28 Oktober 2010

KORELASI RANK SPEARMAN & KENDALL'S TAU

"Spearman's correlation coeffcient, r, is  a nonparametric statistic and so can be used when data have violated parametric assumptions such as non-normally distribution data. Spearman's test works by firt ranking the data, and then applying pearson's equation to those ranks".
"Kendall 'Tau is nonparametric correlation and it should be used rather than Spearman's coeffecient when you  have a small data set with a large number of tied ranks, Kendall 'Tau should be used. although Spearman's statistic is the more popular of the two coefficients, there is much to suggest that Kendall's statistic is actually a better estimate of the correlationin the population" (Andy Field, 2000).

 

Koefisien Rank Spearman dan Kendall's Tau termasuk dalam uji statistik nonparametrik. Uji ini digunakan untuk mengetahui hubungan antara dua variabel data yang berskala ordinal. Suatu variabel/data dikatakan berskala ordinal apabila pengukuran data menunjukan adanya tingkatan atau data ranking. Skala ordinal mempunyai tingkatan yang lebih tinggi dibandingkan dengan skala nominal. Skala ordinal, misalnya : senang, cukup senang, tidak senang.

Formula uji korelasi Rank Spearman :

Rumus korelasi Pearson
Dimana :

  = Korelasi Rank Spearman
D    =  Perbedaan/selisish peringkat antara variabel bebas dan terikat
n     = jumlah sampel
1 dan 6 = konstantas

Formula uji Kendall's Tau

Rumus Kendall's tau
 
  = nilai koefisien Kendall Tau
S   = Pembilang yang berasal dari jumlah konkordansi dan disonkordasi jenjang secara keseluruhan
n   = Jumlah sampel
1 dan 2 = konstanta

Contoh kasus.
Untuk mengetahui tingkat kepuasan dan loyalitas pelanggan supermarket A, manajer supermarket tersebut memberikan kuesioner kepada 30 pelanggan. Ingin diketahui apakah ada hubungan antara kepuasan dan loyalitas?

Data Kepuasan dan Loyalitas

Langkah-langkah analsis :
  1. Klik Analyze
  2. Correlate
  3. Bivariate
  4. Masukkan variabel ke kolom Variable (s)
  5. Pilih Spearman Rho atau Kendall's Tau. Jangan lupa menonaktifkan pilhan Pearson.
  6. Pada test significance,Pilih Two tailed untuk diuji dua sisi.
  7. Kemudian OK

25 Oktober 2010

NONPARAMETRIK

"Nonparametric tests are often used in place of their parametric counterparts when certain assumption about underlying population are questionable. for example, when comparing two independent samples, the Wicoxon Mann-Whitney test does not assume thatt he different between the samples is normally distributted whereas its parametric counterpart, the two sample t-test does. Nonpaametric test may be, and often are, more powerful in detecting population differences when certain assumption are not satisfied,"(Valerie J Easton dan John H Mc Coll)



"(Uji nonparametrik umumnya digunakan untuk menggantikan uji parametrik ketika asumsi tentang populasi yang diteliti dipertanyakan. Sebagai contoh, ketika membandingkan dua sample independen, uji Wicoxon Mann-Whitney tidak mengasumsikan jika perbedaan antara dua sampel terdistribusi normal, sedangkan asumsi parametrik menyimpulkan sebaliknya, dilakukan uji t-test. Uji nonparametrik mungkin, dan sering , lebih kuat dalam mendeteksi perbedaan populasi ketika asumsi tertentu tidak memuaskan,"(Valerie J Easton dan John H Mc Coll))

Sumber : Sofyan dan Heri, SPSS Complete, 2009

Salah satu keuntungan uji nonparametrik selain diabaikannya anggapan ditarik dari distribusi tertentu, misalnya distribusi normal juga dapat dipergunakan sampel-sampel kecil.
Ada beberapa analisis statistik nonparametrik :

1. KASUS SATU SAMPEL

    a. UJI RUN TEST
    • Uji Run test digunakan untuk menguji pada kasus satu sampel. Sampel diambil dari populasi, apakah sampel  yang diambil berasal dari sampel acak atau bukan.
         b. SATU SAMPEL KOLMOGOROV-SMIRNOV
    • Uji Kolmogorov-Smirnov digunakan untuk menguji asumsi normalitas data. Tes dalam uji ini adalah tes goodness of fit yang mana tes tersebut untuk mengukur tingkat kesesuaian antara serangkaian distribusi sampel (data observasi) dengan distribusi teoritis tertentu.
    2. KASUS DUA SAMPEL BERHUBUNGAN

       a. UJI MCNEMAR
    • Uji Mcnemar digunakan untuk penelitian sebelum dan sesudah peristiwa/treatment dimana setiap objek digunakan pengontrol dirinya sendiri. Uji ini digunakan pada dua (2) sampel yang berhubungan, skala pengukurannya berjenis nominal (binary respon) dan untuk crosstabulasi data 2 x 2.
        b. UJI MARGINAL HOMOGENITY
    • Uji Marginal Homogenity dilakukan untuk tes dua sampel yang saling berhubungan dan merupakan perluasan uji McNemar. Pengunaan uji ini untuk melihat apakah perbedaan atau perubahan antara 2 peristiwa sebelum dan sesudahnya. Kategori data yaitu data multinominal lebih dari 2 x 2.
        c. UJI WILCOXON 
    • Uji Wilcoxon dilakukan untuk membandingkan dua kelompok data yang saling berhubungan. Uji ini memiliki kekuatan test dibandingkan dengan uji tanda (Sign Test).
         d. UJI TANDA (Sign Test)
    • Uji Tanda (Sign Test) digunakan untuk dua kelompok sampel data yang saling berhubungan. Uji tanda meghitung perbedaan dua kelompok data untuk semua sampel dan diklasifikasikan menjadi perbedaan positif, negatif atau sama. Jika dua kelompok data memiliki distribusi sama, maka jumlah perbedaan positif dan negatif tidak signifikan.
      3. DUA SAMPEL INDEPENDEN

          a. UJI MANN-WHITNEY
      • Uji Mann Whitney digunakan untuk mengetahui apakah terdapat perbedaan respon dari dua populasi data yang saling independen. Tes ini merupakan tes paling kuat diantara tes-tes nonparametrik. Uji ini merupakan alternatif uji t parametrik ketika data yang diambil dalam penelitiannya lebih lemah dari skala interval.
      4. K SAMPLE YANG SALING BERHUBUNGAN

          a. UJI Q COCHRAN 
      • Uji Q Cochran digunakan untuk pengujian statistik nonparametrik untuk peristiwa atau perlakuan lebih dari 2. Uji ini merupakan perluasan dari uji McNemar. Data yang digunakan berbentuk binary. Perlakuan lebih dari dua yang dimaksud adalah sebelum, ketika dan sesudah perlakuan.

      Referensi :

      Elliot,A.c and Woodward,W.A.(2007).Statistical Analysis Quick References Guidebook: with SPSS Example.London New Delhi: Sage Publications

      Field,A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

      Ho, Robert.(2006).Handbook of Univariate and Multivariate Data Analysis and Interpretation with SPSS.London New York: Chapman & Hall CRC

      Landau,S and Everits,B.S.(2004).A Handbook of Statistical Analyses Using SPSS.London New York Washington: CRC Press LLC

      Muijs,D.(2004).Doing Quantitative research In Eduaction. London California: Sage Publications

      Yamin,S dan Kurniawan,H. (2009). SPSS Complete : Teknik Analisis Statistik Terlengkap dengan Sofware SPSS. Jakarta : Salemba Infotek

      22 Oktober 2010

      MULTIVARIATE ANALYSIS OF VARIANS (MANOVA)

      "MANOVA is a statistical technique that can be used simultaneuosly explore relationship between several categorical independent variable (usually referred to as treatments) and two or more metric dependent variable. Manova useful when the reseacher designs an experimental situation (manipulation of several nonmetric treatment variable) ti test hypothesis concerning the variance in group responses on two or more metric dependent variable,"(Hair, Anderson, Tatham, Black, 1995)
      ("MANOVA adalah teknik statistik yang dapat digunakan secara simultan untuk mengekplor hubungan antara beberapa kategori variabel independen (biasanya berupa perlakuan) dan dua atau lebih variabel dependen. MANOVA berguna ketika peneliti mendesain situasi eksperimental (manipulasi beberapa variabel perlakuan nonmetrik) hipotesis uji t mengenai varians pada respons kelompok dua atau lebih variabel dependen", (Hair, Anderson, Tatham, Black, 1995))
      Sumber : Yamin dan Kurniawan,2009
       

       
      Manova dapat digunakan apabila nilai respons atau variabel dependennya berjumlah lebih besar atau sama dengan dua. MANOVA adalah pengembangan dari analisis varians (ANOVA) di mana untuk mengukur perbedaan rata-rata untuk dua atau lebih variabel dependen berdasarkan sebuah atau beberapa variabel kategori yang bertindak sebagai prediktor. Perbedaan antara MANOVA dan ANOVA diformulasikan sebagai :

      MANOVA (Multivariate Analysis of Variance)
      Y1 + Y2 + Y3 +.......+ Yn = X1 +X2 + X3 +.....+ Xn
      (metric) (nonmetric)

      ANOVA (Analysis of Variance)
      Y1 = X1 + X2 + X3 +....+ Xn
      (metric) (nonmetrik)

      Ada beberapa asumsi dalam analisis MANOVA antara lain:
      • Normalitas data, asumsi ini didasarkan bahwa sampel memiliki distribusi normal
      • Homogenitas varians, asumsi ini didasarkan bahwa sampel-sampel yang diperoleh berasal dari populasi yang sama dengan diketahui dari nilai varians yang tidak berbeda.

      Dalam pengujian statistik perbandingan rata-rata di Manova terdapat 4 metode pengujian :

      1. Pillai's Trace.
      2. Wilk's Lambda
      3. Hoteling Trace
      4. Roy's largest Root

      Baca juga :  

      1. Langkah Analisis Manova Dengan SPSS

      2. Langkah Analisis Faktor Dengan SPSS

      3. Analisis Conjoint

      4. Analisis Cluster

      Referensi :

      Field,A.(2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

      Hair,J.F,.Black,W.C.,Babin,B.J.,and Anderson,R.E. (2009). Multivariate Data Analysis 7th Edition.Prentice Hall 

      Tabanick,B.G and Fidel,L.S.(2007).Using Multivariate Statistics 5th.New York: Pearson Education

      Yamin,S dan Kurniawan,H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Sofware SPSS.Jakarta : Salemba Infotek


      10 Oktober 2010

      ONE-WAY ANOVA


       "The one-way analysis of variance (ANOVA) is an extension of the independent t-test. It is used when the researcher is interested in whether the means from several (>2) independent group differ. For example, if a researcher is intersted in investigating whether four ethnic groups differ in their IQ scores, the one-way ANOVA can be used" (Robert Ho, 2006)



      One-Way ANOVA termasuk dalam analisis perbandingan. Analisis ini digunakan untuk membandingkan apakah terdapat perbadaan rata-rata dari 2 atau lebih kelompok data untuk suatu kategori tertentu. Asumsi yang digunakan dalam analisis ini adalah :
      1. Variabel data berdistribusi normal
      2. Homogenitas varians antar kelompok data.
      Untuk menguji asumsi analisis varians (homogenitas varians) digunakan Levene statistik (dalam test of table homogenity of variance). Sedangkan uji F digunakan untuk menguji perbedaan rata-rata data (dalam tabel ANOVA).

      Apabila terdapat 3 kelompok data yang dibandingkan/diuji, dan hasilnya terdapat perbedaan di antara ketiga data tersebut maka dapat dilakukan uji lanjutan. Uji lanjutan ini adalah uji Post Hoc Multiple Comparison yang berguna untuk mengetahui perbedaan rata-rata masing masing kategori yang signifikan.
       
      Contoh kasus
      Perusahaan ingin membandingkan rata-rata penjualan minuman kaleng merk A di tiga kota yaitu Semarang, Yogyakarta, dan Solo. Apakah ada perbedaan yang signifikan terhadap rata-rata penjualan di tiga kota tersebut?


      Data Input
      Keterangan : 1 = Kota Semarang, 2 = Yogyakarta, 3 = Solo, Penjulan (ribu kaleng)
       
      Langkah-langkah analisis One way Anova dengan SPSS
      1. Klik Analyze > Compare means > One-Way ANOVA
      2. Masukkan variabel penjualan ke Dependent List
      3. Masukkan variabel kota ke Factor List
      4. Klik Option, pilih Descriptive dan Homogenity of variance test
      5. Klik tombol Post Hoc dan pilih LSD atau Bonferoni
      6. Klik Continue, kemudian OK
       Hasil Output Analisis One Way Anova dengan SPSS
       
      Deskripsi Penjualan

      Dari tabel deskriptive diketahui penjualan di kota Semarang paling tinggi sebesar 221,33 ribu kaleng, kemudian Solo sebanyak 196,67 ribu kaleng dan Kota Yogyakarta hanya 176,58 dengan standar deviasi 30,450. Tetapi ada penjualan terendah di kota Solo yakni hanya 132 ribu kaleng, dan penjulan tertinggi di kota Semarang sebesar 245 ribu kaleng

      Test of Homogeity of variances
       
      Pada tabel Test of homogeneity of variances untuk menguji homogenitas varians data dengan uji levene's test. Hasil uji levene's tes sebesar 3,207 dengan signifikansi 0.053. Artinya bahwa penjualan minuman di tiga kota Semarang, Solo dan Yogykarta memiliki varians yang sama atau berasal dari populasi yang sama.
       

      Tabel Anova

      Pada tabel Anova di atas diperoleh nilai F sebesar 9,315 dengan signifikansi sebesar 0.001. Hal ini terbukt bahwa rata-rata penjulan pada ketiga kota tersebut ada perbedaan yang signifikan. Selanjutnya dilakukan pengujian Pos Hoc Multiple Comparison karena hasil uji Anova ada perbedaan yang signifikan penjulan minuman antara ketiga kota tersebut.

      Hasil uji Pos Hoc multiple comparison selengkapnya disajikan pada tabel di bawah ini.

      Multiple comparisons

      Dari nilai p-value signifikansi pada tabel Post hoc Multiple comparison, diketahui bahwa ada perbedaan yang signifikan rata-rata penjulan minuman antara kota Semarang dengan Yogyakarta.  Ada perbedaan signifikan antara Semarang dengan Solo. Ada perbedaan antara kota Yogyakarta dengan Semarang. Hal ini diketahui dari nilai p-value yang diperoleh lebih kecil dari 0.05 (pada taraf signifikansi 5%). Tetapi penjualan antara kota Yogyakarta dengan Solo tidak ada perbedaan yang signifikan karena nilai p-value diperoleh sebesar 0.150 lebih besar dari 0.05.

      Baca juga :

      1. Analisis varians Multivariate (Manova)

      2. Analisis two way Anova

      3. Uji Asumsi Klasik Heterokedastisitas

      4. Langkah Analisis Regresi Logistik

      Referensi :

      Field,A.(2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

      Hair,J.F,.Black,W.C.,Babin,B.J.,and Anderson,R.E. (2009). Multivariate Data Analysis 7th Edition.Prentice Hall 

      Tabanick,B.G and Fidel,L.S.(2007).Using Multivariate Statistics 5th.New York: Pearson Education

      Yamin,S dan Kurniawan,H. (2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Sofware SPSS.Jakarta : Salemba Infotek


      PAIRED SAMPLE-T TEST


       "The paired-samples t-test is used in repeated measures or correlated groups design, in which each subject is tested twice on the same variable.  A common experiment of this type involves the before and after design. The test can also be used for the matched group design in which pairs of subject that are matched on one or more characteristic (e.g., IQ, grades, and so forth) serve in two conditions. As the subjects in the groups are matched and not independently assigned, this design is also referred to as a correlated groups design" (Robert Ho, 2006)
       

      Analisis perbandingan Paired Sample-T Test digunakan untuk membandingkan apakah terdapat perbedaan atau kesamaan rata-rata antara kelompok data yang saling berkaitan/berpasangan.

      Contoh kasus.

      • Manajer rumah sakit A ingin mengetahui apakah terdapat perbedaan rata-rata kunjungan pasien pada tahun 2008 dan 2009.
      • Manajer Hotel B ingin mengetahui apakah terdapat perbedaan rata-rata hunian hotel pada tahun 2004 dan 2005. 
      • Data yang diperoleh
       
      Seperti contoh pada kasus di atas, karena data adalah berpasangan/berkaitan maka untuk melihat trend kunjungan pada rumah sakit atau trend hunian hotel dapat digunakan metode grafik line.

      Langkah -langkah analisis :
      1. Klik Analyze
      2. Pilih Compare means
      3. Pilih Paired Sample-T Test
      4. Masukkan variabel ke dalam kolom Paired variable (s)
      5. Klik OK

       Hasil Analisis Paired Samples T-tes

      Paired samples statistics

      Pada tabel paired samples statistics di atas menunjukkan rata-rata kunjungan pasien tahun 2008 sebanyak 69 pasien dengan standar deviasi 11,709 sedangkan kunjungan tahun 2009 lebih tinggi sebanyak 76 pasien dengan standar deviasi 11,074.

      Paired sampel test

      Untuk melakukan uji paired sample T-test digunakan uji t, maka hipotesisnya:

      H0 = tidak ada perbedaan yang signifikan rata-rata kunjungan pasien antara tahun 2008 dengan tahun 2009.

      H1 = Ada perbedaan yang signifikan rata-rata kunjungan pasien antara tahun 2008 dengan tahun 2009.

      Kriteria uji : tolak hipotesis nol jika nilai p-value signfiiaknsi < 0.05

      Pada tabel paired t-tes diketahui bahwa nilai p-value sebesar 0.017, nilai ini lebih kecil dari 0.05 maka tolak hipotesis 0. Yang Artinya bahwa ada perbedaan rata-rata kunjungan pasien antara tahun 2008 dengan tahun 2009. Untuk memperjelas tren kunjungan dapat digunakan metode grafik line.

      Baca juga :

      1. One Sample t-test

      2. Independen sampel t-test

      3. Uji  Kolmogorov Smirnov

      4. Koefisien Kontingency C cramer-V

      Referensi :

      Antonius,R. (2003). Interpreting Quantitative Data Wit SPSS.London New York: Sage Publications

      Greasley,P. (2008). Quantitative Data Analysis Using SPSS: Introduction for Health and Social Science.New York: McGraw Hill Open University Press

      Griffith,A. (2010). SPSS for Dummies 2nd.Indianapolis: Wiley Publishing Inc.

      Gupta,V. (1999). SPSS for Beginner. New Delhi: VJBooks

       

      09 Oktober 2010

      MEMBUAT TABEL STATISTIK DENGAN SPSS


      Apabila kita ingin melihat tabel statistik, pastinya kita kesulitan karena harus melihat tabel dalam buku tabel statistik standar. Sekarang program SPSS dapat membuat berbagai macam tabel statistik sesuai dengan yang diinginkan, misalnya tabel t, tabel F dan tabel chi-square. Pembuatan tabel ini lewat menu transform pada SPSS.
      Tentunya teman-teman sudah bisa cara membaca tabelnya, bukan.....!
      Berikut beberapa cara pembuatan tabel statistik lewat SPSS. 
       

       

      Membuat tabel t
      Dengan kriteria : tingkat signifikan 5%, derajat kebebasan (df) dari 1-20
      Prosedur :
       
      Langkah Compute Variable

      • Buka file baru, lalu buat variabel baru dengan nama df
      • Isi variabel baru dengan angka 1-20 (pengisian dengan cara urut ke bawah)
      • Dari menu utama Klik Transform, pilih Compute variable
      • Isi Target variabel : t_5
      • isi Numeric expression : IDF.T(0.95,df)
      • Tekan OK
       
      Hasil Nilai t-table
       
      Hasil tabel tidak seperti output analisis lainnya seperti biasanya, tetapi berada di Variabel view

      Membuat tabel F
      Oleh karena tabel F mempunyai 2 degree of feedom yaitu DF1 (numerator) dan DF2 (denumerator), sedangkan SPSS tidak dapat melakukan perhitungan dua dimensi seperti MS.excel, maka pembuatan tabel F dilakukan dengan DF1 konstan. Prosedurnya, untuk DF1=1  adalah sebagai berikut :
      • Buka file baru dengan nama df_2
      • Isi variabel dengan angka 1-20
      • Klik Transform, pilih Compute Variable
      Pengisian :
      • Target Variable atau nama hasil variabel, ketik : F_df1_5
      • Numeric Expression, ketik : IDF.F(0.95,1,df_2)
      • Tekan OK
      Membuat Tabel Chi-Square
      Sebagai contoh akan dibuat tabel chi-square dengan kriteria tingkat signifikansi  5% dan derajat kebebasan (df) dari 1-20.Prosedur :
      • Buka file baru, lalu buat variabel baru dengan nama df.
      • Isi variabel tersebut dengan skala 1-20 hingga terdapat 20 case.
      Pengisian :
      • Target variable atau variabel hasil proses, ketik chi_5
      • Numeric Expression atau proses penghitungan. Ketik IDF.CHISQ(0.95,df)
      • Abaikan bagian lain dan tekan OK. Maka SPSS akan memprosesnya dan hasil akan ditempatkan pada variabel baru chi_5

      Baca juga :


      08 Oktober 2010

      INDEPENDENT-SAMPLE T TEST



       "The Independent t-test is used for testing the differences between the means of two independent groups. It is particulary useful when the research question requeires the comparison of variables (measured at least at the ordinal level) obtained from two indepedent samples" (Robert Ho, 2006)


      Analisis ini digunakan untuk membandingkan rata-rata dari dua kelompok sampel data yang independen. Dikarenakan ada dua kelompok data yang akan dibandingkan maka dalam menganalisisnya perlu dilakukan pengelompokan data (grouping).

      Contoh kasus
      Manajer riset stasiun TV B ingin mengetahui apakah terdapat perbedaan frekuensi menonton televisi untuk usia 15-20 tahun dikota Bandung dan surabaya. Diambil sampel secara acak dan diminta keterangan frekuensi menonton staisun TV B (dalam jam/minggu). Data yang diperoleh sebagai berikut:

       
      Keterangan : 1 = kota Bandung, 2 = Kota surabaya, frekuensi (jam/minggu)
       
      Hipotesis :
      H0 = tidak terdapat perbedaan yang signifikan antara rata-rata frekuensi menonton TV B di kota Bandung dan surabaya 
      H1= ada perbedaan yang signifikan antara rata-rata frekuensi menonton TV B di kota Bandung dan surabaya
      Kriteria uji : tolak hipotesis nol jika nilai p-value < 0.05
       
      Langkah-langkah analisis :
      1. Klik Analyze
      2. Pilih Compare Means
      3. Pilih Independent Sample T Test
      4. Masukkan variabel frekuensi ke dalam Test variable (s)
      5. Masukkan variabel kota ke dalam Grouping variable
      6. Klik Tombol Define Group, isikan angka 1 dan 2
      7. Klik OK

      Hasil uji Independen sample T-tes dari SPSS

      Pada tabel group  statistik di atas menerangkan bahwa rata-rata frkeuensi menonton TV B di Kota Surabaya lebih tinggi yakni sebesar 25,33 jam/minggu dengan standar deviasi 3.387 sedangkan kota Bandung hanya 24,33 jam/minggu dengan standar deviasi 4.513.

      pada nilai levene's test equity of variances sebesar 3.707 dengan signifikansi 0.059. Karena nilai signifikansi 0.059 > 0.05 maka dapat disimpulkan bahwa kedua kelompok adalah homogen dan berasal dari populasi yang sama. Untuk nilai t-hitung diperoleh sebesar -0.971 dengan signifikansi 0,336. Dengan demikian dapat disimpulkan bahwa kedua kelompok tidak ada perbedaan yang signifikan.

      Baca juga :

      1. Paired Sample t-test

      2. One Sample t-test

      3. Analisis Perbandingan

      4. Korelasi Pearson

      Referensi :

      Antonius,R. (2003). Interpreting Quantitative Data Wit SPSS.London New York: Sage Publications

      Greasley,P. (2008). Quantitative Data Analysis Using SPSS: Introduction for Health and Social Science.New York: McGraw Hill Open University Press

      Griffith,A. (2010). SPSS for Dummies 2nd.Indianapolis: Wiley Publishing Inc.

      Gupta,V. (1999). SPSS for Beginner. New Delhi: VJBooks

      07 Oktober 2010

      ONE SAMPLE T-TEST

      Analisis One Sample T-test digunakan untuk membandingkan apakah terdapat perbedaan atau kesamaan rata-rata suatu kelompok data dengan suatu rata-rata tertentu. Dalam analisis ini terdapat uji t. Contoh Kasus
      1. Seorang guru ingin membandingkan nilai ujian matematika semua siswa kelas 3 dengan rata-rata nilai ujian tahun yang lalu. Rata-rata ujian tahun lalu yaitu 6,5. Apakah nilai rata-rata tersebut berbeda signifikan dengan rata-rata 6,5 atau tidak ?
      2. Seorang manajer pemasaran ingin membandingkan rata-rata penjualan salesman dengan rata-rata seorang sales yakni Bambang. Penjualan rata-rata Bambang 65 unit. Apakah rata-rata penjualan salesman berbeda signifikan dengan rata-rata penjualan sales Bambang sebesar 65 unit.

       



      Kasus yang akan dianalisis yaitu produksi minuman kaleng merk A. Seoarang  manajer pemasaran ingin mengetahui rata-rata preferensi rasa minuman kaleng dari 30 responden yang diambil. Ia ingin membandingkan preferensi rata-rata rasa minuman dengan pembeli di daerah lain yaitu sebesar 3. Format skala rasa 1-7 dalam bentuk semantic differential.
       
       
      Langkah Analisis One Sample T-tes dengan SPSS 


      1. Klik Analyze
      2. Pilih Compare Means
      3. Pilih One-Sample T Test
      4. Masukkan variabel rata-rata kelompok data ke kolom Variable(s)
      5. Beri nilai (angka 3) pada kolom Test Value.




      6. Klik OK
      Hipotesis :
      H0= Rata-rata preferensi responden pada rasa minuman kaleng tidak berbeda signifikan dari 3.


      H1= Rata-rata preferensi responden pada rasa minuman kaleng berbeda signifikan dari 3
      Kriteria uji : Tolak hipotesis nol (H0) bila p-value statistik uji t lebih kecil dari 0.05.


       
      Hasil Output SPSS
       
      Tabel pertama menunjukkan statistik deskriptif tingkat preferensi rasa suka terhadap minuman. Dari 30 responden, rata-rata responden menilai sebesar 3.87 dengan standar deviasi sebesar 2.113. Oleh karena nilai p-value pada tabel One sampel test menunjukkan nilai 0.032 (<0.05), maka kesimpulannya adalah menolak hipotesis null (H0). Hal tersebut berarti rata-rata preferensi responden terhadap rasa minuman kaleng berbeda.
       
      Baca juga :

      3. Statistik Nonparametrik

      4. Analisis Perbandingan  

      Referensi :

      Antonius,R.(2003).Interpreting Quantitative Data Wit SPSS.London New York: Sage Publications

      Greasley,P.(2008).Quantitative Data Analysis Using SPSS: Introduction for Health and Social Science.New York: McGraw Hill Open University Press

      Griffith,A.(2010).SPSS for Dummies 2nd.Indianapolis: Wiley Publishing Inc.

      Gupta,V. (1999). SPSS for Beginner. New Delhi: VJBooks

      06 Oktober 2010

      ANALISIS PERBANDINGAN

      Analisis perbandingan digunakan untuk membandingkan rata-rata antara dua atau lebih kelompok sampel data. asumsi mendasar dalam analisis perbandingan adalah bahwa variabel data yang akan dibandingkan harus mengikuti distribusi normal.Asumsi lainnya yang harus dipenuhi dalam analisis perbandingan dengan ANOVA (Analysis of Variance) adalah homogenitas varians. Ini dilakukan melalui uji Levene's homogenity-of-variance test.


      Langkah pertama untuk metode perbandingan ini adalah mengumpulkan data (sampel) dari setiap objek per kelompok variabel. Pengukuran bersifat kuantitatif atau minimum berskala interval.

      Selanjutnya kita mengenal apa yang disebut dengan statistik uji t dan analisis varians (ANOVA). Statistik uji t dan ANOVA digunakan sebagai statistik uji untuk perbandingan dua atau lebih kelompok sampel data. Uji t digunakan untuk membandingkan dua sampel yang akan dibandingkan, sedangkan ANOVA digunakan untuk uji perbandingan lebih dari dua kelompok sampel data maka digunakan analisis varians. Ada 5 bagian utama untuk analisis perbandingan rata-rata pada compare means di SPSS yaitu :
      • Perbandingan Rata-rata (mean) 
      Perbandingan rata-rata digunakan untuk membandingkan nilai rata-rata dan satandar deviasi antara 2 kelompok sampel/data. 
      • Analisis Chi-Square
      Analisis Chi-Square digunakan untuk membandingkan frekuensi observasi (fo) dengan frekuensi ekspektsi (fe) ke dalam masing-masing kategori apakah semua kategori mempunyai proporsi nilai yang sama.
      • One Sample t-test
      One Sample t- test digunakan untuk membandingkan apakah terdapat perbedaan atau kesamaan rata-rata dari kelompok sampel data dengan nilai rata-rata  tertentu.
      • Independent Sample t-test
      Independen sample t-test  digunakan untuk membandingkan 2 kelompok sampel data dan kedua kelompok sampel tersebut bersifat independen/bebas.
      • Paired Sample t-test 
      Paired sample t-test  digunakan untuk membandingkan antara 2 kelompok sampel dan kedua kelompok sampel ini saling berhubungan.
      • One Way ANOVA.
      One-Way Anova  digunakan untuk membandingkan nilai rata-rata antara 2 atau lebih kelompok data. Dalam uji ini diperlukan asumsi distribusi normal dan homogenitas varians antara kelompok sampel.

      Baca juga :

      1. Perbandingan Rata-rata

      2.  Analisis Chi-Square

      3. One Sample T-test

      4. Independen sample T-Tes

      5. Paired sample T-Test 

      6. One Way Anova 

      Referensi :

      Elliot,A.c and Woodward,W.A.(2007).Statistical Analysis Quick References Guidebook: with SPSS Example.London New Delhi: Sage Publications

      Field, A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

      Ho, Robert. (2006). Handbook of Univariate and Multivariate Data Analysis and Interpretation with SPSS. London New York: Chapman & Hall CRC

      Morgan,G.A et al. (2004). SPSS for Introductionary Statistics: Use and Interpretation 2nd. New Jersey London: Lawrence Erlbaum Associates

      Muijs,D.(2004).Doing Quantitative research In Eduaction.LOndon Californis: Sage Publications