Anda di halaman 1dari 29

Jenis-Jenis Uji statistik

Novelia Puspita

102012059

Devi Caroline Tandungan

102012332

Jefri Sokko

102012073

Lili Juliani

102012413

Imelda Gunawan

102012205

Moch. Zaid

102012499

Robbiq Firly

102012223

Stefanus Vernandi

102012351

Suli Intan

102012235

Kelompok A6

PARAMETRIK
Uji Z
Pendahuluan
Uji Z adalah salah satu uji statistika yang pengujian hipotesisnya didekati dengan distribusi
normal. Menurut teori limit terpusat, data dengan ukuran sampel yang besar akan
berdistribusi normal. Oleh karena itu, uji Z dapat digunakan utuk menguji data yang
sampelnya berukuran besar. Jumlah sampel 30 atau lebih dianggap sampel berukuran besar.
Selain itu, uji Z ini dipakai untuk menganalisis data yang varians populasinya diketahui.
Namun, bila varians populasi tidak diketahui, maka varians dari sampel dapat digunakan
sebagai penggantinya.
Kriteria Penggunaan uji Z
1. Data berdistribusi normal
2. Variance (2) diketahui
3. Ukuran sampel (n) besar, 30
4. Digunakan hanya untuk membandingkan 2 buah observasi.
Contoh Penggunaan Uji Z
1. Uji-Z dua pihak
Contoh kasus
Sebuah pabrik pembuat bola lampu pijar merek A menyatakan bahwa produknya tahan
dipakai selama 800 jam, dengan standar deviasi 60 jam. Untuk mengujinya, diambil sampel
sebanyak 50 bola lampu, ternyata diperoleh bahwa rata-rata ketahanan bola lampu pijar
tersebut adalah 792 jam. Pertanyaannya, apakah kualitas bola lampu tersebut sebaik yang
dinyatakan pabriknya atau sebaliknya?

Hipotesis
H0 : = (rata ketahanan bola lampu pijar tersebut sama dengan yang dinyatakan oleh
pabriknya)
HA : (rata ketahanan bola lampu pijar tersebut tidak sama dengan yang dinyatakan oleh
pabriknya)
Analisis

Nilai Ztabel dapat diperoleh dari Tabel 1. Dengan menggunakan Tabel 1, maka nilai Z0,025
adalah nilai pada perpotongan baris 0,02 dengan kolom 0,005, yaitu 1,96. Untuk
diketahui bahwa nilai Z adalah tetap dan tidak berubah-ubah, berapapun jumlah sampel.
Nilai Z0,025 adalah 1,96 dan nilai Z0,05 adalah 1,645.
Tabel 1. Nilai Z dari luas di bawah kurva normal baku

0 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.009

0.00

3.090 2.878 2.748 2.652 2.576 2.512 2.457 2.409 2.366

0.01

2.326 2.290 2.257 2.226 2.197 2.170 2.144 2.120 2.097 2.075

0.02

2.054 2.034 2.014 1.995 1.977 1.960 1.943 1.927 1.911 1.896

0.03

1.881 1.866 1.852 1.838 1.825 1.812 1.799 1.787 1.774 1.762

0.04

1.751 1.739 1.728 1.717 1.706 1.695 1.685 1.675 1.665 1.655

0.05

1.645 1.635 1.626 1.616 1.607 1.598 1.589 1.580 1.572 1.563

0.06

1.555 1.546 1.538 1.530 1.522 1.514 1.506 1.499 1.491 1.483

0.07

1.476 1.468 1.461 1.454 1.447 1.440 1.433 1.426 1.419 1.412

0.08

1.405 1.398 1.392 1.385 1.379 1.372 1.366 1.359 1.353 1.347

0.09

1.341 1.335 1.329 1.323 1.317 1.311 1.305 1.299 1.293 1.287

0.10

1.282 1.276 1.270 1.265 1.259 1.254 1.248 1.243 1.237 1.232

Kriteria Pengambilan Kesimpulan


Jika |Zhit| < |Ztabel|, maka terima H0
Jika |Zhit| |Ztabel|, maka tolak H0 alias terima HA
Kesimpulan
Karena harga |Zhit| = 0,94 < harga |Ztabel | = 1,96, maka terima H0
Jadi, tidak ada perbedaan yang nyata antara kualitas bola lampu yang diteliti dengan kualitas
bola lampu yang dinyatakan oleh pabriknya.
2. Uji Z satu pihak
Contoh kasus
Pupuk Urea mempunyai 2 bentuk, yaitu bentuk butiran dan bentuk tablet. Bentuk butiran
lebih dulu ada sedangkan bentuk tablet adalah bentuk baru. Diketahui bahwa hasil gabah
padi yang dipupuk dengan urea butiran rata-rata 4,0 t/ha. Seorang peneliti yakin bahwa urea
tablet lebih baik daripada urea butiran. Kemudian ia melakukan penelitian dengan ulangan
n=30 dan hasilnya adalah sebagai berikut:
Hasil gabah padi dalam t/ha
4,0
4,9
5,1

5,0
5,2
4,8

6,0
5,7
4,6

4,2
3,9
4,2

3,8
4,0
4,7

6,5
5,8
5,4

4,3
6,2
5,2

4,8
6,4
5,8

4,6
5,4
3,9

4,1
4,6
4,7

Hipotesis
H0 : = (rata-rata hasil gabah padi yang dipupuk dengan pupuk urea tablet sama dengan padi
yang dipupuk dengan urea butiran)
HA : > (rata-rata hasil gabah padi yang dipupuk dengan pupuk urea tablet lebih tinggi dari
padi yang dipupuk dengan urea butiran)

Analisis
= 4,0 t/h
= 4,9 t/h
S = 0,78 digunakan sebagai estimasi
Zhit = (yt yb)/(/n) = (4,0 4,9)/(0,78/30 = 6,4286
Ztabel = Z= Z0,05 = 1,645
Kriteria Pengambilan Kesimpulan
Jika |Zhit| < |Ztabel|, maka terima H0
Jika |Zhit| |Ztabel|, maka tolak H0 alias terima HA
Kesimpulan
Karena harga |Zhit| = 6,4286 > harga |Ztabel | = 1,645, maka tolak H0 alias terima HA
Jadi, rata-rata hasil gabah padi yang dipupuk dengan pupuk urea tablet nyata lebih tinggi dari
padi yang dipupuk dengan urea butiran

Uji t berpasangan
Uji t dikembangkan oleh William Sealy Gosset. Dalam artikel publikasinya, ia menggunakan nama
samaran Student, sehingga kemudian metode pengujiannya dikenal dengan uji t-student. William
Sealy Gosset menganggap bahwa untuk sampel kecil, nilai Z dari distribusi normal tidak begitu
cocok. Oleh karenanya, ia kemudian mengembangkan distribusi lain yang mirip dengan distribusi
normal, yang dikenal dengan distribusi t-student. Distribusi student ini berlaku baik untuk sampel
kecil maupun sampel besar. Pada n 30, distribusi t ini mendekati distribusi normal dan pada n yang
sangat besar, misalnya n=10000, nilai distribusi t sama persis dengan nilai distribusi normal (lihat
tabel t pada df 10000 dan bandingkan dengan nilai Z). Pemakaian uji t ini bervariasi. Uji ini bisa
digunakan untuk objek studi yang berpasangan dan juga bisa untuk objek studi yang tidak
berpasangan. Berikut contoh penggunaan uji t.

Contoh kasus
Kita ingin menguji metode pembelajaran baru terhadap tingkat penguasaan materi ajar pada
mahasiswa.
1. Hipotesis
Ho : 1 = 2
HA :

2. Data hasil penelitian dari penggunaan metode pembelajaran baru adalah sebagaimana tertera pada
Tabel 1.
Tabel 1. Data hasil penelitian dari penggunaan metode pembelajaran baru
Nilai Pre-test

Nilai post-test

70

75

Mahasiswa

1
60
2

65
50

70
65

80
55

60

40

60

45

70

65

70

8
60
9
10

65
70
75

11

60
65

12

50
75

13

30
65

14

45
70

15

40
70

3. Data analisis adalah sebagai berikut


Tabel 2. Tabel analisis data

Nilai Pre-test Nilai post-test

Perbedaan

Mahasiswa
y1

y2

70

75

D2

n
1

25
5
60

65

2
5
3

50

25

70
400
20

65

80

4
15
5

55

225

60
25
5

40

60

6
20
7

45

400

70
625
25

65

70

8
5
9

60

25

65
25

70
10

75

5
5

25

11

60

65
25
5

50

75

12
25
13

30

625

65
1225
35

45

70

40

70

14
25
15

625
900

30
Jumlah

5200

805

1035

53.67

69

230

Hitunglah
S2D = [D2 ((D)2/n)]/[n-1]
= [5200 ((230)2/15)]/[15-1] = (5200 1673.333)/14 = 119.5238
S = S2D/n = 119.5238/15 = 7.968254 =2.82281
thit =(

)/S = (53.67 69)/2.82281 = -15.33/2.82281= -5.43076

Setelah itu, kita lihat nilai t table, sebagai nilai pembanding. Cara melihatnya adalah sebagai berikut.
Pertama kita lihat kolom = 0.025 pada Tabel 3. Nilai ini berasal dari 0.05 dibagi 2, karena
hipotesis HA kita adalah hipotesis 2 arah (lihat hipotesis). Kemudian, kita lihat baris ke 14. Nilai 14
ini adalah nilai df, yaitu n-1. Nilai n adalah jumlah mahasiswa, yaitu 15 orang. Akhirnya, kita peroleh
nilai t table = 2.145.
t table = t /2 (df) = t0.05/2 (n-1)=t0.025(15-1) = t0.025(14) = 2.145
Tabel 3. Nilai t

df

0.05

0.025

0.01

0.005

6.314

12.706

31.821

63.657

2.920

4.303

6.965

9.925

2.353

3.182

4.541

5.841

2.132

2.776

3.747

4.604

2.015

2.571

3.365

4.032

1.943

2.447

3.143

3.707

1.895

2.365

2.998

3.499

1.860

2.306

2.896

3.355

1.833

2.262

2.821

3.250

1.812

2.228

2.764

3.169

1.796

2.201

2.718

3.106

1.782

2.179

2.681

3.055

1.771

2.160

2.650

3.012

1.761

2.145

2.624

2.977

5
6

7
8

9
10

11
12

13
14

1.753

2.131

2.602

2.947

1.746

2.120

2.583

2.921

1.740

2.110

2.567

2.898

1.734

2.101

2.552

2.878

1.729

2.093

2.539

2.861

1.725

2.086

2.528

2.845

1.721

2.080

2.518

2.831

1.717

2.074

2.508

2.819

1.714

2.069

2.500

2.807

1.711

2.064

2.492

2.797

1.708

2.060

2.485

2.787

1.706

2.056

2.479

2.779

1.703

2.052

2.473

2.771

1.701

2.048

2.467

2.763

1.699

2.045

2.462

2.756

1.697

2.042

2.457

2.750

15
16

17
18

19
20

21
22

23
24

25
26

27
28

29
30

1.684

2.021

2.423

2.704

1.676

2.009

2.403

2.678

1.660

1.984

2.364

2.626

1.645

1.960

2.327

2.576

40
50

100

10000
4. Kriteria Pengambilan Kesimpulan
Terima H0, jika thit| < t table, sebaliknya
Tolak H0, alias terima HA, jika thit| > t table
5. Kesimpulan
Karena nila |thit|= 5.431 (tanda minus diabaikan) dan nilai t table=2.145, maka kita tolak H0, alias kita
terima HA. Dengan demikian,

, yaitu nilai pre-test tidak sama dengan nilai post-test. Lebih lanjut, kita lihat bahwa rata-rata

nilai post-test lebih tinggi daripada nilai pre-test. Secara lengkap, kita dapat menyimpulkan bahwa
metode pembelajaran baru secara nyata dapat meningkatkan pemahaman mahasiswa terhadap materi
ajar yang diberikan.

Uji t Tidak Berpasangan


Uji t dikembangkan oleh William Sealy Gosset. Dalam artikel publikasinya, ia menggunakan nama
samaran Student, sehingga kemudian metode pengujiannya dikenal dengan uji t-student. William
Sealy Gosset menganggap bahwa untuk sampel kecil, nilai Z dari distribusi normal tidak begitu
cocok. Oleh karenanya, ia kemudian mengembangkan distribusi lain yang mirip dengan distribusi
normal, yang dikenal dengan distribusi t-student. Distribusi student ini berlaku baik untuk sampel
kecil maupun sampel besar. Pada n 30, distribusi t ini mendekati distribusi normal dan pada n yang
sangat besar, misalnya n=10000, nilai distribusi t sama persis dengan nilai distribusi normal (lihat
tabel t pada df 10000 dan bandingkan dengan nilai Z).
Pemakaian uji t ini bervariasi. Uji ini bisa digunakan untuk objek studi yang berpasangan dan juga
bisa untuk objek studi yang tidak berpasangan. Berikut contoh penggunaan uji t.

Uji t tidak berpasangan


Contoh kasus
Kita ingin menguji dua jenis pupuk nitrogen terhadap hasil padi
Hipotesis
Ho : 1 =

HA : 1

Hasil penelitian
Tertera pada Tabel 1.
Tabel 1. Data hasil penelitian dua jenis pupuk nitrogen terhadap hasil padi (t/h)
Pupuk A

Pupuk B

Y1

Y2

Plot

1
2

6
6
5

3
4

6
8
5

5
6

4
6
4

7
8

6
7
6

10

7
7
6

11

12

5
7

Data analisis
Hitunglah
= 5.58

S1 = 0.996
2

= 6.92

S2 = 0.793
thit =(

)/(S12/n1) +(S22/n2)

=( 5.58 6.92)/(0.9962/12)+(0.7932/12)
= -1.34/0.367522 = -3.67
Setelah itu, kita lihat nilai t table, sebagai nilai pembanding. Cara melihatnya adalah sebagai berikut.
Pertama kita lihat kolom = 0.025 pada Tabel 2. Nilai ini berasal dari 0.05 dibagi 2, karena
hipotesis HA kita adalah hipotesis 2 arah (lihat hipotesis). Kemudian, kita lihat baris ke 22. Nilai 22 ini
adalah nilai df, yaitu n1+n2-2. Nilai n adalah jumlah ulangan, yaitu masing 12 ulangan. Akhirnya, kita
peroleh nilai t table = 2.074.
t table = t /2 (df) = t0.05/2 (n1+n2-2)=t0.025(12+12-2) = t0.025(22) = 2.074
Tabel 2. Nilai t
df

0.05

0.025

0.01

0.005

6.314

12.706

31.821

63.657

2.920

4.303

6.965

9.925

2.353

3.182

4.541

5.841

2.132

2.776

3.747

4.604

2.015

2.571

3.365

4.032

1.943

2.447

3.143

3.707

1.895

2.365

2.998

3.499

1.860

2.306

2.896

3.355

1.833

2.262

2.821

3.250

1.812

2.228

2.764

3.169

1.796

2.201

2.718

3.106

1.782

2.179

2.681

3.055

1.771

2.160

2.650

3.012

1.761

2.145

2.624

2.977

1.753

2.131

2.602

2.947

2
3

7
8

9
10

11
12

13
14

15

16

1.746

2.120

2.583

2.921

1.740

2.110

2.567

2.898

1.734

2.101

2.552

2.878

1.729

2.093

2.539

2.861

1.725

2.086

2.528

2.845

1.721

2.080

2.518

2.831

1.717

2.074

2.508

2.819

1.714

2.069

2.500

2.807

1.711

2.064

2.492

2.797

1.708

2.060

2.485

2.787

1.706

2.056

2.479

2.779

1.703

2.052

2.473

2.771

1.701

2.048

2.467

2.763

1.699

2.045

2.462

2.756

30

1.697

2.042

2.457

2.750

40

1.684

2.021

2.423

17
18

19
20

21
22

23
24

25
26

27
28

29

2.704

50

1.676

2.009

2.403

2.678

1.660

1.984

2.364

2.626

1.645

1.960

2.327

2.576

100
10000

Kriteria Pengambilan Kesimpulan


Terima H0, jika thit| < t table, sebaliknya
Tolak H0, alias terima HA, jika thit| > t table
Kesimpulan
Karena nila thit|= 3.67 (tanda minus diabaikan) dan nilai t table=2.074, maka kita tolak H0, alias kita
terima HA. Dengan demikian, 1 2, yaitu hasil padi yang dipupuk dengan pupuk A tidak sama
dengan hasil padi yang dipupuk dengan pupuk B. Lebih lanjut, kita lihat bahwa rata-rata hasil padi
yang dipupuk dengan pupuk B lebih tinggi daripada yang dipupuk dengan pupuk A. Dengan
demikian, kita dapat menyimpulkan bahwa pupuk B nyata lebih baik daripada pupuk A untuk
meningkatkan hasil padi.

Korelasi Pearson
Pengertian
Korelasi adalah istilah statistik yang menyatakan derajat hubungan linier (searah bukan
timbal balik) antara dua variabel atau lebih.
Macam-macam Teknik Korelasi
Product Moment Pearson : Kedua variabelnya berskala interval
Rank Spearman : Kedua variabelnya berskala ordinal
Point Serial : Satu berskala nominal sebenarnya dan satu berskala interval
Biserial : Satu berskala nominal buatan dan satu berskala interval
Koefisien kontingensi : Kedua varibelnya berskala nominal
Kegunaan Korelasi Product Moment Pearson
Untuk menyatakan ada atau tidaknya hubungan antara variabel X dengan variabel Y.
Untuk menyatakan besarnya sumbangan variabel satu terhadap yang lainnya yang

dinyatakan dalam persen.


Asumsi
Data berdistribusi Normal
Variabel yang dihubungkan mempunyai data linear.
Variabel yang dihubungkan mempunyai data yang dipilih secara acak.
Variabel yang dihubungkan mempunyai pasangan yang sama dari subyek yang sama pula
(variasi skor variabel yang dihubungkan harus sama).
Variabel yang dihubungkan mempunyai data interval atau rasio.
Nilai r
Nilai r terbesar adalah +1 dan r terkecil adalah 1. r = +1 menunjukkan hubungan positip
sempurna, sedangkan r = -1 menunjukkan hubungan negatip sempurna.
r tidak mempunyai satuan atau dimensi. Tanda + atau - hanya menunjukkan arah
hubungan. Intrepretasi nilai r adalah sebagai berikut:
r
0

interpretasi
Tidak berkorelasi

0,01-0,20

Korelasi Sangat rendah

0,21-0,40

Rendah

0,41-0,60

Agak rendah

0,61-0,80

Cukup

0,81-0,99

Tinggi

Sangat tinggi

Langkah-langkah Menghitung Koefisien Korelasi Parsial


1. Tulis Ho dan Ha dalam bentuk kalimat.
2. Tulis Ho dan Ha dalam bentuk statistik.
3. Buat tabel penolong sebagai berikut:
No. resp.

XY

4. Cari r hitung.

r XY=

n XY X Y

n X ( X )
2

n Y ( Y )

5. Tentukan taraf signifikansinya ()


6. Cari r tabel dengan dk = n-2

X2

Y2

7. Tentukan kriteria pengujian


Jika -rtabelrhitung+rtabel, maka Ho diterima
8. Bandingkan thitung dengan ttabel
9. Buatlah kesimpulan.
Contoh:
1. Tulis Ho dan Ha dalam bentuk kalimat.
Ho : Tidak terdapat hubungan yang positip dan signifikan antara variabel Biaya Promosi
dengan Nilai Penjualan.
Ha : Terdapat hubungan yang positip dan signifikan antara variabel Biaya Promosi
dengan Nilai Penjualan.
2. Tulis Ho dan Ha dalam bentuk statistik.
Ho : r = 0.
Ha : r 0.
3. Buat tabel penolong sebagai berikut:
Biaya Promosi

XY

X2

Y2

Y
64

X
20

1280

400

4096

61

16

976

256

3721

84

34

2856

1156

7056

70

23

1610

529

4900

88

27

2376

729

7744

92

32

2944

1024

8464

72

18

1296

324

5184

Nilai Penjualan

77
Y = 608

22
X = 192

1694
XY = 15032

4. Cari r hitung.

r XY=

n XY X Y

n X ( X )
2

n Y ( Y )
2

8 ( 15.032 ) (192 ) ( 608 )

8 ( 4.902 ) ( 192 ) 8 ( 47.094 )( 608 )


2

= 0,86
5. Taraf signifikansi () = 0,05.
6. r tabel dengan dk = 8-2=6 adalah 0,707
7. Tentukan kriteria pengujian

484
X2 = 4902

5929
Y2 = 47094

Jika -rtabelrhitung+rtabel, maka Ho diterima


8. Bandingkan rhitung dengan rtabel
r hitung (0,86) > r tabel (0,707), jadi Ho ditolak.
9. Kesimpulan.
Terdapat hubungan yang positip dan signifikan antara variabel Biaya Promosi dengan Nilai Penjualan

Uji ANOVA
Anova (analysis of varian) digunakan untuk menguji perbedaan mean (rata-rata) data lebih dari dua
kelompok. Misalnya kita ingin mengetahui apakah ada perbedaan rata-rata lama hari dirawat antara
pasien kelas VIP, I, II, dan kelas III. Anova mempunyai dua jenis yaitu analisis varian satu faktor (one
way anova) dan analsis varian dua faktor (two ways anova). Pada kesempatan ini hanya akan dibahas
analisis varian satu faktor.
Beberapa asumsi yang harus dipenuhi pada uji Anova adalah:
1. Sampel berasal dari kelompok yang independen
2. Varian antar kelompok harus homogen
3. Data masing-masing kelompok berdistribusi normal
Asumsi pertama harus dipenuhi pada saat pengambilan sampel yang dilakukan secara random
terhadap beberapa (> 2) kelompok yang independen, yang mana nilai pada satu kelompok tidak
tergantung pada nilai di kelompok lain. Sedangkan pemenuhan terhadap asumsi kedua dan ketiga
dapat dicek jika data telah dimasukkan ke komputer, jika asumsi ini tidak terpenuhi dapat dilakukan
transformasi terhadap data. Apabila proses transformasi tidak juga dapat memenuhi asumsi ini maka
uji Anova tidak valid untuk dilakukan, sehingga harus menggunakan uji non-parametrik misalnya
Kruskal Wallis.
Uji Anova pada prinsipnya adalah melakukan analisis variabilitas data menjadi dua sumber variasi
yaitu variasi didalam kelompok (within) dan variasi antar kelompok (between). Bila variasi within
dan between sama (nilai perbandingan kedua varian mendekati angka satu), maka berarti tidak ada
perbedaan efek dari intervensi yang dilakukan, dengan kata lain nilai mean yang dibandingkan tidak
ada perbedaan. Sebaliknya bila variasi antar kelompok lebih besar dari variasi didalam kelompok,
artinya intervensi tersebut memberikan efek yang berbeda, dengan kata lain nilai mean yang
dibandingkan menunjukkan adanya perbedaan.
Rumus uji Anova adalah sebagai berikut :

DF = Numerator (pembilang) = k-1, Denomirator (penyebut) = n-k

Dimana varian between :

Dimana rata-rata gabungannya :

Sementara varian within :

KETERANGAN :
Sb = varian between
Sw = varian within
Sn2 = varian kelompok
X = rata-rata gabungan
Xn = rata-rata kelompok

Nn = banyaknya sampel pada kelompok


k = banyaknya kelompok

NON-PARAMETRIK
Uji Chi Square
Uji Chi-square memiliki banyak kegunaan dalam pengujian. Setidaknya, uji ini dapat
digunakan untuk lima keperluan pengujian. Uji ini banyak digunakan baik dalam bidang
eksakta maupun dalam bidang sosial ekonomi. Berikut ini adalah beberapa penggunaan uji
chi-square.
1. Menguji varians untuk data berdistribusi normal
2. Menguji proporsi untuk data multinomial dan binomial
3. Menguji independensi antara 2 faktor
4. Menguji heterogenitas
5. Menguji kesesuaian antara data dengan suatu model distribusi

Dari lima kegunaan di atas, tiga di antaranya sangat populer di kalangan para peneliti, yaitu
menguji proporsi, menguji independensi, dan menguji heterogenitas. Oleh karena itu, di sini
akan diberikan contoh penggunaan tiga jenis uji yang populer tersebut saja.

1. Menguji proporsi
Contoh: Menurut teori genetika (Hukum Mendel I) persilangan antara kacang kapri
berbunga merah dengan yang berbunga putih akan menghasilkan tanaman dengan proporsi
sebagai berikut: 25% berbunga merah, 50% berbunga merah jambu, dan 25% berbunga
putih. Kemudian, dari suatu penelitian dengan kondisi yang sama, seorang peneliti
memperoleh hasil sebagai berikut, 30 batang berbunga merah, 78 batang berbunga merah
jambu, dan 40 batang berbunga putih. Pertanyaannya adalah apakah hasil penelitian si
peneliti tersebut sesuai dengan Hukum Mendel atau tidak?
Untuk menjawab pertanyaan tersebut, kita bisa menggunakan uji chi-square, sebagai berikut:
1. Buatlah hipotesis
H0: rasio penelitian adalah 1:2:1 atau 25%:50%:25%
HA: rasio penelitian adalah rasio lainnya

2. Lakukan analisis

Kategori

Merah

Merah Jambu

Putih

Jumlah

Pengamatan (O)

30

78

40

148

Diharapkan (E)

37

74

37

148

Proporsi diharapkan (E) dicari berdasarkan rasio 1:2:1, sebagai berikut:


Merah

= 1/4 x 148 = 37

Merah Jambu = 2/4 x 148 = 74


Putih

= 1/4 x 148 = 37

=
=

= 1,32 + 0,22 + 0,24 =1,78

= 5,99

Db = (kolom -1)(baris -1) = (3-1)(2-1) = 2

Kriteria Pengambilan Kesimpulan


Terima H0 jika
Tolak H0 jik

<

Kesimpulan
Dari hasil analisis data, diperoleh

<

, maka kita terima H0.

Artinya, rasio hasil penelitian si peneliti tersebut sesuai dengan rasio menurut Hukum Mendel
(lihat bunyi hipotesis pada H0).

Uji Kesesuaian Kolmogorov-Smirnov


Uji 1 sampel kolmogorov-Smirnov digunakan untuk menetahui apakah distribusi nilai-nilai sampel
yang teramati sesuai dengan distribusi teoritis tertentu (normal, uniform, poisson, eksponensial). Uji
Kolmogorov-Smirnov beranggapan bahwa distribusi variabel yang sedang diuji bersifat kontinu dan
pengambilan sampel secara acak sederhana. Dengan demikian uji ini hanya dapat digunakan, bila
variabel diukur paling sedikit dalam skala ordinal.
Uji keselarasan KolmogorovSmirnov dapat diterapkan pada dua keadaan:
1.

Menguji apakah suatu sampel mengikuti suatu bentuk distribusi populasi teoritis

2. Menguji apakah dua buah sampel berasal dari dua populasi yang identik.

Prinsip dari uji KolmogorovSmirnov adalah menghitung selisih absolut antara fungsi distribusi
frekuensi kumulatif sampel [S(x)] dan fungsi distribusi frekuensi kumulatif teoritis [Fo(x)] pada
masing-masing interval kelas.
Hipotesis yang diuji dinyatakan sebagai berikut (dua sisi):
Ho : F(x) = Fo(x) untuk semua x dari - ~ sampai + ~
Ha : F(x) Fo(x) untuk paling sedikit sebuah x
Dengan F(x) ialah fungsi distribusi frekuensi kumulatif populasi pengamatan
Statistik uji Kolmogorov-Smirnov merupakan selisih absolut terbesar antara S(x) dan Fo(x), yang
disebut deviasi maksimum D.
D = |S(x) Fo(x)| maks i = 1,2,,n
Nilai D kemudian dibandingkan dengan nilai kritis pada tabel distribusi pencuplikan (tabel D), pada
ukuran sampel n dan a. Ho ditolak bila nilai teramati maksimum D lebih besar atau sama dengan nilai
kritis D maksimum. Dengan penolakan Ho berarti distribusi teramati dan distribusi teoritis berbeda
secara bermakna. Sebaliknya dengan tidak menolak Ho berarti tidak terdapat perbedaan bermakna
antara distribusi teramati dan distribusi teoritis. Perbedaan-perbedaan yang tampek hanya disebabkan
variasi pencuplikan (sampling variation).
Langkah-langkah prinsip uji Kolmogorov-Smirnov ialah sebagai berikut:
1. Susun frekuensi-frekuensi dari tiap nilai teramati, berurutan dari nilai terkecil sampai nilai
terbesar. Kemudian susun frekuensi kumulatif dari nilai-nilai teramati itu.
2. Konversikan frekuensi kumulatif itu ke dalam probabilitas, yaitu ke dalam fungsi distribusi
frekuensi kumulatif [S(x)]. Sekali lagi ingat bahwa, distribusi frekuensi teramati harus

merupakan hasil pengukuran variabel paling sedikit dalam skala ordinal (tidak isa dalam skala
nominal).
3. Hitung nilai z untuk masing-masing nilai teramati di atas dengan rumus z=(xix) /s. dengan
mengacu kepada tabel distribusi normal baku (tabel B), carilah probabilitas (luas area)
kumulatif untuk setiap nilai teramati. Hasilnya ialah sebagai Fo(xi).
4. Susun Fs(x) berdampingan dengan Fo(x). hitung selisih absolut antara S(x) dan Fo(x) pada
masing-masing nilai teramati.
5. Statistik uji Kolmogorov-Smirnov ialah selisih absolut terbesar Fs(xi) dan Ft(xi) yang juga
disebut deviasi maksimum D
6. Dengan mengacu pada distribusi pencuplikan kita bisa mengetahui apakah perbedaan sebesar
itu (yaitu nilai D maksimum teramati) terjadi hanya karena kebetulan. Dengan mengacu pada
tabel D, kita lihat berapa probabilitas (dua sisi) kejadian untuk menemukan nilai-nilai teramati
sebesar D, bila Ho benar. Jika probabilitas itu sama atau lebih kecil dari a, maka Ho ditolak

Terdapat beberapa keuntungan dan kerugian relatif uji kesesuaian Kolmogorov-Smirnov


dibandingkan dengan uji kesesuaian Kai Kuadrat, yaitu:
1. Data dalam Uji Kolmogorov-Smirnov tidak perlu dilakukan kategorisasi. Dengan demikian
semua informasi hasil pengamatan terpakai.
2. Uji Kolmogorov-Smirnov bisa dipakai untuk semua ukuran sampel, sedang uji Kai Kuadrat
membutuhkan ukuran sampel minimum tertentu.
3. Uji Kolmogorov-Smirnov tidak bisa dipakai untuk memperkirakan parameter populasi.
Sebaliknya uji Kai Kuadrat bisa digunakan untuk memperkirakan parameterpopulasi,dengan
cara mengurangi derajat bebas sebanyak parameter yang diperkirakan.
4. Uji Kolmogorov-Smirnov memakai asumsi bahwa distribusi populasi teoritis bersifat kontinu.

CONTOH ANALISA SECARA MANUAL:


Berikut ini usia mulai haid pada sejumlah wanita diambil sampel sebanyak 18 orang dengan distribusi
sebagaimana tersaji pada tabel berikut :

Ujilah hipotesis nol yang menyatakan bahwa data ini berasal dari suatu populasi berdistribusi normal;
diketahui bahwa pada populasi, rata-rata usia mulai haid =12; dengan SD=50.

HIPOTESIS
Hipotesis yang diuji dinyatakan sebagai berikut (dua sisi):
Ho : Kedua sampel berasal dari populasi dengan distribusi yang sama
Ha : kedua sampel bukan berasal dari populasi dengan distribusi yang sama
PERHITUNGAN
Langkah-langkah menghitung nilai-nilai S(xi) dan Fo(xi) :

Untuk memeperoleh nilai-nilai Fo(x), pertama-tama yang dilakukan adalah mengkonversikan setiap
nilai x teramati menjadi nilai unit variabel normal yang disebut z. Sedang z=(xix) /s. dari tabel
distribusi kumulatif normal baku (Tabel B), kita temukan luas area dari minus tak terhingga sampai z.
luas area tersebut memuat nilai-nilai Fo(x). Selanjutnya kita hitung statistik uji D, dari sekian banyak

nilai D ternyata statistik uji D maksimum adalah = 0,7222. Selanjutnya nilai tersebut dibandingkan
dengan nilai D tabel (Tabel Kolmogorv-Smirnov).

KEPUTUSAN
Dari tabel D diatas, dengan n=18 dan (dua sisi) = 0,05 kita dapatkan nilai tabel 0,309. Karena 0,722
> 0,309, maka Ho ditolak, maka kita simpulkan bahwa sampel yang berasal dari populasi tidak
dengan distribusi normal.

Uji Fisher Exact


Seperti diketahui bahwa uji Fisher Exact digunakan sebagai uji alternatif Kai Kuadrat untuk tabel
silang (kontingensi) 2 x 2 dengan ketentuan, sampel kurang atau sama dengan 40 dan terdapat sel
yang nilai harapan (E) kurang dari 5. Uji Fisher Exact juga dapat digunakan untuk sampel kurang dari
20 dalam kondisi apapun (baik terdapat sel yang nilai E-nya kurang dari 5 ataupun tidak). Asumsi dari
uji ini adalah data yang akan diuji mempunyai skala pengukuran nominal
Syarat uji Fisher:

Hanya untuk tabel 2X2


E<5
Ho
Batas penolakan (a)
p =[(a+b)!(c+d)!(b+d)!(a+c)!] / (a!b!c!d!N!)

CONTOH KASUS 1 :
Sebuah studi kasus kontrol ingin melihat pengaruh merokok malam dengan kejadian
kanker paru, hasil yang diperoleh tersaji pada tabel silang berikut :

Dalam menghitung probailitas Fisher seperti tabel di atas akan mudah dilakukan, dikarenakan salah
satu sel-nya ada yang bernilai "0 (nol)". Sehingga kita tdk perlu lagi menghitung nilai deviasi ekstrimnya.
Penyelesaian tabel di atas, sebagai berikut :

Perlu diingat bahwa nilai Probabilitas yang diperoleh dari perhitungan di atas merupakan perhitungan
Uji Satu Sisi dan untuk melakukan Uji 2 sisi, tinggal mengalikan nilai di atas dengan 2.
Kesimpulan :
Karena nilai P = 0,114 lebih besar dari nilai alfa =0,05, maka kita menerima Ho pada Uji Satu sisi.
Sedangkan Pada Uji 2 sisi di peroleh nilai P = 0,114*2 = 0,228, sehingga kita menerima Ho. Jadi,
baik pada Uji satu sisi maupun dua sisi, kita menyimpulkan tidak ada perbedaan yang bermakna
antara mereka yang merokok maupun tidak merokok pada malam hari terhadap kanker paru.
KASUS 2
Masih kasus yang sama, cuma nilai sel-nya tidak ada yang bernilai "0 (nol)". :

Karena tidak ada sel yang nilainya "0", maka kita perlu membuat kemungkinan deviasi nilai
ekstrimnya :

Dengan menggunakan rumus yang sama, kita cari probabilitas dari masing-masing kemungkinan
tersebut. Hasil perhitungan sebagai berikut :
P (1) = 0,0048
P (2) = 0,0571
P (3) = 0,1714
P (4) = 0,1143
Untuk mengetahui nilai probabilitas Fisher Eexact kita akan menjumlahkan probabilitas soal (kasus)
dengan nilai probabilitas terkecilnya dari probabilitas yang diperoleh dari nilai deviasi ekstrim.
Dari hitungan di atas, diketahui bahwa nilai probabilitas soal (P2) = 0,0571, sementara nilai
probabilitas terkecil dari probabilitas soal hanya P1.
Sehingga :
P = P(2) + P(1) = 0.0571 + 0,0048 = 0,0619 (Sekali lagi perhitungan ini adalah untuk uji satu sisi).

UJI MC NEMAR
PENGANTAR
Uji MC nemar test biasa digunakan pada penelitian yang skala datanya berbentuk
nominal/ diskrit. Pengujian dengan mengunakan uji MC nemar menekankan tipe
sample yang dependent. Sample yang dependent dimaksudkan tipe sample yang
dalam pengukuran satu variable terkait dengan pengukuran variable lainnya.
Pengunaan uji MC nemar test menekankan pada aspek pengujian sebelum dan

sesudah perlakuan. Keadaan ini yang lebih memunkinkan desain eksperimen untuk
digunakan dalam uji MC nemar test.
RUMUS
2

X=

(| AD|1 )

A +D

Keterangan
Kelompok A merupakan kelompok perubahan (missal dari tidak sakit menjadi sakit:
dari tidak terpapar menjadi terpapar) sebelum perlakukan dan setelah perlakuan.
Kelompok D merupakan kelompok perubahan (misalnya dari sakit menjadi tidak
sakit: dari terpapar menjadi tidak terpapar) sebelum perlakuan dan setelah perlakuan.
Untuk mengunakan uji MC nemar test kita memerlukan table Bantu sebagai berikut:
Sebelum perlakuan dan setelah perlakuan
SEBELUM
PERLAKUAN
+(Sakit)
-(Tidak Sakit)

SETELAH PERLAKUAN
+(Sakit)
-(Tidak Sakit)
A
B
C
D

STUDI KASUS
Suatu penelitian dilakukan untuk mengetahui efektifitas program imunisasi di
Kabupaten B. Berdasarkan hasil penelitian diperoleh data sebagai berikut:
Berdasarkan hasil penelitian yang dilakukan terhadap 200 subjek penelitian diperoleh
hasil bahwa Sebelum dilakukan program imunisasi didapatkan 150 balita terserang
Campak sedangkan 50 balita tidak terserang campak kemudian setelah dilakukan
program imunisasi didapatkan 75 balita terserang campak dan 125 balita tidak
terserang campak. Dari 150 balita yang terserang campak didapatkan 65 tetap
terserang campak dan dari 50 balita yang tidak terserang campak sebelumnya
didapatkan 40 balita tetap tidak terserang campak setelah ada program imunisasi.
Berdasarkan data hasil penelitian apakah program imunisasi signifikan berdampak
pada penurunan angka kejadian campak pada balita?
Langkah penyelesaian:
1. Menentukan hipotesis penelitian
Ho = program imunisasi tidak menurunkan kejadian penyakit campak
Ha = program imunisasi menurunkan angka kejadian penyakit campak
2. Menentukan standar penerimaan hipotesis
Ho diterima jika nilai Mc Nemar test hitung < nilai Mc nemar test table.
3. Perhitungan
Diketahui
SEBELUM PERLAKUAN
-(Tidak Sakit)
50
Setelah Perlakuan
SETELAH PERLAKUAN

+(Sakit)
150

-(Tidak Sakit)
125

+(Sakit)
75

Perubahan Sebelum dan Sesudah


SEBELUM PERLAKUAN
+(Sakit)
-(Tidak Sakit)
Total

SETELAH PERLAKUAN
-(Tidak Sakit)
85
40
125

Rumus
2

x=

(|AD|1 )
A+ D

x=

(|8510|1 )
85+10

x 2=57,642
4. Kesimpulan
Ho ditolak
5. Arti
program imunisasi menurunkan angka kejadian penyakit campak

+(Sakit)
65
10
75