teknikanalisadata

1. TEKNIK ANALISIS DATA
KUANTITATIF DAN KUALITATIF
Hani Hatimatunnisani, S. Si., M.M
Politeknik Piksi Ganesha Bandung
Selasa, 12 November 2019

2. ANALISIS STATISTIK BERGANTUNG KEPADA:
 Pertanyaan penelitian/tujuan/hipotesis
 Skala pengukuran
 Metode sampling
 Besar sampel

3. MEMILIH STATISTIK YANG TEPAT
 Apa tujuan penelitian?
Menggambarkan/deskriptif
Menguji perbedaan/komparatif,
Menguji hubungan/asosiatif
 Bila untuk menguji perbedaan, ada berapa kelompok sampel yang akan
diuji?
Satu sampel
Dua sampel
K buah sampel
 Bila untuk menguji hubungan, ada berapa variabel yang terlibat?
1 VB dan 1 VT
≥ 2 VB dan 1 VT
1 VB dan ≥ 2 VT
≥ 2 VB dan ≥ 2 VT
independen /related
VB : Variabel Bebas
VT : variabel Terikat

4. MEMILIH STATISTIK YANG TEPAT
 Apa skala pengukurannya?
Nominal
Ordinal
Interval
Rasio
 Apa metode sampling yang digunakan?
Probability Sampling
Non probability Sampling
 Banyak sampel yang digunakan?
Sampel kecil (< 30)
Sampel besar (≥ 30)

5. Rancanga
n
Penelitian
Teknis
Analisis
Data

6. FAKT
A
DATA
INFORMA
SI
DICATAT DIOLAH

7. JENIS DATA
Data
Kategorik/Kualitatif Numerik/Kuantitatif
Nominal Ordinal interval Rasio
Skala Ukur
Statistik Non
Parametrik
Statistik
Parametrik

8. DATA NOMINAL
 Data yang dinyatakan dalam bentuk klasifikasi dan
klasifikasinya tidak menunjukkan peringkat.
 Posisi data setara. (=)
 Angka yang dicantumkan hanya berfungsi sebagai
pengganti nama atau sebagai sebutan saja; hanya
merupakan lambang.
 Jenis statistik yang cocok untuk mengolah data ini
adalah statistik deskriptif, misalnya perhitungan
frekuensi kemunculan, persentase, modus, dan
proporsi,statistik non parametrik .
 Contoh : Jenis Kelamin : Pria (1)
Wanita (2)

9. DATA ORDINAL
 Data yang dinyatakan dalam bentuk klasifikasi dan
klasifikasinya menunjukan peringkat.
 Posisi data tidak setara. (> atau <)
 Angka yang dicantumkan selain berfungsi sebagai
pengganti nama/lambang, juga menunjukkan
peringkat.
 Jenis statistik yang cocok untuk mengolah data ini
adalah statistik deskriptif seperti median, atau
statistik non-parametrik.
 Contoh : Tingkat pendidikan :
Tidak sekolah (0), SD (1), SMP (2), SMA (3), PT (4)

10. DATA INTERVAL
 Data yang berbentuk bilangan dengan ketentuan, sbb :
 Menunjukan peringkat, dengan catatan, makin besar bilangan
itu, makin tinggi tingkat peringkatnya (tidak dapat dibalik).
 Diperoleh dengan cara pengukurann, dimana jarak dua titik
pada skala sudah diketahui.
 Titik nol bukan merupakan titik absolut.
 Contoh:Temperatur/suhu. Bisa diukur dalam 0C (Celcius)
atau 0F (Fahrenheit), masing-masing mempunyai skala
sendiri-sendiri.
 Misalnya untuk air membeku dan mendidih :
 Celcius pada 00 C sampai 1000 C. (skala tersebut jaraknya
100 – 0 = 100)
 Fahrenheit pada 320 F sampai 2120 F. (skala tersebut jaraknya
212 – 32 = 180)
 Semua operasi matematik dapat digunakan pada data
interval, misalnya perhitungan rata-rata, simpangan baku,
dan statistik parametrik.

11. DATA RASIO
 Data yang memiliki ciri dan ketentuan sama seperti data
interval namun titik nol-nya merupakan titik absolut (nol
digunakan sebagai awal perhitungan).
 Merupakan bilangan yang sebenarnya dan semua operasi
matematik dapat digunakan untuk pengolahan data
berskala rasio.
 Contoh : Berat Badan, Luas, Volume, Laba, dll

12. PERBEDAAN NOMINAL, ORDINAL, INTERVAL DAN RASIO
Kriteria Nominal Ordinal Interval Rasio
Bentuk Kategorik/
Klasifikasi
Kategorik/
Klasifikasi
Numerik/
Bilangan
Numerik/
Bilangan
Perbedaan
   
Peringkat
  
Jarak
sama/diketahui
 
Operasi
Matematik
 
Nol absolut


13. PEDOMAN PENGGUNAAN UJI STATISTIK
MULAI
TIPE DATA
DISTRIBUSI DATA
BESAR SAMPEL
STATISTIK
NON-PARAMETRIK
STATISTIK
PARAMETRIK
NOMINAL / ORDINAL
INTERVAL / RASIO
TIDAK NORMAL
NORMAL
>30 (BESAR)
<30 (KECIL)

14. PERBEDAAN STATISTIK PARAMETRIK DAN NON PARAMETRIK
Statistik Paramterik:
•Asumsi data harus
berdistribusi normal.
•Biasanya data
berskala ukur
interval/rasio.
•Ukuran sampel
besar ≥30.
Statistik Non
Parametrik:
•Asumsi data tidak
harus normal.
•Biasanya data
berskala ukur
nominal/ordinal. Atau
dapat interval/rasio jika
data tidak berdistribusi
normal.
•Ukuran sampel kecil
< 30

15. HIPOTESIS
 Hipotesis Penelitian/Konseptual adalah
dugaan/penyataan sementara mengenai
suatu persoalan yang masih harus dibuktikan
kebenarannya.
 Hipotesis Statistik/Operasional adalah
hipotesis yang dinyatakan dengan besaran-
besaran statistik (parameter, misal:μ, π, ρ, β).
 Pengujian hipotesis dilakukan untuk
“menerima” atau “menolak” hipotesis yang
diajukan berdasarkan analisis data yang
dilakukan.

16. HIPOTESIS NOL DAN HIPOTESIS ALTERNATIF
H0
Tanda =, ≤,
≥
H1
Tanda ≠, >,
<
VS
Uji Hipotesis
Uji 2
Arah
H1 (≠)
Uji 1 Arah
Kanan
H1 (>)
Uji 1 arah
Kiri
H1 (<)

17. 0
Daerah
penolakan H0
Daerah
penolakan H0
Daerah penerimaan H0
2

2



1
Uji 2 Arah


1
 


1
Daerah
penerimaan
H0
Daerah
penolakan H0
0
Uji 1 Arah kanan
Daerah
penolakan H0
0
Uji 1 Arah kiri
Daerah
penerimaan H0

18. Catatan :
PENERIMAAN suatu hipotesis terjadi, karena kita
TIDAK PUNYA CUKUP BUKTI untuk MENOLAK
hipotesis tersebut dan BUKAN karena HIPOTESIS ITU
BERARTI BENAR.
dan
PENOLAKAN suatu hipotesis terjadi, karena kita TIDAK
PUNYA CUKUP BUKTI untuk MENERIMA hipotesis
tersebut dan BUKAN karena HIPOTESIS ITU BEARTI
SALAH.

19. 2 TIPE KESALAHAN/ERROR
Keputusan
Keadaan yang sesungguhnya
H0 benar H0 salah
Menerima
H0
Keputusan benar.
(Probabilitas = 1-α)
Kesalahan Jenis II
(Probabilitas = β )
Menolak
H0
Kesalahan Jenis I.
(Probabilitas = α )
Keputusan benar
(Probabilitas = 1-β )
•Kesalahan jenis I (α) adalah kesalahan akibat menolak Hipotesis Nol
(H0), padahal H0 benar. Dengan kata lain kita menolak hipotesis yang
seharusnya diterima. (Taraf nyata/taraf signifikansi)
•1 – α disebut sebagai Derajat Kepercayaan.
•Kesalahan jenis II (β) adalah kesalahan akibat menerima Hipotesis Nol
(H0), padahal H0 salah. Dengan kata lain kita menerima hipotesis yang
seharusnya ditolak.
•1 – β disebut sebagai Kuasa Uji.

20. TIPE ERROR YANG SERING DIGUNAKAN
α 1 – α
1%
5%
10%
99%
95%
90%
Taraf nyata/
taraf signifikansi
Derajat
kepercayaan
Misal : α = 5%, artinya 95% dapat kita
percayai bahwa kita telah mengambil
keputusan yang benar.

21. Skala
Data
Bentuk Hipotesis
Deskriptif
(satu variabel)
Komparatif (dua sampel) Komparatif (k sampel) Asosiatif
(hubungan)
Related Independen Related Independen
Nominal Binomial
2 One
Sample
Mc
Nemar
Fisher Exact
Probability
2 Two Sample
2 for k
sample
Cochran Q
2 for k
sample
Contingency
Coefficient
C
Ordinal Run Test Sign test
Wilcoxon
matched
parts
Median test
Mann-Whitney
U test
Kolmogorov
Simrnov
Wald-
Woldfowitz
Friedman
Two Way-
Anova
Median
Extension
Kruskal-
Wallis
One Way
Anova
Spearman
Rank
Correlation
Kendall τ
Kendall W
Interval/
Rasio
T Test* T-test
of*
Related
T-test of*
independent
One-Way
Anova*
Two Way
Anova*
One-Way
Anova*
Two Way
Anova*
Pearson
Product
Moment *
Partial
Correlation*
Multiple
Correlation*

22. BEBERAPA CONTOH PENGGUNAAN
STATISTIK NON PARAMETRIK
DENGAN SKALA UKUR NOMINAL

23.  Fungsi Pengujian, Untuk menguji
perbedaan proporsi populasi yang hanya
memiliki dua buah kategori berdasarkan
proporsi sampel tunggal.
 Persyaratan Data, Dapat digunakan untuk
data berskala nominal yang hanya memiliki
dua kategori.
UJI BINOMIAL

24. CONTOH UJI BINOMIAL
 Penelitian dilakukan untuk mengetahui “Minat Konsumen
dalam Membeli Dua Merk kendaraan bermotor”.
 Merk kendaraan yang diamati adalah Merk A dan Merk B.
 Secara random diberikan pertanyaan kepada 30 responden
mengenai merk kendaraan mana yang akan dibeli.
 Data yang dihasilkan:
Merk A Merk B Jumlah
18 12 30
 Untuk mengetahui apakah minat beli konsumen
terhadap kedua merk tersebut sama/tidak bisa
digunakan uji binomial.

25. CONTOH UJI BINOMIAL
 Hipotesis yang diuji:
H0: πA = πB
(minat konsumen terhadap merk A dan merk
B sama)
H1: πA ≠ πB
(minat konsumen terhadap merk A dan merk
B berbeda)

26. UJI Χ2 (CHI SQUARE) SAMPEL TUNGGAL
 Fungsi Pengujian, Untuk menguji
perbedaan proporsi populasi, yaitu antara
data yang diamati dengan data yang
diharapkan (expected) terjadi menurut Ho,
berdasarkan proporsi yang berasal dari
sampel tunggal.
 Persyaratan Data, Dapat digunakan untuk
data berskala nominal dengan lebih dari dua
kategori.

27.  Penelitian dilakukan untuk mengetahui “Minat Konsumen dalam
Membeli empat Merk kendaraan bermotor”.
 Merk kendaraan yang diamati adalah Merk A, Merk B, Merk C, dan Merk
D.
 Secara random diberikan pertanyaan kepada 40 responden mengenai
merk kendaraan mana yang akan dibeli. Dengan harapan bahwa jumlah
peminat untuk masing-masing merk akan sama banyaknya
 Data yang dihasilkan:
CONTOH UJI Χ2 (CHI SQUARE) SAMPEL TUNGGAL
Frekuensi Merk A Merk B Merk C Merk D Jumlah
Expected 10 10 10 10 40
Actual 12 15 7 6 40
 Untuk mengetahui apakah minat beli konsumen
terhadap keempat merk tersebut sama/tidak bisa
digunakan uji χ2 (Chi Square) Sampel Tunggal.

28. CONTOH UJI Χ2 (CHI SQUARE) SAMPEL TUNGGAL
 Hipotesis yang diuji:
H0: πA = πB = πC = πD
(minat konsumen terhadap keempat merk
sama)
H1: salah satu berbeda
(minat konsumen terhadap keempat merk
berbeda)

29. UJI MC NEMAR
 Fungsi Pengujian, Untuk menguji perbedaan atau
perubahan proporsi dua buah populasi yang hanya
memiliki dua kategori berdasarkan proporsi dua
sampel berpasangan.
 Uji ini banyak dipakai untuk mengetahui apakah ada
perbedaan atau perubahan proporsi “sebelum” dan
“sesudah” kelompok sampel tertentu yang hanya
memiliki dua kategori diberi perlakuan, dimana
anggota kelompok sampel tersebut merupakan
kontrol terhadap dirinya sendiri.
 Persyaratan Data, Dapat digunakan untuk data
berskala nominal dengan dua kategori.

30. CONTOH UJI MC NEMAR
 Penelitian dilakukan untuk mengetahui “Efektivitas Penyuluhan
Pemberian Imunisasi pada Balita di suatu daerah”.
 Sebelum diadakan penyuluhan, peneliti bertanya pada 20 ibu apakah
balitanya akan diberikan imunisasi/tidak. dan 12 ibu menjawab “ya”
sedangkan 8 ibu menjawab “tidak”.
 Setelah diadakan penyuluhan , peneliti menanyakan hal yang sama,
dan dari 12 ibu yang semula menjawab “ya” tetap menjawab “ya” dan
dari 8 ibu yang semula menjawab “tidak” 4 ibu berubah menjawab “ya”.
 Susunan data yang dihasilkan:
sebelum
penyuluhan
setelah
penyuluhan
tidak ya
ya (12) 0 12
tidak(8) 4 4
 Untuk mengetahui apakah
pemberian penyuluhan
tersebut efektif/tidak bisa
digunakan uji Mc Nemar..

31. CONTOH UJI MC NEMAR
 Hipotesis yang diuji:
H0: πA = πB
(pemberian penyuluhan tidak efektif)
H1: πA ≠ πB
(pemberian penyuluhan efektif)

32. UJI EXACT FISHER
 Fungsi Pengujian, Untuk menguji
perbedaan proporsi dua buah populasi yang
hanya memiliki dua kategori berdasarkan
proporsi dua sampel tidak berpasangan.
 Jumlah n untuk tiap kelompok sampel tidak
harus sama.
 Persyaratan Data, Dapat digunakan untuk
data berskala nominal dengan dua kategori.

33. CONTOH UJI EXACT FISHER
 Sebuah penelitian dilakukan untuk mengetahui “kejadian
kanker paru-paru berdasarkan kebiasaan merokok”.
 Dari 10 sampel yang diambil diperoleh data sbb:
merokok
kanker
paru-paru
jumlah
ya tidak
ya 3 2 5
tidak 1 4 5
jumlah 4 6 10
 Untuk mengetahui
apakah kasus kanker
paru-paru antara
kelompok perokok dan
bukan perokok
sama/tidak, dapat
menggunakan uji Fisher.

34. CONTOH UJI EXACT FISHER
 Hipotesis yang diuji:
H0: πA = πB
(banyaknya kasus kanker paru-paru untuk
kedua kelompok sama banyak)
H1: πA ≠ πB
(banyaknya kasus kanker paru-paru untuk
kedua kelompok tidak sama banyak)

35. UJI Q COCHRAN
 Fungsi Pengujian, Menguji perbedaan
proporsi populasi yang hanya memiliki dua
kategori berdasarkan proporsi k (k > 2)
sampel berpasangan.
 Persyaratan Data, Data berskala nominal
dan hanya memiliki dua kategori.

36. CONTOH UJI Q COCHRAN
 Sebuah penelitian dilakukan untuk mengetahui
“atribut produk dalam membentuk citra merek
sejenis makanan di benak konsumen”
 Sampel yang digunakan sebanyak 100 orang dan
atribut produk yang dianalisis adalah Harga, Mudah
diperoleh, Halal, Merek terkenal, Desain kemasan,
Rasa.
 Jawaban responden diperoleh hasil sbb:

37. CONTOH UJI Q COCHRAN
 Untuk mengetahui
atribut mana yang
berbeda dan
membentuk citra
merek makanan
tersebut dapat
digunakan uji Q
Cochran
no atribut ya tidak
1 Harga 60 40
2
Mudah
diperoleh
58 42
3 Halal 82 18
4
merek
terkenal
74 26
5
desain
kemasan
54 46
6 Rasa 65 35

38. BEBERAPA CONTOH PENGGUNAAN
STATISTIK NON PARAMETRIK
DENGAN SKALA UKUR ORDINAL

39. RUN TEST SAMPEL TUNGGAL
 Fungsi Pengujian, untuk menguji keacakan
data yang berasal dari sampel tunggal.
Menguji sederetan data yang terdiri atas dua
kategori apakah tersusun secara random
atau sistematis
 Persyaratan Data, Dapat digunakan untuk
data berskala nominal/ordinal.

40. CONTOH RUN TEST
 Penelitian dilakukan untuk mengetahui apakah “skor nilai mahasiswa
yang diperoleh dalam ujian elearning bersifat random atau tidak”.
 Penelitian dilakukan terhadap 10 mahasiswa. Kemudian skor tersebut
dibandingkan dengan nilai median (nilai tengah data).
 Jika Skor > Me (+) dan jika Skor < Me (-).
 Dihasilkan data berikut:
Mhsw 1 2 3 4 5 6 7 8 9 10
nilai 78 64 84 56 65 97 80 75 50 63
tanda + - + - - + + + - -
deret 1 2 3 4 5 6
 Untuk mengetahui apakah skor nilai mahasiswa
yang diperoleh dalam ujian elearning bersifat
random/tidak bisa digunakan uji run test.

41. CONTOH RUN TEST
 Hipotesis yang diuji:
H0: nilai ujian elearning berdistribusi random
H1: nilai ujian elearning tidak berdistribusi
random

42. UJI TANDA WILCOXON
 Fungsi Pengujian, Untuk menguji
perbedaan median dua populasi
berdasarkan median dua sampel
berpasangan. Uji ini selain
mempertimbangkan arah perbedaan, juga
mempertimbangkan besar relatif
perbedaannya.
 Persyaratan Data, Data paling tidak
berskala ordinal.

43. CONTOH UJI WILCOXON
 Penelitian dilakukan untuk mengetahui apakah “pelatihan meningkatkan
pengetahuan peserta”.
 Sebelum pelatihan 5 orang responden ditanya mengenai materi yang
akan disampaikan dan dihitung skornya. Setelah pelatihan peneliti
memberikan pertanyaan yang sama dan dihitung skornya.
 Data yang dihasilkan sebagai berikut:
peserta
skor
sebelum
skor
sesudah
1 6 8
2 6 7
3 5 8
4 7 9
5 7 7
 Untuk mengetahui apakah
pelatihan meningkatkan
pengetahuan, dapat
menggunakan uji tanda
Wilcoxon.

44. CONTOH UJI WILCOXON
 Hipotesis yang diuji:
H0: m1 = m2
(tidak terdapat perbedaan pengetahuan
sebelum dan sesudah pelatihan)
H1: m1 ≠ m2
(terdapat perbedaan pengetahuan sebelum
dan sesudah pelatihan)

45. UJI U MANN-WHITNEY
 Fungsi Pengujian, Untuk menguji
perbedaan nilai tengah (median) skor dua
buah populasi berdasarkan dua sampel yang
tidak berpasangan.
 Dapat digunakan sebagai alternatif uji t
dalam statistik parametrik apabila asumsi
normal tidak terpenuhi.
 Persyaratan Data, Data paling tidak memiliki
skala ordinal.

46.  Sebuah penelitian dilakukan untuk mengetahui “apakah
terdapat perbedaan jumlah penjualan produk antara
wiraniaga yang memperoleh pelatihan dan tidak”.
 Data diperoleh sbb:
CONTOH UJI U MANN-WHITNEY
jumlah penjualan
Wiraniaga
(pelatihan)
Wiraniaga
(tanpa pelatihan)
25 20
16 18
22 15
30 12
18 24
 Untuk menguji perbedaan
kedua kelompok tersebut
dapat digunakan :
1. Uji t (parametrik) jika data
berdistribusi normal.
2. Uji U Mann-Whitney (non
parametrik) jika data tidak
berdistribusi normal.

47. CONTOH UJI U MANN-WHITNEY
 Hipotesis yang diuji:
H0: m1 = m2
(tidak terdapat perbedaan jumlah penjualan
antara wiraniaga yang memperoleh pelatihan
dan tidak)
H1: m1 ≠ m2
(terdapat perbedaan jumlah penjualan antara
wiraniaga yang memperoleh pelatihan dan
tidak)

48. UJI FRIEDMAN
 Fungsi Pengujian, untuk menguji
perbedaan ranking populasi berdasarkan
ranking k (k > 2) sampel berpasangan.
 Persyaratan Data, Data berskala ordinal.

49. CONTOH UJI FRIEDMAN
 Suatu penelitian dilakukan untuk mengetahui apakah
terdapat perbedaan kadar gula darah pada penderita DM
yang diberikan 3 model komposisi makanan.
 Sampel pada 5 penderita DM memberikan hasil sbb:
pasien
komposisi makanan
Model
I
Model
II
Model
III
1 204 206 160
2 196 184 168
3 188 198 175
4 210 204 184
5 178 160 168
 Untuk menguji perbedaan
kadar gula darah
berdasarkan komposisi
makanan dapat digunakan
uji Friedman.

50. CONTOH UJI FRIEDMAN
 Hipotesis yang diuji:
H0: m1 = m2 = m3
(tidak terdapat perbedaan kadar gula darah
dari ketiga model komposisi makanan yang
diberikan)
H1: salah satu berbeda
(terdapat perbedaan kadar gula darah dari
ketiga model komposisi makanan yang
diberikan)

51. UJI KRUSKAL WALLIS
 Fungsi Pengujian, untuk menguji
perbedaan nilai tengah populasi berdasarkan
nilai tengah dari k sampel yang tidak
berpasangan.
 Digunakan sebagai alternatif untuk uji one
way anova jika data tidak berdistribusi
normal.
 Persyaratan Data, Data berskala ordinal.

52. CONTOH UJI KRUSKAL WALLIS
 Sebuah penelitian dilakukan untuk
mengetahui apakah kualitas pelayanan yang
diberikan pegawai di sebuah restoran
fastfood sama untuk 3 shift yang
diberlakukan.
 Dari masing-masing shift diambil 5 kartu
saran yang sudah diisi oleh pengunjung
untuk menilai tingkat pelayanan : (4)
sempurna, (3) baik, (2) biasa, (1) buruk
 Data diperoleh sbb:

53. CONTOH UJI KRUSKALL WALIS
 Untuk mengetahui apakah tingkat
pelayanan pegawai yang diberikan dari
ketiga shift tersebut sama/berbeda dapat
digunakan uji Kruskal Wallis.
shift 1 shift 2 shift 3
responden skor responden skor responden skor
1 4 1 2 1 2
2 4 2 3 2 3
3 3 3 2 3 3
4 2 4 4 4 3
5 3 5 4 5 4

54. CONTOH UJI KRUSKAL WALLIS
 Hipotesis yang diuji:
H0: m1 = m2 = m3
(tingkat kualitas pelayanan pegawai dari
ketiga shift sama)
H1: salah satu berbeda
(tingkat kualitas pelayanan pegawai dari
ketiga shift berbeda)

55. BEBERAPA CONTOH PENGGUNAAN
STATISTIK PARAMETRIK
DENGAN SKALA UKUR INTERVAL/RASIO

56. UJI 1 RATA-RATA (UJI 1 SAMPEL)
 Fungsi pengujian, untuk menguji rata-rata 1
populasi dengan nilai tertentu.
 Persyaratan, data berskala interval/rasio.
 Ketentuan:
-jika varians populasi diketahui gunakan uji Z
-jika varians populasi tidak diketahui gunakan
uji t

57. CONTOH UJI 1 RATA-RATA
 Suatu penelitian dilakukan untuk menguji
apakah rata-rata kandungan vitamin C pada
supplier CSB (Corn Soy Blend) memiliki
spesifikasi yang sama dengan yang
ditetapkan Pemerintah Amerika Serikat, yaitu
40 mg/100g CSB .
 Untuk menguji hal tersebut dapat digunakan
uji 1 rata-rata

58. CONTOH UJI 1 RATA-RATA
 Hipotesis yang diuji:
H0: μ = 40
(rata-rata kandungan vitamin C suplier CSB
memiliki spesifikasi yang sama dengan yang
ditetapkan Pemerintah Amerika Serikat)
H1: μ ≠ 40
(rata-rata kandungan vitamin C suplier CSB
tidak memiliki spesifikasi yang sama dengan
yang ditetapkan Pemerintah Amerika Serikat)

59. UJI 2 RATA-RATA (UJI 2 SAMPEL INDEPENDEN)
 Fungsi pengujian, untuk menguji perbedaan
rata-rata 2 populasi yang saling bebas.
 Persyaratan, data berskala interval/rasio.
 Ketentuan:
-jika varians populasi diketahui gunakan uji Z
-jika varians populasi tidak diketahui gunakan
uji t

60. CONTOH UJI 2 RATA-RATA INDEPENDEN
 Suatu penelitian dilakukan untuk mengetahui apakah omset
penjualan (juta rp) dari dua jenis produk sama banyak atau
berbeda.
 Pengamatan dilakukan selama 1 minggu, dan diperoleh data
sbb:
produk
hari ke-
1 2 3 4 5 6 7
A 3,5 4,0 3,8 5,4 4,5 5,2 3,6
B 4,4 4,5 3,0 4,1 5,3 4,8 4,1
 Untuk menguji apakah omset penjualan dari kedua produk
tersebut sama/tidak dapat digunakan uji 2 rata-rata untuk
sampel yang saling bebas

61. CONTOH UJI 2 RATA-RATA INDEPENDEN
 Hipotesis yang diuji:
H0: μA = μB
(omset penjualan produk A dan B sama)
H1: μA ≠ μB
(omset penjualan produk A dan B berbeda)

62. UJI 2 RATA-RATA (UJI 2 SAMPEL BERPASANGAN)
 Fungsi pengujian, untuk menguji perbedaan
rata-rata 2 populasi yang saling
berpasangan.
 Persyaratan, data berskala interval/rasio.
 Menggunakan uji t berpasangan.

63. CONTOH UJI 2 RATA-RATA BERPASANGAN
 Suatu penelitian dilakukan untuk mengetahui apakah
terdapat perbedaan antara anggaran dan realisasi belanja
daerah di kabupaten X.
 Pengamatan dilakukan selama 5 tahun dan diperoleh data
sbb:
Tahun Anggaran Belanja Realisasi Belanja
2013 Rp 147.057.342.000 Rp 143.378.490.682
2014 Rp 160.645.723.000 Rp 149.253.028.885
2015 Rp 171.500.000.000 Rp 168.720.725.468
2016 Rp 166.510.417.000 Rp 162.486.933.325
2017 Rp 163.041.957.000 Rp 141.440.410.193

64. CONTOH UJI 2 RATA-RATA BERPASANGAN
 Untuk menguji hal tersebut dapat digunakan
uji t berpasangan.
 Hipotesis yang diuji:
H0: μA = μB
(anggaran dan realisasi belanja daerah di
kabupaten X adalah sama)
H1: μA ≠ μB
(anggaran dan realisasi belanja daerah di
kabupaten X adalah berbeda)

65. UJI K RATA-RATA (UJI K SAMPEL INDEPENDEN)
 Fungsi pengujian, untuk menguji perbedaan
rata-rata k populasi yang saling bebas.
 Persyaratan, data berskala interval/rasio.
 Ketentuan :
-gunakan one way anova jika hanya 1
kategori yang diamati
-gunakan two way anova jika ada >1 kategori
yang diamati

66. CONTOH UJI K RATA-RATA INDEPENDEN
 Suatu penelitian dilakukan untuk mengetahui apakah omset
penjualan (juta rp) dari tiga jenis produk sama banyak atau
berbeda.
 Pengamatan dilakukan selama 1 minggu, dan diperoleh data
sbb:
 Untuk menguji apakah omset penjualan dari kedua produk
tersebut sama/tidak dapat digunakan uji one way anova.
produk
hari ke-
1 2 3 4 5 6 7
A 3,5 4,0 3,8 5,4 4,5 5,2 3,6
B 4,4 4,5 3,0 4,1 5,3 4,8 4,1
C 4,0 3,8 4,2 4,5 5,0 2,9 3,4

67. CONTOH UJI K RATA-RATA INDEPENDEN
 Hipotesis yang diuji:
H0: μA = μB = μC
(omset penjualan ketiga produk sama)
H1: salah satu berbeda
(omset penjualan ketiga produk berbeda)
 Jika H0 tersebut ditolak dapat dilanjutkan
dengan uji Newman-Keuls untuk melihat
produk mana yang berbeda tersebut.

68. CONTOH UJI K RATA-RATA INDEPENDEN
 Suatu penelitian dilakukan untuk mengetahui
apakah ada perbedaan efek dari penggunaan 4
metode diet terhadap penurunan berat badan
berdasarkan kelompok usia.
 Data penurunan berat badan selama 1 bulan
pertama (dalam ons) diperoleh sbb:
Kelompok
Umur
Metode Diet
A B C D
15 – 24 15 8 12 9
25 – 34 12 9 8 8
≥ 35 9 7 8 7

69. CONTOH UJI K RATA-RATA INDEPENDEN
 Untuk menguji hal tersebut dapat digunakan
two way anova.
 Hipotesis yang diuji:
H0: μA = μB = μC = μD
(tidak terdapat perbedaan efek penggunaan
keempat metode diet terhadap penurunan
berat badan)
H1: salah satu berbeda
(terdapat perbedaan efek penggunaan
keempat metode diet terhadap penurunan
berat badan)

70. UJI K RATA-RATA (UJI K SAMPEL BERPASANGAN)
 Fungsi pengujian, untuk menguji perbedaan
rata-rata k populasi yang saling
berpasangan.
 Persyaratan, data berskala interval/rasio.

71. CONTOH UJI K RATA-RATA BERPASANGAN
 Penelitian dilakukan untuk melihat apakah pengetahuan
peserta mengenai Pasar Modal Syariah mengalami
peningkatan setelah mengikuti 3 level pelatihan.
 Dari 10 peserta diperoleh hasil sbb:
sampel level1 level2 level3
1 68 75 78
2 50 64 70
3 74 78 75
4 56 75 70
5 63 70 73
sampel level1 level2 level3
6 65 75 75
7 73 80 82
8 54 66 75
9 64 73 76
10 68 75 70

72. CONTOH UJI K RATA-RATA BERPASANGAN
 Untuk menguji hal tersebut dapat digunakan
one way anova.
 Hipotesis yang diuji:
H0: μ1 = μ2 = μ3
(tidak terdapat perbedaan efek pemberian
pelatihan terhadap pengetahuan PMS )
H1: salah satu berbeda
(terdapat perbedaan efek pemberian
pelatihan terhadap pengetahuan PMS)

73. ALTERNATIF STATISTIK PARAMETRIK KE
STATISTIK NON PARAMETRIK
UJI 2 RATA-RATA
SAMPEL
INDEPENDEN
UJI 2 RATA-RATA
SAMPEL
BERPASANGAN
UJI K RATA-RATA
SAMPEL
INDEPENDEN
UJI K RATA-RATA
SAMPEL
BERPASANGAN
UJI
MANN-
WHITNEY
UJI
WILCOXO
N
UJI
KRUSKAL
-WALLIS
UJI
FREIDMA
N
Uji t
Uji Z
ANOV
A

74. STATISTIK PARAMETRIK DAN
NON PARAMETRIK DALAM UJI ASOSIATIF

75. KOEFISIEN ASOSIASI UNTUK DATA SKALA
NOMINAL
 Koefisien kontingensi C
 Fungsi untuk menentukan ukuran
kadar/tingkat asosiasi/relasi/hubungan
antara dua variabel yang berskala nominal.

76. CONTOH KOEFISIEN KONTINGENSI C
 Sebuah penelitian dilakukan untuk mengetahui hubungan
antara status pekerjaan terhadap minat berinvestasi.
 Dari 50 sampel diperoleh data sbb:
status pekerjaan
minat
jumlah
investasi saham menabung tidak keduanya
bekerja 10 16 4 30
tidak bekerja 8 6 6 20
jumlah 18 22 10 50
 Untuk mengetahui ada/tidaknya hubungan antara status
pekerjaan terhadap minat berinvestasi dapat digunakan
koefisien kontingensi C.

77. CONTOH KOEFISIEN KONTINGENSI C
 Hipotesis yang diuji:
H0: C = 0
(tidak terdapat hubungan antara status
pekerjaan terhadap minat berinvestasi)
H1: C ≠ 0
(terdapat hubungan antara status pekerjaan
terhadap minat berinvestasi)

78. KOEFISIEN KORELASI UNTUK DATA ORDINAL
 Koefisen Korelasi Rank Spearman
 Koefisien Korelasi τ Kendall
 Fungsi untuk menentukan ukuran
kadar/tingkat asosiasi/relasi/hubungan
antara dua variabel yang berskala ordinal.
 Dilakukan dengan cara merangking data dari
skor terendah ke skor tertinggi atau
sebaliknya.

79. CONTOH KOEFISIEN KORELASI RANK
SPEARMAN DAN KORELASI Τ KENDALL
 Penelitian dilakukan untuk mengetahui
hubungan kualitas pelayanan terhadap
kepuasan konsumen.
 Kuestioner diberikan terhadap 10 orang
konsumen. Dan skor jawaban dari masing-
masing item pertanyaan dibuat dalam
pasangan data x dan y.
 Data dihasilkan sbb:

80. CONTOH KOEFISIEN KORELASI RANK
SPEARMAN DAN KORELASI Τ KENDALL
 Untuk mengetahui
ada/tidaknya
hubungan antara
kualitas pelayanan
dan kepuasan
konsumen dapat
digunakan
koefisien korelasi
Rank Spearman
atau τ Kendall
responden X Y
1 44 42
2 46 44
3 44 44
4 56 45
5 44 43
6 46 44
7 56 47
8 42 41
9 44 42
10 46 44

81. CONTOH KOEFISIEN KORELASI RANK
SPEARMAN DAN Τ KENDALL
 Hipotesis yang diuji:
H0: ρ = 0
(tidak terdapat hubungan antara kualitas
pelayanan dan kepuasan konsumen)
H1: ρ ≠ 0
(terdapat hubungan antara kualitas
pelayanan dan kepuasan konsumen)

82. KOEFISIEN KORELASI UNTUK DATA
INTERVAL/RASIO
 Koefisen Korelasi Produk Momen Pearson
 Korelasi Pearson sederhana digunakan jika
hanya terdapat 1 variabel bebas dan 1
variabel terikat.
 Korelasi Pearson berganda digunakan jika
terdapat lebih dari 1 variabel bebas dan 1
variabel terikat.

83. X Y
X1
X2
Y
sederhana
berganda
rx.y
rx1.x2.y
rx1.y
rx2.y
rx1.x2

84. CONTOH KOEFISIEN KORELASI PEARSON
 Judul penelitian “pengaruh net profit margin
terhadap harga saham”
NPM
(X)
Harga
Saham
(Y)
Korelasi sederhana

85. CONTOH KOEFISIEN KORELASI PEARSON
 Hipotesis yang diuji:
H0: ρ = 0
(tidak terdapat pengaruh antara NPM
terhadap harga saham)
H1: ρ ≠ 0
(terdapat hubungan antara NPM terhadap
harga saham)

86. CONTOH KOEFISIEN KORELASI PEARSON
 Judul penelitian “pengaruh faktor
fundamental terhadap harga saham”
NPM (X1)
Harga
Saham
(Y)
ROA
(X2)
DPR
(X3)
DER
(X4)
Korelasi berganda

87. terimakasih