Hipotesis Deskriptif
Hipotesis Komparatif :
Hipotesis Asosiatif :
54
Amrin Madolan, SKM
Langkah-langkah pemilihan metode statistik
Distribusi
TDK
Populasi
DATA
Diketahui
YA
Distribusi TDK
Populasi
Normal
YA
TDK
Sampel
STATISTIK
Random
NONPARAMETRIK
YA
TDK
Varians
Klpk
Sama
YA
Skala
STATISTIK Interval dan Nominal dan
Pengukur
PARAMETRIK Ratio Ordinal
an
55
Amrin Madolan, SKM
PENGGUNAAN STATISTIK PARAMETRIS DAN NONPARAMETRIS UNTUK MENGUJI HIPOTESIS
Bentuk Hipotesis
Komparatif/Uji Beda Komparatif/Uji Beda
Skala
Deskriptif (Dua Sampel) (Lebih Dari Dua Sampel)
Data Asosiatif (Hubungan)
(Satu Sampel) Berpasangan Berpasangan
Independen Independen
(Related) (Related)
Binominal Fisher Exact Probability X² for k sample
Nominal Mc Nemer X² for k sample Contingency Coeficient C
X² One Sampel X² Two Sampel Cocharn Q
*Median Tes
Median Extension
Sign Tes
*Mann-Whitney (U-Tes) Friedman *Spearman Rank Corelation
Ordinal Run Tes Kruskal-Wallis
Wilcoxon
*Kolmogrof-Smirnov Two-WayAnova *Kendall Tau
matched pairs
One Way Anova
*Wald Woldfowitz
*Pearson Product Moment
One-Way
One-Way Anova
Interval Anova *Partial Corelation
dan T-Tes T-Tes of Related *T-Tes of Independent
Two-Way Anova
Rasio Two-Way *Multiple Corelation
Anova
*Regresi
56
Amrin Madolan, SKM
1. Binominal
Uji Binomial adalah uji yang digunakan untuk menguji hipotesis deskriptif jika
populasi :
terdiri atas 2 kelompok klas atau dikotomi (Jawaban hanya terbagi dalam 2
jawaban (ya/tidak, benar/salah, setuju/tdk setuju, dll)
jika variabel yang diuji tidak dikotomi, maka harus ditentukan Cut Point yang
akan membagi case-case ke dalam dua kelompok, yaitu case-case yang
mempunyai valu lebih kecil dari tau sama dengan cut point akan dijadikan
kelompok pertama dan sisanya adalah kelompok kedua.
datanya Nominal
Jumlah sampelnya kecil (kurang dari 25).
Hipotesis :
Ho : p1 = p2 = 0 atau frekuensi observasi kategori I = frekuensi observasi
kategori II
H1 : p1 ≠ p2 ≠ 0 atau frekuensi observasi kategori I ≠ frekuensi observasi
kategori II
Kriteria Uji :
Ho ditolak jika : Sig. < α
Ho diterima jika : Sig. ≥ α
Contoh permasalahan dan hipotesis :
Permasalahan :
Seorang manager PLN ingin mengetahui sikap masyarakat tentang kebijakan
pemasangan Rekening Prabayar, dilakukanlah jajak pendapat pada 25 pelanggan
dan ditemukan 9 pelanggan tdk setuju dan 16 pelanggan setuju.
Hipotesis :
Ho : Kemungkinan jumlah pelanggan yang setuju dengan yang tidak setuju
adalah sama
Ha : Kemungkinan jumlah pelanggan yang setuju dengan yang tidak setuju
tdk sama
Langkah-Langkah pada SPSS :
Klik Analyze > Nonparemetric Tests > Binomial
Masukan Variabel ke Test Variable List
Klik OK
Lihat nilai Exact. Sig. pada Out Put SPSS untuk pengambilan keputusan
57
Amrin Madolan, SKM
2. X² One Sampel (Chi kuadrat satu sampel)
Uji X2 one sampel adalah uji yang digunakan untuk menguji hipotesis deskriptif jika
populasi :
terdiri atas 2 kelompok klas atau lebih
datanya Nominal
Jumlah sampelnya besar (N ≥ 30)
Hipotesis :
Ho : p1 = p2 = 0,5
H1 : p1 ≠ p2 ≠ 0,5
Kriteria Uji :
Ho ditolak jika : X 2 hitung > X 2 tabel
Ho diterima jika : X 2 hitung ≤ X 2 tabel, atau :
Ho ditolak jika : Sig. < α
Ho diterima jika : Sig. ≥ α
Contoh permasalahan dan hipotesis :
Permasalahan :
Hasil survei untuk mengetahui bagaimana kemungkinan PUS dlm memilih
alat kontrasepsi yaitu IUD & implant. Sampel diambil secara random
sebanyak 300 PUS. Dari sampel tsb ternyata 200 memilih IUD & 100 PUS
memilih Implant.
Hipotesis :
Ho : Kemungkinan PUS memilih alkon IUD & implant sama
Ha : Kemungkinan PUS memilih alkon IUD & implant tdk sama besarnya
Langkah-Langkah pada SPSS :
- Klik Analyze > Nonparemetric Tests > Chi Square
- Masukan Variabel ke Test Variable List
- Klik OK
- Lihat nilai Chi Square atau Asimp. Sig. pada Out Put SPSS untuk
pengambilan keputusan.
3. X² Two Sampel
Uji X2 Two Sampel adalah uji yang digunakan untuk :
Menguji hipotesis komparatif 2 sampel bebas maupun berpasangan
Menguji hip komparatif : menguji ada tdknya perbedaan/ kesamaan nilai-nilai
variabel yg ada pada 2 sampel utk diberlakukan dlm populasi/tdk
58
Amrin Madolan, SKM
Sampel berpasangan : Umumnya digunakan pd desain penelitian Eksperimen
(membandingkan keadaan sebelum dan sesudah perlakuan atau membandingkan
kelp perlakuan & kontrol)
Aturan umum:
a. Jml N (fo) > 40 ( frekuensi harapan tdk ada syarat –gunakan koreksi yates)
b. Bila 20 ≤ N ≤ 40 maka semua frekuensi harapan ≥ 5
c. Bila frekuensi harapan ≤ 5 gunakan fisher exact test (Lihat dibawah tabel Out
Put SPSS)
Menggunakan tabel kontingensi 2 X 2
Hipotesis :
Ho : Tidak ada Perbedaan antara variabel 1 dengan variabel 2
H1 : Terdapat perbedaan antara variabel 1 dengan variabel 2
Kriteria Uji :
Ho ditolak jika : X 2 hitung > X 2 tabel
Ho diterima jika : X 2 hitung ≤ X 2 tabel
Contoh Tabel :
Frekuensi Pada
Sampel Jumlah Sampel
Obyek I Obyek II
Sampel A A B A+B
Sampel B C D C+D
59
Amrin Madolan, SKM
Ho : Tidak ada perbedaan peningkatan pengetahuan
Ha : Ada perbedaan peningkatan pengetahuan
Langkah-Langkah pada SPSS :
- Klik Analyze > Deskriptive Statistic > Crosstabs
- Masukan Variabel yang menerima perlakuan pada Row(s) dan variabel
pengaruh perlakuan pada Column(s).
- Klik Tombol Statistics > centang Chi-Square > Continue
- Klik Oke
- Lihat nilai Continuity Correction (X²), nilai Asymp. Sig. Dan pearson
Corelation Untuk membuat kesimpulan.
4. X² for k sample (Chi-kuadrat k Sampel)
Test ini digunakan untuk menguji hipotesis komparatif lebih dari dua sample,
bila datanya benrbntuk diskrit atau nominal.
Pengujian hipotesis = komparatif 2 sampel bebas
Keputusan hipotesis = komparatif 2 sampel bebas
Contoh kasus :
Dilakukan survei utk mengetahui ada/tdknya pengaruh pekerjaan dan umur
harapan hidup antara penduduk di 5 propinsi di Indonesia. Umur harapan hdp
dikelompokkan menjadi 2 yaitu : ≥ 70 th dan < 70 th.
Langkah-Langkah pada SPSS = komparatif 2 sampel bebas namun yang
membedakan adalah pada kasus k sampel, salah satu variabel diletakan pada
Layer 1 of 1, bila lebeih dari tiga variabel maka pada layer klik next dan
lanjutkan dengan Layer 2 of 2.
Pada kasus diatas, variabel pekerjaan diletakan pada Rows dan Umur pada
Columns dan Propinsi pada Layer 1 of 1.
Pada kasus tersebut akan dilihat apakah ada perbedaan hubungan pekerjaan
dengan umur harapan hidup pada ke 5 propinsi.
5. Run Tes
Uji Run atau Run Test adalah uji yang digunakan untuk menguji hipotesis deskriptif
1 sampel :
Jika populasinya berbentuk datanya Ordinal
60
Amrin Madolan, SKM
Pengujian dilakukan dengan cara mengukur ke-random-an populasi berdasarkan
data hasil pengamatan sampel.
Hipotesis :
Ho : p1 = p2 = 0,5
H1 : p1 ≠ p2 ≠ 0,5
Artinya run kelompok 1 sama dengan run kelompok 2.
Kriteria Uji :
Ho ditolak jika : X 2 hitung > X 2 tabel
Ho diterima jika : X 2 hitung ≤ X 2 tabel
Langkah-Langkah pada SPSS :
- Klik Analyze > Non Parametric Test > Runs
- Masukan variabel pada Test variable list
- Pilih Mean, Median dan/atau Mode
- Lihat Out Put SPSS untuk pengambilan keputusan
61
Amrin Madolan, SKM
- Lihat hasil Out Put
Kriteria Uji :
Ho ditolak jika Sig. < α
Ha diterima jika Sig. ≥ α
9. Mc Nemer
Uji Mc. Nemar adalah uji yang digunakan untuk menguji hipotesis komparatif 2
sampel jika populasi :
terdiri atas 2 kelompok klas misaknya sebelum dan sesudah ( ada / tidak
perubahan)
datanya Nominal/Deskrit.
Contoh Tabel :
Sesudah
Sebelum
- +
+ A B
- C D
Hipotesis :
62
Amrin Madolan, SKM
Ho : θ 1 = θ 2
H1 : θ 1 ≠ θ 2
Kriteria Uji :
Ho ditolak jika : X 2 > X 2 tabel
Ho diterima jika : X 2 ≤ X 2 tabel, atau
Ho ditolak jika : Sig. < α
Ho diterima jika : Sig. ≥ α
Contoh Permasalahan dan Hipotesis
Permasalahan :
Hipotesis :
Uji Tanda adalah yang digunakan untuk menguji hipotesis komparatif 2 sampel jika
populasi :
Datanya Ordinal.
Hipotesis :
Ho : P (X A > X B) = P (X A < X B)
63
Amrin Madolan, SKM
H1 : P (X A > X B) ≠ P (X A < X B)
Kriteria Uji :
Ho ditolak jika : X 2 > X 2 tabel
Ho diterima jika : X 2≤ X 2 tabel, Atau :
Ho ditolak jika : Sig. < α
Ho diterima jika : Sig. ≥ α
Contoh Permasalahan dan Hipotesis
Permasalahan :
Bagaimanakah dampak kenaikan gaji terhadap kesejahteraan pegawai di
lembaga X.
Hipotesis :
H0 : Tidak terdapat perubahan kesejahteraan pegawai setelah ada Kenaikan gaji.
Ha : Terdapat perubahan kesejahteraan pegawai setelah ada Kenaikan gaji.
Langkah-Langkah pada SPSS :
- Analyze > Nonparametric Tes > 2 Related Sample Tes
- Masukan Variabel-variabel pada Test Pairs
- Pilih Sign pada Test Type
- Klik OK
- Lihat hasil Out Put
Kriteria Uji :
Ho ditolak jika Sig. < α
Ha diterima jika Sig. ≥ α
11. Wilcoxon matched pairs
Uji ini merupakan penyempurnaan dari Uji Tanda (Sign Test). Uji Wilcoxon ini
hampir sama dengan Uji Tanda tetapi besarnya selisih nilai angka antara positif dan
negatif diperhitungkan, dan digunakan untuk menguji hipotesis komparatif 2 sampel
berpasangan jika populasi :
Datanya Ordinal.
Hipotesis :
Ho : Tidak terdapat perbedaan ......... antara sebelum dan sesudah .........
H1 : Terdapat perbedaan ......... antara sebelum dan sesudah .........
Kriteria Uji :
Ho ditolak jika : T hitung < T tabel
Ho diterima jika : T hitung ≥ T tabel
64
Amrin Madolan, SKM
Jika sampel berpasangan lebih besar dari 25, maka distribusinya dianggap akan
mendekati distribusi normal. Untuk itu digunakan Z sebagai Uji Statistiknya
dengan kriteria Uji :
Ho ditolak jika : Z hitung < Z tabel
Ho diterima jika : Z hitung ≥ Z tabel, atau :
Ho ditolak jika : Sig. < α
Ho diterima jika : Sig. ≥ α
Langkah-Langkah pada SPSS :
- Analyze > Nonparametric Tes > 2 Related Sample Tes
- Masukan Variabel-variabel pada Test Pairs
- Pilih Wilcoxon pada Test Type
- Klik OK
- Lihat hasil Out Put
Kriteria Uji :
Ho ditolak jika Sig. < α
Ha diterima jika Sig. ≥ α
65
Amrin Madolan, SKM
14. Mann-Whitney U-Tes
Tehnik ini dipakai untuk mengetest signifikansi perbedaan antara dua populasi,
dengan menggunakan sampel random yang ditarik dari populasi yang sama. Test ini
berfungsi sebagai alternatif penggunaan uji-t bilamana persyaratan-persyaratan
parametriknya tidk terpenuhi, dan bila datanya berskala ordinal.
Langkah-Langkah pada SPSS :
- Analyze > Nonparametric Tes > 2 Independent Sample Tes
- Masukan Variabel-variabel pada Test Pairs
- Pilih Mann Whitney U pada Test Type
- Klik OK
- Lihat hasil Out Put
Kriteria Uji :
Ho ditolak jika Sig. < α
Ha diterima jika Sig. ≥ α
15. Kolmogrof-Smirnov
Kolmogrof smirnov satu sampel
Kolmogorov Smirnov Satu Sampel dapat digunakan untuk menentukan suatu
distribusi sebaran suatu sampel (normal, uniform atau poisson).
Hiptesis :
Ho : data dapat diasumsikan berdistribusi normal
Ha : data tidak dapat diasumsikan berdistribusi normal
Atau :
Hipotesis :
H0 : Tidak ada perbedan antara lembaga swasta dan pemerintah dalam pelayanan
terhadap masyarakat.
Ha : Ada perbedan antara lembaga swasta dan pemerintah dalam pelayanan terhadap
masyarakat.
Langkah-langkah pada SPSS dapat dilihat pada materi Uji Normalitas.
Kolmogrof Smirnov Z
Uji Kolmogorov Smirnov Z digunakan untuk menguji hipotesis komparatif dua
sampel independen bila datanya berbentuk ordinal yang tersusun pada tabel distributif
frekuensi kumulatif dengan menggunakan klas-klas interval.
66
Amrin Madolan, SKM
Pembentukan Hipotesis pada Uji Kolmogrov Smirnov Z :
Ho : dua sampel independen berasal dari populasi yang berdistribusi sama
Ha : dua sampel independen berasal dari populasi yang berdistribusi tidak sama
Langkah-langkah pada SPSS :
Analyz > Nonparametric Tes > 2 Independen Samples Tes
Pindahkan nilai variabel ke Tes Variabel List dan Kelompok Variabel ke
Grouping Variabel.
Pilih Kolmogrov Smirnov pada Tes Type
Klik OK.
Lihat Out Put SPSS
Ho ditolak jika : Sig.< α
Ho diterima jika : Sig ≥ α
17. Cocharn Q
Tes ini digunakan untuk hipotesis komparatif k sampel berpasangan bila
datanya benrbnuk nominal dan frekuensi dikotomi (Ya/Tidak).
Contoh Permasalahan dan Hipotesis
Permasalahan :
67
Amrin Madolan, SKM
Apakah terdapat perbedaan terhadap kelompok pegawai kinerja 1, 2
dan 3 yang masing-masing metode kerja A, B dan C ?
Hipotesis :
H0 : Tidak terdapat perbedaan yang kinerja pegawai yang signifikan
dengan penerapan tiga metode kerja tersebut ?
Ha : Terdapat perbedaan yang kinerja pegawai yang signifikan dengan
penerapan tiga metode kerja tersebut ?
Langkah-Langkah pada SPSS :
- Analyze > Nonparametric Tes > k Related Sample Tes
- Masukan Variabel-variabel pada Test Variable
- Pilih Cocharn’s Q pada Test Type
- Klik OK
- Lihat hasil Out Put
Kriteria Uji :
Ho ditolak jika Sig. < α
Ha diterima jika Sig. ≥ α
18. Friedman
Friedman two way anova (analisi varian dua jalan Friedman) digunakan untuk
menguji hipotesis komparatif k sampel yang berpasanga (related) bila datanya
berebntuk ordinal (ranking), bila datanya terkumpul berbntuk interval atau
ratio maka data tersebut diubah kedalam ordinal.
Langkah-Langkah pada SPSS :
- Analyze > Nonparametric Tes > k Related Sample Tes
- Masukan Variabel-variabel pada Test Variable
- Pilih Fiedman pada Test Type
- Klik OK
- Lihat hasil Out Put
Kriteria Uji :
Ho ditolak jika Sig. < α
Ha diterima jika Sig. ≥ α
68
Amrin Madolan, SKM
19. One-Way Anova (Merupakan Tes Parametrik)
I. Prinsip Dasar dan Tujuan Analisis
Analisis ragam atau analysis of variance(ANOVA) adalah suatu metode untuk
menguraikan keragaman total data menjadi komponen-komponen yang mengukur
berbagai sumber keragaman. Secara aplikatif, ANOVA digunakan untuk menguji
rata-rata lebih dari dua sampel berbeda secara signifikan atau tidak.
........... 1
........... 1
........... ...........
........... ...........
........... ...........
........... ...........
........... k
1. Deskripsi rata-rata dan standar deviasi dari sampel Dilihat dari tabel Descritives.
2. Uji homoskedastisitas
Ho: varians k populasi sama
H1: hipotesis nol tidak berlaku
Lihat bagian Test of Homogeneity of Variances.
3. Hasil uji beda rata-rata k populasi (Ho: µ1= µ2= …= µk=0)
69
Amrin Madolan, SKM
Interpretasi dari tabel Anova.
4. Jika pada point 3 menghasilkan keputusan tolak Ho, tentunya kita ingin tahu
populasi mana saja yang berbeda rata-ratanya secara signifikan. Utuk itu, lihat Post
Hoc Test.
5. Berlawanan dengan point 4, jika kita ingin melihat populasi mana saja yang tidak
berbeda secara signifikan, bisa dilihat pada Homogeneous Subset.
70
Amrin Madolan, SKM
Data di atas akan dianalisis dengan ANOVA. Format data ketika dientry ke SPSS
harus diubah seperti format pada bagian II di atas. Untuk jelasnya, silakan lihat file
One Way Anova pada SPSS. Untuk melakukan analisis ragam satu arah (ANOVA)
dengan SPSS, berikut ini diberikan langkah-langkahnya:
1. Pada menu Analyze, pilih submenu Compare Means. Lalu pilih One Way
Anova…
2. Setelah itu akan muncul kotak dialog.
3. Bagian Dependent List diisi dengan variabel lebar daun (berupa data kuantitatif),
dan Factor diisi dengan pupuk (data kualitatif).
4. Untuk bagian Post Hoc, aktifkan Bonferroni dan Tukey.
5. Pada bagian Options, aktifkan Descriptives dan Homogeneity of Variances.
6. Sampai di sini pengisisan kotak dialog selesai.
7. Interpretasi Hasil Analisis
Secara deskriptif, kita bisa melihat sekilas bahwa rata-rata lebar daun karena
pemberian pupuk A dan pupuk B berbeda relatif jauh. Pada pemberian pupuk
A, rata-ratanya sekitar 4,99 dan pada pupuk B sekitar 8,00.
Descriptives
Lepar Daun
95% Confidence
Interval for Mean
71
Amrin Madolan, SKM
Uji Homoskedastisitas
Lepar Daun
.490 2 27 .618
ANOVA
Lepar Daun
Total 419.847 29
72
Amrin Madolan, SKM
Mengetahui pupuk mana yang pengaruhnya berbeda
Multiple Comparisons
Mean
95% Confidence Interval
(I) Jenis (J) Jenis Difference (I-
Pupuk Pupuk J) Std. Error Sig. Lower Bound Upper Bound
Tabel di atas ini memberikan hasil pengujian parsial dua populasi. Dari
sini kita dapat mengetahui pupuk mana yang akan memberikan
pengaruh yang berbeda. Ternyata ketiga pupuk memberikan pengaruh
yang berbeda-beda, terlihat dari munculnya tanda bintang pada semua
jenis pupuk.
Sebaliknya, untuk mengetahui pupuk mana yang tidak berbeda secara
signifikan pengaruhnya dapat dilihat pada tabel berikut ini.
73
Amrin Madolan, SKM
Lepar Daun
Pupuk B 10 8.000080
Pupuk C 10 13.998410
Dalam analisis varians satu-arah, hanya ada 1 (satu) sumber keragaman (source of
variability) dalam variabel terikat (dependent variable), yakni: kelompok dalam
populasi yang sedang dikaji. Terkadang kita juga perlu untuk mengetahui atau
mengidentifikasi adanya 2 (dua) faktor yang mungkin menyebabkan perbedaan dalam
variabel terikat (dependent variable). Untuk tujuan tersebut dilakukan analisis varians
dua-arah (Two-way ANOVA).
Dalam analisis varians dua-arah, kita harus mengukur setiap kombinasi dua faktor
dari variabel terikat (dependent variable) yang sedang dikaji.
Banyak variabel respons atau variabel terikat dipengaruhi oleh lebih dari satu faktor
atau variabel bebas. Oleh karena itu, kita sering dituntut untuk melakukan pelbagai
eksperimen di mana kita mempelajari efek atau pengaruh dari sejumlah variabel
bebas (faktor) terhadap sebuah variabel terikat. Pada kesempatan ini, kita akan
mempelajari pengaruh dari dua (2) faktor (variabel bebas) terhadap sebuah variabel
74
Amrin Madolan, SKM
terikat. Kita asumsikan bahwa faktor pertama (kita sebut faktor 1) memiliki a tingkat
atau level (level 1, 2, ……, a) dan faktor kedua (kita sebut faktor 2) memiliki b
tingkat atau level (level 1, 2, ……, b). Yang merupakan perlakuan (treatment) di sini
adalah kombinasi antara sebuah level faktor 1 dan sebuah level dari faktor 2. Dengan
demikian, kita bisa mempelajari sebanyak ab perlakuan.
Tujuan dari analisis dua-faktor adalah untuk mengestimasi dan membandingkan
pengaruh dari pelbagai perlakuan yang berbeda-beda terhadap variabel bebas atau
variabel respon. Bergantung pada situasi tertentu, kita dapat melakukan pengujian
untuk melihat apakah terdapat perbedaan nyata atau signifikan (significant
differences) pengaruh:
1. antar-level dari faktor 1;
2. antar-level dari faktor 2; dan
3. antar-kombinasi faktor 1 dan 2.
Apabila terdapat perbedaan nyata, kita akan mengestimasi seberapa tinggi tingkat
perbedaan tersebut dalam kerangka untuk mengetahui apakah ada keuntungan praktik
dari perbedaan tersebut. Selanjutnya, kita bisa mengestimasi pengaruh dari perlakuan
tertentu terhadap rata-rata (mean) respons (variabel bebas), dan kita bisa
memprediksikan nilai individu dari variabel respons atau variabel bebas.
Metode yang kita terapkan untuk tujuan tersebut adalah analisis keragaman dua arah
atau analisis keragaman dua-faktor (two-way analysis of variance or two-factor
analysis of variance). Sebelum lebih lanjut membicarakan analisis tersebut, kita
terlebih dahulu lihat dua definisi berikut.
Eksperimen faktorial lengkap (complete factorial experiment) bisa dilakukan jika kita
memilih sebuah sampel yang berkaitan dengan masing-masing dan setiap perlakuan
(yakni kombinasi antar-level dari masing-masing faktor).
Apabila ukuran sampel yang diterapkan untuk semua perlakuan adalah sama, maka
eksperimen demikian dikategorikan sebagai eksperimen faktorial lengkap seimbang
(balanced complete factorial experiment).
Anova dua-arah atau dua-faktor harus memenuhi asumsi-asumsi berikut :
a. Kita melakukan suatu eksperimen faktorial lengkap seimbang (balanced complete
factorial experiment).
b. Kita menerapkan rancangan eksperimen acak lengkap (complete randomized
experimental design). Yakni, sampel acak bebas dari unit eksperimen dikaitkan
pada perlakuan (treatment).
75
Amrin Madolan, SKM
c. Populasi dari semua nilai yang memungkinkan dari variabel respons berkaitan
dengan semua perlakuan terdistribusi secara normal.
d. Semua populasi tersebut memiliki varians yang sama.
Beberapa hipotesis uang digunakan pada tes Two Way ANOVA :
1. F hitung untuk perlakuan yang digunakan untuk menguji hipotesis:
H0 = semua nilai rata-rata perlakuan adalah sama
H1 = minimal dua dari rata-rata perlakuan berbeda
2. F hitung untuk faktor 1 yang digunakan untuk menguji hipotesis:
H0 = semua nilai rata-rata level dalam faktor 1 adalah sama
H1 = minimal dua dari rata-rata level dalam faktor 1 berbeda
3. F hitung untuk faktor 2 yang digunakan untuk menguji hipotesis:
H0 = semua nilai rata-rata level dalam faktor 2 adalah sama
H1 = minimal dua dari rata-rata level dalam faktor 2 berbeda
4. F hitung untuk interaksi yang digunakan untuk menguji hipotesis:
H0 = antara faktor 1 dan faktor 2 tidak terdapat interaksi
H1 = terdapat interaksi antara faktor 1 dan faktor 2
22. Kruskal-Wallis
76
Amrin Madolan, SKM
Teknik ini digunakan untuk menguji hipotesis k sampel inedependen bila
datanya berbentuk ordinal. bila dalam pengukuran ditemukan data berbentuk
interval atau ratio maka perlu dirubah dulu kedalam ordinal (data berbentukr
anking/peringkat). Teknik ini merupakan alternatif Uji One Way ANOVA.
Dalam Uji Kruskal Wallis tidak diperlukan asumsi tentang kebebasan galat,
ragam yang sama maupun distribusinya yang normal. Asumsi yang menjadi
dasar pengujiannya adalah bahwa sampel yang diperbandingkan berasal dari
distribusi yang kontinyu.
Hipotesis :
H0 ≡ rata-rata seluruh perlakuan sama
H1 ≡ minimal ada satu yang berbeda
Langkah-Langkah pada SPSS :
- Analyze > Nonparametric Tes > k Independent Sample Tes
- Masukan nilai variabel pada Test Variable List dan Kelompok Variabel pada
Grouping Variable. Isi nilai minimum dan maksimum pada Define Grop.
- Pilih Kruskal Wallis H pada Test Type
- Klik OK
- Lihat hasil Out Put
Kriteria Uji :
Ho ditolak jika Sig. < α
Ha diterima jika Sig. ≥ α
23. Contingency Coeficient C
Koefisien ini digunakan untuk menghitung hubungan antar variabel bila
datanya berbentuk nominal. Teknik ini mempunyai kaitan erat dengan chi
kuadrat yang digunakan untuk menguji hipotesis komparatif k sampel
independen, oleh karena itu rumus yang digunakan mengandung nilai cjhi
kuadrat.
Contoh Permasalahan dan Hipotesis :
Permasalahan :
Apakah terdapat korelasi antara mata pencaharian dengan jenis obyek wisata
yang dipilih masyarakat ?
Misal
77
Amrin Madolan, SKM
1 = Nelayan 1 = Pantai
2 = PNS 2 = Pegunungan
3 = Peg. Swasta 3 = Belanja
4 = Wiraswasta 4 = Bioskop
Hipotesis :
H0 = Tidak ada hubungan positif antara mata pencaharian dengan pilihan
obyek wisata.
Ha = Ada hubungan positif antara mata pencaharian dengan pilihan obyek
wisata.
Langkah-Langkah pada SPSS :
- Analyze > Descriptive Statistic > Crosstabs
- Masukan masing-masing variabel pada Columns dan Rows, jika lebih dari
dua Variabel maka masukan pada Layer 1 of 1 klik Next jika masih ada
variabel tersisa dan masukan pada Layer 2 of 2
- Klik Statistcs > pilih Contingency Coefficient
- Klik Continue
- Klik OK
- Lihat hasil Out Put
Kriteria Uji :
Ho ditolak jika Sig. < α
Ha diterima jika Sig. ≥ α
78
Amrin Madolan, SKM
Klik OK.
Lihat hasil Out Put
Kriteria Uji :
Ho ditolak jika Sig. < α
Ha diterima jika Sig. ≥ α
Catatan : tidak ada korelasi antara variabel independen dengan variabel
independen lainnya.
Seperti dalam korelasi spearman rank, korlasi kendal tau digunakan untuk
mencari hubungan dan menguji hipotesis antara dua variabel atau lebih bila
datanya berbentuk ordinal atau ranking dan sampelnya besar (>=30)..
Kendal tau, adalah ukuran korelasi yang setara dengan Spearman R, terkait dengan
asumsi yang mendasarinya serta kekuatan statistiknya. Namun, besaran Spearman R
dan Kendal tau akan berbeda karena perbedaan dalam logika mendasari serta formula
perhitungannya.
Jika Spearman R setara dengan koefisien korelasi Pearson Product Moment, yaitu
koefisien korelasinya pada dasarnya menunjukkan proporsi variabilitas (dimana
untuk Spearman R dihitung dari ranks sedangkan korelasi Pearson dari data aslinya),
sebaliknya ukuran Kendal tau merupakan probabilita perbedaan antara probabilita
data dua variabel dalam urutan yang sama dengan probabilita dua variabel dalam
urutan yang berbeda.
Berdasarkan logika perhitungan ini, Noether (1981) dalam (Daniel,1991)
mengemukakan bahwa koefisien Kendal tau lebih mudah ditafsirkan dibandingkan
Spearman R.
Teknik korelasi Product Moment dari Karl Pearson membutuhkan pemenuhan dua
asumsi dasar, yaitu (Hadi, 1996 : 303)
Hubungan antara variabel X dan variabel Y merupakan hubungan linear,
79
Amrin Madolan, SKM
Bentuk distribusi variabel X dan variabel Y adalah atau mendekati distribusi
normal.
Selain itu, data skor skala berada pada level interval dan terdiri dari dua variabel yaitu
1 variabel X dan 1 variabel Y.
Langkah dalam program SPSS.
Langkah 1 : klik ”Analize” > ”correlation” > ”bivariat”
Langkah 2 : skor skala pada kotak kiri, dipindah ke kotak yang kanan (kotak
”variable”). Caranya, sorot skor yang ingin dipindah, lalu klik tombol
”anak panah”.
Langkah 3 : Pada bagian “correlation coeficien” pilih sesuai teknik korelasi yang
digunakan, Pearson atau Spearman atau Kendall. Pada bagian “test
significance” pilihlah 2 tail atau 1 tail sesuai hipotesis penelitian
Anda.
27. Partial Corelation (Merupakan Tes Parametrik)
Korelasi yang digunakan untuk menguji hubungan dua atau lebih variabel independen
dengan satu variabel dependen dan dilakukan pengendalian pada salah satu
variabel independennya. Partial Corelation merupakan analisis parametrik digunakan
untuk menganalisis hubungan 3 variabel dengan ketentuan sebagai berikut :
a. Data intarval atau ratio,
b. Data berdistribusi normal,
c. Memiliki ragam/varians yang sama.
d. Hubungan linear
Contoh hipotesis :
H0 : Tidak ada hubungan antara berar badan ibu dengan HB Bayi apabila Jumlah
anak dikendalikan
Ha : Ada hubungan antara berar badan ibu dengan HB Bayi apabila Jumlah anak
dikendalikan
Langkah-Langkah pada SPSS adalah sebagai berikut :
Klik Analyz > Corelate > Partial
Masukan variabel dependen dan satu variabel independen pada bagian variables
Masukan satu variabel lainnya pada bagian controling for,
Klik OK.
80
Amrin Madolan, SKM
Lihat out put pada SPSS seperti contoh berikut :
Correlations
df 0 47
df 47 0
- Nilai Correlation Sebesar 0,151 dan nilai significance sebesar 0,299 >
dari α (0,05) maka dapat dikatakan bahwa tidak ada hubungan berat
badan ibu dengan HB Bayi apabila Jumlah anak dikendalikan.
-
28. Multiple Corelation /Korelasi Ganda (Merupakan Tes Parametrik)
Korelasi yang digunakan untuk menguji hubungan dua atau lebih variabel
independen dengan satu variabel dependen secara bersamaan. Multipel
Corelation merupakan tes parametrik yang menghubungkan lebih dari 3
variabel. Tidak ada menu khusus korelasi ganda dalam SPSS. Untuk itu
bisa digunakan menu regression untuk mencari (R) dan R square. Untuk
Korelasi ganda yang digunakan hanya output Model Summary. Lihat
koefisien R output yang lain diabaikan. • Untuk menginterpretasi korelasi
ganda lihat nilai R, semakin mendekati 1 maka korelasi semakin kuat.
Contoh hipotesis :
H0 : Tidak ada hubungan antara berar badan ibu dan Jumlah anak dengan HB Bayi
Ha : Ada hubungan antara berar badan ibu dan Jumlah anak dengan HB Bayi
81
Amrin Madolan, SKM
29. Regresi (Merupakan Tes Parametrik)
Analisis regresi adalah analisis lanjutan dari korelasi Menguji sejauh mana
pengaruh variabel independen terhadap variabel dependen setelah diketahui
ada hubungan antara variabel tersebut.
• Untuk melihat signifikansi persamaan regresi dapat dilihat dari nilai F dan
dibandingkan dengan F tabel
• Apabila nilai F < F tabel maka persamaan garis regresi tidak dapat
digunakan untuk prediksi
• Apabila nilai F > F tabel maka persamaan garis regresi dapat digunakan
untuk prediksi
• Selain itu dapat pula dengan melihat nilai Sig. dapat digunakan untuk
prediksi apabila nilai Sig. < 0,05
a. (Regresi Linear Sederhana dengan SPSS
Analisa regresi adalah Analisis statistik yang mempelajari bagaimana
membangun sebuah model fungsional dari data untuk dapat
menjelaskan ataupun meramalkan suatu fenomena alami atas dasar
fenomena yang lain. Analisa regresi merupakan salah satu teknik
statistik yang digunakan secara luas dalam ilmu pengetahuan terapan.
Regresi di samping digunakan untuk mengetahui bentuk hubungan
antar peubah regresi, juga dapat dipergunakan untuk peramalan.
Misalkan ada n pasangan pengamatan, katakan (X1,Y1), (X2,Y2),…..,
(Xn,Yn), persamaan regresi linier sederhana adalah :
Yi =β0 + β1X1 + Ɛi
dengan :
β0 adalah intercept (titik potong)
β1 adalah slope (kemiringan) dari garis tersebut
Xi adalah peubah bebas
Yi adalah nilai teramati dari peubah Y (Hines dan Montgomery, 1990).
Pengujian Koefisien Regresi Secara Overall
Hipotesis yang akan diuji :
H0: βi = 0 ≈ tidak terdapat hubungan antara variable XdanY
82
Amrin Madolan, SKM
H1: βi ≠ 0 ≈ terdapat hubungan antara variable XdanY
Kriteria uji :
Tolak Ho jika pz ≤ α /2, terima dalam hal lain
Pengujian Koefisen Regresi Slope (Kemiringan) ( β1)
Hipotesis Yang akan diuji :
H0: βi = 0 ≈ tidak terdapat hubungan antara variable XdanY
H1: βi ≠ 0 ≈ terdapat hubungan antara variable XdanY
Kriteria uji :
│π │> π( n,α/2), tolak Ho
│π │≤ π( n,α/2), terima Ho
Pada analisis regresi sederhana dengan menggunakan SPSS ada beberapa
asumsi dan persyaratan yang perlu diperiksa dan diuji, beberapa
diantaranya adalah :
1. Variabel bebas tidak berkorelasi dengan disturbance term (Error). Nilai
disturbance term sebesar 0 atau dengan simbol sebagai berikut: (E (U /
X) = 0,
2. Jika variabel bebas lebih dari satu, maka antara variabel bebas
(explanatory) tidak ada hubungan linier yang nyata,
3. Model regresi dikatakan layak jika angka signifikansi pada ANOVA
sebesar < 0.05,
4. Predictor yang digunakan sebagai variabel bebas harus layak.
Kelayakan ini diketahui jika angka Standard Error of Estimate <
Standard Deviation,
5. Koefisien regresi harus signifikan. Pengujian dilakukan dengan Uji T.
Koefesien regresi signifikan jika T hitung > T table (nilai kritis),
6. Model regresi dapat diterangkan dengan menggunakan nilai koefisiena
determinasi (KD = r2 x 100%) semakin besar nilai tersebut maka
model semakin baik. Jika nilai mendekati 1 maka model regresi
semakin baik,
7. Data harus berdistribusi normal,
8. Data berskala interval atau rasio,
83
Amrin Madolan, SKM
9. Kedua variabel bersifat dependen, artinya satu variabel merupakan
variabel bebas (variabel predictor) sedang variabel lainnya variabel
terikat (variabel response)
Berikut ini contoh perhitungan regresi linier sederhana menggunakan
software SPSS 19 :
Dengan menggunakan data yang sama seperti pada artikel perhitungan
korelasi, proses mulai dengan memilih menu Analyze, kemudian pilih
Linear,
Pilih variabel Y sebagai variabel dependen (terikat) dan X1 sebagai
variabel independen (bebas) lalu klik tombol OK,
Output SPSS akan menampilkan hasil berupa 4 buah tabel yaitu; 1.)
tabel variabel penelitian, 2.) ringkasan model (model summary), 3.)
Tabel Anova, dan 4.) Tabel Koefisien.
Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
Model Summary
ANOVAb
Total 72.500 49
84
Amrin Madolan, SKM
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Cara membaca output spss hasil uji regresi linier tersebut adalah :
I. Tabel pertama menunjukkan variabel apa saja yang diproses, mana
yang menjadi variabel bebas dan variabel terikat.
II. Tabel kedua menampilkan nilai R yang merupakan simbol dari
nilai koefisien korelasi (untuk menentukan kuat hubungan). Pada
contoh diatas nilai korelasi adalah 0,358. Nilai ini dapat
diinterpretasikan bahwa hubungan kedua variabel penelitian ada di
kategori lemah. Melalui tabel ini juga diperoleh nilai R Square atau
koefisien determinasi (KD) yang menunjukkan seberapa bagus
model regresi yang dibentuk oleh interaksi variabel bebas dan
variabel terikat. Nilai KD yang diperoleh adalah 12,8% yang dapat
ditafsirkan bahwa variabel bebas X1(Jumlah Anak) memiliki
pengaruh kontribusi sebesar 12,8% terhadap variabel Y (HB Bayi)
dan 87,2% lainnya dipengaruhi oleh faktor-faktor lain diluar
variabel X1 (Jumlah Anak).
III. Tabel ketiga digunakan untuk menentukan taraf signifikansi atau
linieritas dari regresi. Kriterianya dapat ditentukan berdasarkan uji
F atau uji nilai Signifikansi (Sig.). Cara yang paling mudah dengan
uji Sig., dengan ketentuan, jika Nilai Sig. < 0,05, maka model
regresi adalah linier, dan berlaku sebaliknya. Berdasarkan tabel
ketiga, diperoleh nilai Sig. = 0,011 yang berarti < kriteria
signifikan (0,05), dengan demikian model persamaan regresi
berdasarkan data penelitian adalah signifikan artinya, model regresi
linier memenuhi kriteria linieritas.
85
Amrin Madolan, SKM
IV. Tabel keempat menginformasikan model persamaan regresi yang
diperoleh dengan koefisien konstanta dan koefisien variabel yang
ada di kolom Unstandardized Coefficients B. Berdasarkan tabel ini
diperoleh model persamaan regresi :
Y =38,256 + 0,229 X1
86
Amrin Madolan, SKM
Dimana :
Y = variabel terikat (mis: tekanan darah sistolik)
a = intercept (perkiraan besarnya rata-rata Y ketika kenaikan nilai
X=0
b = slope (perkiraan besarnya perubahan nilai variabel Y bila nilai
variabel X berubah satu unit pengukuran)
X = masing-masing kadar glukosa darah, kadar kolesterol darah
dan BB
e = nilai kesalahan (error) yaitu selisih antara nilai Y individual
yang teramati dengan nilai Y sesungguhnya pada titik X
tertentu.
Kelebihan teknik multivariat adalah ia merupakan teknik yang kuat
untuk menyingkirkan pelbagai variabel luar sedangkan kelemahannya
adalah :
Interpretasinya sering sulit dan tidak natural.
Sulit digeneralisasi dalam keadaan nyata.
Hasilnya sangat dipengaruhi oleh pemilihan variabel yang dimasukkan
kedalam formula.
Membutuhkan jumlah subyek yang besar terutama apabila jumlah
variabel independennya banyak.
Seringkali terlalu banyak asumsi.
87
Amrin Madolan, SKM
darah sistolik. Dari hasil regresi, seseorang individu dapat
diperkirakan tekanan darahnya pada kadar glukosa, kolesterol dan BB
tertentu.
Model Summaryb
Change Statistics
88
Amrin Madolan, SKM
signifikan dengan melihat nilai korelasi ( r ) tertinggi dengan variabel
terikat Y. Tampak nilai Durbin-Watson 1,682 berarti asumsi independensi
terpenuhi (-2 s/d +2).
Makin kecil SEE akan membuat model regresi semakin tepat dalam
memprediksi variabel terikat.
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
ANOVAb
Total 72.500 49
89
Amrin Madolan, SKM
2. Kedua variabel memiliki pengaruh terhadap HB Bayi dengan melihat
nilai Sig. pada tabel ANOVA.
3. Persamaan regresi kedua variabel adalah sebagai berikut :
- Tahap I : Y = 13,615 - 0,094 Umur Ibu – 0,055 Jumlah Anak
4. Umur Ibu yang paling besar (dominan) pengaruhnya terhadap HB Bayi
90
Amrin Madolan, SKM
Untuk menilainya berdasarkan grafik scatter plot dimana :
- Jika tidak ada pola yang jelas serta titik-titik menyebar (secara acak)
di atas dan dibawah angka 0 pada sumbu y maka tidak terjadi
heteroskedastisitas,
- Jika ada pola tertentu serta titik-titik yang membentuk pola tertentu
diatas dan dibawah angka 0 pada sumbu y maka terjadi
heteroskedastisitas.
3. UJI INDEPENDENSI (AUTOKORELASI)
Menurut Sutanto (2001) suatu keadaan dimana masing-masing nilai Y
bebas satu sama lain. Jadi nilai dari tiap-tiap individu saling berdiri
sendiri. Tidak diperbolehkan nilai observasi yang berbeda yang diukur
dari satu individu diukur dua kali. Untuk mengetahui asumsi ini
dilakukan dengan cara uji Durbin-Watson dengan ketentuan sbb:
- Bila nilai durbin antara -2 s.d. +2 berarti asumsi independensi
terpenuhi
- Bila nilai durbin dibawah -2 dan diatas. +2 berarti asumsi
independensi tidak terpenuhi
(Untuk menentukan uji ini dapat dilihat pada output regresi linear ganda
tabel Model Summary kolom Durbin-Watson)
4. UJI NORMALITAS
Uji normalitas atau kenormalan digunakan untuk mendeteksi apakah
distribusi variabel-variabel bebas dan terikat adalah normal. Menurut
Santoso (2001:212) normalitas dapat dideteksi dengan melihat sebaran
data (titik) pada sumbu diagonal dari grafik Normal P-Plot of
Regression Standarized Residual. Suatu model dikatakan memenuhi
asumsi normalitas apabila apabila data menyebar disekitar garis
diagonal dan mengikuti arah garis diagonal. Dapat pula dilakukan
dengan menggunakan uji Chi Square terhadap nilai standar residual
hasil persamaan regresi. Bila probabilitas hasil uji chi Square <0,05
(5%) maka data terdistribusi normal dan jika sebaliknya maka data
terdistribusi tidak normal. Sebagai contoh, hasil pengujian
91
Amrin Madolan, SKM
menunjukkan nilai chi square sebesar 7,583 (probabilitas sebesar
0,005) yang berarti nilai residual data terdistribusi secara normal.
Contoh ini dapat dilihat pada hal. 40 kol. Linear by Linear Association
(buku 1) Santoso (2001) cara lain untuk mendeteksi kenormalan
sebaran data adalah uji Kolmogorov Smirnov dimana nilai p
disbanding dengan nilai alpa. Jika nilai p > alpa berarti data tersebar
normal.
5. UJI LINEARITAS
Untuk mengetahui apakah model yang dihasilkan bersifat linear atau
tidak dapat dideteksi dengan melihat scatter plot antara standar residual
dengan prediksinya. Sebagai contoh, apabila hasil pengujian
menunjukkan scatter plot tidak membentuk pola tertentu sehingga uji
asumsi linearitas memenuhi persyaratan. Cara lain untuk mengetahui
asumsi linearitas adalah dari uji ANOVA (overall F test) bila hasilnya
signifikan (p < alpa) maka model berbentuk linear)
92
Amrin Madolan, SKM
Menurut Colton, kekuatan hubungan dua variabel secara kuantitatif dapat dibagi
empat area, yaitu :
93
Amrin Madolan, SKM