MATERI PERTEMUAN KE 3 EXPLORER
Buka kembali contoh soal pada pertemuan kedua minggu kemarin sbb: Seorang guru SMA ingin mengetahui rata-rata nilai matematika siswa kelas 3A yang terdiri dari 14 siswa dengan memberikan tes kepada siswanya. Guru tersebut memiliki data rata-rata lama belajar tiap siswa N Matematika
Lama Belajar
Hidayati (P)
85
3
8
2
Nurhidayat (L)
75
2
9
3
Tri Bodro (P)
69
3
4
Astuti (P)
83
5
Tutut (P)
76
6
Puspowati (P)
7
Kunto (L)
No
Nama
1
N Matematika
Lama Belajar
Wibisono (L)
77
2,5
Sapti (P)
76
2
10
Ningsih (P)
69
1
2
11
Rohaida (P)
70
1,5
1
12
Novia (P)
78
1,5
79
2
13
Lukman (L)
78
2,5
90
3,5
14
Ajito (L)
82
2,5
No
Nama
Langkah selanjutnya adalah melakukan uji explorer dengan langkah – langkah sbb: 1. Menentukan normalitas suatu data. - Pilih menu Analyze, Descriptive Statistic, Explore. - Pada kotak Dependent List, isikan variabel Nilai Matematika. - Dependet List diisi variabel yang akan diuji kenormalanya. - Pada kotak Display pilih Both. - Klik tombol Plots, pada kotak Explore: Plots cek pada pilihan Normality plots with tests - klik Continue, klik Ok.
Case Processing Summary Cases Valid N Nilai matematika
Missing
Percent 14
N
100.0%
Keterangan: -
Jumlah data ada 14 semua masuk proses Tidak ada data yang hilang
Total
Percent 0
.0%
N
Percent 14
100.0%
Tests of Normality Kolmogorov-Smirnov Statistic Nilai matematika
df
.126
a
Shapiro-Wilk
Sig. 14
Statistic
.200*
Df
.954
Sig. 14
.621
a. Lilliefors Significance Correction *. This is a lower bound of the true significance.
Untuk menguji kenormalan suatu data ada 2 cara: Cara yang pertama, langkah-langkahnya: 1. Menentukan hipotesis H0 : data berasal dari populasi yang berdistribusi normal Ha : data berasal dari populasi yang tidak berdistribusi normal 2. Menentukan kriteria Dengan menggunakan hasil kolmogorov smirnov: Terima H0 jika nilai sig.> alfa → sig > 0,05 Tolak H0 jika nilai sig < alfa → sig < 0,05 3. Membandingkan hasil dengan kriteria Nilai signifikansi 0,200 > 0,05 4. Menarik kesimpulan Karena nilai signifikansi > alfa, maka H0 diterima. Dengan kata lain nilai matematika berasal dari populasi yang berdistribusi normal.
Cara berikutnya dengan melihat hasil plot yaitu jika data berdistribusi disekitar garis diagonal, maka data dikatakan normal.
Langkah selanjutnya lakukan uji dengan cara sbb: 1. Menentukan homogenitas suatu data Sebelumnya data asli ditambahkan kolom jenis kelamin, buka variabel view ditambah satu baris jenis Kemudian di data view isikan angka 1 laki-laki untuk 2 perempuan Pilih menu Analyze, Descriptive Statistic, Explore. Pada Dependent List isikan variabel Nilai Matematika, pada Factor List isikan variabel Jenis. Pada Display pilih Plots. Klik tombol Plots, Pada Boxplots klik Factor levels together, klik Normality plots with tests, Power estimation. Klik Continue, klik Ok.
Case Processing Summary Cases Valid Jenis kelamin Nilai matematika
N
Missing
Percent
N
Total
Percent
N
Percent
1
5
100.0%
0
.0%
5
100.0%
2
9
100.0%
0
.0%
9
100.0%
Keterangan: -
Mahasiswa laki-laki ada 5
-
Mahasiswa perempuan ada 9
-
Semua data masuk proses, tidak ada data yang hilang Test of Homogeneity of Variance Levene Statistic
Nilai matematika
df1
df2
Sig.
Based on Mean
.002
1
12
.963
Based on Median
.066
1
12
.802
Based on Median and with
.066
1
10.675
.802
.004
1
12
.948
adjusted df Based on trimmed mean
Untuk menguji homogenitas suatu data, maka langkah-langkahnya: 1. Menentukan hipotesis H0 : data berasal dari populasi yang bervarian homogen Ha : data berasal dari populasi yang tidak bervarian homogen
2. Menentukan kriteria Dengan menggunakan hasil levene statistik: Terima H0 jika nilai sig.> alfa → sig > 0,05 Tolak H0 jika nilai sig < alfa → sig < 0,05 3. Membandingkan hasil dengan kriteria Nilai signifikansi dilihat dari baris based on mean 0,963 > 0,05 4. Menarik kesimpulan Karena nilai signifikansi > alfa, maka H0 diterima. Dengan kata lain nilai matematika berasal dari populasi yang bervarian homogen. Uji yang terakhir adalah sbb: 3.Uji ketergantungan. Pilih menu Analyze, Descriptive Statistics, Crosstabs. Masukan variabel Jenis pada kotak Row. Kotak Columns diisi variabel Nilai Matematika. Klik tombol statistic. Pilih Chi-square, Klik Continue, klik Ok
Chi-Square Tests Asymp. Sig. (2Value Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases
df
sided)
a
10
.297
15.477
10
.116
1.611
1
.204
11.822
14
a. 22 cells (100.0%) have expected count less than 5. The minimum expected count is .36.
Untuk menguji ketergantungan antar data, langkah-langkahnya: 1. Menentukan hipotesis H0 : tidak ada hubungan antara baris dan kolom (nilai matematika dan jenis kelamin) Ha : ada hubungan antara baris dan kolom (nilai matematika dan jenis kelamin)
2. Menentukan kriteria Dengan menggunakan hasil: Terima H0 jika nilai Asymp. sig.> alfa → Asymp. sig > 0,05 Tolak H0 jika nilai Asymp. sig < alfa → Asymp. sig < 0,05 Atau cara yang lain: Terima H0 jika nilai Chi-Square hitung > Chi-Square tabel Tolak H0 jika nilai Chi-Square hitung < Chi-Square tabel 3. Membandingkan hasil dengan kriteria Nilai Asymp. sig dilihat dari baris Pearson Chi-Square 0,297 > 0,05 Nilai Chi-Square hitung adalah 11,822 Nilai Chi-Square tabel pada df 10 hasil bisa dilihat di tabel 5. Menarik kesimpulan Karena nilai Asymp.sig > alfa , maka H0 diterima. Dengan kata lain tidak ada hubungan antara nilai matematika dengan jenis kelamin. LATIHAN Diketahui data tentang berat badan dan tinggi badan mahasiswa yang mengambil matakuliah aplikom lanjut sbb: Jenis
Berat badan
Tinggi badan
L.
52
167
L.
49
P.
Jenis
Berat badan
Tinggi badan
P.
50
148
154
P.
52
153
60
178
P.
48
149
L.
47
165
P.
45
150
L.
55
176
L.
63
175
P.
49
164
L.
60
158
P.
60
169
P.
52
162
L.
65
160
P.
49
149
P.
49
153
L.
74
168
L.
62
175
P.
58
159
1. Lakukan uji explorer. 2. Pindahkan output ke words dan buatlah narasinya 3. Jawaban dalam bentuk words tadi dikirim lewat email kealamat:
[email protected] paling lambat satu hari setelah jadwal e-learning. Keterlambatan pengumpulan ada pengurangan nilai.
