Laporan Praktikum Ekonometrika Uji Normalitas

BAB I PENDAHULUAN 1.1. Latar Belakang

Pengujian normalitas dimaksudkan untuk mendekteksi apakah data yang akan digunakan sebagai pangkal tolak pengujian hipotesis merupakan data emperik yang memenui hakikat naturalistik. Hakikat naturalistik menganut faham bahwa penomena ( gejala ) yang terjadi dialam ini berlangsung secara wajar dan dengan kecendrungan berpola. Statistika berupaya memelihara kewajaran tersebut dengan proses randomisasi pengambilan sampel,dengan harapan bahwa data yang diperoleh merupakan cerminan dari kondisi yang wajar dari pada penomena alami aspek yang diukur. Melalui proses pengambilan sampel yang memenui tabiat random. Responden dari sampel penelitian sebagai wakil populasi, diasumsikan wajar. Kecendrungan penomena alami yang berpola seragam dan berespon yang wajar tersebut memberikan data yang tidak jauh menyimpang dari kecendrungannya, yaitu kecendrungan terpola /terpusat. Untuk menguji hal itu perlu, ditempu suatu pengujian normalitas populasi. Dalam pendekatan statistika para metrik, setidak-tidaknya ada dua teknik statistika yang dapat digunakan untuk pengujian normalitas, yaitu uji liliefors dan chi kuadrat. Teknik llifors menggunakan pendekatan pemeriksaan data individu dalam keseluruhan kelompok. Prosedurnya akan jadi rumit apa bila jumlah data cukup banyak. Karena itu teknik lilifors biasanya digunakan untuk rentang data yang relatif sedikit. Sedangkan untuk rentang yang lebih besar, digunakan teknik chi kuadrat, dengan menguji data berkelompok karena asumsi normal, maka pengujian didasarkan pada pendekatan stanine. Dalam tulisan ini teknik pengujian normalitas yang dicontohkan adalah sebagai berikut : HO : Sampel berasal dari populasi berdistribusi normal. H1 : Sampel berasal dari populasi distribusi tidak normal. Keriteria pengujian : tolak Ho jika LO

L kritis, selain itu Ho diterima.

1.2. Tujuan

Tujuan dari Praktikum ini adalah untuk: 1. Mengetahui cara pengujian normalitas dengan teknik Lilifors 2. Mengetahui apakah data total skor pengetahuan manajemen dengan total skor kualitas pengambilan keputusan yang telah diperoleh menyebar secara normal atau tidak.

1

BAB II TINJAUAN PUSTAKA 2.1. Uji Normalitas

Pengujian normalitas adalah pengujian tentang kenormalan distribusi data. Uji ini merupakan pengujian yang paling banyak dilakukan untuk analisis statistik parametrik. Karena data yang berdistribusi normal merupakan syarat dilakukannya tes parametrik. Sedangkan untuk data yang tidak mempunyai distribusi normal, maka analisisnya menggunakan tes non parametrik (Sugiyono, 2007). Data yang mempunyai distribusi yang normal berarti mempunyai sebaran yang normal pula. Dengan profit data semacam ini maka data tersebut dianggap bisa mewakili populasi. Normal disini dalam arti mempunyai distribusi data normal. Normal atau tidaknya berdasarkan patokan distribusi normal dari data dengan mean dan standar deviasi yang sama. Jadi uji normalitas pada dasarnya melakukan perbandingan antara data yang kita miliki dengan data berdistribusi normal yang memiliki mean dan standar deviasi yang sama dengan data kita (Sugiyono, 2007). Untuk mengetahui bentuk distribusi data dapat digunakan grafik distribusi dan analisis statistik. Penggunaan grafik distribusi merupakan cara yang paling gampang dan sederhana. Cara ini dilakukan karena bentuk data yang terdistribusi secara normal akan mengikuti pola distribusi normal di mana bentuk grafiknya mengikuti bentuk lonceng (atau bentuk gunung). Sedangkan analisis statistik menggunakan analisis keruncingan dan kemencengan kurva dengan menggunakan indikator keruncingan dan kemencengan (Santoso, Singgih. 2002). Untuk menguji normalitas data, dapat menggunakan Uji Kolmogorov-Smirnov. Tes satu sampel Kolmogorov-Smirnov adalah suatu tes goodness-of-fit. Artinya, yang diperhatikan adalah tingkat kesesuaian antara distribusi teoritis tertentu. Tes ini menetapkan apakah skor-skor dalam sampel dapat secara masuk akal dianggap berasal dari suatu populasi dengan distributive tertentu itu (Arikunto. 2010). Jadi, tes mencakup perhitungan distribusi frekuensi kumulatif yang akan terjadi dibawah distribusi teoritisnya, serta membandingan distribusi frekuensi itu dengan distribusi frekuensi kumulatif hasil observasi. Distribusi teoriti tersebut merupakan representasi dari apa yang diharapkan dibawah H0. Tes Ini menerapkan suatu titik dimana kedua distribusi itu-yakni yang teoritis dan yang terobservasi-memiliki perbedaan terbesar. Dengan melihat distribusi samplingnya dapat kita ketahui apakah perbedaan yang besar itu mungkin terjadi hanya karena kebetulan saja. Artinya distribusi sampling itu menunjukan apakah perbedaan besar yang diamati itu mungkin terjadi apabila observasi-observasi itu benar-benar suatu sampel random dari distribusi teoritis itu (Sudjana, 2005). Metode, Misalkan suatu F0(X) = suatu fungsi distribusi frekuensi kumulatif yang sepenuhnya ditentukan, yakni distribusi kumulatif teoritis di bawah H0. Artinya untuk harga N yang sembarang besarnya, Harga F0(X) adalah proporsi kasus yang diharapkan mempunyai skor yang sama atau kurang daripada X (Sudjana, 2005).

2

Misalkan SN(X) = distribusi frekuensi kumulatif yang diobservasi dari suatu sampel random dengan N observasi. Dimana X adalah sembarang skor yang mungkin, SN(X) = k/N, dimana k = banyak observasi yang sama atau kurang dari X (Sudjana, 2005). Di bawah Hopotesis-nol bahwa sampel itu telah ditarik dari distribusi teoritis tertentu, maka diharapkan bahwa untuk setiap harga X, SN(X) harus jelas mendekati F0(X). Artinya di bawah H0 kita akan mengharapkan selisis antara SN(X) dan F0(X) adalah kecil, dan ada dalam batas-batas kesalahan random. Tes Kolmogorov-Smirnov memusatkan perhatian pada penyimpangan (deviasi) terbesar. Harga F0(X) -SN(X) terbesar dinamakan deviasi maksimum (Sudjana, 2005). D = maksimum | F0(X) - SN(X)| Distribusi sampling D di bawah H0 diketahui. Tabel E pada lampiran memberikan hargaharga kritis tertentu distribusi sampling itu. Perhatikanlah bahwa signifikasi suatu harga D tertentu adalah bergantung pada N. Harga-harga kritis untuk tes-tes satu sisi belum ditabelkan secara memadai. Menurut Sudjana (2005) Prosedur pengujian Kolmogorov-Smirnov ini dilakukan dengan langkah-langkah sebagai berikut: 1. Tetapkanlah fungsi kumulatif teoritisnya, yakni distribusi kumulatif yang diharapkan di bawah H0. 2. Aturlah skor-skor yang diobservasi dalam suatu distribusi kumulatif dengan memasangkan setiap interval SN(X) dengan interval F0(X) yang sebanding. 3. Untuk tiap-tiap jenjang pada distribusi kumulatif, kurangilah F0(X) dengan SN(X). 4. Dengan memakai rumus carilah D. 5. Lihat table E untuk menemukan kemungkinan (dua sisi) yang dikaitkan dengan munculnya harga-harga sebesar harga D observasi di bawah H0 Jika p sama atau kurang dari α, tolaklah H0. Kekuatan, Tes satu sampel Kolmogorov-Smirnov ini memperlihatkan den menggarap suatu observasi terpisah dari yang lain. Dengan demikian, lain dengan tes X2 untuk satu sampel. Tes Kolmogorov-Smirnov tidak perlu kehilangan informasi karena digabungkannya kategorikategori. Bila sampel kecil dan oleh karenanya kategori-kategori yang berhampiran harus digabungkan sebelum X2 dapat dihitung secara selayaknya, tes X2 jelas lebih kecil kekuatannya disbanding dengan tes Kolmogorov-Smirnov ini. Dan untuk sampel yang sangat kecil tes X2 sama sekali tidak dapat dijalankan, sedangkan tes Kolmogorof-Smirnov dapat. Fakta ini menunjukan bahwa tes Kolmogorov-Smirnov mungkin lebih besar kekuatannya dalam semua kasus, jika dibandingkan dengan tes lainnya yakni tes X2 (Sudjana, 2005).

3

2.2. Uji Lilliefors Pengujian normalitas distribusi dengan uji Lilliefors pada umumnya digunakan untuk data tunggal. Adapun langkah-langkah uji normalitas lilliefors adalah sebagai berikut: Langkah-langkah melakukan uji normalitas melalui uji Liliefors  Susun data secara berurutan dari skor terkecil sampai skor terbesar  Hitung rata-rata dan standar deviasi  Hitunglah nilai standar baku dengan menggunakan z-skor dari masing-masing data  Tentukan nilai normal standar baku (z-skor) dengan menggunakan table normal standar (baku) dari 0 – z.  Tentukan peluang F(zi) Catatan jika zi (+) maka F(zi) = 0,5 + angka table (table normal standar (baku) dari 0 – z) zi ( – ) maka F(zi) = 0,5 – angka table (table normal standar (baku) dari 0 – z) Tentukan nilai S(zi) dengan cara menghitung porporsi z1, z2, …zn yang lebih kecil atau sama dengan zi dengan rumus:

Hitung selisih harga mutlak F(zi) – S(zi) Ambil harga mutlak terbesar diantara harga mutlak tersebut dengan symbol Lo (Lilliefors Observasi Tentukan nilai L table dengan menggunakan table liliefors (Ltabel (0,05a),(n)) dengan kiteria pembilang α = 0,05 dan penyebut = n Bandingkan Lo dengan Ltabel dengan kriterian sebagai berikut: Jika Lo lebih besar dari Ltabel berarti populasi berdistribusi tidak normal Jika Lo lebih kecil dari Ltabel berarti populasi berdistribusi normal

2.3 Uji Homogenitas

Uji homogenitas merupakan uji perbedan antara dua atau lebih populasi. Semua karakteristik populasi dapat bervariasi antara satu populasi dengan yang lain. Dua di antaranya adalah mean dan varian (selain itu masih ada bentuk distribusi, median, modus, range, dll) (Sugiyono, 2007) Penelitian yang selama ini baru menggunakan mean sebagai tolak ukur perbedaan antara dua populasi. Para peneliti belum ada yang melakukan pengujian atau membuat hipotesis terkait dengan kondisi varian diantara dua kelompok. Padahal ini memungkinkan dan bisa menjadi 4

kajian yang menarik. Misalnya saja sangat memungkinkan suatu treatmen tidak hanya mengakibatkan perbedaan mean tapi juga perbedaan varian. Jadi misalnya, metode pengajaran tertentu itu cocok untuk anak-anak dengan kesiapan belajar yang tinggi tapi akan menghambat mereka yang kesiapan belajarnya rendah. Ketika diberikan pada kelas yang mencakup kedua golongan ini, maka siswa yang memiliki kesiapan belajar tinggi akan terbantu sehingga skornya akan tinggi, sementara yang kesiapan belajarnya rendah akan terhambat, sehingga skornya rendah. Nah karena yang satu mengalami peningkatan skor sementara yang lain penurunan, ini berarti variasi dalam kelompok itu makin lebar. Sehingga variansinya akan membesar (Arikunto, 2010) Uji homogenitas bertujuan untuk mengetahui apakah varians skor yang diukur pada kedua sampel memiliki varians yang sama atau tidak. Populasi-populasi dengan varians yang sama besar dinamakan populasi dengan varians yang homogen, sedangkan populasi-populasi dengan varians yang tidak sama besar dinamakan populasi dengan varians yang heterogen (Arikunto, 2010). Faktor-faktor yang menyebabkan sampel atau populasi tidak homogen adalah proses sampling yang salah, penyebaran yang kurang baik, bahan yang sulit untuk homogen, atau alat untuk uji homogenitas rusak. Apabila sampel uji tidak homogen maka sampel tidak bisa digunakan dan perlu dievaluasi kembali mulai dari proses sampling sampai penyebaran bahkan bila memungkinkan harus diulangi sehingga mendapatkan sampel uji yang homogeny (Arikunto, 2010). Untuk menguji homogenitas data, dapat digunakan uji ANOVA. Uji ini digunakan untuk mengetahui ada atau tidaknya perbedaan rata-rata untuk lebih dari dua kelompok sampel yang tidak berhubungan. Jika ada perbedaan, rata-rata manakah yang lebih tinggi. Data yang digunakan biasanya berskala interval atau rasio (Hidayat, 2012). Untuk melakukan uji Anova, harus dipenuhi beberapa asumsi, yaitu: (1) Sampel berasal dari kelompok yang independen. (2) Varian antar kelompok harus homogen. (3) Data masingmasing kelompok berdistribusi normal (Hidayat, 2012) Asumsi yang pertama harus dipenuhi pada saat pengambilan sampel yang dilakukan secara random terhadap beberapa (> 2) kelompok yang independen, yang mana nilai pada satu kelompok tidak tergantung pada nilai di kelompok lain. Sedangkan pemenuhan terhadap asumsi kedua dan ketiga dapat dicek jika data telah dimasukkan ke komputer. Jika asumsi ini tidak 5

terpenuhi dapat dilakukan transformasi terhadap data. Apabila proses transformasi tidak juga dapat memenuhi asumsi ini maka uji Anova tidak valid untuk dilakukan, sehingga harus menggunakan uji non-parametrik misalnya Kruskal Wallis (Hidayat, 2012). 2.4 Prinsip ANOVA Prinsip Uji Anova adalah melakukan analisis variabilitas data menjadi dua sumber variasi yaitu variasi di dalam kelompok (within) dan variasi antar kelompok (between). Bila variasi within dan between sama (nilai perbandingan kedua varian mendekati angka satu), maka berarti tidak ada perbedaan efek dari intervensi yang dilakukan, dengan kata lain nilai mean yang dibandingkan tidak ada perbedaan. Sebaliknya bila variasi antar kelompok lebih besar dari variasi didalam kelompok, artinya intervensi tersebut memberikan efek yang berbeda, dengan kata lain nilai mean yang dibandingkan menunjukkan adanya perbedaan. (Hidayat, 2012)

6

BAB III METODOLOGI 3.1. Metoda Mengumpulkan Data

Metode yang digunakan dalam mengumpulkan data adalah dengan wawancara secara langsung dengan 30 responden. Penentuan responden secara random. 3.2. Metoda Analisis Data

Metode yang digunakan dalam Analisis Data adalah dengan menggunakan program Ms. Excel.

7

BAB IV HASIL DAN PEMBAHASAN 4.1. Hasil

Telah dilakukan penelitian dengan metode wawancara untuk mengetahui hubungan antara pengetahuan manajemen dengan kualitas pengambilan keputusan seorang mahasiswa Agribisnis, Fakultas Pertanian, Universitas Nusa Cendana, wawancara terhadapat 30 responden dengan hasil disajikan dalam tabel berikut: Total Skor Total skor No.Res Pengetahuan Manajemen (X) kualitas Pengambilan Keputusan (Y) 1 9 63 2 10 113 3 9 68 4 8 86 5 10 78 6 8 64 7 8 94 8 6 72 9 11 101 10 11 105 11 3 82 12 10 129 13 7 119 14 9 94 15 10 128 16 11 110 17 8 87 18 10 93 19 10 71 20 11 68 21 10 116 22 12 107 23 7 85 24 6 49 25 5 114 26 7 141 27 8 87 28 7 124 29 7 126 30 12 114

8

4.1.1. Uji Normalitas Langkah-Langkah Uji Normalitas dengan Teknik Lilifors 1. Tentukan bentuk persamaan regresi sederhananya, dengan menggunakan program Ms. Excel maka diperoleh hasil sebagai berikut: SUMMARY OUTPUT Regression Statistics Multiple R 0,138586 R Square 0,019206 Adjusted R Square -0,01582 Standard Error 23,76241 Observations 30 ANOVA df Regression Residual Total

Intercept (X)

SS MS F 1 309,6013 309,60134 0,5483044 28 15810,27 564,652333 29 16119,87

Coefficient Standard s Error t Stat P-value 83,02714 18,39858 4,5126932 0,000105 1,527638 2,06305 0,74047577 0,4651758

Significance F 0,465176

Lower 95% Upper 95% 45,33936 120,7149133 -2,69833 5,753603583

Lower 95,0% 45,33935808 -2,698327201

Upper 95,0% 120,7149133 5,753603583

Berdasarkan hasil analisis diatas maka diperoleh bentuk persamaan regresi sederhana sebagai berikut: Ŷ = 83,027+ 1,528X

9

2. Tentukan nilai galat baku (Y- Ŷ) seperti tabel berikut seperti tabel berikut: No, 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Sum

X 9 10 9 8 10 8 8 6 11 11 3 10 7 9 10 11 8 10 10 11 10 12 7 6 5 7 8 7 7 12 260

Y 63 113 68 86 78 64 94 72 101 105 82 129 119 94 128 110 87 93 71 68 116 107 85 49 114 141 87 124 126 114 2888

Ŷ = 83,027+ 1,528X 96,779 98,307 96,779 95,251 98,307 95,251 95,251 92,195 99,835 99,835 87,611 98,307 93,723 96,779 98,307 99,835 95,251 98,307 98,307 99,835 98,307 101,363 93,723 92,195 90,667 93,723 95,251 93,723 93,723 101,363

10

Y- Ŷ -33,779 14,693 -28,779 -9,251 -20,307 -31,251 -1,251 -20,195 1,165 5,165 -5,611 30,693 25,277 -2,779 29,693 10,165 -8,251 -5,307 -27,307 -31,835 17,693 5,637 -8,723 -43,195 23,333 47,277 -8,251 30,277 32,277 12,637

3. Susun galat baku dengan nilai berurut dan tentukan Nilai L hitung maksimum No, 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Xi -43,2 -33,78 -31,84 -31,25 -28,78 -27,31 -20,31 -20,2 -9,25 -8,72 -8,25 -8,25 -5,61 -5,31 -2,78 -1,25 1,17 5,17 5,64 10,16 12,64 14,69 17,69 23,33 25,28 29,69 30,28 30,69 32,28 47,28

F 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

Fkum 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Zi -1,85 -1,45 -1,36 -1,34 -1,23 -1,17 -0,87 -0,86 -0,40 -0,37 -0,35 -0,35 -0,24 -0,23 -0,12 -0,05 0,05 0,22 0,24 0,44 0,54 0,63 0,76 1,00 1,08 1,27 1,30 1,31 1,38 2,02

Z tabel 0,4678 0,4265 0,4131 0,4099 0,3907 0,3790 0,3078 0,3051 0,1554 0,1443 0,1368 0,1368 0,0948 0,0910 0,0478 0,0199 0,0199 0,0871 0,0948 0,1700 0,2054 0,2357 0,2764 0,3413 0,3599 0,3980 0,4032 0,4049 0,4162 0,4783

F(Zi) 0,0322 0,0735 0,0869 0,0901 0,1093 0,1210 0,1922 0,1949 0,3446 0,3557 0,3632 0,3632 0,4052 0,4090 0,4522 0,4801 0,5199 0,5871 0,5948 0,6700 0,7054 0,7357 0,7764 0,8413 0,8599 0,8980 0,9032 0,9049 0,9162 0,9783

Harga-harga untuk Xi: 

N

= 30;



SD

= 23,3502;



X

= - 0,0033

11

S(Zi) 0,0333 0,0667 0,1000 0,1333 0,1667 0,2000 0,2333 0,2667 0,3000 0,3333 0,3667 0,4000 0,4333 0,4667 0,5000 0,5333 0,5667 0,6000 0,6333 0,6667 0,7000 0,7333 0,7667 0,8000 0,8333 0,8667 0,9000 0,9333 0,9667 1,0000

|F(Zi) S(Zi)| 0,0011 0,0068 0,0131 00432 0,0574 0,0790 0,0411 0,0718 0,0446 0,0224 0,0035 0,0368 0,0281 0,0577 0,0478 0,0532 0,0468 0,0129 0,0385 0,0033 0,0054 0,0024 0,0097 0,0413 0,0266 0,0313 0,0032 0,0284 0,0505 0,0217

Lh Maks

Keterangan: Xi

= Skor data galat baku taksiran (Y - Ŷ)

Zi

Xi-X = Skor baku ( diperoleh dari Z= _____ ) SD

F(Zi) = Harga peluang  Jika nilai Zi negatif, F(Zi)= 0,5 - nilai Z tabel  Jika nilai Zi positif, F(Zi)= 0,5 + nilai Z tabel S(Zi) = Harga proporsi (F kum/N) 4. Pengambilan Keputusan: Kriteria: 

Jika L hitung kurang dari L tabel maka galat baku taksiran berdistribusi normal

Kesimpulan: 

Nilai L tabel(Lt) untuk N =30 dan taraf signifikansi = 0,05 adalah 0,159



Harga terbesar Lh = 0,0718



Dengan demikian, Lh < Lt sehingga Galat baku taksiran (Y- Ŷ) berasal dari populasi yang berdistribusi normal

4.1.2. Uji Homogenitas 

Merumuskan Hipotesis Ho = Data memiliki varian yang sama H1 = Data tidak memiliki varian yang sama



Tingkat Signifikansi. Menggunakan a = 5% atau 0,05



Kriteria Pengujian Ho diterima bila F hitung < F tabel Ho ditolak bila F hitung > F tabel

12

Tabel 1. Test of Homogeneity of Variancesa Y Levene Statistic df1 df2 Sig. . 1 . . a. Test of homogeneity of variances cannot be performed for Y because the sum of caseweights is less than the number of groups. Dari tabel 1 Test of Homegeneity of Variances terlihat bahwa hasil uji menunjukan bahwa varian nilai signifikansi variable posttest (Y) berdasarkan variable pretest (X) = 0<0,005 artinya data variable posttest (Y) berdasarkan variable pretest (X) mempunyai varian yang berbeda Tabel 2. Uji anova ANOVA df

SS MS F Significance F Regression 1 309,6013 309,60134 0,5483044 0,465176 Residual 28 15810,27 564,652333 Total 29 16119,87 a. Dependent Variable: Skor nilai Pengetahuan Manajemen b. Predictors: (Constant): Skor Nilai Kualitas Pengambilan Keputusan Hasil Uji Anova Satu Jalur. Berdasarkan table 2 tersebut di atas terdapat kolom jumlah rata-rata kuadrat (Sum of Squares), derajat kebekaban (df), rata-rata kuadrat (Mean Square), F hitung (F), dan signifikasi (Sig.) antar kelompok, menunjukan F hitung menunjukan bahwa Ho diterima, yaitu F hitung = 0.5483 < F table = 4.18, sehingga dapat diketahui bahwa data tersebut memiliki varian yang sama (homogen) 4.2. Pembahasan

Dari pengamatan diatas, sesuai dengan uji normalitas, dapat diketahui bahwa data berdistribusi normal. Nilai signifikansi sebesar 0,159 lebih besar dari 0,0718, sehingga dapat disimpulkan bahwa data yang diuji berdistribusi normal. Hal ini menunjukan bahwa data tersebut mempunyai sebaran yang normal. Menurut Sugiyono (2007) Dengan profit data semacam ini maka data tersebut dianggap bisa mewakili populasi. Normal disini dalam arti mempunyai distribusi data normal. Normal atau tidaknya berdasarkan patokan distribusi normal dari data dengan mean dan standar deviasi yang sama.

13

Data yang berdistribusi normal merupakan syarat dilakukannya tes parametrik. Sedangkan untuk data yang tidak mempunyai distribusi normal, maka analisisnya menggunakan tes non parametric (Sugiyono, 2007). Dengan begitu, data praktikum kali ini dapat dianalisis dengan menggunakan tes parametric. Dari tabel Test of Homegeneity of Variances terlihat bahwa hasil uji menunjukan bahwa varian nilai signifikansi variable posttest (Y) berdasarkan variable pretest (X) = 0<0,005 artinya data variable posttest (Y) berdasarkan variable pretest (X) mempunyai varian yang berbeda. Hal ini dikarenakan pada data input tersebut terlihat adanya peningkatan skor sementara yang lain penurunan, ini berarti variasi dalam kelompok itu makin lebar. Sehingga variansinya akan membesar (Arikunto, 2010). Uji homogenitas bertujuan untuk mengetahui apakah varians skor yang diukur pada kedua sampel memiliki varians yang sama atau tidak. Populasi-populasi dengan varians yang sama besar dinamakan populasi dengan varians yang homogen, sedangkan populasi-populasi dengan varians yang tidak sama besar dinamakan populasi dengan varians yang heterogen. Faktor-faktor yang menyebabkan sampel atau populasi tidak homogen adalah proses sampling yang salah, penyebaran yang kurang baik, bahan yang sulit untuk homogen, atau alat untuk uji homogenitas rusak. Apabila sampel uji tidak homogen maka sampel tidak bisa digunakan dan perlu dievaluasi kembali mulai dari proses sampling sampai penyebaran bahkan bila memungkinkan harus diulangi sehingga mendapatkan sampel uji yang homogen (Arikunto, 2010). Namun saat F hitung di bandingkan dengan F table, menunjukan bahwa Ho diterima, yaitu F hitung = 0,5483 < F table = 4.18, sehingga dapat diketahui bahwa data tersebut memiliki varian yang sama (homogen). Sehingga tidak perlu dilakukan evaluasi kembali dan data tersebut dapat diolah dengan menggunakan uji One Way ANOVA. Karena data tersebut telah memenuhi 3 asumsi untuk melakukan uji Anova, yaitu: (1) Sampel berasal dari kelompok yang independen. (2) Varian antar kelompok harus homogen. (3) Data masing-masing kelompok berdistribusi normal (Hidayat, 2012) Uji anova menunjukan bahwa Ho diterima, yaitu F hitung = 0,5483 < F table = 4.18, sehingga dapat diketahui bahwa data tersebut memiliki varian yang sama (homogen).

BAB V 14

KESIMPULAN 5.1. Kesimpulan Dari hasil pembahasan di atas, mak dapat disimpulkan bahwa: 1. Nilai signifikansi sebesar 0,053 lebih besar dari 0,05, sehingga dapat disimpulkan bahwa data yang diuji berdistribusi normal. Hal ini menunjukan bahwa data tersebut mempunyai sebaran yang normal. 2. Data input pada praktikum kali ini dianggap bisa mewakili populasi. 3. Data input pada praktikum kali ini dapat dianalisis dengan menggunakan tes parametric 4. Dari tabel Test of Homegeneity of Variances terlihat bahwa hasil uji menunjukan data mempunyai varian yang berbeda. dengan varian nilai signifikansi variable posttest (Y) = 0 < variable pretest (X) = 0,005 5. F hitung di bandingkan dengan F table, menunjukan bahwa Ho diterima, yaitu F hitung = 0,5383 < F table = 4.18, sehingga dapat diketahui bahwa data tersebut memiliki varian yang sama (homogen). 6. Tidak perlu dilakukan evaluasi kembali dan data tersebut dapat diolah dengan menggunakan uji One Way ANOVA. 5.2. Saran Diharapkan kepada para peneliti agar dalam melakukan proses sampling harus dilakukan dengan baik agar data yang dihasilkan mampu menjelaskan seluruh populasi.

15

DAFTAR PUSTAKA

Arikunto, Suharsimi. 2010. Prosedur Penelitian Suatu Pendekatan Praktik. Jakarta: Rineka Cipta. Santoso, Singgih. 2002. Buku Latihan Spss Statistik Parametrik. Jakarta: PT Elex Media Komputindo. Siegel, Sidney. 1994. Statistika Nonparametik untuk ilmu-Ilmu Sosial. Jakarta : PT Garamedia. Subagyo, Pangestu dan Djarwanto. 20005. Statistika Induktif. BPFE: Yogyakarta. Sudjana. 2005. Metode Statistika, Tarsito, Bandung : Tarsito. Sugiyono. 2007. Statistika untuk Penelitian, CV. Alfabeta. Bandung.

16