BAB VI

PEMILIHAN DAN PENGGUNAAN UJI STATISTIK PADA SPSS

Jenis Hipotesis (Contoh) :

Hipotesis Deskriptif

Ho : Kemampuan belajar mahasiswa > 8 jam sehari

Ha : Kemampuan belajar mahasiswa < 8 jam sehari

Hipotesis Komparatif :

Ho : Status kesehatan peserta jamkesmas=status kesehatan bkn peserta jamkesmas

Ha : Status kesehatan peserta jamkesmas≠status kesehatan bkn peserta jamkesmas

Hipotesis Asosiatif :

Ho : Tidak ada hubungan status kesehatan dengan tingkat ekonomi

Ho : Ada hubungan status kesehatan dengan tingkat ekonomi

Pemilihan Teknik Statistik

1. Jenis penelitian, apakah hanya penelitian deskriptif atau penelitian yang

mengambil suatu kesimpulan (inferensial)
2. Jenis hipotesis yang yang kita ajukan dalam penelitian. Peneliatian yang
beripotesis deskriptif, teknik analisisnya berbeda dengan penelitian yang
berhipotesis komperatif atau asosiatif. [lihat contoh hipotesis]
3. Skala data dalam penelitian. Penelitian yang mempunyai skala data nominal
teknik yang digunakan berbeda dengan penelitian yang berskala data ordinal
dan rasio.
4. Normalitas data. Jika data penelitian kita berdistribusi normal maka kita dapat
menggunakan teknik analisis paramatrik, namun jika tidak normal maka
teknik statistik yang digunakan adalah non parametrik.
5. Jumlah Data. Jumlah data yang digunakan pada analisis parametrik lebih dari
30, kecuali pada Uji T dapat kurang dari 30.

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

Jumlah A+C B+D N

 Contoh Permasalahan dan Hipotesis :

Permasalahan :
Suatu penelitian dilakukan utk mengetahui perbedaan diklat thd peningkatan
pengetahuan peserta . Kelompok yg diberi penyuluhan sebanyak 80 org yg tdk
diberi penyuluhan 70 org. Pada akhir diklat, sebanyak 60 org meningkat
pengetahuannya sedangkan yg tdk 20 org. Dari kelompok yg tdk diberi diklat ada
perbedaan (kel kontrol) yg pengetahuannya meningkat sebanyak 30 org & yg tdk
meningkat 40 org.
Hipotesis :

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

6. T-Tes (Merupakan Tes Parametrik)

Untuk menguji hipotesis deskriptif satu sampel bila datanya berbentuk interval dan
ratio , maka digunakan t-test satu sampel. Jumlah data < 30.
Langkah-langkah pada SPSS :
- Analyze > Compare Means > One Sample T Test
- Masukan Variabel-variabel pada Test Variabel(s)
- Klik OK
- Lihat hasil Out Put
Kriteria Uji :
Ho ditolak jika Sig. < α
Ha diterima jika Sig. ≥ α

7. T-Tes of Related (Merupakan Tes Parametrik)

untuk menguji hipotesis komparatif dua sampel berpasangan bila datanya berbentuk
interval dan ratio, digunakan t-test sampel berpasangan Related. Jumlah data < 30.
Langkah-langkah pada SPSS :
- Analyze > Compare Means > Paired Sample T Test
- Masukan Variabel-variabel pada Paired Variabel
- Klik OK

61
Amrin Madolan, SKM
 - Lihat hasil Out Put
Kriteria Uji :
Ho ditolak jika Sig. < α
Ha diterima jika Sig. ≥ α

8. T-Tes of Independent (Merupakan Tes Parametrik)

untuk menguji hipotesis komparatif dua sampel bebas bila datanya berbentuk interval
dan ratio, digunakan t-test sampel bebas. Jumlah data < 30.
Langkah-langkah pada SPSS :
- Analyze > Compare Means > Independen Sample T Test
- Masukan nilai variabel pada Test Variabel(s) dan kelompok variabel pada
Grouping Variable
- Klik OK
- 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 :

Bagaimanakah dampak reformasi kelembagaan pada pegawai di lembaga X

Hipotesis :

H0 : Tidak terdapat perubahan kinerja pada pegawai setelah ada reformasi

kelembagaan.

Ha : Terdapat perubahan kinerja pegawai setelah ada reformasi kelembagaan.

 Langkah-Langkah pada SPSS :

- Analyze > Nonparametric Tes > 2 Related Sample Tes
- Masukan Variabel-variabel pada Test Pairs
- Pilih McNemar pada Test Type
- Klik OK
- Lihat hasil Out Put
Kriteria Uji :
Ho ditolak jika Sig. < α
Ha diterima jika Sig. ≥ α
Catatan : Uji ini juga dapat di olah pada Crosstabs.
10. Sign Tes (Uji Tanda)

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

12. Fisher Exact Probability (F Test)

Test ini digunakan untuk menguji signifikansi hipotesis komparatif dua
sampel kecil independen bila datanya berbentuk nominal untuk sampel yang
besar duigunakan chi kuadrat.

13. Median Tes

Tes median digunakan untuk menguji signifikansi hipoteis komparatif dua
smapel independen bila datanya bernbentuk nominal atau ordinal. pengjuijan
didasarkaan atas median dari smapel yang diambil secara random. dalam test
ini jumlah sampel tidak harus sama.
 Hipotesis :
Ho: tidak terdapat perbedaan dua kelompok populasi berdasarkan
mediannya.

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

16. Wald Woldfowitz

Tes ini dibgunakan untuk meguji signifikasin hipotesis komparatif dua sampel
independen bila datanya berbentuk ordinal dan disusun dalam bentuk run. oleh
karena itu sebelum data dua sampel (n1 + n2) dianalisis maka perlu disusun
terlebih dahulu kedalam bentuk ranking.
 Langkah-Langkah pada SPSS :
- Analyze > Nonparametric Tes > 2 Independent Sample Tes
- Masukan Variabel-variabel pada Test Variable
- Pilih Wald Woldfowitz pada Test Type
- Klik OK
- Lihat hasil Out Put
Kriteria Uji :
Ho ditolak jika Sig. < α
Ha 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.

II. Format Data Dasar dan Program Komputer yang Digunakan

Program komputer yang dapat digunkan untuk ANOVA antara lain adalah SPSS.
Data yang dimasukkan ke SPSS hanya terdiri dari dua kolom seperti ilustrasi
tabel berikut ini:
Format Data ANOVA untuk SPSS

Rata-Rata (Nilai) Populasi

........... 1

........... 1

........... ...........

........... ...........

........... ...........

........... ...........

........... k

III. Struktur Informasi Pokok Analisis

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.

IV. Contoh Aplikasi Analisis

Di sebuah fakultas diadakan penelitian untuk mengetahui apakah ada perbedaan

pengaruh pemberian pupuk A, pupuk B, dan pupuk C pada pertambahan lebar daun
tumbuhan X. Untuk itu, diambil sampel sebanyak 30, dibagi menjadi 3 kelompok.
Masing-masing kelompok diberi pupuk yang berbeda. Hasilnya dapat dilihat pada
tabel berikut ini:
Data Pertambahan Lebar Daun Tumbuhan X Menurut Jenis Pupuk yang Diberikan
(dalam cm)

Pupuk A Pupuk B Pupuk C

4.9892 8.0173 14.0025

4.9873 7.9960 13.9867

4.9995 7.9975 13.9965

5.0093 8.0029 13.9913

5.0045 8.0014 14.0048

4.9932 7.9818 13.9810

5.0002 8.0066 14.0010

5.0014 7.9954 14.0032

4.9982 8.0185 14.0157

5.0166 7.9834 14.0014

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

Std. Lower Upper

N Mean Deviation Std. Error Bound Bound Minimum Maximum

Pupuk A 10 4.999940 .0088940 .0028125 4.993578 5.006302 4.9873 5.0166

Pupuk B 10 8.000080 .0122275 .0038667 7.991333 8.008827 7.9818 8.0185

Pupuk C 10 13.998410 .0099417 .0031438 13.991298 14.005522 13.9810 14.0157

Total 30 8.999477 3.8049295 .6946819 7.578693 10.420261 4.9873 14.0157

71
Amrin Madolan, SKM
  Uji Homoskedastisitas

Test of Homogeneity of Variances

Lepar Daun

Levene Statistic df1 df2 Sig.

.490 2 27 .618

Dari tabel di atas, nilai p-value sebesar 0,618 mengizinkan kita

menolak hipotesis nol pada tingkat signifikansi 5%. Oleh karena itu,
asumsi kesamaan ragam terpenuhi.

 Uji beda rata-rata k populasi

ANOVA

Lepar Daun

Sum of Squares df Mean Square F Sig.

Between Groups 419.844 2 209.922 1923231.839 .000

Within Groups .003 27 .000

Total 419.847 29

Pada tabel ANOVA di atas, kita bisa melihat bahwa nilai

signifikansinya sebesar 0,000. Nilai signifikansi atau p-value juga
mengizinkan kita untuk menolak hipotesis nol pada tingkat signifikansi
5%. Artinya minimal ada satu di antara ketiga pupuk itu yang
memberikan pertambahan lebar daun yang berbeda.

72
Amrin Madolan, SKM
  Mengetahui pupuk mana yang pengaruhnya berbeda

Multiple Comparisons

Dependent Variable:Lepar Daun

Mean
95% Confidence Interval
(I) Jenis (J) Jenis Difference (I-
Pupuk Pupuk J) Std. Error Sig. Lower Bound Upper Bound

Tukey HSD Pupuk A Pupuk B -3.0001400* .0046723 .000 -3.011725 -2.988555

Pupuk C -8.9984700* .0046723 .000 -9.010055 -8.986885

Pupuk B Pupuk A 3.0001400* .0046723 .000 2.988555 3.011725

Pupuk C -5.9983300* .0046723 .000 -6.009915 -5.986745

Pupuk C Pupuk A 8.9984700* .0046723 .000 8.986885 9.010055

Pupuk B 5.9983300* .0046723 .000 5.986745 6.009915

Bonferroni Pupuk A Pupuk B -3.0001400* .0046723 .000 -3.012066 -2.988214

Pupuk C -8.9984700* .0046723 .000 -9.010396 -8.986544

Pupuk B Pupuk A 3.0001400* .0046723 .000 2.988214 3.012066

Pupuk C -5.9983300* .0046723 .000 -6.010256 -5.986404

Pupuk C Pupuk A 8.9984700* .0046723 .000 8.986544 9.010396

Pupuk B 5.9983300* .0046723 .000 5.986404 6.010256

*. The mean difference is significant at the 0.05 level.

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

Subset for alpha = 0.05

Jenis
Pupuk N 1 2 3

Tukey HSDa Pupuk A 10 4.999940

Pupuk B 10 8.000080

Pupuk C 10 13.998410

Sig. 1.000 1.000 1.000

Means for groups in homogeneous subsets are displayed.

a. Uses Harmonic Mean Sample Size = 10,000.

Terlihat ketiga sampel terbagi ke dalam tiga subset, yang menunjukkan

bahwa ketiga pupuk memang mempunyai perbedaan yang signifikan
dalam pengaruhnya terhadap pertambahan lebar daun.
Catatan: Uji Tukey dan Bonferroni dengan Homogeneous Subset
selalu saling melengkapi.

20. Two-WayAnova (Merupakan Tes Parametrik)

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

21. Median Extension

Test median extension digunakan untuk menguji hipotesis komparatif median
k sampel independen bila datanya berbentuk ordinal dan dalam tes ini ukuran
sampel tidak harus sama.
 Langkah-Langkah pada SPSS :
- Analyze > Nonparametric Tes > k Independent Sample Tes
- Masukan nilai variabel pada Test Variable List dan Kelompok Variabel pada
Grouping Variable
- Pilih Median pada Test Type
- Klik OK
- Lihat hasil Out Put
Kriteria Uji :
Ho ditolak jika Sig. < α
Ha diterima jika Sig. ≥ α

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

24. Spearman Rank Corelation

Korelasi spearman rank digunakan mencari hubungan atau uji signifikansi

hipotesisi asosiatif bila amsing-masing variabel yang dihubungkan berbentuk
ordinal dan sumber data antara variabel tidak harus sama dan sampelnya kecil.
Langkah-langkah pada SPSS :
 Klik Analyz > Corelate > Bivariate
 Masukan variabel ke bagian variables
 Pilih spearman,

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.

25. Kendall Tau

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.

26. Pearson Product Moment (Merupakan Tes Parametrik)

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

Control Variables HB Bayi Berat Badan Ibu

Jumlah Anak HB Bayi Correlation 1.000 .151

Significance (2-tailed) . .299

df 0 47

Berat Badan Ibu Correlation .151 1.000

Significance (2-tailed) .299 .

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.

Guna memperkaya analisis, sebelum dianalisis korelasi ganda dapat juga

ditambahkan analisis korelasi pada masing-masing variabel independen
dengan variabel dependen (caranya sama dengan analisis korelasi pearson)

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

1 Jumlah Anaka . Enter

a. All requested variables entered.

b. Dependent Variable: HB Bayi

Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .358a .128 .110 1.147

a. Predictors: (Constant), Jumlah Anak

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 9.308 1 9.308 7.070 .011a

Residual 63.192 48 1.317

Total 72.500 49

a. Predictors: (Constant), Jumlah Anak

b. Dependent Variable: HB Bayi

84
Amrin Madolan, SKM
 Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 11.946 .357 33.443 .000

Jumlah Anak -.423 .159 -.358 -2.659 .011

a. Dependent Variable: HB Bayi

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

b. Regresi Linear Ganda

Analisis Multivariat (Multivariat Analysis) merupakan salah satu
jenis analisis statistik yang digunakan untuk menganalisis data dimana
data yang digunakan berupa banyak peubah bebas (independen variabels)
dan juga banyak peubah terikat (dependen variabels). Analisis Regresi
Linear Ganda atau sering disebut juga Analisis Multiple Regression Linear
merupakan perluasan dari Simple Regression Linear (Regresi Linear
Sederhana). Pada analisis ini bentuk hubungannya adalah beberapa
variabel bebas terhadap satu variabel terikat. Misalkan untuk
mengetahui faktor-faktor yang terkait dengan tekanan darah sistolik
(variabel Y) analisis dilakukan dengan melibatkan kadar glukosa darah
(variabel X1), kadar kolesterol darah (X2) dan Berat Badan (X3).
Perbedaan dengan analisis-analisis statistik yang lain adalah bahwa
jumlah peubah tak bebas pada analisis statistik lain, seperti analisis regresi
ganda, terdiri dari hanya satu peubah misalnya (Y) tetapi pada analisis
multivariat, peubah terikat dapat berjumlah lebih dari satu (misalnya Y1,
Y2, ……….Yq). Dalam penelitian kedokteran dan kesehatan seperti studi
epidemiologi, klinik (prognosis, diagnosis dll.) banyak menggunakan
model multivariat seperti untuk mencari faktor paling dominan (variabel
bebas) mempengaruhi variabel terikat.
Secara sederhana model persamaan regresi ganda digambarkan
sebagai berikut :

Y = a + b1X1 + b2X2 + b3X3 + ..... + bnXn + e

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.

Kegunaan Regresi Linear Ganda :

Untuk menentukan model yang paling fit (sesuai/cocok) menggambarkan

faktor-faktor yang terkait dengan variabel dependen (terikat). Model
Regresi Ganda dapat berguna untuk dua hal, yaitu :

- Prediksi, memperkirakan variabel dependen dengan menggunakan

informasi yang ada pada sebuah atau beberapa variabel independen.
Misalnya kita melakukan analisis variabel independen kadar glukosa
darah, kadar kolesterol darah dan BB dihubungkan dengan tekanan

87
Amrin Madolan, SKM
 darah sistolik. Dari hasil regresi, seseorang individu dapat
diperkirakan tekanan darahnya pada kadar glukosa, kolesterol dan BB
tertentu.

- Estimasi, mengkuantifikasi hubungan sebuah atau beberapa variabel

independen dengan sebuah variabel dependen. Difungsi ini regresi
dapat digunakan untuk mengetahui variabel independen apa saja
yang berhubungan dengan variabel dependen. Difungsi ini regresi
dapat digunakan untuk mengetahui variabel independen apa saja yang
berhubungan dengan variabel dependen. Selain itu kita dapat
mengetahui seberapa besar hubungan masing-masing variabel
independen dengan dependen setelah memperhitungkan/mengontrol
variabel independen lainnya. Dari analisis tersebut dapat diketahui
variabel mana yang paling besar pengaruhnya/dominan
mempengaruhi variabel dependen, yang ditujukan dari nilai koefisien
regresi (b) yang sudah distandarisasi yaitu nilai beta.

Aplikasi Out Put

Penelitian tentang faktor-faktor yang mempengaruhi kadar HB Bayi

(variabel prediktor adalah umur ibu dan jumlah anak). Berikut tabel Model
Summary : (sebagai contoh) dengan metode STEPWISE

Model Summaryb

Change Statistics

R Adjusted Std. Error of R Square F Sig. F Durbin-

Model R Square R Square the Estimate Change Change df1 df2 Change Watson

1 .516a .266 .251 1.053 .266 17.383 1 48 .000 1.682

a. Predictors: (Constant), Umur Ibu

b. Dependent Variable: HB Bayi

Nilai R2a (R Square Adjusted/koefisien determinasi yang disesuaikan) =

0,251 maka variasi dari Y dapat dijelaskan oleh model adalah 25%. Model
STEPWISE (bertatar/tahap) paling tepat menjelaskan variabel yang

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

Model B Std. Error Beta t Sig. Tolerance VIF

1 (Constant) 13.615 .650 20.941 .000

Umur Ibu -.094 .032 -.486 -2.983 .005 .588 1.701

Jumlah Anak -.055 .192 -.046 -.285 .777 .588 1.701

a. Dependent Variable: HB Bayi

Persamaan Regresi Linear Berganda : Nilai a = 13,615, b1= - 0,094,

b2=- 0,055 :

Y = 13,615 - 0,094 X1 – 0,055 X2.

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 19.367 2 9.683 8.566 .001a

Residual 53.133 47 1.130

Total 72.500 49

a. Predictors: (Constant), Jumlah Anak, Umur Ibu

b. Dependent Variable: HB Bayi

Berdasarkan beberapa tabel diatas maka dapat dibuat beberapa kesimpulan

sebagai berikut :

1. Kedua variabel independen mempunyai hubungan (R) sebesar 0,516

(hub. Kuat)

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

Ada 5 uji kelayakan (fit) model multivariat, yaitu :

1. UJI MULTIKOLINEARITAS
Untuk mengetahui ada tidaknya multikolinearitas (korelasi antara
variabel independent) antar variabel bebas dengan melihat nilai
Variance Inflation Factor (VIF) dan Tolerance dari masing-masing
variabel bebas terhadap variabel terikat. Yang baik adalah tidak terjadi
korelasi yang biasa disebut non multikolinearitas. Menurut Santoso
(2001: 203) pedoman untuk mendeteksi multikolinearitas adalah :
a. Besar VIF (Variance Inflation Factor) dan Tolerance
- Mempunyai Nilai VIF ± 1
- Mempunyai angka Tolerance ± 1
- Atau Tolerance = 1/VIF dan VIF = 1/Tolerance
- Dan apabila Nilai VIF > 5 dipastikan terjadi Multikolinearitas (Untuk
menilai VIF dan Tolerance dilihat pada tabel Coefficients)
b. Besar korelasi antar variabel independennya bebas multikolinearitas
- Koefisien korelasi harus lemah ( <0,5)
- Jika ada nilai r >0,5 harus dikeluarkan dari model. (Untuk menilai
koefisien korelasi dilihat pada tabel Coefficients Correlations)
2. UJI HETEROSKEDASTISITAS
Menurut Santoso (2001:208), tujuan dari uji ini adalah melihat apakah
ada ketidaksamaan varians dari residual dari suatu pengamatan ke
pengamatan lain dari tabel ANOVA. Gujarati (1999), suatu variabel
dinyatakan terjadi heteroskedastisitas apabila memiliki probabilitas
<0,5. Sebaliknya dinyatakan terjadi homoskedastisitas (yang
diharapkan) apabila memiliki probabilitas >0,5. Santoso (2001:208).

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)

Perbedaan Hubungan (Korelasi) dan Pengaruh (Regresi)

 Hubungan tidak tidak menekankan aspek arah hubungan

 Pengaruh: suatu hubungan yang sudah mempunyai pengaruh
 Ketika kita menggunakan terminologi hubungan (correlation), kita belum
mengetahui mana independent variable (IV) dan mana dependent variable
(DV). Jadi kita hanya ingin menguji secara empiris hubungan kedua variabel
atau lebih (Correlation analysis). Ini dapat kita uji dengan menggunakan
bivariate correlation.
 Namun disaat kita menggunakan terminologi pengaruh (impact or influence),
disaat itu kita sudah memberikan justifikasi bahwa independent varible
(kecerdasan emosi) berpengaruh terhadap dependent variable (kinerja)
 Hubungan = teknik korelasi
 Pengaruh = teknik regresi
 Hubungan antara sendok dengan manisnya teh
 Pengaruh jumlah gula dengan manisnya teh

92
Amrin Madolan, SKM
Menurut Colton, kekuatan hubungan dua variabel secara kuantitatif dapat dibagi
empat area, yaitu :

r = 0,00 – 0,25 tidak ada hubungan/hubungan lemah

r = 0,26 – 0,50 hubungan sedang

r = 0,51 – 0,75 hubungan kuat

r = 0,76 – 1,00 hubungan sangat kuat/sempurna

93
Amrin Madolan, SKM