Nonparametrik Statistik

by Wawan Hermawan, SE., MT.
1 15 Desember 2004
STATISTIKA
NONPARAMETRIK
BUKU:
1. SIDNEY SIEGEL & JOHN CASTELLAN, JR.
NONPARAMETRIC STATISTICS FOR THE BEHAVIORAL
SCIENCES, SECOND EDITION, MCGRAW-HILL
INTERNATIONAL EDITIONS 1988.
2. RONALD M. WEIERS, INTRODUCTION TO BUSINESS
STATISTICS, THIRD EDITION, INTERNATIONAL
THOMPSON PUBLISHING, 1998.
3. W.J. CONOVER, PRACTICAL NONPARAMETRIC
STATISTICS, THIRD EDITION, JOHN WILEY & SONS, INC.
1999.
15 Desember 2004 by Wawan Hermawan, SE., MT. 2
STATISTIKA DESKRIPTIF
Menjelaskan atau menggambarkan berbagai
karakteristik data.
Seperti bagaimana rata-rata, dispersi, nilai max, nilai
min dsb.
STATISTIK INFERENS
Membuat berbagai inferensi terhadap sekumpulan
data yang berasal dari suatu sampel. Tindakan
inferensi tersebut seperti melakukan perkiraan,
peramalan, pengambilan keputusan dsb.
Atau,
Perkiraan atau generalisasi tentang suatu populasi
berdasarkan informasi yang terkandung dari suatu
sampel
KONSEP DASAR
POPULASI:
Keseluruhan objek penelitian yang dibatasi oleh kriteria
tertentu. Misal, rata-rata IPK mahasiswa unpar.
SAMPLING:
Proses pengambilan sebagian anggota populasi
SAMPEL:
Hasil pengambilan sampling
KONSEP DASAR
PARAMETER:
Konstanta yang dihitung dengan rumus tertentu dari
populasi.
PENGUKURAN:
Proses kuantifikasi terhadap karakteristik yang diamati
berdasarkan aturan tertentu. Contoh: menentukan
upah A, B, C dinyatakan dengan angka (Rp).
Kegunaan Tes Statistik dalam
Penelitian
HIPOTESIS PENELITIAN
DATA
DITERIMA
DITOLAK
PROSEDUR STATISTIK
LANGKAH-LANGKAH
PENGUJIAN HIPOTESIS
1. Nyatakan Hipotesis Nol (H
0
)
Pada umumnya adalah suatu hipotesis tentang tidak
adanya perbedaan.
Diformulasikan untuk ditolak.
=, >, s
LANGKAH-LANGKAH
PENGUJIAN HIPOTESIS
Hipotesis Alternatif (H1)
Merupakan hipotesis penelitian dari si pembuat
eksperimen. =, <, >
Contoh
Berdasarkan suatu teori sosial tertentu, kita membuat
prediksi bahwa jumlah waktu untuk membaca surat
kabar dari kelompok A berbeda dengan kelompok B.
Pernyataan tersebut merupakan hipotesis penelitian.
Ho :
A
=
B

H1 :
A
=
B
LANGKAH-LANGKAH
PENGUJIAN HIPOTESIS
2. Tingkat Signifikansi (Level of Significance)
Berkenaan dengan tingkat kesalahan dalam pengujian
hipotesis (o)
Dua kekeliruan
1. Tipe I : menolak hipotesis yang seharusnya diterima
(o)
2. Tipe II: menerima hipotesis yang seharusnya
ditolak (|)
P(kesalahan tipe I) = o
P(kesalahan tipe II) = |
LANGKAH-LANGKAH
PENGUJIAN HIPOTESIS
3. Pemilihan Tes Statistik
Dilakukan untuk menguji hipotesis
Yang harus diperhatikan:
- Model penelitian
- Asumsi-asumsi dasar
- Skala pengukuran data
LANGKAH-LANGKAH
PENGUJIAN HIPOTESIS
4. Tentukan daerah penolakan (daerah kritis)
Daerah untuk menolak Ho pada tingkat o tertentu
5. Kesimpulan
Jika hasil tes menunjukkan pada daerah penolakan,
maka tolak Ho.
Skala pengukuran data
Merupakan indikator yang penting dalam menentukan
metode statistik yang digunakan.
Parametrik Statistik (minimal Interval)
Nonparametrik Statistik (Nominal, Ordinal, Interval)
Skala Nominal atau Skala
Klasifikasi
Pengukuran pada tingkatan paling rendah
Digunakan untuk mengklasifikasi suatu objek, orang,
sifat.
Tes paling cocok adalah Nonparametrik, seperti Chi
Square, Binomial (memusatkan pada frekuensi dalam
kategori)
Contoh: laki-laki, perempuan / merk mobil / nama
propinsi
Skala Ordinal atau Skala
Urutan
Merupakan pengukuran data yang mengandung
pengertian urutan/ranking.
Statistik yang cocok adalah yang melukiskan harga
tengah, seperti median, spearman, Kendal
Contoh: SS-S-R-TS-STS SD-SLTP-SMU-S1-S2-S3
SKALA INTERVAL
Mempunyai sifat nominal dan ordinal
Jarak antara dua angka diketahui ukurannya
Mempunyai nol yang tidak mutlak
Uji statistik yang cocok adalah Parametrik, seperti uji
t dan uji F
Contoh: suhu dimana 0 derajat masih ada suhunya.
Skala Rasio
Mempunyai semua ciri Interval
Mempunyai nol yang mutlak
Contoh: Berat Badan mahasiswa (0 Kg berarti tidak
ada mahasiswa)
Statistik Parametrik
Adanya syarat tertentu tentang parameter populasi
dan distribusi populasi
Skala pengukuran minimal interval
Statistik Nonparametrik
Tidak menetapkan syarat tentang parameter
populasi
Distribusi data bisa diabaikan
Skala pengukuran mulai dari Nominal
Bisa digunakan untuk sampel kecil (n = 6)
UJI NORMALITAS
Melakukan pengujian apakah data berdistribusi normal
atau tidak.
H
0
: Sampel berasal dari populasi yang berdistribusi
normal
H
1
: Sampel tidak berasal dari populasi yang
berdistribusi normal
UJI NORMALITAS
Statistik Uji:
1. Jika n s 30 maka digunakan Uji Liliefors
2. Jika n > 30 maka digunakan uji Chi Square
Uji Lilliefors
Misalkan sampel dengan data:
23 27 33 40 48 48 57 59 62 68 69 70
telah diambil dari suatu populasi
Akan diuji apakah sampel ini berasal dari distribusi
normal atau bukan.
Uji Lilliefors
1. Tentukan H
0
:
H
0
normal
H
1
2. Tentukan o = 5%
Uji Lilliefors
3. Hitung Rata-rata dan simpangan baku sampel
( )
55 . 16
11
67 . 3012
1
33 . 50
12
604
2
= =
=
= = =
n
X X
s
n
X
X
i
i
Uji Lilliefors
4. Hitung angka baku Z
65 . 1
55 . 16
33 . 50 23
1
=
=
Z
contoh
s
X X
Z
i
i
Uji Lilliefors
5. Hitung F(Z
i
) = P(Z s Z
i
)
0.5 - Z
tabel
0.5 + Z
tabel
Uji Lilliefors
6. Hitung S(Z
i
)
Uji Lilliefors
7. Hitung |F(Z
i
) S(Z
i
)|
Uji Lilliefors
8. Ambil harga terbesar dari |F(Z
i
) S(Z
i
)| atau disebut Lo
9. Kriteria Uji : Ho ditolak jika Lo > L tabel
Lo = 0.12
Dengan o=5% maka Ltabel = 0.242
Sehingga Ho tidak ditolak (Lo < Ltabel)
Kesimpulan : Populasi berdistribusi normal
Uji Chi Square
Untuk uji normalitas jika n > 30 digunakan Chi Square
Dengan rumus:
( )
=
k
i
i
i i
fe
fe fo
1
2
2
_
Fo = Nilai observasi
Fe = nilai harapan
i = jumlah kriteria
Chi Square
Contoh:
Upah yang diterima oleh 300 pekerja (US$) yang dipilih secara acak
dari pekerja yang tinggal di suatu daerah industri disajikan dalam
tabel berikut apakah berdistribusi normal atau tidak?
Upah Jumlah pekerja
550 - <650 20
650 - <750 54
750 - <850 130
850 - <950 68
950 - <1050 28
Jumlah 300
Chi Square
1. Tentukan H
0
:
H
0
normal
H
1
2. Tentukan o = 5%
Chi Square
3. Hitung Rata-rata dan simpangan baku sampel
( )
1
2

=
=
n
X X F
s
F
X F
X
i i
i
i i
Chi Square
Upah F
i
X
i
F
i
X
i
550 - <650 20 600 12000
650 - <750 54 700 37800
750 - <850 130 800 104000
850 - <950 68 900 61200
950 - <1050 28 1000 28000
Jumlah 300 243000
810
300
243000
=
=
=
i
i i
F
X F
X
Chi Square
Upah F
i
X
i
F
i
(X
i
-x)
2
550 - <650 20 600 882000
650 - <750 54 700 653400
750 - <850 130 800 13000
850 - <950 68 900 550800
950 - <1050 28 1000 1010800
Jumlah 300 3110000
( )
99 . 101
299
3110000
1
2
=
=

=

n
X X F
s
i i
Chi Square
4. Hitung angka baku Z
55 . 2
99 . 101
810 550
1
=
=
Z
contoh
X
Z
i
i
o

Upah z
i
550 - <650 -2.55
650 - <750 -1.57
750 - <850 -0.59
850 - <950 0.39
950 - <1050 1.37
> 1050 2.35
Chi Square
Upah Z Ztabel Luas Luas* Fe (NxLuas)
550 - <650 -2.55 .4946 .0054 .0528 15.84
650 - <750 -1.57 .4418 .0582 .2194 65.82
750 - <850 -0.59 .2224 .2776 .3741 112.23
850 - <950 0.39 .1517 .6517 .2630 78.90
950 - <1050 1.37 .4147 .9147 .0759 22.77
<1050 2.35 .4906 .9906
Luas* : 0.0582-0.0054=0.0528
Chi Square
( )
74 . 8
1
2
2
=
=
k
i
i
i i
fe
fe fo
_
Chi Square
Kriteria Uji : Ho ditolak jika Nilai Hitung > Nilai tabel
d.f = k- 1 jika menggunakan dan o
d.f. = k 1 1 1 jika menggunakan x dan s
K = banyaknya kelas interval
d.f = 5 3 = 2 maka chi kuadrat tabel = 5.99
Atau 8.74 > 5.99 maka Ho ditolak
Kesimpulan: Upah pegawai tersebut tidak berdistribusi
normal
CHAPTER 4
THE SINGLE-SAMPLE CASE
Uji Nonparametrik untuk
Kasus Satu Sampel
Menggunakan satu sampel
Biasanya bertipe Goodness of Fit
Menguji perbedaan-perbedaan
Skala data nominal atau ordinal
Kasus Satu Sampel
Uji satu sampel dapat menjawab beberapa
pertanyaan berikut:
Apakah ada perbedaan gejala pusat antara
sampel dan populasi?
Apakah ada perbedaan yang signifikan antara
frekuensi observasi dengan frekuensi yang
diharapkan berdasarkan teori tertentu?
Apakah ada perbedaan yang signifikan antara
proporsi yang diamati dengan proporsi yang
diharapkan?
Kasus Satu Sampel
4. Adakah alasan untuk percaya bahwa sampel ini
ditarik dari suatu populasi tertentu bentuknya
atau bangunnya?
5. Apakah ada alasan untuk percaya bahwa sampel
tersebut sampel random dari populasi yang
diketahui?
Kasus Satu Sampel
1. Tes Binomial
2. Tes Satu Sampel Chi-Kuadrat
3. Tes Satu Sampel Kolmogorov-Smirnov
4. Tes Run Satu Sampel
Tes Binomial
Terbagi ke dalam dua kelompok (bagian) (laki-
laki & perempuan ; ya & tidak ; baik & rusak)
Data Diskrit
Tesnya bertipe Goodness of Fit
Peluang kejadian sukses Populasi = P
Peluang kejadian gagal Populasi = Q = 1 P
Ho = hipotesis nilai populasinya adalah P
Tes Binomial
( )
k n k
Q P
k
n
k Y p

|
|
.
|
\
|
= =
( )! !
!
k n k
n
k
n
=
|
|
.
|
\
|
| | | | k N Y P k Y p s = >
Jika P = 1/2
Tes Binomial sampel kecil
Jika n s 35 Gunakan tabel D
k adalah frekuensi terkecil
Untuk uji satu sisi gunakan langsung dari tabel
Untuk uji dua sisi hasil tabel dikalikan dua
Contoh:
Dalam suatu studi mengenai akibat stress, seorang
pembuat eksperimen mengajarkan kepada 18
mahasiswa dua metode yang berbeda untuk membuat
simpul dengan tali yang sama. Separuhnya disuruh
mempelajari metode A terlebih dahulu, separuhnya
metode B terlebih dahulu. Pada malam hari (keadaan
stress) mereka diminta untuk membuat simpul, dan
diperkirakan akan menggunakan metode pertama yang
diajarkan. Ujilah perkiraan tersebut.
Ho : (P<=q) p = q = 0.5 (tidak ada perbedaan
kemungkinan menggunakan metode yang dipelajari
di bawah stress)
H1 : p > q (peluang menggunakan metode pertama
lebih besar daripada menggunakan metode kedua)
o Ditetapkan sebesar 1%
Daerah penolakan terdiri dari semua harga x (x=banyak
subjek yang menggunakan metode yang diajarkan,
kedua dalam keadaan stress)
Metode yang dipilih
Jumlah
Yang
Dipelajari
Pertama
Yang
Dipelajari
Kedua
Frekuensi 16 2 18
N = 18
X Frekuensi yang lebih kecil =2 (cara kedua)
Kemungkinan berkaitan dengan x s 2 adalah p = 0.001
P dilihat dari Tabel D
Karena P < o, maka H
0
ditolak.
Kesimpulan p
1
> p
2
atau orang-orang yang berada di
bawah stress kembali ke metode yang dipelajari
pertama diantara dua metode yang ada.
Menurut bagian pemasaran sejenis Shampo, Shampo
merknya lebih disukai oleh kaum pria. Kepada 30
konsumen yang dipilih secara acak ternyata 20
diantaranya adalah wanita. Apakah pernyataan bagian
pemasaran tersebut dapat didukung dengan o =5%?
Frekuensi terkecil (X) = pria = 10
H
0
: p q ; p 0.5
H
1
: p < q ; q > 0.5 ;p = peluang pria
o=5%
Stat Uji :
Lihat Tabel D didapat 0.049
0.049 < 0.05 sehingga Ho ditolak
Kesimpulan:
Dengan resiko 5% dab p-value 0.049 ternyata shampo
tersebut lebih disukai oleh wanita
Tes Binomial sampel besar
Jika n > 35
Semakin besar n akan cenderung mendekati dist. Normal
Dengan :
Rata-rata = NP
Simpangan Baku = akar kuadrat NPQ
NPQ
NP X X
Z

=
=
o

Karena Distr. Binomial adalah data diskrit dan distr.
Normal data kontinyu, maka disesuaikan untuk X:
Jika X < ditambah 0.5
Jika X > dikurangi 0.5
( )
NPQ
NP X
Z

=
5 . 0
Jika n >35 Gunakan tabel A
X adalah frekuensi terkecil
Untuk uji satu sisi gunakan langsung dari tabel
Untuk uji dua sisi hasil tabel dikalikan dua
Menurut bagian pemasaran sejenis Shampo, Shampo
merknya lebih disukai oleh kaum pria. Kepada 600
konsumen yang dipilih secara acak ternyata 280
diantaranya adalah pria. Apakah pernyataan bagian
pemasaran tersebut dapat didukung dengan o =5%?
X = pria
H
0
: p s 0.5
H
1
: p > 0.5
o=5%
Stat Uji :
( ) ( ) ( )( )
( )( )( )
59 . 1
5 . 0 5 . 0 600
5 . 0 600 5 . 0 280 5 . 0
=
+
=

=
NPQ
NP X
Z
Z= -1.59
Lihat Tabel A didapat 0.0559
0.0559 > 0.05 sehingga Ho tidak ditolak
Kesimpulan:
Dengan resiko 5% dab p-value 0.0559 ternyata shampo
tersebut sama-sama disukai oleh pria maupun wanita
Tes Satu sampel Chi-Kuadrat
Merupakan uji perbedaan
Sampel dilihat berdasarkan kategori (k)
K > 2
( )
=
k
i
i
i i
fe
fe fo
1
2
2
_
Fo = Nilai observasi
Fe = nilai harapan
i = jumlah kriteria
Jika Frekuensi Harapan tidak diketahui, maka frekuensi
harapan didapat dari rata-rata frekuensi observasi
Jika lebih dari 20% Frekuensi yang diharapkan lebih kecil
dari 5 maka harus digabung kategorinya.
Jika mulai dari 2 kategori dan frekuensi yang diharapkan
kurang dari 5, atau jika setelah digabung kategori yang
berdekatan akhirnya hanya mendapat 2 kategori, maka
digunakan tes Binomial.
Sebuah Mall yang dibuka memberi hadiah kepada para
pembeli dengan 3 pilihan yaitu: T-shirt, giwang dan mug.
Jika dari 500 total hadiah yang dipilih pembeli ternyata
yang memilih T-shirt 183 orang, giwang 142 orang dan
mug 175 orang. Apakah ketiga pilihan hadiah sama-
sama disukai oleh pembeli?
Ho : P1 = P2 = P3 = 0.333 atau frekuensi = 166.7
H1 : P1 = P2 = P3
o= 5%
Statistik Uji:
Hadiah T-Shirt Giwang Mug
Obs 183 142 175
Est 166.7 166.7 166.7
( ) ( ) ( )
67 . 5
7 . 166
7 . 166 175
..
7 . 166
7 . 166 183
2 2
1
2
2
=
+ +
=
k
i
i
i i
fe
fe fo
_
67 . 5
2
= _
Lihat tabel C dengan d.f = k 1 = 3 1 =2
5.67 terletak di antara p(o=0.10) dan p(o=0.05),
sehingga:
0.05 < o* < 0.10 atau Ho tidak ditolak
Kesimpulan:
Ketiga hadiah sama-sama disukai oleh konsumen
Berdasarkan pengalaman, konsumen yang membeli
produk A dengan 4 kualitas, tersebar dengan distribusi:
21% kualitas 1, 24% kualitas 2, 35% kualitas 3 dan
sisanya kualitas 4. Apakah pola tersebut masih berlaku
jika diperoleh data hasil penjualan sebagai berikut:
Kualitas 1 = 68 Kualitas 2 = 104
Kualitas 3 = 155 Kualitas 4 = 73
Kualitas 1 2 3 4 Jumlah
Fo 68 104 155 73 400
Fe
0.21
x400=84
0.24
x400=96
0.35
x40=14
0
0.2
x400=80
Ho : P1=0.21 P2=0.24 P3=0.35 P4=0.2
H1 : P1=0.21 P2=0.24 P3=0.35 P4=0.2
o= 5%
Statistik Uji:
( ) ( ) ( )
93 . 5
80
80 73
..
84
84 68
2 2
1
2
2
=
+ +
=
k
i
i
i i
fe
fe fo
_
93 . 5
2
= _
Lihat tabel C dengan d.f = k 1 = 4 1 =3
5.67 terletak di antara p(o=0.20) dan p(o=0.10),
sehingga:
0.10 < o* < 0.20 atau Ho diterima
Kesimpulan:
Terdapat indikasi bahwa konsumen membeli produk A
seperti pola yang sudah terjadi.
Tes Satu-Sampel Kolmogorov-Smirnov
Skala pengukuran ordinal
Melihat tingkat kesesuaian antara skor sampel yang
diobservasi (kumulatif frekuensi) dengan distribusi
teoritisnya (kumulatif frekuensi).
Perbedaan dengan Chi-kuadrat adalah tidak
terpengaruh dengan data/skor yang kurang dari 5,
sehingga lebih baik.
Seorang ahli pembuat kue ingin megkaji apakah ada
kecenderungan selera terhadap kadar gula campuran
kuenya. Dia membuat 8 macam campuran kue yang
berbeda kadar gulanya dimana campuran A
mempunyai kadar gula paling rendah, sedangkan kue
H mempunyai kadar gula paling tinggi. Terhadap 19
penguji, dipersilakan memilih kue yang paling disukai.
Hasilnya sbb:
A B C D E F G H Jumlah
Frek 0 1 5 2 5 2 1 3 19
Ho : Kadar gula tidak mempengaruhi pilihan seseorang
H1 : Kadar gula mempengaruhi pilihan seseorang
o= 5%
Stat Uji:
D = Maksimum | Fo (x) Sn (x) |
A B C D E F G H
Frek 0 1 5 2 5 2 1 3 19
Fo(x) 1/8 2/8 3/8 4/8 5/8 6/8 7/8 8/8
Sn(x) 0 1/19 6/19 8/19 13/19 15/19 16/19 19/19
D .125 0.197 0.059 0.079 0.059 0.04 0.033 0
Lihat tabel F, 0.197 terletak di sebelah kiri p(0.2) pada
N = 19. Sehingga dengan o =5%, maka Ho tidak
ditolak.
o* > 0.20 > 0.05
Kesimpulan:
Kadar Gula tidak mempengaruhi pilihan seseorang
Tes Run Satu-Sampel
Proses sampling dari suatu populasi harus random/acak
Tes Run digunakan untuk mengetahui tingkat keacakan
suatu sampel
Ho : Sampel bersifat acak (random)
H1 : Sampel tidak bersifat acak (random)
Tes Run Satu-Sampel
m = banyak elemen suatu jenis
n = banyak elemen suatu jenis yang lain
N = m + n
r = jumlah run
Contoh:
(- -) (++) (- - -) (+ + + +) (- -) (+ +)
1 2 3 4 5 6
m = 8 (+)
n = 7 (-)
N = 15
r = 6
Tes Run Satu-Sampel
Sampel Kecil
Jika, baik m, n s 20 Gunakan tabel F
Kriteria Penolakan Ho :
Jika r terletak di antara kedua harga kritis, Ho
diterima
Jika r sama atau lebih ekstrim dari satu di antara
harga kritis, Ho ditolak
Tes Run Satu-Sampel
Contoh:
Diperoleh sampel sebanyak 20 buah lampu pijar yang
dinotasikan sebagai G (produk Gagal) dan B (produk
Baik)
G B B B G B G B G B B B B B B B G B G B
Apakah sampel tersebut bersifat acak?
Gunakan o = 5%
Tes Run Satu-Sampel
o = 5%
Statistik Uji:
(G) (B B B) (G) (B) (G) (B) (G) (B B B B B B B) (G) (B) (G) (B)
1 2 3 4 5 6 7 8 9 10 11 12
r = 12 m (B) =14 n (G) = 6
Tes Run Satu-Sampel
r = 12 m (B) =14 n (G) = 6
Lihat tabel F
I
=5 dan tabel F
II
= (tidak ada nilai)
Kriteria penolakan Ho:
Tabel
F
I
=5
Tabel
F
II
Terima Ho
Tolak Ho Tolak Ho
Maka terima Ho, atau data tersebut bersifat acak
r =12
Tes Run Satu-Sampel
Contoh:
Diperoleh sampel sebanyak 24 buah lampu pijar yang
dinotasikan sebagai G (produk Gagal) dan B (produk
Baik)
B G B B B B G B B B G G G G B G G B B B G G G G
Apakah sampel tersebut bersifat acak?
Gunakan o = 5%
Tes Run Satu-Sampel
o = 5%
Statistik Uji:
(B) (G) (B B B B) (G) (B B B) (G G G G) (B) (G G) (B B B) (G G G G)
1 2 3 4 5 6 7 8 9 10
r = 10 m (B) =12 n (G) = 12
Tes Run Satu-Sampel
r = 10 m (B) =12 n (G) = 12
Lihat tabel F
I
=7 dan tabel F
II
= 19
Kriteria penolakan Ho:
Tabel
F
I
=7
Tabel
F
II
=19
Terima Ho
Tolak Ho Tolak Ho
Maka terima Ho, atau data tersebut bersifat acak
r =10
Tes Run Satu-Sampel
Jika, baik m, n > 20Gunakan tabel A
1
2
+ =
N
mn
( )
( ) 1
2 2
2
=
N N
N mn mn
o
( )
o
+
=
h r
Z
H = +0.5 jika r<
H = - 0.5 jika r>
Tes Run Satu-Sampel
Diambil sampel 40 batere secara acak dari tempat
percobaan pada pabrik A, dan 30 dari pabrik B. Ke 70
batere tersebut secara bersama diberi beban listrik
dengan arus sama. Setelah diurut batere yang tidak
berfungsi, maka didapat r sebesar 42. Dengan o=10%
apakah terdapat perbedaan distribusi masa pakai
batere?
Tes Run Satu-Sampel
Ho : Tidak terdapat perbedaan distribusi masa pakai
H1 : Terdapat perbedaan distribusi masa pakai
r = 42, m = 40, n = 30
29 . 35 1
70
30 . 40 . 2
1
2
= + = + =
N
mn
( )
( )
( )
( )
07 . 4
1 70 70
70 30 . 40 . 2 30 . 40 . 2
1
2 2
2 2
=
=
N N
N mn mn
o
Tes Run Satu-Sampel
( )
53 . 1
07 . 4
29 . 35 5 . 0 40
=

=
+
=
o
h r
Z
o* = 2 x tabel, karena 2 sisi
o* = 2 x 0.063
o* = 0.1260
o* > o atau 0.126 > 0.10 Ho tidak ditolak
Tidak terdapat perbedaan distribusi maka pakai.
CHAPTER 5
The Case of One Sample, Two
Measures or Paired Replicates
Kasus Dua-sampel yang
Berhubungan
The Case of One Sample, Two
Measures or Paired Replicates
McNemar
Sign Test
Uji Ranking-Bertanda Wilcoxon
Ciri-ciri kasus
Ingin melihat dua perlakuan apakah sama atau tidak.
Menguji subjek dengan pembanding dirinya sendiri.
Tes McNemar untuk
Signifikansi Perubahan
Skala pengukuran data Nominal atau Ordinal
Diterapkan terutama untuk sampel dengan
rancangan Sebelum-Sesudah.
Contoh: untuk menguji keefektifan perlakuan
tertentu (Pertemuan, pamflet, kunjungan, dsb)
terhadap kecenderungan pemilih atas berbagai calon
Tes McNemar untuk
A B
C D
+
Sebelum -
Sesudah
- +
Sel A (+ -) dan D ( - +) menunjukkan
perubahan
A+D = jumlah total yang berubah
Tes McNemar untuk
( )
( ) ( )
( )
( ) ( )
( )
( )
D A
D A
D A
D A D
D A
D A A
fe
fe fo
k
i
i
i i
+
=
+
+
+
+
+
=
=
2
2 2
1
2
2
2
2
2
2
_
Dengan d.f = 1
Tes McNemar untuk
Koreksi Kontinuitas:
( )
D A
D A
+

=
2
2
1
_ Dengan d.f. = 1
Tes McNemar untuk
Contoh:
Dalam kampanye pemilihan presiden di US, dilakukan
debat antara calon presiden Reagan dengan Carter. Debat
ini diharapkan akan merubah pilihan para pemilih terhadap
calon presiden jika salah satu dari kandidat presiden lebih
efektif dan persuasif dalam debatnya dibandingkan yang
lain.
Diambil 75 orang sampel acak dan ditanya pilihannya
sebelum debat. Setelah debat selesai 75 orang tadi ditanya
ulang pilihannya.
Tes McNemar untuk
HIPOTESIS NOL
Ho : P(Reagan Carter) = P(Carter Reagan)
H1 : P(Reagan Carter) = P(Carter Reagan)
TES STATISTIK
Tes McNemar untuk Signifikansi Perubahan digunakan
karena:
- sampel berhubungan (untuk orang yang sama)
- desain sebelum dan sesudah
- data nominal
Tes McNemar untuk
SIGNIFICANCE LEVEL
o = 5% N = 75
DISTRIBUSI SAMPLING
Gunakan tabel C dengan d.f. = 1
Pilihan sebelum
Debat
Pilihan Setelah Debat
Reagen Carter
Carter A = 13 B = 28
Reagen C = 27 D = 7
Tes McNemar untuk
DAERAH PENOLAKAN
Merupakan satu sisi (Chi-kuadrat)
KEPUTUSAN
( ) ( )
25 . 1
20
25
7 13
1 7 13 1
2 2
2
= =
+

=
+

=
D A
D A
_
Dari tabel C dengan d.f=1 dan o=5% maka kemungkinan bahwa
_
2
> 3.84 adalah 0.05
_
2
(1.25) hitung lebih kecil dari 3.84, maka Ho tidak ditolak,
maka para kandidat mempunyai efektivitas yang sama dalam
merubah pilihan para pemilih.
Tes McNemar untuk
Jika Frekuensi harapan yaitu (A+D)/2 kurang dari 5,
maka digunakan uji binomial.
Pilihan sebelum
Debat
Pilihan Setelah Debat
Reagen Carter
Carter A = 3
Reagen D = 6
(3+6)/2=4.5 < 5. Dengan k =3, maka dari tabel
Didapat 0.254 karena uji dua sisi menjadi 0.508 >0.05
sehingga Ho tidak ditolak.
Tes Tanda
Variabel yang diamati memiliki distribusi selisih
observasi (selisih X dengan Y apakah + atau -.
X skor sebelum perlakuan tertentu, dan Y skor setelah
perlakuan tertentu.
Sampel boleh dari populasi berlainan
Jika Ho tidak ditolak, diharapkan jumlah pasangan
tanda antara X>Y(-) akan sama dengan X<Y (+).
Ho ditolak jika terdapat perbedaan tanda.
Tes Tanda
P(X > Y) = P(X < Y) = 0.5
X : Penilaian atau skor di bawah suatu kondisi
(sebelum diberikan suatu perlakuan)
Y : Penilaian atau skor di bawah suatu kondisi
lainnya (setelah diberikan suatu perlakuan.
Tes Tanda
Sampel Kecil
Jika N s 35 mengacu pada distribusi binomial dengan
peluang terjadi tanda (-) = peluang terjadinya tanda
(+) atau p= q = 0.5
Dengan N adalah jumlah pasangan dan x jumlah tanda
terkecil.
Jika tidak terdapat tanda atau X-Y=0 maka dicoret dari
jumlah pasangan N.
Tes Tanda
Contoh:
Sebuah penelitian ingin melihat bagaimana proses
keputusan dilakukan oleh pasangan suami istri dalam
membeli rumah. Tiap pasangan yang diberi kuesioner
akan diberi tanda + bila suami lebih dominan dalam
memutuskan, sedangkan jika istri lebih dominan, diberi
tanda -. Jika suami istri mempunyai persetujuan yang
sama maka diberi tanda 0.
Tes Tanda
HIPOTESIS NOL
Ho : Suami dan Istri setuju akan tingkat pengaruh
masing-masing terhadap pengambilan keputusan
membeli rumah
H1 : Suami merasa harus lebih besar pengaruhnya
dalam pengambilan keputusan membeli rumah.
STATISTK UJI
Uji Tanda
LEVEL SIGNIFIKAN
o=5%
Pasangan
Skor Pengaruh
Tanda
Suami Istri
A 5 3 +
B 4 3 +
C 6 4 +
D 6 5 +
E 3 3 0
F 2 3 -
G 5 2 +
H 3 3 0
I 1 2 -
J 4 3 +
K 5 2 +
L 4 2 +
M 4 5 -
N 7 2 +
O 5 5 0
P 5 3 +
Q 5 1 +
Tes Tanda
+ = 11 - = 3 0 = 4 N = 14
k = 3 dari tabel D didapat 0.029
Ho : P Suami = P istri = 0.5
H1 : p suami > P istri, atau
H1 : p istri < P suami
Maka Ho ditolak, atau suami yakin harus mempunyai
pengaruh yang lebih besar dari isterinya dalam
mengambil keputusan membeli rumah.
Tes Tanda
Sampel Besar
Jika N > 35
Rata-rata = = Np = N/2
Varians = o
2
= Npq = N/4
( )
N
N x
N
N x
N
N x
N
N x x
Z

=

=
=
1 2
5 . 0
2 5 . 0
2
5 . 0
2
o

Tes Tanda
Misalnya seorang peneliti ingin mengetahui dampak dari
sebuah film tentang kenakalan remaja yang menceritakan
hukuman terhadap Juvenile, akan mengubah pendapat
masyarakat tertentu mengenai seberapa berat kenakalan
remaja harus mendapat hukuman. Diambil 100 orang
dewasa dan ditanya apakah hukuman terhadap remaja
harus diperberat atau diperingan dari yang sudah dijalani.
Kemudian dipertontonkan film tersebut, setelah selesai
pertanyaan diulang terhadap mereka.
Tes Tanda
Ho : Film tersebut tidak mempunyai efek yang sistematik
terhadap sikap seseorang {P(+) = p(-)}
H1 : Film tersebut mempunyai efek yang sistematik
terhadap sikap seseorang {P(+) = p(-)}
Judged Attitude Number
Peningkatan hukuman 26
Pengurangan hukuman 59
Tidak berubah 15
Tes Tanda
Statistik Uji
Adalah uji Tanda karena skalanya ordinal dan
perbedaannya bisa diperlihatkan dengan tanda + dan
LEVEL SIGNIFIKAN
o=1% Uji dua sisi
( )
47 . 3
85
85 1 59 2 1 2
=

=

=
N
N x
Z
Tes Tanda
Z = 3.47 Tabel A didapat 0.0003
Karena dua sisi menjadi 2(0.0003) = 0.0006
Ho ditolak
Sehingga film tersebut memberikan akibat yang
sistematis terhadap tingkat hukuman terhadap remaja.
untuk Data Berpasangan
Data ordinal
Data kuantitatif bisa berbentuk skor (bisa dibuat
ranking)
Seperti uji tanda, tetapi dengan mempertimbangkan
besar relatif perbedaannya.
Ada kriteria lebih besar dari
Metode:
Ho : P(A) = P(B)
H1 : P(A) = ; < ; > P(B)
o : taraf signifikansi
- d
i
adalah selisih skor tiap pasangan
- d
i
dibuat ranking Ascending tanpa memperdulikan
tanda
- Buat tanda untuk tiap ranking
- d = 0 dikeluarkan dari analisis
- T
+
adalah jumlah ranking +
- T
-
adalah jumlah ranking -
Contoh:
Ingin diketahui bagaimana perkembangan persepsi
konsumen terhadap kualitas dari suatu jenis produk
manufaktur setelah dilakukan perombakan sistem
manajemennya, dimana diharapkan akan meningkatkan
image positif terhadap produk tersebut. Diambil
sekelompok sampel kemudian ditanya pendapat
kepuasan dia terhadap barang tersebut sebelum dan
setelah perubahan tersebut. Hasilnya dibuat dalam
bentuk skor sebagai berikut:
Pasangan Skor
sebelum
Skor
Sesudah
d Ranking d T+
A 82 63 -19 7
B 69 42 -27 8
C 73 74 1 1 1
D 43 37 -6 5
E 58 51 -7 6
F 56 52 -4 3.5
G 76 80 4 3.5 3.5
H 85 82 -3 2
I 50 50 0
T+ = 4.5
Jika A adalah kepuasan berkurang dan B kepuasan bertambah
Ho : P(A) = P(B)
H1 : P(A) = P(B)
T+ = 4.5 ~ 5 Dari Tabel H dengan N = 8 didapat 0.5273
Maka 0.5273 > 0.05 Ho tidak ditolak
Kepuasan Konsumen terhadap barang tersebut tidak berbeda
setelah perombakan manajemen.
Sampel Besar
Jika N > 15, T+ mendekati distribusi normal
( )
4
1 +
=
N N
( )( )
24
1 2 1 + +
=
N N N
o
+
+
+
=
T
T
T
Z
o

Misalkan X adalah output/jam sebelum ada kenaikan
upah dan Y output/jam setelah ada kenaikan upah.
Apakah kenaikan upah meningkatkan output?
Jawab:
Ho : P(+) s P(-)
H1 : P(+) > P(-) Kenaikan upah menaikan output
o = 5%
X > Y - ; X < Y +
X 91 83 70 64 85 70 86 91 72 80 80 82 75 78 79 81 92 75
Y 88 77 87 69 83 70 81 94 76 80 83 79 71 81 76 85 87 93
di -3 -6 17 5 2 0 -5 3 4 0 3 -3 -4 3 -3 4 -5 18
Rd 4.5 14 15 12 1 12 4.5 9 4.5 4.5 9 4.5 4.5 9 12 16
T+ = 74.5 N = 16
( )
68
4
1 16 16
=
+
=
( )( )
34 . 19
24
1 ) 16 ( 2 1 16 16
=
+ +
= o
34 . 0
34 . 19
68 5 . 74
=
=
+
+
+
T
T
T
Z
o

Ho : P(+) s P(-)
Ho : P(+) > P(-) Kenaikan upah menaikan output
Atau
Ho : P(X) > P(Y)
H1 : P(X) < P(Y)
Z = 0.34 Dari tabel A didapat 0.3669
Maka Ho tidak ditolak
Kenaikan upah tidak menaikan kenaikan output
CHAPTER 6
TWO INDEPENDENT SAMPLES
(DUA SAMPEL INDEPENDEN)
TWO INDEPENDENT SAMPLES
Uji Eksak Fisher
Uji Chi-Square untuk 2 Sampel
Independen
Uji Median
Tes Mann-Whitney
Tes Wilcoxon-Mann-Whitney
Uji Kolmogorov-Smirnov untuk dua
sampel
Dua sampel dapat diperoleh
dengan cara:
1. Ditarik secara random dari dua populasi
2. Diterapkannya secara random dua perlakuan
terhadap anggota-anggota sampel yang asal-
usulnya sembarang.
Uji Eksak Fisher
tabel 2 x 2
Fungsi:
Untuk menguji apakah ada perbedaan dua perlakuan yang
mungkin dari dua populasi
Spesifikasi:
- Data diskrit Skala ukur nominal atau ordinal
(dichotomous)
- Data disusun dalam tabel kontigensi 2 x 2
- Berdistribusi Hypergeometris
- N s 20
Ho : P(I) = P(II)
H1 : P(I) = ; < ; > P(II)
Uji Eksak Fisher
tabel 2 x 2
Tabel 2 x 2 Fisher
Variabel
Group
Gabungan
I II
+ A B A + B
- C D C + D
Total A + C B + D N
Uji Eksak Fisher
tabel 2 x 2
Statistik Uji:
( ) ( ) ( ) ( )
! !. !. !. !.
! ! !. !.
D C B A N
D B C A D C B A
p
+ + + +
=
Tolak Ho jika p < o (1 arah) atau p s o/2 (2 arah)
Uji Eksak Fisher
tabel 2 x 2
Seandainya bayi yang lahir dengan berat s 2Kg
dianggap kurang, akan diselidiki proporsi banyaknya
bayi dengan predikat kurang yang lahir di RS A = RS B
dengan o = 5%.
Data RS A
3.41 2.72 4.04 3.21 2.30 2.45 1.96 3.04
Data RS B
3.24 2.71 1.85 3.44 1.95 1.86 2.47 1.60
2.40 2.60
Uji Eksak Fisher
tabel 2 x 2
Ho : P (RS A) = P (RS B)
H1 : P (RS A) = P (RS B)
o = 5%
RS A RS B
s 2 Kg
1 4 5
> 2Kg
7 6 13
Total 8 10 18
Uji Eksak Fisher
tabel 2 x 2
196 . 0
! 6 !. 7 !. 4 !. 1 !. 18
! 10 !. 8 !. 13 !. 5
1
= = p
Karena uji 2 sisi, ternyata p = 0.196 > o/2 (0.025)
Ho tidak ditolak
Artinya: Proporsi banyak bayi dengan predikat kurang
di RSA = RSB
Uji Eksak Fisher
tabel 2 x 2
Untuk soal di atas jika dipertimbangkan
penyimpangan-penyimpangan yang lebih ekstrim,
maka dibuat tabel berikut:
RS A RS B
s 2 Kg
0 5 5
> 2Kg
8 5 13
Total 8 10 18
Uji Eksak Fisher
tabel 2 x 2
029 . 0
! 5 !. 8 !. 5 !. 0 !. 18
! 10 !. 8 !. 13 !. 5
2
= = p
Kemungkinan lebih ekstrim adalah:
P = P1 + P2 = 0.196 + 0.029 = 0.225
Maka Ho diterima pada P = 0.225
Independen
Fungsi:
Untuk menguji apakah ada perbedaan dua perlakuan yang
mungkin dari dua populasi
Spesifikasi:
- Data diskrit Skala ukur nominal atau
- Data disusun dalam tabel kontigensi (baris x kolom)
- Untuk menguji independensi
Ho : P(I) = P(II) Kedua kelompok independen
H1 : P(I) = ; < ; > P(II) Kedua kelompok dependen
Independen
0.05 0.95
Do Not Reject H
0
Reject H
0
_
=7.815
2
Independen
Jika N < 20 Uji eksak Fisher
Jika N > 20 dan frekuensinya > 5 (jika <5 gunakan
Eksak Fisher) Uji Chi-Kuadrat, dengan rumus:
( )
( )( )( )( ) D B C A D C B A
N BC AD N
+ + + +

=
2
2
2
_
Jika N > 40 gunakan Chi-Kuadrat, gunakan rumus:
( )
=
k
i
i
i i
fe
fe fo
1
2
2
_
Independen
Contoh:
Ingin dilakukan pengujian tentang hubungan pengaruh
dari tinggi badan terhadap kualitas kepemimpinan
seseorang. Diambil sampel sebanyak 95 orang dan
hasilnya adalah 43 orang dengan tinggi badan yang
pendek dan 52 orang yang tinggi, kemudian masing-
masing kelompok tinggi badan dikategorikan terhadap
kualitas kepemimpinan menjadi: leader, unclassifiable
dan Follower.
Independen
Actual values
Short Tall Totals
Follower 22 14 36
Unclassifiable 9 6 15
Leader 12 32 44
Totals 43 52 95
Expected values
Short Tall Totals
Follower (36)(43)/95 (36)(52)/95
=16.3 =19.7 36
Unclassifiable (15)(43)/95 (15)(52)/95
=6.8 =8.2 15
Leader (44)(43)/95 (44)(52)/95
=19.9 =24.1 44
Totals 43 52 95
Chi-Square Tests of Independence
I. Hypotheses:
H
0
: tinggi badan dan kualitas kepemimpinan adalah
independen.
H
1
: tinggi badan dan kualitas kepemimpinan adalah
tidak independen.
II. Rejection Region:
o = 0.05
df = (r 1) (k 1)
= (3 1) (2 1)
= 2 1 = 2
If _
2
> 10.67, reject H
0
.
0.05
0.95
Do Not Reject H
0
Reject H
0
_
=10.67
2
An Example, Researchers in a California community
have asked a sample of 175 automobile owners to select
their favorite from three popular automotive magazines. Of
the 111 import owners in the sample, 54 selected Car and
Driver, 25 selected Motor Trend, and 32 selected Road &
Track. Of the 64 domestic-make owners in the sample, 19
selected Car and Driver, 22 selected Motor Trend, and 23
selected Road & Track. At the 0.05 level, is import/domestic
ownership independent of magazine preference? Based on
the chi-square table, what is the most accurate statement
that can be made about the p-Value for the test?
Chi-Square Tests of
Independence
First, arrange the data in a table.
Car and Motor Road &
Driver (1) Trend (2) Track (3) Totals
Import (Imp) 54 25 32 111
Domestic (Dom) 19 22 23 64
Totals 73 47 55 175
Second, compute the expected values and
contributions to _
2
for each of the six cells.
Then to the hypothesis test....
Calculating expected values
Actual values
Import (Imp) 54 25 32 111
Domestic (Dom) 19 22 23 64
Totals 73 47 55 175
Expected values
Import (Imp) (111)(73)/175 (111)(47)/175 (111)(55)/175 111
=46.3029 =29.8114 =34.8857

Domestic (Dom) (64)(73)/175 (64)(47)/175 (64)(55)/175 64
=26.6971 =17.1886 =20.1143
Totals 73 47 55 175
Driver (1) Trend (2) Track (3)
Import (Imp): O - 54 25 32
E - 46.3029 29.8114 34.8857
_
2
contribution - 1.2795 0.7765
0.2387

Domestic (Dom) : O - 19 22 23
E - 26.6971 17.1886 20.1143
_
2
contribution - 2.2192 1.3468
0.4140
E _
2
contributions = 6.2747
I. Hypotheses:
H
0
: Type of magazine and auto ownership are
independent.
H
1
: Type of magazine and auto ownership are not
independent.
II. Rejection Region:
o = 0.05
df = (r 1) (k 1)
= (2 1) (3 1)
= 1 2 = 2
If _
2
> 5.991, reject H
0
.
0.05 0.95
Do Not Reject H
0
Reject H
0
_
=5.991
2
Uji Median
Fungsi:
Untuk menguji apakah dua kelompok independen berbeda
dalam nilai tengahnya.
Skala Data Minimal Ordinal
Atau:
Apakah dua kelompok independen telah ditarik dari suatu
populasi yang mempunyai median sama.
Ho : Kelompok itu berasal dari populasi yang bermedian
sama
H1 : Kelompok itu tidak berasal dari populasi yang
bermedian sama
Uji Median
Metode:
1. Hitung Median gabungannya
2. Buat tabel 2 x 2 :
Group
Gabungan
I II
> Med A B A + B
s Med C D C + D
Total m n N = m + n
Uji Median
Distribusi data akan mendekati distribusi
Hypergeometris. Oleh karena itu diperhitungkan:
Jika N = m + n lebih besar dari 20, gunakan Chi-
kuadrat dengan koreksi kontinuitas
Jika N = m + n kurang dari atau sama dengan 20,
gunakan Uji Eksak Fisher
Uji Median
Jika score sama tepat dengan Median Gabungan, maka
ada dua alternatif yang bisa dipilih:
1. Kelompok itu dibagi dua menjadi score yang
melebihi median dan score yang kurang dari
median.
2. Jika M = m + n besar, dan jika sedikit kasus saja
yang jatuh tepat pada median gabungan, kasus
yang sedikit itu mungkin digugurkan dari analisis.
Alternatif pertama biasanya dipilih
Uji Median
Contoh:
Sampel acak dari nilai IPK 20 mahasiswa dan 20 mahasiswi
adalah sebagai berikut:
Mahasiswa:
3.42 3.54 3.21 3.63 3.22 3.80 3.70 3.20 3.75
3.31 2.86 4.00 2.86 2.92 3.59 2.91 3.78 2.70
3.06 3.30
Mahasiswi:
3.50 4.00 3.43 3.85 3.84 3.21 3.58 3.94 3.46
3.76 3.87 2.93 4.00 3.37 3.72 4.00 3.06 3.92
3.72 3.91
Apakah median IPK mahasiswa dan mahasiswi sama?
Uji Median
Letak Median (N + 1) = (20 + 1) = 10.5
Data ke 10 adalah 3.30 (Mahasiswa) dan 3.72 (Mahasiswi)
Data ke 11 adalah 3.31 (Mahasiswa) dan 3.76 (Mahasiswi)
Median:
Mahasiswa 3.30 + (3.72 3.30) = 3.51
Mahasiswi 3.31 + (3.76 3.31) = 3.54
Median Gabungan:
Letak Median (N + 1) = (40 + 1) = 20.5
Data ke 20 adalah 3.54 data ke 21 adalah 3.58
Harga Median = 3.54 + (3.58 3.54) = 3.56
Uji Median
Group
Gabungan
Mahasiswa Mahasiswi
> Med 6
(A)
12
(B)
18
s Med 14
(C)
8
(D)
22
Total 20 20 40
( )
( )( )( )( )
( )
( )( )( )( )
53 . 2
20 20 22 18
20 120 40 2
2 2
2
=
=
+ + + +

=
D B C A D C B A
N BC AD N
_
Uji Median
Ho : IPK Median Mahasiswa sama dengan IPK Median
Mahasiswi
Ho : IPK Median Mahasiswa tidak sama dengan IPK
Median Mahasiswi
Chi-kuadrat hitung = 2.53 dengan d.f. = 1 dengan
o=5% ada pada penerimaan Ho.
Maka IPK Median Mahasiswa sama dengan IPK Median
Mahasiswi
Tes Mann-Whitney
Fungsi:
Untuk menguji apakah ada perbedaan dua keadaan dalam
skala ukur nominal dan ordinal
Spesifikasi:
- Skala ukur ordinal
- Data diurutkan
- Data bersifat kontinyu
Tes Mann-Whitney
Ho : I = , > , s II
H1 : I = ; < ; > II
Buat urutan dari kelompok I dan kelompok II dari kecil
ke besar, kemudian hitung:
R1 = jumlah urutan kelompok I
R2 = jumlah urutan kelompok II
Tes Mann-Whitney
U = Nilai terkecil antara U1 dan U2
n1 = ukuran sampel kelompok I
n2 = ukuran sampel kelompok II
( )
1
1 1
2 1 1
2
1
R
n n
n n U
+
+ =
( )
2
2 2
2 1 2
2
1
R
n n
n n U
+
+ =
Tes Mann-Whitney
Kriteria Uji:
Gunakan pendekatan distribusi normal
2
2 1
n n
U
=
( )
12
1
2 1 2 1
+ +
=
n n n n
U
o
U
U
U
Z
o

=
Tes Mann-Whitney
Jika ada angka yang sama (t):
( )
|
|
.
|
\
|
|
|
.
|
\
|
=

T
N N
N N
n n
U
12 1
3
2 1
o
N = n1 +n2 = m + n
Kriteria tolak Ho:
P s o (1 arah) atau P s o/2 (2 arah)
12
3
t t
T

=
Merupakan penyempurnaan dari uji Man-Whitney
Ho : X = Y
H1 : X = ; < ; > Y
Tentukan m dan r:
m = ukuran sampel kelompok yang kecil
r = ukuran sampel kelompok yang besar
Wx = Jumlah rank dari kelompok sampel yang kecil
Statistik Uji:
( )
wx
WX
Wx
Z
o

=
5 . 0
( )
2
1 +
=
N m
WX
( )
U WX
N mn
o o =
+
=
12
1
Kriteria Uji:
Tolak Ho jika P s o (1 arah) atau P s o/2 (2 arah)
Contoh
Guna meningkatkan devisa dari ekspor, maka
Deperindag menerapkan subsidi untuk ekspor.
Deperindag berpendapat bahwa oleh karena daya beli
dan kebutuhan untuk produk tersebut di negara maju
lebih besar dari pada negara berkembang maka rata-
rata pertambahan volume ekspor (volume ekspor
setelah subsidi-volume ekspor sebelum subsidi) negara
maju akan lebih besar dibandingkan negara
berkembang. Apakah pendapat dari departemen
tersebut dapat terbukti?
Contoh
Ho : A s B (Volume Ekspor ke negara maju =
volume ekspor ke negara berkembang
H1 : A > B (Volume Ekspor ke negara maju >
o = 5%
Contoh
Cara Mann-Whitney
M Ri B Ri
-1 6 8 12
13 17 4 9
11 15 -2 4.5
-5 2.5 0 7.5
35 21 -9 1
11 15 5 10
-2 4.5 7 11
10 13 -5 2.5
0 7.5 11 15
29 20 22 19
17 18 R2 91.5
R1 139.5
x t
(t
3
- t)/12
-5 2 0.5
-2 2 0.5
0 2 0.5
11 3 2
= 3.5
Contoh
( )
( )( )
( )
1686 . 14 5 . 3
12
21 21
1 21 21
10 11
12 1
3 3
2 1
=
|
|
.
|
\
|
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|
=

T
N N
N N
n n
U
o
55
2
10 . 11
2
2 1
= = =
n n
U

Contoh
31 . 1
1686 . 14
55 5 . 36
=
=
U
U
U
Z
o

( ) ( )
5 . 36 5 . 139
2
1 11 11
) 10 )( 11 (
2
1
1
1 1
2 1 1
=
+
+ =
+
+ = R
n n
n n U
( ) ( )
5 . 73 5 . 91
2
1 10 10
) 10 )( 11 (
2
1
2
2 2
2 1 2
=
+
+ =
+
+ = R
n n
n n U
Maka diambil U yang terkecil
P value = 0.0951 > 0.05 maka Ho tidak ditolak
Contoh
Cara Mann-Whitney-Wilcoxon
Ho : A s B (Volume Ekspor ke negara maju =
H1 : A > B (Volume Ekspor ke negara maju >
o = 5%
m = 10 (negara berkembang)
n = 11 (negara maju)
Wx = 91.5
Contoh
Wx = 91.5
owx = 14.1686
( ) ( )
27 . 1
1686 . 14
110 5 . 0 5 . 91 5 . 0
=
+
=

=
wx
WX
Wx
Z
o

( ) ( )
110
2
1 21 10
2
1
=
+
=
+
=
N m
WX
P value = 0.1020 > 0.05 maka Ho tidak ditolak

Uji Kolmogorov-Smirnov untuk
dua sampel
Fungsi:
Untuk menguji apakah dua sampel independen telah
ditarik dari populasi yang sama atau dari populasi-
populasi yang berdistribusi sama.
Sejalan dengan uji satu sampel Kolmogorov-Smirnov,
uji ini memperhatikan kesesuaian antara dua distribusi
kumulatif.
dua sampel
Ho : Kedua sampel mempunyai distribusi yang sama
H1 : Kedua sampel mempunyai distribusi yang berbeda
Ho : P(I) = P(II)
H1 : P(I) = ; < ; > P(II)
Susun masing-masing kelompok skor dalam distribusi
kumulatif dengan menggunakan interval atau klasifikasi
yang sama untuk kedua distribusi
Tentukan selisih antara kedua distribusi kumulatif yang
terbesar = Dmaks
dua sampel
Uji Satu Arah:
Dm,n = Maks [Sm (x) Sn (x)]
Uji Dua Arah:
Dm,n = Maks |Sm (x) Sn (x)|
Sm(x) : Fungsi jenjang kumulatif observasi pada salah
satu sampel
k/m dengan k = banyaknya skor yang sama
atau kurang dari x
Sn(x) : Fungsi jenjang kumulatif observasi sampel lain
k/n
dua sampel
Sampel Kecil:
Jika m dan n kurang dari atau sama dengan 25 gunakan
tabel L
I
untuk uji satu arah dan tabel L
II
untuk uji dua arah.
Contoh:
2 kelas masing-masing terdiri dari 12 mahasiswa, kelas A
diberi penerangan cara menggunakan sebuah alat sehingga
tidak terdapat kesalahan, sedangkan B tidak diberi
penerangan. Kemudian untuk kedua kelas tersebut
dicobakan alat tersebut dan dicatat terjadinya kesalahan
pertama dalam waktu (detik).
A: 2 7 14 25 16 5 30 66 34 10 29 19
B: 14 20 27 43 51 21 6 9 35 17 49 60
dua sampel
Kelas FA FB Sm Sn
Dm,n = |Sm (x) Sn (x)|
2-11 4 2 4/12 2/12 2/12
12-21 3 4 7/12 6/12 1/12
22-31 3 1 10/12 7/12 3/12 *
32-41 1 1 11/12 8/12 3/12 *
42-51 0 3 11/12 11/12 0
52-61 0 1 11/12 1 1/12
62-71 1 0 1 1 0
Ho : Sebaran kedua kelompok sama
H1 : Sebaran kedua kelompok tidak sama
dua sampel
Uji Dua Arah:
Dm,n = Maks |Sm (x) Sn (x)|=3/12
Dm,n =3/12 mnDm,n=(12)(12)(3/12)=36
Lihat Tabel L
II
didapat untuk m=12 dan n=12 dengan
o=5% adalah 84
mnDm,n=36 < Tabel L
II
=84 Ho tidak ditolak
Maka, sebaran kedua kelompok sama
dua sampel
Sampel Besar: Uji Dua Arah
Jika m dan n lebih besar dari 25 gunakan tabel L
III
.
Cari Dm,n kemudian bandingkan dengan tabel. Contoh di
atas jika dirubah jumlah sampelnya: m=55 dan n=60
dengan o=5%, angka kritis diperoleh (lihat tabel):
( )( )
254 . 0
60 55
60 55
36 . 1 36 . 1 =
+
=
+
mn
n m
Maka Ho baru kita tolak jika Dm,n > 0.254 untuk
o=5%,
dua sampel
Sampel Besar: Uji Satu Arah
didekati oleh distribusi Chi-Kuadrat dengan d.f.=2 :
n m
mn
D
n m
+
=
2
,
2
4 _
Dari contoh sebelumnya, tetapi dengan n yang
diperbesar dan uji satu pihak:
Ho : Sebaran kelompok A s Sebaran kelompok B
H1 : Sebaran kelompok A > Sebaran kelompok B
dua sampel
Kelas FA FB Sm Sn Dm,n = Maks [Sm (x) Sn (x)]
2-11 15 6 15/60 6/60 9/60
12-21 18 12 33/60 18/60 15/60*
22-31 9 10 42/60 28/60 14/60
32-41 6 24 48/60 52/60 -4/60
42-51 7 4 55/60 56/60 -1/60
52-61 3 2 58/60 58/60 0
62-71 2 2 1 1 0
dua sampel
( )
( )( )
5 . 7
60 60
60 60
60
15
4 4
2
2
,
2
=
+
=
+
=
n m
mn
D
n m
_
Lihat tabel C untuk d.f. = 2 didapat p value = 0.05
P value s 0.05 maka Ho ditolak
Sehingga, sebaran kelompok A > Sebaran kelompok B
Chapter 7
Kasus k Sampel Berhubungan
The Case of k Related Samples
Konsep Dasar
Merupakan prosedur pengujian untuk 3 sampel atau
lebih yang berhubungan.
Menguji perbedaan-perbedaan dari k (3 atau lebih)
sampel yang berhubungan.
Data mempunyai skala nominal atau ordinal
Tes Q Cochran
Fungsi:
Menguji perbedaan atas data dengan sampel 3 atau lebih
yang bersifat dikotomi
Skala Data: Minimal Nominal
Prosedur:
- Skor 1 untuk sukses dan 0 untuk gagal
- Tentukan Q
- Mendekati distribusi Chi-Kuadrat, maka Lihat tabel C
dengan d.f. = k 1
Tes Q Cochran
( ) ( )

= =
=

=
N
i
N
i
i i
k
j
j
L L k
G G k k
Q
1 1
2
1
2
1
( )

= =
= =
(
(
|
|
.
|
\
|

=
N
i
N
i
i i
k
j
k
j
j j
L L k
G G k k
Q
1 1
2
1
2
1
2
1
Tes Q Cochran
Contoh:
Ingin diteliti pengaruh keramahan seorang pewawancara atas
jawaban ibu rumah tangga dalam survey pendapat. Kemudian
dilatih pewawancara dalam tiga tipe mewawancarai, yaitu:
perhatian, formal dan terburu-buru. Sampel terdiri dari tiga
kelompok yang masing-masing terdiri dari 18 ibu rumah tangga,
yang mana 3 ibu rumah tangga dipasangkan berdasarkan kriteria
tertentu dan diwawancara masing-masing kelompok untuk jenis
wawancara tertentu.
Apakah ada perbedaan dalam menjawab wawancara (Jawaban Ya
dan Tidak) untuk masing-masing tipe wawancara?
Tes Q Cochran
Hipotesis Nol:
Ho : p (jawaban Ya) = p (jawaban Tidak)
untuk ke-3 jenis wawancara
H1 : p (jawaban Ya) = p (jawaban Tidak)
untuk ke-3 jenis wawancara
Tes Statistik:
dipilih Q Cochran karena:
- terdiri dari 3 data berhubungan
- dikotomi data (Ya dan Tidak)
Tingkat Signifikansi:
o = 5%
Set
Respon thd
wawancara 1
Respon thd
wawancara 2
Respon thd
wawancara 3
L L
2
1 0 0 0 0 0
2 1 1 0 2 4
3 0 1 0 1 1
4 0 0 0 0 0
5 1 0 0 1 1
6 1 1 0 2 4
7 1 1 0 2 4
8 0 1 0 1 1
9 1 0 0 1 1
10 0 0 0 0 0
11 1 1 1 3 9
12 1 1 1 3 9
13 1 1 0 2 4
14 1 1 0 2 4
15 1 1 0 2 4
16 1 1 1 3 9
17 1 1 0 2 4
18 1 1 0 2 4
G
1
= 13 G
2
= 13 G
3
= 3 29 63
Tes Q Cochran
( )
( ) ( ) | |
( )
7 . 16
63 29 3
29 3 13 13 3 1 3
1
2 2 2 2
1 1
2
1
2
1
2
=

+ +
=
(
(
|
|
.
|
\
|

=

= =
= =
N
i
N
i
i i
k
j
k
j
j j
L L k
G G k k
Q
Tes Q Cochran
Dengan Q = 16.7 dan d.f.=3-1=2 dari tabel C didapat
p-value = 0.001, sehingga Ho ditolak.
Kesimpulan:
Kemungkinan jawaban Ya berbeda untuk wawancara 1,
wawancara 2 dan wawancara 3.
Tes Q Cochran
Empat orang peramal saham masing-masing diminta agar
meramalkan 10 hari yang terpilih secara acak. Apakah
100 indeks saham akan naik atau turun pada hari
berikutnya. Jika ramalannya tepat diberi skor satu dan
nol jika salah. Apakah skor di bawah ini menunjukkan
perbedaan kemampuan meramal secara tepat?
Peramal : Hari 1 2 3 4 5 6 7 8 9 10
Peramal 1 1 0 0 1 1 1 1 0 1 1
Peramal 2 1 1 1 1 0 1 1 0 0 0
Peramal 3 1 1 0 1 1 1 1 1 0 1
Peramal 4 1 1 0 0 0 1 1 1 0 1
Tes Q Cochran
Hipotesis Nol:
Ho : p (1) = p (0)
untuk ke-10 hari
H1 : p (1) = p (0)
untuk ke-10 hari
Tes Statistik:
dipilih Q Cochran karena:
- terdiri dari 10 data berhubungan
- dikotomi data (Ya dan Tidak)
Tingkat Signifikansi:
o = 5%
Hari Peramal 1 Peramal 2 Peramal 3 Peramal 4 G
i
1 1 1 1 1 4
2 0 1 1 1 3
3 0 1 0 0 1
4 1 1 1 0 3
5 1 0 1 0 2
6 1 1 1 1 4
7 1 1 1 1 4
8 0 0 1 1 2
9 1 0 0 0 1
10 1 0 1 1 3
L 7 6 8 6 27
L
2
49 36 64 36 185
Tes Q Cochran
2kk 2jj j1j1 NN 2ii i1i1 2k1kGG QkLL 101108527 1027185 12.81
Tes Q Cochran
Dengan Q = 12.81 dan d.f.=10 1 = 9 dari tabel C,
dengan o = 5% didapat 16.92 sehingga Ho tidak
ditolak.
Kesimpulan:
Kemampuan meramal secara tepat sama untuk tiap
peramal.
Analisis Varian Dua-Arah
Friedman
Fungsi:
- Data k berpasangan minimal ordinal
- Menentukan apakah mungkin kolom-kolom ranking
yang berlainan berasal dari populasi yang sama atau suatu
populasi berasal dari median yang sama
Prosedur:
- Sama seperti Cochran, tapi menggunakan rank
- Masukkan skor-skor ke dalam tabel dua arah yang
memiliki k kolom (kondisi) dan N baris (subjek)
- Beri ranking skor tersebut pada masing-masing baris
- Tentukan jumlah ranking di tiap kolom
- Hitung harga Chi-Kuadrat, maka Lihat tabel C
dengan d.f. = k 1
Friedman
( )
( ) 1 3
1
12
1
2 2
+
(
+
=

=
k N R
k Nk
k
j
j
_
N = Jumlah baris (subjek)
k = jumlah kolom (variabel atau kondisi)
R = jumlah rank pada kolom j
( )
( )
1
1
1 3 12
2
2
1
2
2
+ +
+
=

=
k
T Nk
k Nk
k k N R
k
j
j
_
=
3
ij
t T
Jika ada rank yang sama :
Friedman
Suatu lembaga periklanan menduga bahwa faktor yang
menentukan tingkat penjualan produk adalah jenis
periklanan. Untuk mendukung pendapat tersebut,
seorang peneliti mengambil 6 kota dengan menanyakan
sumber informasi suatu produk terhadap masing-masing
responden yang membeli produknya. Apakah secara rata-
rata sumber informasi memberi pengaruh yang berbeda
terhadap jumlah penjualan?
Ho : Sumber informasi yang berbeda tidak memberi
pengaruh yang berbeda terhadap penjualan
H1 :Sumber informasi yang berbeda memberi
Friedman
Penjualan TV Radio S.K Papan
Reklame
A 12 (3) 14 (4) 6 (1) 9 (2)
B 20 (4) 15 (2) 16 (3) 4 (1)
C 23 (4) 10 (1) 16 (2) 18 (3)
D 10 (1) 19 (2.5) 20 (4) 19 (2.5)
E 17 (1) 22 (2) 23 (3.5) 23 (3.5)
F 18 (4) 9 (2) 5 (1) 14 (3)
R
1
= 17 R
2
= 13.5 R
3
= 14.5 R
4
= 15
Friedman
( )
( )
( ) ( )( ) ( )( )
( )( )( )
( )( )
67 . 0
1 4
36 4 6
5 4 6
5 4 6 3 15 5 . 14 5 . 13 17 12
1
1
1 3 12
2 2
2 2 2 2
2
2
1
2
2
=

+
+ + +
=
+ +
+
=

=
k
T Nk
k Nk
k k N R
k
j
j
_
( )( ) 36 2 2 4 4 6
3 3
3
3
= + + =
+ = =

t ties rk t T
ij
Friedman
Dengan nilai hitung sebesar 0.67 maka lihat tabel C
untuk d.f.= 3
Ho tidak ditolak
Sumber informasi yang berbeda tidak memberi
Friedman
Sebanyak 12 ibu RT dipilih secara acak untuk
dipertanyakan pendapatnya tentang 4 jenis minyak
goreng yang disukainya. Mereka disuruh memberikan
ranking dengan minyak yang paling disukai diberi angka
tinggi. Apakah ada jenis minyak goreng yang lebih
disukai?
CHAPTER 8
KASUS K SAMPEL INDEPENDEN
TES _
2
untuk k Independen Sampel
Fungsi:
- Merupakan perluasan dari uji _2 dua sampel independen.
- Untuk menentukan signifikansi perbedaan-perbedaan
antara k kelompok independen.
Metode:
- Susun dalam tabel k x r.
( )
=
k
i
i
i i
fe
fe fo
1
2
2
_
d.f = (k-1)(r-1)
TES _
2
Hipotesis Nol:
Ho : k sampel frekuensi atau proporsi berasal dari
populasi yang sama atau populasi-populasi yang
identik
H1 : k sampel frekuensi atau proporsi tidak berasal dari
populasi yang sama atau populasi-populasi yang
identik
Contoh:
TES _
2
Contoh:
Dalam suatu penelitian penyelidikan mengenai sifat dan
akibat stratifikasi sosial dalam suatu masyarakat kecil di
Barat Tengah Amerika Serikat. Hollingshead menemukan
bahwa anggota-anggota masyarakat itu membagi mereka
ke dalam lima kelas sosial: I, II, III, IV dan V.
Ramalannya adalah para remaja dalam kelas-kelas sosial
yang berlainan (Persiapan PT, Umum dan Perdagangan)
akan mencatatkan diri dalam mengikuti kurikulum-
kurikulum yang berbeda di sekolah menengah atas
Elmtown,
Contoh:
TES _
2
Ho : proporsi siswa yang tercatat dalam ketiga
kemungkinan kurikulum itu adalah sama untuk
semua kelas
H1 : proporsi siswa yang tercatat dalam ketiga
kemungkinan kurikulum itu adalah berbeda
untuk semua kelas
Tes Statistik:
Kelompok yang dipelajari adalah independen dan
lebih dari dua, maka digunakan Chi kuadrat
o = 1%
Contoh:
TES _
2
Kurikulum
Kelas
Total
I & II III IV V
Persiapan PT 23 40 16 2
81
7.3 30.3 38.0 5.4
Umum 11 75 107 14
207
18.6 77.5 97.1 13.8
Perdagangan 1 31 60 10
102
9.1 38.2 47.9 6.8
Total 35
146
183 26 390
Contoh:
TES _
2
_2 hitung = 69.2
d.f. = (k-1)(r-1) = (4-1)(3-1) = 6
o = 1% _2 tabel = 16.81
(_2 hitung = 69.2) > (_2 tabel = 16.81) Ho ditolak
Maka:
Pendaftaran kurikulum para siswa tidak independen
terhadap keanggotaan kelas sosial di antara kaum muda
Elmtown.
Perluasan Tes Median
Fungsi:
- Untuk menentukan apakah k kelompok independen telah ditarik
dari populasi yang sama atau dari populasi yang bermedian sama.
- Data minimal berskala ordinal
Metode:
- Tentukan Median gabungan skor-skor dalam k kelompok
- Bubuhkan tanda tambah untuk semua skor di bawah median dalam
tabel k x 2
- Hitunglah harga Chi-kuadrat dengan d.f.= k- 1
- Putuskan apakah Ho ditolak atau tidak dengan menggunakan tabel
C
Contoh:
Misalkan seorang peneliti bidang pendidikan ingin
mempelajari pengaruh banyak pendidikan yang
diperoleh terhadap tingkat minat ibu dalam hal sekolah
anaknya. Peneliti itu mengambil tingkat sekolah tertinggi
yang ditamatkan oleh seorang ibu sebagai indeks
banyak pendidikan yang diperolehnya. Sedangkan,
sebagai indeks minat dan perhatian terhadap sekolah
anaknya digunakan jumlah kunjungan suka rela setiap
ibu ke sekolah selama satu tahun ajaran.
Hipotesis peneliti adalah banyak kunjungan ibu akan
bervariasi menurut banyak tahun yang dilewati ibu-ibu
itu untuk bersekolah.
Contoh:
Hipotesis Nol:
Ho : Tidak ada perbedaan dalam frekuensi kunjungan ke
sekolah diantara para ibu yang berlainan tingkat
pendidikan yang mereka terima,
atau:
Frekuensi tingkat kunjungan ibu ke sekolah adalah
independen terhadap tingkat pendidikan yang
diperoleh si ibu
H1 : Frekuensi kunjungan ke sekolah oleh ibu berbeda-
beda menurut tingkat pendidikan yang diterima ibu
Contoh:
Tes Statistik:
- Kelompok ibu yang berpendidikan tertentu saling
independen.
- Jumlah pendidikan sekolah paling tinggi merupakan
skala ordinal.
- Maka digunakan tes median untuk melihat perbedaan
dalam nilai tengah.
o = 0.05
Pendidikan yang didapatkan ibu
SD SLTP SLTA AKADEMI S1 S2 & S3
4 2 2 9 2 2
3 4 0 4 4 6
0 1 4 2 5
7 6 3 3 2
1 3 8
2 0 0
0 2 5
3 5 2
5 1 1
1 2 7
1 6
5
1
Pendidikan yang didapatkan Ibu
SD SLTP SLTA AKADE
MI
S1 S2 &
S3
TOTAL
> Med 5
5
4
5.5
7
6.5
3
2
2
2
1
1
22
s Medi 5
5
7
5.5
6
6.5
1
2
2
2
1
1
22
TOTAL 10 11 13 4 4 2 44
Nilai Median adalah Data ke-22.5 atau nilai median adalah 2.5
Pendidikan yang didapatkan Ibu
SD SLTP SLTA Perguruan
Tinggi
TOTAL
> Med 5
5
4
5.5
7
6.5
6
5
22
s Medi 5
5
7
5.5
6
6.5
4
5
22
TOTAL 10 11 13 10 44
Nilai Median adalah Data ke-22.5 atau nilai median adalah 2.5
Contoh:
_2 hitung = 1.295
d.f. = ( k 1) = 4 1= 3
o = 5% _2 tabel = 7.82
(_2 hitung = 1.295) < (_2 tabel = 7.82) Ho tidak
ditolak
Maka:
Frekuensi tingkat kunjungan ibu ke sekolah adalah
independen terhadap tingkat pendidikan yang diperoleh si
ibu
Analisis Varian Ranking Satu
Arah Kruskal-Walis
Fungsi:
- Untuk menentukan apakah k sampel independen berasal
dari populasi-populasi yang berbeda.
- Data merupakan data kontinyu dengan skala data
minimal ordinal.
Ho: k sampel berasal dari populasi yang sama atau
populasi yang identik dengan median yang sama.
Arah Kruskal-Walis
Metode:
- Berilah ranking observasi-observasi untuk kelompok itu
dalam suatu urutan dari 1 hingga N.
- Tentukan harga R (jumlah ranking) untuk masing-masing
k kelompok itu.
- Jika suatu proporsi yang besar di antara observasi-
observasi itu berangka sama, hitunglah harga KW (8.5),
jika tidak gunakan rumus 8.3
- Jika k=3 dan jika n1, n2 dan n3 s5, gunakan tabel O
- Dalam kasus lain gunakan tabel C dengan d.f.=k-1
Arah Kruskal-Walis
Rumus:
( )
( ) 1 3
1
12
1
2
+
(
+
=

=
N R n
N N
KW
k
j
j j (8.3)
k = banyak sampel
n
j
= banyak kasus dalam sampel ke-j
N = banyak kasus dalam semua sampel = En
j
R
j
= jumlah ranking pada sampel atau grup j
= (N+1)/2 Rata-rata ranking
j
R
Arah Kruskal-Walis
Jika terjadi angka sama antara dua skor atau lebih (t),
tiap skor mendapat ranking yang sama (rata-rata skor).
( )
N N
t t
T
=

3
3
1
( )
( )
T
N R n
N N
KW
k
j
j j
1 3
1
12
1
2
+
(
+
=

=
(8.5)
Contoh: Analisis Varian Ranking
Satu Arah Kruskal-Walis
Misalkan seorang peneliti bidang pendidikan hendak menguji
hipotesis bahwa pada administrator sekolah biasanya lebih
bersifat otoriter daripada guru-guru kelas. Sungguhpun
demikian peneliti itu tahu bahwa data yang dipakai untuk
menguji hipotesis ini mungkin dikotori oleh kenyataan bahwa
banyak guru kelas yang memiliki orientasi administratif.
Artinya banyak guru menganggap para administrator sebagai
reference group. Untuk menghindari pengotoran itu dia
merancang untuk membagi 14 subjeknya ke dalam tiga
kelompok: guru berorientasi sebagai guru saja, guru
berorientasi administratif dan para administratif.
Hipotesis Nol
Ho : Tidak ada perbedaan di antara skor nilai tengah
dari ketiga sampel.
H1 : Terdapat perbedaan di antara skor nilai tengah dari
ketiga sampel.
Tes Statistik:
Untuk menguji tingkat otoriter dengan skala ordinal
digunakan uji Kruskal Wallis
Guru berorientasi
pengajaran
Guru berorientasi
Administratif
Administratif
96 82 115
128 124 149
83 132 166
61 135 147
101 109
Skor keotoriteran ketiga kelompok pendidik
Guru berorientasi
pengajaran
Guru berorientasi
Administratif
Administratif
4 2 7
9 8 13
3 10 14
1 11 12
5 6
R1=22
= 4.4
R2=37
=7.4
R3=46
= 11.5
Ranking keotoriteran ketiga kelompok pendidik
j
R
j
R
j
R
( )
( )
( )
( ) ( ) ( ) | | ( )
4 . 6
1 14 3 5 . 11 4 4 . 7 5 4 . 4 5
1 14 14
12
1 3
1
12
2 2 2
1
2
=
+
(
+ +
+
=
+
(
+
=

=
N R n
N N
KW
k
j
j j
KW = 6.4 untuk o=5% dan n1, n2, ,n3 adalah 5, 5, 4
didapat dari tabel O 5.64 sehingga 6.4>5.64 Ho ditolak
Maka:
Ketiga kelompok pendidik yang ditunjuk itu berbeda dalam
tingkat keotoriteran mereka.
Chapter 9
Ukuran Korelasi dan Tes
Signifikannya
Korelasi
Merupakan ukuran hubungan antar variabel
Angka korelasi 0 (tidak terdapat hubungan sama sekali)
Angka korelasi 1 (terdapat hubungan negatif sempurna)
Angka korelasi +1 (terdapat hubungan positif sempurna)
Angka korelasi mendekati -1 atau +1 maka hubungan kuat
Angka korelasi mendekati 0 maka hubungan lemah
Koefisien Kontigensi: C
The Cramer Coefficient C
Fungsi:
- Ukuran kadar hubungan antara dua himpunan atribut
- Skala pengukuran nominal
- Dipergunakan bila frekuensi tidak berurut
- data diskrit atau kontinyu
Metode Cramer Coefficient:
Aturlah frekuensi-frekuensi observasi dalam suatu tabel
kontigensi k x r
Hitung nilai Chi-kuadrat
Hitunglah nilai C
Uji signifikansinya dengan tabel C dan d.f.=(k-1)(r-1)
Rumus Cramer
( ) 1
2
=
L N
C
_
_
2
= Chi kuadrat
N = jumlah data
L = angka terkecil untuk jumlah baris atau kolom
Contoh Asosiasi Cramer
Contoh:
Dalam suatu penelitian penyelidikan mengenai sifat dan
akibat stratifikasi sosial dalam suatu masyarakat kecil di
Barat Tengah Amerika Serikat. Hollingshead menemukan
bahwa anggota-anggota masyarakat itu membagi mereka
ke dalam lima kelas sosial: I, II, III, IV dan V.
Ramalannya adalah para remaja dalam kelas-kelas sosial
yang berlainan (Persiapan PT, Umum dan Perdagangan)
mempunyai hubungan (dependen) dengan mengikuti
kurikulum-kurikulum yang berbeda di sekolah menengah
atas Elmtown,
Ho : Tidak terdapat hubungan yang signifikan
antara strata sosial dengan pemilihan kurikulum
H1 : Terdapat hubungan yang signifikan antara
strata sosial dengan pemilihan kurikulum
Tes Statistik:
data diskrit dan skala data nominal
Bertujuan mencari hubungan/asosiasi, maka
digunakan Asosiasi Cramer
o = 1%
Kurikulum
Kelas
Total
I & II III IV V
Persiapan PT 23 40 16 2
81
7.3 30.3 38.0 5.4
Umum 11 75 107 14
207
18.6 77.5 97.1 13.8
Perdagangan 1 31 60 10
102
9.1 38.2 47.9 6.8
Total 35
146
183 26 390
_2 hitung = 69.2
d.f. = (k-1)(r-1) = (4-1)(3-1) = 6
o = 1% _2 tabel = 16.81
(_2 hitung = 69.2) > (_2 tabel = 16.81) Ho ditolak
Maka:
Terdapat hubungan yang signifikan antara Pendaftaran
kurikulum para siswa dengan keanggotaan kelas sosial di
antara kaum muda Elmtown.
( )
30 . 0
) 1 3 ( 390
2 . 69
1
2
=
=
L N
C
_
Kelemahan Asosiasi Cramer
1. Asosiasi ini sama dengan nol bila tidak terdapat
hubungan sama sekali, namun tidak dapat mencapai
satu.
2. Batas-batas C tergantung k dan r
3. Keterbatasan pada aturan penggunaan Chi-kuadrat
4. C tidak dapat dibandingkan secara langsung pada
ukuran asosiasi manapun
Koefisien Korelasi Rank
Spearman (r
s
)
Fungsi:
Merupakan ukuran hubungan antara variabel dengan
skala pengukuran data ordinal
Metode:
data dibuat rangkingnya kemudian dicari selisihnya (d)
dan masukkan ke rumus:
N N
d
r
N
i
i
s
=

=
3
1
2
6
1
21261(1) NiisdrNN
Spearman (r
s
)
Jika terdapat ranking yang kembar digunakan rumus:

+
=
2 2
2 2 2
2 y x
d y x
r
s
Dimana:

= Tx
N N
x
12
3
2
y T
N N
y

=
12
3
2
12
3
t t
T

= t = Ranking kembar
Menguji Signifikansi r
s
Ho : = 0 tidak terdapat korelasi
H1 : = 0 terdapat korelasi
Digunakan distribusi student dengan d.f.= N 2
2
1
2
s
s
r
N r
t

=
Contoh Koefisien Korelasi
Rank Spearman (r
s
)
Dari hasil penelitian yang dilakukan di Bank Indonesia
terhadap delapan bank swasta yang berkantor pusat di
Bandung, ingin dilihat hubungan keterkaitan antara
Standar Pelaksanaan Fungsi Audit Intern Bank (SPFAIB)
dengan Satuan Kerja Audit Intern (SKAI) yang diambil
dengan menggunakan skala Likert dan total skor
ditampilkan pada tabel berikut:
Rank Spearman (r
s
)
Rank Spearman (r
s
)
Ho : Tidak terdapat hubungan signifikan antara SKAI dengan SPFAIB
H1 : Terdapat hubungan yang signifikan antara SKAI dengan SPFAIB

Atau dapat dinyatakan dalam bentuk hipotesis statistik sebagai berikut :
Ho : p = 0
H1 : p = 0
Rank Spearman (r
s
)
833 . 0
8 8
) 14 ( 6
1
6
1
3 3
1
2
=
=

=
N N
d
r
N
i
i
s
Rank Spearman (r
s
)
Karena terdapat ranking yang kembar digunakan rumus :
42
0
12
8 8
3
2
=
x
41
12
2 2
12
2 2
12
8 8
3 3 3
2
=
|
|
.
|
\
|

+
y
( ) ( )
831 , 0
41 . 42 2
14 41 42
=
+
= r

+
=
2 2
2 2 2
2 y x
d y x
r
s

= Tx
N N
x
12
3
2
y T
N N
y

=
12
3
2
12
3
t t
T

=
Rank Spearman (r
s
)
2
1
2
s
s
r
N r
t

=
( )
645 , 3
83 , 0 1
2 8 83 . 0
2
=

= t
nilai t = 3,645 dari hasil penelitian lebih besar dari pada nilai
t table dengan o=5% atau sebesar 2,447, atau dapat ditulis
nilai t
hitung
(3,645) > nilai t
tabel
(2,447), maka hipotesis
nol ditolak atau terdapat hubungan yang signifikan antara
SPFAIB dan SKAI.
Kendall: t
Fungsi:
Sama dengan Spearman dengan kelebihan bisa dilakukan
secara parsial
Metode:
- Beri ranking Variabel X dan Y dari 1 hingga N
- Susun ranking X secara wajar, yakni 1, 2, 3, , N
- Tentukan harga S
- Tentukan apakah ada ranking yang kembar atau tidak
- Uji signifikansi dengan pendekatan distribusi normal
Rumus Koefisien
Korelasi Rank Kendall: t
maksimum skor n kemungkina
sebenarnya skor
= t
Atau,
( ) 1
2
=
N N
S
t
Jika terdapat rank yang sama:
( ) ( )
Y X
T N N T N N
S

=
1 1
2
t
( )
= 1 t t T
Pengujian Koefisien
T
t
Z
o
t
=
Rata-rata distribusi normal =
T
= 0
Simpangan Baku =
( )
( ) 1 9
5 2 2
+
=
N N
N
T
o
Contoh Koefisien
Misalkan kita minta juri X dan Y untuk memberi ranking 12
karya tulis menurut kualitas gaya pemaparan. Apakah ada
hubungan yang signifikan antara ranking yang dibuat oleh
juri X dengan juri Y
Subjek A B C D E F G H I J K L
X 3 4 2 1 8 11 10 6 7 12 5 9
Y 3 6 5 1 10 9 8 3 4 12 7 11
Contoh Koefisien
Subjek D C A B K H I E L G F J
X 1 2 3 4 5 6 7 8 9 10 11 12
Y 1 5 2 6 7 3 4 10 11 8 9 12
Urutkan ranking juri X secara wajar
S = (11 0) + (7 3) + (9 0) + (6 2) + (5 2) + (6 0)
+ (5 0) + (2 2) + (1 2) + (2 0) + (1 0) = 44
Contoh Koefisien
( )
67 . 0
) 1 12 ( 12
) 44 ( 2
1
2
=
=
N N
S
t
( )
( )
( ) ( )
( )( )
03 . 3
1 12 12 9
5 12 2 2
67 . 0
1 9
5 2 2
=
+
=
+
=
N N
N
Z
t
Ho : p = 0
H1 : p = 0
P value = 0.0012 maka Ho ditolak pada o = 5%
Contoh Koefisien
Jika terdapat angka yang sama:
Subjek A B C D E F G H I J K L
X 3 4 2 1 8 11 10 6 7 12 5 9
Y 1.5 1.5 3.5 3.5 5 6 7 8 9 10.5 10.5 12
Contoh Koefisien
Subjek D C A B K H I E L G F J
X 1 2 3 4 5 6 7 8 9 10 11 12
Y 3.5 3.5 1.5 1.5 10.5 8 9 5 12 7 6 10.5
Urutkan ranking juri X secara wajar
S = (8 2) + (8 2) + (8 0) + (8 0) + (1 5) + (3 3)
+ (2 3) + (4 0) + (0 3) + (1 1) + (1 0) = 25
Contoh Koefisien
( ) ( )
39 . 0
6 ) 1 12 )( 12 ( 0 ) 1 12 )( 12 (
) 25 ( 2
1 1
2
=

=

=
Y X
T N N T N N
S
t
( ) 6 ) 1 2 ( 2 ) 1 2 ( 2 ) 1 2 ( 2 1 = + + = =
t t T
Y
Koefisien Korelasi Ranking Partial
Kendall: t
xy.z
Fungsi:
- Data mempunyai skala minimal ordinal
- digunakan untuk menghitung korelasi antara variabel X
dan Variabel Y dengan menjaga variabel ketiga (Z)
konstan.
Metode:
- Misalkan X dan Y adalah dua variabel yang hubungannya
akan kita tentukan dan Z adalah variabel yang efeknya
terhadap X dan Y akan diparsialkan, atau dianggap konstan
- Beri ranking untuk variabel X, Y, dan Z
- Hitung nilai korelasi kendal untuk t
xy
, t
xz
, dan t
zy
- Hitung nilai t
xy.z
Koefisien Korelasi Ranking Partial
Kendall: t
xy.z
( )( )
2 2
.
1 1
zx zy
zx zy xy
z xy
t t
t t t
t

=
Tes Signifikansi Partial Kendall
Tidak ada
Contoh: Koefisien Korelasi
Ranking Partial Kendall: t
xy.z
Bila dibuat penelitian tentang bagaimana hubungan antara
variabel produktivitas dengan variabel ketenangan ruang
kerja merupakan akibat dari variabel lain berupa emosi dari
pekerjanya.
Kemudian diambil 12 karyawan, dicatat produktivitas dan
sekaligus ditanya ketenangan ruang kerja yang bagaimana
untuk bisa mendapatkan produktivitas tersebut. Selain itu,
diukur tingkat emosionalnya dengan metode tertentu.
xy.z
Ranking dari skor tiap variabel:
subjek
Produktivitas
X
Ketenangan
Ruang Kerja
Y
Emosi
Z
A 3 2 1.5
B 4 6 1.5
C 2 5 3.5
D 1 1 3.5
E 8 10 5
F 11 9 6
G 10 8 7
H 6 3 8
I 7 4 9
J 12 12 10.5
K 5 7 10.5
L 9 11 12
xy.z
Dengan menggunakan rumus koefisien korelasi Kendall
maka didapat t
xy
= 0.67, t
xz
= 0.39, dan t
zy
= 0.36.
Maka, kita bisa hitung t
xy.z
:
.22 22 11 0.670.360.39 0.63 10.3610.39 xyzyzx xyz zyzx
Koefisien Konkordasi Kendall
Fungsi:
Merupakan pengukuran derajat asosiasi untuk k variabel
Metode:
- N banyak individu yang diberi ranking dan k banyak
penilai yang memberi ranking
- Tetapkan jumlah masing-masing ranking R
j
- Tentukan rata-rata R
j
- Apabila proporsi angka sama dalam k himpunan
ranking itu besar, hitung W (9.16) kalau tidak gunakan
rumus 9.15
Koefisien Konkordasi Kendall
) (
12
1
3 2
N N k
s
W

=
T
T k N N k
s
W
) (
12
1
3 2
9.15
9.16 (jika terdapat
ranking yang sama)

|
|
.
|
\
|
=
2
N
R
R s
j
j
( )
12
3

=
t t
T
Uji Signifikansi
Jika k=3 sampai dengan k =20 dan N dari 3 sampai
dengan 7 Gunakan tabel R di buku Edisi 1 (coklat)
Bila N lebih dari 7 gunakan chi Kuadrat dengan
D.F = N 1 :
( )W N k 1
2
= _
Contoh: Koefisien Konkordasi
Kendall
Misalkan tiga eksekutif perusahaan diminta untuk
mewawancarai 6 pelamar kerja dan memberi ranking
kepada mereka secara terpisah menurut urutan
ketepatan mereka dalam mengisi suatu lowongan.
Bagaimana derajat kecocokan ketiga eksekutif tersebut
dalam memberi ranking Keenam pelamar pekerjaan.
Kendall
a b c d e f
Eksekutif X 1 6 3 2 5 4
Eksekutif Y 1 5 6 4 2 3
Eksekutif Z 6 3 2 5 4 1
R 8 14 11 11 11 8
Pelamar
Rata-rata R = (8+14+11+11+11+8)/6 = 10.5
S = (8 10.5)
2
+ (14 10.5)
2
+ + (8 10.5)
2
=
25.5
( )
16 . 0
6 6 ) 3 (
12
1
5 . 25
) (
12
1
3 2 3 2
=
=
N N k
s
W
Contoh Koefisien
Ho : k ranking tidak berhubungan
H1 : k ranking berhubungan
K = 3 N =6 W = 0.16 s = 25.5
o = 5%
Dari tabel R buku Ed 1 (coklat) kita dapatkan 103.9
Sehingga 25.5 < 103.9 Ho diterima
Kendall
Jika dari soal di atas kita rubah datanya, sehingga
terdapat ranking yang sama.
a b c d e f g h I j
Eksekutif X 1 4.5 2 4.5 3 7.5 6 9 7.5 10
Eksekutif Y 2.5 1 2.5 4.5 4.5 8 9 6.5 10 6.5
Eksekutif Z 2 1 4.5 4.5 4.5 4.5 8 8 8 10
R 5.5 6.5 9 13.5 12 20 23 23.5 20.5 26.5
Pelamar
Rata-rata R = (5.5+6.5+9+13.5+12+20+23+23.5+25.5+26.5)/10 = 16.5
S = (5.5 16.5)
2
+ (6.5 16.5)
2
+ + (26.5 16.5)
2
= 591
Kendall
( )
( ) ( )
( )
( ) ( ) ( )
( )
( ) ( )
7
12
3 3 4 4
12
5 . 1
12
2 2 2 2 2 2
12
1
12
2 2 2 2
12
3 3
3
3 3 3
3
3 3
3
=
+
=
=
=
+ +
=
=
=
+
=
t t
T
t t
T
t t
T
z
y
x
Kendall
( ) ( ) ( )
828 . 0
7 5 . 1 1 3 10 10 3
12
1
591
) (
12
1
3
2
3 2
=
+ +
=

=
T
T k N N k
s
W
Kendall
( ) ( )( ) 356 . 22 828 . 0 1 10 3 1
2
= = = W N k _
Ho : k ranking tidak berhubungan
H1 : k ranking berhubungan
K = 3 N =10 W = 0.828 s = 591
o = 5%
Pada tabel C dengan d.f = 10 1 = 9 didapat 16.92
Maka 22.36 > 16.92 Ho ditolak
Kesimpulan : Terdapat k ranking berhubungan
Koefisien Korelasi Pearson
( ) ( )

=
2
2
2
2
. Y Y n X X n
Y X XY n
r
Digunakan bila skala data minimal Interval
Koefisien determinasi: r
2
Statistik Uji:
2
1
2
r
n r
t
=
Contoh Pearson
Misal kita ingin melihat hubungan yang terjadi antara
variabel biaya tetap dengan variabel laba yang dicapai
pada suatu perusahaan X.
Ho : Tidak terdapat keeratan hubungan yang
signifikan dari variabel Biaya Tetap (X) dengan Laba
yang dicapai (Y).
H1: Terdapat keeratan hubungan yang signifikan dari
variabel Biaya Tetap (X) dengan Laba yang dicapai
(Y).
Contoh Pearson
Tahun X Y X
2
Y
2
XY
1990 20.157 30.231 406.304.649 913.913.361 609.366.267
1991 21.776 28.334 474.194.176 802.815.556 617.001.184
1992 29.135 29.630 848.848.225 877.936.900 863.270.050
1993 36.741 45.707 1.349.901.081 2.089.129.849 1.679.320.887
1994 42.448 61.043 1.801.832.704 3.726.247.849 2.591.153.264
1995 47.564 76.363 2.262.334.096 5.831.307.769 3.632.129.732
1996 56.137 103.977 3.151.362.769 10.811.216.529 5.836.956.849
Total 253.958 375.285 10.294.777.700 25.052.567.813 15.829.198.233
Contoh Pearson
( ) { } ( ) { }
( ) { } ( ) { }
919023 , 0
99 , 0
375285 ) 3 2505256781 ( 7 . 253958 ) 0 1029477770 ( 7
) 375285 )( 253958 ( ) 3 1582919823 ( 7
.
2 2
2 2
2
2
2
2
= =
=

=

=
r R
r
Y Y n X X n
Y X Y X n
r
i i i i
i i i i
Contoh Pearson
532976 , 7
958657 , 0 1
2 7 958657 , 0
1
2
2
2
=
=
t
r
n r
t
Dengan d.f = n 2 = 7 2 = 5 dan o = 5%
t tabel = 2.5706
Sehingga Ho ditolak
Korelasi untuk Skala Data
yang Berbeda
Nominal Ordinal Interval
Nominal Cramer
Teta Eta
Ordinal Rank Spearman
Rank Kendal
Jaspen
Interval Pearson
Wilcoxons Theta, u
Fungsi:
Untuk mengukur korelasi dengan satu variabel skala
datanya nominal dan ordinal untuk variabel lainnya.
2
T
D
i
= u
D = perbedaan absolut antara total frekuensi
T = total masing-masing frekuensi untuk kelas
nominal dikali dengan setiap total lainnya
Contoh : Wilcoxons Theta, u
Seorang peneliti ingin melihat perbedaan keramahan
dari laki-laki dan perempuan yang belum menikah. Data
keramahan diperoleh dengan skor dari 1 (keramahan
rendah) sampai dengan 5 (keramahan tinggi), sehingga
skala data ordinal. Untuk data laki-laki atau perempuan
merupakan skala data nominal.
Ho : tidak terdapat hubungan antara keramahan dan
jenis kelamin
H1 : terdapat hubungan antara keramahan dan
jenis kelamin
Sex 0 1 2 3 4 5 total
Laki-laki 12 16 18 22 28 35 131
Perempuan 29 22 24 15 12 9 111
total 41 38 42 37 40 44 242
Tingkat keramahan
Fa = (12)(0)+(16)(29)+(18)(29+22)+(22)(29+22+24)+
(28)(29+22+24+15)+(35)(29+22+24+15+12)
= 9122
Fb = (12)(22+24+15+12+9)+(16)(24+16+12+9)+
(18)(15+12+19)+(22)(12+9)+(28)(9)+(35)(0)
= 3306
ED = | 9122 3306 | = 5816
(Total laki-laki) x (total perempuan) = 131 x 111 = 14541
40 . 0
14541
5816
= = u
2
T
D
i
= u
Eta, Rasio Korelasi q
Fungsi:
datanya nominal dan interval untuk variabel lainnya.
Misalnya untuk melihat hubungan dari:
- keanggotaan grup dengan usia
- jabatan dengan jumlah waktu luang
Salah satu pilihan cara untuk mempermudah adalah
dengan menurunkan skala dari interval ke ordinal
sehingga bisa digunakan Theta
Ladinsky (1967). Tertarik pada keterkaitan antara tingkat
pendidikan yang dicapai dan tingkat jabatan yang
diperoleh pada sampel pengacara di kota Detroit yang
dihubungkan dengan tingkat pendapatannya.
Jika pengacara dibagi dua menjadi solo (pengacara
yang praktek hukum secara privat) dan firm (pengacara
yang praktek melalui fima atau bergabung dengan
pengacara lain).
Jika diasumsikan solo adalah pengacara yang
mendapat pendidikan dan training lebih sedikit dan
kualitas yang lebih kecil dibandingkan dengan
pengacara firm, sehingga pendapatan yang diterima
oleh masing-masing pihak pengacara akan berbeda.
Pertanyaan: apakah tingkat pendapatan pengacara
(interval/rasio) akan berhubungan dengan tipe dari
pengacara (nominal)?
Solo Firm
N
1
= 13 N
2
= 14
Pendapatan / Y (ribu dollar per tahun)
Y
1
Y
1
2
Y
2
Y
2
2
27 729 28 784
40 1,600 35 1,225
19 361 42 1,764
35 1,225 39 1,521
37 1,369 41 1,681
41 1,681 47 2,209
33 1,089 62 3,844
28 784 58 3,364
26 676 41 1,681
22 484 33 1,089
27 729 29 841
26 676 47 2,209
42 1,764 49 2,401
403 13,167 42 1,764
593 26,377
Rata-rata 31 Rata-rata 42.4
Grand Rata-rata 36.9
Total Kuadrat 39544
Tipe Pengacara (X)
( )( ) ( )( )
( )( )
2
2 1
2
2
2 2
2
1 1
2
1
T T
T
Y N N Y
Y N Y N Y
+

=
q
( )( ) ( )( )
( )( )
57 . 0
9 . 36 14 13 39544
4 . 42 14 31 13 39544
1
2
2 2
=
+

= q
Interpretasi Eta, Rasio Korelasi q
0.57 memperlihatkan hubungan yang moderat antara
pendapatan dengan tipe pengacara.
Kuadrat dari eta (0.57)
2
=0.32 mengindikasikan bahwa
32 persen dari kesalahan dalam memperkirakan tingkat
pendapatan dapat dihitung dari tipe pengacaranya.
Pengujian Eta, Rasio Korelasi q
Pengujiannya menggunakan F statistik:
( )
( )( ) 1 1
2
2

=
k
k N
F
q
q
N = Jumlah total dari kedua sampel
k = jumlah kelas dari variabel berskala nominal
Gunakan tabel F dengan kolom ( k - 1) dan baris (N - k)
( )
( )( )
( ) ( )
( )( )
76 . 11
1 2 57 . 0 1
2 27 57 . 0
1 1
2
2
2
2
=

=

=
k
k N
F
q
q
Ho : q = 0
H1 : q = 0
dengan o = 0.01 didapat tabel F sebesar 7.77 dan F
hitung 11.43, maka Ho ditolak.
Maka koefisien eta berbeda dari nol
Asumsi Eta
Acak
Satu variabel skala nominal dan variabel lain skala interval
variabel interval mempunyai distribusi kontinyu
mempunyai kurva linear
Jaspens M
Fungsi:
datanya ordinal dan interval untuk variabel lainnya.
Jaspens M
Misalnya ingin diteliti bagaimana degree of community
development (X) keterkaitannya dengan lamanya tinggal
atau years in the community (Y)
Dimana X adalah ordinal dan Y adalah interval/rasio
X 5 4 3 2 1
Y 15 16 5 10 2
17 12 10 12 5
19 8 12 10 11
23 3 4 8 4
14 20 10 2 6
28 14 9 7 4
22 13 8 5 7
12 12 5 9
9 10 5 6
15 10
22
21
rata-rata 18.1 11.8 8.3 7.1 6.0
N 12 10 7 9 9
Jaspens M
Rank Y p Cp ob
5 18.08 0.26 0.26 0.3244
4 11.80 0.21 0.47 0.3978
3 8.29 0.15 0.62 0.3808
2 7.11 0.19 0.81 0.2714
1 6.00 0.19 1.00 0
oa ob-oa
(ob-oa)
2
(ob-oa)
2
/p
Y(ob-oa)
0.0000 0.3244 0.1052 0.4046 5.8716
0.3244 0.0734 0.0054 0.0257 0.8661
0.3978 -0.0170 0.0003 0.0020 -0.1411
0.3808 -0.1094 0.0120 0.0632 -0.7767
0.2714 -0.2714 0.0737 0.3879 -1.6284
0.0000 0.8834 4.1915
Jaspens M - Simpangan Baku
( )
T
T
y
N
N
Y
Y
S
2
2

=
( )
( )
05 . 6
47
47
511
7275
2
2
2
=
T
T
y
N
N
Y
Y
S
Jaspens M
( )( )
( )
( )
=
p
o o
S
o o Y
M
a b
y
a b i
2
( )( )
78 . 0
8834 . 0 05 . 6
1915 . 4
=
= M
Jaspens M - Test Signifikan
( )
( )
(

=
p
o o
M r
a b
2
( )
73 . 0
8834 . 0 78 . 0
=
= r
Ho : M = 0
H1 : M = 0
Lihat tabel A7 dengan df = N - k = 47 - 2 = 45, maka
dengan o = 1% didapat 0.372 sehingga Ho ditolak
Jaspens M
Jaspens M
Jaspens M

Nonparametrik Statistik

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Nonparametrik Statistik

Diunggah oleh

Hak Cipta:

Format Tersedia

by Wawan Hermawan, SE., MT.

15 Desember 2004 by Wawan Hermawan, SE., MT. 161

P value = 0.1020 > 0.05 maka Ho tidak ditolak

Anda mungkin juga menyukai