Statistik
Statistik
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”.
Pada artikel ini, akan fokus pada rumus untuk tabel kontingensi lebih dari 2 x
2, yaitu rumus yang digunakan adalah “Pearson Chi-Square”.
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).
Keterangan :
df = (b-1) (k-1)
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
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.
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 :
Keterangan :
n : jumlah sampel
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.
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
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.
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.
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.
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.
1. Normalitas
3. Homoskedastisitas.
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:
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:
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
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).