Macam-macam uji statistik :

1. Uji Chi Square

Chi-Square disebut juga dengan Kai Kuadrat. Chi Square adalah salah satu jenis
uji komparatif non parametris yang dilakukan pada dua variabel, di mana skala
data kedua variabel adalah nominal. (Apabila dari 2 variabel, ada 1 variabel
dengan skala nominal maka dilakukan uji chi square dengan merujuk bahwa
harus digunakan uji pada derajat yang terendah).

Uji chi-square merupakan uji non parametris yang paling banyak digunakan.
Namun perlu diketahui syarat-syarat uji ini adalah: frekuensi responden atau
sampel yang digunakan besar, sebab ada beberapa syarat di mana chi square
dapat digunakan yaitu:

1. Tidak ada cell dengan nilai frekuensi kenyataan atau disebut juga Actual
Count (F0) sebesar 0 (Nol).
2. Apabila bentuk tabel kontingensi 2 X 2, maka tidak boleh ada 1 cell saja
yang memiliki frekuensi harapan atau disebut juga expected count
(“Fh”) kurang dari 5.
3. Apabila bentuk tabel lebih dari 2 x 2, misak 2 x 3, maka jumlah cell
dengan frekuensi harapan yang kurang dari 5 tidak boleh lebih dari 20%.

Rumus chi-square sebenarnya tidak hanya ada satu. Apabila tabel kontingensi
bentuk 2 x 2, maka rumus yang digunakan adalah “koreksi yates”.

Apabila tabel kontingensi 2 x 2 seperti di atas, tetapi tidak memenuhi syarat

seperti di atas, yaitu ada cell dengan frekuensi harapan kurang dari 5, maka
rumus harus diganti dengan rumus “Fisher Exact Test”.

Pada artikel ini, akan fokus pada rumus untuk tabel kontingensi lebih dari 2 x
2, yaitu rumus yang digunakan adalah “Pearson Chi-Square”.

Rumus Tersebut adalah:

Uji kai kuadrat (dilambangkan dengan “χ2” dari huruf Yunani “Chi” dilafalkan
“Kai”) digunakan untuk menguji dua kelompok data baik variabel independen
maupun dependennya berbentuk kategorik atau dapat juga dikatakan sebagai uji
proporsi untuk dua peristiwa atau lebih, sehingga datanya bersifat diskrit.
Misalnya ingin mengetahui hubungan antara status gizi ibu (baik atau kurang)
dengan kejadian BBLR (ya atau tidak).

Dasar uji kai kuadrat itu sendiri adalah membandingkan perbedaan frekuensi
hasil observasi (O) dengan frekuensi yang diharapkan (E). Perbedaan tersebut
meyakinkan jika harga dari Kai Kuadrat sama atau lebih besar dari suatu harga
yang ditetapkan pada taraf signifikan tertentu (dari tabel χ2).

Uji Kai Kuadrat dapat digunakan untuk menguji :

1. Uji χ2 untuk ada tidaknya hubungan antara dua variabel (Independency

test).
2. Uji χ2 untuk homogenitas antar- sub kelompok (Homogenity test).
3. Uji χ2 untuk Bentuk Distribusi (Goodness of Fit)

Sebagai rumus dasar dari uji Kai Kuadrat adalah :

Keterangan :

O = frekuensi hasil observasi

E = frekuensi yang diharapkan.

Nilai E = (Jumlah sebaris x Jumlah Sekolom) / Jumlah data

df = (b-1) (k-1)

Dalam melakukan uji kai kuadrat, harus memenuhi syarat:

1. Sampel dipilih secara acak

2. Semua pengamatan dilakukan dengan independen
 3. Setiap sel paling sedikit berisi frekuensi harapan sebesar 1 (satu). Sel-
sel dengdan frekuensi harapan kurang dari 5 tidak melebihi 20% dari
total sel
4. Besar sampel sebaiknya > 40 (Cochran, 1954)

Keterbatasan penggunaan uji Kai Kuadrat adalah tehnik uji kai kuadarat
memakai data yang diskrit dengan pendekatan distribusi kontinu.Dekatnya
pendekatan yang dihasilkan tergantung pada ukuran pada berbagai sel dari tabel
kontingensi. Untuk menjamin pendekatan yang memadai digunakan aturan
dasar “frekuensi harapan tidak boleh terlalu kecil” secara umum dengan
ketentuan:

1. Tidak boleh ada sel yang mempunyai nilai harapan lebih kecil dari 1
(satu)
2. Tidak lebih dari 20% sel mempunyai nilai harapan lebih kecil dari 5
(lima)

Bila hal ini ditemukan dalam suatu tabel kontingensi, cara untuk
menanggulanginyanya adalah dengan menggabungkan nilai dari sel yang kecil
ke se lainnya (mengcollaps), artinya kategori dari variabel dikurangi sehingga
kategori yang nilai harapannya kecil dapat digabung ke kategori lain. Khusus
untuk tabel 2×2 hal ini tidak dapat dilakukan, maka solusinya adalah melakukan
uji

2. Uji Spearman rank

Korelasi Spearman merupakan alat uji statistik yang digunakan untuk menguji
hipotesis asosiatif dua variabel bila datanya berskala ordinal (ranking). Nilai
korelasi ini disimbolkan dengan (dibaca: rho). Karena digunakan pada data
beskala ordinal, untuk itu sebelum dilakukan pengelolahan data, data kuantitatif
yang akan dianalisis perlu disusun dalam bentuk ranking.
Nilai korelasi Spearman berada diantara -1 < < 1. Bila nilai = 0, berarti tidak
ada korelasi atau tidak ada hubungannya antara variabel independen dan
dependen. Nilai = +1 berarti terdapat hubungan yang positif antara variabel
independen dan dependen. Nilai = -1 berarti terdapat hubungan yang negatif
antara variabel independen dan dependen. Dengan kata lain, tanda “+” dan “-“
menunjukkan arah hubungan di antara variabel yang sedang dioperasikan.

Uji signifikansi Spearman menggunakan uji Z karena distribusinya mendekati

distribusi normal. Kekuatan hubungan antara variabel ditunjukkan melalui nilai
korelasi. Berikut adalah tabel nilai korelasi makna nilai tersebut :

1.1 Makna nilai korelasi Spearman 1

NILAI MAKNA
0,00 – 0,19 Sangat rendah/sangat
lemah
0,20 – 0,39
Rendah/lemah
0,40 – 0,59
Sedang
0,60 – 0,79
Tinggi/kuat
0,80 – 1,00
Sangat tinggi/kuat
B.Menghitung Korelasi Spearman
Langkah – langkah untuk menghitung adalah :

1. Menentukan formulasi hipotesis (H1 dan H0)

2. Menentukan taraf nyata (α = 0,05) untuk menentukan tabel
3. Menyusun tabel penolong untuk menentukan hitung
4. Menghitung nilai hitung dengan rumus :

ρ= 1 – (6∑b)/(n (n^2-1)) —————- Rumus 1.1

Keterangan :

ρ : nilai korelasi rank spearman

 b : jumlah kuadrat selisih ranking variabel x dan y atau RX – RY

n : jumlah sampel

5. Menurut kriteria pengujian :

Bila hitung > tabel, maka H1 diterima

Bila hitung < tabel, maka H0 diterima

6. Melakukan uji signifikansi menggunakan uji Z :

Z hitung = ρ/(√1/(n-1)) ——————- Rumus 1.2

Mengambil kesimpulan :
– Bila Z hitung > Z tabel, maka hubungan x dan y adalah signifikan.

– Bila Z hitung < Z tabel, maka hubungan x dan y adalah tidak signifikan.

3. Uji Mann whitney

Uji rank Mann-Whitney adalah salah satu bentuk pengujian

dalam analisis statistika non parametrik (Sofia Teti, 2007: 55). Metode Statistik
nonparametrik dipakai apabila peneliti tidak mengetahui karakteristik kelompok
item yang menjadi sumber sampelnya. Metode ini dapat diterapkan terhadap
data yang diukur dengan skala ordinal dan dalam kasus tertentu, dengan skala
nominal. Pengujian non parametrik bermanfaat untuk digunakan apabila
sampelnya kecil dan lebih mudah dihitung dari pada metode parametrik. Metode
nonparametrik juga digunakan secara luas guna mengenalisis data di bidang
ilmu sosial (Supranto dalam Sriwidadi Teguh, 2011: 752).
Dalam kelompok uji dua sampel independen, uji Mann-Whitney adalah
uji terkuat yang digunakan sebagai alternatif uji parametrik T test. Uji test
Mann- Whitney ini digunakan unutuk menguji hipotesis komparatif dua sampel
independen bila datanya berbentuk ordinal. Bila dalam suatu pengamatan data
berbentuk interval dapat menggunakan t-test untuk pengujiannya, tetapi bila
asumsi t-test tidak dipenuhi (misalnya data harus normal), maka test ini dapat
digunakan (Purnamasari Fiky dkk., 2013: 20).
 2. Pengujian Mann-Whitney
Sriwidadi Teguh (2011: 758) dalam pengujian hipotesis nol yang
menyatakan bahwa tidak ada perbedaan yang sesungguhnya antara kedua
kelompok data dan dimana data tersebut diambil dari sampel yang tidak saling
terkait, kita dapat melakukan pengujian Mann-Whitney. Pengujian ini disebut
juga pengujian U, karena untuk menguji hipotesis nol, kasus dihitung angka
statistik yang disebut U. Prosedur yang dilakukan untuk uji Mann-Whitney:
a) menyatakan hipotesis dan taraf nyata α
b) menyusun peringkat data tanpa memperhatikan kategori sampel
c) menjumlahkan peringkat menurut tiap kategori sampel

d) menghitung statistik U, dengan rumus

= atau =
Dimana :
n1 : jumlah sampel 1
n2 : jumlah sampel 2
U1 : jumlah peringkat 1
U2 : jumlah peringkat 2
R1 : jumlah rangking pada sampel n1
R2 : jumlah rangking pada sampel n2
e) penarikan kesimpulan statistik mengenai hipotesis nol

Interpretasi hasil untuk menerima atau menolak H0 adalah:

1. Bila Nilai U (terkecil) hitung < U Tabel, maka H0 ditolak atau hal
ini berarti H1 diterima, sehingga dapat disimpulkan bahwa ada perbedaan antara
variabel yang diuji.
2. Bila Nilai U (terkecil) hitung > U Tabel, maka H0 diterima atau
hal ini berarti H1 ditolak, sehingga dapat disimpulkan bahwa tidak ada
perbedaan antara variabel yang diuji.
3. Bila Nilai Signifikansi/(sig.)/(P)/(Asymp. Sig.) < 0,05, maka H0
ditolak dan H1 diterima, yang berarti ada perbedaan antara variabel yang diuji.
4. Bila Nilai Signifikansi/(sig.)/(P)/(Asymp. Sig.) > 0,05, maka H0
diterima dan H1 ditolak, yang berarti tidak ada perbedaan antara variabel yang
diuji.
 B. Tujuan
Tes U Mann-Whitney dipakai untuk menguji apakah dua kelompok
independen telah ditarik dari populasi yang sama.
C. Langakah-langkah
1. Secara Manual
a. Menyatakan hipotesis statistik (H0) dan hipotesis alternatif (H1)
b. Menentukan Utabel untuk menguji hipotesis, taraf signifikansi yang
digunakan 0.05 (5%).
c. Menyusun kedua data hasil pengamatan menjadi satu kelompok
sampel, dan hitung rangkinya.
d. Selanjutnya, jumlahkan nilai rangking untuk masing-masing
sampel
e. Menghitung nilai statistik uji U
= atau =
f. Kriteria pengambilan keputusan
Tolak H0 Jika Uhitung < Utabel dan terima H0 jika Uhitung > Utabel
2. Menggunakan Microsoft Exel
a. Buka program Microsoft Exel
b. Masukkan data yang akan diuji, tentukan rangkingnya
c. Menghitung jumlah data
d. Menentukan nilai U
e. Penarikan kesimpulan
3. Menggunakan SPSS
a. Buka program SPSS. klik variable view
b. Isikan data variabel sesuai dengan data yang diperlukan
c. Selanjutnya, Isikan data pada “Data View” sesuai dengan data
yang diperoleh.
d. Kemudian pilih Analyze –Nonparametric Test – 2 independent
samples
e. Setelah itu akan muncul kotak dialog SPSS, isikan data sesuai
perintah
f. Output SPSS akan ditampilkan secara otomatis.
 D. Penyajian Data
Misalnya Tim Statistik Ceria penasaran ingin mengetahui apakah ada
perbedaaan denyut nadi pria dan denyut nadi wanita. kemudian dilakukan
penarikan sampel untuk pria dan wanita dengan melihat denyut nadi masing-
masing. Berikut hasil perhitungan masing-masing denyut nadi.
Pria : 90, 89, 82, 89, 91, 86, 85, 86, 84
Wanita : 79, 82, 85, 88, 80,80
Diketahui taraf signifikansi () = 0.05 (5%)
1. Secara manual
No Denyut Nadi Pria Denyut Nadi Wanita

1 90 79

2 89 82

3 82 85

4 89 88

5 91 85

6 86 80

7 85 80

8 86

9 84

a. Menuliskan hipotesis pengujian

H0 = Denyut nadi pria sama dengan denyut nadi wanita
H1 = Denyut nadi pria berbeda dengan denyut nadi wanita
b. Menentukan Utabel
Taraf signifikansi () = 0.05 (5%), dengan n1 = 9 dan n2 = 7 maka
diperoleh Utabel = 12

c. Menyusun kedua data hasil pengamatan menjadi satu kelompok sampel,

dan hitung peringkatnya (Ranking)
 No Denyut Nadi Rangking Jenis Kelamin

1 79 1 Wanita
2 80 2,5 Wanita
3 80 2,5 Wanita
4 82 4,5 Pria
5 82 4,5 Wanita
6 84 6 Pria
7 85 8 Pria
8 85 8 Wanita
9 85 8 Wanita
10 86 10,5 Pria
11 86 10,5 Pria
12 88 12 Wanita
13 89 13,5 Pria
14 89 13,5 Pria
15 90 15 Pria
16 91 16 Pria

Cara membuat rangking, nilai terkecil diberi angka 1 dan yang lebih
besar di beri angka 2 dan seterusnya. Jika terdapat nilai yang sama maka
digunakan nilai rata-rata, seperti nilai 80 memiliiki rangking 2 dan 3 maka
diberi rangking dengan angka , dan seterusnya.

d. Selanjutnya jumlahkan nilai rangking untuk masing-masing sampel

No Denyut Nadi Pria Ranking Denyut Nadi Wanita Ranking
1 90 15 79 1
2 89 13.5 82 4.5
3 82 4.5 85 8
4 89 13.5 88 12
5 91 16 85 8
6 86 10.5 80 2.5
7 85 8 80 2.5
 8 86 10.5
9 84 6
10 Jumlah 97.5 38.5
11 rata-rata 10.83333 5.5

e. Menentukan nilai U
=
= 9.7
= 63 +
= 10,5
=
= 9.7
= 63 +
= 52,5
Kemudian, dari kedua nilai tersebut ambil nilai U terkecil yaitu 10,5
untuk membandingkan dengan U table Mann-Whiteny. Oleh karena
nilai U statistik uji lebih kecil dari nilai U tabel Mann Whitney yaitu
10,5 < 12. Sehingga Keputusan H0 ditolak, H1 diterima. Dapat
disimpulkan bahwa ada perbedaan antara denyut nadi pria dan denyut
nadi wanita.

4. Uji Pearson product moment :

Uji korelasi Pearson. Banyak penelitian meminati

keberadaan hubungan antara 2 atau lebih variabel. Korelasi adalah
suatu ukuran hubungan linier antar variabel. Contoh, peneliti ingin
melihat apakah terdapat hubungan antara Minat Mahasiswa atas
Matakuliah Pengantar Ilmu Politik (x) dengan Minat Mahasiswa untuk
Berpolitik Praktis (y).
 Banyak penelitian meminati keberadaan hubungan antara 2 atau lebih
variabel. Korelasi adalah suatu ukuran hubungan linier antar variabel.
Contoh, peneliti ingin melihat apakah terdapat hubungan antara Minat
Mahasiswa atas Matakuliah Pengantar Ilmu Politik (x) dengan Minat
Mahasiswa untuk Berpolitik Praktis (y). Potret Indonesia

Kedua variabel tersebut, x dan y, bisa berhubungan dengan salah satu

dari 3 cara berikut:

1. Hubungan Positif. Artinya, semakin berminat seorang mahasiswa atas

Matakuliah Pengantar Ilmu Politik, semakin besar minat mereka untuk
Berpolitik Praktis.
2. Tidak Ada Hubungan. Artinya, minat mahasiswa atas matakuliah
Pengantar Ilmu Politik tetap sama kendati mereka berminat untuk
Berpolitik Praktis.
3. Hubungan Negatif. Artinya, semakin mahasiswa berminat atas
matakuliah Pengantar Ilmu Politik, semakin tidak berminat mahasiswa
untuk Berpolitik Praktis.

Cara termudah guna melihat apakah dua variabel berhubungan adalah

dengan melihat apakah mereka memiliki covarians. Pemahaman atas
covarians menuntut kita memahami konsep varians. Varians suatu
variabel mewakili rata-rata perbedaan data variabel tersebut dengan
nilai Mean-nya. Rumus varians sebagai berikut:

Mean sampel diwakili

adalah nilai yang hendak dicari dan N adalah jumlah pengamatan
(sampel). Jika kita tertarik apakah kedua variabel berhubungan, maka
kita harus melihat apakah perubahan di satu variabel disusul dengan
perubahan di variabel lainnya. Kala satu variabel menyimpang dari
Mean, maka kita bisa berharap bahwa variabel lain juga menyimpang
dari Mean-nya dengan cara serupa. Agar lebih jelas, lihat data berikut:

Jika terdapat hubungan di antara kedua variabel, maka kala satu

variabel menyimpang dari Mean diikuti penyimpangan yang sama oleh
variabel lainnya, baik searah atau berlawanan. Rumus covarians
sebagai berikut:

Menghitung covarians adalah cara yang baik guna menilai apakah 2

variabel punya hubungan. Jika nilai covarians positif maka kala satu
variabel menyimpang dari Mean diikuti oleh penyimpangan pada
variabel lain secara searah. Jika nilai covarians negatif maka kala satu
variabel menyimpang dari Mean diikuti oleh penyimpangan variabel
lain secara berlawanan. Namun, covarians ini bukan uji standar guna
menentukan hubungan.

Standardisasi
Masalah uji standar bagi hubungan antar variabel diselesaikan lewat
konversi. Artinya, covarians dikonversikan ke dalam unit yang lebih
standar. Proses ini dinamakan standardisasi. Dalam kajian statistik,
ukuran standar ini adalah Standar Deviasi. Jika kita membagi setiap
penyimpangan nilai observasi terhadap Mean dengan Standar Deviasi,
maka kita akan mendapat jarak dalam satuan Standar Deviasi.

Singkatnya, jika kita ingin mengekspresikan covarians ke dalam unit

standar pengukuran, kita tinggal membaginya dengan Standar Deviasi.
Dengan demikian jika terdapat 2 variabel, maka akan terdapat 2
Standar Deviasi. Kini, kala kita hendak menghitung covarians,
sesungguhnya kita menghitung 2 penyimpangan lalu mengkalikan
mereka. Lalu, kita melakukannya secara sama terhadap Standar
Deviasi. Kita mengkalikan mereka dan membaginya dengan hasil
perkalian ini. Covarians yang sudah distandardisasi dinamakan
Koefisien Korelasi. Rumusnya sebagai berikut:

Rumus di atas dikenal dengan nama korelasi Pearson Product-Moment

atau Pearson Correlation Coefficient dan ditemukan oleh Karl
Pearson.

Jenis lain uji korelasi yang populer digunakan adalah Spearman Rank
Correlation (rho). Uji statistik korelasi ini banyak digunakan untuk
statistik nonparametrik yang datanya tidak berdistribusi normal dan
diukur menggunakan skala ordinal. Tulisan ini hanya akan membahas
uji korelasi Pearson Product Moment.

Pearson Product Moment

Adapun rumus Pearson Product Moment (r) adalah sebagai berikut di

bawah ini:
Lihat tabel di bawah ini dalam perhitungan korelasi Pearson:

Cara melakukan perhitungan manual untuk uji korelasi di atas adalah

sebagai berikut

Asumsi Uji Korelasi

Sebelum diimplementasi, uji Korelasi terlebih dulu harus memenuhi

serangkaian asumsi. Asumsi-asumsi uji Korelasi adalah:
1. Normalitas. Artinya, sebaran variabel-variabel yang hendak
dikorelasikan harus berdistribusi normal.
2. Linearitas. Artinya hubungan antara dua variabel harus linier. Misalnya
ditunjukkan lewat straight-line.
3. Ordinal. Artinya, variabel harus diukur dengan minimal skala Ordinal.
4. Homoskedastisitas. Artinya, variabilitas skor di variabel Y harus tetap
konstan di semua nilai variabel X.

Cara Uji Asumsi Korelasi dengan SPSS

1. Normalitas

Uji Normalitas bisa dilakukan dengan teknik Kolmogorov-Smirnov.

Data yang normal adalah Sig. Kolmogorov-Smirnov hitung > Sig.
Penelitian (0,05). Cara melakukan uji normalitas dengan SPSS adalah:

1. Klik Analyze --> Nonparametric Tests --> 1-Sample K-S.

2. Pada jendela One-Sample Kolmogorov-Smirnov Test, masukkan
variabel x1, x2, x3, x4, dan y ke kota Test Variable List.
3. Pastikan sudah terceklis Normal pada Test Distribution.
4. Klik OK.
5. Linieritas. Linieritas terlihat apabila skor variabel X meningkat, skor
variabel Y juga meningkat. Plot-plot data cenderung mengikuti garis
diagonal Z yang menaik. Uji asumsi dengan SPSS sangatlah mudah,
caranya adalah:
6. Klik Graphs --> Scatter/Dot...
7. Klik icon Simple Scatter
8. Klik Define untuk membuka jendela Simple Scatter plot.
9. Masukkan variabel Y ke Y Axis ---> Masukkan variabel X ke X Axis.
10. Klik Options --> Ceklis Exclude cases listwise.
11. Klik Continue
12. Klik OK.
 2. Ordinal.

Masih terdapat sejumlah perdebatan diantara para ahli apakah skala

sikap (misal: sangat setuju, setuju, agak setuju, kurang setuju, tidak
setuju, sangat tidak setuju) masuk kategori ordinal atau interval. Juga,
uji Pearson apakah layak ditimpakan pada skala Interval dan Rasio
ataukah minimal Ordinal bisa menggunakannya.

Robert Ho menyatakan bahwa skala Ordinal pun layak ditimpakan uji

korelasi Pearson. Mengenai apakah skala sikap masuk ke dalam
kategori skala Ordinal atau Interval, Donald P. Schwab menjawab
bahwa skala sikap boleh dimasukkan ke dalam skala Interval. Atau,
jika tidak bisa, sekurangnya “mendekati Interval.” Schwab
memutuskan, dengan demikian uji-uji statistik yang diperuntukkan
bagi skala Interval bisa ditimpakan kepada yang “mendekati interval”
tersebut.

3. Homoskedastisitas.

Dalam menguji asumsi Homoskedastisitas dilakukan secara grafis.

Dengan SPSS hal ini sangat mudah. Caranya adalah sebagai berikut:

Caranya dengan melihat grafik persilangan SRESID dengan ZPRED

pada output hasil SPSS. Caranya sebagai berikut:

1. Klik Analyze --> Regression --> Linear

2. Masukkan variabel y ke Dependent.
3. Masukkan variabel-variabel x ke Independent(s)
4. Klik Plot.
5. Isikan SRESID pada y-axis dan ZPRED pada x-axis.
6. Klik Continue.
7. Saksikan hasilnya pada Output SPSS.

Perhatikan grafik scatterplot. Ingat, Homoskedastisitas terjadi jika

varians dari residual satu pengamatan ke pengamatan lain tetap atau
sama. Heteroskedastisitas terjadi jika varians dari residual satu
pengamatan ke pengamatan lain tidak sama atau tidak tetap.

Homoskedastisitas terjadi jika tidak terdapat pola tertentu yang jelas,

serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu X.
Heteroskedastisitas terjadi jika terdapat titik-titik memili pola tertentu
yang teratur seperti bergelombang, melebar kemudian menyempit.

Uji Korelasi Pearson dengan SPSS

Melakukan uji Korelasi Pearson untuk mencari nilai r dengan SPSS

sangatlah mudah. Caranya sebagai berikut:

1. Klik Analyze --> Correlate --> Bivariate

2. Klik Masukkan variabel x1, x2, x3, dan y ke kotak Variables.
3. Pada bagian Correlation Coefficients, ceklis Pearson.
4. Pada bagian Test of Significance, ceklis Two-tailed.
5. Klik Options --> Ceklis Means and standard deviations --> Ceklis
Exclude cases pairwise.
6. Klik Continue.
7. Klik OK.
8. Saksikan hasilnya pada Output SPSS.

Contoh Output Hasil SPSS sebagai berikut:

 Hipotesis penelitian adalah:

Interpretasi Hasil Uji Korelasi

Penelitian (contoh) hendak menguji apakah terdapat hubungan antara

Budaya Organisasi (x1) dan Iklim Organisasi (x2) dengan Kepuasan
Kerja (y). Hasil uji statistik menggunakan Pearson Product Moment
(sudah tertera di atas). Bagaimana melakukan penafsiran?

Korelasi. Jika suatu hubungan tidak sama dengan 0, maka dapat

dikatakan terjadi hubungan. Perhatikan baris-baris Pearson
Correlation, di mana dihasilkan hasil-hasil berikut:

1. Budaya Organisasi berhubungan secara positif dengan Kepuasan Kerja

sebesar 0,451 (r = 0,451).
2. Iklim Organisasi berhubungan secara positif dengan Kepuasan Kerja
sebesar 0,838 (r = 0,838).
 Dengan demikian, terdapat hubungan antara variabel x1 dan x2 dengan
y. Hipotesis-hipotesis 0 di atas, sebab itu, ditolak.

Signifikansi. Signifikansi bisa ditentukan lewat baris Sig. (2-tailed).

Jika nilai Sig. (2-tailed) < 0,05, maka hubungan yang terdapat pada r
dianggap signifikan. Hasil uji signifikansi (di atas) adalah:

 Nilai r hubungan Budaya Organisasi dengan Kepuasan Kerja adalah

0,000. Artinya, 0,000 < 0,05 dan dengan demikian korelasi antara
kedua variabel signifikan.
 Nilai r hubungan Iklim Organisasi dengan Kepuasan Kerja adalah
0,000. Artinya, 0,000 < 0,05 dan dengan demikian korelasi antara
kedua variabel signifikan.

Interval Kekuatan. Sejumlah penulis statistik membuat interval

kategorisasi kekuatan hubungan korelasi. Jonathan Sarwono, misalnya,
membuat interval kekuatan hubungan sebagai berikut:

Atau penulis lain seperti D.A de Vaus menginterpretasikannya sebagai

berikut:
 Untuk korelasi negatif (-) interpretasi adalah sama.

Koefisien Determinasi. Koefisien Determinasi digunakan untuk

menafsirkan skor korelasi Pearson (r). Caranya dengan
mengkuadratkan nilai r tersebut. Nilai r harus dikuadratkan karena ia
bukan berada dalam skala Rasio. Akibatnya, kita tidak bisa melakukan
operasi aritmetika (kurang, bagi, kali, tambah) terhadap nilai r tersebut.
Guna mencari nilai Koefisien Determinasi, dilakukan langkah berikut:

 Nilai r Budaya Organisasi – Kepuasan Kerja = 0,451 x 0,451 = 0,2034.

Kalikan nilai ini dengan 100% maka 0,2034 x 100% = 20,34%.
 Nilai r Iklim Organisasi – Kepuasan Kerja = 0,838 x 0,838 = 0,7022.
Kalikan nilai ini dengan 100% maka 0,7022 x 100% = 70,22.

Penafsiran Koefisien Determinasi adalah:

Sebesar 20,34% varians Kepuasan Kerja dapat dijelaskan oleh Budaya

Organisasi. Sebesar 70,22% varians Kepuasan Kerja dapat dijelaskan
oleh Iklim Organisasi.

5. Uji Willcoxon

Uji wilcoxon digunakan untuk menganalisis hasil-hasil pengamatan yang berpasangan dari
dua data apakah berbeda atau tidak. Wilcoxon signed Rank test ini digunakan hanya untuk
data bertipe interval atau ratio, namun datanya tidak mengikuti distribusi normal.
Uji hipotesis :
H0 : d = 0 (tidak ada perbedaan diantara dua perlakuan yang diberikan)
H1 : d ≠ 0 (ada perbedaan diantara dua perlakuan yang diberikan )
Dengan d menunjukkan selisih nilai antara kedua perlakuan.
Statistik uji
 Dimana :
N = banyak data yang berubah setelah diberi perlakuan berbeda
T = jumlah renking dari nilai selisih yng negative (apabila banyaknya selisih yang positif
lebih banyak dari banyaknya selisih negatif)
= jumlah ranking dari nilai selisih yang positif (apabila banyaknya selisih yang negatif >
banyaknya selisih yang positif)
Daerah kritis
H0 ditolak jika nilai absolute dari Z hitung diatas > nilai Z 2 / α
Pada perangkat SPSS, kita dapat melakukan langkah-langkah berikut ini untuk melakukan uji
tersebut.
Klik Analyze –> Nonparametric Test –>2 Related samples
muncul kotak dialaog:

Dan aktifkan
wilcoxon pada Test Type
(lebih lanjut akan dijelaskan pada contoh soal)
Contoh Soal:
Universitas Gadjah Mada setiap tahunnya menerima Mahasiswa Baru melalui jalur-jalur
khusus misalnya PBOS dan PBUPD. Guna mengetahui kualitas mahasiswa yang telah diterima
melalui jalur tersebut, dilakukan tes Matrikulasi. Dan pihak pelaksana melakukan dua kali ujian
yaitu sebelum program matrikulasi dilakukan dan setelahnya untuk mengetahui keefektifan
program tersebut. Dan untuk itu diambil sampel sebanyak 15 orang dari kelompok IPA untuk
mata ujian FISIKA, dan diperoleh data:
Peserta 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Sebelum 67 54 67 55 87 60 70 45 54 66 73 88 80 65 75
Sesudah 66 75 80 60 78 89 65 70 68 75 74 85 89 90 75
Analisisnya dalam SPSS adalah sebagai berikut:
1.Inputkan data seperti tampak di bawah ini:

Klik Analyze –> Nonparametric Test –

> 2 Related samples
Aktifkan Wilcoxon dan masukan variabel yang akan diuji sebagaimana tampak pada
kotak dialog:
Klik OK dan outputnya :

Dari output
tersebut diperoleh:

1. Negative Ranks atau selisih antara variabel sebelum dan sesudah yang negatif
sebanyak 4 observasi atau dengan kata lain terdapat 4 observasi pada variabel sesudah
yang kurang dari observasi pada variabel sebelum. Dan rata-rata rangkingnya = 4
dengan jumlah rangking negatif = 16
2. Positive Ranks atau selisih variabel sebelum dan sesudah yang positif sebanyak 10
observasi atau denga kata lain terdapat 10 observasi pada variabel sesudah yang lebih
dari observasi pad avariabel sebelum dengan rata-rata rangkingnya = 8,90 dan jumlah
rangking positif = 89.
3. Ties atau tidak ada perbedaan antara variabel sebelim dan sesudah sebanyak 1
observasi.
Oleh karena jumah rangking negatif lebih kecil dibanding rangking positif maka nilai
T yang digunakan adalah jumlah rangking yang negatif.
Selanjutnya dilakukan uji hipotesis:
H0 : d = 0 (tidak ada perbedaan nilai tes sebelum matrikulasi dan sesudah matrikulasi)
H1 : d ≠ 0 (ada perbedaan diantara nilai tes sebelum matrikulasi dan sesudah matrikulasi )
Tingkat signifikansi α =0,05
Statistik Uji
Untuk nilai statistik uji, tinjau tabel output berikut:

dari tabel diperoleh nilai asymp sig

= 0,022
Daerah kritis
H0 ditolak jika nilai asymp sig < nilai α
Kesimpulan
Oleh karena nilai asymp sig = 0,022 < α =0,05 maka Ho ditolak yang berarti bahwa ada
perbedaan nilai Fisika calon mahasiswa sebelum dan sesudah mengikuti program matrikulasi.

Uji independent t
Uji ini digunakan untuk mengetahui ada atau tidaknya perbedaan rata-rata antara dua
kelompok sampel yang tidak berhubungan. Jika ada perbedaan, rata-rata manakah yang
lebih tinggi. Data yang digunakan biasanya berskala interval atau rasio.
Contoh kasus:
Seorang mahasiswa dalam penelitiannya ingin mengetahui apakah ada perbedaan nilai
ujian antara kelas A dan kelas B pada fakultas Psikologi suatu universitas. Penelitian
dengan menggunakan sampel sebanyak 20 responden yang diambil dari kelas A dan
kelas B. Dalam uji ini jumlah kelompok responden yang diambil tidak harus sama,
misalnya kelas A sebanyak 8 orang dan kelas B sebanyak 12 orang. Data-data yang
didapat sebagai berikut:
 Tabel. Tabulasi Data (Data Fiktif)
No Nilai Ujian Kelas
1 32 Kelas A
2 35 Kelas A
3 41 Kelas A
4 39 Kelas A
5 45 Kelas A
6 43 Kelas A
7 42 Kelas A
8 47 Kelas A
9 42 Kelas A
10 37 Kelas A
11 35 Kelas B
12 36 Kelas B
13 30 Kelas B
14 28 Kelas B
15 26 Kelas B
16 27 Kelas B
17 32 Kelas B
18 35 Kelas B
19 38 Kelas B
20 41 Kelas B

Langkah-langkah pada program SPSS

Ø Masuk program SPSS
Ø Klik variable view pada SPSS data editor
Ø Pada kolom Name ketik nilaiujn, dan kolom Name pada baris kedua ketik kelas.
Ø Pada kolom Decimals, ubah nilai menjadi 0 untuk semua variabel.
Ø Pada kolom Label, untuk kolom pada baris pertama ketik Nilai Ujian, untuk kolom
pada baris kedua ketik Kelas.
Ø Pada kolom Values, untuk kolom pada baris pertama biarkan kosong (None). Untuk
kolom pada baris kedua klik pada kotak kecil, pada value ketik 1, pada Value Label
ketik kelas A, lalu klik Add. Langkah selanjutnya pada Value ketik 2, pada Value Label
ketik kelas B, lalu klik Add. Kemudian klik OK.
Ø Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
Ø Buka data view pada SPSS data editor, maka didapat kolom variabel nilaiujn dan
kelas.
Ø Ketikkan data sesuai dengan variabelnya (pada variabel kelas ketik dengan angka 1
dan 2 (1 menunjukkan kelas A dan 2 menunjukkan kelas B)
Ø Klik Analyze - Compare Means - Independent Sample T Test
Ø Klik variabel Nilai Ujian dan masukkan ke kotak Test Variable, kemudian klik
variabel Kelas dan masukkan ke kotak Grouping Variable, kemudia klik Define
Groups, pada Group 1 ketik 1 dan pada Group 2 ketik 2, lalu klik Continue.
Ø Klik OK, maka hasil output yang didapat adalah sebagai berikut:

Tabel. Hasil Independent Sample T Test

Keterangan: Tabel di atas telah dirubah kedalam bentuk baris (double klik pada output
independen sample t test, kemudian pada menu bar klik pivot, kemudian klik Transpose
Rows and Columns)
Sebelum dilakukan uji t test sebelumnya dilakukan uji kesamaan varian (homogenitas)
dengan F test (Levene,s Test), artinya jika varian sama maka uji t menggunakan Equal
Variance Assumed (diasumsikan varian sama) dan jika varian berbeda menggunakan
Equal Variance Not Assumed (diasumsikan varian berbeda).
Langkah-langkah uji F sebagai berikut:
1. Menentukan Hipotesis
Ho : Kedua varian adalah sama (varian kelompok kelas A dan kelas B adalah sama)
Ha : Kedua varian adalah berbeda (varian kelompok kelas A dan kelas adalah berbeda).
2. Kriteria Pengujian (berdasar probabilitas / signifikansi)
Ho diterima jika P value > 0,05
Ho ditolak jika P value < 0,05
3. Membandingkan probabilitas / signifikansi
Nilai P value (0,613 > 0,05) maka Ho diterima.
4. Kesimpulan
Oleh karena nilai probabilitas (signifikansi) dengan equal variance assumed
(diasumsikan kedua varian sama) adalah 0,603 lebih besar dari 0,05 maka Ho diterima,
jadi dapat disimpulkan bahwa kedua varian sama (varian kelompok kelas A dan kelas
B adalah sama). Dengan ini penggunaan uji t menggunakan equal variance assumed
(diasumsikan kedua varian sama).

Pengujian independen sample t test

Langkah-langkah pengujian sebagai berikut:
1. Menentukan Hipotesis
Ho : Tidak ada perbedaan antara rata-rata nilai ujian kelas A dengan rata-rata nilai
ujian kelas B
Ha : Ada perbedaan antara rata-rata nilai ujian kelas A dengan rata-rata nilai ujian
kelas B
2. Menentukan tingkat signifikansi
Pengujian menggunakan uji dua sisi dengan tingkat signifikansi  = 5%.
Tingkat signifikansi dalam hal ini berarti kita mengambil risiko salah dalam mengambil
keputusan untuk menolak hipotesis yang benar sebanyak-banyaknya 5% (signifikansi
5% atau 0,05 adalah ukuran standar yang sering digunakan dalam penelitian)
3. Menentukan t hitung
Dari tabel di atas didapat nilai t hitung (equal variance assumed) adalah 3,490
4. Menentukan t tabel
Tabel distribusi t dicari pada  = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat kebebasan
(df) n-2 atau 20-2 = 18. Dengan pengujian 2 sisi (signifikansi = 0,025) hasil diperoleh
untuk t tabel sebesar 2,101 (Lihat pada lampiran) atau dapat dicari di Ms Excel dengan
cara pada cell kosong ketik =tinv(0.05,18) lalu enter.
5. Kriteria Pengujian
Ho diterima jika -t tabel < t hitung < t tabel
Ho ditolak jika -t hitung < -t tabel atau t hitung > t tabel
Berdasar probabilitas:
Ho diterima jika P value > 0,05
Ho ditolak jika P value < 0,05
6. Membandingkan t hitung dengan t tabel dan probabilitas
Nilai t hitung > t tabel (3,490 > 2,101) dan P value (0,003 < 0,05) maka Ho ditolak.
7. Kesimpulan
Oleh karena nilai t hitung > t tabel (3,490 > 2,101) dan P value (0,003 < 0,05) maka Ho
ditolak, artinya bahwa ada perbedaan antara rata-rata nilai ujian kelas A dengan rata-
rata nilai ujian kelas B. Pada tabel Group Statistics terlihat rata-rata (mean) untuk kelas
A adalah 40,30 dan untuk kelas B adalah 32,80, artinya bahwa rata-rata nilai ujian kelas
A lebih tinggi daripada rata-rata nilai ujian kelas B.
Nilai t hitung positif, berarti rata-rata group1 (kelas A) lebih tinggi daripada group2
(kelas B) dan sebaliknya jika t hitung negatif berarti rata-rata group1 (kelas A) lebih
rendah dari pada rata-rata group2 (kelas B)
Perbedaan rata-rata (mean diference) sebesar 7,50 (40,30-32,80), dan perbedaan
berkisar antara 2,98 sampai 12,02 (lihat pada lower dan upper).
1. Pengujian hipotesis untuk riset koralesional
a. Pearson Product Moment
b. Spearman Rank
c. Kendall Rank
d. Point-Biserial
e. Point serial
f. Koefisien Kontingensi
2. Pengujian hipotesis untuk riset komparatif
a. Independence Sample Test
b. Paired Sample t-test
c. Anava
d. Mann Whitney U test
e. Wilcoxon Sign Rank Test
f. Anava Ranking Friedman