Aplikasi Program SPSS Dalam Menyelesaikan Kasus Uji Statistika Parametrik (Bagian I: Pengantar)

Informasi yang diperoleh dari sebuah observasi berupa data mentah, belum berarti apa-apa sebelum
dilakukan analisis terhadap data tersebut. Proses analisis data melibatkan banyak jenis uji
statistika, dan tiap jenis uji tersebut, umumnya, memiliki beberapa asumsi/persyaratan
yang harus dipenuhi, sehingga proses pemilihan jenis uji statistika harus dilakukan
secara tepat. Pemilihan jenis uji yang tidak tepat, akan berpotensi menyebabkan
kesimpulan yang tidak valid.

Pada prinsipnya, terdapat dua jenis alat uji statistik yaitu statistik Parametrik dan Non-parametrik,
perbedaan antar keduanya terletak pada jenis data serta asumsi normalitas datanya. Statistika
parametrik mempersyaratkan datanya harus berdistribusi normal, serta datanya bertipe
interval atau rasio.

Berikut ini kami sajikan video tutorial yang akan mengulas hal-hal yang terkait dengan statistika
Parametrik, beserta contoh kasus dan cara menyelesaikannya menggunakan program SPSS.
Video tutorial Statistika Parametrik ini terdiri atas 7 bagian:
Bagian 1 : Pengantar
Bagian 2 : Uji t Satu Sampel (One Sample t-test)
Bagian 3 : Uji t Dua Sampel Berpasangan (Paired Sample t-test)
Bagian 4 : Uji t Dua Sampel Independent (Independent Sample t-test)
Bagian 5 : Uji ANOVA Satu Arah (One Way ANOVA)
Bagian 6 : Uji ANOVA Dua Arah (Two Way ANOVA)
Bagian 7 : Penanganan Data Yang Tidak Normal
Aplikasi Program SPSS Dalam Menyelesaikan Kasus Uji Statistika Parametrik (Bagian 2: Uji t Satu Sampel)

Uji t satu sampel adalah jenis uji statistika Parametrik yang bertujuan untuk menguji apakah terdapat
perbedaan rata-rata populasi dengan sebuah data tertentu.
Contohnya adalah seorang peneliti ingin membandingkan apakah terdapat perbedaan secara signifikan
antara tanaman padi yang ditanam menggunakan VARIETAS BARU, dengan tanaman padi yang
ditanam menggunakan VARIETAS EXISTING (varietas yang selama ini digunakan oleh
petani lokal).

a. Bila rata-rata produktivitas tanaman padi yang ditanam menggunakan VARIETAS EXISTING adalah
masing-masing: 5,00; 7,00; 6.50; 7.50; 7,00 dan 6,00 ton/ha,
b. Sedang produktivitas tanaman padi yang ditanam menggunakan VARIETAS BARU adalah 8 ton/ha.
Untuk menyelesaikan kasus tersebut, dapat menggunakan uji t satu sampel. Berikut ini kami sajikan video
tutorial yang berisi panduan, step by step, untuk menyelesaikan kasus uji t satu sampel
tersebut dengan menggunakan program SPSS.

Aplikasi Program SPSS Dalam Menyelesaikan Kasus Uji Statistika Parametrik (Bagian 3: Uji t Dua
Sampel Berpasangan)

Uji t dua sampel independen adalah jenis uji statistika Parametrik yang bertujuan untuk menguji apakah
terdapat perbedaan rata-rata antara 2 kelompok data yang berpasangan.
Yang dimaksud sampel berpasangan adalah bila dua buah data yang akan dibandingkan berasal dari
Individu yang sama, namun diukur sebanyak dua kali, yaitu sebelum perlakuan dan setelah
perlakuan.

Uji t dua sampel berpasangan memiliki beberapa persyaratan:

1. Data harus berdistribusi normal
2. Kedua sampel-nya berpasangan
3. Tipe data numerik
Contoh kasus: Seorang peneliti ingin mengetahui seberapa signifikan pengaruh pelatihan marketing yang
diikuti oleh 10 orang sales dalam meningkatkan prestasi penjualannya. Untuk tujuan itu, maka
dilakukan rekapitulasi terhadap jumlah penjulan yang dilakukan oleh ke-10 orang sales
tersebut, sebelum dan sesudah mengikuti program pelatihan marketing.

a. Data Sebelum Pelatihan : 11, 13, 13, 12, 13, 13, 14, 12, 13, dan 14 unit/hari,
b. Data Setelah Pelatihan : 14, 13, 14, 13, 14, 15, 16, 13, 15, dan 14 unit/hari.
Uji t 2 sampel berpasangan dapat digunakan untuk menyelesaikan kasus tersebut, dan dengan bantuan
program SPSS, proses penyelesaiannya dapat lebih mudah. Berikut kami tampilkan video tutorial
tentang aplikasi penggunaan program SPSS dalam menyelesaikan kasus tersebut,
happy watching
Aplikasi Program SPSS Dalam Menyelesaikan Kasus Uji Statistika Parametrik (Bagian 4: Uji t Dua
Sampel Independen)

Uji t dua sampel independen adalah jenis uji statistika Parametrik yang bertujuan untuk menguji apakah
terdapat perbedaan rata-rata antara 2 kelompok data yang tidak berpasangan.
Yang dimaksud sampel tidak berpasangan adalah bila dua buah data yang akan dibandingkan berasal dari
individu sampel yang berbeda.
Uji t dua sampel independen memiliki beberapa persyaratan:
1. Data harus berdistribusi normal
2. Kedua sampel-nya independent
3. Tipe data numerik
Contoh kasus: Seorang peternak ingin membandingkan perbedaan berat sapi potong yang diberi jenis
Pakan A dan berat sapi potong yang diberi jenis Pakan B.
Dan setelah 2 bulan pemberian pakan, dilakukan pengukuran berat badan terhadap masing-masing sapi
potong, dan hasilnya adalah:
a. Pakan A: 350; 355; 370; 340; 342; 365; 360; 367; 360; 353 kg/ha,
b. Pakan B: 375; 395; 382; 400; 380; 368; 390; 371; 387; 390 kg/ha.
Uji t dua sampel independent dapat digunakan untuk menyelesaikan contoh kasus tersebut, berikut kami
tampilkan video tutorial tentang aplikasi penggunaan program SPSS dalam menyelesaikan
kasus uji t dua sampel independen.

Aplikasi Program SPSS Dalam Menyelesaikan Kasus Uji Statistika Parametrik (Bagian 5: Uji ANOVA
Satu Arah)

Uji ANOVA Satu Arah (One Way ANOVA) adalah Jenis Uji Statistika Parametrik yang bertujuan untuk
mengetahui apakah terdapat perbedaan rata-rata antara lebih dari dua group sampel.
Yang dimaksud satu arah adalah sumber keragaman yang dianalisis hanya berlangsung satu arah yaitu
antar perlakuan (Between Group). Adapun faktor lain yang berpotensi mempengaruhi keragaman data
dimasukkan kedalam Galat (within Group) dan sebisa mungkin dikontrol, sehingga jenis uji ini umumnya
dilakukan pada rancangan perlakuan yang faktor-faktor lingkungannya dapat dikontrol, misalnya pada
percobaan di laboratorium atau di greenhouse.
Contoh kasus: Seorang peneliti ingin membandingkan rata-rata produktivitas dari 7 jenis varietas padi
yang berbeda, yaitu varietas A, B, C, D, E, F dan G, masing-masing perlakuan tersebut diulang sebanyak

3 kali, sehingga total unit perlakuan berjumlah 21 unit (7 x 3 = 21) . Penelitian dilakukan menggunakan
Rancangan Acak Lengkap, masing-masing perlakuan ditempatkan secara random.
Berikut adalah data produktivitas tanaman padi (ton/ha), untuk masing-masing perlakuan:

Uji ANOVA satu arah dapat digunakan untuk menyelesaikan contoh kasus tersebut, berikut kami
tampilkan video tutorial tentang aplikasi penggunaan program SPSS dalam menyelesaikan kasus tersebut.

Aplikasi Program SPSS Dalam Menyelesaikan Kasus Uji Statistika Parametrik (Bagian 6: Uji ANOVA
Dua Arah)

Uji ANOVA Dua Arah (Two Way ANOVA) adalah Jenis Uji Statistika Parametrik yang bertujuan untuk
mengetahui apakah terdapat perbedaan rata-rata antara lebih dari dua group sampel. Berbeda dengan
Uji One Way ANOVA yang analisisnya hanya berlangsung satu arah yaitu antar perlakuan, maka pada
uji Two Way ANOVA arah analisisnya berlangsung dua arah, yaitu antar perlakuan dan antar blok (group).
Tujuan dilakukan pengelompokan antar blok adalah agar diperoleh homogenitas yang tinggi antar
perlakuan yang ditempatkan pada masing-masing blog. Jenis uji ini umumnya dilakukan pada rancangan
perlakuan yang faktor-faktor lingkungannya sulit dikontrol, misalnya pada percobaan lapangan.
Contoh kasus: Seorang peneliti ingin membandingkan rata-rata produktivitas dari 4 jenis varietas padi
yang berbeda, yaitu varietas A,B,Cdan D. Seluruh unit percobaan ditempatkan ke dalam 3 blok, yaitu
blok I, II, dan III, sehingga total unit percobaan berjumlah 12 unit (4 perlakuan x 3 replikasi). Penelitian
dilakukan menggunakan Rancangan Acak Kelompok, masing-masing perlakuan ditempatkan secara
random dalam tiap blok.
Berikut adalah data produktivitas tanaman padi (ton/ha), untuk masing-masing perlakuan:

Uji ANOVA dua arah dapat digunakan untuk menyelesaikan contoh kasus tersebut, berikut kami
tampilkan video tutorial tentang aplikasi penggunaan program SPSS dalam menyelesaikan kasus tersebut.

Aplikasi Program SPSS Dalam Menyelesaikan Kasus Uji Statistika Parametrik (Bagian 7: Penanganan Data
Yang Tidak Normal)

Pada prinsipnya, uji data pada statistika parametrik bertujuan untuk mengetahui apakah data tersebut
sesuai dengan persyaratan atau asumsi dasar yang dibutuhkan oleh masing-masing jenis uji parametrik
yang akan digunakan.
Data yang tidak sesuai dengan persyaratan yang dibutuhkan oleh uji parametrik tertentu, diistilahkan
dengan data tidak normal (akibat distribusi datanya yang tidak normal atau karena varians datanya yang
tidak homogen).
Minimal ada 3 macam cara atau pendekatan yang dapat digunakan dalam memperlakukan sebuah data
yang tidak normal:
(1) Mengurangi jumlah data, yaitu data-data yang dinilai ekstim (outlier),
(2) Melakukan transformasi data ke dalam bentuk: Logaritma, Ln, Kuadrat, Akar Kuadrat, dan lainlain,
(3) Merubah jenis uji menjadi jenis uji non-parametrik yang sesuai, mengingat jenis uji non-parametrik
tidak mempersyaratkan sebuah data harus normal.
Merubah jenis uji menjadi jenis uji non-parametrik yang sesuai, mengingat jenis uji non-parametrik tidak
mempersyaratkan sebuah data harus normal.
Untuk keterangan lebih lanjut tentang cara memperlakukan sebuah data yang dinilai tidak normal .

Analisis Regresi Linier Berganda

Tutorial Laporan Penelitian - Analisis regresi adalah metode analisis data
statistik untuk mengetahui hubungan beberapa variabel independen (prediktor
atau bebas)
dan
variabel
dependen
(kriteria
atau
tergantung).
Seorang agen real estate munyusun daftar luas tanah, jumlah kamar dan harga
rumah selama 5 tahun. Kemudian mencoba menghubungkan Luas Tanah (X1)
dan
Jumlah
Kamar
(X2)
dengan
Harga
Rumah
(Y).
Pada dasarnya analisis regresi berganda adalah memprediksi beberapa variabel
bebas atau prediktor (X) terhadap variabel tergantung atau kriteria (Y)
menggunakan
formula
misalnya
sebagai
berikut:
Y

LT

JK+

Dimana:
Y
0
1,2
LT
JK

Harga
:
:
:

Koefisien
Luas
Jumlah

:
:

Rumah
konstan
Regresi
Tanah
Kamar
Error

SEJARAH

Tahun 1805, Gauss dan Legendremenyusun metode kuadrat terkecil untuk

pengamatan astronomi tentang objek yang mengorbit di sekitar Matahari. Gauss
mengembangkan lebih lanjut teori kuadrat pada tahun 1821 dan disebut
Gaussian.
Tahun 1886, Francis Galton menyebut istilah "regresi mean" pertama kali untuk
menggambarkan tendensi orangtua yang memiliki tubuh tinggi, memiliki anakanak tinggi pula. Namun kecenderungan mundur ke bawah rata-rata normal.
Tahun 1908, Karl Pearson dan Udny Yule menggunakan regresi untuk konteks
statistik lebih umum, tapi dengan syarat variabel respon Gaussian memenuhi
asumsi
distribusi
gabungan.
Tahun 1922, Ronald Aylmer Fisher melemahkan asumsi distribusi variabel
respon Gaussian. Syarat distribusi gabungan tidak perlu. Fisher juga menyusun
formulasi
Gauss
yang
aktif
digunakan
sampai
hari
ini.
SYARAT

ANALISIS

REGRESI

Regresi adalah metode statistik parametrik bahwa data harus berdistribusi

normal.
Regresi
harus
memenuhi
syarat uji
asumsi
klasik yaitu

Heteroskedastisitas,

Autokorelasi,

MENILAI GOODNESS
1.

OF

Koefisien

Multikolinieritas

dan

Normalitas.

FIT SUATU

MODEL

Determinasi

(R2)

Koefisien determinasi mengukur seberapa besar pengaruh keanggotaan variabel

bebas memprediksi variabel terikat. Contoh:adjusted R square sebesar 0,624
menyatakan pengaruh X1 dan X2 terhadap Y sebesar 62,4%, sisanya sebesar
37,6%
dipengaruhi
variabel
lain
di
luar
X1
dan
X2.
2.

Uji

Signifikansi

Simultan

(Uji

F)

Uji F menunjukkan apakah semua variabel bebas yaitu X1 dan X2 secara

bersama-sama mempunyai pengaruh terhadap variabel tergantung yaitu Y.
Kesimpulan
Uji
F
adalah
menolak
atau
menerima
H0.
3.

Uji

Signifikansi

Individual

(Uji

t)

Uji t menunjukkan apakah tiap-tiap variabel bebas secara parsial mempunyai

pengaruh terhadap variabel tergantung yaitu pengaruh X1 terhadap Y dan
pengaruh X2 terhadap Y. Kesimpulan Uji t adalah menolak atau menerima H0.

Gujarati, Damodar (2003). Basic Econometric, New York: McGrowhill.

Maddala, G.S dan Kajal Lahiri (1988). Introduction to Econometrics. New
York: Macmillan Publishing Co.

TEORI ANALISIS REGRESI LINIER

MENGENAL ANALISIS REGRESI
Bab ini membahas masalah pengenalan analisis regresi dan teori regresi. Setelah
selesai membaca bagian ini maka pembaca akan dapat memahami:

Pengertian regresi linear

Konsep-konsep dasar dalam regresi
Kegunaan teknik analisis regresi

2.1 Pengertian
Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel tergantung
dan memprediksi variabel tergantung dengan menggunakan variabel bebas.

Gujarati (2006) mendefinisikan analisis regresi sebagai kajian terhadap hubungan

satu variabel yang disebut sebagai variabel yang diterangkan (the explained
variabel) dengan satu atau dua variabel yang menerangkan (the explanatory).
Variabel pertama disebut juga sebagai variabel tergantung dan variabel kedua
disebut juga sebagai variabel bebas. Jika variabel bebas lebih dari satu, maka
analisis regresi disebut regresi linear berganda. Disebut berganda karena pengaruh
beberapa variabel bebas akan dikenakan kepada variabel tergantung.
2.2 Tujuan
Tujuan menggunakan analisis regresi ialah
Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan
pada nilai variabel bebas.
Menguji hipotesis karakteristik dependensi
Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada
nilai variabel bebas diluar jangkaun sample.
2.3 Asumsi
Penggunaan regresi linear sederhana didasarkan pada asumsi diantaranya sbb:
Model regresi harus linier dalam parameter
Variabel bebas tidak berkorelasi dengan disturbance term (Error) .
Nilai disturbance term sebesar 0 atau dengan simbol sebagai berikut: (E (U
/ X) = 0
Varian untuk masing-masing error term (kesalahan) konstan
Tidak terjadi otokorelasi
Model regresi dispesifikasi secara benar. Tidak terdapat bias spesifikasi
dalam model yang digunakan dalam analisis empiris.
Jika variabel bebas lebih dari satu, maka antara variabel bebas
(explanatory) tidak ada hubungan linier yang nyata
2.4 Persyaratan Penggunaan Model Regresi
Model kelayakan regresi linear didasarkan pada hal-hal sebagai berikut:
a. Model regresi dikatakan layak jika angka signifikansi pada ANOVA
sebesar < 0.05
b. Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan
ini diketahui jika angka Standard Error of Estimate < Standard Deviation
c. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T.
Koefesien regresi signifikan jika T hitung > T table (nilai kritis)
d. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi
yang sangat tinggi atau sangat rendah antar variabel bebas. Syarat ini hanya
berlaku untuk regresi linier berganda dengan variabel bebas lebih dari satu.

e. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan Watson
(DB) sebesar < 1 dan > 3
f. Keselerasan model regresi dapat diterangkan dengan menggunakan nilai
r2 semakin besar nilai tersebut maka model semakin baik. Jika nilai
mendekati 1 maka model regresi semakin baik. Nilai r 2 mempunyai
karakteristik diantaranya: 1) selalu positif, 2) Nilai r 2 maksimal sebesar 1.
Jika Nilai r2 sebesar 1 akan mempunyai arti kesesuaian yang sempurna.
Maksudnya seluruh variasi dalam variabel Y dapat diterangkan oleh model
regresi. Sebaliknya jika r2 sama dengan 0, maka tidak ada hubungan linier
antara X dan Y.
g. Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung
(Y)
h. Data harus berdistribusi normal
i. Data berskala interval atau rasio
j. Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel
bebas (disebut juga sebagai variabel predictor) sedang variabel lainnya
variabel tergantung (disebut juga sebagai variabel response)
2.5 Linieritas
Ada dua macam linieritas dalam analisis regresi, yaitu linieritas dalam variabel dan
linieritas dalam parameter. Yang pertama, linier dalam variabel merupakan nilai
rata-rata kondisional variabel tergantung yang merupakan fungsi linier dari
variabel (variabel) bebas. Sedang yang kedua, linier dalam parameter merupakan
fungsi linier parameter dan dapat tidak linier dalam variabel.
2.6 Uji Hipotesis
Pengujian hipotesis dapat didasarkan dengan menggunakan dua hal, yaitu: tingkat
signifikansi atau probabilitas () dan tingkat kepercayaan atauconfidence interval.
Didasarkan tingkat signifikansi pada umumnya orang menggunakan 0,05. Kisaran
tingkat signifikansi mulai dari 0,01 sampai dengan 0,1. Yang dimaksud dengan tingkat
signifikansi adalah probabilitas melakukan kesalahan tipe I, yaitu kesalahan menolak
hipotesis ketika hipotesis tersebut benar. Tingkat kepercayaan pada umumnya ialah
sebesar 95%, yang dimaksud dengan tingkat kepercayaan ialah tingkat dimana sebesar
95% nilai sample akan mewakili nilai populasi dimana sample berasal. Dalam
melakukan uji hipotesis terdapat dua hipotesis, yaitu:

H0 (hipotessis nol) dan H1 (hipotesis alternatif)

Contoh uji hipotesis misalnya rata-rata produktivitas pegawai sama dengan 10 ( x=

10), maka bunyi hipotesisnya ialah:

H0: Rata-rata produktivitas pegawai sama dengan 10

H1: Rata-rata produktivitas pegawai tidak sama dengan 10

Hipotesis statistiknya:

H0: x= 10
H1: x > 10 Untuk uji satu sisi (one tailed) atau
H1: x < 10
H1: x 10 Untuk uji dua sisi (two tailed)

Beberapa hal yang harus diperhatikan dalam uji hipotesis ialah;

Untuk pengujian hipotesis kita menggunakan data sample.

Dalam pengujian akan menghasilkan dua kemungkinan, yaitu pengujian signifikan secara
statistik jika kita menolak H0 dan pengujian tidak signifikan secara statistik jika kita
menerima H0.
Jika kita menggunakan nilai t, maka jika nilai t yang semakin besar atau menjauhi 0, kita
akan cenderung menolak H0; sebaliknya jika nila t semakin kecil atau mendekati 0 kita
akan cenderung menerima H0.

Menggunakan kurva untuk menguji hipotesis dapat digambarkan sebagai berikut:

a) Untuk uji dua sisi

b)

Untuk uji sebelah kanan

c)

Untuk uji sebelah kiri

2.7 Karakteristik Model yang Baik

Model dikatakan baik menurut Gujarati (2006), jika memenuhi beberapa kriteria
seperti di bawah ini:
Parsimoni: Suatu model tidak akan pernah dapat secara sempurna
menangkap realitas; akibatnya kita akan melakukan sedikit abstraksi
ataupun penyederhanaan dalam pembuatan model.
Mempunyai Identifikasi Tinggi: Artinya dengan data yang ada, parameterparameter yang diestimasi harus mempunyai nilai-nilai yang unik atau
dengan kata lain, hanya akan ada satu parameter saja.
Keselarasan (Goodness of Fit): Tujuan analisis regresi ialah menerangkan
sebanyak mungkin variasi dalam variabel tergantung dengan menggunakan
variabel bebas dalam model. Oleh karena itu, suatu model dikatakan baik
jika eksplanasi diukur dengan menggunakan nilai adjusted r 2 yang setinggi
mungkin.

Konsitensi Dalam Teori: Model sebaiknya segaris dengan teori. Pengukuran

tanpa teori akan dapat menyesatkan hasilnya.
Kekuatan Prediksi: Validitas suatu model berbanding lurus dengan
kemampuan prediksi model tersebut. Oleh karena itu, pilihlah suatu model
yang prediksi teoritisnya berasal dari pengalaman empiris.
2.8 Ringkasan
Analisis regresi berbeda dengan analisis korelasi. Jika analisis korelasi digunakan
untuk melihat hubungan dua variable; maka analisis regresi digunakan untuk melihat
pengaruh variable bebas terhadap variable tergantung serta memprediksi nilai variable
tergantung dengan menggunakan variable bebas. Dalam analisis regresi variable bebas
berfungsi untuk menerangkan (explanatory) sedang variable tergantung berfungsi
sebagai yang diterangkan (the explained). Dalam analisis regresi data harus berskala
interval atau rasio. Hubungan dua variable bersifat dependensi. Untuk menggunakan
analisis regresi diperlukan beberapa persyaratan yang harus dipenuhi.
2.9 Pertanyaan
1) Apa yang dimaksud dengan analisis regresi?
2) Apa tujuan kita menggunakan analisis regresi?
3) Apa perbedaan dasar antara regresi linier sederhana dan regresi linier
berganda?
4) Sebutkan asumsi dalam analisis regresi?
5) Sebutkan persyaratan dalam menggunakan analisis regresi?
6) Apa yang dimaksud dengan linieritas dalam analisis regresi?
7) Ada berapa jenis hipotesis dalam analisis regresi?
8) Bagaimana menguji suatu model regresi dikatakan sudah baik?
9) Terangkan uji hipotesis dua sisi dan satu sisi?
10) Sebutkan syarat-syarat model yang baik?