Laporan Akhir Praktikum Intan Pengoda

LAPORAN PRAKTIKUM

PENGOLAHAN DATA HASIL PERIKANAN

Oleh:

INTAN PRATIWI

08/269727/PN/11363

TEKNOLOGI HASIL PERIKANAN

LABORATORIUM SOSIAL EKONOMI PERIKANAN

JURUSAN PERIKANAN

FAKULTAS PERTANIAN

UNIVERSITAS GADJAH MADA

YOGYAKARTA

2011

TUGAS AKHIR PENGOLAHAN DATA

I. ANALISIS DESKRIPTIF

Analisis deskriptif bertujuan untuk membuat analisis deskriptif dari sekumpulan data dengan menggunakan sekumpulan alat analisis , yaitu frekuensi, deskriptif, dan tabulasi silang. Statistika deskriptif merupakan sekumpulan konsep dan metode tentang pengumpulan, penyajian, dan analisis data. Contoh kasus : membuat bentuk-bentuk deskriptif dari sampel data ikan layur.

1. FREQUENCIES

Statistics

PANJANG BERATN Valid 20 20

Missing 0 0Mean 66.590 251.75Std. Error of Mean 1.5962 27.595Median 65.650 222.50Mode 58.5a 190a

Std. Deviation 7.1383 123.409Variance 50.956 15229.671Range 24.5 505Skewness 1.120 2.185Std. Error of Skewness .512 .512Kurtosis .653 5.045Std. Error of Kurtosis .992 .992Minimum 58.5 140Maximum 83.0 645Sum 1331.8 5035Percentiles 25 61.425 181.25

50 65.650 222.5075 69.425 260.00

a. Multiple modes exist. The smallest value is shownê N, merupakan jumlah data pengamatan = 20, tanpa data missing (hilang).

Median, nilai tengah dari data. Nila tengah data panjang ikan layur adalah adalah 65,65 dan nilai tengah pada berat ikan layur adalah 222,5 gram. Mean, merupakan rata-rata panjang = 66,590 cm dan rata-rata berat = 251,75 gram dari 20 ikan layur.

ê Mode, merupakan nilai yang sering muncul, diambil dari nilai yang terkecil. Mode panjang ikan layur adalah 58.5 cm dan mode berat iakn layur = 190 gram.

ê Standar deviasi (penyimpangan) untuk panjang ikan layur adalah 7,1383 cm sedangkan pada berat ikan layur adalah 123,409 gram. Hal ini memberikan arti bahwa penyebaran dari data berkisar antara nilai mean ± deviasi standar yaitu untuk panjang ikan layur 66,59 ± 7,1383 cm dan untuk berat ikan layur 251,75 ± 123,409 gram.

ê Varian adalah jumlah dari selisih pengurangan antara data dengan mean dibagi dengan (n-1). Varian untuk panjang ikan layur adalah 50,956 cm dan berat ikan layur15229,671 gram.

ê Skewness panjang= 1.120, skewness berat =2.185, keduanya bernilai positif. Jadi distribusi data menceng ke kanan

ê Range panjang ikan layur 24,5 cm dan range berat ikan layur 505 gram. Range menunjukkan selisih antara nilai data tertinggi dengan nilai data yang terendah.

ê Nilai maksimum, nilai terbesar dari seluruh data panjang ikan layur 83 cm sedangkan nilai terbesar data berat ikan layur 645 gram.

ê Nilai minimum, nilai terkecil dari seluruh data panjang ikan layur 58,5 cm sedangkan nilai terkecil data berat ikan layur 140 gram.

ê Sum merupakan nilai penjumlahan seluruh data masing-masing variabel (panjang dan berat layur) dari nilai terkecil sampai nilai terbesar. Nilai sum dari semua data panjang ikan layur adalah 1331,8 cm dan nilai penjumlahan semua data berat ikan layur adalah 5035 gram.

ê Percentiles 25, tingkat panjang 25% dibawah 61.425 cm dan tingkat berat 25% dibawah 260 gram. Percentiles 75, tingkat panjang 75% dibawah 69.425 cm dan tingkat berat 75% dibawah 220.5 gram


Frequency Table

panjang (cm)

Frequency Percent Valid PercentCumulative

PercentValid 58.5 2 10.0 10.0 10.0

59.5 1 5.0 5.0 15.059.9 1 5.0 5.0 20.061.4 1 5.0 5.0 25.061.5 1 5.0 5.0 30.062.0 1 5.0 5.0 35.062.2 1 5.0 5.0 40.065.0 1 5.0 5.0 45.065.3 1 5.0 5.0 50.066.0 2 10.0 10.0 60.067.8 1 5.0 5.0 65.067.9 1 5.0 5.0 70.068.0 1 5.0 5.0 75.069.9 1 5.0 5.0 80.070.0 1 5.0 5.0 85.078.4 1 5.0 5.0 90.081.0 1 5.0 5.0 95.083.0 1 5.0 5.0 100.0Total 20 100.0 100.0

Tabel diatas merupakan tabel frekuensi panjang kolom pertama adalah tingkat panjang, kolom keduaadalah frekuensi tingkat panjang, kolom ketiga frekuensi dalam persent, kolom keempat frekuensi dalam persent berdasarkan data valid (lengkap), dan kolom kelima adalah presen komulatif. Setiap data dari variabel panjang layur diurutkan dari data panjang terkecil sampai terbesar yang merupakan data valid dan dikumulatifkan ke dalam persentase sehingga total harus sama dengan jumlah kasus data yang ada dan jumlah total kumulatifnya harus 100 persen.

Frekuensi merupakan banyaknya layur yang memiliki panjang tertentu, jumlah layur yang memiliki panjang 58,5 cm dan 66 cm mempunyai frekuensi 2 artinya terdapat 2 ikan layur yang mempunyai panjang 58,5 cm dan 66 cm (data yang muncul sebanyak 2 kali) sehingga total seluruh data berjumlah 20 data.

Persen merupakan presentase dari jumlah data yang memiliki panjang tertentu. 2 ikan layur yang mempunyai panjang 58,5 dan 66 cm presentasenya 10% sedangkan 1 ikan layur yang mempunyai panjang tertentu muncul hanya 1 kali presentasenya 5% dari seluruh data panjang layur. Valid persen menunjukkan bahwa semua data yang dimasukkan adalah valid dengan total cumulative percent adalah 100.


berat (gr)

Frequency Percent Valid PercentCumulative

PercentValid 140 1 5.0 5.0 5.0

145 1 5.0 5.0 10.0150 1 5.0 5.0 15.0175 1 5.0 5.0 20.0180 1 5.0 5.0 25.0185 1 5.0 5.0 30.0190 2 10.0 10.0 40.0205 1 5.0 5.0 45.0215 1 5.0 5.0 50.0230 1 5.0 5.0 55.0235 1 5.0 5.0 60.0240 1 5.0 5.0 65.0250 1 5.0 5.0 70.0260 2 10.0 10.0 80.0265 1 5.0 5.0 85.0395 1 5.0 5.0 90.0480 1 5.0 5.0 95.0645 1 5.0 5.0 100.0Total 20 100.0 100.0

Tabel diatas merupakan frekuensi berat :1. kolom pertama adalah tingkat berat, 2. kolom kedua adalah frekuensi tingkat berat, 3. kolom ketiga frekuensi dalam persent, 4. kolom keempat frekuensi dalam persent berdasarkan data valid (lengkap), dan5. kolom kelima adalah presen komulatif. Setiap data dari variabel berat layur diurutkan dari data berat terkecil sampai terbesar

yang merupakan data valid dan dikumulatifkan ke dalam persentase sehingga total harus sama dengan jumlah kasus data yang ada dan jumlah total kumulatifnya harus 100 persen.

Frekuensi merupakan banyaknya layur yang memiliki berat tertentu, berat 190 gram dan 260 gram mempunyai frekuensi 2 artinya terdapat 2 ikan layur yang mempunyai berat 190 gram dan 260 gram (data yang muncul sebanyak 2 kali) sehingga total seluruh data berjumlah 20 data.

Persen merupakan presentase dari jumlah data yang memiliki berat tertentu. 2 ikan layur yang mempunyai berat 190 dan 260 gram presentasenya 10% sedangkan 1 ikan layur yang mempunyai berat tertentu munculnya hanya 1 kali presentasenya 5% dari seluruh data berat layur. Valid persen menunjukkan bahwa semua data yang dimasukkan adalah valid dengan total cumulative percent adalah 100.

Bar Chart


Histogram diatas menunjukan panjang ikan layur yang memiliki distribusi paling tinggi adalah 58,5 cm dan 66 cm, masing mempunyai frekuensi 2 dan data lainnya hanya memiliki frekuensi 1.

Histogram diatas menujukan berat ikan layur yang memiliki distribusi paling tinggi adalah 190 gram dan 260 gram dengan frekuensi masing-masing 2, sedangkan data lain memiliki frekuensi 1.

Dengan menggunakan grafik bar (batang) ini akan memudahkan kita dalam membaca suatu data. Grafik bar digunakan untuk data nominal dan ordinal. Dari grafik tersebut didapat bahwa hanya ada 2 ekor ikan layur yang mempunyai panjang 58,5 cm dan 66 cm sedangkan pada grafik bar berat, hanya terdapat 2 ekor ikan layur yang memiliki berat 190 gram dan 260 gram.

2. DESCRIPTIVEAnalisis deskriptif menyajikan pengukuran statistik deskriptif secara ringkas. Fungsi analisis

deskriptif adalah untuk menampilkan informasi secara statistik dari variabel-variabel yang terdaftar (panjang dan berat layur).

Descriptive Statistics

N Minimum Maximum Sum Mean Std. Deviationpanjang (cm) 20 58.5 83.0 1331.8 66.590 7.1383berat (gr) 20 140 645 5035 251.75 123.409

Valid N (listwise) 20

Interpretasi data :ê N merupakan jumlah seluruh data yaitu ada 20 data dan semuanya dinyatakan valid, tidak ada

data yang hilang. Nilai minimum adalah nilai terkecil. Nilai terkecil panjang ikan layur 58,5 cm sedangkan nilai terkecil berat layur 140 gram. Nilai maksimum adalah nilai terbesar, pada panjang layur nilai terbesar adalah 83 cm dan berat layur nilai terbesarnya yaitu 645 gram. Nilai rata-rata (mean) panjang layur adalah 66,59 cm dan berat layur rata-ratanya adalah 251,75 gram.

ê Sum adalah nilai dari jumlah semua nilai data dari awal sampai akhir pada variabel yang terdaftar. Jumlah seluruh data panjang layur didapat 1331,8 cm dan jumlah seluruh data berat layur yaitu 5035 gram.


ê Standar deviasi atau nilai penyimpangannya untuk panjang layur adalah 7,1383 yang berarti angka rata-rata penyebaran datanya adalah 66,59 ± 7,1383.

ê Standar deviasi atau nilai penyimpangannya untuk berat layur adalah 123,409 yang berarti angka rata-rata penyebaran datanya adalah 251,75 ± 123,409.

3. CrosstabsFungsi analisis crosstabs atau tabulasi silang adalah untuk menampilkan tabulasi silang

antara variabel-variabel yang terdaftar pada kolom dan baris.Pada hasil case processing dibawah terlihat bahwa variabel panjang terhadap berat layur

terdapat data sebanyak 20 data valid, sehingga presentasenya sebesar 100%. Tidak ada data missing sehingga presentasenya data yang missing 0%. Pada kolom total didapati jumlah keseluruhan data yang telah dianalisis sebanyak 20 data dan persen jumlah total data yang dianalisis adalah sebesar 100%.

Case Processing SummaryCases

Valid Missing TotalN Percent N Percent N Percent

panjang (cm) * berat (gr) 20 100.0% 0 .0% 20 100.0%

Pada Crosstabulation terlihat tabel silang yang memuat hubungan antara kedua variabel, yaitu panjang dan berat layur. Dari output tersebut bisa dilihat beberapa hal seperti berikut :

ê Layur yang mempunyai berat 150 gram dengan panjang 59,5 cm ada 1 ekor sehingga total layur yang memiliki panjang 59,5 cm ada 1 ekor. Total ikan layur yang memiliki berat 150 gram ada 1 ekor, begitu seterusnya sehingga didapat total berat dan panjang ikan layur berjumlah sama yaitu 20 data.

panjang (cm) * berat (gr) CrosstabulationCount

berat (gr)

Total140 145 150 175 180 185 190 205 215 230 235 240 250 260 265 395 480 645

panjang (cm)

58.5 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 2

59.5 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

59.9 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

61.4 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1

61.5 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

62.0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1

62.2 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1

65.0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1

65.3 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1

66.0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 2

67.8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1

67.9 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1

68.0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1

69.9 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1

70.0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1

78.4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1

81.0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1

83.0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1Total 1 1 1 1 1 1 2 1 1 1 1 1 1 2 1 1 1 1 20


Chi-Square Tests

Value dfAsymp. Sig. (2-

sided)Pearson Chi-Square 300.000a 289 .316Likelihood Ratio 108.739 289 1.000Linear-by-Linear Association 16.390 1 .000N of Valid Cases 20

a. 324 cells (100.0%) have expected count less than 5. The minimum expected count is .05.

Hasil uji chi-square hitung diatas adalah 300. Uji ini digunakan untuk mengetahui apakah ada hubungan yang signifikan antara variabel panjang dan berat layur.

Hipotesis : ê H0 : tidak ada hubungan antara panjang dan berat layur.ê H1 : ada hubungan antara panjang dan berat layur.

Berdasarkan perbandingan chi-square hitung dengan chi-square tabel :ê Chi-square hitung < chi-square tabel maka H0 diterima.ê Chi-square hitung > chi-square tabel maka H0 ditolak.

Berdasarkan probabilitas :ê Bila probabilitas > 0.05 = H0 diterima, bila probabilitas < 0.05 = H0 ditolak.

Pada kolom Asymp.Sig adalah 0.316 > 0.05 maka H0 diterima sehingga kesimpulannya adalah tidak ada hubungan antara panjang dan berat ikan layur.


II. REGRESI

Regresi digunakan untuk mengukur besarnya pengaruh variable bebas terhadap variable tergantung dan memprediksi variable tergantung dengan menggunakan variable bebas. Analisis Regresi merupakan kajian terhadap hubungan satu variable yang disebut sebagai variable yang diterangkan (the explained variable) dengan satu atau dua variable yang menerangkan (the explanatory).

REGRESI LINEAR

1. Regresi Linear Sederhana (penangkapan ikan kakap)

RegressionVariables Entered/Removedb

ModelVariables Entered

Variables Removed Method

1 CPUE (kg/hmnd)a . Entera. All requested variables entered.b. Dependent Variable: EFFORT (hmnd)

Variabel yang dimasukkan yang terlihat pada tabel di atas adalah CPUE terhadap EFFORT sebagai variabel dependent. Pada tabel di atas terlihat dimasukan variabel yang akan dianalisis dan tidak ada variabel yang keluar karena digunakan metode “Enter”.

Model Summaryb

ModelR R Square Adjusted R Square

Std. Error of the Estimate Durbin-Watson

1 .870a .757 .741 15283.686 .846a. Predictors: (Constant), CPUE (kg/hmnd)b. Dependent Variable: EFFORT (hmnd)

Pada kolom Model Sumery, kolom R adalah koefisien korelasi Prearson (0.870) yang menunjukan tingkat hubungan yang tinggi antara variabel CPUE dan variabel EFFORT. Kolom Durbin-Waston nilainya 0.846. Hal ini menunjukan terjadinya autokorelasi.

ANOVAb

Model Sum of Squares df Mean Square F Sig.1 Regression 1.162E10 1 1.162E10 49.725 .000a

Residual 3.737E9 16 2.336E8

Total 1.535E10 17

a. Predictors: (Constant), CPUE (kg/hmnd)b. Dependent Variable: EFFORT (hmnd)

Tabel ANOVA memaparkan uji kelinearanHipotesis:

ê H0=tidak terjadi hubungan linear antara variabel CPUE dan EFFORTê Ha = terjadi hubungan linear antara variabel CPUE dan EFFORTê Sig. (0.000) < α (0.05) sehingga H0 ditolak. Jadi da hubungan linear antara variabel CPUE

dan variabel EFFORT.


Coefficientsa

ModelUnstandardized Coefficients

Standardized Coefficients

t Sig.B Std. Error Beta1 (Constant) 105590.367 8164.828 12.932 .000

CPUE (kg/hmnd) -3478.816 493.337 -.870 -7.052 .000a. Dependent Variable: EFFORT (hmnd)

ê Tabel Coeficients memaparkan uji koefisisenHipotesis utuk koefisien:H0=koefisien CPUE tidak signifikanHa= koefisien CPUE signifikanSig. (0.000) < α (0.05) sehingga H0 ditolak. Jadi koefisien CPUE signifikan

ê Tabel Coeficients memaparkan uji konstantaHipotesis untuk konstanta:H0=konstanta tidak signifikanHa= konstanta signifikanSig. (0.000) < α (0.05) sehingga H0 ditolak. Jadi konstanta signifikan

ê Model persamaan regresi linear yang terbentuk : Y=105590.367-3478.816 X

2. Regresi Linear ( pendidikan karyawan dan gaji)

Regression

Variabel yang dimasukkan yang terlihat pada tabel di bawah adalah pendidikan terhadap gaji sebagai variabel dependent. Pada tabel di atas terlihat dimasukan variabel yang akan dianalisis dan tidak ada variabel yang keluar karena digunakan metode “Enter”.

Variables Entered/Removedb

ModelVariables Entered

Variables Removed Method

1 PENDIDIKANa . Entera. All requested variables entered.b. Dependent Variable: GAJI

Pada kolom Model Sumery, kolom R adalah koefisien korelasi Prearson (0.721) yang menunjukan tingkat hubungan yang tinggi antara variabel pendidikan dan variabel gaji. Kolom Durbin-Waston nilainya 1.316. Nilai tersebut dalam rentang 1.21 <DW<1.65 ATAU 2.35<DW<2.79, sehingga tidak dapat disimpulkan.

Model Summaryb

ModelR R Square Adjusted R Square

Std. Error of the Estimate Durbin-Watson

1 .721a .520 .503 57.588 1.316a. Predictors: (Constant), PENDIDIKANb. Dependent Variable: GAJI


ANOVAb

Model Sum of Squares df Mean Square F Sig.1 Regression 100626.193 1 100626.193 30.342 .000a

Residual 92860.107 28 3316.432

Total 193486.300 29

a. Predictors: (Constant), PENDIDIKANb. Dependent Variable: GAJI

Tabel ANOVA memaparkan uji kelinearanHipotesis:

ê H0= tidak terjadi hubungan linear antara variabel pendidikan dan gajiê Ha = terjadi hubungan linear antara variabel pendidikan dan gajiê Sig. (0.000) < α (0.05) sehingga H0 ditolak. Jadi ada hubungan linear antara variabel

pendidikan dan variabel gaji.

Coefficientsa

ModelUnstandardized Coefficients

Standardized Coefficients

t Sig.B Std. Error Beta1 (Constant) 607.036 32.650 18.592 .000

PENDIDIKAN 116.089 21.075 .721 5.508 .000a. Dependent Variable: GAJI

ê Tabel Coeficients memaparkan uji koefisisenHipotesis utuk koefisien:H0=koefisien pendidikan tidak signifikanHa= koefisien pendidikan signifikanSig. (0.000) < α (0.05) sehingga H0 ditolak. Jadi koefisien pendidikan signifikan

ê Tabel Coeficients memaparkan uji konstantaHipotesis untuk konstanta:H0=konstanta tidak signifikanHa= konstanta signifikanSig. (0.000) < α (0.05) sehingga H0 ditolak. Jadi konstanta signifikan

ê Model persamaan regresi linear yang terbentuk : Y= 607.036+116.089X


III. ANALISIS KORELASI

Analisis korelasi bertujuan untuk membuat analisis korelasi dari beberapa variable data dengan menggunakan alat analisis, yaitu Korelasi Parametrik (Rumus Pearson), Korelasi Nonparametrik (Rank Spearman), Korelasi Partial, dan Korelasi Distances.

Analisis korelasi merupakan teknik statistik yang digunakan untuk mencari besarnya hubungan dan arah hubungan atau derajat hubungan linier (searah bukan timbal balik) dari dua variabel atau lebih.

1. Korelasi Bivariat Parametrik Pearson Produk MomentUji buvariate digunakan untuk menguji hubungan dua variabel bertipe ordinal dan skala. Uji

Pearson digunakan untuk mengukur hubungan dengan data berdistribusi normal (parametrik).

Contoh: Analisis hubungan jenis prodik baru dengan jumlah penjualan i-Pad

Correlations

PRODUK PENJUALANPRODUK Pearson Correlation 1 .038

Sig. (2-tailed) .917

N 10 10PENJUALAN Pearson Correlation .038 1

Sig. (2-tailed) .917

N 10 10

Interpretasi output data:

Judul : Hubungan antara jenis produk baru dengan jumlah penjualan i-Pad PT. KaskusHipotesa:

ê H0: Tidak ada hubungan antara jenis produk baru dengan jumlah penjualan i-Pad.ê Ha: Ada hubungan antara jenis produk baru dengan jumlah penjualan i-Pad.

Ketentuan:ê Jika t hitung < t tabel, maka H0 diterima, jika t hitung > t tabel, maka H0 ditolak.ê Jika Sig > α, maka H0 diterima, jika Sig < α, maka H0 ditolak.ê N menunjukkan jumlah keseluruhan data yang dianalisis korelasinya yaitu 10 data jenis

produk dan 10 data jumlah penjualan i-Pad. ê Pada tabel metrik Correlation, nilai koefisisen korelasi antara produk dengan penjualan

sebasar 0.038 menunjukan hubungan kedua variabel dapat diabaikan ( tidak ada hubungan).ê Sig 2 tailed (0.917) > ½ α (0.05) sehingga H0 diterima. Jadi tidak ada hubungan antara jenis

produk baru dengan jumlah penjualan i-Pad.

2. Korelasi Bivariat Non Parametrik Rank Spearman


Uji buvariate digunakan untuk menguji hubungan dua variabel bertipe ordinal dan skala. Uji Spearman mengukur hubungan antarvariabel berdasarkan ranking, tidak memandang distribusi variabel (non-parametrik).

Contoh: Analisis hubungan perubahan desain kemasan sarden terhadap minat beli.

Correlations

DESAIN KEMASAN MINAT BELI

Spearman's rho DESAIN KEMASAN

Correlation Coefficient 1.000 -.108Sig. (2-tailed) . .702N 15 15

MINAT BELI Correlation Coefficient -.108 1.000Sig. (2-tailed) .702 .N 15 15

Interpretasi output data:

Judul : Hubungan antara desain kemasan sarden dengan minat beli masyarakat. Hipotesa:

ê H0: Tidak ada hubungan antara desain kemasan sarden dengan minat beli masyarakat ê Ha: Ada hubungan antara desain kemasan dengan minat beli masyarakat.

Ketentuan:ê Jika t hitung < t tabel, maka H0 diterima, jika t hitung > t tabel, maka H0 ditolak.ê Jika Sig > α, maka H0 diterima, jika Sig < α, maka H0 ditolak.

Arah hubungan dilihat dari tanda koefisien korelasi,ê Tanda (-) menunjukan arah perubahan yang berlawanan. Jika satu variabel naik, variabel yang

lain malah turunê Tanda (+) menunjukan arah perubahan yang sama

ê N menunjukkan jumlah keseluruhan data yang dianalisis korelasinya yaitu 15 data desain kemasan dan 15 data minat beli.

ê Pada tabel metrik Correlation, besar nilai koefisisen korelasi versi Spearman antara desain kemasan sarden dengan minat beli masyarakat adalah -0.108, nilai ini menunjukan hubungan kedua variabel dapat diabaikan atau memiliki hubungan yang sangat lemah (-0.108).

ê Tanda (-) hanya menunjukan arah perubahan yang berlawanan dari kedua variabel. Tanda ini, (-) maupun (+) tidak mempengaruhi nilai/ besarnya hubungan kedua variabel.

ê Sig 2 tailed (0.702) > ½ α (0.025) sehingga H0 diterima. Jadi tidak ada desain kemasan sarden dengan minat beli masyarakat.

3. Korelasi Parsial (PT. Pring Joran)Uji parsial digunakan untuk menguji hubungan dua variabel dengan mengeluarkan variabel

lain (variabel kontrol) yang berpengaruh terhadap korelasi.


Correlations

Control Variables PRODUK ALAT PANCING PENJUALAN HARGA

-none-a PRODUK ALAT PANCING Correlation 1.000 .979 .947Significance (2-tailed) . .000 .000df 0 18 18

PENJUALAN Correlation .979 1.000 .969Significance (2-tailed) .000 . .000df 18 0 18

HARGA Correlation .947 .969 1.000Significance (2-tailed) .000 .000 .df 18 18 0

HARGA PRODUK ALAT PANCING Correlation 1.000 .770

Significance (2-tailed) . .000

df 0 17

PENJUALAN Correlation .770 1.000

Significance (2-tailed) .000 .

df 17 0

a. Cells contain zero-order (Pearson) correlations.

Interpretasi output data:Judul : Hubungan antara produk alat pancing dan penjualan dengan variabel harga sebagai kontrol. Hipotesa:

ê H0: Tidak ada hubungan antara produk alat pancing dan penjualan yang dikontrol oleh harga.ê Ha: Ada hubungan antara produk alat pancing dan penjualan yang dikontrol oleh harga.


ê Besarnya koefisien korelasi produk alat pancing dan penjualan dengan variabel harga sebagai control adalah 0.770. Jadi ada hubungan dengan derajat keeratan tinggi.

ê Nilai Sig 2-tailed (0.000) < 1/2α (0.025) sehingga H0 ditolak. Jadi ada hubungan antara variabel produk dan penjalan dengan variabel harga sebagai kontrol.

4. Korelasi Parsial (Sarden)Uji parsial biasa digunakan untuk menguji hubungan dua variabel dengan mengeluarkan

variabel lain (variabel kontrol) yang berpengaruh terhadap korelasi.


CorrelationsControl Variables DESAIN

KEMASAN SARDEN MINAT BELI

KUALITAS PRODUK

-none-a DESAIN KEMASAN SARDEN

Correlation 1.000 .074 -.008Significance (2-tailed) . .727 .968df 0 23 23

MINAT BELI Correlation .074 1.000 -.022Significance (2-tailed) .727 . .917df 23 0 23

KUALITAS PRODUK Correlation -.008 -.022 1.000Significance (2-tailed) .968 .917 .df 23 23 0

KUALITAS PRODUK

DESAIN KEMASAN SARDEN

Correlation 1.000 .073

Significance (2-tailed) . .733

df 0 22

MINAT BELI Correlation .073 1.000

Significance (2-tailed) .733 .

df 22 0

a. Cells contain zero-order (Pearson) correlations.

Interpretasi output data:Judul : Hubungan antara desain kemasan dan minat beli dengan variabel kualitas produk sebagai

kontrol. Hipotesa:

ê H0: Tidak ada hubungan antara desain kemasan dan minat beli yang dikontrol oleh variabel kualitas produk.

ê Ha: Ada hubungan antara desain kemasan dan minat beli yang dikontrol oleh variabel kualitas produk.


ê Besarnya koefisien korelasi produk alat pancing dan penjualan dengan variabel harga sebagai control adalah 0.073. Jadi hubungan dapat diabaikan.

ê Nilai Sig 2-tailed (0.733) < 1/2α (0.025) sehingga H0 diterima. Jadi tidak ada hubungan antara variabel desain kemasan dan minat beli dengan variabel kualitas produk sebagai kontrol.

5. Korelasi DintacesUji distances digunakan untuk mencari ukuran dari ketergantungan antara dua variabel acak

atau dua vektor acak, tidak perlu dimensi yang sama.

Case Processing SummaryCasesValid Missing TotalN Percent N Percent N Percent30 100.0% 0 .0% 30 100.0%

Berdasarkan metrik Csae Processing Summery terdapat 30 data, yang semuanya, 30 data, diproses (tidak ada data missing), sehingga tingkat validitasnya 100.


Proximity Matrix Correlation between Vectors of Values SCORPIO Z NINJA 250R HARGA

SCORPIO Z 1.000 .927 .804NINJA 250R .927 1.000 .875HARGA .804 .875 1.000This is a similarity matrix

ê Berdasarkan tabel diatas ( proximity Matrix) , besarnya koefisien korelasi penjualan Scorpio Z dengan NINJA 250 R adalah 0.927.Berarti tingkat penjualan antara scorpion dengan NINJA 250 R berhubungan erat dengan arah hubungan sama (korelasi +) . Korelasi yang dimaksud bahwa penjualan motor merk Scorpio Z dan Ninja 250 R akan peningkatan dan penuruan penjualan searah.

ê Korelasi antara penjualan NINJA 250 R dengan harga adalah 0.875. Nilai korelasi yang didapat hampir mendekati satu artinya ada hubungan yang erat antara penjualan Ninja 250 R dengan harga.

IV. TIME SERIES

Analisis time series bertujuan untuk mengetahui, membuat grafik, dan dapat melakukan analisis data dengan menggunakan alat Analisisn berupa grafik time series, data harga penjualan udang PT.Jaya Berdikari.

Time Series merupakan analisis yang mencoba menganalisis nilai suatu variable (disimbolkan dengan Y) dikaitkan dengan unsur waktu (disimbolkan dengan X). Time series merupakan data rentang waktu tertentu yang bersifat teratur pada masa lalu sehingga kemungkinan akan terulang kembali ke masa yang akan atang. Umumnya data berulang4 tahun sekali. Dengan Menggunakan metode time series kita dapat meramalkan kejadian-kejadian selama empat tahun kedepan. Data time series terdapat beberapa metode yang digunakan untuk memprediksi, diantaranyan yaitu metode sampel, metode decomposition, dan ARIMA (Autoregressive Intregrated Moving Average).

TAHUN PENJUALAN FIT 1 YEAR_ DATE_1990 83 79,98 1990 19901991 84 77,45 1991 19911992 85 80,88 1992 19921993 89 78,53 1993 19931994 90 84,7 1994 19941995 94 79,63 1995 19951996 96 88,46 1996 19961997 98 81,87 1997 19971998 100 90,24 1998 19981999 102 84,04 1999 1999

DATE Y 1990.


The following new variables are being created:

Name Label YEAR_ YEAR, not periodic DATE_ Date. Format: "YYYY"

Setelah dilakukan analisis dengan metode simpel, terjadi penambahan variabel baru pada data view, yaitu variabel year dan date. Variabel year menunjukan data yang non periodik yang dimulai dari tahun 1990 dengan format penulisan 4 digit (YYYY).

Graph


ê Tahun 1999 terjadi tingkat penjualan udang tertinggi dari perusahaan udang PT.Jaya Berdikari, hal tersebut terlihat pada data hasil penjualan danjuga terlihat pada grafik hasil penjualan udang diatas.

ê Nilai Fit pada tahun 1998 adalah 84.04.ê Tergambar grafik penjualan dengan grafik fit. Grafik menunjukan penjualan udang dan fit 1

dari tahun 1990 sampai tahu 1999. Terlihat perbedaan mencolok anatra grafik penjualan (biru) dan grafik fit 1(hijau). Grafik penjualan menunjukan peningkatn secara teratur naik dengan grafik kecenderungan mengalami peningkatan. Grafik fit 1 menunjukan peningkatan penjualan secara naik dan turun namun juga cenderung mengalami peningkatan.

ê Menurut grafik dan interpretasi data, harga penjualan udang cenderung mengalami peningkatan dari tahun ke tahun, hal ini berdasarkan analisis dari data penjualan udang tahun 1990 sampai 1999.

V. UJI T

Uji T bertujuan untuk menguji hipotesis dengan menggunakan data yang berpasangan maupun yang tidak berpasangan.dan mampu membandingkan antara dua rata-rata atau lebih.Alat analisis yang digunakan adalah T test, Uji homogenitas, Post Hoc test (HSD tukey dan Bonferroni)

1. Uji T 1, Data Berpasangan (Hasil penelitian DKP Yogyakarta ‘Gemar Makan Ikan’ kepada masyarakat)

Uji-t berpasangan (paired t-test) adalah salah satu metode pengujian hipotesis dimana data yang digunakan tidak bebas (berpasangan). Ciri-ciri yang paling sering ditemui pada kasus yang berpasangan adalah satu individu (objek penelitian) dikenai 2 buah perlakuan yang berbeda.

T-TestPaired Samples Statistics

Mean N Std. Deviation Std. Error MeanPair 1 SEBELUM SOSIALISASI 93.67 15 22.768 5.879

SESUDAH SOSIALISASI 96.00 15 22.778 5.881

Paired sample statistics menunjukkan ringkasan dari rata-rata dan standard deviase dari kedua perbandingan. Untuk sebelum sosialisai gemari, laporan rata-rata kunsumsi ikan masyarakat Yogyakarta dari 15 responden adalah 93.67. Sedangkan sebelum sosialisai gemari, laporan rata-rata konsumsi ikan dari 15 sampel responden masyarakat Yogyakarta adalah 96.00.

Paired Samples Correlations

N Correlation Sig.Pair 1 SEBELUM SOSIALISASI &

SESUDAH SOSIALISASI15 .988 .000


ê Sig (0.000) < α (0.05) sehingga H0 ditolak. Ada hubungan antara tingkat konsumsi ikan sebelum dan sesudah sosialisasi. Dengan tingkat hubungan yang tinggi (korelasi yang kuat) yaitu 0.988.

ê Berdasarkan hasil analisis data, diperoleh tanda koefisien korelasi positif (+) yaitu apabila variable X (sebelum sosialisasi gemari) tinggi maka variable Y (sesudah sosialisasi gemari) juga tinggi.

Paired Samples TestPaired Differences

t dfSig. (2-tailed)Mean

Std. Deviation

Std. Error Mean

95% Confidence Interval of the Difference

Lower UpperPair 1 SEBELUM SOSIALISASI -

SESUDAH SOSIALISASI-2.333 3.579 .924 -4.315 -.351 -2.525 14 .024

Ho : tidak ada perbedaan konsumsi ikan sebelum dan sesudah sosialisasi gemari H1 : ada perbedaan konsumsi ikan sebelum dan sesudah sosialisasi gemari Jika probabilitas > 0.05, Ho diterima, tetapi jika prob < 0.05, Ho ditolak.

ê Pada table ini adalah hasil uji t antara sampel berpasangan itu sendiri. Dapat dilihat besaran rata-rata dari perbedaan data secara berpasangan yang ditampilkan pada kolom mean yaitu -2.333. Kolom berikutnya secara berurutan adalah tampilan simpangan baku atau standard deviasi sebesar 3.579, kekeliruan baku rata-rata (standard error mean) sebesar 0.924.

ê Sig (0.024)< 1/2α (0.025), maka H0 ditolak. Jadi ada perbedaan konsumsi ikan sebelum dan sesudah sosialisasi gemari.

2. Uji T 2, Oneway ANOVA (Pakan alami untuk pertumbuhan larva ikan Nila)Fungsi one-way anova adalah untuk membandingkan antara dua rata-rata atau lebih. Antara t-

test dengan anova terdapat kesamaan tujuan yaitu untuk mengetahui apakah sejumlah rata-rata terhitung dari sampel sama (homogen) atau berbeda.

Descriptives

PERTUMBUHAN BIOMASA

N Mean Std. DeviationStd. Error

95% Confidence Interval for Mean

Minimum MaximumLower Bound Upper BoundDAPHNIA 12 62.33 2.839 .820 60.53 64.14 58 67

TUBIFEX 12 51.58 4.981 1.438 48.42 54.75 45 60

AGOT 12 58.42 4.209 1.215 55.74 61.09 53 67

ARTHEMIA

12 54.25 6.524 1.883 50.10 58.40 42 62

Total 48 56.65 6.235 .900 54.84 58.46 42 67

Oneway

Merupakan tabel deskriptif dari variabel pertumbuhan biomasa yang dianalisis. Kolom pertama

merupakan kolom katogori berdasarkan pakan alami untuk larva ikan nila. Kolom kedua jumlah data

setiap jenis pakan alami. Kolom ketiga merupakan nilai rata-ratanya. Kolom keempat adalah nilai


standar deviasi. Kolom kelima standar error variabel. Kolom keenam dan ketujuh nilai lower dan

Upper Kolom kedelapan dan keesembilan merupakan nilai minimun dan maksimum variabel.

Test of Homogeneity of VariancesPERTUMBUHAN BIOMASALevene Statistic df1 df2 Sig.

2.277 3 44 .093

Hipotesis:

ê H0= keempat pakan alami memiliki varian yang sama

ê H1= keempat pakan alami memiliki varian yang berbeda

ê Nilai Sig. (0.093) > α (0.05), maka H0 diterima. Jadi keempat pakan alami memiliki varian

yang sama.

ANOVAPERTUMBUHAN BIOMASA

Sum of Squares df Mean Square F Sig.

Between Groups 802.229 3 267.410 11.482 .000Within Groups 1024.750 44 23.290

Total 1826.979 47

Hipotesis:

ê H0= keempat pakan alami memiliki rata-rata pertumbuhan biomasa yang sama

ê H1= keempat pakan alami memiliki rata-rata pertumbuhan biomasa yang berbeda

ê Nilai Sig. (0.000) < α (0.05), maka H0 ditolak. Jadi keempat pakan alami memiliki rata-rata

pertumbuhan biomasa yang berbeda.


Post Hoc Tests

Multiple ComparisonsDependent Variable:PERTUMBUHAN BIOMASA

(I) PAKAN IKAN

(J) PAKAN IKANMean

Difference (I-J)Std. Error Sig.

95% Confidence Interval

Lower Bound Upper BoundTukey HSD

DAPHNIAdimension3

TUBIFEX 10.750* 1.970 .000 5.49 16.01MAGOT 3.917 1.970 .208 -1.34 9.18ARTHEMIA 8.083* 1.970 .001 2.82 13.34

TUBIFEXdimensi

on3

DAPHNIA -10.750* 1.970 .000 -16.01 -5.49MAGOT -6.833* 1.970 .006 -12.09 -1.57ARTHEMIA -2.667 1.970 .535 -7.93 2.59

MAGOTdimensi

on3

DAPHNIA -3.917 1.970 .208 -9.18 1.34TUBIFEX 6.833* 1.970 .006 1.57 12.09ARTHEMIA 4.167 1.970 .164 -1.09 9.43

ARTHEMIAdimensi

on3

DAPHNIA -8.083* 1.970 .001 -13.34 -2.82TUBIFEX 2.667 1.970 .535 -2.59 7.93MAGOT -4.167 1.970 .164 -9.43 1.09

Bonferroni DAPHNIAdimensi

on3

TUBIFEX 10.750* 1.970 .000 5.31 16.19MAGOT 3.917 1.970 .318 -1.53 9.36ARTHEMIA 8.083* 1.970 .001 2.64 13.53

TUBIFEXdimensi

on3

DAPHNIA -10.750* 1.970 .000 -16.19 -5.31MAGOT -6.833* 1.970 .007 -12.28 -1.39ARTHEMIA -2.667 1.970 1.000 -8.11 2.78

MAGOTdimensi

on3

DAPHNIA -3.917 1.970 .318 -9.36 1.53TUBIFEX 6.833* 1.970 .007 1.39 12.28ARTHEMIA 4.167 1.970 .241 -1.28 9.61

ARTHEMIAdimensi

on3

DAPHNIA -8.083* 1.970 .001 -13.53 -2.64TUBIFEX 2.667 1.970 1.000 -2.78 8.11MAGOT -4.167 1.970 .241 -9.61 1.28

*. The mean difference is significant at the 0.05 level.

Nilai perbedaan rata-rata pada kolom dua (Mean Difference (I-J) terdapat tanda * dibelakang pada beberapa nilainya, tanda bitang menunjukan adanya pengaruh yang signifikan. Atau dapat dilaihat dari nilai signifikannya, jenis pakan alami berpengaruh terhadap peningkatan pertumbuhan biomasa secara signifikan apabila nilai Sig. < α (0.05).

ê Terdapat pengaruh signifikan antara pakan alami daphnia dengan tibifex dan artemia terhadap pertumbuhan biomasa larva nila.

ê Terdapat pengaruh signifikan antara pakan alami tubifex dengan daphnia dan magot terhadap pertumbuhan biomasa larva nila.

ê Terdapat pengaruh signifikan antara pakan alami magot dengan tibifex terhadap pertumbuhan biomasa larva nila.

ê Terdapat pengaruh signifikan antara pakan alami artemia dengan daphnia terhadap pertumbuhan biomasa larva nila.

Homogeneous Subsets


PERTUMBUHAN BIOMASAPAKAN IKAN

N

Subset for alpha = 0.05

1 2 3Tukey HSDa TUBIFEX 12 51.58

ARTHEMIA 12 54.25 54.25

MAGOT 12 58.42 58.42

DAPHNIA 12 62.33

Sig. .535 .164 .208

Means for groups in homogeneous subsets are displayed.a. Uses Harmonic Mean Sample Size = 12,000.

Pada table diatas dapat dilihat kembali uji Tukey, untuk pengujian pada subset kolom 2, kita dapat melihat perbandingan rata-rata pertumbuhan biomasa dari keempat pakan alami yang digunakan untuk pakan larva nila dilihat dati kesamaan pengarunya terhadap pertumbuhan biomasa larva ikan nila.

ê Tubifex dan artemiaSig (0.535) > 0.05, sehingga jenis pakan alami tubifex dan artemia memiliki pengaruh yang sama terhadap rata-rata pertumbuhan biomasa larva ikan nila.

ê Artemia dan magotSig (0.164) > 0.05, sehingga jenis pakan alami artemia dan magot memiliki pengaruh yang sama terhadap rata-rata pertumbuhan biomasa larva ikan nila.

ê Magot dan daphniaSig (0.208) > 0.05, sehingga jenis pakan alami magot dan dahpnia memiliki pengaruh yang sama terhadap rata-rata pertumbuhan biomasa larva ikan nila.


2. Uji T, Satu Dua Sampel Bebas (Penjualan produk perikanan)Uji t untuk sample independen digunakan untuk melihat kesamaan rata-rata dan

variansi kelompok data pada sebuah sampel independen atau tidak berkaitan satu sama lain. Tujuannya adalah untuk mengetahui apakah kedua kelompok data pada sebuah sampel tersebut bersumber dari populasi yang sama atau populasi yang berbeda.

T-TestGroup Statistics

PRODUK OLAHAN PERIKANAN N Mean Std. Deviation Std. Error Mean

VOLUME PENJUALANdimensi

PENGERINGAN 20 12.3000 3.86754 .86481PENGASAPAN 20 12.4000 4.66115 1.04226

Pada tabel grub statistics terlihat ringkasan statistik dari kedua data volume penjualan dari 40 produk olahan perikanan pengeringan dan pengasapan . Untuk volume penjualan produk pengeringan terdapat 20 sampel data dengan rata-rata volume penjualan 12.3000. Sedangkan untuk volume penjualan produk pengasapan terdapat 20 sampel data dengan rata-rata volume penjualan 12.4000.

Independent Samples Test

Levene's Test for

Equality of Variances t-test for Equality of Means

FSig. t df

Sig. (2-

tailed)

Mean Differen

ce

Std. Error

Difference

95% Confidence Interval of the

DifferenceLower Upper

VOLUME PENJUALAN

Equal variances assumed

.764

.388

-.074

38 .942 -.10000 1.35433

-2.841

70

2.64170

Equal variances not assumed

-.074

36.749

.942 -.10000 1.35433

-2.844

77

2.64477

ê Ho = Kedua varians adalah identikê Hi = Kedua varians adalah tidak identikê Jika probabilitas > 0.05, maka Ho diterima.ê Jika probabilitas < 0.05, maka Ho ditolak.ê Sig (0.388) > α (0.05), maka H0 diterima. Jadi kedua varians volume penjualan

produk pengeringan dan pengasapan adalah identik atau sama.

DAFTAR PUSTAKA


Amir, Mohammad Faisal. 2006. Mengolah dan Membuat Interpretasi Hasil Olahan SPSS untuk Penelitian Ilmiah. EDSA Mahkota. Jakarta

Wahyono, T. 2009. 25 Model Analisis Statistik dengan SPSS 17. PT. Elex media komputindo. Jakarta.


Laporan Akhir Praktikum Intan Pengoda

Documents

Transcript of Laporan Akhir Praktikum Intan Pengoda