2013 YOLANITA S, MSc.

PH 2013

BAHAN AJAR
MK MANAJEMEN DATA
PSIK REGULER B SEMESTER 5

DOSEN PENANGGUNG JAWAB:

YOLANITA SEPTRIUMI, MSc.PH
 YOLANITA S, MSc.PH 2013

PENGENALAN SPSS

1. Dasar – Dasar SPSS

SPSS merupakan salah satu sekian banyak software statistika yang telah dikenal luas dikalangan penggunaannya.
Disamping masih banyak lagi software statistika lainnya seperti Minitab, Syastas, Microstat dan masih banyak lagi.
SPSS sebagai sebuah tools mempunyai banyak kelebihan, terutama untuk aplikasi di bidang ilmu sosial.

SPSS Environment
 YOLANITA S, MSc.PH 2013

MENU BAR

Kumpulan perintah–perintah dasar untuk mengoperasikan SPSS.

Menu yang terdapat pada SPSS adalah :

1. FILE
Untuk operasi file dokumen SPSS yang telah dibuat, baik untuk perbaikan pencetakan dan sebagainya. Ada
5 macam data yang digunakan dalam SPSS, yaitu :
1.Data : dokumen SPSS berupa data
2.Systax : dokumen berisi file syntax SPSS
3.Output : dokumen yang berisi hasil running out SPSS
4.Script : dokumen yang berisi running out SPSS
5.Database :-NEW : membuat lembar kerja baru SPSS
-OPEN : membuka dokumen SPSS yang telah ada
Secara umum ada 3 macam ekstensi dalam lembar kerja SPSS, yaitu :
1. *.spo : file data yang dihasilkan pada lembar data editor.
2. 2. *.sav : file text/obyek yang dihasilkan oleh lembar output.
3. 3. *.cht : file obyek gambar/chart yang dihasilkan oleh chart window:
 Read Text Data : membuka dokumen dari file text (yang berekstensi txt), yang bisa dimasukkan/dikonversi
 dalam lembar data SPSS. 
  Save : menyimpan dokumen/hasil kerja yang telah dibuat. 
 Save As : menyimpan ulang dokumen dengan nama/tempat/type dokumen yang berbeda. 
 Page Setup : mengatur halaman kerja SPSS. 
 Print : mencetak hasil output/data/syntaq lembar SPSS. 

  Print : mencetak hasil output/data/syntaq lembar SPSS Ada 2 option/pilihan cara mencetak, yaitu: 
a. All visible output :mencetak lembar kerja secara keseluruhan.
b. Selection : mencetak sesuai keinginan yang kita sorot/blok
 Print Preview : melihat contoh hasil cetakan yang nantinya diperoleh. 
  Recently used data: berisi list file data yang pernah dibuka sebelumnya. 
 Recently used file : berisi list file secara keseluruhan yang. 


2. EDIT
Untuk melakukan pengeditan pada operasi SPSS baik data, serta pengaturan/option untuk konfigurasi SPSS
secara keseluruhan.
 Undo : pembatalan perintah yang dilakukan sebelumnya. 
 Redo : perintah pembatalan perintah redo yang dilakukan sebelumnya. 

 Cut : penghapusan sebual sel/text/obyek, bisa dicopy untuk keperluan tertentu dengan perintah dari menu
 paste. 
 Paste : mempilkan sebua sel/text/obyek hasil dari perintah copy atau cut. 
 Paste after : mengulangi perintah paste sebelumya. 
 Paste spesial : perintah paste spesial, yaitu bisa konvesri ke gambar, word, dll. 
 Clear : menghapusan sebuah sel/text/obyek. 
 Find : mencari suatu text. 
 Options : mengatur konfigurasi tampilan lembar SPSS secara umum. 
 
3. VIEW
Untuk pengaturan tambilan di layar kerja SPSS, serta mengetahu proses-prose yang sedang terjadi pada operasi
SPSS.
 Status Bar : mengetahui proses yang sedang berlangsung. 
  Toolbar : mengatur tampilan toolbar. 
 Fonts : untuk mengatur jenis, ukuran font pada data editor SPSS. 
 YOLANITA S, MSc.PH 2013

 Outline size : ukuran font lembar output SPSS. 

 Outline font : jenis font lembar output SPSS. 
 Gridlines : mengatur garis sel pada editor SPSS. 
 Value labels : mengatur tampilan pada editor untuk mengetahui value label. 
 
4. DATA
Menu data digunakan untuk melakukan pemrosesan data.
Define Dates : mendefinisikan sebuah waktu untuk variable yang meliputi jam, tanggal, tahun, dan
 sebagainya. 
Insert Variable : menyisipkan kolom variable. 
Insert case : menyisipkan baris. 
Go to case : memindahkan cursor pada baris tertentu. 
Sort case : mengurutkan nilai dari suatu kolom variable. 
Transpose : operasi transpose pada sebuah kolom variable menjadi baris. 
Merge files : menggabungkan beberapa file dokumen SPSS, yang dilakukan dengan 
 .penggabungan kolom-kolom variablenya. 
Split file : memecahkan file berdasarkan kolom variablenya. 
Select case : mengatur sebuah variable berdasarkan sebuah persyaratan tertentu. 
 
5. TRANSFORM
Menu transform dipergunakan untuk melakukan perubahanperubahan atau penambahan
data.
  Compute : operasi aritmatika dan logika untuk 
 Count : untuk mengetahui jumlah sebuah ukuran data tertentu pada suatu baris tertentu 

 Recode : untuk mengganti nilai pada kolom variable tertentu, sifatnya menggantikan (into same variable)
 atau merubah (into different variable) pada variable baru 
 Categorize variable : merubah angka rasional menjadi diskrit 
 Rank case : mengurutkan nilai data sebuah variabel. 
 
6. ANALYSE
Menu analyse digunakan untuk melakukan analisis data yang telah kita masukkan ke dalam komputer. Menu ini
merupakan menu yang terpenting karena semua pemrosesan dan analisis data dilakukan dengan menggunakan menu
correlate, compare mens, regresion.

7. GRAPH
Menu graph digunakan untuk membuat grafik, diantaranya ialah bar, line, pie,
dll.

8. UTILITIES
Menu utilities dipergunakan untuk mengetahui informasi variabel, informasi file,
dll.

9. AD-ONS
Menu ad-ons digunakan untuk memberikan perintah kepada SPSS jika ingin menggunakan aplikasi tambahan,
misalnya menggunakan alikasi Amos, SPSS data entry, text analysis, dsb.

10. WINDOWS
Menu windows digunakan untuk melakukan perpindahan (switch) dari satu file ke file
lainnya.

PETUNJUK
Menu File merupakan menu pertama dari Data Editor yang dibuka oleh para pengguna SPSS. Dimana Data
Editor pada SPSS mempunyai dua bagian utama :
1. Kolom, dengan ciri adanya kata var dalam setiap kolomnya. Kolom dalam SPSS akan diisi oleh variabel.
2. Baris, dengan ciri adanya angka 1, 2, 3 dan seterusnya. Baris dalam SPSS akan diisi oleh data.
 YOLANITA S, MSc.PH 2013

Kasus : Berikut ini data barang di gudang 10 barang diambil secara acak (angka dalam rupiah).

Langkah-langkah Input
Data :
1. Membuat Variabel
Klik variabel view pada pojok kiri bawah, kemudian isikan :
Nama Variabel beserta keterangan yang diinginkan tentang variable tersebut.
Misal : Barang, Harga, Stock

Hal yang perlu diperhatikan saat mengisi nama variabel adalah :

a. Nama variabel harus diawali denngan huruf dan tidak boleh diakhir dengan tanda
titik. b. Panjang maksimal 8 karakter.
c. Tidak boleh ada yang sama, dengan tidak membedakan huruf kecil atau
besar. d. Type, Width dan Decimal Variabel
e. Default dari tipe setiap variabel baru adalah numeric, lebar 8 karakter sesuai dengan desimal
sebanyak 2 digit.
f. Untuk mengubah tipe variabel dilakukan dengan cara mengklik tombol pilihan pada kolom
Type.
g. Ada 8 tipe variable, yaitu :
1) Numeric : angka, tanda (+) atau (-) didepan angka, indicator desimal.
2) Comma : angka, tanda (+) atau (-) didepan angka, indicator desimal, tanda koma sebagai
pemisah bilangan ribuan.
3) Dot : angka, tanda (+) atau (-) didepan angka, indicator desimal, tanda titik sebagai
pemisah bilangan ribuan.
4) Scientific notation : sama dengan tipe numeric, tetapi menggunakan symbol E untuk
kelipatan 10 (misal 120000 = 1.20E+5).
5) Date : menampilkan data format tanggal atau waktu.
6) Dollar : memberi tanda dollar ($), tanda koma sebagai pemisah bilangan ribuan dan tanda titik
sebagai desimal.
7) Custom currency : untuk format mata uang.
8) String : biasanya huruf atau karakter lainnya.
 YOLANITA S, MSc.PH 2013

2. Mengisi Data
Memasukkan data pada Data Editor dilakukan dengan cara mengetik data yang akan dianalisa
pada sel-sel (case) dibawah judul (heading) kolom nama variabel.

3. Menyimpan Data
Setelah data dimasukkan, maka data perlu disimpan untuk kepeluan analisa selanjutnya.
Langkah penyimpanan data adalah sebagai berikut :
Klik Menu File→Save Data →(Pilih folder penyimpanan), ketik Nama File→Klik OK.

F. LATIHAN
Latihan pertama : Berikut ini adalah data 15 Responden pria dan wanita sanggar tari “PRIMA” yang
diambil secara acak :
 YOLANITA S, MSc.PH 2013

Latihan kedua : data persoanalia dari perusahaan ABC dengan total karyawan 62
orang.
DATA PERSOALIA PERUSAHAAN ABC
 YOLANITA S, MSc.PH 2013

IMPORT DATA PADA SPSS

MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall program SPSS for
Windows. Sama seperti program Windows lainnya, untuk mengaktifkan SPSS dimulai dari
menu Start
1. Klik Start  Program  SPSS for Windows  SPSS 10.0 for Windows.
2. Pada menu SPSS tertentu (versi 10.x) akan muncul jendela sebagai berikut:

3. .
Silakan klik ( ) Type in data kemudian tekan Enter atau klik OK.
4. Layar akan terbuka “Untitled - SPSS Data Editor” seperti pada gambar
berikut: Selanjutnya disebut sebagai Jendela Data Editor. Karena belum ada data,
maka tampilannya masih kosong.

5. Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2) Variabel
View.
 YOLANITA S, MSc.PH 2013

IMPORT (OPEN) file.DBF

SPSS punya kemampuan untuk membuka data dari Format lain seperti Dbase, Lotus, Excell,
Foxpro, dll. Misalnya anda punya data Tangerang.DBF yang disimpan di Disket atau di
Hardisk, silakan buka dengan SPSS, sebagai berikut:

1. Pastikan anda berada di layar “SPSS Data Editor”, kemudian pilihlah menu File 
Open
2. Pada File of type, pilihlah dBase (*.dbf).

3. Pada Look in, pilihlah Floppy:A, jika data anda ada di Disket
 YOLANITA S, MSc.PH 2013

4. Secara otomatis akan muncul list file yang berekstensi DBF, klik file yang ingin
dibuka, misalnya file KIA kemudian klik Open.

5. Maka data KIA.DBF akan muncul di “Untitled – SPSS Data Editor”.

Laporan dari proses konversi data dari dBase tersebut akan dimunculkan di “Output
– SPSS Viewer” Sbb:

Datanya sendiri akan muncul di Data View, sbb:

 YOLANITA S, MSc.PH 2013

SAVE file data SPSS (SAV)

6. Agar data tersebut tersimpan dalam bentuk file SPSS (*.SAV), maka anda harus
menyimpannya dengan cara mengklik gambar disket di kiri atas atau pilih menu File
Save. Isi kotak File dengan nama yang anda inginkan, misalnya “KIA”.
KlikSaveuntuk menjalankan prosedur penyimpanan.

Setelah klik save, pastikan kiri atas layar monitor anda yang sebelumnya muncul “Untitled
–
SPSS Data Editor” telah berubah menjadi “KIA – SPSS Data Editor”.

Pastikan anda menyimpan setiap saat data yang sudah diolah, agar jika sewaktu-waktu
komputer mengalami kerusakan (mis. Listrik mati, komputer hang), maka anda tidak
kehilangan data.
 YOLANITA S, MSc.PH 2013

STATISTIK DESKRIPTIF
Statistik deskriptif berupa frekuensi dan distribusi. Frekuensi biasanya dimunculkan
dalam bentuk proporsi atau persentase, sedangkan distribusi berupa nilai
tengah dan nilai sebaran (mean, median, SD, SE, dll).

ANALYSIS DESKRIPTIF DATA KATEGORIK

Cara yang paling sering digunakan untuk menampilkan data katagorikal

adalah dengan menggunakan tabel distribusi frekuensi. Kita akan coba
membuat tabel distribusi frekuensi pendidikan ibu dari file KIA.SAV.

1. Pastikan file KIA.SAV sudah dibuka, sehingga data tampak di jendela Data Editor
(Jika belum, anda dapat mengikuti prosedur untuk membuka file sbb: 1. File, 2.
Open, 3. Data, 4. Pilih 5. Look in (cari directory/folder tempat menyimpan file,
6. File name (cari nama file), jika sudah ketemu klik file tsb, & 7. Klik Open).
2. Prosedur untuk menampilkan distribusi frekuensi adalah sebagai berikut:
Dari menu utama, pilihlah:
Analyze
Descriptive Statistic <
Frequencies…

Pada layar tampak kotak dialog seperti gambar berikut:

3. Pada kotak dialog tersebut, tersedia daftar variabel di sebelah kiri (tanpa
label), variabel pendidikan adalah V02 silakan klik, Kemudian klik
tanda >, sehingga V pindah ke kotak kanan, seperti gambar diatas.

4. Klik OK untuk menjalankan prosedur. Pada jendela output tampak hasil seperti
berikut:
 YOLANITA S, MSc.PH 2013

V02

Cumulative
Frequency Percent Valid Percent Percent
Valid 1 8 8.9 8.9 8.9
2 12 13.3 13.3 22.2
3 24 26.7 26.7 48.9
4 26 28.9 28.9 77.8
5 16 17.8 17.8 95.6
6 4 4.4 4.4 100.0
Total 90 100.0 100.0

VARIABEL LABEL & VALUE LABEL

Jika anda lihat tabel diatas, sulit untuk dibaca, misalnya apa itu V02? Apa itu Valid
1, 2, 3, 4, 5, 6? Untuk itu, anda perlu membuat Label dan Value.

1. Bukalah jendela VARIABEL VIEW, SBB

2. Pada baris ke-7 (V02) pada kolom Label ketiklah PENDIDIKAN RESPONDEN
(sebagai label untuk variabel v02)
3. Pada baris ke-7 (V02) pada kolom Value, Klik tanda hitam diujung kanan, sbb:
 YOLANITA S, MSc.PH 2013

4. Akan muncul menu Value Label (membuat label untuk value 1,2,3,4,5)

Pada kotak value ketik angka 1, pada kotak value label ketik TIDAK SEKOLAH, & Klik
Add Pada kotak value ketik angka 2, pada kotak value label ketik SD tdk Tamat , & Klik Add
Pada kotak value ketik angka 3, pada kotak value label ketik Tamat SD, & Klik Add
Dst.. sbb:

5. Jalankan Prosedur untuk menampilkan distribusi frekuensi utk variabel V02,

sebagai berikut:
Dari menu utama, pilihlah:
Analyze
Descriptive Statistic <
Frequencies…
6. Lihat perubahan vo2, sekarang menjadi PENDIDIKAN RESPONDEN (V02),
Kemudian klik OK utk menjalankan prosedur.
 YOLANITA S, MSc.PH 2013

7. Hasilnya sbb:

PENDIDIKAN RESPONDEN

Cumulative
Frequency Percent Valid Percent Percent
Valid Tdk sekolah 8 8.9 8.9 8.9
SD tdk tamat 12 13.3 13.3 22.2
Tamat SD 24 26.7 26.7 48.9
Tamat SMP 26 28.9 28.9 77.8
Tamat SMU 16 17.8 17.8 95.6
Tamat D3/PT 4 4.4 4.4 100.0
Total 90 100.0 100.0

8. Pada kolom Frequency menunjukkan jumlah kasus dengan nilai yang sesuai. Jadi
pada contoh di atas, ada 8 ibu yang berpendidikan Tidak sekolah dari 90 ibu yang ada.
9. Proporsi dapat dilihat pada kolom Percent, pada contoh di atas, ada 8,9% ibu yang
berpendidikan Tidak pernah Sekolah.
10. Kolom Valid Percent menampilkan proporsi jika missing cases tidak diikutsertakan
sebagai penyebut. Pada contoh di atas, kolom Percent dan Valid Percent
memberikan hasil yang sama karena pada data ini tidak ada missing cases.
11. Cumulative Percent menjelaskan tentang persen kumulatif, jadi pada contoh di atas,
ada 22.2% ibu yang berpendidikan Tidak sekolah atau Tidak tamat SD (8.9% +
13.3%).

7.3. PENYAJIAN DATA KATEGORIK

Penyajian data mempunyai prinsip efisiensi, artinya sajikan hanya informasi
penting saja, jangan semua output komputer disajikan dalam laporan. Contoh
penyajian data kategorik sbb:
PENDIDIKAN RESPONDEN

Frequency Percent
Valid Tdk sekolah 8 8.9
SD tdk tamat 12 13.3
Tamat SD 24 26.7
Tamat SMP 26 28.9
Tamat SMU 16 17.8
Tamat D3/PT 4 4.4
Total 90 100.0

Contoh Interpretasi:
“Distribusi frekuensi tingkat pendidikan responden dapat dilihat pada Tabel-1, terlihat
bahwa sebagian besar responden adalah tamat SMP (28.9%), kemudian diikuti oleh
tamat SD sebanyak 26,7% dan tamat SMU (17,8%).”
 YOLANITA S, MSc.PH 2013

TUGAS: 1. BUAT LABEL & VALUE utk semua varibel kategorik

2. Buat Penyajian distribusi frekuensi semua variabel kategorik

ANALYSIS DESKRIPTIF DATA NUMERIK

Pada data numerik atau kontinyu, peringkasan data dapat dilakukan dengan
melaporkan ukuran tengah dan sebarannya. Ukuran tengah yang dapat digunakan
adalah rata-rata, median dan modus. Sedangkan ukuran sebaran yang dapat digunakan
adalah nilai minimum, maksimum, range, standar deviasi dan persentil. Dari ukuran-
ukuran tersebut, yang paling sering digunakan adalah rata-rata dan standar deviasi.
Sebagai contoh, kita akan coba mencari ukuran tengah dan sebaran dari UMUR
RESPONDEN & BERAT BAYI LAHIR.

1. Pastikan file KIA.SAV sudah dibuka, sehingga data tampak di jendela Data Editor.
2. Dari menu utama, pilihlah:
Analyze
Descriptive Statistic <
Descriptive …

3. Pada kotak dialog tersebut, klik pada variabel UMUR (v01) yang terdapat pada kotak
sebelah kiri. Kemudian klik tanda >, sehingga UMUR (v01) pindah ke
kotak kanan, sbb:

4. Klik OK untuk menjalankan prosedur. Pada layar tampak hasil seperti berikut:
Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

UMUR 90 18 35 28.28 4.50
Valid N (listwise) 90

Nilai rata-rata dapat dilihat pada kolom Mean, sedangkan nilai standar deviasi
dapat dilihat pada Std Devation. Pada contoh di atas, rata-rata umur ibu adalah 28.8
tahun dengan standar deviasi 4.5 tahun dan umur minimun 18 tahun serta umur
maksimum 35 tahun.
 YOLANITA S, MSc.PH 2013

ANALYSIS DATA NUMERIK dan 95% confidence Interval

1. Cara yang lain untuk mengeluarkan nilai statistik deskriptif dari data numerik (nilai
rata-rata/mean std. Dev) beserta 95% confidence interval adalah sebagai berikut:
Dari menu utama, pilihlah:
Analyze
Descriptive Statistic <
Explore…

2. Pada kotak dialog tersebut, klik pada variabel UMUR (v01) yang terdapat pada kotak
sebelah kiri. Kemudian klik tanda >, sehingga ketiga variabel tersebut masuk ke
kota Dependent List seperti gambar berikut:

3. Klik OK untuk menjalankan prosedur, sehingga hasilnya seperti gambar berikut:

Descriptives

Statistic Std. Error

UMUR Mean 28.28 .47
95% Confidence Interval Lower Bound 27.34
for Mean
Upper Bound
29.22

5% Trimmed Mean 28.48

Median 29.00
Variance 20.225
Std. Deviation 4.50
Minimum 18
Maximum 35
Range 17
Interquartile Range 5.00
Skewness -.890 .254
Kurtosis .153 .503
 YOLANITA S, MSc.PH 2013

Nilai rata-rata dan 95% confidence interval dari Umur responden yaitu 28.28 kg (27,34
—29.22), artinya kita 95% yakin bahwa rata-rata umur ibu di populasi berada pada
kisaran 27,34 sampai 29.22kg.

GRAFIK HISTOGRAM PADA DATA NUMERIK

Analisis data Numerik akan lebih lengkap apabila dilengkapi dengan grafik.
Salah satu Grafik yang cocok untuk data numerik adalah HISTOGRAM.

1. Dari menu utama, pilihlah:

Graphs
Histogram…
2. Pada kotak dialog tersebut, klik pada variabel UMUR (v01) yang terdapat pada
kotak sebelah kiri. Kemudian klik tanda >, agar pindah ke kanan. Klik Display
normal curve (untuk menampilkan garis distribusi normal), seperti berikut:

3. Kemudian klik OK untuk menjalankan prosedur. Hasilnya sbb:

40

30

20

10

Std. Dev = 4.50

Mean = 28.3

0 N = 90.00
17.5 20.0 22.5 25.0 27.5 30.0 32.5 35.0

UMUR
 YOLANITA S, MSc.PH 2013

PENYAJIAN DATA NUMERIK

Penyajian data mempunyai prinsip efisiensi, artinya sajikan hanya informasi
penting saja, jangan semua output komputer disajikan dalam laporan. Contoh
penyajian data numerik sbb:

Variabel Jumlah Min--Max Mean/Median SD 95% CI Mean

Umur ibu 90 18—35 28.7/29.0 4.04 27.7—29.7
Berat bayi 90 2350--3100 2821.2/2800 216.81 2767.9—2874.5

TUGAS: Buat penyajian + grafik semua variabel numerik

37
 YOLANITA S, MSc.PH 2013

UJI BEDA 2-RATA-RATA

STATISTIK PARAMETRIK : UJI T
SPSS merupakan software yang dikhususkan untuk membuat analisis statistik. Dengan SPSS memungkinkan
untuk melakukan berbagai uji statistik parametrik salah satunya uji-t. Uji-t berguna untuk menilai apakah mean
dan keragaman dari dua kelompok berbeda secara statistik satu sama lain. Bagian ini meliputi:

2. One-Sample T Test
3. Independent-Sample T Test
4. Paired-Sample T Test

Sebelum membahas mengenai analisis uji t, maka sebaiknya dibahas bagamana membuat table t karena table t
akan digunakan dalam uji hipotesis uji t. Tabel t terdiri dari dua kolom. Kolom pertama adalah degree of
freedom (df) dan kolom kedua adalah nilat. Degree of freedom merupakan jumlah pengamatan (sampel)
dikurangi satu (df = n-1). Nilai t dapat diberoleh melalui SPSS sebagai berikut :

1. Bangun data untuk kolom degree of freedom

2. Klik transform Compute Variable pada menu sehingga kotak dialog nya muncul
3. Ketik t pada kotak Variable
4. Pada daftar drop down Function and Special Variables, klik Idf.T. Masukkan fungsi tersebut pada
kotak Numerik Expression dengan menekan tombol panah atas sehingga muncul tulisan IDF.T (?,?)
5. Ganti tanda Tanya pertama dengan tingkat kepercayaan (0,95) dan ganti tanda tanya kedua dengan
Variable degree of freedom (hapus tanda Tanya kedua, klik variable degree of freedom dan tekan
tombol panah).
6. Klik OK sehingga tampilan Data View bertambah satu kolom, yaitu t.

Gambar 4.1 Tampilan pada Data View

4
 YOLANITA S, MSc.PH 2013

A. ONE-SAMPLE T TEST (WITHIN-SUBJECT)

Pengujian satu sampel pada prinsipnya ingin menguji apakah suatu nilai tertentu (yang diberikan sebagai
pembanding) berbeda secara nyata ataukah tidak dengan rata-rata sebuah sampel. Nilai tertentu di sini pada
umumnya adalah sebuah nilai parameter untuk mengukur suatu populasi.

Sebagai contoh rata-rata target pencapaian produksi rumput laut di seluruh provinsi adalah 100%. Untuk
mengetahui kebenarannya maka dilakukan sampling data di 15 provinsi sebagai berikut

Capaian Capaian Capaian

1 110.6 6 83.24 11 119.7
2 106.2 7 112.05 12 120.5
3 116.3 8 80.31 13 90.81
4 95.9 9 80.12 14 106.3
5 100.5 10 75.93 15 102.29

Gambar 4.2 Tampilan pada Data View

Gambar 4.3 Tampilan pada Variable View

5
 YOLANITA S, MSc.PH 2013

2. Klik Analyze  Compare Means  One-Sample T Test

Gambar 4.4 Kotak Dialog One-Sample T Test

3. Masukkan variable Capaian pada kotak Test Variable (s) dan masukkan 15 pada kotak Test Value

4. Klik Option sehingga muncul kotak dialok. Isi 95 % pada condifent interval dan pilih exlude cases
analysis by analysis Continue OK

Gambar 4.5 Kotak Dialog One-Sample T Test: Options

Output Analisis One-Sample T Test

Gambar 4.6 Output One-Sample Statistics

Gambar 4.7 Output One-Sample Test

 YOLANITA S, MSc.PH 2013

Gambar 4.6 memaparkan nilai statistic variable pencapaian produksi rumput laut sebagai berikut : jumlah
sampling 15, rata-rata produksi rumput laut 100.050 ton, standard deviasi 15.0229 dan standard error mean
3,8789.

Sedangkan pada gambar 4.7 sebaiknya uji hipotesis dibahas terlebih dahulu yaitu :

Hipotesis

Ho : rata-rata pencapaian produksi rumput laut adalah 100 ton

H1 : rata-rata pencapaian produksi ≠ 100 ton

Nilai t hit (21,926) > t tab (19, 1,76) maka tolak Ho. Jadi, ada perbedaan rata-rata
pencapaian produksi rumput laut

B. INDEPENDEN SAMPEL T-TES

Kelompok independen artinya ada dua kelompok sampel/populasi yang tidak saling
berkaitan antara satu dengan lainnya. Misalnya membandingkan kelompok intervensi dengan
kelompok kontrol atau kelompok ibu-ibu perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak memriksakan
kehamilan.
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil, dengan langkah-
langkah sebagai berikut.

1. Pastikan file KIA.SAV telah dibuka, sehingga data tampak di Data editor window.

2. Dari menu utama, pilihlah:

Analize <
Compare Mean <
Independent-Samples T-test….
 YOLANITA S, MSc.PH 2013

3. Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable tersebut. Kemudian
klik tanda > untuk memasukkannya ke dalam kotak Test variable(s).
4. Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak Grouping variable.
5. Kemudian klik menu Define group, dan isi angka 1 (satu) -kode untuk periksa- pada
Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa- pada Group-2. Kemudian
pilih Continue.
6. Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti berikut:

Group Statistics

Periksa kehamilan (ANC) N Mean Std. Deviation Std. Error Mean

Berat bayi lahir Ya 54 2842.59 201.51 27.42
Tidak 12 2575.00 137.34 39.65

Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan mereka
mempunyai rata-rata berat bayi sebesar 2842.59 gram. Sedangkan 12 ibu yang tidak
periksa hamil melahirkan bayi yang lebih rendah beratnya yakni rata-rata 2575.00 gram.
Independent Samples Test
 YOLANITA S, MSc.PH 2013
Levene's Test for Equality
of Variances t-test for Equality of Means
F Sig. t df Sig. (2-tailed) Mean Difference
Berat bayi lahir Equal variances
assumed 2.743 .103 4.367 64 .000 267.59
Equal variances
not assumed 5.551 22.950 .000 267.59

Uji-t independen menyajikan dua buah uji statistik. Pertama adalah uji Levene’s untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak. Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak.
 Jika p-value (Sig.) dari uji Levene’s besar dari nilai α (0.05), hal ini berarti varians kedua
kelompok adalah sama, maka signifikansi uji-t yang dibaca adalah pada baris pertama (Equal
variances assumed). Tetapi jika p-value dari uji Levene’s kecil atau sama dengan nilai α (0.05),
hal ini berarti bahwa varians kedua kelompok adalah tidak sama, maka signifikansi uji-t yang
dibaca adalah pada baris kedua (Equal variances not assumed).

Pada contoh diatas signifikansi uji Levene’s adalah 0.103, berarti varians kedua kelompok
adalah sama, maka hasil uji-t pada baris pertama memperlihatkan p-value (sig.) adalah 0.000
untuk uji 2-sisi. (Jika uji yang kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan
2 sehingga menjadi 0.000). Dapat kita simpulkan bahwa secara statistik rata-rata berat bayi
yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah daripada populasi ibu
yang periksa hamil (nilai-p=0.000).

PENYAJIAN HASIL UJI-T INDEPENDEN

Tabel ….. Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang periksa hamil
dibandingkan dengan ibu yang tidak periksa hamil

Variabel n Mean SD T (t-test) p-value

Ibu Periksa hamil
- Ya 54 2842 201.5 4.367 0.000
- Tidak 12 2575 137.3

Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan mereka
mempunyai rata-rata berat bayi sebesar 2482 gram. Sedangkan 12 ibu yang tidak periksa hamil
melahirkan bayi dengan berat yang lebih rendah yakni rata-rata 2575 gram. Dari hasil uji
statistik dapat kita simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil (nilai-p = 0,000).
atau Secara statistik rata-rata berat bayi yang lahir dari populasi ibu yang tidak periksa hamil
lebih rendah dari populasi ibu periksa hamil (p-value = 0,000).
 C. PAIRED-SAMPLE T TEST
Paired-Sample T Test adalah analisis dengan melibatkan dua pengukuran pada subjek
yang sama terhadap suatu pengaruh atau perlakuan tertentu.Apabila suatu perlakuan tidak
memberi pengaruh, maka perbedaan rata-rata adalah nol.
Contoh, pengamatan dilakukan pada laju pertumbuhan diameter karang A. formosa di
awal dan akhir perlakuan selama 4 bulan penelitian di bak Biorock. Hasilnya adalah sebagai
berikut

Diameter Karang
Sebelum (cm) Sesudah (cm)
7.95 8.2
6.4 6.9
7.8 9.5
8.25 9
8 8.9
7.5 8.45
7.85 8.25
9 9.5
8.55 8.75
7.3 7.95
9 9.25
8.8 9.3
9.45 9.9
8.5 9.6
7.45 8.2

Gambar 4.11 Tampilan pada Data View

 3. Klik Analyze  Compare Means Paired-Samples T Test sehingga kotak
dialognya muncul

Gambar 4.9 Kotak Dialog Paired-Sample T Test

Klik variable Sebelum dan Sesudah secara berurutan sehingga kedua variable
tersebut terblok kemudian tekan tmbol panah sehingga pasangan tersebut muncul
pada kotak Paired Variables.

Klik Options sehingga secara default tingkat kepercayaan 95 % dan Exclude cases
analysis by analysis terpilih Klik Continue OK

Output Paired-Sample T Test

Gambar 4.10 Output Paired Sample Statistics

Gambar 4.11 Output Paired Sample Correlations

Gambar 4.12 Output Paired Sample Test

Gambar 4.10 menunjukkan bahwa diameter pertumbuhan karang A. Formosa mengalami

peningkatan dari 8,1200 cm menjadi 8,7767 cm. Gambar 4.11 menunjukkan apakah ada hubungan
antara diameter awal dan diameter akhir setelah perlakuan pada karang A. Formosa. Terlihat
bahwa nilai Sig (0,00) < α (0,05) maka dapat disimpulkan ada hubungan yang signifikan.
Sedangkan Gambar 4.12 menunjukkan perbedaan rata-rata sebelum dan sesudah eprlakuan.
Demikian pula pada std deviasi dan std eror. Hipotesis adalah sbb
Ho = Peningkatan diameter karang A. Formosa sebelum dan sesudah perlakuan tidak
signifikan
H1 = Peningkatan diameter karang A. Formosa sebelum dan sesudah perlakuan
signifikan
T hitung (-6,461) < t table (1,76) maka tolak Ho. Jadi, peningkatan diameter karang
A. Formosa sebelum dan sesudah perlakuan signifikan.
 YOLANITA S, MSc.PH 2013

UJI BEDA 2-RATA-RATA/LEBIH

UJI ANOVA (BEDA > 2 RATA-RATA)

Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya). Misalnya
membandingkan pengaruh dari 3 jenis intervensi atau membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah, sedang, tinggi).
Pada contoh analisis ini kita akan melihat apakah ada perbedaan berat bayi yang lahir
dari ibu yang berpendidikan Tidak sekolah, Tidak tamat SD, Tamat SD, Tamat SMP, Tamat
SMA, dan Akademi/PT. Kita akan melakukan uji hipotesis apakah ada perbedaan rata-rata
berat bayi yang lahir dari ibu dari jenis pendidikan yang berbeda, dengan langkah-langkah
sebagai berikut.
1. Pastikan file KIA.SAV sudah dibuka, tampak pada jendela Data editor.
2. Dari menu utama, pilihlah
Analyze <
Compare Means <
One-way ANOVA ...
 YOLANITA S, MSc.PH 2013

3. Klik variabel Berat bayi lahir (v10), dan klik tanda > untuk memasukkannnya ke kotak
Dependent List.
4. Klik variabel pendidikan (v02), dan klik tanda > untuk memasukkannnya kotak Factor.

5. Pada menu Options.. klik Deskriptive dan Homegeneity of varians.

6. Klik Continue dan Klik OK untuk menjalankan prosedur. Hasilnya tampak di output seperti
berikut:
Descriptives

Berat bayi lahir

N Mean Std. Deviation Std. Error

Tdk sekolah 4 2412.50 47.87 23.94
SD tdk tamat 8 2768.75 25.88 9.15
Tamat SD 16 2906.25 141.27 35.32
Tamat SMP 26 2788.46 193.55 37.96
Tamat SMU 8 3000.00 92.58 32.73
Tamat D3/PT 4 2400.00 40.82 20.41
Total 66 2793.94 217.06 26.72
 YOLANITA S, MSc.PH 2013

Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan pendidikan Tidak sekolah adalah 2412
gram, pada ibu dengan SD tdk Tamat = 2738gr, Tamat SD=2906gr, Tamat SMP = 2788 gr, Tamat SMU
3000 gr, dan pada ibu berpendidikan D3/PT adalah 2400 gram. Standar deviasi dan Standar error, nilai
minimum-maximun, dan interval 95% tingkat kepercayaan juga diperlihatkan (namun tidak dimunculkan di
lembar ini).

Homogeneity of Variances

Berat bayi lahir

Levene Statistic df2

6.055 5 60 .000

Salah satu asumsi dari uji Anova adalah varians masing-masing kelompok harus sama. Untuk itu dilakukan
uji homogenitas varians yang hasilnya memperlihatkan bahwa p-value (sig.) lebih kecil dari nilai α=0.05,
berarti varians antar kelompok adalah tidak sama. Jika varians tidak sama, uji Anova tidak valid untuk
dipakai. Seandainya variannya kita asumsikan sama, maka selanjutnya adalah melihat hasil uji anova, sbb:

ANOVA

Berat bayi lahir

Sum of Squares df Mean Square F Sig.

Between Groups 1750099.796 5 350019.959 16.001 .000
Within Groups 1312475.962 60 21874.599
Total 3062575.758 65

Pada hasil di atas diperoleh nilai ANOVA F = 16.001 dengan p-value=0.000 (dalam keadaan ini boleh juga
ditulis p < 0.001). Hipotesis nol pada uji ANOVA adalah tidak ada perbedaan rata-rata berat bayi antara
kelompok ibu dengan pendidikan SD, SMP, dan SMA. Sedangkan hipotesis alternatifnya adalah salah satu
nilai rata-rata berat bayi berbeda dengan lainnya. Dengan menggunakan α=0.05, dari hasil di atas kita
menolak hipotesis nol. Sehingga kita menyimpulkan ada perbedaan berat badan bayi dari ke tiga kelompok
ibu tersebut (setidaknya salah satu nilai mean berbeda dengan lainnya). Namun, kita belum tahu kelompok
mana yang berbeda antara satu dengan yang lainnya.

Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda, apakah antara pendidikan SD
dengan SMP, SD dengan SMA, atau SMP dengan SMA. Untuk menjawab pertanyaan ini kita harus
melakukan uji banding ganda. Untuk melakukan uji banding ganda, kita harus klik menu Post Hoc… pada
kotak dialog ANOVA.
 YOLANITA S, MSc.PH 2013

Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan oleh komputer, Klik
Continue, Klik OK. Hasil output SPSS adalah sama dengan hasil uji ANOVA sebnelumnya dan
ditambah dengan tampilan berikut: (output tidak diperlihatkan semua)

Pada hasil di atas terlihat perbedaan yang “bermakna” pada α=0.05 yang ditandai dengan tanda
bintang (*). Pada baris pertama, (Tidak sekolah) berbeda bermakna dengan Tidak tamat SD,
Tamat SD, Tamat SMP, dan Tamat SMU. Namun, tidak berbeda bermakna dengan D3/PT.
Begitu seterusnya.
 YOLANITA S, MSc.PH 2013

PENYAJIAN HASIL UJI ANOVA

Tabel ….. Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan ibu N Mean SD Nilai-F nilai-p

Tdk sekolah 4 2412.5 47.9 16 0.000

SD tdk tamat 8 2768.8 25.9
Tamat SD 16 2906.3 141.3
Tamat SMP 26 2788.5 193.6
Tamat SMU 8 3000.0 92.6
Tamat D3/PT 4 2400.0 40.8
Total 66 2793.9 217.1

Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan pendidikan Tidak
sekolah adalah 2412 gram, pada ibu dengan SD tdk Tamat = 2738gr, Tamat SD=2906gr,
Tamat SMP = 2788 gr, Tamat SMU 3000 gr, dan pada ibu berpendidikan D3/PT adalah 2400
gram. Hasil uji Anova memperlihatkan bahwa ada perbedaan yang bermakana pada rata -rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0.000).

Tabel ….. Signifikansi perbedaan rata-rata berat bayi menurut Pendidikan ibu
(Hasil Uji-Bonferroni)

Pendidikan vs p-value Simpulan

Tdk sekolah SD tdk tamat * Berbeda bermakna

Tamat SD * Berbeda bermakna
Tamat SMP * Berbeda bermakna
Tamat SMU * Berbeda bermakna
Tamat D3/PT Tidak berbeda bermakna

SD tdk tamat Tamat SD Tidak berbeda bermakna

 YOLANITA S, MSc.PH 2013
Tamat SMP Tidak berbeda bermakna
Tamat SMU * Berbeda bermakna
Tamat D3/PT * Berbeda bermakna

Tamat SD Tamat SMP

Tamat SMU Tidak berbeda bermakna
Tamat D3/PT * Berbeda bermakna

Tamat SMP Tamat SMU * Berbeda bermakna

Tamat D3/PT * Berbeda bermakna

Tamat SMU Tamat D3/PT * Berbeda bermakna

* lebih kecil dari 0.05

Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata berat bayi
antara ibu berpendidikan Tidak sekolah dengan SD, SMP, SMU. dan Tidak ada
perbedaan
rata-rata berat bayi antara ibu berpendidikan Tidak sekolah dengan D3/PT. Dan seterusnya….
 YOLANITA S, MSc.PH 2013

2
UJI BEDA PROPORSI (x )
 2
UJI BEDA PROPROSI (χ ) CHI-SQUARE

Dalam contoh ini, kita akan menguji apakah ada hubungan antara periksa hamil dengan
penolong persalinan (nakes vs bukan nakes). Agar memudahkan dalam penyajian datanya, kita
akan membuat tabel silang (crosstab) dari file KIA.SAV.
1. Pastikan file KIA.SAV sudah dibuka, data tampak di jendela Data Editor
2. Dari menu utama, pilihlah:
Analyze <
Descriptif statistic <
Crosstabs…

7. Pilih variabel Periksa kehamilan (v04), kemudian klik tanda > untuk memasukkannya ke
kotak Row(s)
8. Pilih variabel Penolong Persalinan (v07), kemudian klik tanda > untuk memasukkannya
ke kotak Colom(s).
 YOLANITA S, MSc.PH 2013

9. Pada menu “Statistics” pilih Chi-Square dengan mengklik kotak disampingnya

hingga muncul tanda “√”. Jika anda klik sekali lagi, maka tanda “√” akan hilang.
Kemudian Klik Continue.

10. Klik menu “Cells”, kemudian aktifkan Observed pada menu Count dan aktifkan Rows
pada menu Percentages hingga muncul tanda “√”. Kemudian Klik Continue.

11. Klik OK untuk menjalankan prosedur. Pada layar tampak hasil seperti berikut:

Periksa kehamilan (ANC) * Penolong persalinan Crosstabulation

Penolong persalinan
Keluarga Dukun Perawat Bidan Total
Periksa kehamilan Ya Count 4 22 8 32 66
(ANC) % within Periksa
 YOLANITA S, MSc.PH 2013
kehamilan (ANC) 6.1% 33.3% 12.1% 48.5% 100.0%
Tidak Count 20 4 24
% within Periksa
kehamilan (ANC) 83.3% 16.7% 100.0%
Total Count 4 42 8 36 90
% within Periksa
kehamilan (ANC) 4.4% 46.7% 8.9% 40.0% 100.0%
 Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan Bidan, sedangkan ibu yang tidak periksa
hamil cenderung bersalin ke Dukun. Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil,
ada 32 orang (48.5%) persalinannya ditolong oleh Bidan. Dari 24 ibu-ibu yang tidak periksa hamil, hanya
ada
4 orang (16.7%) yang persalinannya ditolong oleh Bidan

Untuk menguji apakah hubungan tersebut bermakna secara statistik, maka kita harus melihat hasil uji chi-
square sebagai berikut:

Chi-Square Tests

Asymp. Sig.
Value df (2-sided)
a
 Pearson Chi-Square 18.247 3 .000
Continuity Correction
Likelihood Ratio 21.140 3 .000
Linear-by-Linear Association 10.114 1 .001
N of Valid Cases 90
a. 3 cells (37.5%) have expected count less than 5. The minimum expected count is 1.07.

Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0.000 . Artinya hubungan antara periksa hamil dengan
penolong persalinan secara statistik sangat bermakna.

Namun, dalam uji ini, chi square tidak valid karena sebanyak 37.5% sel yang nilai harapannya (expected count)
kurang dari 5 (padahal batasnya tidak boleh lebih dari 20%), hal ini disebabkan oleh adanya sel yang kosong. Supaya
tidak ada sel yang kosong, maka harus dilakukan penggabungan kategori, misalnya penolong persalinan, digabungkan
jadi 2 kategori saja yaitu nakes (Bidan/ perawat) dan bukan nakes (keluarga/dukun).
Hasilnya dapat dilihat sbb:

Periksa ANC) * Penolong Persalinan Crosstabulation

Penolong Persalinan
nakes non-nakes Total
Periksa Ya Count 40 26 66
ANC) % within Periksa ANC) 60.6% 39.4% 100.0%
Tidak Count 4 20 24
% within Periksa ANC) 16.7% 83.3% 100.0%
Total Count 44 46 90
% within Periksa ANC) 48.9% 51.1% 100.0%

Tuliskan Inerpretasi anda …. Ibu yang periksa ANC cenderung minta tolong untuk bersalin ke nakes (60.6%),
sedangkan ibu yang tidak periksa ANC hanya 16.7% yang persalinannya oleh nakes.
 YOLANITA S, MSc.PH 2013

Chi-Square Tests
 YOLANITA S, MSc.PH 2013
Asymp. Sig. Exact Sig. Exact Sig.
Value df (2-sided) (2-sided) (1-sided)
b
Pearson Chi-Square 13.599
a

a. Computed only for a 2x2 table

b.
0 cells (.0%) have expected count less than 5. The minimum expected count is 11.73.

Output SPSS menampilkan semua nilai chi-square dari berbagai macam uji, seperti Pearson Chi-square,
Continuity Correction, atau Fisher’s Exact Test. Masing-masing uji tersebut dilengkapi dengan p-value untuk test 2-
sisi.
2
Untuk memilih nilai χ atau p-value yang paling sesuai, kita harus berpedoman pada asumsi-asumsi yang terkait
2
dengan uji χ . Antara lain:
1. Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3), apabila nilai frekuensi harapan (expected)
2
yang kurang dari 5 tidak lebih dari 20%, maka nilai χ atau p-value dari Pearson Chi-square atau
Likelihood Ratio dapat kita laporkan.
Catt: Jika nilai expected yang kurang dari 5 lebih dari 20% atau ada nilai expected yang kurang dari 1.0
(karena ada sell yang kosong), maka hasil uji chi-square tidak valid, harus dilakukan pengelompokan
ulang terlebih dahulu.
2
2. Untuk tabel 2 x 2, nilai χ atau p-value dari Continuity Correction dapat kita laporkan. Tetapi jika nilai
frekuensi harapan kurang dari 5, maka nilai p-value dari Fisher’s Exact Test yang harus kita laporkan.
3. Fisher’s Exact Test adalah nilai-p yang paling exact/pasti, sehingga dapat selalu kita laporkan, ada atau
tidak ada nilai frekuensi harapan yang kurang dari 5.
Dengan menambahkan item RISK pada menu Statistics, akan didapat OR (Odds Ratio) sebagai berikut:

Risk Estimate
 95% Confidence Interval
Value Lower Upper
Odds Ratio for Periksa
ANC) (Ya / Tidak) 7.692 2.360 25.074

For cohort Penolong

3.636 1.456 9.084
Persalinan = nakes
For cohort Penolong
.473 .334 .670
Persalinan = non-nakes
N of Valid Cases 90

OR 7.6 berarti, Ibu yang periksa ANC cenderung 7.6 kali untuk ditolong persalinannya oleh
nakes dibandingkan dengan ibu yang tidak periksa ANC.

Penyajian Hasil Uji Beda Proprosi (Chi-Square)

Tabel ….. Distribusi Persalinan Nakes menurut Periksa ANC

Variabel Persalinan Nakes Total OR (95%CI) p-value

Ya Tidak
n (%) n (%)
Periksa ANC
- Ya 40 (60.6) 26 (39.4) 66 7.6 (2,3—25,0) 0,000
- Tidak 4 (16.7) 20 (83.3) 24 1.0

Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa ibu yang periksa ANC besar
kemungkinan pertolongan persalinannya adalah nakes. Dari 66 ibu periksa ANC, sebanyak 60.6% persalinannya
ditolong oleh nakes. Sebaliknya, dari 24 ibu yang tidak periksa hamil, hanya 16.7% persalinannya ditolong oleh
nakes.
 PENGUJIAN INSTRUMEN
UJI VALIDITAS DAN RELIABILITAS

Berikut langkah-langkah uji validitas. Dengan menggunakan contoh data sebagai berikut:

1. Uji Validitas dengan menggunakan Contoh Data Instrumen seperti dibawah ini, biasanya jumlah data
minimal 30 responden,

No X11 X12 X13 TOTAL X1

1 2 4 3 9
2 1 2 2 5
3 4 4 2 10
4 3 4 3 10
5 2 2 3 7
6 4 2 4 10
7 4 4 3 11
8 1 1 1 3
9 2 2 1 5
10 3 5 5 13
11 3 4 4 11
12 2 4 5 11
13 5 2 4 11
14 2 4 2 8
15 4 4 4 12
16 1 4 2 7
17 1 4 1 6
18 2 2 4 8
19 1 2 1 4
20 1 3 3 7
21 4 4 5 13
22 2 2 2 6
23 2 2 2 6
24 2 1 1 4
25 5 4 5 14
26 4 3 5 12
27 5 5 5 15
28 2 4 4 10
29 3 3 5 11
30 5 5 4 14
Langkah 1 : - Masukkan data ke dalam data editor SPSS
- Untuk memberikan nama/label variabel klik Variable view (X11, X12, X13 dan
Total_X1)
Data View
Variable View

Langkah 2 : Klik Analyze Correlate Bivariate

Langkah 3 : Selanjutnya akan tampak kotak Bivariate Correlations seperti ini

Langkah 4 : Selanjutnya pindahkan masing-masing indikator X11, X12, X13 dan Total_X1 ke sebelah
kanan pada kolom variables dengan cara memblok masing-masing indikator kemudian
klik tanda panah tengah.

Langkah 5 : Klik OK. Setelah itu akan tampak kota seperti berikut

Correlations
x11 x12 x13 Total_x1
* ** **
x11 Pearson Correlation 1 ,311 ,523 ,800
Sig. (2-tailed) ,028 ,000 ,000
N 50 50 50 50
* ** **
x12 Pearson Correlation ,311 1 ,419 ,717
Sig. (2-tailed) ,028 ,002 ,000
N 50 50 50 50
** ** **
x13 Pearson Correlation ,523 ,419 1 ,828
Sig. (2-tailed) ,000 ,002 ,000
N 50 50 50 50
** ** **
Total_x1 Pearson Correlation ,800 ,717 ,828 1
Sig. (2-tailed) ,000 ,000 ,000
N 50 50 50 50
*. Correlation is significant at the 0.05 level (2-tailed).
**. Correlation is significant at the 0.01 level (2-tailed).
Pada tabel di atas tampak bahwa seluruh indikator (X11, X12, X13) dikatakan valid karena memiliki nilai korelasi
di atas 0,3 yakni X11=0,800, X12=0,717 dan X13=0,828.

Catatan: ada beberapa buku yang menggunakan nilai korelasi diatas 0,3. Tetapi ada juga yang menentukan
nilai korelasi diatas 0,5. Batas keduanya diakui dan bisa diterima.

UJI RELIABILITAS

2. Uji Reliabilitas

Langkah 1 : Dari layar Data editor klik analyze Scale Reliability Analysis

Langkah 2 : Selanjutnya akan tampak kotak berikut (yang akan dihitung hanya indikator x11, X12 dan
X13 sehingga Total_X1 harus diabaikan atau dipindahkan ke kolom sebelah kiri dengan
cara memblok Total_X1 kemudian klik tanda panah tengah:
Langkah 3 : Klik Statistics pada sebelah kanan atas
Langkah 4 : Pada kotak Reliability Analysis: Statistics tandai (√) kolom scale if item deleted lalu
Continue.

lalu Continue  OK.

Selanjutnya Akan tampak hasil perhitungan seperti berikut :
 Reliability Statistics
Cronbach's
Alpha N of Items
,683 3

Hasil perhitungan menunjukkan nilai Cronbach’s Alpha = 0,683 yang lebih besar dari 0,60 berarti instrumen
penelitian dikatakan reliabel

Catatan: ada beberapa buku yang menggunakan batas nilai reliabilitas di atas 0,6. Tetapi ada juga yang
menentukan nilai reliabilitas diatas 0,7. Batas keduanya diakui dan bisa diterima.
Item-Total Statistics
Corrected Item- Cronbach's
Scale Mean if Scale Variance Total Alpha if Item
Item Deleted if Item Deleted Correlation Deleted
x11 6,3200 3,977 ,499 ,589
x12 5,6600 4,882 ,416 ,686
x13 5,6600 3,984 ,585 ,471
 UJI KORELASI
Landasan Teori

Dalam landasan teori ini yang dibahas mengenai kolerasi yaitu kolerasi linier dan kolerasi berganda.

Kolerasi Linier

Sampai saat ini dianggap bahwa peubah bebas X dikendalikan, jadi bukan suatu peubah acak.
Sebetulnya dalam hal ini, X sering disebut peubah matematika, yang dalam proses pengambilan terak tanpa
galat yang berarti.

Kita ingin memandang permasalaban mengukur hubungan antara kedua peubah X dan Y. Dalam suatu
kasus, bila X adalah umur suatu mobil bekas dan Y nilai jual mobil tersebut, maka kita membayangkan nilai -
nilai X yang kecil berpadanan dengan nilai-nilai Y yang besar. Analiis kolerasi mencoba mengukur kekuatan
hubungan antara dua peubah demikian melalui sebuah bilangan yang disebut koefisien kolerasi.

Didefinisikan koefisien kolerasi linier sebagai huhungan linier antara dua peubah acak X dan Y, dan
dilambangkan dengan r. Jadi, r mengukur sejauh mana titik menggerombol sekitar sebuah garis lurus. Oleh
karena itu dengan membuat diagram pencar bagi n pengamatan [(Xi, Yi), I = 1,2........, n] dan contoh acak,
dapat ditarik kesimpulan tertentu mengenai r. Bila titik-titik menggerombol mengikuti sebuah garis lurus
dengan kemiringan positif, maka ada kolerasi positif yang tinggi kedua peubah. Akan tetapi, bila titik-titik
menggerombol mengikuti sebuah garis lurus dengan kemiringan negatif, maka antara kedua peubah itu
terdapat kolerasi negatif yang tinggi. Kolerasi antara kedua peubah semakin menurun secara numerik dengan
semakin memancarnya atau menjauhnya titik-titik dan suatu garis lurus.

Ukuran korelasi linier antara dua peubah yang paling banyak digunakan adalah yang disebut koefisien
korelasi momen hasil kali pearson atau ringkasnya koefisien contoh.

Menurut Robert F. Walpole dalam bukunya Pengantar Statistika, 1996, koefisien korelasi, ukuran
hubungan linier antara dua peubah x dan y diduga dengan koefisien korelasi contoh r, yaitu :
 n
 n  n 
n xi y1  xi    yi 
i 1  i 1   i 1  Sx
r= b (1)
 n 2 Sy
   n 2  n  
n 2 2

n x i    xi   n y i    yi  
 i 1  i 1   i 1  i 1  


Dapat disimpulkan bahwa r nilainya pasti antara 0 dan 1. Alcibatnya r mungkin mengambil nilai dari -
1 sampai +1. Nilai r = 1 semua titik contoh terletak pada satu garis iurus yang mempunyai kemiringan positif.
Jadi, hubungan linier sempurna terdapat antara nilai-nilai x dari y dalam contoh, bila r = + 1 atau r = - 1. Bila r
mendekati + 1 atau -1, hubungan antara kedua peubah itu kuat dan terdapat korelasi yang tinggi aniara
keduanya. Akan tetapi, bila r mendekari nol hubungan linier antara x dan y sangat lemah atau mungkin tidak
ada sama sekali.
Korelasi Ganda

Koefisien deterininasi berganda contoh diberikan oleh definisi berikut. Definisi koefisien deterimnasi
berganda untuk contoh acak.

{(x1i, x21, y1); i = 1, 2, .............., n)} (2)

 2
Koefisien determinasi berganda contoh yang dilambangkan dengan R y. 12, didefinisikan sebagai
berikut :

2 JKG
R y, 12 = 1 - 2 (3)
(n  1) S
y

Sedangkan dalam hal ini:

2 2 2
JKG = (n – 1) (S y – b S x) (4)

2
Koefisien korelasi berganda contoh, yang dilambangkan dengan R y . 12, didefinisikan sebagai akar
positif dan koefisien deterininasi bergandanya.

Pengolahan Data

Dalam pengolahan data korelasi dengan menggunakan software maka diperlukan software penunjang,
yaitu program SPSS. Pada pelaksanaan praktikum di laboratoriun Teknik Industri Dasar digunakan program
SPSS Versi 10.00.

Dalam pengujian kasus korelasi dengan menggunakan progran SPSS Versi 10.00, penyelesaian untuk
pemecahan suatu masalah adalah sebagai berikut :

1. Memasukkan data ke SPSS

Langkah-langkahnya :

 Membuka lembar kerja baru

Dan menu utama file, pilih new, lalu klik data

 Menamai vaniabel dan property yang diperlukan

Kilk tab sheet variabel view yang ada di bagian kiri bawah. Setelah itu, akan tampak SPSS data editor
dengan urutan name, type, width, dan lain-lain.

2. Mengisi data
Hal yang perlu diperhatikan dalam pengisian vaniabel name adalah “tidak boleh ada spasi dalam
pengisiannya”
 3. Pengolahan data dengan SPSS
Langkah-langkahnya:

 Pilih menu analyze, lalu pilih submenu correlate

 Kemudian lakukan pengisian terhadap:
 Kolom variabel
 Kolom correlation coefisients, pilih pearson
 Kolom test of significance, pilih two- tailed
 Kolom flag significant correlations
 Kolom options
Pilih statistics

Pilih missing values, pilih exclude cases pairwise

 Tekan kontinu, lalu O.K

Untuk menghitung basil output dan SPSS maka kita dapat menggunakan contoh soal dan korelasi
linier . Untuk memasukkan data pada korelasi berganda sama dengan korelasi linier dan begitu juga outputnya
tidak berbeda jauh.

Correlations

Correlations

JMLBHNBK JMLPROD
JMLBHNBK Pearson Correlati on 1 ,991**
Sig. (2-tai . ,001
led) N 5 5
JMLPROD Pearson Correlati on ,991** 1
Sig. (2-tai ,001 .
led) N 5 5
**. Correlation is significant at the 0.01 level (2-tailed).

Dari output SPSS maka kita dapat menganalisanya :

 Berkenaan dengan besaran angka. Angka korelasi berkisar pada 0 (tidak ada korelasi sama sekali) dan 1
(korelasi sempuma). Sebenamya tidak ada ketentuan yang tepat mengenai apakah angka korelasi tertentu
menunjukkan tingkat korelasi yang tinggi atau lemah. Namun, dapat dijadikan pedoman sederhana, bahwa
angka korelasi di atas 0.5 menunjukkan korelasi yang cukup kuat, sedang di bawah 0.5 korelasi lemah.
 Selain besar korelasi, tanda korelasi juga berpengaruh pada penafsiran hasil. Tanda negatif pada output
menunjukkkan adanya arah yang berlawanan, sedangkan tanda positif menunjukkan arah yang sama.

Hipotesis

H0 = Ada hubungan (korelasi) antara dua vaniabel

H1 = Tidak ada hubungan (korelasi) antara dua variabel

Pengambilan Keputusan

A. Berdasarkan probabilitas
Jika probabilitas > 0.05, maka Ho diterima

Jika probabilitas < 0.05, maka Ho ditolak

Keputusan:

Terlihat bahwa antara jumlah bahan baku dengan jumlah produk jadi berkorelasi secara signifikan karena
probabilitas 0.99 lebih besar dan 0.05.

B. Berdasarkan tanda ** yang diberikan SPSS

Signifikan tidaknya korelasi dua variabel dapat dilihat dan adanya tanda ** pada pasangan data yang
dikorelasikan.

Dari output yang dihasilkan terlihat variabel jumlah bahan baku dengan variabel jumlah produk jadi
terdapat tanda hingga dapat disimpulkan antara kedua variabel tersebut berkorelasi secara signifikan.
 A. KORELASI PEARSON PRODUCT MOMENT
(Uji korelasi untuk dua/lebih variabel berskala interval/rasio)
1. Start  All Pogram  SPSS for Windows  SPSS 12.0 for Windows

2. Cancel 
3. Variable view

4. Ketik variabel pertama ketik variabel kedua dst.  setelah selesai data view

5. Ketikkan hasil pengumpulan data masing variabel (misal 30 responden)

6. Lakukan uji Normalitas data:
Analyze Non parametric test 1-Sample K-S

7. Masukkan kedua variabel  ke kotak Test variable list

8. Pastikan tanda check pada test NORMAL  OK

 9. Baca hasil uji normalitas.
Jika Signifikansi >0,05, maka H0 diterima, disimpulkan data terdistribusi normal (pada contoh: 0,057 dan
0,670)
Karena pada contoh data terdistribusi normal, maka dapat dilakukan Pearson Test.
Catatan: Jika data tak terdistribusi normal, maka dapat diuji dengan Kendall atau Spearman-Rank Test.

Lakukan Pearson Test

10. Analyze  Corelate  Bivariate

11. Masukkan kedua variabel ke kotak Variables

12. Klik OK

13. Baca hasil Pearson Test

Jika nilai signifikansi <0,05 maka H0 ditolak, disimpulkan ada korelasi bermakna antara kedua variabel
(pada contoh: 0,001)
Dengan demikian disimpulkan H0 ditolak (ada korelasi antara pengetahuan dan sikap).
 B. UJI KORELASI KENDALL
(Uji korelasi untuk variabel berskala ordinal)
1. Start  All Pogram  SPSS for Windows  SPSS 12.0 for Windows

2. Cancel
3. Variable view

4. Ketikkan nama variabel pertama, kedua, dan seterusnya, jika sudah,  Klik Data View

5. Ketikkan data dari kedua variabel

6. Analyze  Corelate  bivariate

7. Masukkan kedua variabel ke dalam kotak variables

8. Pastikan Kendall bertanda check  OK
Catatan: Jika menggunakan uji Spearman, beri tanda check “Spearman”.

9. Baca hasil Kendal Tau-b Test

Jika nilai signifikansi <0,05 maka H0 ditolak, disimpulkan ada korelasi antara kedua variabel (pada contoh:
0,073)
Dengan demikian pada contoh di atas H0 diterima (disimpulkan tidak ada korelasi antara pengetahuan
dan sikap.
 C. UJI KORELASI PARSIAL
Tidak hanya analisis regresi, analisis korelasi juga dapat dilakukan dengan bantuan SPSS. Berbeda dengan analisis
regresi, analisis korelasi dimaksudkan untuk mengetahui seberapa kuatkah hubungan antara satu atau beberapa
variabel dengan suatu variabel lain. Hal tersebut dilaksanakan dengan mencari koefisien korelasi antar variabel. Ada
yang disebut koefisien korelasi simultan, ada yang disebut koefisien korelasi parsial. Koefisien korelasi simultan
menunjukkan kekuatan hubungan antara semua variabel bebas dan variabel terikat yang ada, sedangkan koefisien
korelasi parsial menunjukkan hubungan antara suatu variabel dengan suatu variabel lain ketika variabel lain yang
tidak dicari koefisien korelasi parsialnya dianggap konstan.

Langkah-langkahnya untuk mencari koefisien parsial dengan menggunakan persamaan Pearson pada SPSS adalah
sebagai berikut:

1. Masukkan data variabel bebas dan variabel terikat pada SPSS data editor. Pada contoh kali ini, jumlah datanya
ada
12, terdapat 4 variabel bebas (X1,X2,X3,X4) dan terdapat 1 variabel terikat (Y).

2. Pilih Menu Analyze, kemudian Correlate, lalu Bivariate…

3. Masukkan semua variabel ke kolom Variables, checklist pilihan Pearson, kemudian klik OK.
4. Akan muncul keluaran dalam bentuk tabel Correlations berikut

Dari tabel di atas dapat diperoleh informasi bahwa:

 Koefisien korelasi parsial antara Y dan X1 adalah 0,028. Hubungan antara X1 dengan Y ketika variabel bebas
lainnya konstan adalah sangat lemah.

 Koefisien korelasi parsial antara Y dan X2 adalah 0,06. Hubungan antara X2 dengan Y ketika variabel bebas
lainnya konstan adalah sangat lemah.

 Koefisien korelasi parsial antara Y dan X3 adalah 0,065. Hubungan antara X3 dengan Y ketika variabel bebas
lainnya konstan adalah sangat lemah.

 Koefisien korelasi parsial antara X2 dan X4 adalah 0,132. Hubungan antara X2 dengan X4 ketika variabel
bebas lainnya konstan adalah sangat lemah.

 Cara membaca informasi dan telaah yang sama, berlaku pula pada hubungan antara variabel-variabel lain
yang ada pada tabel.
UJI REGRESI

Landasan Teori
Dalam landasan teori ini yang dibahas mengenai regresi yaitu regresi linier dan regresi berganda. Kedua
regresi ini memiliki perbedaan antara satu dengan yang lainnya.

Regresi Linier
Persamaan regresi adalah persamaan matematik yang memungkinkan untuk meramalkan nilai-nilai suatu
peubah tak bebas dari nilai-nilai satu atau lebih peubah bebas.

Regresi diterapkan pada semua jenis peramalan, dan tidak harus berimplikasi suatu regresi mendekati nilai
tengah populasi (Wallpole, 1996).

Tabel 1.3.1 Data Jumlah kalori/hari dan berat badan mahasiswa

Nama Berat Badan Jumlah Kalori yang dikonsumsi
Ivan 89 530
Mely 48 300
Rosa 56 358
Setia 72 510
Mayone 54 302
Lady 42 300
Anita 60 387
Wanto 85 527
Heri 63 415
Danu 74 512

Pengolahan Data
Dalam pengujian data regresi dengan menggunakan software maka diperlukan software penunjang, yaitu
program SPSS. Pada pelaksanaan praktikum di Laboraturium Teknik Industri Dasar digunakan program SPSS Versi
10.00.

Dalam pengujian kasus regresi dengan menggunakan program SPSS Versi 10.00, penyelesaian untuk pemecahan
suatu masalah adalah sebagai berikut :

1. Memasukan data SPSS

Langkah-langkahnya :

a. Membuka lembar kerja baru

Dari menu utama file, pilih new, lalu ketik data

b. Menamai variabel dan property yang diperlukan
Klik tab sheet variable view yang ada dibagian kiri bawah, setelah itu, akan tampak dilayar kotak SPSS data
editor dengan urutan name, tipe, width, dan lain-lain.

2. Mengisi data
Hal yang diperlukan dalam pengisian variabel name adalah “tidak boleh ada spasi dalam pengisiannya”.
3. Pengolahan data dengan SPSS
Langkah-langkahnya :

a. Pilih menu analyze, kemudian pilih submenu regression

b. Kemudian lakukan pengisian terhadap
 Kolom dependent atau variabel tergantung
 Kolom independent atau variabel bebas
 Kolom case labels atau keterangan pada kasus
 Kolom method, untuk keseragaman pilih default yang ada yaitu enter
 Kolom options
Pilih stepping method criteria dengan uji F
Pilih include constant in equation
Pilih missing value yaitu exclude cases listwise

Klik continue untuk melanjutkan

 Kolom statistic

Pilih regression coefficient dengan klik estimate, desriptive, dan model fit
Pilih residual, klik pada casewise diagnostics dan pilih all casses
Klik continue untuk melanjutkan
 Tekan O.K.
Untuk menghasilkan output dan menganalisa, maka kita dapat menggunakan contoh soal dari tugas pendahuluan
diatas.

Regression

Descriptive
Statistics

Mean Std. Deviation N

BRTBDN 64,30 15,456 10
JMLKAL 414,10 98,571 10

Correlations

BRTBDN JMLKAL
Pearson Correlation BRTBDN 1,000 ,950
JMLKAL ,950 1,000
Sig. (1-tail ed) BRTBDN . ,000
JMLKAL ,000 .
N BRTBDN 10 10
JMLKAL 10 10
 Variables Entered/Removed b

Variables Variables
Model Entered Removed Method
1 JMLKALa . Enter
a. All requested variables entered.
b. Dependent Variable: BRTBDN

Model Summaryb

Adjusted Std. Error of

Model R R Square R Square the
1 ,950a ,903 ,891 5,114
a. Predictors: (Constant), JMLKAL
b. Dependent Variable: BRTBDN

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 1940,846 1 1940,846 74,201 ,000a
Residual 209,254 8 26,157
Total 2150,100 9
a. Predictors: (Constant), JMLKAL
b. Dependent Variable: BRTBDN

Coefficients
a

Unstandardi zed Standardized

Coeffi cients Coeffi cients
Model B Std. Error Beta t Sig.
1 (Constant) 2,608 7,342 ,355 ,732
JMLKAL ,149 ,017 ,950 8,614 ,000
a. Dependent Variable: BRTBDN
 a
Casewise Diagnostics

Predicted
Case Number Std. Residual BRTBDN Value Residual
1 1,453 89 81,57 7,43
2 ,137 48 47,30 ,70
3 ,011 56 55,94 ,06
4 -1,288 72 78,59 -6,59
5 1,251 54 47,60 6,40
6 -1,037 42 47,30 -5,30
7 -,051 60 60,26 -,26
8 ,759 85 81,12 3,88
9 -,280 63 64,43 -1,43
10 -,955 74 78,88 -4,88
a. Dependent Variable: BRTBDN

Residuals
Statistics a

Mini mum Maximum Mean Std. Deviation N

Predicted Value 47,30 81,57 64,30 14,685 10
Residual -6,59 7,43 ,00 4,822 10
Std. Predicted Value -1,158 1,176 ,000 1,000 10
Std. Residual -1,288 1,453 ,000 ,943 10
a. Dependent Variabl e: BRTBDN

Dari hasil output merupakan contoh soal untuk regresi linier, maka kita dapat menganalisanya sebagai berikut :

 Rata-rata berat badan tiap mahasiswa sebesar 64,30 kg dengan standar deviasi 15,46
 Rata-rata jumlah kalori mahasiswa sebesar 414.10 kalori dengan standar deviasi 98.57
 Besar hubungan antara berat badan dengan jumlah kalori tiap mahasiswa yang dihitung dengan koefisien
adalah 0.950. hal ini menunjukan hubungan yang sangat erat ( mendekati + 1 ) diantara berat badan dengan
jumlah kalori.
 Angka R Square adalah 0.903. R Square dapatdisebut koefisien determinasi, yang dalam hal ini berarti
90.30% berat badan dapat dijelaskan oleh variabel jumlah kalori.
 Standar error of estimate adalah 5.11
 Dari uji ANOVA, didapat F hitung adalah 74.201 dengan tingkat signifikansi 0.00000. oleh karena
probabilitas (0.000) jauh lebih kecil dari 0.05, maka model regresi dapat dipakai untuk memprediksikan berat
badan
 Tabel selanjutnya menggambarkan persamaan regresi :

Y = 2.608 + 0.149X
Dimana :

 Y = berat badan
 X = jumlah kalori
 Konstanta sebesar 2.608
 Koefisien regresi sebesar 0.149

Hipotesis
Ho = Koefisien regresi tidak signifikan
H1 = Koefisian regresi signifikan

Pengambilan keputusan

A. Dengan membandingkan statistik hitung dengan statistik tabel

Jika statistik t hitung < statistik t tabel, maka Ho diterima

Jika statistik t hitung >statistik t tabel, maka Ho ditolak

 Statistik t hitung
Dari tabel output diatas terlihat bahwa t hitung adalah 8.614

 Statistik tabel
 Tingkat signifikansi = 5 %
 Df = jumlah data –2 =10-2 = 8
 Uji dilakukan dua sisi
Keputusan

 Oleh karena statistik hitung > statistik tabel, maka Ho ditolak

B. Berdasarkan probabilitas
Jika probabilitas >0.05, maka Ho diterima

Jika probabilitas <0.05, maka Ho ditolak

Keputusan

 Terlihat bahwa pada kolom significance adalah 0.000, atau probabilitas jauh dibawah 0.05, maka Ho
ditolak atau berat badan benar-benar berpengaruh secara signifikan terhadap jumlah kalori.
 Untuk mencari regresi linier berganda cara memasukan data ke SPSS sama saja, yang berbeda hanya
datanya saja dan outputnya juga hampir sama tidak berbeda jauh dari output regresi linier.
 UJI NON PARAMETRIK
PENGERTIAN
Statistik non-parametrik termasuk salah satu bagian dari statistik inferensi atau statistik induktif. Uji statistik
non- parametrik sering juga disebut statistik bebas distribusi (distribution-free statistics), karena prosedur
pengujiannya tidak membutuhkan asumsi bahwa pengamatan berdistribusi normal (Kuzma, 1973).

PENGGUNAAN STATISTIK NON PARAMETRIK

Statistik non paramerik digunakan dalam situasi sebagai berikut
:
1. Apabila ukuran sampel sedemikian kecil sehingga distribusi sampel tidak mendekati normal, dan
apabila tidak ada asumsi yang dapat dibuat tentang bentuk distribusi populasi yang menjadi sumber
sampel.
2. Apabila digunakan data ordinal, yaitu data-data yang disusun dalam urutan atau diklasifikasikan rangkingnya
3. Apabila digunakan data nominal, yaitu data-data yang dapat diklasifikasikan dalam kategori dan
dihitung frekuensinya.

KELEBIHAN DAN KELEMAHAN METODE STATISTIK NON

PARAMETRIK
Beberapa keuntungan yang dapat diperoleh jika kita memilih prosedur non-parametrik adalah (Bhisma Murti, 1996)
:
1. Jika ukuran sampel kita kecil, tidak ada pilihan lain yang lebih baik daripada menggunakan metode
statistik non-parametrik, kecuali jika distribusi populasi jelas normal.
2. Karena memerlukan sedikit asumsi, umumnya metode non-parametrik lebih relevan pada situasi-situasi
tertentu, sehingga kemungkinan penerapannya lebih luas. Disamping itu, kemungkinan digunakan
secara salah (karena pelanggaran asumsi) lebih kecil daripada metode paramerik.
3. Metode non-paramerik dapat digunakan meskipun data diukur dalam skala ordinal.
4. Metode non-parametrik dapat digunakan meskipun data diukur dalam skala nominal (katagorikal).
Sebaliknya tidak ada teknik paramerik yang dapat diterapkan untuk data nominal
5. Beberapa uji statistik non-parametrik dapat menganalisis perbedaan sejumlah sampel. Beberapa uji
statistik paramerik dapat dipakai untuk menganalisis persoalan serupa, tetapi menuntut pemenuhan
sejumlah asumsi yang hampir tidak mungkin diwujudkan.
6. Uji statistik non-parametrik mudah dilakukan meskipun tidak terdapat komputer (dapat dianalisa secara
manual). Analisa data dapat diselesaikan hanya dengan menggunakan kalkulator tangan. Oleh karena itu,
metode non-parametrik pantas disebut teknologi tepat guna (appropriate technology) yang masih
dibutuhkan
di negara-negara berkembang (dan terbelakang).
7. Pada umumnya para peneliti dengan dasar matematika yang kurang merasakan bahwa konsep dan
metode non-parametrik mudah dipahami.

Sementara dari beberapa kelebihan metode non-parametrik, ditemukan beberapa kekurangannya

yaitu:
1. Fleksibilitas terhadap skala pengukuran variabel kadang-kadang mendorong peneliti memilih metode non-
parametrik, meskipun situasinya memungkinkan untuk menggunakan metode paramerik. Karena
didasarkan asumsi yang lebih sedikit, metode non-parametrik secara statistik kurang kuat (rigorous)
dibandingkan metode paramerik.
2. Jika asumsi untuk metode paramerik terpenuhi, dengan ukuran sampel yang sama, metode non-
parametrik kurang memiliki kuasa (power) dibandingkan metode paramerik.
3. Penyederhanaan data (data reduction) dari skala rasio atau interval ke dalam ordinal atau nominal merupakan
pemborosan (detail) informasi yang sudah dikumpulkan.
4. Meski konsep dan prosedur non-parametrik sederhana, tetapi pekerjaan hitung-menghitung
bisa membutuhkan banyak waktu jika ukuran sampel yang dianalisis besar.
 YOLANITA S, MSc.PH 2013

APLIKASI TES PARAMETRIK TES NON PARAMETRIK

Satu sampel Uji t (t test) Uji binomial

Uji z (z test) Uji Runs
Uji Kolmogorov_Smirnov untuk satu sampel

Dua sampel yg saling T test paired Sign test

berhubungan (two dependent Z test paired Wilcoxon Signed-Rank Test
samples) Mc Nemar Change test

Dua sampel tidak berhubungan Z test Moses Extreme reactions

(two independent samples) Chi-square test
Kolmogorov-Smirnov test
Walt-Wolfowitz runs

Beberapa sampel berhubungan Friedman test

Kendall W test
Cohcran’s Q

Beberapa sampel tidak Anova test (F test) Kruskal-Wallis test

berhubungan Chi-square test
Median test

Mengetahui hubungan antar Regresi Korelasi spearman

variabel Korelasi pearson Korelasi kendall