Uji Chi-square yang umum dikenal oleh banyak orang adalah pengujian terhadap keterkaitan antara dua buah

variabel hasil perhitungan (count data), sehingga dasar pengujian yang digunakan adalah selisih nilai proporsi dari
nilai observasi dengan nilai harapan. Ada pula yang mengasosiasikan uji chi-square sebagai pengujian untuk melihat
hubungan antara dua buah variabel kualitatif (katagorik). Umumnya keterkaitan antar dua variabel kualitatif secara
deskriptif ditampilkan dalam bentuk tabel kontingensi (CrossTabulation). Ada banyak jenis uji selisih proporsi/uji
chi-square yang dikemukakan oleh banyak buku dan literatur, setiap jenis pengujian tersebut didasarkan pada asumsiasumsi tertentu yang harus dipenuhi oleh data yang akan diujikan, berikut beberapa uji proporsi (Chi-square yang
umum digunakan):

UJI PEARSON CHI-SQUARE:

Uji pearson Chi-square digunakan untuk menguji keterkaitan antar dua variabel katagori dimana asumsinya nilai
harapan untuk setiap sel minimal 5 atau lebihy, dengan kata lain data yang terlibat dalam uji Pearson Chi-square
harus lah banyak, berikut contoh data yang memenuhi asumsi dari uji Pearson Chi-square: Data dibawah digunakan
untuk melihat hubungan antara tipe sekolah dengan gender, apakah ada kecenderungan sekolah swasta lebih banyak
murid perempuan jika dibandingkan dengan sekolah negeri.
Data

Prosedur Analisa

Masukan Variabel :

Klik Statistics..

Continue
Kemudian Klik Cells..

Continue
Kemudian Klik OK

OUTPUT

Tabel Kontingensi

Informasi mengenai proporsi jumlah Laki-laki dan Perempuan berdasarkan Katagori Sekolah. Terlihat
persentasi/proporsi jumlah LAKI-LAKI di sekolah NEGERI dan SWASTA relatif sama, begitu pula dengan siswa
PEREMPUAN..

Uji Chi-Square

Terlihat dari hasil uji Pearson Chi-square di dapat nilai signifikan (p-value) = 0,828 sehingga keputusan yang kita
ambil adalah menerima Ho yang berarti bahwa tidak ada perbedaan yang signifikan proporsi LAKI-LAKI dan
PEREMPUAN antara sekolah Negeri dengan sekolah SWASTA.
A. Pendahuluan
Beberapa ahli berpendapat bahwa pelaksanaan penelitian dengan menggunakan metode ilmiah diantaranya adalah
melakukan langkah-langkah sistematis. Metode ilmiah adalah merupakan pengejaran terhadap kebenaran relatif yang
diatur oleh pertimbangan-pertimbangan logis. Karena keberadaan dari ilmu itu adalah untuk memperoleh interelasi
yang sistematis dari fakta-fakta, maka metode ilmiah berkehendak untuk mencari jawaban tentang fakta-fakta dengan
menggunakan pendekatan kesangsian sistematis. Karenanya, penelitian dan metode ilmiah, jika tidak dikatakan sama,
mempunyai hubungan yang relatif dekat. Karena dengan adanya metode ilmiah, pertanyaan-pertanyaan dalam
mencari dalil umum, akan mudah dijawab.
Menuruti Schluter (Moh Nazir, 2006), langkah penting sebelum sampai tahapan analisis data dan penentuan model
adalah ketika kita melakukan pengumpulan dan manipulasi data sehingga bisa digunakan bagi keperluan pengujian
hipotesis. Mengadakan manipulasi data berarti mengubah data mentah dari awal menjadi suatu bentuk yang dapat
dengan mudah memperlihatkan hubungan-hubungan antar fenomena. Kelaziman kuantifikasi sebaiknya dilakukan
kecuali bagi atribut-atribut yang tidak dapat dilakukan. Dan dari kuantifikasi data itu, penentuan mana yang
dikatakan data nominal, ordinal, interval dan ratio bisa dilakukan demi memasuki wilayah penentuan model.
Pada ilmu-ilmu sosial yang telah lebih berkembang, melakukan analisis berdasarkan pada kerangka hipotesis
dilakukan dengan membuat model matematis untuk membangun refleksi hubungan antar fenomena yang secara
implisit sudah dilakukan dalam rumusan hipotesis. Analisis data merupakan bagian yang amat penting dalam metode
ilmiah. Data bisa memiliki makna setelah dilakukan analisis dengan menggunakan model yang lazim digunakan dan
sudah diuji secara ilmiah meskipun memiliki peluang menggunakan alat analisis lain. Akan tetapi masing-masing
model, jika ditelaah satu demi satu, sebenarnya hanya sebagian saja yang bisa digunakan untuk kondisi dan data
tertentu. Ia tidak bisa digunakan untuk menganalisis data jika model yang digunakan kurang sesuai dengan
bagaimana kita memperoleh data jika menggunakan instrumen. Timbangan tidak bisa digunakan untuk mengukur
tinggi badan seseorang. Sebaliknya meteran tidak bisa digunakan untuk mengukur berat badan seseorang. Karena
masing-masing instrumen memiliki kegunaan masing-masing.
Dalam hal ini, tentu saja kita tidak ingin menggunakan model analisis hanya semata-mata karena menuruti selera dan
kepentingan. Suatu model hanya lazim digunakan setelah kita mempertimbangkan kondisi bagaimana data
dikumpulkan. Karena dalam teori, alat analisis model adalah alat yang tidak bisa digunakan dalam kondisi yang tidak
sesuai dengan pertimbangan-pertimbangan logis. Ia memang bisa digunakan untuk menghitung secara matematis,
akan tetapi tidak dalam teori. Banyaknya konsumsi makanan tentu memiliki hubungan dengan berat badan seseorang.
Akan tetapi banyaknya konsumsi makanan penduduk pulau Nias, tidak akan pernah memiliki hubungan dengan berat
badan penduduk Kalimantan. Motivasi kerja sebuah perusahaan makanan ringan, tidak akan memiliki hubungan
dengan produktivitas petani Sawit. Model analisis statistik hanya bisa digunakan jika data yang diperoleh memiliki
syarat-syarat tertentu. Salah satu diantaranya adalah masing-masing variabel tidak memiliki hubungan linier yang
eksak. Data yang kita peroleh melalui instrumen pengumpul data itu bisa dianalisis dengan menggunakan model
tanpa melanggar kelaziman.
Bagi keperluan analisis penelitian ilmu-ilmu sosial, teknik mengurutkan sesuatu ke dalam skala itu artinya begitu
penting mengingat sebagian data dalam ilmu-ilmu sosial mempunyai sifat kualitatif. Atribut saja sebagai objek
penelitian selain kurang representatif bagi peneliti, juga sebagian orang saat ini menginginkan gradasi yang lebih baik
bagi objek penelitian. Orang selain kurang begitu puas dengan atribut baik atau buruk, setuju atau tidak setuju, tetapi

juga menginginkan sesuatu yang berada diantara baik dan buruk atau diantara setuju dan tidak setuju. Karena gradasi,
merupakan kelaziman yang diminta bagi sebagian orang bisa menguak secara detail objek penelitian. Semakin
banyak gradasi yang dibuat dalam instrumen penelitian, hasilnya akan makin representatif.
Menuruti Moh. Nazir (2006), teknik membuat skala adalah cara mengubah fakta-fakta kualitatif (atribut) menjadi
suatu urutan kuantitatif (variabel). Mengubah fakta-fakta kualitatif menjadi urutan kuantitatif itu telah menjadi satu
kelaziman paling tidak bagi sebagian besar orang, karena berbagai alasan. Pertama, eksistensi matematika sebagai
alat yang lebih cenderung digunakan oleh ilmu-ilmu pengetahuan sehingga bisa mengundang kuantitatif variabel.
Kedua, ilmu pengetahuan, disamping akurasi data, semakin meminta presisi yang lebih baik, lebih-lebih dalam
mengukur gradasi. Karena perlunya presisi, maka kita belum tentu puas dengan atribut baik atau buruk saja. Sebagian
peneliti ingin mengukur sifat-sifat yang ada antara baik dan buruk tersebut, sehingga diperoleh suatu skala gradasi
yang jelas.
B. Pembahasan
a. Data nominal
Sebelum kita membicarakan bagaimana alat analisis data digunakan, berikut ini akan diberikan ulasan tentang
bagaimana sebenarnya data nominal yang sering digunakan dalam statistik nonparametrik bagi mahasiswa. Menuruti
Moh. Nazir, data nominal adalah ukuran yang paling sederhana, dimana angka yang diberikan kepada objek
mempunyai arti sebagai label saja, dan tidak menunjukkan tingkatan apapun. Ciri-ciri data nominal adalah hanya
memiliki atribut, atau nama, atau diskrit. Data nominal merupakan data diskrit dan tidak memiliki urutan. Bila objek
dikelompokkan ke dalam set-set, dan kepada semua anggota set diberikan angka, set-set tersebut tidak boleh tumpang
tindih dan bersisa. Misalnya tentang jenis olah raga yakni tenis, basket dan renang. Kemudian masing-masing
anggota set di atas kita berikan angka, misalnya tenis (1), basket (2) dan renang (3). Jelas kelihatan bahwa angka
yang diberikan tidak menunjukkan bahwa tingkat olah raga basket lebih tinggi dari tenis ataupun tingkat renang lebih
tinggi dari tenis. Angka tersebut tidak memberikan arti apa-apa jika ditambahkan. Angka yang diberikan hanya
berfungsi sebagai label saja. Begitu juga tentang suku, yakni Dayak, Bugis dan Badui. Tentang partai, misalnya Partai
Bulan, Partai Bintang dan Partai Matahari. Masing-masing kategori tidak dinyatakan lebih tinggi dari atribut (nama)
yang lain. Seseorang yang pergi ke Jakarta, tidak akan pernah mengatakan dua setengah kali, atau tiga seperempat
kali. Tetapi akan mengatakan dua kali, lima kali, atau tujuh kali. Begitu juga tentang ukuran jumlah anak dalam suatu
keluarga. Numerik yang dihasilkan akan selalu berbentuk bilangan bulat, demikian seterusnya. Tidak akan pernah ada
bilangan pecahan. Data nominal ini diperoleh dari hasil pengukuran dengan skala nominal. Menuruti Sugiono, alat
analisis (uji hipotesis asosiatif) statistik nonparametrik yang digunakan untuk data nominal adalah Coefisien
Contingensi. Akan tetapi karena pengujian hipotesis Coefisien Contingensi memerlukan rumus Chi Square (2),
perhitungannya dilakukan setelah kita menghitung Chi Square. Penggunaan model statistik nonparametrik selain
Coefisien Contingensi tidak lazim dilakukan.
b. Data ordinal
Bagian lain dari data yang sering digunakan dalam statistik nonparametrik adalah data ordinal. Data ini, selain
memiliki nama (atribut), juga memiliki peringkat atau urutan. Angka yang diberikan mengandung tingkatan. Ia
digunakan untuk mengurutkan objek dari yang paling rendah sampai yang paling tinggi, atau sebaliknya. Ukuran ini
tidak memberikan nilai absolut terhadap objek, tetapi hanya memberikan peringkat saja. Jika kita memiliki sebuah set
objek yang dinomori, dari 1 sampai n, misalnya peringkat 1, 2, 3, 4, 5 dan seterusnya, bila dinyatakan dalam skala,
maka jarak antara data yang satu dengan lainnya tidak sama. Ia akan memiliki urutan mulai dari yang paling tinggi
sampai paling rendah. Atau paling baik sampai ke yang paling buruk. Misalnya dalam skala Likert (Moh Nazir),
mulai dari sangat setuju, setuju, ragu-ragu, tidak setuju sampai sangat tidak setuju. Atau jawaban pertanyaan tentang
kecenderungan masyarakat untuk menghadiri rapat umum pemilihan kepala daerah, mulai dari tidak pernah absen
menghadiri, dengan kode 5, kadang-kadang saja menghadiri, dengan kode 4, kurang menghadiri, dengan kode 3,
tidak pernah menghadiri, dengan kode 2 sampai tidak ingin menghadiri sama sekali, dengan kode 1. Dari hasil

pengukuran dengan menggunakan skala ordinal ini akan diperoleh data ordinal. Alat analisis (uji hipotesis asosiatif)
statistik nonparametrik yang lazim digunakan untuk data ordinal adalah Spearman Rank Correlation dan Kendall Tau.
c. Data interval
Pemberian angka kepada set dari objek yang mempunyai sifat-sifat ukuran ordinal dan ditambah satu sifat lain, yakni
jarak yang sama pada pengukuran dinamakan data interval. Data ini memperlihatkan jarak yang sama dari ciri atau
sifat objek yang diukur. Akan tetapi ukuran interval tidak memberikan jumlah absolut dari objek yang diukur. Data
yang diperoleh dari hasil pengukuran menggunakan skala interval dinamakan data interval. Misalnya tentang nilai
ujian 4 orang mahasiswa, yakni A, B, C, dan D diukur dengan ukuran interval pada skala prestasi dengan ukuran 1, 2,
3, dan 4, maka dapat dikatakan bahwa beda prestasi antara mahasiswa C dan A adalah 3 1 = 2. Beda prestasi antara
mahasiswa D dan B adalah 4 2 = 2. Akan tetapi tidak bisa dikatakan bahwa prestasi mahasiswa D adalah 2 kali
prestasi mahasiswa B ataupun prestasi mahasiswa D adalah 4 kali lebih baik dari prestasi mahasiswa A. Selain itu
ukuran interval juga tidak memiliki nilai nol mutlak, seperti halnya suhu dalam skala termometer. Dari hasil
pengukuran dengan menggunakan skala interval ini akan diperoleh data interval. Alat analisis (uji hipotesis asosiatif)
statistik parametrik yang lazim digunakan untuk data interval ini adalah Pearson Korelasi Product Moment, Partial
Correlation, Multiple Correlation, Partial Regression, dan Multiple Regression.
d. Data rasio
Ukuran yang meliputi semua ukuran di atas ditambah dengan satu sifat yang lain, yakni ukuran yang memberikan
keterangan tentang nilai absolut dari objek yang diukur dinamakan ukuran rasio (data rasio). Data rasio, yang
diperoleh melalui mengukuran dengan skala rasio memiliki titik nol. Karenanya, interval jarak tidak dinyatakan
dengan beda angka rata-rata satu kelompok dibandingkan dengan titik nol di atas. Oleh karena ada titik nol, maka
data rasio dapat dibuat perkalian ataupun pembagian. Angka pada data rasio dapat menunjukkan nilai sebenarnya dari
objek yang diukur. Jika ada 4 orang pengemudi, A, B, C dan D mempunyai pendapatan masing-masing perhari Rp.
10.000, Rp.30.000, Rp. 40.000 dan Rp. 50.000. Bila dilihat dengan ukuran rasio maka pendapatan pengemudi C
adalah 4 kali pendapatan pengemudi A. Pendapatan pengemudi D adalah 5 kali pendapatan pengemudi A. Pendapatan
pengemudi C adalah 4/3 kali pendapatan pengemudi B. Dengan kata lain, rasio antara pengemudi C dan A adalah 4 :
1, rasio antara pengemudi D dan A adalah 5 : 1, sedangkan rasio antara pengemudi C dan B adalah 4 : 3. Interval
pendapatan pengemudi A dan C adalah 30.000, dan pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A.
Contoh data rasio lainnya adalah berat badan bayi yang diukur dengan skala rasio. Bayi A memiliki berat 3 Kg. Bayi
B memiliki berat 2 Kg dan bayi C memiliki berat 1 Kg. Jika diukur dengan skala rasio, maka bayi A memiliki rasio
berat badan 3 kali dari berat badan bayi C. Bayi B memiliki rasio berat badan dua kali dari berat badan bayi C, dan
bayi C memiliki rasio berat badan sepertiga kali berat badan bayi A, dst. Dari hasil pengukuran dengan menggunakan
skala rasio ini akan diperoleh data rasio. Alat analisis (uji hipotesis asosiatif) yang digunakan adalah statistik
parametrik dan yang lazim digunakan untuk data ratio ini adalah Pearson Korelasi Product Moment, Partial
Correlation, Multiple Correlation, Partial Regression, dan Multiple Regression.
Sesuai dengan ulasan jenis pengukuran yang digunakan, maka variabel penelitian lazimnya bisa di bagi menjadi 4
jenis variabel, yakni variabel nominal, variabel ordinal, variabel interval, dan variabel ratio. Variabel nominal, yaitu
variabel yang dikategorikan secara diskrit dan saling terpisah satu sama lain, misalnya status perkawinan, jenis
kelamin, suku bangsa, profesi pekerjaan seseorang dan sebagainya. Variabel ordinal adalah variabel yang disusun atas
dasar peringkat, seperti motivasi seseorang untuk bekerja, peringkat perlombaan catur, peringkat tingkat kesukaran
suatu pekerjaan dan lain-lain. Variabel interval adalah variabel yang diukur dengan ukuran interval seperti indek
prestasi mahasiswa, skala termometer dan sebagainya, sedangkan variabel rasio adalah variabel yang disusun dengan
ukuran ratio seperti tingkat penganggguran, penghasilan, berat badan, dan sebagainya.
e. Konversi variabel ordinal
Adakalanya kita tidak ingin menguji hipotesis dengan alat uji hipotesis statistik nonparametrik dengan berbagai
pertimbangan, baik dari segi biaya, waktu maupun dasar teori. Misalnya kita ingin melakukan uji statistik parametrik

Pearson Korelasi Product Moment, Partial Correlation, Multiple Correlation, Partial Regresion dan Multiple
Regression, padahal data yang kita miliki adalah hasil pengukuran dengan skala ordinal, sedangkan persyaratan
penggunaan statistik parametrik adalah selain data harus berbentuk interval atau ratio, data harus memiliki distribusi
normal. Jika kita tidak ingin melakukan uji normalitas karena data yang kita miliki adalah data ordinal, hal itu bisa
saja kita lakukan dengan cara menaikkan data dari pengukuran skala ordinal menjadi data dalam skala interval
dengan metode Suksesive Interval..
Menuruti Al-Rasyid, menaikkan data dari skala ordinal menjadi skala interval dinamakan transformasi data.
Transformasi data itu dilakukan diantaranya adalah dengan menggunakan Metode Suksesive Interval (MSI). Tujuan
dari dilakukannya transformasi data adalah untuk menaikkan data dari skala pengukuran ordinal menjadi skala
dengan pengukuran interval yang lazim digunakan bagi kepentingan analisis statistik parametrik. Transformasi data
ordinal menjadi interval itu, selain merupakan suatu kelaziman, juga untuk mengubah data agar memiliki sebaran
normal. Artinya, setelah dilakukan transformasi data dari ordinal menjadi interval, penggunaan model dalam suatu
penelitian tidak perlu melakukan uji normalitas. Karena salah satu syarat penggunaan statistik parametrik, selain data
harus memiliki skala interval (dan ratio), data juga harus memiliki distribusi (sebaran) normal. Dengan dilakukannya
transformasi data, diharapkan data ordinal sudah menjadi data interval dan memiliki sebaran normal yang langsung
bisa dilakukan analisis dengan statistik parametrik. Berbeda dengan ststistik nonparametrik, ia hanya digunakan
untuk mengukur distribusi. (Ronald E. Walpole).
Jenis Data dan Pemilihan Analisis Statistik
Pendahuluan
Desain

penelitian

menentukan

teknik

statistik,

bukan

sebaliknya

teknik

statistik

menentukan

rancangan penelitian. Statistik dipakai untuk melayani dan sebagai alat dalam penelitian, bukan untuk menguasainya.

Data dan Penyajian Data

Tugas peneliti adalah mendapatkan data untuk mengisi variabel penelitian.

Data akan sangat bergantung daripada definisi operasional variabel penelitian.

Ditinjau dari cara memperoleh data

Data primer : data yang diperoleh langsung dari sumber data

Data sekunder : data yang diperoleh dari sumber tidak langsung

Ditinjau dari tingkat keterukuran variabel penelitian

Data kualitatif : data yang tidak boleh diukur dengan angka atau data yang tidak boleh diangkakan

Data kuantitatif : data yang boleh diangkakan atau dikuantifikasikan

Berdasarkan tingkat pengukuran variabel penelitian yang dikuantifikasikan:

Data nominal

Data ordinal

Data interval (scale)

Data rasio

Data nominal

Data yang ditetapkan berdasarkan proses penggolongan atau kategorisasi.

Data nominal ini bersifat diskrit dan saling terpisah (mutually exlusive) antara golongan (kategori) yang satu
dengan yang lain.

Contoh : data tentang pendapat responden terhadap kenaikan iuran (setuju/tidak setuju).

Data ordinal

Data yang mempunyai urutan atau boleh diurutkan berdasarkan peringkat atau atribut tertentu.

Contoh : data tentang rangking pelajar, hasil lomba pidato bahasa Inggris bagi siswa SMK, dan sebagainya.

Data ordinal juga bersifat diskrit.

Data interval (scale)

Data yang dapat dikelompokkan berdasarkan ukuran (satuan/unit) yang sama; dapat diurutkan berdasarkan
kelompok tersebut sebagaimana data ordinal.

Data interval umumnya bersifat kontinyu.

Contohnya : data tentang skor test pelajar, data tentang prestasi belajar, dan sebagainya.

Data rasio
Data yang dalam kuantifikasinya mempunyai nilai nol (0) mutlak; artinya kuantiti nol (0) dapat masuk
sebagai anggota data.

Dalam penelitian ilmu-ilmu sosial, jarang peneliti menggunakan data rasio.

Data rasio bersifat kontinyu.

Konversi data
Dalam praktek pengolahan data, dimungkinkan melakukan konversi dari data yang mempunyai tingkat lebih
tinggi ke tingkat data yang lebih rendah.

Data rasio -> data interval -> data ordinal -> data nominal

Konversi data diperlukan biasanya untuk menyesuaikan dengan teknik analisis statistik yang akan dipakai.

Analisis data

Analisis non-statistik

Analisis statistik

Analisis non-statistik

Data kualitatif, iaitu data-data yang tidak dapat di-angkakan, analisis non-statistik lebih tepat digunakan

Data kualitatif biasanya diolah atau dianalisis berdasarkan isinya (subtansinya).

Analisis non statistik ini sering juga disebut dengan analisis isi (content analysis), yang mencakup analisis
deskriptif, kritis, komparatif, dan sintesis.

Penelitian yang menggunakan data kualitatif disebut penelitian kualitatif.

Analisis statistik
Untuk data kuantitatif, iaitu data yang berupa angka atau bisa diangkakan, analisis statistik lebih tepat
digunakan

Statistik deskriptif dan statistik inferensial

Statistik deskriptif digunakan untuk membantu memaparkan (menggambarkan) keadaan yang sebenarnya
(fakta) dari satu sampel penelitian -> penelitian deskriptif

Penelitian deskriptif tidak untuk menguji suatu hipotesis.

Statistika inferensial
Digunakan untuk mengolah data kuantitatif dengan tujuan untuk menguji kebenaran suatu teori baru yang
diajukan peneliti yang dikenal dengan hipotesis -> penelitian inferensial

Dalam penelitian inferensial, teknik analisis statistik yang digunakan merujuk kepada suatu pengujian
hipotesis

Langkah-langkah utama dalam pengujian hipotesis:

Membuat asumsi -> kondisi apa yang dapat diterima oleh peneliti

menentukan statistik ujian

Memilih suatu tingkat Signifikansi

Menghitung harga statistik ujian

Membuat keputusan ujian (diterima / ditolak)

Rambu-rambu Pemilihan Teknik Analisis Statistika

Jenis penelitian (deskriptif, inferensial)

Jenis variabel (terikat, bebas)

Tingkat pengukuran variabel (nominal, ordinal, interval)

Banyaknya variabel (satu, lebih dari satu )

Maksud statistik (kecenderungan memusat, variabilitas, hubungan (korelasi, asosiasi), pembandingan

(komparasi), interaksi, kesesuaian, dan sebagainya).

Berikut adalah Tabel panduan memilih jenis uji statistik yang tepat

Apabila Banyaknya Variabel adalah 1(Satu)

(Klik Gambar Untuk Melihat Dalam Ukuran Besar)

Apabila Banyaknya variabel 2(dua) atau Lebih

(Klik Gambar Untuk Melihat Dalam Ukuran Besar)

Paired T Test
Paired T Test digunakan sebagai uji komparatif atau perbedaan apabila skala data kedua variabel adalah kuantitatif
(Interval atau Rasio).
Syarat Uji T Paired adalah perbedaan dua kelompok data berdistribusi normal. Maka harus dilakukan terlebih dahulu
dengan uji normalitas pada perbedaan kedua kelompok tersebut.
Anda dapat menggunakan uji normalitas antara lain:
Shapiro Wilk
Lilliefors
Kolmogorov Smirnov
Untuk Uji T Paired dengan menggunakan Excel, Baca Artikel kami yang berjudul: "T Paired dalam Excel".
Kita Mulai Saja:
Cara melakukan uji T Paired di SPSS (Uji Beda Berpasangan Kuantitatif).

Buat Variabel seperti di atas!

Pindah ke Data View

Isi dengan Data (contoh: Berat Badan Sebelum dan Sesudah Minum Suplemen)

Klik pada menu, Analyze, Compare Means, Paired Sample T Test

Tampil jendela:

Masukkan ke dua variabe:

Klik Options; tentukan tingkat kepercayaan (Contoh: 95 % / Alfa 0,05)

Klik Continue:
Klik OK

Akan Muncul Jendela Output

Baca Output:

Correlation: NilaiKorelasi antara 2 variabel tersebut: Hasil 0,991 artinya hubungan kuat dan positif.
Sig.: tingkat signifikansi hubungan: Hasil 0,000 artinya signifikan pada level 0,01.

Df: degree of freedom (derajat kebebasan) : Untuk uji T Paired selalu N- 1. Di mana N adalah jumlah sampel.
T = nilai t hitung: hasil 1,000: Harus dibandingkan dengan t tabel pada DF 19. Apabila t hitung >t tabel: signifikan.
Sig. (2-tailed): Nilai probabilitas/p value uji T Paired: Hasil = 0,330. Artinya: Tidak ada perbedaan antara sebelum
dan sesudah perlakuan. Sebab: Nilai p value > 0,05 (95 % kepercayaan).
Mean: 0,250. Bernilai Positif: Artinya terjadi kecenderungan penurunan berat badan sesudah perlakuan. Rata-rata
penurunannya adalah 0,250.