REGRESI LOLA NURHAULA

NAMA : LOLA NURHAULA
NIM : 080132
KELAS/SMT-: REGULER/ III-B



Regression















ANALISIS OUTPUT
Berdasarkan hasil output spss, selanjutnya kita melakukan uji hipotesis yang menyatakan model yang didapatkan bentuknya linier atau tidak dan juga secara tidak langsung kita mnguji asumsi untuk mendapatkan BLUE (Best Unbiased Estimator)
Hipotesis:
H0 : b = 0 (tidak ada hubungan linier antara promosi dengan laba)
H1 : b ≠ 0 (ada hubungan linier antara promosi dengan laba)

Dalam output diperoleh nilai Hhit = 83,473 (dalam tabel ANOVA), sedangkan untuk Ftabel = 5,12 .(tabel distribusi F dengan taraf signifikansi 5%), karena nilai Fhit > Ftabel makan disimpulkan bahwa kita dapat menolak H0. Artinya ada hubungan linier antara Berat mahasiswa dengan tinggi mahasiswa (hasil ini bisa juga dilihat pada nilai sig sebesar 0,000 yang artinya signifikan pada taraf signifikansi 1%)

Pada tabel Model Summary diperoleh R2 = 0,749. Artinya variabel berat mahasiswa dapat menerangkan variabilitas sebesar 74,9% dari variabilitas tinggi mahasiswa, sedangkan sisanya diterangkan oleh variabel lain (dimana R2 merupakan koefisien determinasi)

Untuk pengujian signifikan koefisien regresi dapat dilakukan sebagai berikut (lihat pada tabel coefficients)

 Untuk Konstanta
Hipotesis:
H0: koefisien regresi tidak signifikan
H1: koefisien regresi signifikan

Pada taraf signifikansi 5%, nilai t tabel atau t0.025;9 = 2.262 dan t hit =36.941, karena t hit > t tabel. Jadi dapat dismpulkan tolak H0. Artinya konstanta berpengaruh pada tinggi mahasiswa. Hal ini bisa dilihat dari sig=0,000 yang lebih kecil dari taraf signifikansi 5%.

 Untuk koefisien Berat Badan
Hipotesis:
H0 : koefisien regresi tidak signifikan
H1 : koefisien regresi signifikan

Pada taraf signifikansi 5%, nilai t tabel atau t0,025;9 = 2.262 dan t hit = 9,136, karena t hit > t tabel, maka dapat disimpulkan tolak H0. Artinya berat badan mahasiswa berpengaruh pada tinggi mahasiswa. Hal ini bisa dilihat dari nilai sig=0.000 yang lebih kecil dari taraf signifikansi 5%. Sehingga model regresi yang terbentuk adalah:
Tinggi mahasiswa =129,774+0,616 berat mahasiswa
Tanda + pada variabel promosi menunjukkan arah searah, artinya bila berat mahasiswa naik maka tinggi juga akan naik, begitu juga sebaliknya.

ANOVA LINA HILSA F

NAMA : LINA HILSA FUJIATIN
NIM : 080131
KELAS/SMT : REGULER/ III-B



Analisis Output
ANALISIS VARIAN
Dilakukan penelitian untuk mengetahui ada tidaknya perbedaan kemampuan menguasai materi untuk mata kuliah Kimia dasar, Kimia organik , dan Matematika dasar 1.Pengukuran menguasai materi dilakukan dengan pengamatan terhadap nilai-nilai yang diperoleh mahasiswa, Jumlah sampel mahasiswa untuk masaing-masing mata kuliah sebanyak 30 orang.Nilai yang diamati merupakan nilai akademik mahasiswa pada semester 1 untuk kimia dasar dan matematika dasar 1 dan pada semester 2 untuk kimia organik.
Data hasil pengamatan disajikan pada tabel di atas.
Pengajuan Hipotesis:
Ho : Tidak terdapat perbedaan kemampun menguasai materi yang significant diantara tiga mata kuliah yang terdiri dari Kimia dasar, Kimia organik , dan Matematika dasar 1.
Ha : Terdapat perbedaan kemampun menguasai materi yang significant diantara tiga mata kuliah yang terdiri dari Kimia dasar, Kimia organik , dan Matematika dasar 1.
Tabel 1
One way


Statistik deskrptif merupakan deskripsi variabel-variabel yang di analisis. Jumlah mahasiswa yang diamati pada masing-masing mata kuliah sebanyak 30 orang. Pada nilai 1.00 (kimia dasar ) memiliki nilai rata-rata 2.7333, standar deviasi 0.69149, standar kesalahan 0.12625 dengan nilai minimum 2.00 dan maximum 4.00. Pada nilai 2.00 (kimia organic) memiliki nilai rata-rata 2.4333. standar deviasi 0.62606, standar kesalahan 0.11430 dengan nilai minimum 2.00 dan maximum 4.00. Pada nilai 3.00 (matematika dasar 1) memiliki nilai rata-rata 2.4333, standar deviasi 0.72793, standar kesalahan 0.13290 dengan nilai minimum 1.00 dan maximum 4.00.


Tabel 2



Test Homogenitas varians kemampuan menguasai materi untuk maya kuliah menunjukan tidak homogen. Diperoleh F hitung sebesar 0.391 dengan penyebut (df1) = 2 dan pembilang (df2) = 87 pada signifikasi 0.678 (bila signifikasi di atas 0.05 maka data homogen)
Untuk menguji homogenitas varians dapat dibandingkandengan tabel , dengan df1 = 2 dan df2 = 87 dengan taraf kesalahan yang diambil adalah 5%..Ketentuan yang digunakan apabila F hitung < F tabel data homogen. Jadi 0.678>0.05, dengan demikian data homogen.

Tabel 3



Jumlah kuadrat antara groups (combined) sebesar 1.800 dan rata-rata kuadrat 0.900 dengan F hitung 1.929 dan signifikasi 0.152, linear Term (contrast) sebesar 1.350 dan rata-rata kuadrat 1.350 dengan F hitung 2.893 dan signifikasi 0.093, linear Term ( Devition ) sebesar 0.450 dan rata-rata kuadrat 0.450 dengan F hitung 0.964 dan signifikasi 0.329. Jumlah kuadrat diantara groups sebesar 40.600 dan rata-rata kuadratnya 0.467.
Besarnya F hitung total adalah 5.786 dengan signifikansi 0.574 maka Ha ditolak dan Ho diterima( signifikansi diatas 0.05). Kesimpulannya tidak terdapat perbedaan yang signifikant antara kemampuan menguasai materi pada mata kuliah Kimia dasar, Kimia organik , dan Matematika dasar 1.

Tabel 3


* The mean difference is significant at the .05 level

Perbandingan Kemampuan menguasai materi 1(kimia dasar) dengan materi 2(kimia organic) Perbedaan rata-ratanya = 0.3, standar kesalahan 0.17638, signifikansi 0.093. kesimpulannya tidak ada perbedaan rata-rata kemampuan menguasai materi antara materi 1(kimia dasar) dengan materi 2(kimia organic) ( Ha di tolak dan Ho di terima bila signifikan di atas 0.05) perbandingan kemampuan menguasai materi antara materi 1 (kimia dasar ) dengan materi 3 (matematika dasar 1) , perbedaan rata-rata = 0.3, standard kesalahan 0.17638, signifikansi 0.093. kesimpulannya tidak ada perbedaan rata-rata kemampuan menguasai materi antara materi 1(kimia dasar) dengan materi 3(matematika dasar 1). perbandingan kemampuan menguasai materi antara materi 2 (kimia organik) dengan materi 1(kimia dasar) perbedaan rata-rata -0.3, standard kesalahan 0.17638, signifikansi 0.093. kesimpulannya tidak ada perbedaan rata-rata antara materi 2 (kimia organik) dengan materi 1(kimia dasar).Kesimpulannya, tidak ada perbedaan yang signifikan rata-rata kemampuan menguasai materi antara materi 1(kimia dasar),materi 2(kimia organic)&materi 3 (matematika dasar 1). pada Post Hoc, variabel yang signifikan ditandai dengan tanda bintang.


Means Plot

FAKTOR ANALISIS LINA HILSA FUJIATIN

NAMA : LINA HILSA FUJIATIN
NIM : 080132
KELAS/ SMT: REGULER/ III-B




Keterangan :
Bobot nilai :
X1 = Hemat 2 = Sangat tidak setuju
X2 = Efesiensi waktu 3 = Tidak setuju
X3 = Gaya hidup 4 = Setuju
X4 = Pergaulan 5 = Sangat tidak setuju
X5 = Kemudahan

Analisis output

Factor Analysis

Tabel 1
Descriptive Statistics



Table ini merupakan gambaran tantang data yang diinput, terdiri atas mean / rata-rata, standar deviasi, dan jumlah data yang dianalisis pada tiap-tiap variable.

Tabel 2
Correlation Matrix


Multikolinearitas adalah korelasi antar variable. Korelasi antarvariabel yang sama (misalnya X1 dan X1), yang nilainya 1,000 tidak perlu diperhatikan. Karena variabel-variabel tersebut dikorelasikan dengan ‘dirinya sendiri’. Yang perlu diperhatikan adalah korelasi antarvariabel yang berbeda.

Tabel 3



Kesimpulan tentang layak-tidaknya analisis factor dilakukan baru sah secara statistic dengan menggunakan uji Kaiser-Meyer-Olkin (KMO) measure of adequancy dan Barlett Test.
KMO uji yang nilainya berkisar antara 0 sampai 1 ini, mempertanyakan kelayakan (appropriateness) analisis factor. Apabila nilai indeks tinggi (berkisar antara 0,5 sampai 1,0) analisis factor layak dilakukan.

Dari di atas terlihat bahwa nilai KMO secara keseluruhan adalah 0,480. Jadi, analisis factor layak dilakukan.
Barlett Test ini merupakan test statistic untuk menguji apakah betul variable-variabel yang dilibatkan berkolerasi. Hipothesis nol (Ho) adalah tidak ada korelasi antar variable, sedangkan hipothesis alternative (Ha) adalah terdapat korelasi antarvariabel. Nilai Barlett Test didekati dengan nilai chi-square. Pada table terlihat bahwa nilai chi-square adalah 14,675, yang untuk derajat kebebasan (degree of freedom, disingkat df) sebesar 10, memiliki signifikasi 0,144 (berarti memiliki tingkat kesalahan sebesar 14,4%) sehingga kita dapat percaya 85,6% bahwa antarvariabel terdapat korelasi.
Tabel 4



Angka-angka dalam matriks ini menyatakan korelasi parsial antarvariabel, yaitu korelasi yang tidak dipengaruhi oleh variable lain. Seperti telah dijelaskan, metode principal component analysis menggunakan total variance, yang terdiri dari common variance, specific variance, dan eror variance, namun mengusahakan specific dan eror variance terkecil. Dari table 5-2 terlihat bahwa anti-image covariance dan anti-image correlation pada umumnya kecil. Hal ini berdampak pada nilai KMO setiap variable yang rendah (dibawah 0,500).


Tabel 5



Table 5 (communalities) menunjukan beberapa varians yang dapat dijelaskan oleh factor yang diekstrak. Cara memperolehnya adalah korelasi pangkat dua. Setiap variable berkorelasi dengan factor-faktor yang diekstrak. Kalau korelasi tersebut dipangkat dua, diperolehlah communalities.
Lihat pada table Component Matrix, kita ambil contoh antara variable X1=0,342 dengan factor 1 (component 1) adalah 0,1169,variabel X2=-0,205 dengan factor 2 adalah 0,042025, Variabel X3=-0,387 dengan factor 3 adalah 0,149769, masing-masing nilai tersebut telah dipangkat duakan, lalu kemudian dijumlahkan, maka akan dihasilkan nilai communialities sebesar 0,308715

Tabel 6



Dari 5 component (lihat tabel paling kiri) ternyata yang mempunyai nilai initial eigenvalues di atas 1 ada 2 component. Artinya, bahwa 5 butir pertanyaan tersebut dapat dikelompokkan menjadi 2 kelompok tanpa kehilangan informasi yang berarti.
Component 1 mempunyai nilai 0.447 dan mampu menjelaskan varians sebesar 30,780%
Component 2 mempunyai nilai 0,346 dan mampu menjelaskan varians sebesar 54,624%. Dengan demikian kedua component tersebut mampu menjelaskan varians sebesar 85,404% atau kita kehilangan informasi sebesar 14,596%.

Chart 1



Scree plot merupakan cara mendeskripsikan eigenvalue secara visual. Pada sisi vertikal dimasukan eigenvalue, sedangkan sumbu horizontal mewakili seluruh faktor. Lalu ditariklah garis yang menghubungkan titik-titik yang mewakili eigenvalue.


Tabel 7



Tabel ini menunjukan korelasi setiap variable dengan setiap factor (disebut juga component) yang diekstrak. Antara variable 1 (X1) dengan factor 1 nilai korelasi adalah 0,342, sedangkan dengan factor 2, nilai korelasi adalah -0,205. Pangkat-duakanlah kedua nilai korelasi itu, lalu jumlahkan, hasilnya adalah 0,158989. Dengan cara demikianlah seluruh communalities diperoleh.
Dari component matrik kita bisa melihat bahwa X1 ikut component 1 karena mempunyai loading factor sebesar 0,342 yang lebih besar dari pada loading factor ke component 2, 3, dan 4. Dengan cara yang sama kita bisa mengelompokkan :
Component 1 : X1, X2, X3
Component 2 : tidak ada.

Tabel 8



Melalui component matriks, jelas bagi kita bahwa X1, X2, adalah anggota factor 1 karena kedua variable tersebut memiliki korelasi yang tinggi dengan factor 1, sedangkan dengan factor 3, dan 4 korelasinya rendah.

REGRESI LINA HILSA F

NAMA : LINA HILSA FUJIATIN
NIM : 080131
KELAS/SMT-: REGULER/ III-B

Regresi



Analisis Output

Regression

Tabel 1



cc
Tabel diatas menjelaskan bahwa metode regresi yang digunakan dalam pengolahan data SPSS dengan menggunakan model atau metode enter

Tabel 2



R Squer (koefisien diterminasi) sebesar 0,783 atau 78,3% . Koefisien determinasi digunakan untuk mengetahui presentase pengaruh variabel independent (predictor) terhadap perubahan variabel dependent. Dari hasil olahan tersebut diperoleh nilai koefisien determinasi = 0,783. Artinya variabel (kriterium/sks yang diambil) adalah 78,3% sedangkan sisanya 21,7% dipengaruhi oleh variabel lain selain variabel independent yaitu kualitas layanan.
Besarnya kesalahan standar estimasi sebesar 0,89071.
Harga beta nol 10,522 (a) dan harga beta satu (b) adalah 3.988, maka persamaan garis regresi antara ip semester 2 dan sks yang diambil dapat disusun sebagai berikut :
Y = 10,522 + 3,988



Tabel 3




Tabel anova di ats menunjukkan nilai F hitung sebesar = 100,946 dengan df1 = derajat kebebasan pembilang 1 dan df2 = derajat kebebasan penyebut 28. Pada kolom signifikansi didapat nilai signifikasi sebesar 0,000, yang berarti Ha di terima dan Ho di tolak. Untuk menguji hipotesis yang di ajukan apakah diterima atau ditolak dengan melihat signifikansi.Adapun ketentuan penerimaan natau penolakan apabila signifikans di bawah atau sama dengan 0.05 maka Ha diterima dan Ho ditolak.
Pengujian hipotesis dengan membandingkan F tabel dengan df1 dan df2 32 didapat 4.15 untuk taraf 5% dan 7.50 untuk 1%. Maka F hitung (29.221) lebih besar dari F tabel (4.15 dan 7.50), dan Ha diterima dan Ho ditolak, sehingga dapat diberlakukan pada populasi .Nilai F dapat di gunakan dalam pengujian untuk mengetahui apakah variasi nilai variable independent dapat (explained) variasi nilai dependent.
Tabel 4




Harga beta nol 10.522 (a) dan harga beta satu (b) adalah 3.988 , maka persamaan garis regresi antara kualitas layanan dan nilai penjualan barang dapat disusun sebagai berikut:
Y= 10.522 + 3.988
Persamaan regresi yang telah ditemukan dapat digunakan untuk melakukan prediksi (estimasi) bagaimana pengaruh variabel independent terhadap besarnya perubahan variabel dependen. Misalnya ip semester 2 yang di berikan kulitas sebesar 64,maka sks yang di ambil adalah seperti persamaan di bawah ini:
Y= 10.522 + 3.988 X 64 = 265,754
Jadi estimasi ip semester sebesar 265,754 dengan penambahan sks yang di ambil sebesar 64. Persamaan regresi diatas dapat diartikan bahwa nilai ip semester 2 bertambah 1, maka rata-rata sks yang diambil bertambah 3,988 atau setiap nilai ip semester 2 bertambah 10 dan nilai rata-rata sks yang di ambil akan bertambah sebesar 39,88.
Nilai t test = 10,047 . Nilai ini di gunakan pengujian terhadap koefisien regresi untuk mengetahui apakah variabel independent (ip semester 2) berpebgaruh secara signifikan terhadap perubahan nilai variabel dependent (sks yang I ambil . besarnya signifikansi adalah 0,0000.Dengan demikian Ha diterima dan Ho diterima,Maka kesimpulannya ada pengaruh antara ip semester 2 dengan sks yang di ambil.

ANOVA.......LOLA NURHAULA

NAMA : LOLA NURHAULA
NIM : 080132
KELAS/ SMT : REGULER/ III-B

Analisis varians (analysis of variance, ANOVA) adalah suatu metode analisis statistika yang termasuk ke dalam cabang statistika inferensi. Dalam literatur Indonesia metode ini dikenal dengan berbagai nama lain, seperti analisis ragam, sidik ragam, dan analisis variansi. Ia merupakan pengembangan dari masalah Behrens-Fisher, sehingga uji-F juga dipakai dalam pengambilan keputusan. Analisis varians pertama kali diperkenalkan oleh Sir Ronald Fisher, bapak statistika modern. Dalam praktek, analisis varians dapat merupakan uji hipotesis (lebih sering dipakai) maupun pendugaan (estimation, khususnya di bidang genetika terapan).

Secara umum, analisis varians menguji dua varians (atau ragam) berdasarkan hipotesis nol bahwa kedua varians itu sama. Varians pertama adalah varians antarcontoh (among samples) dan varians kedua adalah varians di dalam masing-masing contoh (within samples). Dengan ide semacam ini, analisis varians dengan dua contoh akan memberikan hasil yang sama dengan uji-t untuk dua rerata (mean).

Supaya sahih (valid) dalam menafsirkan hasilnya, analisis varians menggantungkan diri pada empat asumsi yang harus dipenuhi dalam perancangan percobaan:

1. Data berdistribusi normal, karena pengujiannya menggunakan uji F-Snedecor
2. Varians atau ragamnya homogen, dikenal sebagai homoskedastisitas, karena hanya digunakan satu penduga (estimate) untuk varians dalam contoh
3. Masing-masing contoh saling independen, yang harus dapat diatur dengan perancangan percobaan yang tepat
4. Komponen-komponen dalam modelnya bersifat aditif (saling menjumlah).

Analisis varians relatif mudah dimodifikasi dan dapat dikembangkan untuk berbagai bentuk percobaan yang lebih rumit. Selain itu, analisis ini juga masih memiliki keterkaitan dengan analisis regresi. Akibatnya, penggunaannya sangat luas di berbagai bidang, mulai dari eksperimen laboratorium hingga eksperimen periklanan, psikologi, dan kemasyarakatan.




Dari data tersebut dilakukan uji perbandingan, dengan menggunakan Prosedur One-Way Anova. Tombol Option pada prosedur One-Way ANOVA dapat kita gunakan untuk menampilkan nilai-nilai statistic dengan memberikan tanda centang pada pilihan Descriptipe dan untuk menguji homogenitas varian (kesamaan varian). Sehingga dari analisis dengan menggunakan SPSS tersebut diperoleh output sebagai berikut:






Oneway





ANALISIS OUTPUT
. Hipotesis :
Ho : ó²BMW = ó² HONDA = ó² TOYOTA
Ho : Nilai variansinya tidak semua sama.
Dari table di atas terllihat bahwa taraf signifikansi = 0,148 Karena nilai ini lebih besar dari taraf signifikansi 0,05 maka kita menerima Ho. Artinya varians dari populasi nilai statistik tersebut adalah sama.




Output anova
Ho : µ BMW = µ HONDA =µ TOYOTA
(tidak ada perbedaan daya tahan rata-rata dari ketiga merek tersebut)
H1 : µ BMW ≠ µ HONDA ≠ µ TOYOTA
(minimal 3 merek dengan kualitas rata-rata yang berbeda)
Dalam pengujian kali ini di gunakan tingkat signifikasi 0,05 ( α = 0,05) atau dengan kata lain tingkat kepercayaannya sebesar 0,95 (95%)
Penarikan kesimpulan:
Fhit > Ftable → tolak Ho
Fhit< >
Nilai statistic Ftable adalah (2;87;0,05) = 0,459 (dari table distribusi F)
Terlihat dari table ANOVA bahwa nilai Fhit = 9,055 yang mana nilai ini lebih besar dari nilai Ftable = 0,459 sehingga dapat di simpulkan bahwa dapat menolak Ho, yang artinya ada perbedaan antara merek dari ketiga mobil tersebut.
Di atas sudah di jelaskan bila Ho diterima uji perbandingan mean dalam Post Hoc tidak berguna lagi, hal ini bise kita lihat bahwa tingkat signifikasi semuanya di atas 0,05.


Post Hoc Tests



ANALISIS OUTPUT
Dengan analisis LSD pada Post Hoc terlihat bahwa:
 BMW dan HONDA (karena nilai Sig. > 0,05)
 BMW dan TOYOTA (karena nilai Sig. > 0,05
Selanjutnya dilakukan uji kehomogenan varians populasi jumlah.Adapun hipotesisnya adalah sebagai berikut :
Ho : ó1² = ó2 ² = ó3 ² = … = ók²
H1 = Nilai varian tidak semuanya sama.

Means Plots

ANALISIS FAKTOR- LOLA NURHAULA

NAMA : LOLA NURHAULA
NIM : 080132
KELAS/ SMT- : REGULER/ III-B

Analisis faktor adalah analisis statistika yang bertujuan untuk mereduksi dimensi data dengan cara menyatakan variabel asal sebagai kombinasi linear sejumlah faktor, sedemikian hingga sejumlah faktor tersebut mampu menjelaskan sebesar mungkin keragaman data yang dijelaskan oleh variabel asal.

Factor Analysis

Descriptive Statistics



Dalam pengamatan tentang factor-faktor yang mempengaruhi dalam polusi linkungan, yakni:
Asap kendaraan : sangat setuju 9 8 7 6 5 4 3 2 1 tidak setuju
asap pabrik : sangat setuju 9 8 7 6 5 4 3 2 1 tidak setuju
asap rokcok : sangat setuju 9 8 7 6 5 4 3 2 1 tidak setuju
pembakaran hutan: sangat setuju 9 8 7 6 5 4 3 2 1 tidak setuju

Dari output di atas dapat di ketahui bahwa ada beberapa pengaruh dalam polusi di lingkungan yakni:
Rata-rata semua orang maengatakan bahwa factor-faktor polusi yang ada di lingkunagn yang paling besar adalah factor asap pabrik, yakni rata-rata karena pengaruh asap pabrik mencapai 6.1667 dgn std deviation 1.01992, sedangkan asap kendaraan 4.2667 dengan std devition 1.76036, sedangkan factor Asap Rokok 2.2667 dengan std deviation 1.22990, sedangkan factor Pembakaran hutan 6.0333 dengan std devition 0.85029.












Dari output di atas menurut metode anti-image matrice bahwa rata-rata yang sangat mempengaruhi dalam polusi udara itu adalah factor dari asap pabrik itu sendiri

NAMA : MUTMAINAH
NIM : 080630
KLS/SMT :3B

Analisis faktor adalah alat analisis statistik yang dipergunakan untuk mereduksi faktor-faktor yang mempengaruhi suatu variabel menjadi beberapa set indikator saja, tanpa kehilangan informasi yang berarti.
Analisis faktor digunakan untuk penelitian awal di mana faktor-faktor yang mempengaruhi suatu variabel belum diidentifikasikan secara baik (explanatory research). Selain itu, analisis faktor juga dapat digunakan untuk menguji validitas suatu rangkaian kuesioner. Sebagai gambaran, jika suatu indikator tidak mengelompok kepada variabelnya, tetapi malah mengelompok ke variabel yang lain, berarti indikator tersebut tidak valid.



Dalam pengamatan tentang factor-faktor yang mempengaruhi kecerdasan atau kepandaian pada kelas 3B dengan format seperti bi bawah ini
belajar : sangat setuju 9 8 7 6 5 4 3 2 1 tidak setuju
asumsi makanan : sangat setuju 9 8 7 6 5 4 3 2 1 tidak setuju
keluarga : sangat setuju 9 8 7 6 5 4 3 2 1 tidak setuju
teman : sangat setuju 9 8 7 6 5 4 3 2 1 tidak setuju
pacar : sangat setuju 9 8 7 6 5 4 3 2 1 tidak setuju
Factor Analysis





Dari output di atas dapat di ketahui bahwa ada beberapa pengaruh dalam kecerdasan yakni:
Rata-rata semua orang maengatakan bahwa dalam proses terbentuknya kecerdasan atau kepandaian factor pentingnya adalah masaah banyak atau tidaknya seseorang tersebut belajar, yakni rata-rata belajar mencapai 6.3667 dgn std deviation 1.71169, sedangkan asumsi makanan berkisar 5.7333 dengan std devition 2.08332, sedangkan factor keluarga berkisar 3.8333 dengan std deviation 1.93129, sedangkan factor teman 3.5333 dengan std devition 2.01260, sedangkan factor pacar sangat sedikit yakni 2.7000 dengan std devition 1.39333





Dari output di atas menurut metode anti-image matrice bahwa rata-rata yang sangat mempengaruhi dalam kecerdasan itu adalah factor belajar dan yang paling kecil adalah factor teman

ANOVA MUTMAINAH

NAMA : MUTMAINAH
NIM : 080630
KELAS/SMT :IIIB

Dari data tersebut dilakukan uji perbandingan, dengan menggunakan Prosedur One-Way Anova. Tombol Option pada prosedur One-Way ANOVA dapat kita gunakan untuk menampilkan nilai-nilai statistic dengan memberikan tanda centang pada pilihan Descriptipe dan untuk menguji homogenitas varian (kesamaan varian). Sehingga dari analisis dengan menggunakan SPSS tersebut diperoleh output sebagai berikut:




Oneway
Descriptives

Nilai




ANALISIS OUTPUT
. Hipotesis :
Ho : ó²nilai kimdas= ó²nilai kimor = ó² Nilai fisdas
Ho : Nilai variansinya tidak semua sama.
Dari table di atas terllihat bahwa taraf signifikansi = 0,673 Karena nilai ini lebih besar dari taraf signifikansi 0,05 maka kita menerima Ho. Artinya varians dari populasi nilai statistik tersebut adalah sama.



Output anova
Ho : µ nilai kimdas = µ nilai kimor =µ nilai fisdas
(tidak ada perbedaan daya tahan rata-rata dari ketiga mata kuliah tersebut)
H1 : µ nilaikimdas ≠ µ nilai kimor ≠ µ nilai fisdas
(minimal 3 mata kuliah dengan nilai rata-rata yang berbeda)
Dalam pengujian kali ini di gunakan tingkat signifikasi 0,05 ( α = 0,05) atau dengan kata lain tingkat kepercayaannya sebesar 0,95 (95%)
Penarikan kesimpulan:
Fhit > Ftable → tolak Ho
Fhit< >
Nilai statistic Ftable adalah (2;87;0,05) = 0,459 (dari table distribusi F)
Terlihat dari table ANOVA bahwa nilai Fhit = 2,781 yang mana nilai ini lebih besar dari nilai Ftable = 0,459 sehingga dapat di simpulkan bahwa dapat menolak Ho, yang artinya ada perbedaan antara mata kuliah dari ketiga mata kuliah tersebut.
Di atas sudah di jelaskan bila Ho diterima uji perbandingan mean dalam Post Hoc tidak berguna lagi, hal ini bise kita lihat bahwa tingkat signifikasi semuanya di atas 0,05.
Dengan analisi LSD pada Post Hoc terlihat bahwa :
Nilai kimdas dan nilai kimor berbeda ( karena nilai sig.> 0,05)







ANALISIS OUTPUT
Dengan analisis LSD pada Post Hoc terlihat bahwa:
 Nilai kimdas dan fisdas berbeda (karena nilai Sig. > 0,05)
 Nilai kimdas dan kimor (karena nilai Sig. > 0,05
Selanjutnya dilakukan uji kehomogenan varians populasi jumlah.Adapun hipotesisnya adalah sebagai berikut :
Ho : ó1² = ó2 ² = ó3 ² = … = ók²
H1 = Nilai varian tidak semuanya sama.