Halaman sampul

1
 Kata Pengantar

Puji syukur penyusun ucapkan kepada Tuhan Yang Maha Esa karena atas berkatnya,
petunjuk praktikum untuk Mata Kuliah Biostatistik ini dapat terselesaikan dengan baik.
Petunjuk praktikum ini disusun untuk membantu praktikan dalam memahami konsep
dan teori mengenai data serta pengolahannya secara sta2s2k dalam peneli2an
bioteknologi. Penggunaan so8ware yang diberikan melipu2 SPSS dan R. Petunjuk
praktikum ini dilengkapi dengan pengantar serta cara kerja dan contoh penggunaan
software SPSS dan R untuk mengolah data sehingga memudahkan praktikan untuk
mengerti mengenai tujuan dilakukannya olah data dalam acara tersebut.
Penyusun menyadari masih banyak kekurangan dalam penyusunan petunjuk
praktikum ajar ini. Kritik dan saran yang membangun sangat penyusun harapkan demi
perbaikan petunjuk praktikum ini menjadi lebih baik lagi. Akhir kata, penyusun ucapkan
terimakasih. Semoga petunjuk praktikum ini dapat bermanfaat.

Yogyakarta, Agustus 2025

Tim Penyusun

3
 DAFTAR ISI
Daftar isi

01
Pengenalan Penelitian dan
05
Seputar SPSS

02 Uji T 15

03
Analysis of variance
29

04
Korelasi
31

05
Regresi
36

06
R untuk statistik
45

07
Analisis statistik
57

08
Uji Perbedaan Rata-rata
62

Petunjuk Praktikum
4
Biostatistiki
 1. Pengenalan Penelitian dan Seputar SPSS

Tujuan
Praktikan mampu untuk mengenal program Statistical Package for the Social Sciences
(SPSS).
Praktikan mampu memasukkan data dan menjalankan program Statistical Package for
the Social Sciences (SPSS)

Pengantar
Analisis statistic merupakan suatu proses pengumpulan, pengelompokan, dan
pengolahan data untuk melihat tren tertentu dari data tersebut sehingga bisa
mencerminkan keadaan yang sebenarnya. Analisis statistic dapat menggunakan
software tertentu untuk membantu prosesnya, salah satunya adalah Statistical
Package for the Social Sciences (SPSS). Syarat agar suatu data dapat diolah yaitu
data harus memiliki suatu format, struktur, dan jenis tertentu. Data yang akan
diolah menggunakan SPSS didasarkan pada kolom dan baris. Kolom
melambangkan variabel, sedangkan baris menujukan case (kasus/responden).
Suatu penelitian penting untuk menentukan variabel yang digunakan. Terdapat
beberapa jenis variabel yang ada dalam penelitian, yaitu:
- Variabel Independen merupakan variabel yang dapat dimanipulasi oleh
peneliti seperti memberikan intervensi. Contohnya pengaruh pemberian
kunyit terhadap sel darah putih mencit
- Variabel Dependent adalah variabel yang terpengaruh oleh adanya variabel
Independent misalnya peningkatan berat badan mencit yang diberikan
pakan gandum
Setelah menentukan variabel peneliti dapat mengembangkan hipotesis dari
penelitian. Hipotesis merupakan anggapan dasar yang harus diteliti kebenarannya.
Contohnya pemberian cookies sorgum dapat meningkatkan berat badan mencit.
Hipotesis dibagi menjadi dua yaitu Hipotesis nol (H0) yang merupakan hipotesis
yang akan diuji dan biasanya dinyatakan dengan “tidak ada perubahan”. Kemudian
hipotesis alternatif atau yang dinotasikan dengan H1 yang merupakan lawan dari
H0 dan menunjukkan adanya pengaruh.
Pengambilan keputusan didasarkan pada analisis data yang dapat
menggunakan program komputer seperti SPSS. Pengenalan dan tutorial
penggunaan SPSS:

5
Dasar SPSS

Data View

6
 Variabel View

1. Komponen variable view

7
Contoh

8
9
10
11
12
-Contoh soal-

Pengerjaan

13
14
 2. Uji t
- Uji t satu sampel (one sample t test) yang digunakan untuk menguji apakah rata-
rata suatu sampel berbeda nyata atau tidak dengan suatu nilai tertentu yang
digunakan sebagai pembanding. Data dapat diuji jika berdistribusi normal.
Misalnya apakah rata-rata diameter jati berusia 2 bulan adalah 3 cm.
- Independet sampel t test digunakan untuk menguji apakah mean suatu grup sampel
berbeda dengan grup sampel lainnya. Uji ini membandingkan dua sampel bebas
misalnya membandingkan antara nilai matematika siswa putra dengan nilai
matematika siswa putri. Syarat pengujian yaitu data setiap kelompok terdistribusi
normal dan homogen (tidak mutlak).
- Paired sampel T test digunakan untuk menguji data suatu sampel dengan subjek
yang sama tetapi mengalami perlakuan yang berbeda. Syaratnya yaitu data
terdistribusi normal dan menggunakan data interval atau rasio. Contoh
membandingkan nilai siswa dari anak kelas 3 SD sebelum dan sesudah mengikuti
les. Ketika siswa belum mengikuti les dideskripsikan sebagai grup pertama
sedangkan Ketika siswa sudah mengikuti les dideskripsikan sebagai grup 2.

Uji t satu sampel

Contoh:
Bartolomeus memiliki 5 ladang jagung. Ladang 1-4 memiliki rata-rata tinggi 32 cm. dia
menganggap ladang ke-5 memiliki tinggi yang sama. Data pengukuran ladang ke-5 sebagai
berikut:

Langkah pengerjaan:

15
16
Lakukan uji normalitas untuk mengetahui apakah data yang digunakan terdistribusi normal
atau tidak.

17
Langkah:

Pada bagian “Statistics” klik lalu à Pada bagian “Plots” klik lalu à

Pilih output yang ingin disajikan.

Pilih Normality plots agar hasil output

menunjukkan normalitas dari data yang
diinput.
Output

18
Hasil output uji normalitas akan menunjukkan data yang digunakan terdistribusi normal atau
tidak berdasarkan nilai signifikansi (Sig.)
Jika nilai Sig. > 0.05 maka data terdistribusi normal.
Jika nilai Sig. < 0.05 maka data tidak terdistribusi normal.

Langkah analisis menggunakan metode one sample t Test

Klik Analyze à Compare Means à One Sample t test

19
Variable uji (tinggi) dipindah ke kolom Test Variable (s) dan nilai test Value diisi nilai 32 à
Options

Isi taraf kepercayaan à default 95% (bisa menggunakan 90%, 95%, atau 99%)

20
Output

Hasil menunjukkan nilai rata-rata tinggi jagung pada ladang ke-5 sebesar 28.27 cm (lebih
kecil dari pada rata-rata di ladang 1,2,3, dan 4).

Hasil menunjukkan nilai t hitung, derajat bebas (df) dan nilai probabilitas yang diperoleh
yaitu Sig. (2-tailed).

H0 = rata-rata tinggi jagung pada ladang kelima 32 cm

H1 = rata-rata tinggi jagung pada ladang kelima tidak 32 cm

Pengambilan keputusan
Membandingkan probabilitas dengan a:
Jika nilai Sig. (2-tailed0 > 0.05 maka H0 diterima
Jika nilai Sig. (2-tailed0 < 0.05 maka H0 ditolak

21
Membandingkan t hitung dengan t table:
Jika -t table < t hitung < t table maka H0 diterima
Jika t hitung < -t table atau +t hitung > t table maka H0 ditolak

22
 ttabel: -2,145 ttabel: 2,145

thitung: -3,098 thitung: 3,098

Kesimpulan
Oleh karena nilai t hitung < - t table atau t hitung > t table, maka kesimpulannya H0 ditolak
(Rata-rata pada ladang ke-5 tidak sama dengan 32 cm).

Latihan soal
Dosen menganggap nilai ujian mahasiswa Bioteknologi 2023 pada matakuliah Biostatistics
adalah 85. Oleh karena itu, dilakukan tes uji pada 28 orang mahasiswa dan diperoleh data
sebagai berikut

Lakukan uji dugaan dari dosen tersebut pada probabilitas 0.05

23
Uji t dua sampel independent (Independent sample t Test)
Contoh:
Yoseph ingin mengetahui apakah ada perbedaan hasil kromium di air pada Desa Kaloti
dengan Desa Poponi. Data sampel yang diambil di lapangan diperoleh sebagai berikut:

Langkah pengerjaan:
1. Input data ke SPSS.
2. Klik Analyze à Compare Means à Independent Sample t Test. Isi kolom “Test
Variable(s)” dan kolom “Grouping Variable”.
3. Isikan “Define Group”, pada kolom “Group 1” diisi dengan 1 dan “Group 2” dengan 2
(sesuaikan dengan value data).
4. Klik “Option” à sesuaikan “Confidence Interval Percentage”
5. Klik “Continue” à OK
6. Output
Pengambilan keputusan
Uji homogenitas:
Jika nilai Sig. > 0.05 maka varian data kedua desa sama (homogen)
Jika nilai Sig. < 0.05 maka varian data kedua desa tidak sama (heterogen)
Uji independent sample t test:
Membandingkan Sig. (2-tailed) dengan a (0.05)
Membandingkan t hitung dengan t table
Hipotesis
H0 = nilai kromium disetiap desa tidak memiliki perbedaan
H1 = nilai kromiun disetiap desa memiliki perbedaan
Output

24
Hasil menunjukkan rata-rata kromium di air untuk Desa Kaloti 6.43 mg/L, sedangkan pada
Desa Poponi 3.89 mg/L .

Hasil yang diperoleh terbagi menjadi Leavene’s Test (pengujian varian sampel sama atau tidak)
dan pengujian rata-rata sampel berdasarkan hasil Leavene’s Test (equal atau not-equal).
Latihan soal
Seorang petambak ingin mengetahui apakah ada perbedaan Panjang dan diameter antara belut
kolam A dan kolam B. Hasil pengukuran adalah sebagai berikut:

Lakukanlah uji dengan taraf kepercayaan 95%

Uji t dua sampel berpasangan (Paired Sample t Test)

Contoh
Dosen Bioteknologi melakukan penelitian mengenai pengaruh pemberian materi tentang
statistic t Test terhadap pemahaman mahasiswa dengan mengadakan pre-test dan post-test.
Hasil test tersebut adalah sebagai berikut:

25
Langkah pengerjaan
1. Input ke SPSS.
2. Klik “Analyze à Compare Means à Paired Sample T-Test à klik variable “Pre” dan
“Post” à pindah ke kolom “Paired Variables”.
3. Klik “Option” à sesuaikan “Confidence Interval Percentage”.
4. Klik “Continue” à OK.
5. Output.

Output

Hasil menunjukkan rata-rata nilai pre-test statistic adalah 80.7, sedangkan nilai post-test
statistic adalah 86.2.

Hasil ini menunjukkan hubungan (korelasi) antara nilai pre-test dan post-test, serta
probabilitas korelasinya.

Pengambilan keputusan
Uji homogenitas:
Jika nilai Sig. > 0.05 maka tidak ada korelasi antara nilai pre-test dan post-test
Jika nilai Sig. < 0.05 maka ada korelasi antara nilai pre-test dan post-test
Hipotesis
H0 = nilai pre-test dan post-test pada materi t test tidak memiliki perbedaan

26
H1 = nilai pre-test dan post-test pada materi t test memiliki perbedaan
Uji paired sample t test
Membandingkan Sig. (2-tailed) dengan a (0.05)
Membandingkan t hitung dengan t table
Melihat pada kurva 2 sisi (2-tailed)

Hasil menunjukkan nilai t hitung, derajat bebas (df) dan nilai probabilitas yang diperoleh yaitu
Sig. (2-tailed).
Latihan soal
Seorang pemilik gym melakukan program diet pada beberapa membernya sehingga terpilih
15 orang secara acak untuk mengikuti program tersebut. Setelah 3 bulan mengikuti program,
berat badan mereka ditimbang dan hasilnya sebagai berikut:

Lakukan uji dengan taraf signifkansi 5%.

27
 3. Analysis of Variance (ANOVA)
Merupakan metode statistic yang digunakan untuk membandingkan rata-rata antara tiga
kelompok atau lebih dan dapat digunakan untuk menguji hipotesis tentang apakah rata-rata
Chi Square
Merupakan salah satu uji yang digunakan dalam pengujian Hipotesis. Chi-square
digunakan untuk uji homogenitas, uji idependensi, dan uji keselarasan

28
29
 4. Korelasi

Korelasi atau hubungan merupakan pengujian Stattistik yang bertujuan untuk mengetahui
pola dan keeratan hubungan antara dua atau lebih variabel. Hubungan antara variabel-variabel
terjadi pada kelompok tertentu. Contohnya dinas pendidikan ingin menguji hubungan antara
motivasi belajar dengan prestasi siswa. Arah hubungan dari korelasi dapat dibedakan menjadi
tiga yaitu
1. Korelasi positif (Direct correlation)
Perubahan dari variabel diikuti perubahan variabel yang lain secara teratur dengan arah
gerak yang sama.
12
10
8
6
4
2
0
0 1 2 3 4 5 6

2. Korelasi negatif (Inverse correlation)

Perubahan dari variabel diikuti perubahan variabel yang lain secara teratur dengan arah
gerak yang berlawanan.
12
10
8
6
4
2
0
0 1 2 3 4 5 6

30
 3. Nihil korelasi
Arah hubungan kedua variabel tidak teratur.
10
8
6
4
2
0
0 1 2 3 4 5 6

Koefisian korelasi sering dilambangkan dengan huruf (r). koefisien tersebut dinyatakan
dengan bilangan 0 sampai +1 atau 0 sampai -1. Jika nilai koefisien mendekati -1 atau +1 maka
hubungan yang kuat, sedangkan jika mendekati 0 maka koefiesien lemah dan apabila sama
dengan 0 maka tidak ada hubungan sama sekali. Sehingga nilai r dapat diperoleh dengan

Kemudian syarat uji korelasi adalah data terdistribusi normal dan homogen, jika kedua
syarat tersbut tidak terpenuhi maka dilanjutkan ke uji non parametrik. Pada korelasi dikenal
beberapa uji yaitu
1. Korelasi Product Moment (PEARSON)
Pearson merupakan analisis statistik untuk uji parameterik
Contoh
Seorang peneliti ingin mengetahui hubungan pohon dengan volume kayu.
Kemudian dilakukan pengukuran diamter setinggi dada (130 cm), sedangkan
pengukuran volume dilakukan dengan membagi pohon menjadi beberapa potong
kemudian dihitung menggunakan rumus Smalian. Didapatkan hasil sebagai berikut:

31
 Diamter DBH Volume
(cm) (m3)
50 1,9
65 2,6
63 2,5
50 1,9
65 2,6
63 2,5
57 2,2
84 3,2
36 1,5
48 1,7
52 1,9
58 2,2
56 2,0
66 2,6
78 2,6
56 2,0
66 2,6
78 2,6
71 2,5
49 1,7
56 2,2
58 2,2
60 2,0
72 2,5

Langkah-langkah SPSS
a. Entri data
b. Klik Analyze à Correlation à Bivariate
c. Pindahkan variabel diamater dan volume ke kolom variables
d. Pada correlation coefficients, pilih Pearson.
e. Klik OK

2. Korelasi Rank Spearman

Analisis korelasi spearman termasuk dalam statistik non-parametrik. Metode korelasi
ini ditemukan oleh Carl Spearman pda tahun 19. Dalam pengukuran ada kalanya yang
ingin diukur bukan hanya kuatnya hubungan antara dua variabel tidak berdasarkan
pasangan nilai data yang sebenarnya, tetapi berdasarkan rankingnya. Hubungan
tersebut dinamakan rank correlation coefficient.
Contoh:

32
Keinginan untuk mengetahui seberapa kuat hubungan antara harga dengan pendapatan
bulanan perusahaan mebel.
Harga/unit Pendapatan
(x 000) X (x 000,000) Y
700 680
750 670
775 690
800 685
900 700
1000 720
1200 725
1200 730
1250 725
1500 729

3. Korelasi Kendall Tau

Selain koefisien korelasi Spearman, terdapat metode analisis korelasi lain yang
menguji keeratan hubungan antara variabel X dan Y dimana X dan Y tidak
terdistribusi normal atau tidak diketahui distribusinya. Metode ini disebut Kendall
rank-correlation. Korelasi Kendall Tau juga didasarkan atas ranking data. Korelasi
ini diberikan simbol ( ) dan dirumuskan sebagai berikut:
!#
! $ ($&') ;

dimana S = selisih antara jumlah data yang lebih besar dengan jumlah data yang
lebih kecil, dan n = jumlah data.
Contoh :
Untuk mengetahui hubungan prestasi kerja dengan tingkat kecerdasan (IQ) pegawai
diadakan penelitian dengan mengambil beberapa sampel. Berukut data-datanya.

33
IQ Nilai Prestasi
X Y
120 61
122 60
123 63
124 64
128 65
129 66
132 71
133 69
134 72
135 74

34
 5. Regresi
Analisis regresi dilakukan untuk melihat keeratan hubungan dan sangat penting untuk dapat
menentukan keputusan yang tepat. Analisis korelasi digunakan untuk mengetahui apakah ada
hubungan apakah ada hubunan antara dua atau lebih variable, sedangkan analisis regresi
berguna untuk memprediksi seberapa jauh pengaruh satu atau beberapa variable bebas
(independen) terhadap variable bergantung (dependen).

- Regresi linear sederhana

secara umum regresi linear sederhana antara variable bebas (X) dan variable
berfantung (Y) mengikuti persamaan : Y = a + bX
Di mana :
• Y = merupakan variable bergantung (dependent variable)
• X = sebagai variable bebas (independent variable)
• a = sebagai konstanta regresi
• b = adalah intersep atau kemiringan regresi

contoh :
Suatu perusahaan ingin mengamati pengaruh harga jual produk madunya dengan
volume penjualan. Untuk itu dilakukan pengamatan di berbagai daerah penjualan. Data-
data yang didapat adalah sebagai berikut.

Harga Jual per kemasan (Rp) Volume penjualan (kemasan)

1300 10000
2000 6000
1100 20000
1000 17000
1400 12000
1600 5000
1200 15000
1600 10000
1500 12000
1700 5000

35
 Cara Pengerjaan SPSS

1. Masukan data
2. Klik analyze à Regression à Linear
3. Pindahkan variabel bebas ke kolom independent(s) dan variabel tak bebas ke kolom
Dependent
4. Klik menu statistics kemudian tandai Estimates, Confidence interval, model fit, dan
Descriptive
5. Klik contine kemudian pilih options dan pada mising valus klik Replace with mean
6. Klik continue kemudian ok
7. Data disampaikan pada bagian outpt
8. Pengambilan keputusan dan kesimpulan
- Regresi linear berganda
regresi linear berganda yaitu membahas antara satu variabel dengan beberapa variabel
independen. Regresi linear berganda mempunyai bentuk umum:
Y = a + b1X1 + b2X2 + b3X3 + ……… + bnXn
Contoh :
Seorang mahasiswa ingin meneliti sejauh mana pengaruh iklan dan pengendalian mutu
dalam mempengaruhi pendapatan perusahaan penjualan pupuk organic ORIZA. Data
pengeluaran tahunan untuk iklan dan pengendalian mutu serta penerimaan pendapatan
perusahaan adalah sebagi berikut.
Iklan Quality Control Penerimaan
(juta rupiah) (juta rupiah) (juta rupiah)
(X1) (X2) (Y)
10 3 44
9 4 40
11 3 42
12 3 46
11 4 48
12 5 52
13 6 54
13 7 58

36
 14 7 56
15 8 60

Cara Pengerjaan SPSS

1. Masukan data
2. Klik analyze à Regression à Linear
3. Pindahkan variabel bebas ke kolom independent(s) dan variabel tak bebas ke
kolom Dependent.
4. Gunakan metode Backward.
5. Klik Options à Pilih [Link] 0,05 dan harga removal 0,1, exclude case listwise
6. Klik statistik Aktifkan kotak estimates dan model fit
7. Klik contine data disajikan di output
8. Keputusan dan kesimpulan
- Regresi linear berganda dengan variabel boneka (Dummy Variable)
jika ingin menangani variabel kategori maka diperlukan memberikan suatu angka-
angka agar dapat dianalisis. Oleh karena angka tersebut bukan merupakan angka yang
sebenarnya, maka disebut sebagai boneka (dummy)
contoh :
ingin meneliti apakah jumlah keluarga, pendidikan dan pendapatan berpengaruh
terhadap belanja konsumsi perbulan sebuah keluarga. Data survey adalah sebagi
berikut.
Jumlah Pendapatan Belanja Konsumsi
Pendidikan
No Keluarga (juta) (ribu)
(X2)
(X1) (X3) (Y)
1 5 Sarjana 1,55 600
2 6 SMA 1,19 550
3 4 SMA 1,20 560
4 4 SMA 0,99 400
5 5 SMA 1,22 570
6 7 SMA 1,20 560

37
 7 5 SMA 0,85 540
8 6 SD 1,20 560
9 4 SMA 0,99 440
10 6 SMA 1,20 560
11 4 SMA 0,99 440
12 4 SMA 0,99 440
13 6 SMA 1,20 560
14 4 SMA 0,99 440
15 3 SMA 0,99 440
16 4 SMA 0,99 440
17 4 SMA 0,99 440
18 8 SMA 1,20 560
19 6 SMP 0,99 560
20 7 SMA 1,20 560

Cara Pengerjaan SPSS

1. Masukan data
2. Klik analyze à Regression à Linear
3. Pindahkan variabel bebas ke kolom independent(s) dan variabel tak bebas ke
kolom Dependent.
4. Klok Ok dan data ditampilkan
5. Keputusan dan kesimpulan
- regresi non linear (Polynomial)
terdapat banyak pola hubungan antara variabel bebas (independen) dengan variabel
bergantung (dependen). Pola yang dipelajari adalah pola hubungan yang tidak linear
atau garis tidak lurus.
Contoh :
Ingin membuat model regresi untuk melihat hubungan antara harga jual benih padi
merek tertentu dengan jumlah penjualan. Adapun datanya adalah sebagai berikut.
Harga Jual Volume penjualan

38
 (Rupiah) (karung)
(X) (Y)
13000 10000
20000 5000
11000 19000
10000 17000
14000 12000
16000 6000
12000 15000
16000 8000
15000 12000
17000 6000
Cara Pengerjaan SPSS

1. Masukan data
2. Klik analyze à Regression à Curve Estimation
3. Pindahkan variabel bebas ke kolom modek(s) dan variabel tak bebas ke kolom
Dependent.
4. Klik OK dan data hasil akan muncul
5. Keputusan dan kesimpulan
- transformasi regresi
persamaan-persamaan regresi non-linear (polynomial) akan lebih mudah diselesaikan
dengan mentransformasikan persamaan tersebut ke linear. Transformasi persamaan
yag umum digunakan adalah dengan menjadikan fungsi polynomial, yaitu fungsi
produksi Cobb-douglas. Dalam ilmu ekonomi, fungsi produksi Cobb-douglas dikenal
juga dengan power function.
Contoh :
Ingin diteliti besar pengaruh input-input produksi minyak kayu putih, diasumsikan
bahwa pada hubungan antara input dan output tersebut tidak linear sehingga dipakai
pendekatan fingsi Cobb-douglas.

39
 Bahan Baku Bahan Pembantu Tenaga Kerja Sparepart Produksi
(ton) (Unit) (Orang) (satuan) (Liter)
(X1) (X2) (X3) (X4) (Y)
40 41 15 28 406
35 32 12 22 250
41 36 16 28 406
40 63 17 32 469
44 41 19 35 467
43 36 15 35 422
62 36 25 39 575
59 23 20 39 482
58 27 23 39 514
64 41 25 38 596
46 32 28 27 481
42 14 16 25 330
52 50 19 34 519
46 32 14 27 420
54 36 21 34 506
54 36 22 17 459

- Problema regresi
analisis regresi bukanlah analisis yang selalu mulus digunakan. Ada beberapa masalah
serius yang dihadapi dalam analisis regresi, yaitu heteroskedastisitas,
multikoliniearitas dan otokorelasi.
• Heteroskedastisitas
Heteroskedastisitas terjadi karena perubahan situasi yang tidak tergambarkan
dalam spesifikasi model regresi, misalnya perubahan struktur ekonomi dan
kebijakan pemerintah yang dapat mengakibatkan terjadinya perubahan tingkat
keakuratan data. Gangguan heteroskedastisitas sering muncul dalam data cross
section, tetapi juga bias terjadi pada data runtut waktu (time series). Gangguan
heteroskedastisitas dapat membawa kita dalam galat baku yang bias dan

40
 mejadikan hasil uji statistic tidak tepat serta interval sehingga kepercayaan
untuk estimasiparameter juga kurang tepat. Kita dapat mengoversi regresi ke
bentuk logaritma atau menjalankan regresi dengan system kuadrat terkecil
tertimbang (weighted least square) untuk menghilangkan gangguan
heteroskedastisitas.
Contoh :
Peneliti ingin mengetahui pengaruh lama perendaman benih sengon di dalam
larutan “X” terhadap prosentasi pertumbuhan semai. Data hasil penelitian
terlihat seperti pada tabel dibawah ini.

Perendaman (jam) (X) Pertumbuhan (%) (Y)

10 5,0
11 5,3
11 6,2
12 5,7
13 7,3
13 7,5
15 6,9
16 9,2
17 7,8
18 8,2
20 11,4

• Multikoliniearitas
• Multikoliniearitas adalah keadaan di mana variable-variable independen dalam
persamaan regresi mempunyai korelasi (hubungan) yang erat satu sama lain.
Parameter yang mudah dikenali dari adanya Multikoliniearitas menyebabkan
timbulnya masalah-masalah. Metode terakhir dapat berarti penghilangan harga
sebagai variabel penjelas yang kadang dapat menimbulkan permasalahan baru
yang lebih serius dibandingkan masalah Multikoliniearitas itu sendiri.

41
 Contoh :
Ingin ditingkatkan pendapatan penjualan mesin pengupas kacang, untuk itu
dilihat pengaruh iklan melalui televisi dan koran terhadap pendapatan. Berikut
data mingguan yang dicatat perusahaan.
Iklan TV Ikln Koran Pendapatan
(juta rupiah) (juta rupiah) (juta rupiah)
[X1] [X2] [Y]
26,23 12,23 300
25,12 12,88 312
29,80 15,26 362
36,21 13,33 430
34,55 14,26 400
34,76 15,26 366
40,12 14,32 451
32,62 13,56 423
36,25 12,89 352
22,41 13,44 354
36,87 12,45 295
25,89 12,05 266
23,45 12,03 320
22,98 15,26 254
33,45 13,02 413
32,79 18,78 400
44,98 13,45 512
26,25 13,67 354
33,98 16,59 423
36,99 19,25 415
23,21 18,45 452

• Otokorelasi

42
Menangani masalah penggunaan metode kuadrat kecil ketika residual dalam
persamaan regresi mengandung otokorelasi positif yang disebabkan oleh
kesalahan spesifikasi.
Contoh :
Data hasil penjualan dan pendapatan perusahaan kertas adalah sebagai berikut.

Tahun Penjualan (X) Pendapatan (Y)

2005 10 5,3
2006 10,5 5,6
2007 11 5,9
2008 12 6,3
2009 12,5 6,5
2010 13 6,7
2011 14 7,2
2012 15 7,7
2013 16 8,1
2014 17 8,7
2015 17,5 9
2016 18 9,3
2017 19 9,9
2018 20 10,5
2019 20 10,5

43
 MODUL 1

R untuk Statistik

A. CPMK
1. Mahasiswa dapat memahami dan menggunakan program R untuk analisis statistik.
2. Mahasiswa dapat melakukan preparasi, eksplorasi, dan analisis data menggunakan
program R

B. Landasan Teori:
Penelitian di bidang biologi dilakukan untuk menjawab pertanyaan ilmiah dan memecahkan
masalah di masyarakat. Idealnya pengambilan data untuk penelitian dilakukan di tingkat
populasi. Hanya saja, hal ini sering tidak memungkinkan karena keterbatasan dana, tenaga, dan
perizinan/etik. Maka dari itu sering kali data yang diambil berupa perwakilan dari populasi atau
disebut sampel representatif. Agar kesimpulan yang didapatkan dari hasil penelitian ini dapat
menggambarkan kondisi populasi, dilakukan pendekatan statistika. Setelah menentukan
sampel dan melakukan observasi atau eksperimen, statistika digunakan untuk visualisasi data
(distribusi, pencilan/outliers, dan pola hubungan antar data) dan merangkum data (rata-rata,
probabilitas, korelasi).

Pendekatan statistika untuk mengambil kesimpulan dilakukan menggunakan program komputer

antara lain MINITAB, MATLAB, SAS, SPSS, dan R. Program R memiliki kelebihan yaitu gratis dan
banyak digunakan di kalangan ahli statistika, data scientist, dan data analyst termasuk di bidang
biologi. Program R dapat digunakan untuk semua operating system (OS) dan dapat diinstal
melalui [Link] Program R membutuhkan keahlian untuk programming tetapi sangat
memudahkan untuk transformasi dan pemrosesan data

C. Bahan:
Program R 4.3.2

44
D. Cara Kerja:

D.1 Mengunduh dan menginstal Program R

1. Buka [Link] lalu klik download R

2. Pilih CRAN Mirrors Indonesia

45
 3. Pilih Download R for Windows Install R for the first time Download R-
4.3.2 for Windows
4. Simpan file installer tersebut dan tunggu sampai proses download selesai
5. Setelah download selesai, Instal R dan pilih lokasi file di komputer (next dan
finish, perhatikan bit komputer, pilih 64 bit jika OS Windows anda 64 bit).
6. Selesai instalasi, buka program R Gui dengan klik Program R pada desktop
atau windows
7. Tampilan R Gui

Penggunaan paling sederhana dari R adalah sebagai kalkulator. Tanda > menandakan bahwa R
siap menerima assignment atau perintah baru, jika perintah pada script belum selesai akan
ditandai dengan tanda + misalnya
> 3 +

Jika nanti dilengkapi seperti di bawah ini maka akan didapatkan hasil dan prompt akan kembali
menjadi >

> 3 +

+ 10

## [1] 13

R adalah bahasa pemograman yang sangat sensitif termasuk pada perbedaan huruf kapital
sehingga penamaan nama objek atau nilai berupa karakter sangat tergantung dari
kapitalisasinya. Contohnya adalah
b <- 3

46
b

## [1] 3

Jika yang dipanggil adalah B maka akan muncul

B

## Error: object 'A' not found

Error akan muncul jika objek yang dipanggil belum ada pada session atau working space R saat
ini.

Perintah kerja (assignment) pada R adalah operator panah kiri (<-) seperti obj <- expr

artinya masukkan nilai hasil dari operasi di sisi kanan (expr) ke dalam objek di sisi kiri (obj).
Contohnya
x <- 5

## [1] 5

Beberapa operator perintah kerja lainnya pada R dapat membantu untuk beberapa fungsi. Selain
itu, dalam penggunaan R ada objek data yang dapat berupa vector, factor, matriks, array,
dataframe, list, dan objek berupa function.

Tabel 1 Operator Assignment

Operator Cakupan Penjelasan

<- lokal/global nilai dari sebelah kanan

dimasukkan ke dalam objek
di sebelah kiri.

-> lokal/global nilai dari sebelah kiri

dimasukkan ke dalam objek
di sebelah kanan.

<<- global nilai dari sebelah kanan

dimasukkan ke dalam objek
global di sebelah kiri.

D.2 Mengatur Working Directory

1. Untuk mengetahui di folder mana R bekerja cek dengan getwd()
2. Jika ingin mengatur lokasi bisa gunakan setwd(“lokasi yang diinginkan”)

47
48
D.3 Vector
Tips: saat mengetikkan vector/formula, bisa diketik dulu pada script (File New Script), script
dapat disimpan untuk memudahkan penggunaan selanjutnya

Vector adalah objek data paling sederhana dalam bahasa pemrograman R. Umumnya vector
terbagi menjadi dua yaitu numeric dan character.

D.3.1 Fungsi c()

Jenis vector ini paling sering digunakan untuk membuat vector. Cobalah fungsi c() berikut

x <- c(3, 1, 5, 3, 1)

Hasilnya

## [1] 3 1 5 3 1

Fungsi c() digunakan untuk membuat sebuah objek x berupa vector numeric. Setiap elemen
dalam vector dipisah menggunakan tanda koma (,). Selain vector numeric, dapat pula dibuat
vector character. Jika ingin mengambil elemen kedua dari vector x maka jalankan perintah berikut

x[2]

maka hasilnya adalah

## [1] 1

D.3.2 Tanda titik dua (:)

Sebuah vector numeric berurutan secara meningkat atau menurun dapat dibuat menggunakan
operator titik dua (:). Jalankan contoh berikut

x <- 1:10 # 1 sampai 10

## [1] 1 2 3 4 5 6 7 8 9 10

Operator : digunakan untuk membuat vector numeric dengan nilai dari 1 sampai dengan 10.
Operator increment ini hanya dapat digunakan untuk numeric dan peningkatan/penurunan
sebesar 1 nilai berurutan.

# membuat vector numeric dengan nilai dari 10 s/d -10 secara menurun 1

x <- 10:-10 # 10 sampai -10

49
x

## [1] 10 9 8 7 6 5 4 3 2 1 0 -1 -2 -3 -4 -5 -6 -7 -
8 -9 -10

D.3.3 Fungsi seq()

Fungsi seq() dapat digunakan untuk membuat vector berurutan dan dengan increment tertentu.

x <- seq(from = 1, to = 10) # 1 sampai 10 dengan increment 1

## [1] 1 2 3 4 5 6 7 8 9 10

Default increment dari fungsi seq() adalah by = 1. Jika Anda ingin nilai increment lain maka
dapat mengganti nilai pada argument by. Fungsi ini juga hanya dapat digunakan untuk
membuat vector numeric.

x <- seq(from = 1, to = 20, by = 2) # 1 sampai 20 dengan increment 2

## [1] 1 3 5 7 9 11 13 15 17 19

D.3.4 Mengambil satu kolom dari dataframe atau matriks

Tanda dolar $ yang diikuti dengan nama kolom yang akan diambil dari dataframe tersebut
berfungsu untuk memilih kolom dalam dataframe. Contoh berikut menandakan bahwa dari
dataframe mtcars, hanya diambil kolom mpg
mtcars$mpg

## [1] 21.0 21.0 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 17.8 16.4 17.3 15.2 10.4
10.4 14.7 32.4 30.4

## [20] 33.9 21.5 15.5 15.2 13.3 19.2 27.3 26.0 30.4 15.8 19.7 15.0 21.4

D.3.5 Fungsi rep ()

Fungsi rep() digunakan untuk membuat sebuah vector dengan mengulang-ulang nilai yang
diinginkan sebanyak yang dibutuhkan.

# Membuat sebuah vector numeric yang semua elemennya bernilai 3 sebanyak 10 elemen

x <- rep(3, 10)

## [1] 3 3 3 3 3 3 3 3 3 3

50
D.3.7 Vector character
Vector character adalah vector yang semua elemennya bertipe character.
y <- c("a", "A", "d", "c")

## [1] "a" "A" "d" "c"

D.4 Factor
Factor adalah bentuk lebih luas dari vector yang digunakan untuk menyimpan data nominal atau
ordinal. Misalnya terdapat sebuah vector character yang berisi "SD", "SMP", “SMA”, maka nilai
dalam vector tersebut hanya "SD", "SMP", “SMA”. Jika membuat factor dari character tersebut,
tampilan dari isi datanya mungkin hanya "SD", "SMP", “SMA”, tetapi isi dari factor adalah
pengkodean numerik. Sehingga untuk character "SD" nilai sebenarnya adalah 1,
sedangkan character "SMP" bernilai 2, dan character “SMA” bernilai 3.
fc <- factor(c("SD", "SMA", "SMP", "SMP", "SD", "SMA", "SD", "SMP"))

fc

## [1] SD SMA SMP SMP SD SMA SD SMP

## Levels: SD SMA SMP

Nilai sebenarnya dari factor tersebut adalah

[Link](fc)

## [1] 1 2 3 3 1 2 1 3

D.5 Matriks
Matriks adalah objek pada R yang memiliki 2 dimensi yaitu baris (row/m) dan kolom
(column/n). Tipe nilai dalam matriks sama. Misalnya, ketika membuat sebuah matriks,
elemennya memiliki minimal 1 elemen bertipe character maka seluruh matriks tersebut akan
bertipe character. Membuat matriks di R dapat diawali dengan menggunakan vector yang
kemudian dikonversi dimensinya. Hal ini karena vector di R tidak mempunyai dimensi, tetapi
dapat dibayangkan seperti matriks berukuran m baris dan 1 (satu) kolom.

x <- c(1, 2, 5, 4, 2, 2, 3, 3, 5, 3, 1, 0, 4, 3, 0, 6)

## [1] 1 2 5 4 2 2 3 3 5 3 1 0 4 3 0 6

51
length(x)

## [1] 16

Ketika akan membuat matriks di R, kita dapat gunakan fungsi matrix() dengan argumen pertama
adalah vector. Argumen untuk menentukan ukuran matriks adalah ncol atau nrow, yang bisa
digunakan keduanya atau hanya salah satu saja. Saat menggunakan nrow, misal nrow = 4 maka
matriks yang dihasilkan adalah matriks persegi berukuran 4x4 karena 4 x 4 = 16. Hal ini sama
saja ketika menggunakan ncol = 4 karena dengan nrow = 4 secara otomatis ncol = 4.
m <- matrix(data = x, nrow = 4)

## [,1] [,2] [,3] [,4]

## [1,] 1 2 5 4

## [2,] 2 2 3 3

## [3,] 5 3 1 0

## [4,] 4 3 0 6

Untuk mengakses elemen dari suatu matriks, Anda dapat menggunakan indeks dari baris atau
kolomnya.

# Mengambil elemen matriks `m` di baris 4

m[4, ]

## [1] 4 3 0 6

D.6 Dataframe
Dataframe pada R memiliki bentuk seperti tabel di Microsoft Excel yang terdiri dari baris dan
kolom dengan nama masing-masing kolom berbeda. Berbeda dengan matriks yang hanya bisa
menyimpan tipe data yang sama, numeric atau character seluruhnya. Tipe data dalam dataframe
di masing-masing kolom boleh berbeda.

Contoh dataframe yang ada di dalam R salah satunya adalah mtcars.

52
Baris di dataframe disebut observation dan kolom disebut variable. Dataframe dapat dibuat
sendiri menggunakan fungsi [Link](). Cobalah membuat dataframe dengan 5 observation
dan 2 variable. Variable pertama bernama x1 berisi sebuah vector numeric dengan nilai {1, 5, 2,
7 , 4} dan variable kedua bernama v2 berisi vector character dengan nilai {“a”, “B”, “c”, “D”, “E”}.
Anda dapat membuat vector x1 dan v1 terlebih dahulu menggunakan fungsi c() (atau fungsi lain
yang sesuai untuk membuat vector). Kemudian membuat dataframe dari vector tersebut.
Perhatikan contoh berikut ini.
x1 <- c(1, 5, 2, 7, 4)

v1 <- c("a", "B", "c", "D", "E")

data1 <- [Link](x1 = x1, v1 = v1)

data1

## x1 v1

## 1 1 a

## 2 5 B

## 3 2 c

## 4 7 D

## 5 4 E

53
D.6 List
Objek list pada R mirip seperti vector, hanya saja tipe elemennya dapat berupa vector, factor,
matriks, array, dataframe, bahkan list di dalam list atau objek lain seperti model prediktif yang
dibuat di R.

Contoh membuat list dengan fungsi list().

list(1, "A", c(4, 3, 2), iris[1:5,])

## [[1]]

## [1] 1

##

## [[2]]

## [1] "A"

##

## [[3]]

## [1] 4 3 2

##

## [[4]]

## [Link] [Link] [Link] [Link] Species

## 1 5.1 3.5 1.4 0.2 setosa

## 2 4.9 3.0 1.4 0.2 setosa

## 3 4.7 3.2 1.3 0.2 setosa

## 4 4.6 3.1 1.5 0.2 setosa

## 5 5.0 3.6 1.4 0.2 setosa

54
 Gambar 1 Fungsi statistik pada R

Daftar Pustaka

1. Hidayatuloh A. 2022. Pengantar Pemograman R dan RStudio.

[Link] (diakses 17 Januari 2024)
2. Shahbaba B. 2012. Biostatistic with R: An Introduction to Statistics Through Biological
Data. New York: Springer Science+Business.

55
 MODUL 2

ANALISIS STATISTIK DESKRIPTIF

A. CPMK
1. Mahasiswa dapat menggunakan dan menguasai program R dalam analisis statistik
deskriptif

B. Landasan Teori:
Penelitian kuantitatif menghasilkan data statistik penting bagi ilmuwan, masyarakat, maupun
pemerintah dalam mengambil langkah dan keputusan. Statistik deskriptif merupakan metode
statistika yang berkaitan merangkum data mentah dari suatu populasi atau sampel. Langkah
merangkum data adalah dengan pengumpulan, pengolahan, dan penyajian suatu gugus data
sehingga memberikan informasi yang berguna. Statistik deskriptif menyajikan data dalam tabel
maupun diagram dan menggunakan ukuran-ukuran yang merupakan wakil kumpulan data.
Ukuran-ukuran tersebut adalah :

● Ukuran Pemusatan
Ukuran Pemusatan (Central Tendency) terdiri dari tiga jenis tendensi sentral yang
sering digunakan yaitu

o Mean (Rata-rata hitung)

o median (Q2 = Data ke − 2(n+1)/4)
o Modus (data yang paling sering muncul atau terjadi).
● Ukuran Letak
o Kuartil
o Desil
o Persentil
● Ukuran Penyebaran
Ukuran Penyebaran/ukuran keragaman pengamatan dari nilai rata-ratanya disebut
simpangan (deviasi atau dispersi)

56
 o Range
o Simpangan Kuartil
o Simpangan Rata-Rata
o Standar Deviasi dan Variansi

Gambar 2 Contoh cara penyajian data dalam bentuk tabel dan grafik

C. Bahan:
Program R 4.3.2

D. Cara Kerja:
1. Download data (.csv file) melalui link
[Link]
p=sharing
2. Atur lokasi data sehingga satu folder dengan working directory cek getwd()
3. Import data ke R dengan menjalankan perintah berikut

# Import data menggunakan fungsi [Link]()

Data = [Link]("[Link]",
stringsAsFactors = F)
# Print 6 baris pertama

57
print(head(Data))

Output
Product Age Gender Education MaritalStatus Usage Fitness Income Miles
1 TM195 18 Male 14 Single 3 4 29562 112
2 TM195 19 Male 15 Single 2 3 31836 75
3 TM195 19 Female 14 Partnered 4 3 30699 66
4 TM195 19 Male 12 Single 3 3 32973 85
5 TM195 20 Male 13 Partnered 4 2 35247 47
6 TM195 20 Female 14 Partnered 3 3 32973 66

4. Buatlah histogram, boxplot, scatter plot dari distribusi usia (age distribution)
hist(Data$Age)
boxplot(Data$Age)
plot(Data$Age)

5. Hitung rata-rata dari data distribusi umur

# nilai rata-rata
mean = mean(Data$Age)
print(mean)

6. Hitung median dari data distribusi umur

# nilai median
median = median(Data$Age)
print(median)

7. Hitung modus dari data distribusi umur

# nilai modus
mode = mfv(Data$Age)
print(mode)

8. Cek range data distribusi umur

# Hitung nilai maksimum
max = max(Data$Age)
# Hitung nilai minimum
min = min(Data$Age)

# hitung range data

range = max - min

58
 cat("Range is:\n")
print(range)

# Alternate method to get min and max

r = range(Data$Age)
print(r)

9. Hitung varian (rata-rata kuadrat deviasi dari mean)

# Variance
variance = var(Data$Age)
print(variance)

10. Hitung standar deviasi (akar kuadrat dari varian)

# Standard deviation
std = sd(Data$Age)
print(std)

11. Hitung kuartil

# Quartiles
quartiles = quantile(Data$Age)
print(quartiles)

12. Merangkum semua data dari satu atau lebih data dalam data frame
# Calculating summary
summary = summary(Data$Age)
print(summary)

# Calculating summary
summary = summary(Data)
print(summary)

Latihan

Seorang peneliti di bidang konservasi melakukan pencatatan jumlah tanaman langka X yang
terdapat di beberapa titik geografis di Pulau Kalimantan. Hasil pencatatannya adalah sebagai
berikut

59
 Titik jumlah Titik Jumlah

A 136 K 200

B 140 L 131

C 220 M 111

D 193 N 160

E 130 O 217

F 158 P 281

G 242 Q 242

H 127 R 242

I 184 S 281

J 213 T 192

Hitunglah dan sertakan perintah yang dipakai:

a. Rata-rata tanaman X yang ditemukan di Pulau Kalimantan

b. Jumlah tanaman X yang ditemukan di Pulau Kalimantan

c. Jumlah paling sedikit tanaman X yang ditemukan di Pulau Kalimantan

d. Jumlah paling sedikit tanaman X yang ditemukan di Pulau Kalimantan

e. Rentang tanaman X yang ditemukan di Pulau Kalimantan

f. Serta buatlah diagram histogram, boxplot dan scatter plot!

Daftar Pustaka

2. Hidayatuloh A. 2022. Pengantar Pemograman R dan RStudio.

[Link] (diakses 17 Januari 2024)
3. Shahbaba B. 2012. Biostatistic with R: An Introduction to Statistics Through Biological
Data. New York: Springer Science+Business.

60
 MODUL 3

UJI PERBEDAAN RATA-RATA

A. CPMK
1. Mahasiswa dapat menggunakan dan menguasai program R dalam uji perbedaan rata-
rata sampel independen dan dependen

B. Landasan Teori:
● Uji Perbedaan Rata-rata Satu Sampel
mengetahui perbedaan rata-rata suatu kelompok sampel dari suatu populasi dengan
sebuah nilai yang dibandingkan secara statistik. Syarat yang harus dipenuhi adalah
sampelnya terdistribusi normal.
● Uji Beda Rata-rata Dua Sampel (Two Sample T Test)
menentukan perbedaan nilai rata-rata dua sampel yang tidak berhubungan. Uji beda
rata-rata dua sampel dibedakan berdasarkan keterikatan dua sampel tersebut: uji beda
rata-rata dua sampel saling bebas/independen (unpaired) dan uji beda rata-rata dua
sampel berpasangan (paired).
o Uji beda rata-rata dua sampel independen (unpaired two sample T-test)
Ketika terdapat dua populasi ingin diteliti apakah rata-ratanya antar kedua
populais tersebut sama atau tidak. Syarat yang harus dipenuhi dalam pengujian
ini adalah distribusi data normal dan variansi data homogen.
Uji beda rata-rata dua sampel berpasangan (paired two sample T-Test)
mengetahui perbedaan rata-rata antara dua populasi, dengan melihat rata-rata
dua sampelnya yang saling berkaitan. Sama seperti pengujian satu sampel,
Syarat yang harus dipenuhi dalam pengujian ini adalah distribusi data normal
dan variansi data homogen.

C. Bahan:
Program R 4.3.2

D. Cara Kerja:
1. Masukkan data ke working área di R

61
 # input data kematian lalat per 10 detik
death <- c(100,101,99,98,100,97,100,102,96,95)
death
#[1] 100 101 99 98 100 97 100 102 96 95

2. Cek distribusi data

#cek normalitas distribusi data
> [Link](death)

# Shapiro-Wilk normality test

#data: death
$W = 0.95225, p-value = 0.6951

H0= data jumlah lalat mati per 10 detik terdistribusi normal

H1= data jumlah lalat mati per 10 detik tidak terdistribusi normal

Taraf Signifikansi α : 0,05

Daerah Kritis Tolak H0 jika p-value < α

Keputusan

Karena p-value = 0,6951 > α = 0,05 maka diputuskan gagal tolak H0

Kesimpulan Data jumlah lalat mati terdistribusi normal

Latihan

Daftar Pustaka

5. Hidayatuloh A. 2022. Pengantar Pemograman R dan RStudio.

[Link] (diakses 17 Januari 2024)
6. Shahbaba B. 2012. Biostatistic with R: An Introduction to Statistics Through Biological
Data. New York: Springer Science+Business.

62