Modul Praktikum Mata Kuliah Statistika

MODUL PRAKTIKUM STATISTIKA
PROGRAM STUDI BUDIDAYA PERAIRAN

Tim Penyusun:

Dr. Ir. Muhammad Junaidi, M.Si.
Rangga Idris Affandi, S.Pi., M.P.

PROGRAM STUDI BUDIDAYA PERAIRAN
JURUSAN PERIKANAN DAN ILMU KELAUTAN

FAKULTAS PERTANIAN
UNIVERSITAS MATARAM

2022

i

LEMBAR PENGESAHAN

Modul Praktikum Statistika yang disusun oleh:

Nama : Rangga Idris Affandi, S.Pi., M.P.

NIP : 199507292022031008

Peserta Latsar CPNS Angkatan : 87

Jabatan : Dosen - Asisten Ahli

Unit Kerja : Universitas Mataram

telah diperiksa dan disetujui oleh Mentor dan Koordinator Dosen Pengampu Mata
Kuliah Statistika pada tanggal 15 November 2022 sebagai salah satu persyaratan
pelatihan dasar CPNS untuk menjadi PNS dan sebagai bentuk optimalisasi bahan
ajar mata kuliah statistika di Program Studi Budidaya Perairan, Fakultas Pertanian,
Universitas Mataram.

Mentor, Menyetujui,

Koordinator Dosen Pengampu
Mata Kuliah Statistika,

Fariq Azhar, S.Pi., M.Si. Dr. Ir. Muhammad Junaidi, M.Si.
NIP. 198803022015041001 NIP. 196408151989031002

ii

TATA TERTIB PRAKTIKUM

Selama melakukan praktikum, praktikan diharuskan mengikuti setiap
kegiatan praktikum dengan serius. Praktikan perlu mengetahui tata tertib selama
praktikum. Adapun beberapa hal yang perlu diperhatikan:
1. Setiap praktikan wajib mengikuti seluruh kegiatan praktikum (kehadiran

mahasiswa 100%), tidak ada praktikum susulan
2. Keterlambatan 15 menit praktikan tidak dapat mengikuti Praktikum
3. Apabila saat analisis praktikum tidak dapat diselesaikan pada waktu tersebut,

maka dapat dilanjutkan pada hari yang lain yang telah disepakati bersama
4. Praktikan berpakaian secara rapi dan sopan, memakai pakaian berkerah dan

menggunakan sepatu
5. Membawa Modul Praktikum
6. Membawa laptop dan peralatan tulis
7. Mengumpulkan tugas praktikum
8. Praktikan yang tidak hadir praktikum karena suatu hal (sakit) wajib melapor ke

penanggung jawab praktikum (PJP) sebelum praktikum dimulai dan
memberikan surat keterangan (sebelum/setelah hari praktikum) serta diserahkan
pada Dosen Pengampu. Tugas pengganti praktikum (dikumpulkan pada waktu
praktikum berikutnya)
9. Setelah praktikum selesai, praktikan wajib merapikan ruangan seperti semula.

iii

KATA PENGANTAR
Puji syukur penulis panjatkan kepada Allah SWT atas berkat rahmatnya
sehingga penulis dapat menyelesaikan Modul Praktikum Mata Kuliah Statistika.
Modul praktikum ini disusun untuk memudahkan mahasiswa dalam memahami
mata kuliah Statistika. Selain itu, dapat juga dijadikan referensi dalam melakukan
analisis data baik pada kasus deskriptif maupun inferensia oleh mahasiswa yang
sedang melakukan penelitian. Penulis sadar bahwa panduan praktikum ini masih
jauh dari sempurna. Oleh sebab itu, penulis mengharapkan kritik dan saran yang
membangun, untuk perbaikan selanjutnya.

Mataram, November 2022

Penyusun

iv

DAFTAR ISI

COVER .................................................................................................................... i
LEMBAR PENGESAHAN .................................................................................. ii
TATA TERTIB PRAKTIKUM .......................................................................... iii
KATA PENGANTAR .......................................................................................... iv
DAFTAR ISI.......................................................................................................... v
DAFTAR TABEL................................................................................................ vii
DAFTAR GAMBAR .......................................................................................... viii
PERTEMUAN I .................................................................................................... 1

1.1 Pendahuluan ............................................................................................. 1
1.2 Tujuan dan Manfaat.................................................................................. 2
1.3 Prosedur Praktikum .................................................................................. 2
PERTEMUAN II ................................................................................................... 5
2.1 Pendahuluan ............................................................................................. 5
2.2 Tujuan dan Manfaat.................................................................................. 5
2.3 Prosedur Praktikum .................................................................................. 5
PERTEMUAN III ............................................................................................... 10
3.1 Pendahuluan ........................................................................................... 10
3.2 Tujuan dan Manfaat................................................................................ 11
3.3 Prosedur Praktikum ................................................................................ 11

3.3.1 Penyajian Data Berdasarkan Sifatnya (dalam Bentuk Tabel) ....... 11
3.3.2 Penyajian Data dalam Bentuk Grafik/Gambar .............................. 12
3.3.3 Distribusi Frekuensi Kumulatif ..................................................... 13
PERTEMUAN IV................................................................................................ 19
4.1 Pendahuluan ........................................................................................... 19
4.2 Tujuan dan Manfaat................................................................................ 20
4.3 Prosedur Praktikum ................................................................................ 20
4.3.1 Menentukan Formulasi Hipotesis.................................................. 20
4.3.2 Menentukan Taraf Nyata (Significant level) ................................. 21

v

4.3.3 Menentukan Kriteria Pengujian..................................................... 21
4.3.4 Menentukan Nilai Uji Statistik ...................................................... 22
4.3.5 Membuat Kesimpulan ................................................................... 22
PERTEMUAN V ................................................................................................. 27
5.1 Pendahuluan ........................................................................................... 27
5.2 Tujuan dan Manfaat................................................................................ 28
5.3 Prosedur Praktikum ................................................................................ 28
DAFTAR PUSTAKA .......................................................................................... 41

vi

DAFTAR TABEL

Tabel 1. Data Penjualan Udang Selama Tahun 2021.............................................. 6
Tabel 2. Uji Statistika Deskriptif Pada Penjualan Udang Selama Tahun 2021 ...... 7
Tabel 3. Penyajian Data Kualitatif dan Kuantitatif............................................... 11
Tabel 4. Kandungan Karagenan K. alvarezii dengan Lama Pemeliharaan Berbeda
............................................................................................................................... 12
Tabel 5. Kasus Statistika Deskriptif...................................................................... 14
Tabel 6. Kerangka Distribusi Frekuensi................................................................ 15
Tabel 7. BIN Range dari Excel.............................................................................. 15
Tabel 8. Output Data Frekuensi ............................................................................ 16
Tabel 9. Distribusi Frekuensi Kumulatif Bobot Ikan............................................ 17
Tabel 10. Hasil Perhitungan Frekuensi Kumulatif dan BIN Range ...................... 18
Tabel 11. Bentuk Keputusan Menerima/Menolak H0 ........................................... 21
Tabel 12. Kandungan Organik di Kawasan Mangrove dan Lamun...................... 22
Tabel 13. Pedoman Umum dalam Menentukan Kriteria Korelasi ........................ 30
Tabel 14. Hasil Kandungan Minyak dan Kelimpahan Plankton........................... 31

vii

DAFTAR GAMBAR

Gambar 1. Tampilan Office Button untuk Melihat Menu Microsoft Excel............. 2
Gambar 2. Tampilan Options Pada Menu Microsoft Excel .................................... 3
Gambar 3. Tampilan Menu Add-Ins........................................................................ 3
Gambar 4. Pemilihan Analysis ToolPak dan Analysis ToolPak-VBA Pada Menu

Add-Ins ................................................................................................. 4
Gambar 5. Tampilan Menu Bar “Data” dengan Pilihan Sub Menu Berupa Data

Analysis ................................................................................................ 4
Gambar 6. Grafik Batang ...................................................................................... 13
Gambar 7. Diagram Batang Frekuensi dan Bin .................................................... 16
Gambar 8. Frekuensi kumulatif “Ogive kurang dari”........................................... 17
Gambar 9. Frekuensi kumulatif “Ogive lebih dari” .............................................. 18
Gambar 10. Data Bahan Organik Pada Kawasan Mangrove dan Lamun dalam

Worksheet Excel............................................................................... 23
Gambar 11. Tampilan Pada Data Analysis ........................................................... 23
Gambar 12. Tampilan window “t-test: two sample assumning equal variance” .. 24
Gambar 13. Tampilan Uji t-test ............................................................................ 25
Gambar 14. Pola Scatter Diagram......................................................................... 30
Gambar 15. Nilai Koefisien Korelasi dengan Menggunakan Fungsi PEARSON 32
Gambar 16. Menu Formula untuk Mendapatkan Statistik Pearson ...................... 33
Gambar 17. Tampilan Menu Function Arguments ............................................... 34
Gambar 18. Tampilan Hasil Penggunaan Rumus PEARSON .............................. 34
Gambar 19. Tampilan Menu Data Analysis.......................................................... 35
Gambar 20. Tampilan Correlation dari Menu Data Analysis............................... 36
Gambar 21. Tampilan Korelasi Antara Kandungan Minyak dengan Kelimpahan

Plankton ........................................................................................... 36
Gambar 22. Tampilan Regresi Linear................................................................... 37
Gambar 23. Tampilan Scatter Pada Regresi Linear .............................................. 38
Gambar 24. Tampilan Legenda Grafik Pada Regresi Linear ................................ 38

viii

Gambar 25. Tampilan Pada Menu Add Trendline ................................................ 38
Gambar 26. Tampilan Pada Trendline Options dengan Klik Linear .................... 39
Gambar 27. Tampilan untuk Memunculkan Persamaan Y dengan Mengklik

“Display Equation on chart” ........................................................... 39
Gambar 28. Tampilan untuk Memunculkan R square dengan Mengklik “display R-

squared value on chart” ..................................................................... 39

ix

PERTEMUAN I
Mengaktifkan Software XLStat Pada Microsoft Excel

1.1 Pendahuluan
Microsoft Excel (Ms. Excel) merupakan salah satu program dari keluarga

Microsoft Office yang berbasis pada sistem operasi Windows. Ms. Excel berfungsi
untuk memproses data berupa angka atau bilangan dengan menggunakan
spreadsheet yang terdiri dari baris dan kolom. Ms. Excel telah menjadi aplikasi
pemroses data dan angka yang paling umum digunakan, dan dapat digunakan pada
berbagai media seperti PC, tablet, atau smartphone. Microsoft Excel tidak hanya
tersedia dalam platform Windows, tetapi juga tersedia pada sistem operasi MacOS,
Android dan Apple IOS. Ms. Excel menggunakan spreadsheet untuk menjalankan
berbagai formula. Spreadsheet adalah kumpulan dari sel yang terdiri atas baris dan
kolom sebagai tempat dimana angka dan data diolah (Andriyani et al., 2019).
Pemilihan perangkat lunak Ms. Excel sebagai alternatif pengolahan data karena
aplikasi ini sangat dikenal oleh mahasiswa. Dengan menggunakan Ms. Excel kita
dapat mengolah data secara otomatis, dengan formula, menampilkan tabel dan
grafik serta manajemen data. Pengolahan data berbasis Ms. Excel juga dapat
diperoleh secara gratis dengan bahasa aplikasi yang sederhana dan mudah dipahami
(Niani & Lewaherilla, 2021). XLStat merupakan perangkat lunak pada Microsoft
Excel berupa add-ins yang digunakan sebagai tool statistic dengan berbagai paket
analisis multivariat yang mudah untuk digunakan (www.xlstat.com). Adapun
keunggulan dari XLStat ini, yakni:
1. Metode statistik yang mudah digunakan oleh seluruh user (pengguna)
2. Memudahkan pengajar dan mahasiswa beradaptasi dalam pengoperasian XLStat

pada tampilan Microsoft Excel
3. Menghemat waktu bagi user karena XLStat mudah untuk digunakan sehingga

dapat menganalisis data dengan baik dan benar
4. Adanya inovasi dan keunggulan di berbagai bidang analisis
5. Menyediakan layanan pelanggan yang baik.

1

Program XLStat memiliki beberapa analisis yang erat kaitannya dengan
penelitian yang umum digunakan seperti Histogram, Error bars, Normality tests,
Similarity/Dissimilarity, ANOVA, Linear regression, Correlation, Factor analysis,
Principal Component Analysis (PCA), Correspondence Analysis (CA),
Multicimensional Scaling (MDS) dan sebagainya.

1.2 Tujuan dan Manfaat
Tujuan dari praktikum pada Pertemuan I ini adalah agar praktikan mampu

mengoperasikan software XLStat pada Microsoft Excel. Manfaat dari praktikum ini
yaitu praktikan dapat menggunakan software tersebut untuk membantu dalam
menganalisis data statistika yang ingin diolah.

1.3 Prosedur Praktikum
Tahapan mengaktifkan software XLStat pada Microsoft Excel yang harus

diketahui oleh praktikan, yaitu:
1. Panduan ini berlaku untuk program Microsoft Office mulai dari MS. Office 2007

ke atas (2007, 2010, 2013). Adapun untuk MS. Office di bawah 2007 (2003, MS.
Millenium dan sebagainya) memiliki cara yang berbeda
2. Pastikan bahwa program MS. Office yang anda miliki ter-instal dengan
sempurna
3. Klik bulatan lambang MS. Office yang terdapat pada pojok kiri atas (Office
button)

Gambar 1. Tampilan Office Button untuk Melihat Menu Microsoft Excel
2

4. Kemudian pilih Excel Options

Gambar 2. Tampilan Options Pada Menu Microsoft Excel
5. Klik Add-Ins

Gambar 3. Tampilan Menu Add-Ins

3

6. Klik Go… dan selanjutnya berikan tanda centang pada Analysis ToolPak dan
Analysis ToolPak-VBA

Gambar 4. Pemilihan Analysis ToolPak dan Analysis ToolPak-VBA Pada Menu
Add-Ins

7. Tunggu beberapa saat hingga proses instalasi selesai
8. Setelah selesai, maka akan tampak pada menu bar “Data” pilihan (sub menu)

baru berupa Data Analysis (lihat di bagian kanan).

Gambar 5. Tampilan Menu Bar “Data” dengan Pilihan Sub Menu Berupa Data
Analysis

4

PERTEMUAN II
Statistika Deskriptif

2.1 Pendahuluan
Statistika deskriptif merupakan suatu metode statistik yang dapat

mengumpulkan, mengolah, menyajikan dan menganalisis data yang bersifat
informatif (Hartono, 2019). Statistika deskripsi merupakan bagian dari ilmu
statistika yang bertujuan untuk mengorganisasi dan menganalisis data agar dapat
memberikan gambaran jelas, ringkas dan teratur mengenai suatu keadaan sehingga
nantinya dapat ditarik sebuah pengertian atau makna tertentu. Tergolong dalam
statistik deskriptif antara lain ialah penyajian data melalui grafik, tabel, diagram
ataupun piktogram yang didalamnya memuat perhitungan mean, median, modus
ataupun analisis sebaran data menurut perhitungan presentasi dan standar deviasi
(Athoillah et al., 2020). Analisis statistik deskriptif dilakukan untuk memberikan
gambaran yang teratur, ringkas dan jelas, mengenai keadaan, peristiwa atau gejala
tertentu sehingga dapat ditarik pengertian atau makna tertentu (Fachriyah et al.,
2022). Analisis deskriptif dapat menjadi langkah awal sebelum dilaksanakannya
analisis yang lain karena analisis deskriptif dapat membantu peneliti dalam
mengidentifikasi data. Hal ini karena analisis deskriptif akan sangat membantu
dalam mengatur, menyusun, dan menyajikan dalam bentuk yang mudah dipahami
(Martias, 2021).

2.2 Tujuan dan Manfaat
Tujuan dari praktikum pada pertemuan 2 ini adalah agar praktikan mampu

menjelaskan teknik yang biasa digunakan dalam statistika deskriptif. Adapun
manfaat yang didapat yaitu praktikan dapat mengetahui metode statistika secara
deskriptif.

2.3 Prosedur Praktikum
Contoh Kasus:

5

Seorang pengusaha budidaya perikanan ingin mengetahui gambaran ringkas
hasil pemasaran produksi udang selama tahun 2021, seperti rata-rata penjualan,
ragam (varian), dan sebagainya.

Langkah-langkah Perhitungan:

Agar dapat menyajikan hasil statistik deskriptif seperti permintaan pengusaha

tersebut, diberikan data penjualan udangnya selama tahun 2021 dirinci per bulan

sebagai berikut:

Tabel 1. Data Penjualan Udang Selama Tahun 2021

Bulan Penjualan Udang (ton)
Januari 550
Februari 500
Maret 589
April 590
540
Mei 490
Juni 560
Juli 601
Agustus 611
September 590
Oktober 555
November 590
Desember

Langkah Penyelesaian:
1. Pilih Data pada menu bar, selanjutnya pilih Data Analysis
2. Dari serangkaian alat analisis statistik tersebut, sesuai dengan kebutuhan pada

kasus, pilih Descriptive Statistics, lalu tekan OK.

Langkah pengisian menu Descriptive Statistics:
1. Untuk input Range, ketik B1:B13 (data Penjualan udang)
2. Untuk pengisian kolom Grouped By: isi menurut default yang ada, yaitu

columns. Dalam hal ini, karena sudah dipilih columns (terlihat dengan titik hitam
pada sisi kiri columns), maka lewati saja prosedur ini
3. Untuk kolom Labels in First Row, kolom ini diklik kotak putihnya. Pengisian
pilihan output (Output Option), yaitu untuk penempatan hasil analisis atau

6

output. Output statistik deskriptif yang akan dihasilkan Excel bisa ditempatkan

pada tiga pilihan:

a. Pada workbook yang baru (New Workbook). Di sini output akan ditampilkan

pada workbook yang lain

b. Pada worksheet yang baru (New Worksheet Ply) namun masih dalam

workbook yang sama. Maka akan ditampilkan pada worksheet yang lain dari

worksheet yang digunakan sekarang (Sheet 1)

c. Pada workbook yang sama, pada worksheet yang sama (Sheet 1) pula, namun

pada tempat (range) yang berbeda. Pilih option output range, klik bulatan di

depannnya dan isi kotaknya, ketik D1.

4. Klik Summary Statistics, yaitu ringkasan Statistik Deskriptif seperti Mean,

Median, Modus, dan sebagainya

5. Klik Confidence Level for Mean, yaitu tingkat kepercayaan untuk Mean dengan

angka default 95% atau tingkat signifikan 5%

6. Klik Kth Largest, biarkan angka yang sudah ada yaitu angka 1 artinya output

untuk angka (data) yang terbesar pertama. Klik Kth Smallest, biarkan angka yang

sudah ada yaitu angka 1 artinya output untuk angka (data) yang terkecil pertama

7. Klik OK.

Berikut adalah hasil analisis yang diperoleh setelah melakukan prosedur

untuk uji Descriptive Statistics di atas. Tabel 2 menunjukkan serangkaian output

statistik deskriptif seperti Mean, Median, dan sebagainya.

Tabel 2. Uji Statistika Deskriptif Pada Penjualan Udang Selama Tahun 2021

Penjualan Udang (ton)

Mean 563,8333333

Standard Error 11,23834975

Median 574,5

Mode 590

Standard Deviation 38,93078551

Sample Variance 1515,606061

Kurtosis -0,23631641

Skewness -0,838586263

Range 121

Minimum 490

Maximum 611

Sum 6766

7

Penjualan Udang (ton) 12
Count 611
Largest (1) 490
Smallest (1) 24,735441
Confidence Level (95,0%)

Analisis Hasil:
1. Mean (rata-rata hitung) adalah 563,833. Hal ini berarti rata-rata penjualan

udang untuk tahun 2021 adalah 563,833 ton
2. Median (titik tengah) dari data di atas adalah 574,5 ton. Untuk kasus ini,

Median tidak perlu digunakan karena tidak relevan dengan pembahasan
3. Modus atau data yang paling sering muncul tertulis 590. Hal ini berarti nilai

penjualan sebanyak 590 ton pernah diperoleh lebih dari sekali dalam 12 bulan
4. Standar deviasi (s) adalah 38,931. Hal ini berarti bahwa standar deviasi

penjualan udang selama tahun 2021 adalah 38,931 ton, atau bisa dikatakan
udang yang terjual berada pada kisaran:
= Mean ± Standar Deviasi = 563,833 ± 38,931 ton
= (563,833 - 38,931) sampai (563,833 + 38,931) ton
= 524,902 ton sampai 602,764 ton
5. Sample variance (s2) adalah 1515,606. Hal ini berarti bahwa variance dari
penjualan udang adalah 1515,606 ton. Sample variance adalah kuadrat dari
standar deviasi, atau:
Variance = (38,931)2 = 1515,606
6. Data minimum adalah 490 dan data maksimum adalah 611. Hal ini berarti
udang terjual minimun 490 ton dan maksimum 611 ton selama tahun 2021
7. Sum adalah 6766, atau jumlah total udang yang terjual selama tahun 2021
adalah 6766 ton
8. Count adalah 12 atau ada 12 data (12 bulan) untuk melaporkan penjualan udang
9. Largest (1) adalah 611 dan Smallest (1) adalah 490. Hal ini berarti data terbesar
(pertama) adalah 611 ton dan data terkecil (pertama) adalah 490 ton. Jika pada
input awal untuk baris Kth Largest ditulis misalnya 2, maka data terbesar kedua
adalah 601 ton

8

10. Skewness atau tingkat kemencengan adalah -0,839. Tanda negatif berarti
distribusi data ‘menceng’ ke kiri (tidak simetris), dengan ciri Median (574,5)
lebih besar dari Mean (563,833)

11. Kurtosis atau tingkat keruncingan distribusi adalah -0,236
12. Standar Error (σx) adalah 11,238. Hal ini berarti penyimpangan dari rata-rata

sampel pada populasi adalah 11,238 ton
13. Confidence Level pada 95% didapat angka 24,735. Berarti pada tingkat

keyakinan 95% rata-rata penjualan udang tahun 2021 berada di antara:
= 563,833 ± 24,735 ton, atau
= (563,833 - 24,735) sampai (563,833 + 24,735)
= 588,568 ton sampai 539,098 ton

9

PERTEMUAN III
Penyajian Data

3.1 Pendahuluan
Penyajian data merupakan suatu metode yang bersifat deskriptif terkait

dengan pengumpulan data yang ingin disajikan dalam bentuk grafis dan numerik
sehingga dapat memberikan informasi bagi pengguna (Hartono, 2019). Cara
penyajian data yang komunikatif akan dapat mudah untuk dipahami, sehingga
diperlukan cara-cara tertentu untuk menyampaikan data tersebut, seperti penyajian
data berupa tabel dan grafik. Di samping itu, hasil pengumpulan data juga bisa
dibuat secara naratif, berupa deskripsi data yang diperoleh dari hasil pengolahan
data (Teja et al., 2017). Data yang dimaksud adalah sesuatu yang memiliki makna
(telah diolah). Data dapat berupa gambar, huruf, angka, keadaan ataupun simbol
lainnya yang digunakan untuk melihat kondisi tertentu. Data dapat disajikan dalam
bentuk tabel (tabel arah tunggal dan majemuk) maupun gambar/grafik (grafik
batang, garis, lingkaran, diagram pencar, kartogram dan piktogram). Menurut
Setyowati (2019), chart atau grafik adalah lukisan naik turunnya suatu keadaan
(turun naiknya hasil, statistik) dengan garis atau gambar. Jenis-jenis grafik antara
lain column chart, line charts (grafik garis), pie charts (grafik lingkaran), bar charts
(grafik batang), area charts (grafik bidang), scatter chart, stock charts (grafik stok),
surface charts (grafik permukaan), doughnut charts, buble chart, dan radar chart.

Adapun pembagian data yang biasa digunakan dalam statistik deskriptif,
yaitu:
1. Berdasarkan sumbernya: primer (data yang diperoleh berdasarkan pengamatan

langsung) dan sekunder (data yang diperoleh berdasarkan data)
2. Berdasarkan sifatnya: kualitatif (non-metrik) dan kuantitatif (metrik)

Contoh penyajian dalam bentuk grafik, seperti: histogram, pie chart, polygon,
ogive dan diagram batang daun. Penyajian data statistik dalam bentuk numerik
misalnya seperti: central tredency (mean, modus dan median), dispersion (range,

10

standar baku dan variansi), fractile (kuartil, desil, dan presentil), Skewness, dan
pengukuran runcing (leptokurtis, platikurtis, dan mesokurtis).

3.2 Tujuan dan Manfaat
Tujuan dari praktikum pada pertemuan 3 ini adalah praktikan mampu

memahami cara penyajian data dengan menggunakan Microsoft Excel. Manfaat
yang didapat adalah praktikan dapat mengolah dan menyajikan data statistika
dengan bantuan Miscrosoft Excel.

3.3 Prosedur Praktikum

3.3.1 Penyajian Data Berdasarkan Sifatnya (dalam Bentuk Tabel)

a. Data kualitatif (non-metrik) merupakan data yang bukan berupa angka namun

dapat diangkakan (data nominal dan ordinal)

b. Data kuantitatif (metrik) merupakan data yang berupa angka (data interval dan

rasio).

Berikut contoh penyajian data kualitatif dan kuantitatif (Tabel 3).

Tabel 3. Penyajian Data Kualitatif dan Kuantitatif

No. Nama Jenis Tingkat Berat Tinggi
Kelamin Pendidikan Badan (kg) Badan (cm)
1. Kakek
2. Nenek 1 4 51 160
3. Bapak 2 2 50 150
4. Ibu 1 4 53 170
5. Anak 2 3 52 162
2 2 49 155

Keterangan:

1 = Pria 1 = SMP

2 = Wanita 2 = SMA

3 = S1

4 = S2

Tabel 3 menunjukkan data dapat disajikan dalam bentuk kualitatif maupun

kuantitatif. Data kualitatif terbagi menjadi 2 yaitu data nominal (pegelompokkan

11

jenis kelamin) dan data ordinal (tingkat pendidikan). Sedangkan data kuantitatif
terbagi menjadi 2 yakni data interval (berat badan) dan data rasio (tinggi badan).

3.3.2 Penyajian Data dalam Bentuk Grafik/Gambar
Histogram dan Standar Deviasi

Sebuah penelitian dilakukan untuk melihat pengaruh lama pemeliharaan
rumput laut Kappaphycus alvarezii terhadap kandungan karagenan yang dimiliki,
berikut adalah data pengamatan penelitian tersebut:

Tabel 4. Kandungan Karagenan K. alvarezii dengan Lama Pemeliharaan Berbeda

Perlakuan U1 U2 U3 U4 Rata-rata Standar Deviasi
Umur Panen =AVERAGE(B3:E3) =STDEV(B3:E3)
24,50 23,22 24,59 25,20
(Hari) 25,62 24,00 25,09 25,44
25 hari 28,50 31,08 30,15 29,11
30 hari 33,17 35,26 32,22 30,25
35 hari 24,14 25,48 26,13 25,09
40 hari
45 hari

Berdasarkan Tabel 4, buatlah grafik histogram (grafik batang), lengkap
dengan standar deviasi pada masing-masing batang grafik.

Langkah Penyelesaian:
1. Input data tersebut pada lembar kerja, selanjutnya hitung nilai rata-rata dan

standar deviasi masing-masing perlakuan dari empat ulangan dengan rumus
“=AVERAGE(blok data)” dan standar deviasi dengan rumus “=STDEV(blok
data)”
2. Blok kolom worksheet tempat Ulangan 1 hingga 4. Kemudian klik kanan pilih
“Hide”
3. Blok kolom “Perlakuan umur panen hingga nilai rata-rata perlakuan 45 hari”
4. Pilih menu insert, selanjutnya pilih column, kemudian 2D-column yang
pertama

12

5. Selanjutnya klik badan grafik perlakuan umur panen 25 hari (badan grafik
pertama) dan pilih menu Layout pada menu bar

6. Pilih Error Bars, selanjunya More Error Bar Options
7. Selanjutnya pilih Customs dan Specify Value
8. Isi Possitive Error Value dan Negative Error Value dengan standar deviasi

yang dimiliki oleh perlakuan umur 25 hari. Kemudian pilih OK dan Close
9. Klik kanan pada batang grafik pertama, kemudian pilih Add Data Labels
10. Ulangi prosedur yang sama hingga perlakuan terakhir
11. Selanjutnya, klik plot area pada grafik dan pilih menu Layout
12. Kemudian pilih Axis Tittle untuk memberikan nama pada Gridlines
13. Klik kanan sembarang pada badan grafik, selanjutnya pilih Format Data

Series, atur Separated dengan nilai -12% agar terlihat ada jarak antara badan
grafik. Selanjutnya close dan akan terlihat tampilan grafik seperti gambar di
bawah ini:

Gambar 6. Grafik Batang

3.3.3 Distribusi Frekuensi Kumulatif
Frekuensi dinyatakan dengan banyak data yang terdapat dalam tiap kelas; jadi

dalam bentuk absolut. Jika frekuensi dinyatakan dalam persen, maka diperoleh
daftar distribusi frekuensi relatif (Sudjana, 2005). Distribusi frekuensi digunakan

13

untuk mengelompokkan data ke dalam kelas-kelas (interval) dan histogram biasa
digunakan untuk menggambarkan data kuantitatif.
Contoh Kasus:

Data berikut merupakan hasil pengukuran bobot ikan sampel (10% dari
populasi dalam kolam budidaya yang diambil secara acak), data dalam gram.
Tabel 5. Kasus Statistika Deskriptif

68 84 75 82 68 90 62 88 76 93
73 79 88 73 62 93 71 59 85 75
62 65 75 87 74 62 95 78 63 72
66 78 82 75 94 77 69 74 68 62
96 62 89 62 75 95 62 79 83 71
79 80 67 97 78 85 76 65 71 75
65 67 73 57 88 78 62 76 53 74
86 78 73 81 72 63 76 75 85 77

Pertanyaan:
1. Hitunglah range (R) dan jumlah kelas (k)
2. Carilah interval kelasnya (p)
3. Gambarkan grafik histogram, poligon, ogive kurang dari dan lebih dari.

Penyelesaian:
Ketik semua data dalam Tabel di atas, mulai pada kolom A baris kedua (A2)

sampai kolom J baris 9 (J9).
Tahapan pembuatan ditribusi frekuensi yaitu dengan dengan menyusun

interval kelas, jumlah kelas dan sebagainya, yang dalam Excel disebut dengan
istilah BIN (batas atas kelas). Langkah penyususnan kerangka distribusinya sebagai
berikut:

Range (R) = Data Terbesar - Data Terkecil
= 97 - 53 = 44

Jumlah kelas (k) = 1 + 3,3 log n = 1 + 3,3 log 80 = 7,28 ≈ 8 kelas
Interval kelas (p) = R / k = 44 / 8 = 5,5 ≈ 6

Setelah diketahui range, jumlah kelas dan interval kelas, maka dibuatkan
kerangka/tabel distribusi frekuensi yaitu sebagai berikut:

14

Tabel 6. Kerangka Distribusi Frekuensi

Bobot Ikan Frekuensi
50 – 55 ?
56 – 61 ?
62 – 67 ?
68 – 73 ?
74 – 79 ?
80 – 85 ?
86 – 61 ?
92 – 97 ?

Kerangka distribusi pada Tabel 6, kemudian di tempatkan pada Excel untuk

pembuatan tabel distribusi frekuensi.

1. Tempatkan pointer pada sel L1 dan ketik BIN untuk mengisi sel tersebut

2. Dengan memperhatikan kerangka distribusi seperti tabel di atas, ketik sel-sel

berikut untuk mengisi BIN dari Excel (BIN range ialah batas atas kelas):

Tabel 7. BIN Range dari Excel

Nama Sel BIN Range
L2 55
L3 61
L4 67
L5 73
L6 79
L7 85
L8 91
L9 97

Tabel 7 digunakan untuk mengisi BIN Range yang ada di Excel. Langkah-
langkah pengisian HISTOGRAM sebagai berikut:
1. Buka Data Analysis
2. Dari serangkaian alat analisis tersebut, sesuai dengan kebutuhan pada kasus,

pilih Histogram, lalu tekan OK
3. Untuk Input Range, bisa dilakukan dengan blok dari A2 ... J9 atau ketik A2:J9

(data berupa angka yang akan dianalisis)
4. Untuk BIN RANGE, isi dengan ketik range dari kolom BIN adalah L2:L9
5. Kolom Labels, untuk keseragaman, bisa dilewati atau diabaikan saja

15

6. Pengisian pilihan output (Output Options)

Untuk keseragaman, output akan ditempatkan pada worksheet yang sama, hanya

pada range yang berbeda, tepatnya berada di samping kasus di atas. Untuk itu,

pilih option Output Range dengan mengklik mouse pada sisi kiri pilihan tersebut,

kemudian ketik misalnya N1 pada kotak segi empat

7. Mengisi pilihan untuk output yang akan ditampilkan

Untuk keseragaman, klik kotak sebelah kiri pilihan Chart Output

8. Setelah seluruh pengisian dianggap benar, tekan OK untuk melihat output dari

HISTOGRAM (tabel distribusi frekuensi dan grafik histogram). Data histogram

(Gambar 7) dan Frekuensi (Tabel 8) yang dihasilkan sebagai berikut.

Tabel 8. Output Data Frekuensi

Bin Frequency
55 1
61 2
67 17
73 13
79 24
85 9
91 7
97 7
More 0

Gambar 7. Diagram Batang Frekuensi dan Bin
16

Gambar diagram batang tersebut dapat dibentuk menjadi histogram.

Langkah-langkahnya sebagai berikut:

1. Klik kanan batang grafik

2. Pilih Add Data Labels

3. Klik kanan kembali pada batang grafik, pilih Format Data Series

4. Isi kotak Gap width dengan angka 0%, lalu klik OK.

Dari tabel frekuensi yang dihasilkan Excel, output tersebut dapat dibuatkan
tabel ditribusi frekuensi kumulatif “kurang dari” dan “lebih dari” sebagai berikut.

Tabel 9. Distribusi Frekuensi Kumulatif Bobot Ikan

Kelas kurang dari Frekuensi Kelas lebih dari Frekuensi
< 50 0 > 49 80
< 56 1 > 55 79
< 62 3 > 61 77
< 68 20 > 67 60
< 74 33 > 73 47
< 80 57 > 79 23
< 86 66 > 85 14
< 92 73 > 91 7
< 98 80 > 97 0

Untuk membuat grafik “ogive kurang dari” dan “ogive lebih dari” ketik kelas
dan frekuensi masing-masing pada dua kolom yang berbeda, serta demikian juga
untuk pembuatan grafik poligon. Cara pembuatan grafiknya, blok data kelas kurang
dari dan frekuensinya. Selanjutnya klik Insert, pilih Line, pilih 2-D Lines. Lakukan
juga dengan data kelas lebih dari dan frekuensinya. Grafik ogive kurang dan lebih
dari yang dihasilkan adalah sebagai berikut:

Gambar 8. Frekuensi kumulatif “Ogive kurang dari”

17

Gambar 9. Frekuensi kumulatif “Ogive lebih dari”

Untuk distribusi frekuensi dengan bantuan fungsi Frequency, data yang akan

digunakan sama. Langkah-langkah perhitungan:

1. Ketik More pada sel L10

2. Ketik Frekuensi pada sel M1, kemudian blok/highlight sel M2:M10

3. Pada sel M2 ketik, =FREQUENCY($A$2:$J$9;L2:L10)

4. Tekan enter, selanjutnya drag ke bawah hingga seluruh frekuensi kumulatif

terlihat. Hasil perhitungan sebagai berikut:

Tabel 10. Hasil Perhitungan Frekuensi Kumulatif dan BIN Range

BIN Range Frekuensi Kumulatif
55 1
61 3
67 20
73 33
79 57
85 66
91 73
97 80
0
More

18

PERTEMUAN IV
Pengujian Hipotesis

4.1 Pendahuluan
Uji hipotesis merupakan salah satu cabang ilmu statistika inferensial yang

diperuntukan dalam uji kebenaran suatu pernyataan dengan menarik kesimpulan
apakah suatu pernyataan/asumsi dapat diterima atau ditolak (Dewi dan Sardiyatmo,
2019). Uji hipotesis juga diartikan sebagai suatu metode pengambilan keputusan
yang berdasarkan atas analisis data (Susetyo, 2019). Tujuan uji hipotesis adalah
menguji harga-harga statistik, mean dan proporsi dari satu atau dua sampel yang
diteliti. Pengujian ini dinyatakan hipotesis yang saling berlawanan yaitu apakah
hipotesis awal (nihil) diterima atau ditolak. Dilakukan pengujian harga-harga
statistik dari suatu sampel karena hipotesis tersebut bisa merupakan pernyataan
benar atau pernyataan salah (Sunyoto, 2012). Dalam statistika, sebuah hasil dapat
dikatakan signifikan jika kejadian tersebut hampir tidak mungkin disebabkan oleh
faktor yang kebetulan. Keputusan dari uji hipotesis biasanya berdasarkan dari uji
hipotesis nol yang merupakan uji untuk menjawab pertanyaan dari asumsi hipotesis
nol adalah benar.

Proses yang dilakukan dalam melakukan uji hipotesis yaitu:
Data (kuantitatif) → hipotesis → pengujian → taraf nyata → keputusan →
kesimpulan

Adapun jenis statistik uji hipotesis yang sering digunakan, yaitu:
a. t-test

Uji t (uji parsial) merupakan suatu uji hipotesis untuk melihat pengaruh dari
variabel bebas terhadap variabel terikat. Uji ini digunakan untuk membandingkan t
hitung dengan t tabel. Menurut Kurniawati & Ardiansyah (2020), uji T atau uji T-
test merupakan bagian dari uji hipotesis komparatif atau uji perbandingan data yang
dapat digunakan untuk menguji kebenaran atau kepalsuan hipotesis nol, pada
umumnya berskala interval atau rasio (data kuantitatif).
b. F-test

19

Uji F dilakukan untuk membandingkan F hitung dengan F tabel. Jika F hitung
> F tabel maka H0 ditolak dan H1 diterima, sehingga model signifikan atau dapat
dilihat pada kolom signifikan pada Anova. Sebaliknya jika F hitung < F tabel, maka
model tidak signifikan, hal ini akan ditandai pada nilai kolom signifikan (%) akan
lebih besar dari alpha. Nilai alpha yang biasa digunakan yaitu sebesar 10%, atau
5% atau 1%.

Uji F dan t biasanya digunakan untuk menganalisis regresi linear. Namun,
pada analisis lain uji F dapat digunakan pada analisis Uji Anova, Ancova, dan
Manova. Sedangkan untuk uji t terbagi lagi menjadi beberapa tes, seperti 1 sampel
t test (1 sampel t test digunakan apabila data sampel (n) <30 dan simpangan baku
tidak dapat diketahui), 2 sampel t test (membandingkan 2 sampel data), pair t test
(digunakan untuk membandingkan 2 pasang data).

4.2 Tujuan dan Manfaat
Tujuan dari pertemuan ke-4 ini adalah agar praktikan dapat memahami dasar

bagaimana cara menentukan suatu keputusan dari uji kebenaran suatu pernyataan
atau asumsi yang telah dibuat. Manfaat yang didapat dari praktikum ini yakni
praktikan dapat memberikan kepercayaan diri dalam pengambilan keputusan yang
bersifat objektif.

4.3 Prosedur Praktikum
Berikut tahapan dalam membuat uji hipotesis:

1. Tentukan formulasi hipotesis nol dan hipotesis alternatif
2. Tentukan taraf nyata (alfa) atau disebut juga Level of Significant
3. Tentukan nilai kritis (nilai Tabel) dan statistik uji hipotesisnya
4. Hitung nilai statistik uji hipotesis
5. Pengambilan keputusan

4.3.1 Menentukan Formulasi Hipotesis
Ciri-ciri hipotesis yang baik dan benar yaitu:

1. Hipotesis menyatakan suatu hubungan

20

2. Hipotesis berdasarkan fakta
3. Hipotesis dapat diuji dan sederhana
Contoh Kasus:

Seorang pengusaha mutiara laut ingin mengetahui apakah ada hubungan
antara kelimpahan fitoplankton dengan pertumbuhan kerang mutiara. Hipotesisnya:
H0 : Kelimpahan fitoplankton = pertumbuhan kerang mutiara (Tidak ada pengaruh

antara kelimpahan fitoplankton dengan pertumbuhan kerang mutiara)
H1 : Ada pengaruh antara kelimpahan fitoplankton dengan pertumbuhan kerang

mutiara)

4.3.2 Menentukan Taraf Nyata (Significant level)
Taraf nyata (alpha) merupakan kesalahan hasil hipotesa yang dapat diterima

dari besarnya toleransi terhadap nilai parameter populasinya. Taraf nyata (%)
umumnya sebesar 1%, 5%, dan 10% ditulis α0,01; α0,05; α0,1. Besarnya kesalahan
dapat dikatakan daerah kritis pengujian atau daerah penolakan.

4.3.3 Menentukan Kriteria Pengujian

Berikut bentuk keputusan H0 yang disajikan pada Tabel 11.

Tabel 11. Bentuk Keputusan Menerima/Menolak H0 (www.google.com)

Uji Rata-rata Uji Proporsi

Formulasi hipotesis: Formulasi hipotesis:
H0 : µ = µ0 H0 : P = P0
H1 : µ > µ0 H1 : P > P0
Kriteria pengujiannya: Kriteria pengujiannya:
1. H0 diterima jika Z0 ≤ Zalpha 1. H0 diterima jika Z0 ≤ Zalpha
2. H0 ditolak jika Z0 > Zalpha 2. H0 ditolak jika Z0 > Zalpha

Formulasi hipotesis: Formulasi hipotesis:
H0 : µ = µ0 H0 : P = P0
H1 : µ < µ0 H1 : P < P0
Kriteria pengujiannya: Kriteria pengujiannya:
1. H0 diterima jika Z0 ≥ -Zalpha 1. H0 diterima jika Z0 ≥ -Zalpha
2. H0 ditolak jika Z0 < -Zalpha 2. H0 ditolak jika Z0 < -Zalpha

Formulasi hipotesis: Formulasi hipotesis:
H0 : µ = µ0 H0 : P = P0
H1 : µ ≠ µ0 H1 : P ≠ P0
Kriteria pengujiannya: Kriteria pengujiannya:

21

Uji Rata-rata Uji Proporsi
1. H0 diterima : -Zalpha/2 ≤ Z0 ≤ Zalpha/2 1. H0 diterima : -Zalpha/2 ≤ Z0 ≤ Zalpha/2

2. H0 ditolak : Z0 < -Zalpha/2 > Zalpha/2 2. H0 ditolak : Z0 < -Zalpha/2 > Zalpha/2

4.3.4 Menentukan Nilai Uji Statistik
Nilai uji statistika dapat ditentukan berdasarkan data yang telah kita olah

(analisis).

4.3.5 Membuat Kesimpulan

Kesimpulan dapat dibuat dengan menetapkan keputusan dalam hal

penerimaan atau penolakan hipotesis nol yang sesuai dengan kriteria pengujiannya.

Contoh Kasus:

Seorang mahasiswa perikanan tingkat akhir ingin melakukan penelitian

tentang perbandingan kandungan bahan organik di kawasan mangrove dan lamun.

Stasiun sampel yang diambil sebanyak 9 stasiun dari setiap kawasan dengan asumsi
waktu saat pengambilan sampel adalah sama. Taraf nyata (α = 5%).

Hipotesis:

H0 = Kandungan bahan organik baik di kawasan mangrove maupun lamun tidak
berbeda signifikan

H1 = Kandungan bahan organik di kawasan mangrove lebih tinggi
dibandingkan pada kawasan lamun

Tabel 12. Kandungan Organik di Kawasan Mangrove dan Lamun

Stasiun Mangrove Lamun
1 47,41 25,80
2 47,00 29,52
3 52,72 27,66
4 50,00 26,50
5 35,5 30,00
6 32,70 31,25
7 33,75 30,52
8 45,50 22,00
9 42,00 25,50

Cara penyelesaian (menggunakan t-test:two sample assuming equal variance):
1. Buka program excel

22

2. Masukkan data yang telah didapat ke dalam worksheet excel

Gambar 10. Data Bahan Organik Pada Kawasan Mangrove dan Lamun dalam
Worksheet Excel

3. Di menu Bar, klik [Data]
4. Klik [data analysis] pada menu bar data, maka akan muncul window “data

analysis” seperti dibawah ini:

Gambar 11. Tampilan Pada Data Analysis
5. Pilih [t-test:two sample assuming equal variance]
6. Klik [OK], maka akan muncul window “t-test: two sample assumning equal

variance”
23

7. Pada Kotak Variable 1 Range, Klik tombol “selection” untuk seleksi atau blok
daerah data yang akan dianalisis (B2:B11) atau ketikan langsung $B$2:$B$11
ke dalam Kotak Variable 1 Range

8. Pada Kotak Variable 2 Range, Klik tombol “selection” untuk seleksi atau blok
daerah data yang akan dianalisis (C2:C11) atau ketikan langsung $C$2:$C$11
ke dalam Kotak Variable 1 Range

9. Pada Kotak “Hypothesized Mean Difference”, isikan 0 didalamnya dengan
asumsi tidak ada perbedaaan yang signifikan kandungan bahan organik di
kawasan mangrove dan lamun

10. Berikan centang pada “Label” untuk memberikan keterangan pada tabel hasil
analisis

11. Pada Kotak “Alpha”, isi 0.05 yaitu significance Level yang kita tentukan
sebelumnya yaitu 5%

12. Pada “Output Option” pilih “New Worksheet Ply” kemudian isikan “Analisis
Uji t test A dan B”. Langkah ini untuk menempatkan hasil analisis ke worksheet
baru dengan nama “Analisis Uji t test mangrove dan lamun” tetapi masih dalam
Workbook atau file yang sama. Perlu diingat bahwa Penamaan Worksheet tidak
boleh melebihi 31 karakter dan tidak boleh menggunakan simbol seperti “-, +,
/, *” atau simbol-simbol lainnya

Gambar 12. Tampilan window “t-test: two sample assumning equal variance”

24

13. Klik [OK]
14. Maka Hasil Analisis Statistik Uji Hipotesis t-test dengan membandingkan 2

rata-rata sampel akan muncul di Worksheet baru yang berjudul “Analisis Uji t
test mangrove dan lamun”.

Gambar 13. Tampilan Uji t-test
Interpretasi Hasil Analisis Statistik Uji Hipotesis t-test
1. Mean adalah nilai rata-rata bahan organik di kawasan mangrove = 42.95333333

dan nilai rata-rata bahan organik di kawasan lamun = 27.63888889
2. Variance adalah nilai variasi bahan organik di kawasan mangrove = 54.257425

dan nilai variasi bahan organik di kawasan lamun = 8.938161111
3. Observations adalah jumlah pengamatan bahan organik di kawasan mangrove

dan lamun yang masing-masing berjumlah 9 pengamatan
4. Pooled Variance adalah variasi gabungan pengamatan bahan organik di kawasan

mangrove dan lamun yaitu 31.69779306
5. Hypothesized Mean Difference adalah perbedaan rata-rata antara pengamatan

bahan organik di kawasan mangrove dan lamun, tetapi untuk contoh kasus ini,
kita asumsikan tidak ada perbedaan sehingga nilainya adalah “0” (lihat langkah
9 diatas)
6. df adalah Degree of Freedom atau derajat kebebasan yang diperoleh melalui
perhitungan n1 + n2 – 2 sehingga 9 + 9 – 2 = 16
7. t-stat adalah nilai t hitung yaitu sebesar 5.779351757

25

8. t critical one tail adalah nilai t tabel yaitu 1.745883676.

Keterangan:
a. Karena hipotesisnya menunjukan satu arah yaitu µ1 > µ2 (lebih besar), maka

yang dilihat hanya p-value dan t tabel (t critical) satu arah saja yaitu ONE TAIL
b. Untuk Contoh Kasus ini, jangan melihat hasil yang bertuliskan TWO TAIL
c. Kita dapat menggunakan kriteria penerimaan p-value ataupun t hitung (boleh

hanya memakai salah satunya saja).

Kesimpulan Statistik:
Dari Hasil Analisis Statistik Uji Hipotesis t-test di atas, kita dapat

menyimpulkan sebagai berikut:
t hitung (5.780) > t tabel (1.746) berarti kita menolak H0 (TERIMA H1)

Kesimpulan Praktik:
Dari Hasil Analisis Statistik Uji Hipotesis t-test diatas, kita menyimpulkan

kandungan bahan organik di kawasan mangrove lebih tinggi dibandingkan di
kawasan lamun.

Tugas:

Seorang peneliti ingin mengetahui apakah terdapat pengaruh logam berat Pb

dengan kelimpahan fitoplankton. Buat hipotesisnya!

Stasiun Logam Berat Pb Kelimpahan Fitoplankton
1 0.1 55
2 0.08 72
3 0.05 115
4 0.06 117
5 0.02 138

26

PERTEMUAN V
Analisis Regresi dan Korelasi

5.1 Pendahuluan
Korelasi merupakan istilah yang digunakan untuk mengukur kekuatan

hubungan antarvariabel. Korelasi merupakan teknik analisis yang termasuk dalam
salah satu teknik pengukuran asosiasi atau hubungan (measures of association).
Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua variabel
(kadang lebih dari dua variabel) dengan skala-skala tertentu (Subandriyo, 2020).
Analisis korelasi adalah cara untuk mengetahui ada atau tidak adanya hubungan
antarvariabel misalnya hubungan dua variabel (Hasan, 2016). Korelasi sederhana
merupakan suatu teknik statistik yang dipergunakan untuk mengukur kekuatan
hubungan 2 variabel tersebut dengan hasil yang sifatnya kuantitatif (Dewi dan
Sardiyatmo, 2019). Kekuatan hubungan antara 2 variabel yang dimaksud disini
adalah apakah hubungan tersebut bersifat ERAT, LEMAH, ataupun TIDAK ERAT
sedangkan bentuk hubungannya adalah apakah bentuk korelasinya Linear Positif
ataupun Linear Negatif.

Disamping Korelasi, terdapat scatter diagram yang dapat mempelajari
hubungan 2 variabel dengan cara menggambarkan hubungan tersebut dalam bentuk
grafik. Tetapi scatter diagram hanya dapat memperkirakan kecenderungan
hubungan tersebut apakah Linear Positif, Linear Negatif ataupun tidak memiliki
Korelasi Linear. Kelemahan scatter diagram adalah tidak dapat menunjukkan
secara tepat dan juga tidak dapat memberikan angka kuantitas tentang kekuatan
hubungan antara 2 variabel yang dikaji tersebut. Kekuatan hubungan antara 2
variabel biasanya disebut dengan Koefisien Korelasi dan dilambangkan dengan
simbol “r”. Nilai Koefisian r akan selalu berada di antara -1 sampai +1. Koefisien
Korelasi akan selalu berada di dalam Range -1 ≤ r ≤ +1. Jika ditemukan perhitungan
diluar Range tersebut, berarti telah terjadi kesalahan perhitungan dan harus di
koreksi terhadap perhitungan tersebut.

27

Selain itu, terdapat analisis regresi linear sederhana yang merupakan adalah
Metode Statistik yang berfungsi untuk menguji sejauh mana hubungan sebab akibat
antara Variabel Faktor Penyebab (X) terhadap Variabel Akibatnya. Faktor
Penyebab pada umumnya dilambangkan dengan X atau disebut juga dengan
Predictor sedangkan variabel akibat dilambangkan dengan Y atau disebut juga
dengan Response. Regresi Linear Sederhana atau sering disingkat dengan SLR
(Simple Linear Regression) juga merupakan salah satu metode statistik yang
dipergunakan dalam produksi untuk melakukan peramalan ataupun prediksi tentang
karakteristik kualitas maupun kuantitas. Analisis regresi dipakai untuk mengetahui
bagaimana sebuah variabel terikat (dependent variable) dipengaruhi oleh satu atau
lebih variabel bebas (independent variable) (Giyanto, 2003). Analisis regresi pada
dasarnya adalah studi mengenai ketergantungan satu variabel dependen (terikat)
dengan satu atau lebih variabel independen (variabel penjelas/bebas), dengan tujuan
untuk mengestimasi dan/ atau memprediksi rata-rata populasi atau nilai rata-rata
variabel dependen berdasarkan nilai variabel independen yang diketahui
(Subandriyo, 2020).

5.2 Tujuan dan Manfaat
Tujuan dari praktikum 5 ini adalah agar praktikan mampu mengaplikasikan

analisis regresi dan korelasi dengan baik dan benar. Manfaat yang dapat diambil
adalah praktikan mampu mengerjakan analisis korelasi dan regresi dengan
menggunakan Microsoft Excel.

5.3 Prosedur Praktikum
Koefisien Korelasi Sederhana disebut juga dengan koefisien korelasi Pearson

karena rumus perhitungan koefisien korelasi sederhana ini dikemukakan oleh Karl
Pearson yaitu seorang ahli Matematika yang berasal dari Inggris.

Rumus yang dipergunakan untuk menghitung koefisien korelasi sederhana
disebut juga dengan Pearson Product Moment:

nΣxy − (Σx)(Σy)
r=

√{nΣx2 − (Σx)2}{nΣy2 − (Σy)2}

28

Dimana:
n = Banyaknya Pasangan data X dan Y
Σx = Total Jumlah dari Variabel X
Σy = Total Jumlah dari Variabel Y
Σx2 = Kuadrat dari Total Jumlah Variabel X
Σy2 = Kuadrat dari Total Jumlah Variabel Y
Σxy = Hasil Perkalian dari Total Jumlah Variabel X dan Variabel Y

Pola / Bentuk Hubungan antara 2 Variabel:
1. Korelasi Linear Positif (+1)

Perubahan salah satu Nilai Variabel diikuti perubahan Nilai Variabel yang
lainnya secara teratur dengan arah yang sama. Jika Nilai Variabel X mengalami
kenaikan, maka Variabel Y akan ikut naik. Jika Nilai Variabel X mengalami
penurunan, maka Variabel Y akan ikut turun. Apabila Nilai Koefisien Korelasi
mendekati +1 (positif satu) berarti pasangan data Variabel X dan Variabel Y
memiliki Korelasi Linear Positif yang kuat/erat.
2. Korelasi Linear Negatif (-1)

Perubahan salah satu Nilai Variabel diikuti perubahan Nilai Variabel yang
lainnya secara teratur dengan arah yang berlawanan. Jika Nilai Variabel X
mengalami kenaikan, maka Variabel Y akan turun. Jika Nilai Variabel X
mengalami penurunan, maka Nilai Variabel Y akan naik. Apabila Nilai Koefisien
Korelasi mendekati -1 (negatif satu) maka hal ini menunjukan pasangan data
Variabel X dan Variabel Y memiliki Korelasi Linear Negatif yang kuat/erat.
3. Tidak Berkorelasi (0)

Kenaikan Nilai Variabel yang satunya kadang-kadang diikuti dengan
penurunan Variabel lainnya atau kadang-kadang diikuti dengan kenaikan Variabel
yang lainnya. Arah hubungannya tidak teratur, kadang-kadang searah, kadang-
kadang berlawanan. Apabila Nilai Koefisien Korelasi mendekati 0 (Nol) berarti
pasangan data Variabel X dan Variabel Y memiliki korelasi yang sangat lemah atau
berkemungkinan tidak berkorelasi.

29

Ketiga Pola atau bentuk hubungan tersebut jika digambarkan ke dalam Scatter
Diagram (diagram tebar) adalah sebagai berikut:

Gambar 14. Pola Scatter Diagram (sumber. www.google.com)

Tabel 13. Pedoman Umum dalam Menentukan Kriteria Korelasi

R Kriteria Hubungan
0 Tidak Ada Korelasi
0 - 0.5
0.5 - 0.8 Korelasi Lemah
0.8 - 1 Korelasi Sedang
Korelasi Kuat

Contoh Penggunaan Analisis Regresi:
1. Apakah ada hubungan antara perbedaan suhu dengan pertumbuhan ikan Nila

(Oreochromis niloticus)?
2. Apakah ada hubungan antara lokasi yang berbeda dengan catchability ikan

dengan menggunakan gillnet?
3. Apakah ada hubungan antara kandungan minyak dengan kelimpahan plankton?

Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini:
Y = a + bX

Dimana:
Y = Variabel Response atau Variabel Akibat (Dependent)
X = Variabel Predictor atau Variabel Faktor Penyebab (Independent)
a = konstanta

30

b = koefisien regresi (kemiringan); besaran Response yang ditimbulkan oleh
Predictor.

Nilai a dan b dapat dihitung dengan menggunakan rumus dibawah ini:
(Σx2)(Σy) − (Σx)(Σxy)

a = n(Σx2) − (Σx)2
n(Σxy) − (Σy)(Σx)

b = n(Σx2) − (Σx)2

Berikut ini adalah langkah-langkah dalam melakukan analisis regresi linear
sederhana:
1. Tentukan tujuan dari melakukan analisis regresi linear sederhana
2. Identifikasikan variabel faktor penyebab (Predictor) dan variabel akibat

(Response)
3. Lakukan pengumpulan data
4. Hitung X², Y², XY dan total dari masing-masingnya
5. Hitung a dan b berdasarkan rumus di atas
6. Buatkan model persamaan regresi linear sederhana
7. Lakukan prediksi atau peramalan terhadap variabel faktor penyebab atau

variabel akibat

Contoh Kasus:

Seorang peneliti ingin mengetahui apakah terdapat hubungan antara

kandungan minyak dengan kelimpahan plankton. Peneliti tersebut mengambil

sampel sebanyak 5 stasiun pengamatan dengan mengambil sampel air untuk

menganalisis kandungan minyak dan plankton.

Tabel 14. Hasil Kandungan Minyak dan Kelimpahan Plankton

Stasiun Kandungan minyak (mg/l) Kelimpahan plankton (sel/ml)
1 0.5 15
2 0.9 17
3 0.8 18
4 0.1 20
5 1.5 10

31

Penyelesaian:
Menghitung Koefisien Korelasi dengan Fungsi PEARSON

Kita dapat menghitung Koefisien Korelasi dengan 2 cara, yaitu dengan
mengetik langsung fungsi PEARSON ke dalam Kotak/Cell yang dikehendaki atau
dengan menggunakan functions arguments PEARSON yang terdapat pada menu
bar. Syntax atau kalimat perintah yang digunakan dalam Fungsi PEARSON yakni
=PEARSON(array1,array2)
Langkah-langkah Menghitung Koefisien Korelasi dengan Mengetik Langsung
Fungsi PEARSON:
1. Buka Program Microsoft Excel
2. Masukan data di atas ke dalam worksheet Excel
3. Di Kotak/Cell yang diinginkan, Ketikan formula fungsi seperti berikut ini:

=PEARSON(B3:B7,C3:C7)

Gambar 15. Nilai Koefisien Korelasi dengan Menggunakan Fungsi PEARSON
4. Tekan Enter, Hasilnya akan segera muncul di Kotak/Cell yang bersangkutan.

Hasil dari contoh diatas adalah –0.83701.
Menghitung Koefisien Korelasi dengan Functions Arguments Pearson

32

Langkah-langkah menghitung Koefisien Korelasi dengan Functions
Arguments Pearson:
1. Buka Program Microsoft Excel
2. Masukan data diatas ke dalam worksheet Excel
3. Di Toolbar, Klik [Formulas]
4. Klik [More Functions] kemudian pilih [Statistical]
5. Cari dan Klik [PEARSON], maka akan muncul Window Functions Arguments

Gambar 16. Menu Formula untuk Mendapatkan Statistik Pearson
6. Di Array 1, klik tombol “Selection” untuk seleksi atau blok data Variabel X yang

akan dianalisis atau ketik langsung B2:B7
7. Di Array 2, klik tombol “Selection” untuk seleksi atau blok data Variabel Y yang

akan dianalisis atau ketik langsung C2:C7

33

Gambar 17. Tampilan Menu Function Arguments
8. Klik [OK]
9. Akan muncul nilai Koefisien Korelasi –0.83701.

Gambar 18. Tampilan Hasil Penggunaan Rumus PEARSON
34

Menghitung Koefisien Korelasi dengan Data Analysis
Selain kedua cara diatas, terdapat satu cara lagi untuk menghitung Koefisien

Korelasi yaitu dengan menggunakan Data Analysis yang merupakan Add-Ins
Microsoft Excel yang dikhususkan untuk melakukan Analisis Statistik. Cara
Penggunaannya juga sangat mudah. Langkah-langkah menghitung Koefisien
Korelasi dengan Data Analysis:
1. Buka Program Microsoft Excel
2. Masukan data diatas ke dalam worksheet Excel
3. Di Menu Bar, Klik [Data]
4. Klik [Data Analysis] pada Menu Bar Data, maka akan muncul Window “Data

Analysis” seperti dibawah ini:
5. Pilih dan Klik [Correlation]

Gambar 19. Tampilan Menu Data Analysis
6. Klik [OK], maka akan muncul window “Correlation”
7. Pada Input Range, Klik “Selection” untuk seleksi atau blok data yang akan

dianalisis
8. Pada Opsi “Grouped by”, pilih [Columns]
9. Centang [Label in First Raw] untuk memberikan keterangan pada tabel hasil

analisis

35

10. Di Output Options, Klik [New Worksheet Ply] dan isikan nama Worksheet
“Korelasi Kandungan minyak dan kelimpahan plankton” untuk membuat
Worksheet baru dengan nama yang diberikan tersebut

Gambar 20. Tampilan Correlation dari Menu Data Analysis
11. Klik [OK]
12. Akan muncul Worksheet baru yang berisikan hasil Analisis Korelasi dengan

nama “Korelasi kandungan minyak dan kelimpahan plankton” seperti gambar
dibawah ini:

Gambar 21. Tampilan Korelasi Antara Kandungan Minyak dengan Kelimpahan
Plankton

Dalam Tabel tersebut, nilai Koefisien Korelasi adalah – 0.83701. Berdasarkan
cara-cara perhitungan diatas, nilai Koefisien Korelasi adalah –0.83701. Hal ini
menandakan bahwa kandungan minyak mempunyai hubungan negatif yang erat
dengan kelimpahan plankton.
Membuat Analisis Regresi Linear Sederhana Menggunakan Data Analysis
1. Buka Program Microsoft Excel
2. Masukan data diatas ke dalam worksheet Excel

36

3. Di Menu Bar, Klik [Data]
4. Klik [Data Analysis] pada Menu Bar Data, maka akan muncul Window “Data

Analysis”
5. Pilih dan Klik [Regression]
6. Klik [OK], maka akan muncul window “Regression”
7. Pada Input Y dan X Range, Klik “Selection” untuk seleksi atau blok data yang

akan dianalisis pada Opsi “Grouped by”, pilih [Columns]
8. Centang [Labels] untuk memberikan keterangan pada tabel hasil analisis. Di

Output Options, Klik [Output Range] Klik “Selection” untuk seleksi atau klik
pada sheet yang ingin dimunculkan
9. Klik [OK], maka muncul tampilan seperti dibawah ini.

Gambar 22. Tampilan Regresi Linear
Dari hasil analisis regresi menggunakan data analysis menghasilkan nilai R
square sebesar 0.700591868 yang menandakan bahwa kandungan minyak memiliki
hubungan yang erat terhadap kelimpahan plankton.

Membuat Grafik Regresi dan Nilai Korelasi dengan Microsoft Excel
1. Masukkan data
2. Blok data
3. Klik [insert], pilih [charts], lalu klik [insert scatter]
4. Pilih [scatter]

37

Gambar 23. Tampilan Scatter Pada Regresi Linear
5. Beri nama pada legenda grafik

Gambar 24. Tampilan Legenda Grafik Pada Regresi Linear
6. Klik kanan pada titik di grafik
7. Pilih [add trendline]

Gambar 25. Tampilan Pada Menu Add Trendline

38

8. Pilih trendline options [linear]

Gambar 26. Tampilan Pada Trendline Options dengan Klik Linear
9. Centang [display equation on chart]

Gambar 27. Tampilan untuk Memunculkan Persamaan Y dengan Mengklik
“Display Equation on chart”

10. Untuk nilai regresi, centang [display R-squared value on chart]

Gambar 28. Tampilan untuk Memunculkan R square dengan Mengklik “display R-
squared value on chart”
39

Berdasarkan grafik regresi dan nilai korelasi yang dilakukan, didapat

persamaan y= -6.1567x + 20.679 dengan nilai R squared sebesar 0.70006. Hal ini

menunjukkan bahwa adanya hubungan negatif yang erat antara kandungan minyak

dengan kelimpahan plankton. Artinya, semakin tinggi kandungan minyak maka

kelimpahan plankton yang didapat akan semakin sedikit.

Tugas:

1. Seorang peneliti ingin mengetahui apakah terdapat pengaruh antara produksi

perikanan terhadap pendapatan nelayan di pelabuhan pendaratan ikan (PPI) di

Lembar, Lombok Barat dengan menggunakan jumlah responden sebanyak 34

orang, dengan jenis boat seperti TS 300, Pukat dan Karang.

Jenis Boat Produksi (kg) Pendapatan perminggu (Rp)
TS300 23.200 47.715.000
Pukat 192.300 80.619.667
Karang 18.800 86.267.918

2. Seorang mahasiswa ingin melakukan riset tentang apakah terdapat pengaruh

jenis kapal penangkapan ikan terhadap hasil tangkapan ikan di daerah X?

Jenis Kapal Hasil Tangkapan (ton)
Kapal Purse Seine 513
Kapal Pole and Line 78
Kapal Long Line 245
189
Kapal Gillnet 80
Kapal Bubu

40

DAFTAR PUSTAKA

Andriyani, D., Harahap, E., Badruzzaman, F. H., Fajar, M. Y. & Darmawan, D.
(2019). Aplikasi Microsoft Excel Dalam Penyelesaian Masalah Rata-rata
Data Berkelompok. Jurnal Matematika. 18(1), 41-46.
https://doi.org/10.29313/jmtm.v18i1.5078

Athoillah, M., Pramesti, W. & Hermanto, E. M. P. (2020). Pelatihan Analisa
Statistika Deskriptif Data Kependudukan dengan Menggunakan Microsoft
Excel di Desa Gedangan Kecamatan Sidayu Kabupaten Gresik. J-ADIMAS
(Jurnal Pengabdian kepada Masyarakat). 8(1), 16-21.
https://doi.org/10.29100/j-adimas.v8i1.1614

Dewi D. A. N. N. & Sardiyatmo. (2019). Statistika Dasar Bidang Perikanan dan
Kelautan. Malang: Madani Media.

Fachriyah, E., Karyaningsih, D. & Yulistyari, E. I. (2022). Analisis Statistik
Deskriptif Menggunakan Microsoft Excel dalam Penelitian Tindakan Kelas.
Jurnal Pengabdian Masyarakat Dasabhakti. 1(1), 24-28.

Giyanto. (2003). Apa yang Dapat Microsoft Excel Lakukan untuk Menganalisis
Data Kelautan?. Oseana. 28(4), 7-16.

Hartono. (2019). Statistik untuk Penelitian. Yogyakarta: Pustaka Pelajar.
Hasan, M. I. (2016). Pokok-pokok Materi Statistik 1 (Statistik Deskriptif). Jakarta:

Jakarta Bumi Aksara.
Kurniawati, A. & Ardiansyah. (2020). Analisis Performa Perangkat Lunak

Antivirus dengan Menggunakan Metodologi Pengukuran Performance (Studi
Kasus: Perusahaan Perlindungan Tenaga Kerja). Jurnal Ilmiah MATRIK.
22(1), 43-54. https://doi.org/10.33557/jurnalmatrik.v22i1.838
Martias, L. D. (2021). Statistika Deskriptif Sebagai Kumpulan Informasi. FIHRIS:
Jurnal Ilmu Perpustakaan dan Informasi. 16(1), 40-59.
https://doi.org/10.14421/fhrs.2021.161.40-59
Niani, C. R. & Lewaherilla, N. (2021). Analisis Kemampuan Pengolahan Data
Berbasis Ms. Excel Pada Mahasiswa Semester Akhir Universitas Teuku

41