Anda di halaman 1dari 5

Uji T Dependen (Berpasangan)

Uji ini untuk menguji perbedaan rata-rata antara dua kelompok data yang dependen.
Misalnya untuk mengetahui apakah ada perbedaan berat badan sebelum mengikuti proram
diet dan berat badan setelah mengikuti program diet.
Sama seperti uji T independen, uji T dependen memiliki asumsi yang harus dipenuhi, yaitu :

1. Datanya berdistribusi normal.


2. Kedua kelompok data dependen (berpasangan)
3. variabel yang dihubungkan berbentuk numerik dan kategorik (dengan hanya 2
kelompok).

Rumus yang digunakan, sebagai berikut :

KETERANGAN :

= rata-rata deviasi (selisih sampel sebelum dan sampel sesudah)


SD = Standar deviasi dari (selisih sampel sebelum dan sampel sesudah)
n = banyaknya sampel
DF = n-1

Contoh :
Data sampel terdiri atas 10 pasien pria mendapat obat captoril dengan dosis 6,25 mg. Pasien
diukur
tekanan darah sistolik sebelum pemberian obat dan 60 menit sesudah pemberian obat.
Peneliti ingin mengetahui apakah pengobatan tersebut efektif untuk menurunkan tekanan
darah pasien-pasien tersebut dengan alpha 5%. Adapun data hasil pengukuran adalah sebagai
berikut.

Sebelum : 175 179 165 170 162 180 177 178 140 176
Sesudah : 140 143 135 133 162 150 182 150 175

1. HIPOTESIS :

Ho : = 0 (Tidak ada perbedaan tekanan darah sistolik pria antara sebelum dibandingkan
sesudah dengan pemberian Catopril)

Ha : 0 (Ada perbedaan tekanan darah sistolik setelah diberikan Catopril dibanding


sebelum diberikan obat)
2. STATISTIK UJI

Uji T dua sampel berpasangan (Uji T Dependen)

Perhitungan :
Diperoleh :

: -35 -36 -30 - 37 0 -30 5 - 28 35 -16


rata-rata = -17,2
S = 23,62

n = 10

t= = - 17,2 = - 17,2 = -17,2


S/n 23,62/10 23,62/3,162 7,469

= -2,302

Df = n - 1 = 10-1 = 9
Dilihat pada tabel t pada df = 19, t = 2,302 diperoleh Pvalue < 0,0253.

3. KEPUTUSAN
Dengan = 0,05, maka Pvalue < , sehingga Ho ditolak

4. KESIMPULAN
Tekanan Darah sistolik setelah pemberian Catopril terbukti bermakna atau signifikan berbeda
dibandingkan sebelum pemberian catropil.
Uji T Dependen (Berpasangan) dengan SPSS

Uji-t untuk data berpasangan berarti setiap subjek diukur dua kali. Misalnya sebelum dan
sesudah dilakukannya suatu intervensi atau pengukuran yang dilakukan terhadap pasangan
orang kembar. Dalam contoh ini akan membandingkan data sebelum dengan sesudah
intervensi.

Contoh Kasus :
Suatu studi ingin mengetahui pengaruh suatu metode diet, lalu diambil 28 ibu sebagai sampel
untuk menjalani program diet tersebut. Pengukuran berat badan yang pertama (BBIBU_1)
dilakukan sebelum kegiatan penyesuaian diet dilakukan, dan pengukuran berat badan yang
kedua (BBIBU_2) dilakukan setelah dua bulan menjalani penyesuaian diet.

Buka SPSS, dan masukan datanya seperti ini :

Kita akan melakukan uji hipotesis untuk menilai apakah ada perbedaan berat badan ibu antara
sebelum dengan sesudah mengikuti program diet, langkah-langkahnya sebagai berikut.
Dari menu utama, pilihlah: Analyze-->Compare Mean-->Paired-Sample T-test.

Pilih variabel BBIBU_1 dan BBIBU_2 dengan cara mengklik masing-masing variable
tersebut.
Kemudian klik tanda segitiga untuk memasukkannya ke dalam kotak Paired-Variables.
Seperti nampak di bawah ini :

Selanjutnya klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti
berikut:
Dari 28 subjek yang diamati terlihat bahwa rata-rata (mean) berat badan dari ibu sebelum
intervensi (BBIBU_1) adalah 57.54, dan rata-rata berat badan sesudah intervensi (BBIBU_2)
adalah 56,21. Uji t yang dilakukan terlihat pada tabel berikut:

Dari hasil uji-t berpasangan tersebut terlihat bahwa rata-rata perbedaan antara BBIBU_1
dengan BBIBU_2 adalah sebesar 1.321. Artinya ada penurunan berat badan sesudah
intervensi dengan rata-rata penurunan sebesar 1.32 kg.

Hasil perhitungan nilai t adalah sebesar 5,133 dengan p-value 0.000 dapat ditulis 0,001 (uji
2-arah). Hal ini berarti kita menolak Ho dan menyimpulkan bahwa secara statistik ada
perbedaan yang bermakna antara rata-rata berat badan sebelum dengan sudah intervensi.

Dari hasil di atas kita bisa menilai bahwa program diet tersebut berhasil.

Anda mungkin juga menyukai