LAPORAN RESMI PRAKTIKUM STATISTIKA PROGRAM SPSS OLEH : ILHAM FAHUL HOIR K2E008023 JURUSAN ILMU KELAUTAN FAKULTAS PERIKANAN DAN ILMU KELAUTAN UNIVERSITAS DIPONEGORO SEMARANG 2009
LAPORAN RESMI PRAKTIKUM
STATISTIKA
PROGRAM SPSS
OLEH :
ILHAM FAHUL HOIR
K2E008023
JURUSAN ILMU KELAUTAN
FAKULTAS PERIKANAN DAN ILMU KELAUTAN
UNIVERSITAS DIPONEGORO
SEMARANG
2009
BAB I
PENDAHULUAN
1.1. Latar Belakang
Dalam era dimana teknologi informasi telah berkembang pesat, setiap perusahaan
seharusnya dapat memanfaatkan data dan informasi, baik yang telah dimilikinya maupun yang
dapat diperoleh diluar instansinya, untuk mengambil keputusan yang tepat dan obyektif.
Kepekaan dan keakuratan pengambilan keputusan akan dapat ditingkatkan dengan menggunakan
metode dan teknologi yang tepat serta keahlian dan ketrampilan yang handal. Analisis Statistik
terkadang menjadi kendala yang besar (meskipun bukan yang terbesar) bagi seorang mahasiswa
dalam menyelesaikan tugas akhir (skripsi). Hal ini bukan saja dikarenakan mahasiswa yang
bersangkutan kurang dapat menangkap materi yang disampaikan dosen pengajar, tetapi lebih
banyak dikarenakan mata kuliah Statistika, Statistika Lanjutan dan Rancangan Percobaan
diberikan pada pertengahan masa kuliah, sehingga pada saat diperlukan (semester akhir)
mahasiswa yang bersangkutan sudah "kelupaan" dengan materi statistik yang dulu pernah
dikuasainya.SPSS Indonesia mewakili SPSS Inc., produsen software statistik dan data mining
yang berkedudukan di Chicago, USA, untuk wilayah Indonesia. SPSS adalah singkatan dari
Statistical Products and Solution Services. SPSS menyediakan beraneka ragam software, yang
umum maupun spesifik. Untuk mengoptimalkan investasi suatu perusahaan/instansi pembeli
software, kami menyediakan fasilitas pelatihan bagi konsumen, baik yang bersifat umum maupun
dirancang khusus untuk kebutuhan spesifik suatu perusahaan. Sebagai perwakilan dari SPSS Inc.,
yang merupakan suatu perusahaan internasional, paket-paket pelatihan kami bersertifikat
internasional. Software Statistik dan Data Mining SPSS sangat mudah digunakan (userfriendly)
dan mempunyai banyak fasilitas untuk mempersiapkan, mengolah dan menganalisis data secara
statistik. Software maupun pelatihan tersedia dalam berbagai modul yang dapat dipilih sesuai
kebutuhan konsumen. Juga tersedia software untuk membantu pembuatan kuesioner serta
pemasukan data secara otomatis.
1.2 Permasalahan
1.2.1 Pada saat ini bidang statistik dikenal sebagai suatu alat untuk menguji konsep-konsep dan
untuk merasakan arah-arah didalam berbagai ragam disiplin ilmu.
1.2.2 Statistik diperlukan di dalam dunia perguruan tinggi dan dunia perusahaan serta di dalam
kehidupan sehari-hari.
Dari berbagai software khusus statistik yang beredar sekarang, SPSS adalah yang paling
populer dan paling banyak digunakan pemakaiannya di seluruh dunia dalam berbagai riset sains.
Oleh karennya disini kita akan mempelajari program SPSS yang merupakan salah satu software
tentang satistik
1.3 Tujuan
Tujuan dari praktikum statistik SPSS kali ini adalah, mahasiswa diharapkan dapat :
1. Dapat menganalisa data-data statistik dengan metode analisa histogram.
2. Dapat menganalisa data-data statistik dengan metode explore.
3. Dapat menganalisa data-data statistik dengan metode analisa one sample T-Test.
4. Dapat menganalisa data-data statistik dengan metode analisa Independent Sample T-Test.
5. Dapat menganalisa data-data statistik dengan metode Paired Sample T-Test.
1.4 Manfaat
1.4.1 Memberikan pengetahuan baru kepada praktikan tentang program SPSS.
1.4.2 Praktikan tau dan mampu melakukan deskripsi dan inferensia data dengan menggunakan
SPSS
1.4.3 Merupakan suatu bekal untuk praktikan dalam melakukan riset.
BAB II
TINJAUAN PUSTAKA
2.1. Pengertian dan Peran Statistik
Statistika adalah cabang ilmu yang mempelajari tentang bagaimana mengumpulkan, menganalisis
dan menginterpretasikan data. Atau dengan kata lain, statistika menjadi semacam alat dalam melakukan
suatu riset empiris.
Dalam menganalisis data, para ilmuwan menggambarkan persepsinya tentang suatu fenomena.
Deskripsi yang sudah stabil tentang suatu fenomena seringkali mampu menjelaskan suatu teori.
(Walaupun demikian, orang dapat saja berargumentasi bahwa ilmu biasanya menggambarkan bagaimana
sesuatu itu terjadi, bukannya mengapa). Penemuan teori baru merupakan suatu proses kreatif yang
didapat dengan cara mereka ulang informasi pada teori yang telah ada atau mengesktrak informasi yang
diperoleh dari dunia nyata. Pendekatan awal yang umumnya digunakan untuk menjelaskan suatu
fenomena adalah statistika deskriptif.
Sebenarnya banyak sekali definisi tentang statistik, tetapi tidak ada definisi yang memuaskan. Hal ini
disebabkan karena luasnya ruang lingkup statistik. Untuk keperluan praktis, statistik bisa diartikanSecara
sempit dan luas. Dalam arti sempit, statistik berarti data ringkasan berbentuk angka (kuantitatif) Dalam
arti luas, statistik berarti suatu ilmu yang mempelajari cara pengumpulan, pengolahan/pengelompokkan,
penyajian, dan analisis data serta cara pengambilan kesimpulan secara umum berdasarkan hasil penelitian
yang tidak menyeluruh
Statistik pada masa kini mempengaruhi hamper seluruh aspek kehidupan modern, contohnya
antara lain sebagai berikut :
a. Perencanaan secara statistik dan evaluasi peneletian yang membantu terciptanya kemajuan
teknologi dalam menghasilkan dan memproses makanan.
b. Pengembangan dan pengendalian mutu produk.
c. Membantu pengumpulan pendapat umum (polling).
d. Membantu dalam pengambilan keputusan suatu kebijakan dan lain-lain.
2.2. Variabel Statistik dan Skala Pengukuran
Dalam statistik terdapat beberapa macam varibel statistik yang digunakan antara lain :
Variabel Yang Bersifat Kualitatif
Skala Nominal
Skala yang paling primitif, yang hanya bisa menyatakan apakah dua buah nilai sama atau tidak,
dan murni kualitatif. Jika sebuah ruang sampel eksperimen terdiri dari kategori tanpa urutan yang alami,
maka variabel acak yang berkaitan terskala secara nominal. Angka-angka atau jumlah berbeda yang
ditugaskan untuk memberi hasil biasanya mengindikasikan apakah sembarang dua keluaran (outcome)
sama atau tidak ( Anonim, 2009 ).
Namun untuk membandingkan dua opini, kita hanya bisa merelasikannya sebatas kesamaan jenis
atau tidak. Angka atau jumlah tersebut tidak menghasilkan ranking. Variabel binary atau Variabel
dikotomus adalah variabel yang memiliki tepat dua outcome yang eksklusif satu sama lainnya. Jika
angka-angka indikator yang ditentukan tersebut menyampaikan informasi tentang ranking kategori, maka
variabel binari dapat juga dianggap terskala secara ordinal ( Anonim, 2009 ).
Jika kategori (peristiwa) yang merupakan ruang sampel tersebut bersifat ekslusif satu dengan
lainnya, misalnya sebuah elemen statistik bisa berhubungan dengan lebih dari satu kategori, maka
variabel tersebut dinamakan kumulatif. Sebagai contoh, seseorang bisa menerima kualifikasi kategori
profesional yang berbeda. Tapi hanya bisa satu pekerjaan saja yang fulltime ( Anonim, 2009 ).
Variabel Kuantitatif
Pengukuran variabel kuantitatif dapat juga ditafsirkan dengan istilah jarak antara berbagai observasi
tanpa adanya pengurutan yang alami ( Anonim, 2009 ).
Skala Interval
Jika jarak antara pengukuran ditafsirkan lebih mendalam, maka variabel tersebut diukur pada skala
interval. Berlawanan dengan skala rasio, rasio pengukuran tidak mempunyai pengertian yang mendasar,
dan untuk skala ordinal tidak.
Variabel Diskret
Sebuah variabel diskret yang mengambil himpunan nilai-nilai berhingga atau tak hingga disebut
diskret. Contoh: Produksi mobil perbulan atau jumlah bintang di ruang angkasa ( Anonim, 2009 ).
Varibel Kontinyu
Suatu variabel metrik dikatakan kontinyu jika mempunyai sejumlah tak hingga nilai-nilai pada
sembarang interval.
2.3. Elemen ststistik
Populasi adalah keseluruhan dari karakteristik (unit/individu/kasus/barang/peristiwa) hasil
pengukuran yang menjadi obyek penelitian.
Contoh : seluruh penduduk Kabupaten Bekasi, seluruh petani padi yang ada di Bekasi, seluruh anak
jalanan yang ada di Jakarta, dan lain-lain.
Sampel : merupakan bagian dari populasi yang paling tidak mempunyai satu ciri yang sama
dengan populasinya untuk mewakili populasi.
Contoh : penelitian dilakukan pada karyawan PEMDA Tk. II Bekasi sebanyak 5000 (sebagai populasi)
dengan ciri-ciri sebagai berikut : Pria, wanita Penghasilan di bawah 200.000,- per bulan Sudah
berkeluarga Lama bekerja lebih dari 5 tahun, dan lain-lain
Data adalah bahan mentah yang perlu diolah sehingga menghasilkan informasi atau keterangan, baik
kualitatif maupun kuantitatif yang menunjukkan fakta. Jenis data terdiri dari dua, yaitu data kualitatif dan
data kuantitatif.
Data kualitatif adalah data yang berhubungan dengan kategori, karakteristik berupa pertanyaan atau kata-
kata. Contoh : agama, jenis kelamin, suku bangsa, pangkat, status, dll.
2.1 Klasifikasi Statistik
2.4.1 Statistik Parametrik
Statistika parametrik: analisis yang didasarkan atas asumsi bahwa data memiliki sebaran
tertentu (diskrit atau kontinu, normal atau tidak normal) dengan parameter yang belum
diketahui. Fungsi metode statistika adalah untuk meramal parameter, melakukan uji parameter,
atau semata-semata melakukan eskplorasi berdasarkan informasi yagn ada pada data. Statistika
dikelompokkan dalam dua kelompok yaitu statistika deskriptif dan statistika inferensia
(http://bps.papua.go.id/nabire/docs/lain/Pengertian-Statistik-Dasar.pdf).
2.4.1.1 Statistik Deskriptif
Statistika deskriptif merupakan bagian dari statistika yang mempelajari cara
pengumpulan dan penyajian data sehingga mudah dipahami. Statistik deskriptif hanya
berhubungan dengan hal menguraikan atau memberikan keterangan-keterangan mengenai suatu
keadaan, gejala, atau persoalan. Statistik deskriptif mencakup hal berikut:
Distribusi frekuensi beserta bagian-bagiannya, seperti :
o Grafik distribusi (histogram, poligon frekuensi, dan ogive);
o Ukuran nilai pusat (rata-rata, median, modus, kuartil, dan sebagainya);
o Ukuran dispersi (jangkauan, simpangan rata-rata, variasi, simpangan baku,dan
sebagainya);
o Kemencengan dan keruncingan kurva
Angka indeks
Time series / deret waktu
Korelasi dan regresi sederhana
( Walpole dan Myers,1995)
2.4.1.2 Statistik Inferensi
Statistik inferensia adalah serangkaian teknik yang digunakan untuk mengkaji, menaksir
dan mengambil kesimpulan sebagian data (data sampel) yang dipilih secara acak dari seluruh
data yang menjadi subyek kajian (populasi). Statistik inferensia berfungsi meramalkan dan
mengontrol keadaan atau kejadian. Contoh pernyataan yang termasuk dalam cakupan statistik
infernsia; akibat penurunan produksi minyak dua kali lipat pada tahun-tahun mendatang.
Berdasarkan ruang lingkup bahasannya, maka statistik inferensial mencakup: (1) probabilitas
atau teori kemungkinan, (2) distribusi teoretis, (3) sampling dan sampling distribusi, (4)
pendugaan populasi atau teori populasi, (5) uji hipotesis rerata, (6) analisis korelasi dan uji
signifikansi, (7) analisis regresi untuk peramalan, (8) analisis varians, (9) analisis kovarians (
Spiegel, 1972).
2.4.2 Statistik Non – Parametrik
Statistika nonparametrik: analisis yang tidak didasarkan atas asumsi distribusi pada data.
Umumnya teknik ini dipakai untuk data dengan ukuran kecil sehingga tidak cukup kuat untuk
mengasumsikan distrbusi tertentu pada data ( Supangat, 2007).
2.2 Korelasi dan Regresi Sederhana
2.5.1 Korelasi
Untuk mengetahui seberapa erat hubungan antara 2 buah (atau lebih) variabel, digunakan
metode korelasi, baik itu korelasi parametrik maupun korelasi non-parametrik. Di dalam
korelasi, variabel-variabel dianggap sejajar, artinya tidak ada yg dianggap sebagai variabel
bebas (prediktor) dan variabel terikat (respon) seperti halnya regresi linier. Nilai koefisien
korelasi berkisar antara -1 s.d +1. Korelasi yang erat memiliki koefisien mendekati angka +1
atau -1, sedangkan korelasi lemah mendekati angka 0. Tanda (+) atau (-) menyatakan arah
hubungan.
Contoh: Korelasi Bivariat ==> Seberapa erat hubungan antara “uang saku mahasiswa”
dengan nilai nominal “voucher pulsa” yg terjual. Misal koefisien korelasi: r =0.8, maka berarti
seiring peningkatan banyaknya uang saku mahasiswa, maka nominal voucher yang terjual juga
semakin tinggi. Namun apabila koefisien korelasi r = -0.8, maka berarti seiring banyaknya uang
saku mahasiswa, semakin rendah nilai voucher pulsa yang terjual
(http://ineddeni.wordpress.com/2007/08/02/korelasi/).
2.5.2 Regresi sederhana
Analisis regresi linear adalah suatu meode analisis statistik yang menggunakan model
matematika tertentu yang terdiri atas beberapa buah asumsi. Secara teori, jelas bahwa hasil
analisis regresi linear akan mempunyai nilai (valid) hanya jika seluruh asumsi yang digunakan
dapat diterima. Oleh karena itu, seluruh asumsi yang digunakan harus diuji (atau dites)
keabsahannya untuk menguji validitas model. Untuk itulah digunakan pola kerja dalam analisis
regresi linear sebagai berikut.
Gambar 2.1 Pola Kerja dalam Analisis Regresi Linear
Pola tadi dibaca searah jarum jam, dimulai dari kotak di sebelah kiri, dalam bentuk spiral.
Jika hasil diagnosa di kotak bawah memperlihatkan bahwa model yang digunakan telah cukup
baik, maka proses pemodelan dihentikan. Lanjutkanlah dengan analisisnya. Jika modelnya
belum cukup baik, buatlah terapi untuk memodifikasi model
(http://www.math.itb.ac.id/~ma291/rls.htm).
2.3 Sejarah SPSS
Pada tahun 1968, Norman H.Nie, C.Hadlai (Tex) Hull dan Dale H.Bent, tiga orang
pemuda dari latar belakang professional berbeda, mengembangkan sistem perangkat lunak yang
berdasarkan gagasan statistika menggunakan untuk mengubah data mentah menjadi informasi
essensial untuk membuat keputusan. Sistem perangkat lunak statistic revolusioner ini disebut
SPSS, yang menjadi calon Statistical Package untuk Ilmu Pengetahuan Sosial. Ketiga pemuda
tersebut membangun SPSS dari keperluan untuk dengan cepat menganalisa volume data ilmu
pengetahuan social yang dikumpulkan lewat berbagai metode penelitian. Dilakukan kerja
pertama SPSS di Stanford University dengan maksud untuk membuatnya tersedia hanya untuk
dikonsumsi local dan tak ada distribusi internasional. Nie, seorang ilmuwan social dan Stanford
doctoral calon, mengambil target sasaran dan menetapkan kebutuhan; Bent calon doctor
Stanford university pada penelitian pelaksanaan, mempunyai keahlian analisa dan mendesain
struktur berkas sistem SPSS, dan Hull, yang baru tamat dari Stanfor dengan gelar MBA-nya ,
memprogram SPSS.
SPSS merupakan singkatan dari Statistical Package for Social Science. SPSS pertama
kali dikembangkan sekitar tahun 1960 sebagai perangkat lunak untuk sistem statistik pada
komputer Mainframe oleh Norman H. Nie, C. Hadly, dan Dale Bent dari Stanford University.
Pada tahun 1984 dikeluarkan SPSS/PC+ untuk personalkomputer (PC), sedangkan untuk versi
Windows diliris pada tahun 1992. Sesuai perkembangannya dari tahun 1994 sampai 1999,
beberapa produk yang telah dikeluarkan oleh SPSS, yaitu BMDP Statistical software, jandel
ScientificSoftware, Clear Software, In2itive Technologies AS, Intergal Solution Ltd, dan Vento
Software.
SPSS memiliki berbagai macam versi untuk komputer Windows, MacOS, dan UNIX.
Namun perkembangan SPSS lebih fokus pada platform Windows. Perkembangan dan penjualan
produk SPSS dikendalikan oleh perusahaan SPSS.Inc.
( Irunsah, 2007).
2.4 Cara kerja SPSS
Untuk memulai SPSS 12.0 pastikan terlebih dahulu software SPSS 12.0 telah terinstal
pada komputer anda (baik dalam sistem operasi Windows XP, Windows Vista, Linux, ataupun
Macintosh). Untuk memulai SPSS 12.0 awali dengan mengklik start, kemudian klik all
programs selanjutnya klik SPSS for Windows lalu klik SPSS for Windows, sehingga akan
tampak di layar Gambar
2.5 Window SPSS
SPSS (Statistical Product and Service Solution) merupakan salah satu program aplikasi statistik
yang sering digunakan untuk pengolahan data.
Pada saat pertama kali SPSS dibuka, tampilan akan tampak SPSS data editor yang
mempunyai dua tampilan dalam satu layer, yaitu tampilan data view dan variable view. Menu
yang dipakai adalah:
File : untuk membuat file baru, membuka file tertentu, mencetak isi editor,
dll.
Terdiri dari :
1. Open
2. Save & Save as
3. Display data info
4. Print
5. Exit
Editor : untuk memperbaiki atau mengubah nilai data.
Terdiri dari :
1. Undo & Redo
2. Cut & Clear
3. Copy & Paste
4. Find
5. Edit Option
View : untuk mengatur toolbar.
Terdiri dari :
1. Status Bar
2. Tool Bar
3. Fonts
4. Grid lines
5. Value Labels
Data : untuk mengurutkan data berdasarkan kriteria tertentu.
Terdiri dari :
1. Define dates
2. Insert variable
3. Insert case
4. Go to case
5. Sort case
6. Transpose
7. Merge files
8. Aggregate
9. Split file
10. Select case
11. Weight case
Transform : untuk membuat perubahan pada variabel yang telah dipilih.
Terdiri dari :
1. Compute
2. Random number seed
3. Count
4. Recode
5. Categorize variables
6. Rank cases
7. Automatic recode
8. Create time series
9. Replace missing value
Analyze : untuk melakukan semua prosedur perhitungan statistik.
Terdiri dari :
1. Reports
2. Descriptive statistic
3. Compare means
4. General linier models
5. Correlate
6. Regression
7. Loglinier
8. Classify
9. Data reduction
10. Scale
11. Non parametric test
12. Survival
13. Multiple response
Graph : untuk membuat berbagai jenis grafik untuk mendukung analisa.
Terdiri dari :
1. gallery
2. interactive
3. bar
4. line
5. area
6. pie
7. high low
8. pareto
9. control
10. boxplot
11. error bar
12. scatter
13. histogram
14. p – p
15. q –q
16. sequence
17. ROC curve
18. Time series
Utilities : untuk memberi informasi tentang variabel yang sedang dikerjakan.
Terdiri dari :
1. Variable
2. File info
3. Define sets
4. Auto nem case
5. Run script
Windows : untuk berpimdah diantara menu – menu yang lain.
Terdiri dari :
1. Minimize all windows
Help : untuk menyediakan bantuan informasi mengenai program SPSS.
Terdiri dari :
1. Topics
2. Tutorial
3. SPSS homepage
4. Syntax guide
5. Statistic coach
6. About
7. Register product
Selain data editor, menu lainnya adalah Menu output viewer (untuk menampilkan hasil
pengolahan data atau informasi), Menu syntax viewer (untuk menuliskan beberapa perintah atau
pilihan yang hanya dapat digunakan dengan SPSS Command Language), dan Menu script editor
(untuk melakukan berbagai pengerjaan SPSS secara otomatis, seperti membuka dan menutup file,
export chart, dll).
2.6 Morfometri Kerang Anadara granosa
Pertumbuhan kerang A. granosa dapat diamati dengan melihat pertambahan ukuran
cangkang kerang. Bertambahnya ukuran kerang ditandai dengan bertambahnya garis
pertumbuhan. Secara umum pengukuran panjang merupakan salah satu parameter untuk
mengetahui pertumbuhan kerang. Faktor-faktor yang mempengaruhi pertumbuhan kerang yaitu
musim, suhu, makanan, salinitas dan faktor kimia air lainnya yang berbeda-beda pada masing-
masing daerah. Untuk upaya pelestarian kerang A. granosa di perairan Teluk Sungai Pisang
Kota Padang dilakukan penelitian tentang kondisi kerang A. granosa tersebut dengan tujuan
untuk mengetahui kepadatan kerang A. granosa dan pertumbuhannya. Penelitian ini diharapkan
dapat digunakan sebagai informasi dasar untuk menggali dan mengembangan potensi kerang A.
granosa di daerah tersebut (F. N. Oon, 2006).
2.7 Dinamika Populasi Kerang Anadara granosa
Kepadatan populasi kerang A. granosa berdasarkan individu dan berat kering isi pada
masing-masing strata dapat dilihat pada Tabel 1. Kepadatan populasi A. granosa berdasarkan
jumlah individu/m2 berkisar 0,3–1,8 ind./m2. Kepadatan populasi kerang yang tertinggi pada
strata III stasiun 1 yaitu 1,8 ind./m2 dan terendah strata II stasiun 1 yaitu 0,3 ind./m2. Rerata
kepadatan populasi kerang A. granosa berdasarkan jumlah individu/m2 pada strata I, II dan III
yaitu 0,3; 1,0 dan 1,4 ind./m2. Jumlah kerang A. granosa yang ditemukan selama pencuplikan
yaitu 81 individu. Pada strata I ditemukan 9 individu, strata II 30 individu dan strata III 42
individu yang tersebar pada masing-masing kedalaman. Jumlah individu populasi kerang A.
granosa cenderung lebih tinggi di kedalaman 1-1,5 m. Kerang yang didapatkan pada kedalaman
ini berukuran 30 mm lebih dan merupakan kerang yang sudah dewasa. Menurut Baron [12]
bahwa kerang Anadara matang kelamin ukuran 20 mm atau lebih. Kepadatan populasi kerang
A. granosa yang tertinggi yaitu 1,8 ind./m2 pada strata III stasiun 1 kedalaman 0,5 m tetapi
kerang yang ditemukan berukuran kecil-kecil yaitu kurang 20 mm.
Berdasarkan berat kering isi kerang A. granosa berkisar 0,08–0,58 g/m2 (Tabel 1).
Kepadatan populasi kerang yang tertinggi pada strata III stasiun 2 yaitu 0,58 g/m2 dan terendah
strata II stasiun 1 yaitu 0,08 ind/m2. Rerata kepadatan populasi kerang A granosa berdasarkan
berat kering isi pada strata I, II dan III yaitu 0,05; 0,33 dan 0,43 g/m2. Kepadatan populasi
kerang A. granosa baik berdasarkan jumlah individu perluas area (ind/m2) maupun berat kering
isi kerang (g/m2) didapatkan hasil yang sama yaitu memiliki kepadatan populasi tertinggi pada
strata III dan yang terendah pada strata I.
Struktur populasi kerang A. granosa yang ditemukan di mangrove tergantung pada
struktur substrat [13]. Pada strata II substrat dasar keras sisa dari terumbu karang mati, sehingga
mengganggu tempat hidup kerang darah A. granosa. Strata III, lokasi sangat luas dan landai,
serta berhubungan dengan laut Samudra dan di halangi oleh beberapa buah pulau kecil yaitu
pulau Setan, pulau Pasumpahan sehingga arus relatif tenang. Strata III merupakan dasar perairan
pantai yang cocok dihuni oleh organisme penggali, khususnya penggali cepat. Lapisan pasir
berlumpur yang tebal dan luas di lokasi penelitian ini menyebabkan kerang A. granosa cocok
hidup pada substrat tersebut (F. N. Oon, 2006).
BAB III
MATERI DAN METODA
3.1. Waktu dan Tempat
Waktu : 13.00 – selesai WIB
Tempat : Laboratorium Komputer Ilmu Kelautan, FPIK
3.2. Materi
SPSS (Statistical Product and Service Solution) merupakan salah satu program aplikasi statistik
yang sering digunakan untuk pengolahan data.
Pada saat pertama kali SPSS dibuka, tampilan akan tampak SPSS data editor yang
mempunyai dua tampilan dalam satu layer, yaitu tampilan data view dan variable view. Menu
yang dipakai adalah:
File : untuk membuat file baru, membuka file tertentu, mencetak isi editor,
dll.
Terdiri dari :
6. Open
7. Save & Save as
8. Display data info
9. Print
10. Exit
Editor : untuk memperbaiki atau mengubah nilai data.
Terdiri dari :
6. Undo & Redo
7. Cut & Clear
8. Copy & Paste
9. Find
10. Edit Option
View : untuk mengatur toolbar.
Terdiri dari :
6. Status Bar
7. Tool Bar
8. Fonts
9. Grid lines
10. Value Labels
Data : untuk mengurutkan data berdasarkan kriteria tertentu.
Terdiri dari :
12. Define dates
13. Insert variable
14. Insert case
15. Go to case
16. Sort case
17. Transpose
18. Merge files
19. Aggregate
20. Split file
21. Select case
22. Weight case
Transform : untuk membuat perubahan pada variabel yang telah dipilih.
Terdiri dari :
10. Compute
11. Random number seed
12. Count
13. Recode
14. Categorize variables
15. Rank cases
16. Automatic recode
17. Create time series
18. Replace missing value
Analyze : untuk melakukan semua prosedur perhitungan statistik.
Terdiri dari :
14. Reports
15. Descriptive statistic
16. Compare means
17. General linier models
18. Correlate
19. Regression
20. Loglinier
21. Classify
22. Data reduction
23. Scale
24. Non parametric test
25. Survival
26. Multiple response
Graph : untuk membuat berbagai jenis grafik untuk mendukung analisa.
Terdiri dari :
19. Gallery 36. Times series
20. interactive
21. bar
22. line
23. area
24. pie
25. high low
26. pareto
27. control
28. boxplot
29. error bar
30. scatter
31. histogram
32. p – p
33. q –q
34. sequence
35. ROC curve
Utilities : untuk memberi informasi tentang variabel yang sedang dikerjakan.
Terdiri dari :
6. Variable
7. File info
8. Define sets
9. Auto nem case
10. Run script
Windows : untuk berpimdah diantara menu – menu yang lain.
Terdiri dari :
2. Minimize all windows
Help : untuk menyediakan bantuan informasi mengenai program SPSS.
Terdiri dari :
8. Topics
9. Tutorial
10. SPSS homepage
11. Syntax guide
12. Statistic coach
13. About
14. Register product
Selain data editor, menu lainnya adalah Menu output viewer (untuk menampilkan hasil
pengolahan data atau informasi), Menu syntax viewer (untuk menuliskan beberapa perintah atau
pilihan yang hanya dapat digunakan dengan SPSS Command Language), dan Menu script editor
(untuk melakukan berbagai pengerjaan SPSS secara otomatis, seperti membuka dan menutup file,
export chart, dll).
3.3 Metode praktikum
3.3.1 Pengenalan Paket Program SPSS
SPSS (Statistical Product and Service Solution) merupakan salah satu program aplikasi
statistik yang sering digunakan untuk pengolahan data.
Pada saat pertama kali SPSS dibuka, tampilan akan tampak SPSS data editor yang
mempunyai dua tampilan dalam satu layer, yaitu tampilan data view dan variable view. Menu
yang dipakai adalah:
File : untuk membuat file baru, membuka file tertentu, mencetak isi editor,
dll.
Editor : untuk memperbaiki atau mengubah nilai data.
View : untuk mengatur toolbar.
Data : untuk mengurutkan data berdasarkan kriteria tertentu.
Transform : untuk membuat perubahan pada variabel yang telah dipilih.
Analyze : untuk melakukan semua prosedur perhitungan statistik.
Graph : untuk membuat berbagai jenis grafik untuk mendukung analisa.
Utilities : untuk memberi informasi tentang variabel yang sedang dikerjakan.
Windows : untuk berpimdah diantara menu – menu yang lain.
Help : untuk menyediakan bantuan informasi mengenai program SPSS.
Selain data editor, menu lainnya adalah Menu output viewer (untuk menampilkan hasil
pengolahan data atau informasi), Menu syntax viewer (untuk menuliskan beberapa perintah atau
pilihan yang hanya dapat digunakan dengan SPSS Command Language), dan Menu script editor
(untuk melakukan berbagai pengerjaan SPSS secara otomatis, seperti membuka dan menutup
file, export chart, dll).
Langkah – langkah memasukkan data dalam SPSS:
1. Membuat lembar kerja baru
Pilih menu utama file
Pilih submenu new
Klik data
2. Menamai variabel yang diperlukan
Klik variable view yang ada dibagian kiri bawah, maka pada SPSS data editor akan
tampil kolom – kolom dengan heading name, type, widht, decimal, labels, value, dsb.
3. Memasukkan data dengan terlebih dulu mengaktifkan data view.
3.3.2 Statistik Deskriptif (Explore)
Langkah – langkah:
Klik Analyze
Pilih Descriptive statistic
Klik Explore
Pindahkan data panjang dan lebar dari kolom kiri kekolom dependent list dengan cara
mengeblok kemudian klik tanda panah.
Klik Statistics kemudian beri tanda (v) pada descriptive.
Klik continue
Klik plots untuk keseragaman, pada boxplot pilih factor levels together dan pada
descriptive pilih steam and leaf.
3.3.3 Menguji Normalitas dan Varians
Konsep penting dalam statistik inferensi adalah: (1) apakah beberapa ssampel yang telah
diambil berasal dari populasi yang sama (populasi data berdistribusi normal)? Dan (2) apakah
sampel – sampel tersebut mempunyai varians yang sama?
Langkah – langkah:
Klik Analyze
Pilih Descriptive statistic
Klik Explore
Pindahkan data ukuran dari kolom kiri ke kolom dependent list dengan cara mengeblok
kemudian klik tanda panah.
Pindahkan data kode dari kolom factor list dengan cara mengeblok kemudian klik tanda
panah.
Klik Statistic kemudian beri tanda (v) pada descriptive.
Klik continue
Klik Plots dan untuk keseragaman, pada bloxplot pilih non dan pada desctriptive tidak
ada yang dipilih.
Beri tanda (v) pada normality plots with test.
Pada bagian spread vs level with levene test pilih power estimation.
Klik continue
Pada bagian display pilih both
Klik OK.
3.3.4 Scetterplot
Deskriptif ini digunakan untuk mengetahui sebaran data pada statistik univarian.
Langkah – langkah:
Klik graph
Pilih scatte / dot
Klik simple scatter
Klik define
Pindahkan data logpanjang dari kolom kiri ke kolom X axis dengan cara mengeblok
kemudian klik panah
Pindahkan data loglebar dari kolom kiri ke kolom Y axis dengan cara mengeblok
kemudian klik panah.
OK
3.3.5 Hipotesis
Ho = tidak ada hubungan antara panjang cangkang dengan lebar cangkang pada kerang
Anadara granosa.
Hi = ada hubungan antara panjang cangkang dengan lebar cangkang pada kerang
Anadara granosa.
3.3.6 Regresi dan korelasi
Analisa regresi linier sederhana merupakan analisis yang membicarakan hubungan antara
2 buah variabel, yaitu variabel bebas dan variavel tergantung.
Langkah – langkah:
Klik Analyze
Pilih regression
Pilih linier
Pindahkan data logpanjang dari kolom kiri ke kolom independent dan loglebar ke kolom
dependent dengan cara mengeblok kemudian klik panah.
Pada kolom method pilih enter
Klik tombol statistic
Pada kolom regression coefficient pilih estimate
Beri tanda (v) pada model fit dan descroptive.
Pada kolom residual beri tanda (v) pada casewise diagnostic dan pilih all cases.
Klik continue
Klik tombol plots
Klik pilihan sdresid dan masukkan kekolom Y lalu klik pilihan zpred dan masukkan
kekolom X.
Klik next
Klik pilihan zpred dan masukkan kekolom Y lalu klik dependnt dan masukkan kekolom
Y.
Pada kolom standardized residual plots beri tanda (v) pada normal probability plot.
Klik continue
Klik Ok
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil
4.1.1 Pengenalan Paket Program SPSS
Memasukkan data
Uji frekuensi
Statistics
tinggi badan
tinggi badan
Statistics
Frequency Percent Valid
Percent Cumulative Percent
Vali
d 159.6
0 2 8.0 8.0 8.0
161.30
1 4.0 4.0 12.0
164.8
0 2 8.0 8.0 20.0
167.20
2 8.0 8.0 28.0
168.5
0 2 8.0 8.0 36.0
168.6
0 1 4.0 4.0 40.0
168.90
3 12.0 12.0 52.0
170.2
0 1 4.0 4.0 56.0
170.40
3 12.0 12.0 68.0
172.5
0 4 16.0 16.0 84.0
174.5
0 2 8.0 8.0 92.0
177.5
0 1 4.0 4.0 96.0
180.3
0 1 4.0 4.0 100.0
Total 25 100.0 100.0
155.00 160.00 165.00 170.00 175.00 180.00 185.00
tinggi badan
0
2
4
6
8
10
Fre
qu
en
cy
Mean = 169.40Std. Dev. = 4.96328N = 25
Histogram
tinggi badan jenis kelamin
N Valid 25 25 Missing 0 0
Mean 169.4000 1.56 Std. Error of Mean .99266 .101 Median 168.9000 2.00 Std. Deviation 4.96328 .507 Variance 24.634 .257 Skewness -.155 -.257 Std. Error of Skewness .464 .464 Kurtosis .452 -2.110 Std. Error of Kurtosis .902 .902 Range 20.70 1 Minimum 159.60 1 Maximum 180.30 2 Percentiles 25 167.2000 1.00
50 168.9000 2.00 75 172.5000 2.00
tinggi badan
Frequency Percent Valid
Percent Cumulative
Percent
Valid 159.6
0 2 8.0 8.0 8.0
161.30
1 4.0 4.0 12.0
164.8
0 2 8.0 8.0 20.0
167.20
2 8.0 8.0 28.0
168.5
0 2 8.0 8.0 36.0
168.6
0 1 4.0 4.0 40.0
168.90
3 12.0 12.0 52.0
170.2
0 1 4.0 4.0 56.0
170.40
3 12.0 12.0 68.0
172.5
0 4 16.0 16.0 84.0
174.5
0 2 8.0 8.0 92.0
177.5
0 1 4.0 4.0 96.0
180.3
0 1 4.0 4.0 100.0
Total 25 100.0 100.0
jenis kelamin
Frequency Percent Valid
Percent Cumulative
Percent
Valid pria 11 44.0 44.0 44.0 wanita 14 56.0 56.0 100.0 Total 25 100.0 100.0
159.60
161.30
164.80
167.20
168.50
168.60
168.90
170.20
170.40
172.50
174.50
177.50
180.30
tinggi badan
pria
wanita
jenis kelamin
One sample T-Test
One-Sample Statistics
N Mean Std.
Deviation Std. Error
Mean
Total
Haemocyte 25
3888.800
0 1124.33803
224.8676
1
One-Sample Test
Test Value = 5037.308
t df Sig. (2-
tailed) Mean
Difference
95% Confidence
Interval of the Difference
Lower Upper
Total Haemocyte -5.107 24 .000
-1148.5080
0
-1612.611
9
-
684.4041
Paired sample T – test
Paired Samples Statistics
Mean N Std.
Deviation Std. Error
Mean
Pair 1 sebelum
perlakuan 4054.000
0 25 1205.52893
241.1057
9 sesudah diberi
perlakuan 4685.600
0 25 1757.65014
351.5300
3
Paired Samples Correlations
N Correlation Sig.
Pair 1 sebelum
perlakuan &
sesudah diberi perlakuan
25 .280 .175
Paired Samples Test
Paired Differences
t df
Sig. (2-
tailed
) Mean Std.
Deviation Std. Error
Mean
95% Confidence
Interval of the Difference
Lower Upper
Pair 1 sebelum
perlak
uan - sesuda
h
diberi
perlakuan
-631.6000
0 1831.78802
366.3576
0
-1387.724
93
124.5249
3 -1.724 24 .098
Independent sample T – test
Group Statistics
jenis perlakuan N Mean Std.
Deviation Std. Error
Mean
Total Haemocyte Count
ekstrak air kunyit 1% 25
4361.9328
1023.80056 204.7601
1 Powder kunyit 1 %
25 3080.800
0 1620.26469
324.0529
4
Independent Samples Test
Levene's Test for
Equality of
Variances t-test for Equality of Means
F Sig. t df
Sig.
(2-taile
d)
Mean Differen
ce Std. Error
Difference
95% Confidence Interval of the
Difference
Lower Upper
Total Haemocyte
Count
Equal variances assumed 3.10
1 .085
3.34
2 48 .002
1281.13
280 383.32364
510.40
897 2051.856
63
Equal variances not assumed
3.34
2 40.
530 .002
1281.13
280 383.32364
506.72
206 2055.543
54
4.1.2 Statistik Deskriptif (Explore)
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
panjang 25 100.0% 0 .0% 25 100.0%
lebar 25 100.0% 0 .0% 25 100.0%
Descriptives
Statistic Std. Error
panjang Mean 1.8652 .05848
95% Confidence Interval
for Mean
Lower Bound 1.7445
Upper Bound 1.9859
5% Trimmed Mean 1.8569
Median 1.7200
Variance .085
Std. Deviation .29238
Minimum 1.50
Maximum 2.40
Range .90
Interquartile Range .60
Skewness .471 .464
Kurtosis -1.364 .902
lebar Mean 2.5092 .10050
95% Confidence Interval
for Mean
Lower Bound 2.3018
Upper Bound 2.7166
5% Trimmed Mean 2.4502
Median 2.3000
Variance .253
Std. Deviation .50251
Minimum 2.00
Maximum 4.20
Range 2.20
Interquartile Range .56
Skewness 1.976 .464
Kurtosis 4.534 .902
panjang Stem-and-Leaf Plot
Frequency Stem & Leaf
3,00 15 . 005
6,00 16 . 000079 4,00 17 . 0002
2,00 18 . 00
1,00 19 . 0
,00 20 . 2,00 21 . 00
4,00 22 . 0000
2,00 23 . 00 1,00 24 . 0
Stem width: ,10
Each leaf: 1 case(s)
lebar Stem-and-Leaf Plot
Frequency Stem & Leaf
5,00 2 . 01111
9,00 2 . 222233333
3,00 2 . 445 3,00 2 . 677
2,00 2 . 89
1,00 3 . 0
,00 3 . 1,00 3 . 5
1,00 Extremes (>=4,2)
Stem width: 1,00
Each leaf: 1 case(s)
4.1.3 Menguji Normalitas dan Varian
Case Processing Summary
parameter
ukur
Cases
Valid Missing Total
N Percent N Percent N Percent
murfometri kerang panjang 23 100.0% 0 .0% 23 100.0%
lebar 23 100.0% 0 .0% 23 100.0%
Descriptives
parameter ukur Statistic Std. Error
murfometri kerang panjang Mean .2707 .01399
95% Confidence Interval
for Mean
Lower Bound .2417
Upper Bound .2997
5% Trimmed Mean .2700
Median .2553
Variance .005
Std. Deviation .06709
Minimum .18
Maximum .38
Range .20
Interquartile Range .14
Skewness .223 .481
Kurtosis -1.526 .935
lebar Mean .2689 .01432
95% Confidence Interval
for Mean
Lower Bound .2392
Upper Bound .2986
5% Trimmed Mean .2680
Median .2553
Variance .005
Std. Deviation .06866
Minimum .18
Maximum .38
Range .20
Interquartile Range .14
Skewness .223 .481
Kurtosis -1.572 .935
Tests of Normality
parameter
ukur
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
murfometri kerang panjang .178 23 .057 .896 23 .021
lebar .191 23 .030 .891 23 .017
a. Lilliefors Significance Correction
Test of Homogeneity of Variance
Levene
Statistic df1 df2 Sig.
murfometri kerang Based on Mean .035 1 44 .852
Based on Median .029 1 44 .866
Based on Median and
with adjusted df .029 1 43.978 .866
Based on trimmed mean .033 1 44 .856
4.1.4 Scetterplot
4.1.5 Hipotesis
4.1.6 Regresi dan korelasi
Descriptive Statistics
Mean Std. Deviation N
lebar cangkang .2657 .06668 25
panjang cangkang .2657 .06668 25
Correlations
lebar cangkang
panjang
cangkang
Pearson Correlation lebar cangkang 1.000 1.000
panjang cangkang 1.000 1.000
Sig. (1-tailed) lebar cangkang . .000
panjang cangkang .000 .
N lebar cangkang 25 25
panjang cangkang 25 25
Variables Entered/Removedb
Model
Variables
Entered
Variables
Removed Method
1 panjang
cangkanga
. Enter
a. All requested variables entered.
b. Dependent Variable: lebar cangkang
Model Summaryb
Model R R Square
Adjusted R
Square
Std. Error of
the Estimate
1 1.000a 1.000 1.000 .00000
a. Predictors: (Constant), panjang cangkang
b. Dependent Variable: lebar cangkang
ANOVAb
Model
Sum of
Squares df Mean Square F Sig.
1 Regression .107 1 .107 . .000a
Residual .000 23 .000
Total .107 24
a. Predictors: (Constant), panjang cangkang
b. Dependent Variable: lebar cangkang
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) .000 .000 . .
panjang cangkang 1.000 .000 1.000 . .
a. Dependent Variable: lebar cangkang
Casewise Diagnosticsa
Case
Numbe
r Std. Residual lebar cangkang
Predicted
Value Residual
1 . .32 .3222 .00000
2 . .36 .3617 .00000
3 . .20 .2041 .00000
4 . .23 .2304 .00000
5 . .34 .3424 .00000
6 . .34 .3424 .00000
7 . .34 .3424 .00000
8 . .23 .2304 .00000
9 . .26 .2553 .00000
10 . .36 .3617 .00000
11 . .34 .3424 .00000
12 . .38 .3802 .00000
13 . .18 .1761 .00000
14 . .26 .2553 .00000
15 . .32 .3222 .00000
16 . .23 .2304 .00000
17 . .20 .2041 .00000
18 . .28 .2788 .00000
19 . .20 .2041 .00000
20 . .20 .2041 .00000
21 . .18 .1761 .00000
22 . .22 .2227 .00000
23 . .24 .2355 .00000
24 . .23 .2279 .00000
25 . .19 .1903 .00000
a. Dependent Variable: lebar cangkang
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value .1761 .3802 .2657 .06668 25
Std. Predicted Value -1.345 1.717 .000 1.000 25
Standard Error of
Predicted Value . . . . 0
Adjusted Predicted Value . . . . 0
Residual .00000 .00000 .00000 .00000 25
Std. Residual . . . . 0
Stud. Residual . . . . 0
Deleted Residual . . . . 0
Stud. Deleted Residual . . . . 0
Mahal. Distance .025 2.947 .960 .761 25
Cook's Distance . . . . 0
Centered Leverage Value .001 .123 .040 .032 25
a. Dependent Variable: lebar cangkang
4.2 Pembahasan
4.3 Pembahasan
4.2.1 Pengenalan Paket Program SPSS
Pada Praktikum saat ini kita semua telah membahas mengenai salah satu program yang terpenting
dan diterapkan dalam bidang ilmu statistika yaitu program SPSS. Didalam program ini,
pengolahan data yang digunakan yaitu pengolahan secara digital, hal ini dikarenakan program
SPSS ini merupakan suatu software yang digunakan untuk membantu mempermudah pengolahan
sample data yang spasial.
Pada beberapa hasil di atas kita dapat mengetahui bahwa suatu data dapat diolah dengan
berbagai cara tergantung dengan permintaan si pemberi soal. Output yang terdapat pada hasil
pengolahan data diatas kita dapat lihat bahwa terdapat berbagai jenis pengplotan misalnya
histogram, pie chart, boxplot dll. Dalam hal ini saya menggunakan grafik berbentuk histogram
dikarenaka agar dapat mempermudah pembacaan atau penafsiran makna dari grafik yang
tercantum. Jika saya menggunakan pie chart, saya akan menemui beberapa kendala, misalnya
seperti perbedaan warna yang kurang kontras dan tidak dapat mengetahui garis penghubung nilai
mean dll.
Pada Pengolahan datanya, kita menggunakan beberapa data untuk diuji yaitu :
Uji Frekuensi
Di uji data dengan jumlah data sebanyak 25 buah. Hasil yang didapat adalah
sebagai berikut:
Mean = 169.4000
Median = 168.9000
Varians = 24.634
Skewness = - 0.155
Kurtosis = 0.452
Range = 20.70
Nilai maksimum = 180.30
Nilai minimum = 159.60
Pada tabel frekuensi tinggi badan, penafsiran data dilakukan tiap baris dan
dihitung secara kumulatif. Demikian perhitungan dilakukan seterusnya hingga mencapai
100%.
Dari hasil, histogram yang terlihat frekuensi terbesar adalah pada kisaran tinggi
badan ± 170,00
Dari hasil berupa pie chart pada tinggi badan, frekuensi terbesar ada pada kisaran
tinggi badan ± 172,50. Sedangkan dari pie chart data jenis kelamin, frekuensi terbanyak
adalah wanita.
One sample T-Test menggunakan data Ulangan.
Diketahui bahwa nilai rata – rata dari hasil adalah 3888.800 dan standart deviasi
1124.33803.
Pada tabel kedua terdapat pengambilan keputusan dimana:
Jika t output > t table maka H0 ditolak.
Jika t output < t table maka H0 diterima.
Dimana nilai t output adalah – 5.156, maka keputusan yang diambil adalah terima H0 (t
output < t table).
Period Sample T-Test menggunakan perbandingan dua data mingguan atau per periode.
Dari output 1 (Paired Samples statistics) dimana nilai mean T1 adalah 4.054 dan
T2 adalah 4.685. dan output 2 (paired Samples Test) diketahui bahwa korelasi antara
kedua variable T1 dan T2 yaitu 0.280 dengan nilai probabilitas > 0.05. hal ini
menyatakan bahwa korelasi antara T1 dan T2 adalah lemah.
Independent Sample T-Test menggunakan dua buah perbandingan data perlakuan pada
suatu sample.
Outputan pertama (Group Statistics) menunjukan nilai rata – rata dari T1 adalah
4.3619328dan T2 adalah 3.0808000.
Dari nilai t hitung (t kritis) diperoleh 3.34. sehingga nilai table t adalah 2.06.
didapat kesimpulan bawa 3.34 > 2.06 maka tolak H0.
4.2.2 Statistik Deskriptif (Explore)
Semua data berjumlah 50, yang terdiri dari panjang (25) dan lebar (25) dengan percent
valid sebesar 100%.
Output descriptive mendeskripsikan data mengenai nilai masing – masing mean, median,
range, nilai maksimum dan minimum dari masing – masing variable.
4.2.3 Menguji Normalitas dan Varian
Output test of normality terlihat nilai signifikan pada data murfometri kerang adalah
panjang cangkang 0.021 dan lebar cangkang 0.017. dimana nilai signifikansi < 0.05 sehingga
distribusi datanya berdistribusi tidak normal.
Output untuk menguji normalitas dengan plot (Q – Q plot) dilihat bahwa distribusi
datanya dikatakan normal. Hal ini dapat terlihat dari sebaran data di sekeliling garis. Dan
Output pada Detrended normal Q – Q plot terdeteksi pola dari titik – titik yang bukan bagian
dari kurva normal.
4.2.4 Scetterplot
Terlihat sebaran data dalam satu garis dan terdistribusi secara normal.
4.2.5 Hipotesis
H0 = tidak ada korelasi antara 2 variable, dan
H1 = ada korelasi antara 2 variable.
4.2.6 Regresi dan korelasi
Output korelasi dimana hipotesisnya:
H0 = tidak ada korelasi antara 2 variable, dan
H1 = ada korelasi antara 2 variable.
Dimana jika Probabilitas > 0.05 maka H0 diterima, dan sebaliknya jika probabilitas <
0.05 maka H0 ditolak. Karena semua angka probabilitasnya adalah 0.000 maka
keputusannya adalah (0.000 < 0.05) tolah Ho atau terima H1. Dimana semua variabel secara
nyata adalah berkorelasi.
Output model summary dimana nilai R adalah sebesar 1.000 menunjukan bahwa
korelasinya sangat kuat (>0.05). Sedangkan nilai SEE adalah 0.0000 menunjukan model
regresi semakin tepat dalam memprediksi variable dependent.
Output anova diketahui bahwa Fhitung adalah 0 dengan probabilitas 0.000 menunjukan
bahwa panjang cangkang dan lebar cangkang saling mempengaruhi.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
1. Metode statistika dapat dibedakan menjadi dua bagian utama, yaitu statistik parametrik dan
statistik non – parametrik.
2. Statistika parametrik : analisis yang didasarkan atas asumsi bahwa data memiliki sebaran
tertentu (diskrit atau kontinu, normal atau tidak normal) dengan parameter yang belum
diketahui. Fungsi metode statistika adalah untuk meramal parameter, melakukan uji
parameter, atau hanya melakukan eksplorasi berdasarkan informasi yang ada pada data.
3. Statistik non parametrik : analisis yang dipakai tidak didasarkan atas asumsi distribusi pada
data. Umumnya teknik ini dipakai untuk data dengan ukuran kecil sehingga tidak cukup kuat
untuk mengasumsikan distribusi tertentu.
4. Persoalan yang dihadapi pada umumnya adalah menduga atau menguji parameter yang
belum diketahui distribusi tertentu yang dianggap sesuai dengan kondisi data. Metode
statistika yang diturunkan seperti ini disebut metode parametric.
5. Statistik dengan uji hipotesis yaitu untuk membuktikan dengan alat statistika, apabila dugaan
yang dimiliki dapat dibuktikan benar atau sebaliknya. Ada dua kelompok besar yang dapat
dilakukan dengan uji hipotesis: uji hipotesis terkait uji rerata, dan uji hubungan baik terbatas
pada besarnya derajat asosiasi (uji korelasi) atau mencari bentuk hubungan fungsional
beberapa variabel (uji regresi).
5.2 Saran
1. Seharusnya agar lebih efektif, efisien, dan optimal komputer untuk mengolah data lebih
diperbanyak lagi, sehingga tidak ada praktikan yang mengerjakan pengolahan data
dipraktikum berdesak-desakan.
2. Untuk praktikum selanjutnya agar asisten lebih selektif lagi dalam memberi jadwal
praktikum, agar tidak terulang kembali jadwal praktikum yang tidak sesuai dengan jadwal
sebelumnya.
3. Untuk pembelajaran pengolahan data seharusnya asisten lebih komunikatif lagi dengan para
praktikan.