Distribusi normal = distribusi normal yang memiliki rata-rata nol dan simpangan baku satu.

seperti analisis regresi, analisis Cp / Cpk , uji-t, analisis varians ( ANOVA )

Skala Interval = Merupakan skala yang membedakan kategori dengan selang atau jarak
tertentu dengan jarak antar kategorinya sama. Skala interval tidak memiliki nilai nol mutlak.
Misalnya, membagi tinggi badan sampel ke dalam 4 interval yaitu: 140-149, 150-159, 160169, dan 170-179.

Skala ordinal = skala yang membedakan kategori berdasarkan tingkat atau urutan (1-5, 110,1-4)

Skala rasio = Merupakan penggabungan dari ketiga sifat skala sebelumnya. Skala rasio
memiliki nilai nol mutlak dan datanya dapat dikalikan atau dibagi. Akan tetapi, jarak antar
kategorinya tidak sama karena bukan dibuat dalam rentang interval. Misalnya, tinggi badan
sampel terdiri dari 143, 145, 153, 156, 175, 168, 173, 164, 165, 152.

Skala nominal = Merupakan skala yang hanya membedakan kategori berdasarkan jenis atau
macamnya. Skala ini tidak membedakan kategori berdasarkan urutan atau tingkatan.
Misalnya adalah jenis kelamin terbagi menjadi laki-laki dan perempuan.

Sampling Insidental adalah teknik penentuan sampel berdasarkan kebetulan, yaitu siapa saja
yang secara kebetulan/incidental bertemu dengan peneliti dapat digunakan sebagai sampel,
bila dipandang orang yang kebetulan ditemui itu cocok sebagai sumber data.

Uji validitas dilakukan dengan mengkorelasikan skor item dengan skor total

Uji Reliabilitas Kevalidan suatu alat ukur diikuti oleh ke-reliabelannya, artinya bahwa alat
ukur tersebut selain harus valid juga harus konsisten dalam mengukur gejala yang sama.
Setiap alat ukur seharusnya memiliki kemampuan untuk memberikan hasil pengukuran yang
konsisten.

Teknik reliabilitas eksternal kedua adalah teknik ulang

Reliabilitas internal diperoleh dengan cara menganalisis data dari satu kali pengetesan

Korelasi Rank Spearman jika data yang diperoleh adalah data ordinal, sedangkan jika data
yang diperoleh data interval kita bisa menggunakan korelasi Product Moment

One Tailed One sample t test merupakan teknik analisis untuk membandingkan satu
variabel bebas. Teknik ini digunakan untuk menguji apakah nilai tertentu berbeda secara
signifikan atau tidak dengan rata-rata sebuah sampel
Uji t sebagai teknik pengujian hipotesis deskriptif memiliki tiga criteria yaitu uji pihak
kanan, kiri dan dua pihak.
Uji Pihak Kiri : dikatakan sebagai uji pihak kiri karena t tabel ditempatkan di bagian kiri
Kurva
Uji Pihak Kanan : Dikatakan sebagai uji pihak kanan karena t tabel ditempatkan di
bagian kanan kurva.
Uji dua pihak : dikatakan sebagai uji dua pihak karena t tabel dibagi dua dan diletakkan
di bagian kanan dan kiri

Uji Reliabilitas
1. Strict parallel
Tes paralel adalah dua buah tes yang disusun dari tujuan ukur yang sama dan blue print
yang sama sehingga jumlah item atau taraf kesukarannya untuk tes kognif adalah sama.
Secara statistik, tes paralel diasumsikan dengan nilai varian skor tampak dan varian eror
yang setara (parallel) atau ditambahkan dengan asumsi rerata skor yang setara (strict
parallel) antar kedua tes.
2. Parallell (metode tes ulang)
3. Split half (teknik belah dua, Spearman-Brown)
4. Formula Rulon,
5. Formula Flanagan (Guttman)
6. KR 20/ KR 21 (Kuder Richardson)
Mengukur konsistensi respon subjek pada item-item tes, sehingga disebut interitem
consistency. Errornya disebut content sampling dan content heterogeneity sampling.
Teknik pengujian reliabilitas dengan teknik ini dibagi menjadi dua, yaitu KR-20 dan KR21.
7. Anova Hoyt
8. Cronbachs Alpha
Tujuannya sama dengan KR, hanya saja syarat yang harus dipenuhi adalah data yang
diperoleh bersifat kontinum (aspek secara kesluruhan) dan bukan dikotomi (2 aspek).
Berbentuk skala (misal 1-4, 1-5) atau skor rentangan (misal 0-20, 0-50)
Metode alpha dapat juga digunakan pada skor dikotomi (0 dan 1) dan akan
menghasilkan perhitungan yang setara dengan menggunakan metode KR-20 dan
Anova Hoyt.
Uji Validitas
1. Pearson
Data Interval/ rasio
Dari beberapa asumsi, yang terpenting adalah normalitas. Apabila data
berdistribusi normal, maka gunakan uji pearson. Bagaimana untuk mengetahui
apakah data berdistribusi normal atau tidak? Lakukan uji normalitas. Apabila
terbukti berdistribusi normal dan memenuhi asumsi lainnya (linearitas dan
homoskedastisitas) maka gunakan uji pearson.
2. Spearman
Data ordinal
Data tidak berdistribusi normal
Data diukur dalam skala Ordinal.
Apabila tidak berdistribusi normal dan/atau asumsi lain lain tidak terpenuhi,
maka apa pilihannya? Jawabannya adalah spearman rho.
3. Kendall
Apabila sumber data berasal dari subjek yang sama atau berpasangan, maka apa
pilihannya?
Pilihannya adalah uji Kendall Tau. Perhatikan pada soal No. 1, di mana nilai IQ
dan Nilai Ujian adalah variabel yang berasal dari subjek yang sama, yaitu siswa
yang sama. Jadi setiap siswa, memiliki IQ dan Nilai Ujian. Sumber data yang
sama tersebut mengindasikan bahwa pengujian dengan spearman rho tidaklah
tepat. uji yang tepat adalah uji Kendall Tau.

uji kendall tau adalah turunan dari uji pearson.

Bedanya dengan uji pearson adalah: Kalau uji pearson langsung menilai keeratan korelasi
dan besarnya perbedaan arah antara 2 variabel pada nilai asli.
Nilai asli yang dimaksud adalah bila sebuah sampel mendapatkan nilai 80, maka nilai 80
itulah yang digunakan.
Hal ini sama dengan uji pearson, tetapi yang dinilai bukanlah nilai asli, melainkan
peringkatnya. Misal yang mendapatkan nilai 80 adalah peringkat ketiga, maka nilai peringkat
3 itulah yang diuji. Sistem pemberian peringkat menggunakan sistem natural order. Untuk
lebih jelasnya pelajarai tentang uji spearman rho.

1/16

UJI HYPO-THESIS STATISTIK DAN PENELITIAN: ONETAILED VS. TWO-TAILED TEST

Hypothesis berasal dari dua kata, yaitu: HYPO yang berarti di bawah dan THESIS
berarti pernyataan yang belum dibuktikan kebenarannya (an unproved statement put forward as
a premise in an argument). Jadi, secara harfiah HIPOTESIS berarti DUGAAN SEMENTARA yang
belum diuji kebenarannya. Uma Sekaran & Roger Bougie (2010) mendefinisikan hypothesis as
tentative, yet testable, statement, which predicts what you expect to find in your empirical data.
Hipotesis dibuat berdasarkan TEORI yang digunakan ketika menyusun theoritical framework atau
bisa juga dibuat berdasarkan penalaran yang LOGIS. Dalam sebuah penelitian bisa hanya
terdapat satu buah hipotesis saja atau bisa juga lebih.

Directional & nondirectional hypothesis

Nondirectional hypothesis dibuat jika si peneliti BELUM TAHU ARAH dari hipotesis yang
dibangunnya, apakah pengaruhnya positif/negatif, lebih dari/kurang dari, dsb.
Contoh NONDIRECTIONAL HYPOTHESIS:
H0:=0
H1: 0
Nondirectional hypothesis di-UJI STATISTIK menggunakan two-tailed test. Karena arahnya belum
diketahui secara pasti, untuk significance level = 5%, kita membagi dua daerah penerimaan H0,
menjadi 2,5% di kiri dan 2,5% di kanan seperti tampak pada gambar berikut:

Tolak H0 jika nilai |t-value| > 1.96.

Berkebalikan dengan nondirectional hypothesis, DIRECTIONAL HYPOTHESIS dibuat ketika si
peneliti SUDAH TAHU ARAH dari hipotesis yang dibangunnya, apakah pengaruhnya
positif/negatif, lebih dari/kurang dari, dsb.
Contoh DIRECTIONAL HYPOTHESIS:
H0: 0
H1: < 0
Hipotesis di atas di-UJI STATISTIK dengan one-tailed test (significance level = 5%):

Tolak H0 jika nilai |t-value| > 1.645.

UNTUK KEDUA UJI STATISTIK DI ATAS:
Daerah abu-abu: REJECT H1, ACCEPT H0
Daerah biru: ACCEPT H1, REJECT H0
Dalam UJI STATISTIK untuk REGRESI, dengan me-reject Ho, tentunya kita akan menerima H1:
SIGNIFIKAN!!! Signifikan di sini berarti bahwa variabel yang diuji memiliki pengaruh yang berarti
terhadap keseluruhan model regresi. Contoh:

y = 2,1 + 0,3 x1 + 0,5 x2 0,7 x3

Jika variabel x1 SIGNIFIKAN, artinya setiap kenaikan variabel x1 sebesar 1 akan mempengaruhi
kenaikan y sebesar 0,3. Tetapi, jika variabel x1 TIDAK SIGNIFIKAN, setiap kenaikan x1 belum
tentu memiliki pengaruh yang berarti pada perubahan y. Jika kasus seperti ini terjadi, kita harus
membuang variabel x1 dan membuat model regresi baru.
Setelah melakukan UJI HIPOTESIS STATISTIK, sekarang kita akan melakukan UJI HIPOTESIS
PENELITIAN.
Contoh NONDIRECTIONAL HYPOTHESIS:
Ada pengaruh antara banyaknya tugas yang diberikan dengan tingkat depresi.
H0: = 0
H1: 0

Kita akan menerima H0 jika besarnya = 0, yang

berarti tidak ada pengaruh antara banyaknya tugas yang diberikan dengan tingkat depresi.
Dalam two-tails test, kita akan menerima H1 jika 0, tidak peduli arahnya positif atau negatif.
Berbeda dengan uji hipotesis statistik yang bertujuan untuk melihat signifikansi, UJI HIPOTESIS
PENELITIAN bertujuan untuk menguji DUGAAN AWAL si peneliti apakah sesuai dengan
harapannya atau tidak dan diharapkan dapat menjelaskan fenomena yang terjadi.
Pada contoh di atas, dengan diterimanya H1 berarti bahwa ada pengaruh antara banyaknya
tugas yang diberikan dengan tingkat depresi.
Contoh DIRECTIONAL HYPOTHESIS:
Pelatihan yang dilakukan perusahaan akan berpengaruh pada berkurangnya tingkat
ketidakhadiran karyawan.
H0: 0
H1: < 0

Misalkan untuk contoh di atas kita mendapati hasil

regresi sebagai berikut:
y = 3,5 + 0,7 x

Dari hasil di atas, berarti bahwa semakin sering dilakukan training, ternyata tingkat
ketidakhadiran karyawan semakin meningkat. Tentu saja kita harus mereject H1 dan menerima
H0 karena hasil yang didapat tidak sesuai dengan dugaan awal.
Hal tersebur terjadi untuk kasus one-tailed. Tetapi jika kita menggunakan two-tailed test, tentu
saja kita akan mereject H1 dan menerima H0 karena kita memiliki = +0,7 0 sedangkan
hipotesis yang diuji adalah:
H0: = 0
H1: 0
Karena alasan tersebut, tidak salah kan jika saya ngotot untuk selalu menggunakan one-tailed?!
**tentu saja jika kita sudah tahu jelas arahnya, apakah positif atau negatif**
Selain itu juga, misalkan kita mendapati hasil |t-value| = 1,7. Untuk UJI HIPOTESIS STATISTIK
menggunakan two-tailed (significance level = 5%), tentu saja kita akan me-reject-nya (TIDAK
SIGNIFIKAN) karena |t-value| < 1,96. Tetapi, jika menggunakan one-tailed test, tentu saja kita
akan menerimanya (SIGNIFIKAN), karena |t-value| > 1,645.