37. 19. Uji khi kuadrat ( χ2) untuk kebebasan Uji khi kuadrat ( χ2) untuk kebebasan ( chi-square ( χ2) test for independence ) atau disebut juga contingency-table analysis digunakan untuk menguji apakah dua variabel kategorik bersifat independen atau dependen. Suatu investigasi dilakukan untuk mempelajari tipe tindak kriminal tergantung pada usia pelaku tindak kriminal tersebut.01.0%) have expected frequencies less than 5. Data ini di tabulasi-silangkan sebagai berikut : Kelompok usia ( dalam tahun) Tipe tindak kriminal Dengan kekerasan Tanpa kekerasan Dibawah 25 15 5 25-49 30 30 50 keatas 10 10 Apakah data tersebut menunjukkan bahwa tipe tindak kriminal tergantung pada usia pelaku? gunakan α =0.6. maka H0 : πcoklat =56.

4. 2.Prosedure dengan SPSS 1. 5. . pada lembar variable view kita definisikan variabel tipe tindak kriminal dengan nama kriminal ( dengan data value ‘1=dengan kekerasan’ . ‘2=tanpa kekerasan’). kemudian klik analyze. b. ‘2=25-49’. ‘3=50 keatas’) dan variabel frekuesi dengan nama frekuensi. kemudian pada lembar data view kita masukkan data sebagai berikut : a. untuk tipe tindak kriminal ‘1 = dengan kekerasan’ dan usia ‘1 = dibawah 25’ dengan frekuensi data 15. untuk tipe tindak kriminal ‘1 = dengan kekerasan’ dan usia ‘2 = 25-49’ dengan frekuensi data 30. dan seterusnya… 3. klik data lalu pilih weight cases. descriptive statistics. pindahkan variabel tipe tindak kriminal [kriminal] ke box row(s) dan variabel kelompok usia[usia] ke dalam box column(s). dan pilih crosstabs. variabel kelompok usia dengan nama usia ( dengan data value ‘1= dibawah 25’.

0 % 0 Total Percen t N . klik cells. lalu klik continue. pada pilihan counts pilih observed dan expected. 7. kemudian klik ok.0% tipe tindak kriminal * kelompok usia Crosstabulation kelompok usia Tot . lalu continue 8. kemudian klik statistics.6.0% 100 Percent 100. maka akan didapat hasil sebagai berikut : Case Processing Summary Cases Valid N tipe tindak kriminal * 100 kelompok usia Missing Percen t N 100.

0 11.121 114 Value Pearson Square Chi4.0 20 20.0%) have expected count less than 5.0 30 27.500 df 2 2 1 Likelihood Ratio Linear-by-Linear Association N of Valid Cases interpretasi hasil 100 a 0 cells (.231 2.0 45 45.0 100 100 . untuk chi-square test for independence.0 tanpa kekerasn Count Expected Count 5 9.dibawah 25 tipe tindak krimin al dengan kekerasan Count 15 Expected Count 25-49 30 50 keata s al 10 55 55.00.040 dengan derajat kebebasan .0 10 9.0 60 60. 0 11. . (2sided) . Sig. SPSS memberikan hasil χ2 = 4.0 33.133 .040(a) 4. 0 Total Count Expected Count 20 20. The minimum expected count is 9.0 Chi-Square Tests Asymp.

maka H0 : tipe tindak kriminal tidak tergantung pada kelompok usia pelaku tidak dapat ditolak. Rumus untuk uji khi-kuadrat untuk kebebasan ( chi-square test for independence) Derajat kebebasan =( r-1)(c-1) Dimana : adalah frekuensi data yang di observasi pada baris ke: adalah frekuensi harapan pada baris ke: jumlah frekuensi pada baris baris ke: jumlah frekuensi pada baris kolom ke: jumlah total frekuensi r : adalah jumlah baris (row) kolom kekolom ke- c : adalah jumlah kolom (column) BAB 7 ANALISA RAGAM SATU ARAH .05. ei = adalah frekuensi harapan ( expected frequencies) k = banyaknya kategori.= (r-1)(c-1)=(2-1)(3-1)=2 dan P-value=0.133.133 lebih besar dari α=0. Kesimpulan tipe tindak kriminal tidak tergantung pada kelompok usia pelaku. Rumus chi-square test Rumus untuk uji kebaikan suai (goodness-of-fit test) adalah sebagai berikut : Dengan derajat kebebasan =(k-1). Dimana : Oi = adalah frekuensi data yang diamati ( observed frequencies). Karena P-value=0.

pada lembar variable view kita definisikan variabel production line dengan nama variabel line dan di beri label production line seta value ‘1 = production line 1’. Data yang di dapat manajer adalah sebagai berikut : Production line 1 4.2 2.Analisa ragam satu arah ( oneway ANOVA) digunakan untuk membandingkan mean lebih dari satu.5 2. Bentuk hipotesisnya adalah sebagai berikut : H0 : μ1 = μ2 = μ3 = … = μk H1 : minimal ada dua mean popuasi yang tidak sama.2 1.9 41 3.0 1. 2. manajer itu mengumpulkan data jumlah produk yang cacat per 1000 unit yang produksi. Penyelesaiannya 1. Sebagai contoh kasus oneway ANOVA adalah sebagi berikut : Seorang manajer yang melakukan supervisi terhadap 3 production line tertarik akan kinerja ketiga production line tersebut. Untuk variabel jumlah produk yang cacat gunakan nama cacat dan diberi label jumlah produk cacat. Dua dari production line itu harus tutup selama 2 minggu karena harus perbaikan peralatan.4 3.5 1.1 3.2 Apakah ketiga production line tersebut menghasilkan produk dengan kualitas yang sama ? gunakan α = 0.01.’3 =production line 3’. ‘2 = production line 2’. kemudian pada lembar data view kita masukkan data line dan cacat sebagai berikut .2 2.6 2.5 Production line 2 2.5 Production line 3 2. Selama 6 minggu.

Dan variabel production line ke factor.3. kemudian klik ok. pindahkan variabel jumlah produk cacat [cacat] ke dependen list. untuk menghitung post Hoc Multiple Comparison dengan asumsi ketiga sample production line memiliki ragam ( variance ) yang sama. 7. kemudian klik analyze. maka akan di dapat hasil: Test of Homogeneity of Variances Jumlah produk cacat . kemudian klik option pilih homogeneity of variance test untuk menguji asumsi apakah ketiga sampel production line berasal dari populasi yang mempunyai ragam ( variance ) sama. 6. Pilih Bonferroni dan Scheffe lalu continue. klik tombol berjudul Post Hoc. 4. Lalu pilih one-way ANOVA. compare means. 5. Lalu klik continue.

098 Sig. The harmonic mean of the group sizes is used.001 Homogeneous Subsets jumlah produk cacat production line Scheffe (a.983 2.098 dengan derajar kebebasan K-1= 3 = 2 dan n-k =14-3 = 11 dan P-value = 0.01.624 3. Means for groups in homogeneous subsets are displayed.500. Dari tabel ANOVA di dapat nilai sttistik F= 15.274 Groups Within Groups 3.05 2 1 1. . Kesimpulan ketiga sampel production line berasal dari populasi yang memiliki ragam sama.307 F 15.243 jumlah produk cacat Sum of Mean Squares df Square Between 9.000 production line 3 6 production line 2 4 production line 1 4 Sig. Interpretasi hasil • Dari test of homogeneity of variance di dapat nilai P-value = 0.652 2 11 13 4. Type I error levels are not guaranteed.243 yang lebih besar dari α = 0.637 .613 df1 2 ANOVA df2 11 Sig.378 Total 12.Levene Statistic 1. Karena P-value lebih kecil dari α = • . . Sehingga H0 : σ12 = σ22 = σ32 tidak dapat ditolak. a Uses Harmonic Mean Sample Size = 4.350 . b The group sizes are unequal.b) N 1 Subset for alpha = .900 1.0001.

maka H0 : μ1 = μ2 = μ3 ditolak.0.01. • Dari tabel homogeneous subsets terlihat bahwa subset 1 beranggotakan production line 3 dan production line 2. Ada tiga bentuk hipotesis analisa ragam dua arah : Untuk factor pertama (A) : . BB2 300 300 275 290 310 330 350 290 310 305 BB3 342 310 290 370 340 330 350 400 450 325 BAB 8 ANALISA RAGAM DUA ARAH Analisa ragam dua arah ( Twoway Analysis of Variance) digunakan untuk membandingkan mean lebih dari dua sampel yang diklasifikasikan menjadi dua factor atau dua klasifikasi. ini berarti production line 3 dan production line 2 tidak berbeda.05. Latihan 1. seseorang ingin mengetahui apakah ada perbedaan terhadap pertambahan berat badan 3 kelompok bayi berusia 2 bulan apabila di perlakukan dengan 3 cara pemberian ASI dan diperoleh datanya sebagai berikut : BB1 350 375 380 370 410 400 500 475 385 420 Ket: BB1 = berat badan bayi berumur 2 bulan yang hanya diberi ASI saja BB2 = berat badan bayi berumur 2 bulan yang Tidak diberi ASI saja BB3 = berat badan bayi berumur 2 bulan yang hanya diberi ASI dan susu bayi Gunakan α = 0. Kesimpulan ketiga production line menghasilkan produk dengan kualitas yang berbeda.

Uji hipotesis bahwa keempat mata kuliah tersebut memiliki tingkat kesulitan yang berbeda. = mean populasi baris ke-2 dari factor pertama. Dan seterusnya. c. Contoh kasus analisa ragan 2 arah adalah sebagai berikut : Data pada tabel di bawah ini adalah data hasil kuis yang didapat oleh 5 mahasiswa untuk 4 mata kuliah. a. = mean populasi baris ke-1 dari factor kedua. bahasa inggris. statistika. Ket : = mean populasi baris ke-1 dari factor pertama. = mean populasi baris ke-r dari factor pertama.. H0 : (μAB)1 = (μAB)2 = (μAB)3 = … = (μAB)r x c H1 : minimal ada dua mean interkasi populasi yang tidak sama. b. Uji hipotesis bahwa kelima mahasiswa mempunyai kemampuan yang berbeda. = mean populasi baris ke-3 dari factor pertama.05 untuk melakukan. Untuk factor kedua (B) : H0 : = = = …= H1 : minimal ada dua mean populasi yang tidak sama. Untuk interkasi anatar kedua factor A dan factor B ( bila ada ).H0 : = = = …= H1 : minimal ada dua mean populasi yang tidak sama. Nama mahasiswa andy Nilai kuis Matematika 75 74 72 statistika 70 72 73 85 87 Bahasa inggris 78 79 76 82 80 Bahasa indonesia 77 79 80 80 83 diah 79 77 . yaitu : matematika. Uji hipotesis bahwa tidak ada interaksi antara mahasiswa dan mata kuliah. Gunakan α = 0. dan bahasa Indonesia.

pada lembar data view kita masukkan data di atas. Skala variabel mahasiswa adalah nominal. kemudian klik analyze dan klik general linear model lalu pilih univariate. b. c.’2 = statistika’. pindahkan variabel nilai kuis [nilai]. variabel mahasiswa dengan nama mahasiswa dan labelnya mahasiswa serta value label ‘ 1 = andy’. 4.’5 = yanti’. . pada variable view kita definisikan : a. 2. Kedependen variable dan variabel mahasiswa [mahasiswa] serta variabel matakuliah[mtkuliah] ke Fixed factor(s).78 hendra 70 71 72 sinta 55 54 53 yanti 80 82 84 88 74 76 77 54 53 56 84 83 81 81 81 84 83 53 50 52 82 81 85 81 76 75 73 54 50 53 83 82 80 Penyelesaiannya. Skala variabel matakuliah adalah nominal.’3 = hendra’. variabel matakuliah dengan nama mtkuliah dan labelnya mata kuliah serta value label ‘1 = matematika’.’3 = bahasa inggris’.’4 = bahasa Indonesia’. variabel nilai kuis dengan nama nilai dan diberi variabel label nilai kuis.’4 = sinta’.’2 = diah’. 3. 1.

kemudian klik continue. Klik post Hoc. Pilih Homogeneity test. untuk menghitung Post Hoc Multiple Comparison terhadap variabel mahasiswa dan variabel mata kuliah. 7. Lalu klik option.5. Maka akan didapat hasil sebagai berikut : Univariate Analysis of Variance Between-Subjects Factors . Pundahkan factor mahasiswa dan mtkuliah ke post hoc test for dan kemudian pilih Bonferroni biladiasumsikan sama dan GamesHowell bila di asumsikan variance tidak sama. Disini kita memilih Bonferroni karena belum tahu asumsi mana yang bisa dipenuhi. kemudian klik continue lalu klik ok. 6.

600 59 Mean Square 384.177 13.Value Label Mahasisw a 1 2 3 4 5 1 2 3 4 Andy Diah Hendra Sinta Yanti Matematik a Statistika Bahasa Inggris Bahasa Indonesia N 12 12 12 12 12 15 15 15 15 Matakulia h Levene's Test of Equality of Error Variances(a) Dependent Variable: Nilai Kuis F . .000 .507 138681. .733 12 mtkuliah Error 94.370 df1 19 df2 40 Sig.567 30.000 .267 4 mtkuliah 92.987 (Adjusted R Squared = . a Design: Intercept+mahasisw+mtkuliah+mahasisw * mtkuliah Tests of Between-Subjects Effects Dependent Variable: Nilai Kuis Type III Sum of Source Squares df Corrected Model 7300.000 40 Total 333296.000 a R Squared = .600 3 mahasisw * 353.242 325901.600(a 19 ) Intercept 325901.400 1713.000 .135 12.350 F 163.000 .40 1 0 mahasisw 6854.00 60 0 Corrected Total 7394.544 Sig.989 Tests the null hypothesis that the error variance of the dependent variable is equal across groups.478 2. 447 729.981) post hoc test mahasiswa .867 29.

61 -3.626 -28.92(*) . J) Error Upper Lower Bound Bound -6.17(*) .81 30.626 Sig.000 .53 -2.50 .03 Andy Diah Hendra Sinta Yanti Diah Hendra Sinta Yanti Andy Hendra Sinta Yanti Andy Diah Sinta Yanti Andy Diah Hendra Yanti Andy Diah Hendra Sinta Based on observed means.000 .000 .81 -24.83(*) .33(*) .Std.75(*) .626 28.626 -.626 -6.83(*) .000 .67(*) .31 4.50 .17(*) .36 1.47 -30.47 8.44 1.97 4.19 -4.89 7.000 . Interpretasi hasil • Dari tabel levene’s test of equality of error variance yang menguji hipotesis H0 : variance diasumsikan sama H1 : variance diasumsikan tidak sama .000 .626 6.33(*) .58 .25(*) .000 .626 6.31 31.626 -29.36 4.626 -5.28 20.39 -24.19 3.58 .78 -21.92(*) .33(*) .000 .33(*) .626 -22.36 -1. * The mean difference is significant at the .47 24.626 5.626 -.626 22.97 8.000 95% Confidence Interval Upper Lower Bound Bound -8.626 22.000 .11 27.19 -20.000 .000 .000 .06 24.000 .69 -4.000 1.06 -31.61 26. Lower Bound .05 level.67(*) .000 .626 6.11 -4.000 1.36 2.626 -6.19 -8.626 .626 29.626 .28 2.25(*) .53 -26.78 -8.000 1.626 -22.000 .03 -27.44 -7.47 -2.39 8.Multiple Comparisons Dependent Variable: Nilai Kuis Bonferroni (J) (I) Mahasis Mahasiswa wa Mean Difference (I.75(*) .89 21.000 1.69 -1.

177 dengan derajat kebebasan r -1 = 5 -1 = 4 dan rc(n-1) = 5x4(3-1) = 40 serta P-value=0. Kesimpulan kelima mahasiswa mepunyai kemampuan yang berbeda.135 dengan derajar kebebasan c -1 = 4-1 = 3 dan rc(n-1) = 5x4(3-1) = 40 serta P-value=0.000. Karena Pvalue lebih kecil dari α= 0. A3) dan lebar (B1. maka H0 : μandy = μdiah = μhendra = μsinta = μyanti ditolak.05. b. Faktor interaksi : nilai uji F=12. Kesimpulan ada interaksi diantara kedua faktor.000. • Dari tabel ANOVA di dapat nilai statistik untuk main effect sebagai berikut : a. Faktor mahasiswa : nilai uji F = 729.000.Didapat hasil P-value = 0. maka H0 : μmatematika = μstatistika = μbahasainggris = μbahasa indonesia ditolak.05.05 diperoleh data sebagai berikut : Faktor B Faktor A A1 (dasar) A2 (tengah) A3 (tengah) B1 ( regular) 47 43 62 68 41 39 B2 (non regular) 46 40 67 71 42 46 BAB 9 . Penataan roti pada etalase meliputi tinggi (A :A1 .B 2. maka H0 : (μmhs-mtkliah)1 = (μmhs-mtkliah)2 = … = (μmhsmtkliah)20 ditolak. Kesimpulan keempat mata kuliah mepunyai tingkat kesulitan yang berbeda. B3).544 dengan derajat kebebasan (r-1)(c-1) = (5-1)(4-1) = 12 dan rc(n-1)= 5x4(3-1) = 40 serta P-value=0. Faktor matakuliah nilai uji F = 13. Latihan 1. Karena P-value lebih kecil dari α=0.05 sehingga H0 : variance diasumsikan sama tidak dapat ditolak.05. Suatu perusahaan roti menduga bahwa penataan roti pada etalase yang dipajang mempengaruhi penjualan roti. Karena P-value lebih kecil dari α=0. c.989 yang lebih besar dari α = 0. Apabila tingkat penjualan di ukur dari banyaknya roti yang terjual dan asumsikan α = 0. Kesimpulan variance sama. A2.

pada lembar variable view kita definisikan variabel jumlah permintaan jeans dengan nama variabel jeans dan labelnya jumlah permintaan jeans. Contoh kasusnya adalah sebagai berikut : Sebuah perusahaan jeans memperkirakan bahwa iklan di televisi akan meningkatkan permintaan produk jeans perusahaan tersebut.040 2. Bagian marketing perusahaan tersebut membuat model persamaan regresi untuk mempredeksi permintaan produk berdasarakan biaya iklan yang pernah dianggarakan dan digunakan selama 19 tahun terakhir seperti tercantum dalam tabel berikut : Jumlah permintaan jeans (dlm ribuan) 94 96 95 95 94 95 94 104 104 106 108 110 113 113 118 115 121 127 131 Biaya iklan ( dlm puluhan juta) 0.473 0.176 1. analisis regresi juga dapat digunakan untuk melihat pengaruh variabel independen x terhadap variabel dependen y.499 1.749 1.753 0. H0 : β1 0 Dimana β0 dan β1 adalah parameter dari model regresi yi = β0 + β1 χi + εi . Gunakan α = 0.292 1.832 0. Penyelesaiannya Bentuk hipotesis untuk menguji koefisien b0 dan b1 H0 : β0 = 0.178 1. 0 DanH1 : β1 = 0 . H0 : β0 Prosedure dengan SPSS 1. Untuk variabel biaya iklan gunakan nama iklan dan labelnya biaya iklan.ALALISIS REGRESI SEDERHANA Analisis regresi sederhana digunakan untuk mempredeksi nilai suatu variabel dependen y berdasarkan nilai variabel independen x.049 1.529 1.929 0.746 1.983 1.897 2.403 1.599 1.939 0. sedangkan variabel dependen y sering disebut sebagai variabel respons. Apakah regresi yang didapat signifikan.05. variabel independen x sering disebut sebagai variabel prediktor.231 Tentukan persamaan regresi untuk data diatas.

945 17 2518. Kemudian klik ok. ..938 . Lalu pilih linear. Error .000 a Dependent Variable: Jumlah Permintaan Jeans interpretasi hasil .124 35.000 . 3. maka akan di dapat hasil sebagai berikut : Model Summary Mode l R 1 .019 a Predictors: (Constant). Error of the Estimate 3.935 Std. Std.regression.2. pada lembar data view masukkan data diatas.114 F 259. 4.508 . B Error Beta B 74. Pindahkan variabel jumlah permintaan jeans ke dependent dan variabel biaya iklan ke independent(s).969(a) Adjusted R Square R Square .102 Model 1 (Constant) Biaya Iklan Sig. Biaya Iklan Mode l 1 Regressio n Residual Total ANOVA(b) Sum of Mean Squares df Square 2363.969 16. kemudian klik analyze.000(a) a Predictors: (Constant).000 18 2363. Biaya Iklan b Dependent Variable: Jumlah Permintaan Jeans Coefficients(a) Unstandardized Standardized Coefficients Coefficients t Std. pastikan anda memilih method : enter.280 1.161 24.055 9.673 2.055 1 154.266 Sig.

280 x Dimana ŷ = jumlah permintaan jeans dan x = biaya iklan.9 Yayuk 150 61. Apakah regresi yang didapat signifikan.05.000 lebih kecil dari α = 0.6 Maya 135 46. … . Tetapi karena pada regresi sederhana hanya ada satu β1.8 Rendy 160 67. hal ini merupakan bukti kuat penolakan H0 : β1 = 0. sebuah penelitian tentang hubungan antara tinggi badan dengan berat badan pada siswa sebuah sekolah.8 wahana 172 78.2 Masihah 150 59. karena P-value = 0.8 Jaka 170 75.000.4 Maruija 155 65. Gunakan α = 0.2 Ina 135 49. maka kita hanya menguji H0 : β0 = 0 terhadap H1 : β1 0. BAB 10 . ί = 1.000 yang jauh lebih kecil dari α = 0. Di dapat nilai t = 16.05.000 lebih kecil dari α = 0.05 Latihan 1.266 untuk derajat kebebasan k = 1 dan n-k-1 = 19 – 1 – 1 = 17 dan P-value = 0. untuk menguji β1 : H0 : β1 = 0 terhadap H1 : β1 0. k sama dengan nol.8 Mafaza 155 66.• dari R2 (R square ) dari tabel Model Summary menunjukkan bahwa 93. Uji F menguji secara serentak hipotesis H0 : β1 = β2 = β3 = … βk = 0 terhadap H1 : tidak semua βi .4 Haryadi 126 41.5 Uniana 155 63.8% dari variance “ jumlah permintaan jeans” dapat di jelaskan oleh perubahan dalam variabel “ biaya iklan “ tabel ANOVA diatas mengindifikasikan bahwa regresi secara statistik sangat signifikan dengan nilai F = 259. • • • • Untuk menguji signifikan masing-masing koefisien regresi digunakan uji statistik t. 2.7 Rangga 162 81.05 Persamaan garis regresi menggunakan metode kuadrat terkecil ( least square method) yang didapat adalah : ŷ = 74.102 dengan derajat kebebasan n – 2 = 19 – 2 = 17 dan P-value = 0. Dari tabel ANOVA jelas sekali terlihat bahwa H0 ditolak karena P-value = 0.6 Tentukan persamaan regresi untuk data diatas. Diambil secara acak 15 siswa pada sekolah tersebut dan diperoleh data sebagai berikut : nama Tinggi badan (x) Berat badan (y) Animah 120 38.5 Fafa 162 68.673 + 24.8 Dewi 143 55.

dan pengalaman kerja sebagai sales. Penyelesaiannya 1.05. Perusahaan itu ingin membuat model regresi berganda untuk memprediksi income berdasarkan usia dan pengalaman kerja. Usia (x1) 31 3 38 39 30 28 20 23 25 28 29 Pengalaman kerja (x2) 4 4 5 2 0 3 0 1 2 4 5 Income (y) 35400 41200 45000 40300 22000 28000 13000 22000 26000 27000 30000 Tentukan koefisiensi dari persamaan regresi berganda dan tentukan apakah koefisiensi yang diperoleh signifikan. Variabel pengalaman kerja dengan nama pengalaman. x2 . … xk.ANALISA REGRESI LINEAR BERGANDA Analisa regresi linear berganda adalah pengembangan dari analisa regresi linear sederhana dimana terdapat lebih dari satu variabel independen x. … xk terhadap variabel dependen y berdasarkan nilai variabel-variabel independen x1 . 2. Contoh kasusnya adaalah sebagai berikut : Suatu perusahaan memiliki data usia. Gunakan α = 0. analisa ini digunakan untuk melihat sejumlah variabel independen x1 . dan variabel income dengan nama income. Data dapat dilihat pada tabel dibawah ini . pada lembar data view kita masukkan data diatas. Untuk variabel pengalaman kerja di beri label pengalaman kerja. income sales person. Lakukan pula estimasi untuk seorang sales yang berusia 40 tahun dengan pengalaman kerja 4 tahun. pada lembar variable view kita definisikan variabel usia dengan nama usia. x2 . .

3. . regression. Pindahkan variabel income ke dependent dan variabel usia serta pengalaman kerja ke independent(s) 4. kemudian klik continue . pastikan method : enter telah terpilih. lalu klik statistics dan pilih estimates. kemudian klik continue . usia(a) . collinearity diagnostics dan durbin-waston 5. model fit. lalu pilih linear. kemudian klik analyze. lalu klik plots. Pilih normal probability plot. Kemudian pindahkan standardized residual *BZRESID ke dalam kotak Y dan standardized predicted value *ZPRED ke dalam kotak X. 6. lalu klik ok maka akan di dapat hasil sebagai berikut : Variables Entered/Removed(b) Mode Variables l Entered 1 Variables Removed Method Enter Pengalam an Kerja.

354 1. b Dependent Variable: income Model Summary(b) Mode l R 1 .927 Std. usia b Dependent Variable: income ANOVA(b) Mode l 1 Regressio n Residual Total Sum of Squares df 8769684 63. .a All requested variables entered. usia b Dependent Variable: income Residuals Statistics(a) .915 9316890 90.000(a) 438484231. Pengalaman Kerja.36 4 a Predictors: (Constant).105 997 6840078.994 5472062 6.497 a Predictors: (Constant).941 . Error of the DurbinEstimate Watson 2615.909 2 8 10 Mean Square F Sig. 64. Pengalaman Kerja.970(a) Adjusted R Square R Square .

1% dari variance “ income “ dapat di jelaskan oleh perubahan dalam variabel “ usia” dan “ pengalaman kerja “ Nilai uji statistik durbin-watson = 1.5 -2 -1 0 1 2 Interpretasi hasil • R egression S tandardized Predicted V alue Nilai R2 (R square) dari tabel model summary menunjukkan bahwa 94. 6 0 . 0 0 .000 Std. 8 1 .000 . 8 0 .175 Mean 29990.4 5 3672.5 -1. 0 OeeC Pb b r du r sv mo S catterplot Regression Standardized Residual D ependent V ariable: incom e 1. 4 0 .0 -0.42 9 -1.7 9 3071.659 2339.l r l P o f e es S dr zd e da g o a d s Expected Cum Prob D ednV i b :i cm e net aal no e p r e 1 . 0 0 . 2 0 . 6 0 . Jadi dapat diasumsikan tidak terjadi autocorrelation.404 Maximu m 43598. 2 0 . Deviation 9364.0 0.453 1.9 1 .74 0 1. Value Predicted Std.894 N 11 11 11 11 Std.497.244 1.744 -1.5 1.000 . • . 0 0 .5 0. 4 0 . Residual chart a Dependent Variable: income N m P P toR r si n t na i e R i ul o a .0 -1.000 .Minimu m Predicted Value Residual 13661.

05. Dari normal probability plot juga terlihat bahwa titik-titik data berbentuk pola linear sehinggga konsisten dengan distribusi normal. b. x2 = pengalaman kerja.605 dengan derajat kebebasan n-k = 11-2-1= 8. Scatterplot anatara *ZRESID dan *ZPRED tidak membentuk pola tertentu. hal ini merupakan bukti kuat penolakan H0 : β2 = 0. • Dari tabel coefficients juga terlihat baha nilai VIF = 1. Variabel usia H0 : β1 terhadap H1 • • • 0 Hasil uji-t : t = 7..5 + 1201. hal ini merupakan bukti kuat penolakan H0 : β1 = 0. x1 = usia. atau ordinal ) atau juga untuk memprediksi nilai suatu variabel dependen y ( yang berupa variabel kategorik ) berdasarkan nilai variabel-variabel independen x1. Uji F menguji hipotesis H0 : β1 = β2 = 0 terhadap H1 : β1 dan β2 tidak sama dengan nol Dari P-value = 0. x2 … xk .05.377 sehingga masih dapat dianggap tidak terjadi multicollinearity ( atau tepatnya hanya low collinearity).• Tabel ANOVA mengidentifikasikan bahwa regresi berganda secara statistic sangat signifikan dengan uji statistic F= 64. dan P-value = 0. P-value = 0. digunakan uji-t dengan hasil sebagai berikut : a. • Persamaan regresi berganda yang diperoleh dengan menggunakan metode kuadrat terkecil kriteria adalah ŷ = -10360. Sehingga dapat disimpulkan bahwa koefisien regresi tidak ada yang bernilai nol. ( homoscedasticity) • • BAB 11 ANALISA REGRESI LOGISTIK Analisa regresi logistik digunakan untuk melihat pengaruh sejumlah variabel independen x1... Variabel pengalaman kerja : H0 : β2 = 0. Terhadap H1:2 0 Hasil uji-t :t = 3. Untuk menguji apakah masing-masing koefisien regresi signifikan.169 dengan derajat kebebasan n-k = 11-2-1= 8. multi nominal.098x1 + 1663. terlihat bahwa H0 : β1 = β2 = 0 ditolak secara signifikan.000 yang lebih kecil dari dari α = 0.05.013 yang lebih kecil dari dari α = 0.000 yang lebih kecil dari α = 0.516 x2 dimana : ŷ = income.000 lebih kecil dari α = 0. Regresi logistik biner . x2 … xk terhadap variabel dependen y yang berupa variabel kategorik ( binominal.05. dan P-value = 0. sehingga bias dianggap residual mempunyai variance konstan. Ini berarti koefisien β1 dan β2 tidak smuanya bernilai nol.105 dan derajat kebebasan k = 2 dan n-k-1 = 11 -2 -1 = 8.

05 Penyelesaiannya n = 30 . pada lembar variable view kita definisikan : a. Berikut data ini datanya: Detak jantung 1= tinggi. misalnya sukses-gagal. untuk variabel detak jantung beri nama detak dan labelnya detak jantung. benar-salah dll. variabel merokok dikategorikan menjadi 1=merokok dan 0= tak merokok. Contoh kasusnya adalah sebagai berikut : Seorang peneliti mengamati pengaruh merokok dan berat badan terhadap detak jantung saat responden beristirahat. Detak jantung responden di kategorikan menjadi 1= tinggi dan 0=rendah. sedang value labelnya ‘1 = tinggi ‘.Adalah regresi logistik dimana variabel dependennya berupa variabel dikotomi atau variabel biner. b. x1 = merokok. y = detak jantung. 1. . untuk variabel berat badan beri nama berat dan labelnya berat badan. sedang value labelnya ‘1 = merokok ‘.’2 = rendah ‘. Gunakan α =0. 0= tak merokok 1 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 Berat badan kg 68 71 57 86 70 77 70 98 59 59 70 74 57 61 57 54 55 52 46 75 68 50 53 79 43 57 60 80 68 90 Tentukan persamaan regresi logistik biner dan tentukan apakah koefisien regresi yang diperoleh signifikan. 0= rendah 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 0 1 0 1 1 0 0 1 0 Merokok 1= merokok. ya-tidak. c.’2 = tak merokok ‘. untuk variabel merokok beri nama merokok dan labelnya merokok. x2 = berat badan.

0 . see classification table for the total number of cases. Pilih binary logistic. 4.0 .0 .0 100. kemudian klik analyze. Block 0: Beginning Block Classification Table(a.0 100. Pindahkan variabel detak jantung [detak] ke dependent dan variabel merokok [merokok] dan berat badan[berat] ke covariates. pastikan method : enter telah terpilih. pada data view kita masukkan data diatas. maka akan didapat hasil sebagai berikut : Logistic Regression Case Processing Summary Unweighted Cases(a) Selected Cases Included Analysis Missing Cases Total Unselected Cases Total Dependent Variable Encoding Original Value Rendah Tinggi Internal Value 0 1 in N 30 0 30 0 30 Percent 100.0 . 3.b) Observed Predicted Detak Jantung Rendah Step 0 Detak Jantung Rendah Tinggi 22 8 Tinggi 0 0 Percentage Correct Rendah 100.0 a If weight is in effect.2. Kemudian klik ok. regression.

x .Overall Percentage a Constant is included in the model. Untuk model yang sempurna.001.468 Step 1 a Estimation terminated at iteration number 6 because parameter estimates changed by less than . semua cases akan terletak pada diagonal tabel dan overall percentage akan bernilai 100%.500 73. maka nilai persen (%) pad akedua baris hampir sama. Output block : 0 beginning block 1. b The cut value is . Interpretasi hasil • tabel dependen variable enconding menunjukkan variabel detak jantung diberi kode 1= tinggi dan 0= rendah.321 .73. Classification table menunjukkan tabel 2x2 dengan kolom berupa predicted values • dari variabel dependen dan baris berupa niali data aktual yang diamati.3 %. Overall percentage yang memprediksi model dengan benar mempunyai nilai cukup baik sebesar 100% .3 Model Summary -2 Log Cox & likelihoo Snell R Nagelkerke d Square R Square 23.178(a) . Jika model regresi logistic mempunyai variance sama.

Uji wald sama dengan kuadrat dari rasio koefisien regresi logistic B dan standar error S. variables in the equation sebagai berikut : 4. Karena responden yang mempunyai detak jantung tinggi ada 8 dan yang mempunyai detak jantung rendah ada 22. Tabel variables in the equation yang hanya berisi constant memberikan nilai b0 = -1.425) = ℯ3..003 lebih kecil dari α = 0. Pada output block 1 : method enter 1. Hasil perhitungan koefisien dari model regresi logistik biner ini terlihat pada tabel In Atau = 8.425 merokok) 6.2.05.617 dengan derajat kebebasan =2 P-value=0. untuk koefisien variabel berat : . sama seperti koefisien determinasi R2 pada regresi linear nerganda.166 berat + 3.178 . maka odd ratio = = 0.012)= ę-1. dalam contoh ini uji wald =[ • ]2 = ]2 = 6.05.016 – 0. Tetapi karena nilai cox & snall R square biasanya lebih kecil dari 1 maka sukar untuk di interpretasikan dan jangan digunakan nagelkerke R square pada tabel model summary merupakan modifikasi dari koefisiensi cox & snall R square agar nilai maksimumnya bias mencapai satu dan mempunyai kisaran nilai antara 0 dan 1.166 berat + 3.102 atau exp(-1. chi-square goodness-of-fit test disini digunakan untuk menguji hipotesis : H0 : memasukkan variabel independen ke dalam model tidak akan menambah kemampuan predeksi model regresi logistik 2.425 = 30.364.E . semakin kecil nilai -2 loglikehood semakin baik. 3. sehingga hasil uji ini sngat signifikan. kolom Exp(B) merupakan odds ratio yang diprediksi oleh model : a.012 = 0. Uji wald pada tabel variables in the equation digunakan untuk menguji apakah masing-masing koefisien regresi logistik signifikan.016 – 0.712 b.014 lebih kecil dari α = 0. Nilai koefisien nagelkerke R square umumnya lebih besar dari koefisien cox & snall R square tapi cenderung lebih kecil dibandingkan dengan nilai koefisien R2 pada regrei linear berganda. P-value = 0. Tabel omnibus test of model coefficients memberikan nilai chi-square goodness- of-fit test sebesar 11. Koefisien 5. untuk koefisien variabel merokok : exp (3.364 .425 merokok =exp (8.004. 3. Dalam contoh ini koefisien nagelkerke R square = 0. Maka kesimpilannya constant dari model regresi logistic ini signifikan. Tabel model summary memberikan nilai statistic -2 loglikehood = 23. Koefisien cox & snall R square pada tabel model summary dapat diinterpretasikan sama seperti koefisien determinasi R2 pada regresi berganda.468.

046 lebih kecil dari α = 0. untuk koefisien variabel merokok: = 2 = 2 = 4.980. Kristen.166 = 0.exp (-0. maka koefisien regresi untuk variabel merokok signifikan. kuning. kasar. budha dll Regresi logistik ordinal Adalah regresi logistic dimana variabel dependennya berupa variabel dengan skala ordinal seperti : sangat setuju. b.821. P-value = 0. dll . netral.166) = ℯ-0.024 lebih kecil dari α = 0. setuju. maka koefisien regresi untuk variabel berat signifikan.815 7. sangat tidak setuju.028 lebih kecil dari α = 0.847 c. Regresi logistik multinomial Adalah regresi logistic dimana variabel dependennya berupa variabel kategorik yang terdiri lebih dari dua nilai. uji wald manguji masing-masing koefisien regresi logistik : a. tidak setuju. seperti : merah. maka koefisien regresi untuk variabel constant signifikan.016) = ℯ8. P-value = 0. sedang.05.05.024 P-value = 0. hindu. c. untuk constant : 2 = 3.016 = 3027. Untuk constant : exp 8. biru. atau halus.05. hitam atau islem. untuk koefisien variabel berat : 2 = 0.

Sign up to vote on this title
UsefulNot useful