Tampilkan postingan dengan label Uji T. Tampilkan semua postingan
Tampilkan postingan dengan label Uji T. Tampilkan semua postingan

Uji Regresi Pengaruh Ranking Alexa terhadap Pendapatan Google Adsense dengan SPSS

Pendahuluan

Banyak sekali alternatif untuk mendapatkan penghasilan dari sebuah blog atau website. Salah satunya adalah dengan menjadi publisher bagi Google Adsense (GA) salah satu advertiser yang sangat terkenal dan telah menjadi market leader dalam dunia ini. Pendaftarannya memang tidak terlalu rumit, meskipun tidak bisa dibilang mudah. Akan tetapi yang lebih penting adalah bagaimana potensi yang bisa diperoleh oleh si empunya blog. Dalam artikel sebelumnya, telah dibahas tentang pengaruh rangking alexa terhadap pendapatan PopAds, dan ternyata memberikan hasil bahwa tidak ada pengaruh ranking alexa terhadap pendapatan PopAds. Sudah ada pembahasan tentang hal itu.

Dalam artikel kali ini, kita akan membahas pengaruh ranking Alexa terhadap pendapatan GA dalam 91 hari, karena rangkin Alexa yang muncul dalam grafik adalah 3 bulan terakhir. Jika Anda menginginkan data aslinya silahkan download di sini. Gunakan akun Google Anda untuk bisa mengakses G Drive tersebut. 


Model Regresi

Model regresi adalah regresi linear sederhana karena hanya ada 1 variabel bebas, yaitu Ranking Alexa dan 1 buah variabel terikat, yaitu Pendapatan GA. Persamaan umumnya adalah 

Y = a + bX

Di mana Y adalah pendapatan GA dan X adalah Ranking Alexa. Alat analisis yang dipergunakan adalah Software SPSS Versi 23. Jika Anda ingin mendapatkan Download SPSS Free, silahkan meluncur ke situs resminya. Dalam persamaan umum di atas ada nilai residual yang ditambahkan di belakang persamaan.


Uji Asumsi Klasik

Analisis regresi linear, memerlukan beberapa asumsi yang harus dipenuhi, sering disebut dengan uji asumsi klasik. Uji asumsi klasik yang dipergunakan adalah uji normalitas, uji heteroskedastisitas dan uji autokorelasi. 

Uji Normalitas dengan Histogram

Hasil uji histogram menunjukkan bahwa data melenceng ke kanan dan sangat dimungkinkan ada outliers dan model tidak normal. Untuk memperkuat pengujian dilakukan uji normalitas dengan Kolmogorov-Smirnov yang memberikan hasil sebagai berikut:
Uji Normalitas dengan Kolmogorov-Smirnov
Nilai Signifikansi adalah 0,000 < 0,05 yang berarti model memang tidak memenuhi asumsi normalitas. Upaya perbaikan dilakukan dengan mentransformasikan variabel ke dalam bentuk logaritma natural, baik variabel X maupun variabel Y. Setelah ditransformasikan keduanya, maka uji normalitas KS memberikan hasil sebagai berikut:
Uji Normalitas Model Transformasi
Tampak bahwa model telah menjadi normal dengan melakukan transformasi ke dalam bentuk logaritma natural. Uji Autokorelasi dengan Run Test memberikan hasil sebagai berikut:
Uji Autokorelasi dengan Run Test
Tampak bahwa nilai Signifikansi adalah sebesar 0,247 > 0,05 yang berarti model tidak mengalami gangguan autokorelasi. Selanjutnya adalah uji Heteroskedastisitas dengan Scatter plot dan memberikan hasil sebagai berikut:
Uji Heteroskedastisitas dengan Scatter Plot
Tidak ada pola tertentu pada grafik yang berarti tidak ada gangguan heteroskedastisitas pada model regresi.

Analisis Regresi Linear Sederhana

Setelah model dinyatakan bebas dari gangguan asumsi klasik, maka dilakukan analisis regresi linear sederhana.

Nilai R dan Koefisien Determinasi Model

Nilai R adalah sebesar 0,451 dan R Square adalah sebesar 0,204. Berarti Ranking Alexa mampu menjelaskan variasi Pendapatan GA sebesar 20,4% dan sisanya yaitu sebesar 79,6% dijelaskan oleh faktor yang lain.
F hitung dan Signifikansi
Nilai F hitung cukup tinggi dengan signifikansi di bawah 0,05 yang menunjukan bahwa model telah fit dan bisa dilakukan uji hipotesis dengan uji t.
Uji t dan Signifikansi
Tampak bahwa nilai t hitung adalah sebesar -4,769 dengan signifikansi sebesar 0,000 < 0,05 yang berarti ranking Alexa berpengaruh signifikan terhadap pendapatan GA. Dari nilai t hitung yang negatif, berarti pengaruh tersebut adalah berkebalikan, di mana semakin rendah ranking Alexa maka semakin tinggi pendapatan GA. 

Interpretasi

Berdasarkan hasil analisis di atas, maka dapat diinterpretasikan bahwa ranking Alexa berpengaruh signifikan terhadap pendapatan GA. Semakin rendah ranking Alexa maka semakin tinggi pula pendapatan GA yang diperoleh, demikian sebaliknya. Hasil ini sesuai dengan fakta bahwa semakin banyak orang yang berkunjung ke suatu blog, maka semakin tinggi pula kemungkinan adanya klik pada iklan yang ditayangkan. Selain itu, dalam GA ada juga pendapatan yang bukan karena klik, tetapi karena tampil saja. 


Artikel Terkait

  1. Pengaruh ranking Alexa terhadap Pendapatan PopAds
  2. Berapa pendapatan blogger pemula?
  3. PopAds, alternatif iklan selain Google Adsense
  4. Ranking Alexa anjlok dratsis
  5. Lanjutan: Ranking Alexa anjlok drastis

Cara Melakukan Uji Homogenitas dengan SPSS Versi 23 pada Uji T Sampel Tidak Berkorelasi

Uji homogenitas dengan Levene juga bisa dilakukan dengan menu Independent Sample T Test atau Uji T Sampel tidak berkorelasi. Untuk uji homogenitas dengan One-Way Anova dan Explore sudah kita bahas sebelumnya. Perlu dicatat bahwa khusus pada uji t sampel tidak berkorelasi, hanya bisa dilakukan untuk dua kategori saja, misalnya pria dan wanita. Jika menggunakan lebih dari 3 kategori, maka tidak bisa digunakan.

Menu Independent Sample T Test

Pilih Analyze, Compare Means lalu klik pada Independent Sample T Test. Maka akan diarahkan ke box dialog sebagai berikut:
Memasukkan Variabel Penelitian
Masukkan variabel Penjualan ke Test Variable(s) lalu masukkan Gender ke Grouping Variable seperti pada gambar di atas. Klik Define Groups seperti pada gambar anak panah di atas. 
Membuat Group
Masukka nilai 1 di Group 1 dan angka 2 di Group 2 seperti pada gambar. Ingat, 1 adalah Pria dan 2 adalah wanita. Setelah itu klik Continue lalu klik OK sehingga akan keluar output sebagai berikut:
Output Uji Homogenitas


Tampak bahwa nilai Signifikansi adalah sebesar 0,391 > 0,05 yang berarti kedua kelompok data adalah homogen. Untuk Uji T Sampel tidak berkorelasi, juga disediakan uji hipotesis di mana kedua kelompok tidak homogen. Sekali lagi, hasilnya ini konsisten dengan hasil uji homogenitas dengan One-Way Anova atau pun dengan Explore.

Uji Regresi Linear Sederhana dengan SPSS Versi 23

Artikel ini akan membahas tentang regresi linear sederhana, yamg mencakup satu buah variabel bebas (X) dan satu buah variabel terikat (Y) dengan alat bantu software SPSS Versi 23. Jika ada lebih dari satu variabel bebas, maka dinamakan regresi linear berganda. Sedangkan jika variabel terikat lebih dari satu, maka sebaiknya digunakan metode Structural Equation Modeling (SEM) baik berbasis varians maupun covariance.

Tabulasi Data Regresi Linear Sederhana dengan SPSS Versi 23

Simulasi ini menggunakan 125 data sebagai sampel. Pilih menu Regresi Linear yaitu Analyze, Regression, Linear seperti pada gambar di bawah:
Menu Regresi Linear

Klik pada Linear maka akan diarahkan ke Sub Dialog baru yaitu sebagai berikut:

Memasukkan Variabel

Masukkan variabel X ke dalam Independent(s) dan Y ke dalam Dependent. Lalu klik Statistic pada kiri atas:
Memilih Sub Menu

Berikan tanda centang pada Estimates dan Model fit, seperti pada gambar di atas. Setelah itu klik Continyu lalu klik OK sehingga akan keluar output. Kita bahas satu persatu outputnya.

Output Variable Entered

Output ini hanya menginformasikan variabel yang dipergunakan, yaitu X dan Y. Dependent Variable adalah Y dan variabel bebasnya adalah X. Jika ada lebih dari 1 variabel bebas, maka akan muncul pada kolom Variables Entered. Method adalah metode yang dipergunakan yaitu enter. Metode yang lain, misalnya Stepwise, Remove, Backward dan Forward. Nanti kita bahas lebih lanjut.
Output Model Summary

Output kedua memuat nilai R atau korelasi yaitu sebesar 0,818. Nilai ini berkisar antara 0 sampai dengan 1 dan sama persis dengan Korelasi Pearson baik dengan SPSS maupun dengan Korelasi Pearson yang juga bisa ita hitung dengan Microsoft Excel. Nilai ini juga bisa dibandingkan dengan nilai R yang terdapat pada Tabel R

Nilai R Square adalaha kuadrat dari nilai R jadi 0,818 x 0,818 = 0,669 (dibulatkan 3 angka di belakang koma). Nilai ini mencerminkan seberapa besar kemampuan variabel bebas dalam menjelaskan varians variabel terikat atau sering disebut dengan koefisien determinasi. Nilainya berkisar antara 0 sampai dengan 1 tapi selalu positif karena hasil kuadrat.

Nilai 0,667 adalah nilai  koefisien determinasi yang dikoreksi. Mengapa perlu dikoreksi? Karena nilai koefisien determinasi akan selalu meningkat jika ada variabel bebas baru yang ditambahkan. Ini bisa menyesatkan, karena seorang peneliti yang ingin mencari R yang tinggi tinggal menambahkan variabel bebas sembarang saja baik signifikan atau tidak akan meningkatkan nilai R atau puan R Kuadrat. Adjusted R Square nilainya bisa naik atau turun tergantung variabel bebas yang dimasukkan, apakah berpengaruh atau tidak. Interpretasi Adusted R Square sama dengan R Square, hanya saja nilai Adjusted bisa negatif.

Nilai standard Error adalah nilai kesalahan estimasi. Tidak ada ketentuan yang pasti untuk nilai itu, karena tergantung dari besar atau kecilnya variabel yang dipergunakan. Misalnya variabel rasio keuangan, maka nilainya relatif kecil, tetapi ketika menggunakan variabel gaji, atau jumlah penduduk, maka nilainya juga akan tinggi.

Output ANOVA atau F Hitung

Nilai Regression atau pun Residual sudah kita bahas di sini. Sedangkan untuk justifikasinya adalah dengan melihat signifikansinya, dalam simulasi ini adalah sebesar 0,00 < 0,05. Berarti model ini fit dan layak untuk dianalisis karena nilainya di bawah 0,05. Atau bisa juga dengan membandingkan nilai F hitung yaitu sebesar 249,019 dengan nilai F yang terdapat pada Tabel F. Jika F hitung > F tabel maka model dinyatakan fit. Hasilnya akan sama dengan justifikasi menggunakan signifikansi. Jika hasil ini tidak signifikan, maka model dinyatakan tidak fit. Sebaikya ditelaah lebih dulu secara menyeluruh, apakah datanya sudah benar, penyusunan model sudah tepat atau parameter yang lain.

Output T Hitung

Nilai pada kolom B adalah koefisien unstandardized dan dipergunakan untuk menyusun persamaan prediksi regresi sederhana ini. Ini sudah kita bahas di sini.

Koefisien standardized adalah untuk melihat variabel bebas mana yang mempunyai pengaruh yang dominan dibandingkan variabel yang lain. Karena ini hanya menggunakan 1 buah variabel bebas, maka nilai ini tidak perlu dibahas lebih mendalam.

Nilai t hitung adalah untuk menentukan variabel bebas ini berpengaruh signifikan atau tidak. Atau bisa juga menggunakan nilai signifikansi yang berarti signifikan karena nilainya adalah sebesar 0,000 < 0,05. Tetapi untuk menentukan pengaruhnya positif atau negatif harus kita lihat nilai t hitungnya apakah positif atau negatif.
Output Residual Statistik

Nilai predicted adalah nilai hasil prediksi dari persamaan regresi. Sedangkan nilai residual adalah selisih antara nilai sebenarnya dengan nilai prediksi. Nilai maksimum dan minimum dapat dipergunakan untuk mendapatkan gambaran ringkas tentang model kita.

Simulasi Independent Sample T Test atau Uji T Sampel Tidak Berkorelasi

Dalam suatu penelitian, ada suatu kondisi di mana kita ingin melihat perbedaan rata-rata antara dua sampel yang tidak berkorelasi. Misalnya kita ingin mengetahui perbedaan nilai rata-rata pelajaran tertentu antara siswa pria dan wanita,  Atau kita ingin melihat apakah terdapat perbedaan persepsi Standar Akuntansi Keuangan (SAK) terbaru antara akuntan publik dengan akuntan pendidik atau contoh-contoh lain yang serupa. Kita tidak dapat menggunakan paired test atau Uji T untuk sampel berpasangan, karena kedua sampel memang tidak berkorelasi, bahkan jumlahnya juga berbeda (dalam kasus tertentu, jumlah kedua sampel juga bisa sama). 

Dalam simulasi ini, kita ingin melihat apakah terdapat perbedaan nilai skor nilai pelajaran tertentu antara siswa wanita dengan siswa pria dalam suatu sekolah. 

Sampel 28 Pria dan 22 Wanita dan Rata-rata Skor Nilai Pelajaran
Terdapat 28 siswa pria dengan nilai rata-rata sebesar 28 dan 22 siswa wanita dengan rata-rata skor 25,30. Masing-masing data telah dilengkapi dengan standard deviasianya. Nilai rata-rata pada wanita lebih tinggi akan tetapi, apakah itu signifikan atau tidak secara statistik, mari kita lihat bersama. 

Langkah pertama adalah melihat apakah data tersebut normal atau tidak. Ini penting karena statistik parametrik mensyaratkan adanya normalitas data. 

Uji Normalitas SPSS dengan Kolmogorov-Smirnov
Tampak bahwa nilai Signifikansi adalah sebesar 0,073 > 0,05 yang berarti data pada sampel telah terdistribusi secara normal dan bisa dikenakan statistik parametrik. Pilih Analyze, pilih Compare Means lalu klik pada Independent Sample T Test seperti pada gambar di bawah:

Menu Independent Samples T Test

Maka akan masuk ke menu baru lalu masukkan variabel Skor ke Box Test Variables. Lalu masukkan JK (Jenis Kelamin) ke Grouping Variable, lalu klik pada Define Groups:

Memasukkan Data Sampel
Setelah klik Grouping Variables maka akan masuk lagi ke Sub Menu seperti pada gambar di bawah ini:

Sub Menu Grouping Variables
Berikan angka 1 pada Group 1 dan 2 pada Group 2. Ini merupakan Skala Nominal di mana 1 adalah Pria dan 2 adalah Wanita. Setelah itu klik Continue lalu klik OK sehingga akan keluar output sebagai berikut:

Output Independents Sample T Test

Pertama lihat pada Levene's Test untuk melihat apakah kedua sampel mempunyai varians yang equal atau tidak. Nilai F adalah 0,232 dengan Signifikansi sebesar 0,632 > 0,05 yang menunjukkan bahwa tidak terdapat perbedaan varians di antara kedua sampel atau equal. Jadi kita lihat nilai T hitung pada Equal Variances Assumed yaitu sebesar 0,380 (negatif) dengan Signifikansi sebesar 0,706 > 0,05 yang berarti tidak terdapat perbedaan nilai rata-rata antara dua kelompok tersebut.

Berarti skor nilai rata-rata pelajaran tertentu antara pria dan wanita adalah tidak berbeda. Hipotesis nol diterima dan hipotesis alternatif ditolak. Jika Anda merumuskan 'Terdapat perbedaan nilai rata-rata pelajaran X antara siswa pria dan wanita' maka hipotesis itu ditolak. Masalah? Tentu tidak, jika Anda melaksanakan penelitian dan analisis ini sesuai prosedur yang ada.

Uji Wilcoxon atau Uji T Sampel Berpasangan untuk Data Tidak Normal

Uji Wilcoxon adalah uji yang dipergunakan untuk menguji perbedaan dua sampel yang saling berkorelasi tetapi tidak memenuhi asumsi normalitas.  Jika asumsi normalitas terpenuhi maka dipergunakan Paired Test. Penggunaan Paired Test memerlukan normalitas pada kedua datanya. Jika salah satu (atau keduanya tidak normal, maka menggunakan Uji Wilcoxon. Berikut adalah simulasi Uji Wilcoxon dengan dua pasang data sebagai berikut:

Dua Sampel Data yang Berkorelasi
Gambar di atas menunjukkan 35 buah data dari dua buah sampel yang saling berkorelasi. Hasil uji normalitas dengan Kolmogorov-Smirnov memberikan hasil sebagai berikut:

Hasil Uji Normalitas SPSS dengan Kolmogorov-Smirnov
Tampak bahwa nilai Signifikansi untuk Sebelum dan Sesudah di bawah 0,05 yang menunjukkan bahwa kedua sampel tidak memenuhi asumsi normalitas. Tentu saja, bisa dilakukan transformasi data, trimming data atau pun menambah data agar memenuhi asumsi normalitas. Tetapi ini contoh untuk data tidak normal sehingga menggunakan Uji Wilcoxon.

Output Uji Wilcoxon dengan SPSS Versi 23
Prinsip dasarnya adalah dengan membandingkan mana yang lebih besar. Baris pertama Negative Ranks adalah sebesar 15 (dengan kode superscript a) yang berarti bahwa terdapat 15 buah pasangan data di mana nilai Sesudah < Sebelum. Sehingga dengan prinsip yang sama diperoleh Positive Ranks 12 (superscript b) yang berarti bahwa terdapat 12 pasangan data di mana nilai pada Sesudah > Sebelum. Terakhir ada 8 pasang data yang sama. Ini sangat mudah dimengerti. 

Setelah itu, selisih dari kedua pasang data diranking sehingga diperoleh Mean Rank dan juga Sum of Ranks. Sedangkan untuk melihat signifikansi menggunakan output sebagai berikut:

Uji Hipotesis dengan Wilcoxon
Sama dengan uji yang lain, tampak bahwa nilai signifikansi adalah sebesar 0,672 >0,05 yang berarti tidak terdapat perbedaan yang signifikan antara sampel sebelum dengan sesudah. Nilai Z yang negatif bisa Anda interpretasikan dengan petunjuk ada superscript b, yang intepretasinya sama dengan interpretasi pada tabel sebelumnya.

Simulasi One Sample T Test atau Uji T Sampel Tunggal

Selain pada analisis regresi, Uji T juga sering muncul dalam statistik komparasi. Uji T Sampel Tunggal atau Onel Sample T Test adalah uji untuk melihat apakah suatu distribusi data pada sampel tunggal mempunyai perbedaan atau tidak terhadap suatu nilai tertentu. Sebagai ilustrasi, berikut beberapa kasus atau contoh yang dapat dipergunakan untuk mengaplikasikan one sample t test:

  1. Sebuah perusahaana ingin melihat apakah hasil produksi penggaris sesuai dengan standar 30 atau tidak.
  2. Sebuah peneliti ingin melihat apakah kebijakan stock split memicu reaksi investor atau tidak dengan melihat adanya abnormal return
  3. Apakah lampu yang dihasilkan suatu perusahaan mampu menyala 1000 jam atau tidak.

Contoh-contoh kasus di atas dapat diselesaikan dengan one sample t test. Sebagai contoh, berikut adalah data hasil pengukuran produksi penggaris 30 cm oleh Quality Control:

Gambar 1 Tabulasi Data Ukuran Penggaris


Tabel di atas memuat data 50 ukuran penggaris yang diambil secara acak. Untuk melihat apakah distribusi data tersebut berbeda atau tidak dengan 30, kita lihat dulu normalitasnya. 

Gambar 2 Menu Uji Normalitas dengan Kolmogorov-Smirnov


Klik Analyze lalu pilih Nonparametric Tests, pilih Legacy Dialogs dan klik pada 1_Sample K-S sehingga akan diarahkan ke menu Uji KS sebagai berikut:

Gambar 3 Menu Uji Normalitas dengan KS

Masukkan Variabel Ukuran, lalu klik OK sehingga akan keluar output sebagai berikut:

Gambar 4 Hasil Uji Normalitas

Tampak bahwa nilai Signifikansi adalah sebesar 0,071 > 0,05 yang menunjukkan bahwa distribusi data normal, sehingga dapat dikenakan statistik parametrik one sample t test. Pilih Analyze, Plih Compare Means lalu klik pad One Sample T Test seperti pada gambar di bawah:

Gambar 5 Menu One Sample T Test


Setelah masuk ke menu One Sample T Test, masukkan varibel ukuran ke box, lalu masukkan angka 30 yaitu angka yang diharapkan yaitu sebesar 30 cm. 

Gambar 6 Memasukkan Variabel dan Parameter Test Value


Setelah itu klik OK sehingga akan keluar outputnya yaitu sebagai berikut:

Gambar 7 Output One Sample T Test


Gambar di atas menunjukan bahwa nilai T hitung adalah sebesar 1,248 dengan taraf signifikansi sebesar 0,218 > 0,05 yang menunjukkan bahwa distribusi data pada sampel tidak berbeda dengan nilai 30 cm. Inilah yang diharapkan oleh pelaku uji ini karena jika signifikan berarti hasil produksi tidak dapat dijual karena berbeda dengan ukuran yang diharapkan yaitu sebesar 30 cm. Penelitian atau uji adalah mencari kebenaran, bukan mencari signifikan atau tidak. Pengujian yang memberikan hasil yang tidak signifikan tidak serta merta dikatakan jelek dan harus diulang. Ini sangat tergantung dari tujuan pengujian itu sendiri. 

Ilustrasi lain adalah untuk uji Abnormal return di sekitar peristiwa stock split. Ada teori yang menyatakan bahwa kebijakan stock split berarti kinerja perusahaan bagus sehingga minat membeli investor meningkat dan akan terjadi abnormal return di sekitar terjadinya stock split. Ini akan didukung jika terjadi signifikansi return pada sekitar tanggal stock split dengan 0 sebagai parameter value. Akan tetapi, ada juga teori yang menyatakan bahwa Stock split hanyalah agar saham lebih likuid, jadi tidak terkait langsung dengan return. Abnormal akan terjadi di masa mendatang, bukan di sekitar tanggal stock split. Teori ini akan didukung jika tidak terjadi signifikansi di sekitar tanggal stock split dengan parameter value 0.

Simulasi Uji T Sampel Berpasangan atau Paired Sample T Test

Uji T sampel berpasangan atau Paired Sample T Test adalah  uji yang dipergunakan untuk melihat apakah terdapat perbedaan atau tidak pada dua kelompok atau dua sampel yang saling berhubungan. Pengertian berhubungan itu misalnya, ada satu kelas, diberikan suatu ujian, lalu diberikan metode pembelajaran tertentu, lalu diberikan ujian lagi yang kurang lebih sama, lalu dibandingkan hasil ujian antara sebelum diberikan metode tersebut dengan setelah diberikan metode tersebut. Jika ada perbedaan yang signifikan berarti metode tersebut dianggap efektif.

Contoh lain misalnya, perbedaan kinerja keuangan perusahaan sebelum melakukan stock split dengan kinerja perusahaan yang sama setelah melakukan stock split. Jika terdapat perbedaan berarti kebijakan tersebut mampu mengubah kinerja, tetapi jika tidak terdapat perbedaan berarti kebijakan tersebut tidak merubah kinerja atau mungkin hanya membuat sahamnya lebih likuid saja. Di sini juga dapat dijadikan rujukan bagi para peneliti yang bingung karena hipotesisnya ditolak. Ditolak atau diterima tidak masalah selama memang ada penjelasan yang masuk akal. 

Berikut adalah contoh dua distribusi data dari suatu sampel sebelum dikenai suatu treatment dengan setelah dikenai treatment

Contoh Data Uji Paired T Test atau Uji T Sampel Berpasangan

Ada 50 data yang disusun seperti gambar di atas. Sebelum melakukan Uji hipotesis, maka perlu dilihat apakah kedua data terdistribusi normal atau tidak. Ini syarat untuk statistik parametrik.

Menu Uji Normalitas dengan Kolmogorov-Smirnov
Pilih Analyze, Nonparamatrics Tests, Legacy Dialogs klik pada 1-Sample K-S sehingga akan diarahkan ke sub menu sebagai berikut:

Masukkan Kedua Variabel ke dalam Box
Masukkan kedua variabel, Sebelum dan Sesudah ke dalam box di sebelah kanan. Pastikan Test Distribution di kiri bawah dberikan tanda centang pada Normal, lalu klik OK. Maka akan keluar output Uji Normalitas dengan Kolmogorov-Smirnov sebagai berikut:

Output Uji Normalitas dengan Kolmogorov-Smirnov
Tampak pada gambar di atas, bahwa kedua data telah terdistribusi secara normal dengan Signifikansi di atas 0,05. Berarti dapat dikenai statistik Uji T Sampel Berpasangan. Pilih Analyze, Compare Means lalu klik pada Paired-Samples T Test

Menu Uji T Sampel Berpasangan
Maka Anda akan diarahkan ke Sub Menu yaitu sebagai berikut:

Memasukkan Variabel ke Menu Paired T Test
Masukkan variabel Sebelum dan Sesudah seperti pada gambar di atas, Lalu klik pada OK, sehingga akan keluar output sebagai berikut:

Output Rata-rata dan Standar Deviasi
Output yang pertama adalah nilai rata-rata dan standar deviasi. Tampak bahwa nilai rata-rata Sebelum adalah sebesar 24,40 dan Sesudah adalah sebesar 25,10. Lebih tinggi Sesudah. Sedangkan standar deviasinya adalah 1,969 untuk Sebelum dan sebesar 2,082 untuk Sesudah. Keduanya tidak terlalu berbeda. Berikutnya adalah output Korelasi.
Output Nilai Korelasi Kedua Sampel

Kedua sampel mempunyai korelasi sebesar 0,647 dengan Signifikansi sebesar 0,000 yang berarti terdapat korelasi yang signifikan antara Sebelum dengan Sesudah. Korelasi tersebut sebenarnya sama dengan Korelasi Pearson

Untuk menentukan apakah terdapat perbedaan atau tidak, maka dipergunakan output yang ketiga yaitu sebagai berikut:

Output Uji T Sampel Berpasangan

Tampak bahwa selisih rata-rata antara Sebelum dengan Sesudah adalah sebesar 0,700. Nilai negatif menunjukkan bahwa nilai rata-rata Sesudah lebih tinggi dibandingkan sebelum atau ada peningkatan. Nilai T hitung adalah sebesar -2,903. Tanda negatif menunjukkan arah atau bahwa terjadi peningkatan. Jadi tinggal dibandingkan nilai mutlaknya dengan T pada tabel. Atau bisa juga dengan melihat nilai signifikansi yaitu sebesar 0,006 < 0,05 yang berarti signifikan. Terdapat perbedaan yang signifikan antara Sebelum dengan Sesudah. Jika dianalisis lebih lanjut, maka terjadi peningkatan nilainya.

Cara Membuat Tabel T dengan Microsoft Excel

Uji T dilakukan dengan membandingkan nilai T hasil perhitungan dengan nilai T yang terdapat pada Tabel atau juga sering disebut dengan Tabel T.  Uji T bisa digunakan pada statistik komparasi maupun statistik inferensial. Cara membaca T Tabel atau aplikasinya sudah banyak kami ulas di blog ini. Artikel berikut adalah tentang cara mudah membuat Tabel T dengan Microsoft Excel. 

Langkah pertama, adalah membuat Signifikansi yang diinginkan, misalnya 5% atau 0,05 dan df seperti pada gambar di bawah:


Lalu, pada cell B6 seperti pada gambar di atas, masukkan formula =TINV($B$5;A6) di mana tanda = menunjukkan bahwa cell itu diisi dengan formula. TINV adalah menu untuk menghitung nilai T Tabel yang sudah terdapat pada Excel. cell B5 adalah menunjukkan cell yang berisi signifikansi, dalam contoh ini 5% dan A6 adalah derajad kebebasan atau df. Tanda $ yang mengapit kolom B berarti bahwa jika di copy maka cell itu tetap tidak bergerak mengikuti cell yang menjadi tempat pastenya. Jika benar, maka akan memberikan nilai seperti pada gambar di bawah ini:

Nilai T Tabel adalah sebesar 12,706 untuk df 1 pada taraf signifikansi 5% dua arah. Dari cell tersebut tinggal di copy paste kan ke bawah sesuai dengan df yang diinginkan, bisa 20, 50, 100 atau lebih. Jika dapat diganti dengan nilai Signifikansi yang lain, misalnya 1% atau 10% sesuai keperluan. Untuk 5% memberikan hasil sebagai berikut:


Ternyata sederhana kan? Ini hanya untuk pengetahuan umum saja. Dalam praktek, banyak program statistik yang sudah memberikan hasil perhitungan signifikansi sehingga peneliti tidak semata-mata membandingkan dengan T Tabel.

Cari Materi

Berlangganan Gratis Lewat Email ?

Ingin menghubungi kami untuk kerja sama?

Nama

Email *

Pesan *