Statistik Inferensial Parametrik.docx

BAB II PEMBAHASAN

2.1. Pengertian Statistik Inferensial Parametrik Menurut Cornelius Trihendradi (2007: 23) Statistik inferen atau induktif adalah penarikan kesimpulan terhadap suatu event yang diamati dengan melakukan analisis data sample. Event yang diamati merupakan populasi yang memiliki karakteristik atau parameter. Sedangkan sample adalah bagian dari populasi yang memiliki karakteristik yang disebut statistik. Proses pengambilan kesimpulan parameter populasi berbasis pada statistik sample dinamakan proses induktif. Menurut C. Trihendradi (2009: 107) Statistik parametrik merupakan prosedur matematis untuk menguji hipotesis statistik. Uji ini memiliki asumsi bahwa distribusi variabel merupakan milik keluarga parametik dan probabilitas distribusi yang telah dikenal-terdistribusi normal. Ukuran data pada uji parametrik adalah scale yang mana memakai mean(rata-rata) sebagai nilai tengah. Menurut Wahana Komputer (2011: 69) Metode parametrik dapat dilakukan dengan persyaratan. Pertama, sample yang dipakai untuk analisis harus berasal dari populasi yang berdistribusi normal. Kedua, jenis data yang dianalisis adalah data kuantitatif. Ketiga, jumplah populasi atau sample yang dipakai minimal berjumlah 30. Jadi penulis menyimpulkan, bahwa statistik inferensial parametrik adalah penarikan kesimpulan dengan prosedur matematis untuk menguji hipotesis statistik berdasarkan analisis dari data sample. Dimana pengujian hipotesis itu merupakan suatu proses penentuan apakah hipotesis itu diterima atau tidak. Beberapa metode statistik infrensial parametrik anatara lain: • Uji t untuk satu sampel • Uji t untuk dua sampel bebas dan berpasangan • One way Anova • Cut Point/ Titik Potong • Manfaat Analisis

1

2.2. Uji T untuk Dua Sample Berdasarkan hubungan antar populasinya uji T dapat digolongkan kedalam dua jenis uji yaitu: Uji T untuk dua sampel bebas atau disebut dengan Independent Sample T-Test dan Uji T untuk dua sampel yang berpasangan atau disebut dengan Paired Sample T-Test: 2.2.1. Uji T untuk Dua Sample Bebas (Independent Sample T-Test) Menurut Triton Prawira Budi (2006: 170) Independent sample t-test adalah pengujian menggunakan distribusi t terhadap signifikansi perbedaan nilai rata-rata tertentu dari dua kelompok sample yang tidak berhubungan. Data yang diperlukan adalah data rasio atau interval. Contoh soal: Pasca libur panjang akhir semester sekolah, sebuah toko yang menjual peralatan tulis-menulis dan keperluan sekolah lainnya,yang bernama “Toko Anak Sekolah” mengadakan diskon besar-besaran. Suatu kali, ada survei dari sebuah lembaga konsumsi Indonesia untuk mengetahui merk mana yang paling laris. Ada dua merk pena yang disurvei, yaitu A dan B. Dari catatan penjualan yang ada selama sebulan diperoleh data sejumlah pena yang terjual sebagai berikut: Hari

A

B

1

250

255

2

248

240

3

240

238

4

215

225

5

200

195

6

205

200

7

198

203

8

190

208

2

9

199

214

10

225

216

11

221

243

12

200

251

13

197

215

14

199

212

15

209

200

Langkah-langkah untuk melakukan uji t dua sample bebas adalah: 1. Masukkan data ke data editor dengan mendefenisikan variabel ke variabel

view. Gambar 2.1 Memulai Uji T untuk Dua Sample Bebas 2. Masukkan semua data jumlah pena yang terjual pada kolom variabel pena, dimulai dari data pena merk A dan setelah itu masukkan data pena merk B pada baris dibawahnya.

3

Gambar 2.2 Memasukan Data Uji T untuk Dua Sample Bebas 3. Klik menu Analyze  Compare Mean  Independent Samples T-Test.

Gambar 2.3 pilih menu Analyze 4. Muncul kotak dialog Independent Samples T-Test. 5. Masukkan variabel “Pena A” ke kotak

Test Variabel(s) dan variabel

“Merk” ke kotak Grouping Variabels.

4

Gambar 2.4 Masukan variabel kekotak Grouping Variabels. 6. Klik Defines Group sehingga muncul kotak dialog Defines Group. 7. Masukkan kode “1” untuk Group 1 dan kode “2” untuk Group 2, lalu klik tombol Continue.

Gambar 2.5 Kotak define group. 8. Berikutnya akan muncul kotak dialog Independent Samples T-Test: Option. Klik Options sehingga muncul kotak dialog Options. Dalam kasus ini akan digunakan selang kepercayaan 95% sesuai default. Setelah itu klik Continue.

5

Gambar 2.6 pengaturan Options 9. Selanjutnya klik OK, dimana hasil pada jendela output muncul tampilan sebagai berikut.

Gambar 2.7 Hasil output uji t untuk dua sampel bebas 2.2.2. Uji T untuk Dua Sample Berpasangan (Paired Sample T Test) Menurut Riduwan (2011: 39) Salah satu bagian dari uji komparasi (compare means) adalah Paired-Sample T-Test. Uji ini berguna untuk melakukan

pengujian

terhadap

dua

sample

yang

saling

berhubungan/berkorelasi atau disebut “sample berpasangan” yang berasal dari populasi yang memiliki rata-rata sama. Misalnya kita akan mengetahui perbedaan rata-rata mata kuliah komputer sebelum praktik dan sesudah praktik.

6

Dengan demikian uji ini dimaksudkan untuk uji beda antara sebelum dan sesudah diberikan treatment tertentu. Menurut Singgih Santoso (2003: 257) Dua sampel yang berpasangan diartikam sebagai sebuah sampel dengan subyek yang sama namun mengalami dua perlakuan atau pengukuran yang berbeda. Contoh soal: Dilakukan sebuah penelitian untuk mengetahui ada tidaknya peningkatan penjualan barang sebelum dan sesudah adanya pemasangan iklan. Data sebagai berikut: penjualan 129 sebelum pemasang an iklan (X1) penjualan 200 sebelum pemasang an iklan (X2)

130

140

110

112

150

90

70

85

110

114

70

150

14 0

11 0

140

300

500

170

600

700

500

40 0

420

230

460

400

300

60 0

Buktikan hipotesis berikut yang berbunyi “terdapat peningkatan penjualan setelah adanya pemasangan iklan”. Langkah-langkah untuk melakukan uji sample test berpasangan: 1. Pilih variabel view kemudian isi kolom-kolom yang tersedia sehingga hasilnya tampak seperti pada gambar berikut.

Gambar 2.8 Menu Variabel

7

2. Setelah anda mendefenisikan variabel masukkan data tersebut sehingga hasilnya tampak sebagai berikut.

Gambar 2.9 Data yang akan diolah 3. Klik menu Analyze, lalu pilih Compare Means, klik Paired Sample T-Test.

Gambar 2.10 Klik menu Analyze.

8

4. Kemudian destinasikan yang akan dianalisis dengan cara mengaktifkan kolom Paired Variabels dengan cara mengklik “penjumlahan sebelum” dan “penjualan sesudah” sehingga berpindah ke kotak Paired Variabels.

Gambar 2.11 Pindah kan kekotak paired 5. Klik OK, maka hasilnya sebagai berikut.

Gambar 2.12 Hasil output

9

2.3. One Sample T-Test Menurut Dr. Riduwan, M.B.A., M.Pd. (2011: 39) One Sample T-Test (uji satu sample dengan t-test) merupakan salah satu analisis untuk membandingkan rata-rata dari dua populasi atau lebih. Uji termasuk dalam Compare Mean.

Uji One Sample T-Test ini juga merupakan statistik

parametrik untuk menguji hipotesis deskriptif bila datanya berbentuk interval atau rasio. Dengan kata lain, Uji One Sample T-Test ini bisa digunakan untuk membandingkan rata-rata sample yang diuji dengan rata-rata populasi yang sudah ada. Menurut Singgih Santoso (2003: 264) Pengujian satu sampel pada prinsip nya ingin menguji apakah suatu nilai tertentu (yang diberikan sebagai pembanding) berbeda secara nyata ataukah tidak dengan rata-rata sebuah sampel. Contoh soal: Telah dilakukan pengumpulan data untuk menguji hipotesis yang menyatakan bahwa daya tahan berdiri pelayanan tokoh di Kota Dandung adalah 5 jam/hari. Berdasarkan sample 25 orang yang diambil secara random terhadap pelayanan toko yang dimintai ketarangan. Masing-masing memberikan data (jam/hari) sebagai berikut. DAYA TAHAN BERDIRI 3 4

3

4

4

6

6

5

7

6

PELAYANAN TOKO

5 5

3

3

3

4

4

5

3

3

6 6

5

4

5

JAM/HARI(X) Buktikan bahwa:

Ha : Daya tahan berdiri pelayanan toko sama dengan 5 jam/hari Ho : Daya tahan berdiri pelayanan toko tidak sama dengan 5 jam/hari Langkah-langkah pengolahan data: 1. Pilih variabel view kemudian isi kolom-kolom yang tersedia sehingga hasilnya tampak seperti pada gambar berikut.

10

Gambar 2.13 Variable view 2. Klik data view kemudian isi data sesuai urutan pada variabel “Daya Tahan Berdiri” 3, 4, 3, 4, 4, 6, 6, 5, 7, 6, 5, 5, 3, 3, 3, 4, 4, 5, 3, 3, 6, 6, 5, 4, 5.

3. Klik menu Analyze, pilih Compare Means kemudian klik One Sample TTest, mka akan muncul kotak dialog seperti berikut.

Gambar 2.14 Menu analyze 4. Isi kolom Test Variable dengan “Daya Bahan Berdiri”. Caranya sorot tulisan “Daya Tahan Berdiri” (kolom kiri) kemudian klik tanda  sehingga berpindah tempat kedalam kolom Test Variable. Jika sudah, klik OK.

11

Gambar 2.15 Pindahkan ke test variable 5. Tunggu beberapa saat, maka akan muncul hasil seperti berikut.

Gambar 2.16 Hasil One Sample t test Contoh kasus: Kasus mempunyai data yang sama dengan data obat penurun berat . Disini dipakai data sebelum (berat badan sebelum minum obat) Misal diduga populasi rata-rata berat sebelum minum obat adalah 84,51 kilogram (lihat iutput SPSS terdahulu). Untuk membuktikan hal tersebut, sekelompok anak muda ditimbang, dan mereka mempunyai rata-rata bedat badan 90 kilogram. dengan data diatas , apakah dapat disimpulkan bahwa berat populasi rata-rata memang 84,51 kilogram ? Data : angka dalam kilogram

12

No

Sebelum

Sesudah

1

76.85

76.22

2

77.95

77.89

3

78.65

79.02

4

79.25

80.21

5

82.65

82.65

6

88.15

82.53

7

92.54

92.56

8

96.25

92.33

9

84.56

85.12

10

88.25

84.56

Penyelesaian: kasus diatas terdiri atas satu sampel yang akan dipakai dengan nilai populasi hipotesis, yaitu 90 kg. Disini populasi diketahui berdistribusi normal, dankarena sampel sedikit dipakai uji t untuk dua sampel yang berpasangan (paired) Langkah-langkah dalam SPSS: 1. Pemasukan Data ke SPSS o Buka menu utama File, pilih menu New, lalu klik mouse pada Data kemudia klik sheet tab Variable View. Pengisian Variabel SEBELUM ➔ Name. sesuai kasus, ketik sebelum. ➔ Width. untuk keseragaman, ketik 8. ➔ Decimal. untuk keseragaman ketik 2. 2. Pengolahan Data dengan SPSS Langkah-langkah: o Buka lembar file uji_t_paired o Pilih menu Analyze, kemudian pilih sub menu Compare-Means. Dari serangkaian pilihan test, sesuai kasus pilih one sample T test.

13

Maka tampak dilayar:

Gambar 2.17 Kotak one sampel t test Pengisian : ➔ Test Variable(s) atau variable yang akan diuji. masukan variabel sebelum. ➔ Test Value atau nilai yang akan diuji , karena akan diuji nilai hipotesis 90kg. ketik 90. ➔ Untuk kolom option pilihan yang lain,dengan mengklik mouse tampak dilayar:

Gambar 2.18 Kotak dialog options

14

pengisian: o Untuk Confidence Interval atau tingkat kepercayaan. Sebagai default, SPSS menggunakan tingkat kepercayaan 95% atau tingkat signifikansi 100% 95%= 5%. o

Untuk Missing Values atau data yang hilang. oleh karena tidak ada data yang hilang, abaikan bagian ini.

➔

KemudianTekan OK untuk mengakhiri pengisian prosedur analisis.

Output SPSS dan Analisis Berikut output uji_t_paired: T-Test

Gambar 2.19 Hasil Outpot one sample Hipotesis: Ho = Berat kelompok anak muda tidak berbeda dengan rata-rata berat populasi sebelum minum. H𝚒= Berat kelompok anak muda tidak berbeda dengan rata-rata berat populasi sebelum minum. 2.4. Uji t dengan Cut Point (TITIK POTONG)

15

Dalam buku Wahana Komputer (2015: 281) Cut Point atau di'sebut' dengan titik potong yaitu suatu angka/data mumerik yang berfungsi sebagai ‘batas’.

Kasus: Seorang Peneliti ingin mengetahui apakah ada perbedaan antara mereka yang berbobot lebih dari 50 KG mempunyai Rata-rata Tinggi Badan yang lebih (Tinggi) dibandingkan mereka yang berbobot kurang dari 50 kg? Data (angka dalam centimeter untuk Tinggi dan kilogram untuk Berat) Tinggi

Berat

Gender

1

174.5

65.8

Pria

2

178.6

62.7

Pria

3

170.8

66.4

Pria

4

168.2

68.9

Pria

5

159.7

67.8

Pria

6

167.8

67.8

Pria

7

165.5

65.8

Pria

8

154.7

48.7

Wanita

9

152.7

45.7

Wanita

10

155.8

46.2

Wanita

11

154.8

43.8

Wanita

12

157.8

58.1

Wanita

13

156.7

54.7

Wanita

14

154.7

49.7

Wanita

Penyelesaian: Kasus diatas terdiri atas dua sampel yang bebas satu dengan yang lain, yaitu sampel yang mempunyai berat badan diatas 50 kg dan sampel yang mempunyai berat badan dibawah 50 kg. Di sini populasi diketahui berdistribusi normal, dan karena sampel sedikit, apalagi uji t untuk dua sampel. 1. Pemasukan Data ke SPSS 16

o Buka menu utama File, pilih menu New, lalu klik mouse pada Data kemudia klik sheet tab Variable View. Pengisian Variabel SEBELUM ➔ Name. sesuai kasus, ketik Tinggi ➔ Width. untuk keseragaman, ketik 8. ➔ Decimal. untuk keseragaman ketik 2. 2. Pengolahan Data dengan SPSS Langkah-langkah: o Buka lembar file uji_t_1 o Pilih menu Analyze, kemudian pilih sub menu Compare-Means. Dari serangkaian pilihan test, sesuai kasus pilih Independent sampel T test. Maka tampak dilayar:

Gambar 2.20 Kotak dialog Independet sample t test Pengisian : ➔ Test Variable(s) atau variable yang akan diuji. masukan variabel tinggi. ➔ Grouping

Variabel

atau

variabel

grup.

Oleh

karena

variabel

pengelompokkan ada pada variabel berat badan, maka masukkan variabel berat. Pengisian grup: Klik pada Define Group... 17

Tampak di layar:

Gambar 2.21 Kotak dialog define groups disini akan dipakai cut point maka klik pada pilihan Cut point, dan kemudian ketik 50 untuk menyatakan bahwa variabel berat dibagi batas/cut point 50 (50 kg) setelah pengisian selesai, tekan continue untuk melanjutkan ke menu sebekumnya. ➔ Untuk kolom Option atau pilihan lain dengan mengklik menu tampak dilayar:

Gambar 2.22 Kotak dialog options Pengisian: ●

Untuk confidence Interval. Isi dengan Angka 95%. o Untuk Missing Values atau data yang hilang. oleh karena tidak ada data yang hilang, abaikan bagian ini.

18

➔ KemudianTekan OK untuk mengakhiri pengisian prosedur analisis. Terlihat SPSS melakukan pekerjaan analisis dan terlihat output SPSS. Output SPSS dan Analisis Berikut output uji_t_1 : T-Test

Gambar 2.22 Hasil output cut point 2.5. One Way Anova Anova atau analysis of variance (Anova) adalah tergolong analisis komparatif lebih dari dua variabel atau lebih dari dua rata-rata. Tujuannya ialah untuk membandingkan lebih dari dua rata-rata. Gunanya untuk menguji kemampuan generalisasi artinya data sample dianggap dapat mewakili populasi. Menurut Singgih Santoso (2003: 291) jika uji t digunakan untuk pengujian dua sampel, uji F atau ANOVA digunakan untuk pengujian lebih dari dua sampel. Sedangkan esensi dari pengujian itu adalah sama, yakni ingin mengetahui apakah ada perbedaan yang signifikan (jelas) antara rata-rata hitung tiga kelompok data atau lebih. Dalam buku Wahana Komputer (2015: 71) Nama lain dari One-Way ANOVA adalah anova satu jalur. Anova satu jalur merupakan salah satu prosedur analisis uji yang digunakan untuk meguji perbedaan mean atau rata19

rata data lebih dari dua kelompok. Analisis anova memiliki prinsip dimana dalam melakukan analisis variabilitas data menjadi dua sumber variasi, yaitu variasi dalam kelompok (within) dan variasi antar kelompok (between). Tekhnik pengujian One-Way Anova adalah perluasan dari t-test dua sampel. Contoh soal: Percetakan Dewa Ruchi Bandung memperkerjakan pegawai dalam 3 shift terdiri dari atas pekerjaan yaitu setting naskah, editor, dan pembuatan cover dalam waktu 15 hari). Direktur penerbitan ingin mengetahui apakah ada perbedaan produktivitas kerjanya diantara 3 kelompok kerja shift selama ini. Untuk kepentingan penelitian ini direktur memerintahkan seorang supervisor untuk mengamati produktivitas kerja ketiga kelompok shift tersebut, berikut ini hasilnya. Contoh soal: Percetakan Dewa Ruchi Bandung memperkerjakan pegawai dalam 3 shift terdiri dari atas pekerjaan yaitu setting naskah, editor, dan pembuatan cover dalam waktu 15 hari ). Direktur penerbitan ingin mengetahui apakah ada perbedaan produktivitas kerjanya diantara 3 kelompok kerja shift selama ini . Untuk kepentingan penelitian ini direktur memerintahkan seorang supervisor untuk mengamati produktivitas kerja ketiga kelompok shift tersebut, berikut ini hasilnya. Langkah-langkah pengolahan data: 1. Menempatkan data sesuai masing-masing kelompok. Data tersebut terdiri dari tiga sampel yang independen satu sama lainnya, yaitu kelompok shift 1 berbeda orang dan waktunya dengan kelompok shift lain. Demikian juga untuk waktu dan anggota kelompok shift yang lain berbeda. Anggaplah atau kita asumsikan dari ke-3 kelompok tersebut berditribusi normal dan homogenya. Karena jumlah variabel lebih dari dua, maka digunakan atau dianalisis dengan uji anova satu jalur (one way anova). Apabila data yang ada tersebut, dimasukkan kedalam SPSS 17.10. Maka harus diubah dulu dalam formatnya, agar dapat diolah sesuai dengan aturan

20

yang ada dalam program SPSS 17.10. Data dikelompokan menjadi tabel berikut:

Produk

Shift

buku

Produk

Shift

buku

Produk

Shift

buku

40

Satu

25

Dua

45

Tiga

50

Satu

46

Dua

44

Tiga

45

Satu

45

Dua

43

Tiga

35

Satu

43

Dua

48

Tiga

25

Satu

27

Dua

54

Tiga

42

Satu

42

dua

53

Tiga

43

Satu

45

dua

56

Tiga

30

Satu

38

dua

40

Tiga

37

Satu

38

dua

35

Tiga

36

Satu

51

dua

38

Tiga

39

Satu

52

dua

39

Tiga

40

Satu

52

dua

41

Tiga

45

Satu

50

dua

43

Tiga

36

Satu

27

Dua

40

Tiga

28

Satu

61

dua

43

Tiga

Dari tabel terlihat ada dua variabel, yaitu variabel produk buku yang mencatat produktivitas pegawai dan variabel shift yang mencatat kelompok

21

shift pegawai, sedangkan jumlah data tetap sama .Hanya penempatannya yang berbeda , yaitu dari susunan horizontal ke susunan vertical arah kebawah . Setiap kasus yang melibatkan perhitungan Anova satu jalur hanya memasukan dua variabel saja. 2. Buka data baru dengan klik mouse pada sheet tab variabel view a. Pengisian variabel produk Kolom Name diisi sesuai kasus, yaitu ketik Produk , kemudian abaikan bagian yang lain dan tekan Ctrl + T artinya kembali ke DATA VIEW. b. Pengisian variabel shift Kolom Name diisi sesuai kasus, yaitu ketik shift Kolom Values diisi kode 1 = satu , 2= dua dan 3 = tiga kemudian tekan ok untuk kembali kekotak dialog utama. Abaikan bagian yang lain dan tekan Ctrl+ T artinya kembali ke DATA VIEW.

Gambar 2.23 Kotak value 3. Pengisian Data a. Sebelum mengisi data , aktifkan value label

dengan menu

view→value label. b. Pada data ini terlihat pada baris pertama tertulis ‘’satu’’ yang telah mempunyai kode 1, maka pada baris pertama kolom kelompok ketik 1 . Terlihat secara otomatis SPSS mengubahnya menjadi keterangan ‘’satu’’ . hal ini terjadi karena pengaktifan Value label .

22

c. Demikian untuk data selanjutnya , pemasukan data menggunakan angka 1,2 dan 3 sesuai keterangan yang dikehendaki. Jika pengisian benar , maka terlihat data seperti pada tabel tersebut , kemudian data tersebut disimpan dengan nama DATA ANOVA-1.

Gambar 2.24 Pengisian Data 4. Pengolahan data dengan SPSS 17.0 a. Buka file Data Anova-1 b. Dari menu utama SPSS , pilih menu Analyze→ Compare Means→ One Way ANOVA sehingga tampak dilayar:

Gambar 2.25 Menu analyze anova

23

Gambar 2.26 Pindahkan ke dependent list c. Pengisian ➢ Depertement List atau Variabel dependen yang akan diuji, masukan variabel Produk. ➢ Factor atau group. Masukan Variabel Shift

Gambar 2.27 Masukkan shift

24

Untuk kolom option atau pilih yang lain , dengan mengklik mouse , sehingga tampak layar seperti ini .

Gambar 2.28 Klik options d. Untuk statistic atau perhitungan statistic yang akan dilakukan . Untuk keseragaman , akan dipilih Descrptive dan Homogenety-of-variance . untuk itu klik mouse pada kedua pilihan tersebut. e. Untuk Missing Values atau data yang hilang, karena dalam kasus semua pasangan data komplit (tidak ada yang kosong) , maka abaikan aja bagian ini. f. Tekan Continue jika pengisian dianggap selesai. g. Untuk kolom Post-Hoc atau analisis lanjutan dari F

test

dengan

mengklik mouse. Tampak layar seperti ini:

25

Gambar 2.29 Pada kolom Post-Hoc pilih bunferroni dan tukey

h. Pengisian Untuk analisis lanjutan , untuk keseregaman klik mouse pada pilihan Bonferroni dan Tukey. Tekan Continue jika pengisian dianggap selesai . i. Terakhir tekan OK untuk proses data kemudian tekan ouput .

Gambar 2.29 Hasil Out put One way anova (uji F) HASIL DATA ANALISIS SPSS: One Way ANOVA Oneway

26

Produk

Post Hoc Tests

MAKNA HASIL ANALISIS DATA One- Way ANOVA 1. Pada tabel (Descriptives)

menunjukan deskripsi dari variabel-variabel

dianalisis dengan jumlah kasus 45 terdiri dari shift satu=15 kasus, shift dua=15 kasus dan shift tiga =15 kasus. ● Shift satu:

rata-rata 38,07 , simpangan baku= 6,777 , nilai terkecil

(minimum) =25 dan nilai terbesar (maksimal)=50.

27

● Shift dua : rata-rata 42,80 , simpangan baku= 10,359

, nilai terkecil

(minimum) =25 dan nilai terbesar (maksimal)=61. ● Shift tiga : rata-rata 44,13 , simpangan baku= 6,140 , nilai terkecil (minimum) =35 dan nilai terbesar (maksimal)=56. 2. Pada tabel (Test of Homogeneity of Variances) menunjukan hasil uji homogenitas dari varians. Fungsinya untuk menguji apakah varians tersebut Homogen atau Tidak Homogen dianalisis sebagai berikut . Pengajuan Hipotesis: Ha: Produktivitas kerja Pegawai ketiga kelompok shift Tidak Homogen. Ho: Produktivitas kerja pegawai ketiga kelompok shift Homogen. Kaidah keputusan: ● Jika ∝ = 0.05 lebih besar atau sama dengan nilai Sig atau [∝=0.05 ≥ Sig] . Maka Ha diterima dan Ho ditolak artinya Tidak Homogen. ● Jika ∝ = 0.05 lebih kecil atau sama dengan nilai Sig atau [∝=0.05≤ Sig] . Maka Ha diterima dan Ho ditolak artinya Artinya Homogen . Ternyata ∝ = 0,05 lebih kecil dari nilai sig atau[0,05<0,151]. Maka Ho diterima dan Ha ditolak. Artinya produktivitas kerja pegawai ketiga kelompok shift adalah Homogen. Jadi ketiga varians (produktivitas kerja pegawai ketiga kelompok shift [shift 1, shift 2, dan shift 3]) tersebut homogen (sejenis). Dapat juga dikatakan bahwa data ketiga variabel tersebut adalah Homogen . Keterangan : bahwa data ini dapat dianalisis dengan menggunakan analisis parametriks (one wa analysis), jika data ini tidak homogeny , maka dianalisis menggunakan

analisis non parametriks . Jadi asumsi kesamaan

varians untuk uji ANOVA sudah terpenuhi. 3. Pada tabel (ANOVA) . Ini digunakan untuk menguji signifikasi dan mengambil kesimpulan setelah data terbukti homogen. Apakah rata-rata produktivitas kerja pegawai ketiga kelompok shift terdapat perbedaan yang signifikan atau sama . Untuk itu diperlukan tabel F yang ada kaitannya dengan Fhitung dan Ftabel .

28

Berdasarkan Tabel ANOVA atau Ftes ternyata didapat Fhitung adalah 2,396 dengan tingkat signifikan 0,103. Untuk membuktikan apakah pengujian ini signifikan atau tidak , maka digunakan uji F. Pengajuan Hipotesis Ha : Terdapat perbedaan yang signifikan antara produktivitas kerja pegawai ketiga kelompok shift . Ho: Tidak ada perbedaan yang signifikan antara produktivitas kerja pegawai ketiga kelompok shift . Kaidah Pengujian Signifikansi: Jika Fhitung ≥ Ftabel , maka tolak Ho artinya signifikan Fhitung ≤ Ftabel , Terima Ho artinya tidak signifikan. Dengan Taraf Signifikan : ∝ = 0,05 Carilah nilai Ftabel menggunakan Tabel F dengan rumus : Fhitung = Ftabel {(1-∝)(dk pembilang = m).(dk penyebut = n-m -1 ) Dimana m = Jumlah Variabel Ftabel = F {(1-0,05)(dk pembilang = 2).(dk penyebut = 45-2-1 )} Fhitung = F {(0,95)(2).(42) atau (dk pembilang = 2).(dk penyebut = 42 ) Ftabel = 3,22 Ternyata Fhitung > Ftabel atau 2,396 < 3,22 maka terima Ho artinya tidak signifikan. Kesimpulan : Bahwa tidak ada perbedaan yang signifikan antara produktivitas kerja pegawai ketiga kelompok shift . ternyata probabilitas (0,103) lebih besar dari 0,05 atau 0,103 > 0,05 . sehingga model anova tidak dapat dipakai untuk menguji signifikansi antar varians . jadi rata-rata produksi ketiga kelompok shift tersebut memang sama (homogeny ).

29

4. Post Hoc Test (Multiple Comparisons). Berfungsi untuk mengetahui hasil perbandingan antara ketiga produktivitas kerja pegawai pada kelompok shift yang dilihat rata-ratanya. 5. Jika Test Turkey dan Bonferroni untuk menguji kelompok mana saja yang memiliki perbedaan nyata, maka dalam Homogeneous Subset justru akan dicari subset mana saja yang mempunyai perbedaan rata-rata yang tidak berbeda secara signifikan. Pada Tabel Homogeneous Subset berfungsi untuk menentukan antara kelompok variabel saja yang justru tidak memiliki perbedaan secara signifikan. Pada subset 1 , terlihat hanya grup dengan anggota kelompok kerja shift 1,2,3 saja . Dengan kata lain , bisa dikatakab kelompok Shift , 1,2 dan 3 mempunyai perbedaan dengan yang lainnya (lihat hasil test Turkey dan Bonferroni ). Keterangan : hasil dari uji Turkey dan Bonferroni dengan Homogeneous Subset selalu saling melengkapi. 2.6. Manfaat Melakukaan Analisis Baroroh (2008) Mengemukakan bahwa Kegunaan uji ANOVA hampir sama dengan uji T, yaitu Untuk menganalisis ada tidaknya perbedaan rata rata atau nilai tengah suatu data. Namun perbedaannya hanya pada kelompok datanya, Di mana pada uji ANOVA data yang diuji dapat lebih dari dua kelompok. Pada perkembangannya, uji ANOVA Paling sering digunakan untuk analisis rancangan percobaan (Experimental Design). Dimana pada analisis ini, Selain menganalisis pengaruh kelompok juga dapat menganalisis setiap perlakuan yang ada pada setiap kelompok tersebut. Untuk menganalisis ada tidaknya perbedaan atau pengaruh tersebut dalam uji ANOVA, dibutuhkan suatu nilai standar atau nilai ANOVA tabel sebagai pembanding.

30

31