Kelompok A6
PARAMETRIK
Uji Z
Pendahuluan
Uji Z adalah salah satu uji statistika yang pengujian hipotesisnya didekati dengan distribusi
normal. Menurut teori limit terpusat, data dengan ukuran sampel yang besar akan
berdistribusi normal. Oleh karena itu, uji Z dapat digunakan utuk menguji data yang
sampelnya berukuran besar. Jumlah sampel 30 atau lebih dianggap sampel berukuran besar.
Selain itu, uji Z ini dipakai untuk menganalisis data yang varians populasinya diketahui.
Namun, bila varians populasi tidak diketahui, maka varians dari sampel dapat digunakan
sebagai penggantinya.
Contoh kasus
Sebuah pabrik pembuat bola lampu pijar merek A menyatakan bahwa produknya tahan
dipakai selama 800 jam, dengan standar deviasi 60 jam. Untuk mengujinya, diambil sampel
sebanyak 50 bola lampu, ternyata diperoleh bahwa rata-rata ketahanan bola lampu pijar
tersebut adalah 792 jam. Pertanyaannya, apakah kualitas bola lampu tersebut sebaik yang
dinyatakan pabriknya atau sebaliknya?
Hipotesis
H0 : = (rata ketahanan bola lampu pijar tersebut sama dengan yang dinyatakan oleh
pabriknya)
HA : (rata ketahanan bola lampu pijar tersebut tidak sama dengan yang dinyatakan oleh
pabriknya)
Analisis
Nilai Ztabel dapat diperoleh dari Tabel 1. Dengan menggunakan Tabel 1, maka nilai Z0,025
adalah nilai pada perpotongan baris 0,02 dengan kolom 0,005, yaitu 1,96. Untuk
diketahui bahwa nilai Z adalah tetap dan tidak berubah-ubah, berapapun jumlah sampel.
Nilai Z0,025 adalah 1,96 dan nilai Z0,05 adalah 1,645.
0.00 3.090 2.878 2.748 2.652 2.576 2.512 2.457 2.409 2.366
0.01 2.326 2.290 2.257 2.226 2.197 2.170 2.144 2.120 2.097 2.075
0.02 2.054 2.034 2.014 1.995 1.977 1.960 1.943 1.927 1.911 1.896
0.03 1.881 1.866 1.852 1.838 1.825 1.812 1.799 1.787 1.774 1.762
0.04 1.751 1.739 1.728 1.717 1.706 1.695 1.685 1.675 1.665 1.655
0.05 1.645 1.635 1.626 1.616 1.607 1.598 1.589 1.580 1.572 1.563
0.06 1.555 1.546 1.538 1.530 1.522 1.514 1.506 1.499 1.491 1.483
0.07 1.476 1.468 1.461 1.454 1.447 1.440 1.433 1.426 1.419 1.412
0.08 1.405 1.398 1.392 1.385 1.379 1.372 1.366 1.359 1.353 1.347
0.09 1.341 1.335 1.329 1.323 1.317 1.311 1.305 1.299 1.293 1.287
0.10 1.282 1.276 1.270 1.265 1.259 1.254 1.248 1.243 1.237 1.232
Kesimpulan
Karena harga |Zhit| = 0,94 < harga |Ztabel | = 1,96, maka terima H0
Jadi, tidak ada perbedaan yang nyata antara kualitas bola lampu yang diteliti dengan kualitas
bola lampu yang dinyatakan oleh pabriknya.
Contoh kasus
Pupuk Urea mempunyai 2 bentuk, yaitu bentuk butiran dan bentuk tablet. Bentuk butiran
lebih dulu ada sedangkan bentuk tablet adalah bentuk baru. Diketahui bahwa hasil gabah
padi yang dipupuk dengan urea butiran rata-rata 4,0 t/ha. Seorang peneliti yakin bahwa urea
tablet lebih baik daripada urea butiran. Kemudian ia melakukan penelitian dengan ulangan
n=30 dan hasilnya adalah sebagai berikut:
4,0 5,0 6,0 4,2 3,8 6,5 4,3 4,8 4,6 4,1
4,9 5,2 5,7 3,9 4,0 5,8 6,2 6,4 5,4 4,6
5,1 4,8 4,6 4,2 4,7 5,4 5,2 5,8 3,9 4,7
Hipotesis
H0 : = (rata-rata hasil gabah padi yang dipupuk dengan pupuk urea tablet sama dengan padi
yang dipupuk dengan urea butiran)
HA : > (rata-rata hasil gabah padi yang dipupuk dengan pupuk urea tablet lebih tinggi dari
padi yang dipupuk dengan urea butiran)
Analisis
= 4,0 t/h
= 4,9 t/h
Kesimpulan
Karena harga |Zhit| = 6,4286 > harga |Ztabel | = 1,645, maka tolak H0 alias terima HA
Jadi, rata-rata hasil gabah padi yang dipupuk dengan pupuk urea tablet nyata lebih tinggi dari
padi yang dipupuk dengan urea butiran
Uji t berpasangan
Uji t dikembangkan oleh William Sealy Gosset. Dalam artikel publikasinya, ia menggunakan nama
samaran Student, sehingga kemudian metode pengujiannya dikenal dengan uji t-student. William
Sealy Gosset menganggap bahwa untuk sampel kecil, nilai Z dari distribusi normal tidak begitu
cocok. Oleh karenanya, ia kemudian mengembangkan distribusi lain yang mirip dengan distribusi
normal, yang dikenal dengan distribusi t-student. Distribusi student ini berlaku baik untuk sampel
kecil maupun sampel besar. Pada n 30, distribusi t ini mendekati distribusi normal dan pada n yang
sangat besar, misalnya n=10000, nilai distribusi t sama persis dengan nilai distribusi normal (lihat
tabel t pada df 10000 dan bandingkan dengan nilai Z). Pemakaian uji t ini bervariasi. Uji ini bisa
digunakan untuk objek studi yang berpasangan dan juga bisa untuk objek studi yang tidak
berpasangan. Berikut contoh penggunaan uji t.
Contoh kasus
Kita ingin menguji metode pembelajaran baru terhadap tingkat penguasaan materi ajar pada
mahasiswa.
1. Hipotesis
Ho : 1 = 2
HA : 1 2
2. Data hasil penelitian dari penggunaan metode pembelajaran baru adalah sebagaimana tertera pada
Tabel 1.
70 75
1
60
2 65
50
3 70
65
4 80
55 60
5
40 60
6
45 70
7
65 70
8
60
9 65
10 70
75
11 60
65
12 50
75
13 30
65
14 45
70
15 40
70
y1 y2 D D2
n
1 70 75
25
5
60 65
2
5 25
3 50 70
400
20
65 80
4
15 225
5 55 60
25
5
40 60
6
20 400
7 45 70
625
25
65 70
8
5 25
9 60 65
25
5
70 75 5 25
10
11 60 65
25
5
50 75
12
25 625
13 30 65
1225
35
45 70
14
25 625
15 40 70
900
30
Jumlah 5200
805 1035 230
Y 53.67 69
Hitunglah
Setelah itu, kita lihat nilai t table, sebagai nilai pembanding. Cara melihatnya adalah sebagai berikut.
Pertama kita lihat kolom = 0.025 pada Tabel 3. Nilai ini berasal dari 0.05 dibagi 2, karena
hipotesis HA kita adalah hipotesis 2 arah (lihat hipotesis). Kemudian, kita lihat baris ke 14. Nilai 14
ini adalah nilai df, yaitu n-1. Nilai n adalah jumlah mahasiswa, yaitu 15 orang. Akhirnya, kita peroleh
nilai t table = 2.145.
Tabel 3. Nilai t
df
5. Kesimpulan
Karena nila |thit|= 5.431 (tanda minus diabaikan) dan nilai t table=2.145, maka kita tolak H0, alias kita
terima HA. Dengan demikian,
1 2, yaitu nilai pre-test tidak sama dengan nilai post-test. Lebih lanjut, kita lihat bahwa rata-rata
nilai post-test lebih tinggi daripada nilai pre-test. Secara lengkap, kita dapat menyimpulkan bahwa
metode pembelajaran baru secara nyata dapat meningkatkan pemahaman mahasiswa terhadap materi
ajar yang diberikan.
Pemakaian uji t ini bervariasi. Uji ini bisa digunakan untuk objek studi yang berpasangan dan juga
bisa untuk objek studi yang tidak berpasangan. Berikut contoh penggunaan uji t.
Uji t tidak berpasangan
Contoh kasus
Kita ingin menguji dua jenis pupuk nitrogen terhadap hasil padi
Hipotesis
Ho : 1 = 2
HA : 1 2
Hasil penelitian
Tabel 1. Data hasil penelitian dua jenis pupuk nitrogen terhadap hasil padi (t/h)
Pupuk A Pupuk B
Plot
Y1 Y2
7 8
1
2 6
6
5 7
3
4 6
8
5 6
5
6 4
6
4 7
7
8 6
7
6 8
9
10 7
7
6
11 6
12 5
7
Data analisis
Hitunglah
1= 5.58
S1 = 0.996
2 = 6.92
S2 = 0.793
=( 5.58 6.92)/(0.9962/12)+(0.7932/12)
= -1.34/0.367522 = -3.67
Setelah itu, kita lihat nilai t table, sebagai nilai pembanding. Cara melihatnya adalah sebagai berikut.
Pertama kita lihat kolom = 0.025 pada Tabel 2. Nilai ini berasal dari 0.05 dibagi 2, karena
hipotesis HA kita adalah hipotesis 2 arah (lihat hipotesis). Kemudian, kita lihat baris ke 22. Nilai 22 ini
adalah nilai df, yaitu n1+n2-2. Nilai n adalah jumlah ulangan, yaitu masing 12 ulangan. Akhirnya, kita
peroleh nilai t table = 2.074.
Tabel 2. Nilai t
df
Kesimpulan
Karena nila thit|= 3.67 (tanda minus diabaikan) dan nilai t table=2.074, maka kita tolak H0, alias kita
terima HA. Dengan demikian, 1 2, yaitu hasil padi yang dipupuk dengan pupuk A tidak sama
dengan hasil padi yang dipupuk dengan pupuk B. Lebih lanjut, kita lihat bahwa rata-rata hasil padi
yang dipupuk dengan pupuk B lebih tinggi daripada yang dipupuk dengan pupuk A. Dengan
demikian, kita dapat menyimpulkan bahwa pupuk B nyata lebih baik daripada pupuk A untuk
meningkatkan hasil padi.
Korelasi Pearson
Pengertian
Korelasi adalah istilah statistik yang menyatakan derajat hubungan linier (searah bukan
timbal balik) antara dua variabel atau lebih.
Macam-macam Teknik Korelasi
Product Moment Pearson : Kedua variabelnya berskala interval
Rank Spearman : Kedua variabelnya berskala ordinal
Point Serial : Satu berskala nominal sebenarnya dan satu berskala interval
Biserial : Satu berskala nominal buatan dan satu berskala interval
Koefisien kontingensi : Kedua varibelnya berskala nominal
Kegunaan Korelasi Product Moment Pearson
Untuk menyatakan ada atau tidaknya hubungan antara variabel X dengan variabel Y.
Untuk menyatakan besarnya sumbangan variabel satu terhadap yang lainnya yang
dinyatakan dalam persen.
Asumsi
Data berdistribusi Normal
Variabel yang dihubungkan mempunyai data linear.
Variabel yang dihubungkan mempunyai data yang dipilih secara acak.
Variabel yang dihubungkan mempunyai pasangan yang sama dari subyek yang sama pula
(variasi skor variabel yang dihubungkan harus sama).
Variabel yang dihubungkan mempunyai data interval atau rasio.
Nilai r
Nilai r terbesar adalah +1 dan r terkecil adalah 1. r = +1 menunjukkan hubungan positip
sempurna, sedangkan r = -1 menunjukkan hubungan negatip sempurna.
r tidak mempunyai satuan atau dimensi. Tanda + atau - hanya menunjukkan arah
hubungan. Intrepretasi nilai r adalah sebagai berikut:
r interpretasi
0 Tidak berkorelasi
0,01-0,20 Korelasi Sangat rendah
0,21-0,40 Rendah
0,41-0,60 Agak rendah
0,61-0,80 Cukup
0,81-0,99 Tinggi
1 Sangat tinggi
4. Cari r hitung.
n XY X Y
r XY=
n X ( X )
2 2
n Y ( Y )
2 2
4. Cari r hitung.
n XY X Y
r XY=
n X ( X )
2 2
n Y ( Y )
2 2
= 0,86
Uji ANOVA
Anova (analysis of varian) digunakan untuk menguji perbedaan mean (rata-rata) data lebih dari dua
kelompok. Misalnya kita ingin mengetahui apakah ada perbedaan rata-rata lama hari dirawat antara
pasien kelas VIP, I, II, dan kelas III. Anova mempunyai dua jenis yaitu analisis varian satu faktor (one
way anova) dan analsis varian dua faktor (two ways anova). Pada kesempatan ini hanya akan dibahas
analisis varian satu faktor.
Asumsi pertama harus dipenuhi pada saat pengambilan sampel yang dilakukan secara random
terhadap beberapa (> 2) kelompok yang independen, yang mana nilai pada satu kelompok tidak
tergantung pada nilai di kelompok lain. Sedangkan pemenuhan terhadap asumsi kedua dan ketiga
dapat dicek jika data telah dimasukkan ke komputer, jika asumsi ini tidak terpenuhi dapat dilakukan
transformasi terhadap data. Apabila proses transformasi tidak juga dapat memenuhi asumsi ini maka
uji Anova tidak valid untuk dilakukan, sehingga harus menggunakan uji non-parametrik misalnya
Kruskal Wallis.
Uji Anova pada prinsipnya adalah melakukan analisis variabilitas data menjadi dua sumber variasi
yaitu variasi didalam kelompok (within) dan variasi antar kelompok (between). Bila variasi within
dan between sama (nilai perbandingan kedua varian mendekati angka satu), maka berarti tidak ada
perbedaan efek dari intervensi yang dilakukan, dengan kata lain nilai mean yang dibandingkan tidak
ada perbedaan. Sebaliknya bila variasi antar kelompok lebih besar dari variasi didalam kelompok,
artinya intervensi tersebut memberikan efek yang berbeda, dengan kata lain nilai mean yang
dibandingkan menunjukkan adanya perbedaan.
KETERANGAN :
Sb = varian between
Sw = varian within
Sn2 = varian kelompok
X = rata-rata gabungan
Xn = rata-rata kelompok
Nn = banyaknya sampel pada kelompok
k = banyaknya kelompok
NON-PARAMETRIK
Uji Chi-square memiliki banyak kegunaan dalam pengujian. Setidaknya, uji ini dapat
digunakan untuk lima keperluan pengujian. Uji ini banyak digunakan baik dalam bidang
eksakta maupun dalam bidang sosial ekonomi. Berikut ini adalah beberapa penggunaan uji
chi-square.
4. Menguji heterogenitas
Dari lima kegunaan di atas, tiga di antaranya sangat populer di kalangan para peneliti, yaitu
menguji proporsi, menguji independensi, dan menguji heterogenitas. Oleh karena itu, di sini
akan diberikan contoh penggunaan tiga jenis uji yang populer tersebut saja.
1. Menguji proporsi
Contoh: Menurut teori genetika (Hukum Mendel I) persilangan antara kacang kapri
berbunga merah dengan yang berbunga putih akan menghasilkan tanaman dengan proporsi
sebagai berikut: 25% berbunga merah, 50% berbunga merah jambu, dan 25% berbunga
putih. Kemudian, dari suatu penelitian dengan kondisi yang sama, seorang peneliti
memperoleh hasil sebagai berikut, 30 batang berbunga merah, 78 batang berbunga merah
jambu, dan 40 batang berbunga putih. Pertanyaannya adalah apakah hasil penelitian si
peneliti tersebut sesuai dengan Hukum Mendel atau tidak?
Untuk menjawab pertanyaan tersebut, kita bisa menggunakan uji chi-square, sebagai berikut:
1. Buatlah hipotesis
= = = 5,99
Tolak H0 jik
Kesimpulan
Dari hasil analisis data, diperoleh < , maka kita terima H0.
Artinya, rasio hasil penelitian si peneliti tersebut sesuai dengan rasio menurut Hukum Mendel
(lihat bunyi hipotesis pada H0).
Uji Kesesuaian Kolmogorov-Smirnov
Uji 1 sampel kolmogorov-Smirnov digunakan untuk menetahui apakah distribusi nilai-nilai sampel
yang teramati sesuai dengan distribusi teoritis tertentu (normal, uniform, poisson, eksponensial). Uji
Kolmogorov-Smirnov beranggapan bahwa distribusi variabel yang sedang diuji bersifat kontinu dan
pengambilan sampel secara acak sederhana. Dengan demikian uji ini hanya dapat digunakan, bila
variabel diukur paling sedikit dalam skala ordinal.
1. Menguji apakah suatu sampel mengikuti suatu bentuk distribusi populasi teoritis
2. Menguji apakah dua buah sampel berasal dari dua populasi yang identik.
Prinsip dari uji KolmogorovSmirnov adalah menghitung selisih absolut antara fungsi distribusi
frekuensi kumulatif sampel [S(x)] dan fungsi distribusi frekuensi kumulatif teoritis [Fo(x)] pada
masing-masing interval kelas.
Statistik uji Kolmogorov-Smirnov merupakan selisih absolut terbesar antara S(x) dan Fo(x), yang
disebut deviasi maksimum D.
Nilai D kemudian dibandingkan dengan nilai kritis pada tabel distribusi pencuplikan (tabel D), pada
ukuran sampel n dan a. Ho ditolak bila nilai teramati maksimum D lebih besar atau sama dengan nilai
kritis D maksimum. Dengan penolakan Ho berarti distribusi teramati dan distribusi teoritis berbeda
secara bermakna. Sebaliknya dengan tidak menolak Ho berarti tidak terdapat perbedaan bermakna
antara distribusi teramati dan distribusi teoritis. Perbedaan-perbedaan yang tampek hanya disebabkan
variasi pencuplikan (sampling variation).
1. Susun frekuensi-frekuensi dari tiap nilai teramati, berurutan dari nilai terkecil sampai nilai
terbesar. Kemudian susun frekuensi kumulatif dari nilai-nilai teramati itu.
2. Konversikan frekuensi kumulatif itu ke dalam probabilitas, yaitu ke dalam fungsi distribusi
frekuensi kumulatif [S(x)]. Sekali lagi ingat bahwa, distribusi frekuensi teramati harus
merupakan hasil pengukuran variabel paling sedikit dalam skala ordinal (tidak isa dalam skala
nominal).
3. Hitung nilai z untuk masing-masing nilai teramati di atas dengan rumus z=(xix) /s. dengan
mengacu kepada tabel distribusi normal baku (tabel B), carilah probabilitas (luas area)
kumulatif untuk setiap nilai teramati. Hasilnya ialah sebagai Fo(xi).
4. Susun Fs(x) berdampingan dengan Fo(x). hitung selisih absolut antara S(x) dan Fo(x) pada
masing-masing nilai teramati.
5. Statistik uji Kolmogorov-Smirnov ialah selisih absolut terbesar Fs(xi) dan Ft(xi) yang juga
disebut deviasi maksimum D
6. Dengan mengacu pada distribusi pencuplikan kita bisa mengetahui apakah perbedaan sebesar
itu (yaitu nilai D maksimum teramati) terjadi hanya karena kebetulan. Dengan mengacu pada
tabel D, kita lihat berapa probabilitas (dua sisi) kejadian untuk menemukan nilai-nilai teramati
sebesar D, bila Ho benar. Jika probabilitas itu sama atau lebih kecil dari a, maka Ho ditolak
1. Data dalam Uji Kolmogorov-Smirnov tidak perlu dilakukan kategorisasi. Dengan demikian
semua informasi hasil pengamatan terpakai.
2. Uji Kolmogorov-Smirnov bisa dipakai untuk semua ukuran sampel, sedang uji Kai Kuadrat
membutuhkan ukuran sampel minimum tertentu.
4. Uji Kolmogorov-Smirnov memakai asumsi bahwa distribusi populasi teoritis bersifat kontinu.
Berikut ini usia mulai haid pada sejumlah wanita diambil sampel sebanyak 18 orang dengan distribusi
sebagaimana tersaji pada tabel berikut :
Ujilah hipotesis nol yang menyatakan bahwa data ini berasal dari suatu populasi berdistribusi normal;
diketahui bahwa pada populasi, rata-rata usia mulai haid =12; dengan SD=50.
HIPOTESIS
Hipotesis yang diuji dinyatakan sebagai berikut (dua sisi):
PERHITUNGAN
Untuk memeperoleh nilai-nilai Fo(x), pertama-tama yang dilakukan adalah mengkonversikan setiap
nilai x teramati menjadi nilai unit variabel normal yang disebut z. Sedang z=(xix) /s. dari tabel
distribusi kumulatif normal baku (Tabel B), kita temukan luas area dari minus tak terhingga sampai z.
luas area tersebut memuat nilai-nilai Fo(x). Selanjutnya kita hitung statistik uji D, dari sekian banyak
nilai D ternyata statistik uji D maksimum adalah = 0,7222. Selanjutnya nilai tersebut dibandingkan
dengan nilai D tabel (Tabel Kolmogorv-Smirnov).
KEPUTUSAN
Dari tabel D diatas, dengan n=18 dan (dua sisi) = 0,05 kita dapatkan nilai tabel 0,309. Karena 0,722
> 0,309, maka Ho ditolak, maka kita simpulkan bahwa sampel yang berasal dari populasi tidak
dengan distribusi normal.
Seperti diketahui bahwa uji Fisher Exact digunakan sebagai uji alternatif Kai Kuadrat untuk tabel
silang (kontingensi) 2 x 2 dengan ketentuan, sampel kurang atau sama dengan 40 dan terdapat sel
yang nilai harapan (E) kurang dari 5. Uji Fisher Exact juga dapat digunakan untuk sampel kurang dari
20 dalam kondisi apapun (baik terdapat sel yang nilai E-nya kurang dari 5 ataupun tidak). Asumsi dari
uji ini adalah data yang akan diuji mempunyai skala pengukuran nominal
Dalam menghitung probailitas Fisher seperti tabel di atas akan mudah dilakukan, dikarenakan salah
satu sel-nya ada yang bernilai "0 (nol)". Sehingga kita tdk perlu lagi menghitung nilai deviasi ekstrim-
nya.
Perlu diingat bahwa nilai Probabilitas yang diperoleh dari perhitungan di atas merupakan perhitungan
Uji Satu Sisi dan untuk melakukan Uji 2 sisi, tinggal mengalikan nilai di atas dengan 2.
Kesimpulan :
Karena nilai P = 0,114 lebih besar dari nilai alfa =0,05, maka kita menerima Ho pada Uji Satu sisi.
Sedangkan Pada Uji 2 sisi di peroleh nilai P = 0,114*2 = 0,228, sehingga kita menerima Ho. Jadi,
baik pada Uji satu sisi maupun dua sisi, kita menyimpulkan tidak ada perbedaan yang bermakna
antara mereka yang merokok maupun tidak merokok pada malam hari terhadap kanker paru.
KASUS 2
Masih kasus yang sama, cuma nilai sel-nya tidak ada yang bernilai "0 (nol)". :
Karena tidak ada sel yang nilainya "0", maka kita perlu membuat kemungkinan deviasi nilai
ekstrimnya :
Dengan menggunakan rumus yang sama, kita cari probabilitas dari masing-masing kemungkinan
tersebut. Hasil perhitungan sebagai berikut :
P (1) = 0,0048
P (2) = 0,0571
P (3) = 0,1714
P (4) = 0,1143
Untuk mengetahui nilai probabilitas Fisher Eexact kita akan menjumlahkan probabilitas soal (kasus)
dengan nilai probabilitas terkecilnya dari probabilitas yang diperoleh dari nilai deviasi ekstrim.
Dari hitungan di atas, diketahui bahwa nilai probabilitas soal (P2) = 0,0571, sementara nilai
probabilitas terkecil dari probabilitas soal hanya P1.
Sehingga :
P = P(2) + P(1) = 0.0571 + 0,0048 = 0,0619 (Sekali lagi perhitungan ini adalah untuk uji satu sisi).
UJI MC NEMAR
PENGANTAR
Uji MC nemar test biasa digunakan pada penelitian yang skala datanya berbentuk
nominal/ diskrit. Pengujian dengan mengunakan uji MC nemar menekankan tipe
sample yang dependent. Sample yang dependent dimaksudkan tipe sample yang
dalam pengukuran satu variable terkait dengan pengukuran variable lainnya.
Pengunaan uji MC nemar test menekankan pada aspek pengujian sebelum dan
sesudah perlakuan. Keadaan ini yang lebih memunkinkan desain eksperimen untuk
digunakan dalam uji MC nemar test.
RUMUS
2
2 (| AD|1 )
X=
A +D
Keterangan
Kelompok A merupakan kelompok perubahan (missal dari tidak sakit menjadi sakit:
dari tidak terpapar menjadi terpapar) sebelum perlakukan dan setelah perlakuan.
Kelompok D merupakan kelompok perubahan (misalnya dari sakit menjadi tidak
sakit: dari terpapar menjadi tidak terpapar) sebelum perlakuan dan setelah perlakuan.
Untuk mengunakan uji MC nemar test kita memerlukan table Bantu sebagai berikut:
Sebelum perlakuan dan setelah perlakuan
STUDI KASUS
Langkah penyelesaian:
3. Perhitungan
Diketahui
SEBELUM PERLAKUAN
-(Tidak Sakit) +(Sakit)
50 150
Setelah Perlakuan
SETELAH PERLAKUAN
-(Tidak Sakit) +(Sakit)
125 75
Rumus
2
2 (|AD|1 )
x=
A+ D
2
2 (|8510|1 )
x=
85+10
x 2=57,642
4. Kesimpulan
Ho ditolak
5. Arti
program imunisasi menurunkan angka kejadian penyakit campak