Analisis Data Statistik Berbasis IT

“Contoh Kasus Uji Wilcoxon, Uji One Sample T-Test

dan Uji Anova Dua Jalur”

DOSEN PEMANGKU
Astri Wahyuni, M.Pd

OLEH:
MKP 6C

PROGRAM STUDI PENDIDIKAN MATEMATIKA

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS ISLAM RIAU
2019
 Contoh Kasus dalam Uji Wilcoxon

Peneliti ingin mengetahui apakah terdapat “Pengaruh Penggunaan Metode

Pembelajaran Kelompok terhadap Hasil Belajar matematika pada siswa SMP kelas 8A”.
untuk kebutuhan data, peneliti melakukan penilaian atas hasil belajar siswa sebelum (pre-test)
dan sesudah (post test). Metode pembelajaran kelompok diterapkan di kelas tersebut. Maka
diperoleh data penelitian sebagai berikut.

Tabel 1. Hasil Belajar Matematika

Siswa SMP Kelas 8A

Hasil Belajar
NO Matematika
Pre-test Post-test
1 56 87
2 72 92
3 67 87
4 58 82
5 70 89
6 68 86
7 76 90
8 70 86
9 69 80
10 58 85
11 65 90
12 70 83
13 75 80
14 67 87
15 72 82
16 74 80
17 76 83
18 68 82
19 62 89
20 70 85
21 61 92
22 77 85
Pengambilan Hipotesis

H0 : Tidak ada perbedaan hasil belajar pre-test dan post-test

Ha : Ada perbedaan hasil belajar pre-test dan post-test

Catatan:

Awalnya peneliti menggunakan analisis statistic parametric dengan uji paired sample t test
untuk uji hipotesis diatas, namun karena data penelitian tersebut tidak berdistribusi normal
maka peneliti menggunakan alternative lain yakni dengan uji Wilcoxon.

Langkah-langkah melakukan uji Wilcoxon dengan SPSS

1. Buka program SPSS

2. Klik Variabel View, pada tampilan ini kita akan memberikan nama dan kelengkapan
untuk variabel penelitian dengan ketentuan:
Variabel pertama “pre-test”, maka isikan:
Name : ketik Pre
Type : Numeric
Widht : pilih 8
Decimal : pilih 0
Label : ketik Pre test
Value : pilih none
Missing : pilih none
Columns : pilih 8
Measure : pilih Scale
Variabel kedua “post-test”, maka isikan:
Name : ketik Post
Type : Numeric
Widht : pilih 8
Decimal : pilih 0
Label : ketik Post test
Value : pilih none
Missing : pilih none
Columns : pilih 8
Measure : pilih Scale
 Gambar 1. Tampilan Variabel View

3. Setelah penamaan variabel dibuat, langkah selanjutnya klik Data View, lalu isikan
data penelitian di atas, sehingga tampilan sebagai berikut:

Gambar 2. Tampilan Data View

4. Langkah berikutnya klik menu Analyze lalu pilih Nonparametric test kemudian pilih
legacy dialog lalu pilih 2 related samples.
 Gambar 3. Tampilan Menu Analyze

5. Maka dilayar akan muncul kotak dialog “Two-Related Sample Test”, selanjutnya
masukkan variabel pre-test (pre) dan post test (post) ke kotak test pairs secara
bersamaan kemudian pada bagian “Test Type” berikan tanda centang pada pilihan
Wilcoxon lalu klik OK.
 Gambar 4. Tampilan menu Two Related Samples Test

6. Maka akan muncul output “Wilcoxon Signed Ranks Test”

Gambar 5. Tampilan Output

Interpretasi Output Uji Wilcoxon

Output Pertama “Ranks”

1. Negative Ranks atau selisih (negatif) antara hasil belajar matematika untuk pre-test dan
post test adalah 0, baik itu pada nilai N, Mean Rank, maupun Sum Rank. Nilai 0 ini
menunjukkan tidak adanya penurunan (pengurangan) dari nilai pre-test ke nilai post test.
2. Positive Ranks atau selisih (positif) antara hasil belajar matematika untuk pre test dan
post test. Disini terdapat 22 data positif (N), yang artinya ke 22 siswa mengalami
peningkatan hasil belajar dari nilai pre-test ke nilai post test. Mean Rank atau rata-rata
peningkatan tersebut adalah sebesar 11,50 sedangkan jumlah rangkaian positif atau Sum
of Rank adalah sebesar 253,00.
3. Ties adalah kesamaan nilai pre-test dan post-test, disini nilai Ties adalah 0, sehingga
dapat dikatakan bahwa tidak ada nilai yang sama antara pre-test dan post test.

Uji Hipotesis Wilcoxon

Dalam uji hipotesis kita menggunakan output SPSS yang kedua yakni output “Test
Statistics”. Namun sebelum kita masukkan pada analisis terhadap hasil output di atas maka
terlebih dahulu kita ketahui dasar pengambil keputusan yang digunakan dalam uji Wilcoxon
untuk kita jadikan pegangan atau pedoman.

Dasar pengambilan keputusan dalam uji Wilcoxon

1. Jika nilai Asymp.Sig.(2-tailed) lebih kecil dari < 0,05 maka Ha diterima
2. Sebaliknya jika nilai Asymp.Sign.(2-tailed) lebih besar dari > 0,005 maka Ha ditolak.

Berdasarkan output “Test Statistics” di atas, diketahui Asymp.Sign.(2-tailed) bernilai 0,000.

Karena nilai 0,000 lebih kecil dari < 0,05 maka dapat disimpulkan bahwa “H a diterima”.
Artinya ada perbedaan antara hasil belajar matematika untuk pre-test dan post-tes, sehingga
dapat disimpulkan bahwa “ada pengaruh penggunaan metode pembelajaran kelompok
terhadap hasil belajar matematika pada siswa SMP kelas 8A”.
 Contoh Kasus dalam Uji One Sample T-Test

Seorang peneliti membuat dugaan yang menyatakan bahwa “Nilai rata-rata hasil
belajar siswa yang aktif di OSIS adalah sama dengan 75”. Untuk membuktikan hal tersebut,
peneliti memilih secara random/acak 12 orang siswa yang aktif di OSIS. Adapun nilai rata-
rata hasil belajar 12 siswa tersebut adalah sebagai berikut:

Tabel 2. Rata-Rata Hasil Belajar

Rata-Rata
NO.
Hasil Belajar
1 78,3
2 74,7
3 80,5
4 83,5
5 75
6 77,6
7 73,5
8 83,5
9 78,5
10 73,7
11 81,5
12 77
Langkah-langkah uji One Sample T-Test dengan SPSS:

1. Buka program SPSS, kemudian klik variabel view, selanjutnya isikan nama variabel
dan ketentuan lainnya sebagaimana pedoman dibawah ini.
Name : Hasil
Type : Numeric
Width :8
Desimals :2
Label : Hasil Belajar
Values : None
Missing : None
Columns :8
Align : Right
Measure : Scale
Role : Input

Gambar 6. Tampilan Variabel View Uji One Sample T-Test

2. Selanjutnya, klik data view kemudian masukkan data nilai rata-rata hasil belajar ke-
12 siswa di atas ke kolom hasil.
 Gambar 7. Tampilan Input Data pada Uji One Sample T-Test

3. Langkah pertama kita melakukan uji normalitas terlebih dahulu, caranya klik
Analyze-Descriptive Statistics-Explore.

Gambar 8. Tampilan Menu Analyze pada Uji One Sample T-test

4. Muncul kotak dialog “Explore” kemudian masukkan variabel hasil belajar [hasil] ke
kotak Dependent List, lalu klik Plots.
 Gambar 9. Tampilan Kotak Dialog Explore pada Uji One Sample T-test

5. Muncul kotak dialog “Explore: Plots”, lalu berikan tanda centang (v) pada
Normality Plot With Tests, kemudian klik Continue dan Ok.

Gambar 10. Tampilan Kotak Dialog Explore: Plots pada Uji One Sample T-test

6. Perhatikan pada output “Test of Normality”

 Gambar 11. Tampilan Output Test Normality

Keputusan uji normalitas: berdasarkan output diatas diperoleh nilai Shapiro-Wilk Sig.
sebesar 0,368 > 0,05 sehingga dapat disimpulkan bahwa data hasil belajar siswa yang
aktif berdistribusi normal. dengan demikian asumsi normalitas dalam uji one sample
T-test sudah terpenuhi.

7. Selanjutnya kita akan melakukan uji one sample t-test. Caranya klik menu Analyze-
Compare Means-One Sample T-Test.
 Gambar 12. Tampilan Menu One Sample T-test

8. Maka muncul kotak dialog “one sample t-test”, selanjutnya masukkan variabel hasil
belajar [hasil] ke kotak test variabel(s), pada bagian test value ketikkan 75 [sebab
peneliti ingin membandingkan nilai rata-rata hasil belajar siswa dengan nilai 75].

Gambar 13. Tampilan Kotak Dialog One Sample T-test

9. Terakhir klik ok. Maka akan muncul output t-test.

 Gambar 14. Tampilan Output Uji One Sample T-test

Interpretasi Output SPSS Uji One Sample T-Test

Output pertama [One Sample Statistics]

Tabel one sample statistics diatas menunjukkan nilai statistic deskriptif, yaitu n=12 artinya
jumlah sample yang dipakai adalah 12 orang. Mean=78,1083 artinya nilai rata-rata hitung
adalah 78,1083. Std. deviation atau simpangan baku adalah sebesar 3,55463 dan std. error
mean adalah sebesar 1,02613.

Output kedua [One Sample Test]

Berdasarkan one sample test diatas diketahui nilai t (t hitung) adalah sebesar 3,029. Nilai df
(degree of freedom) atau derajat kebebasan adalah 11. Nilai sig. (2-tailed) atau nilai
signifikansi dengan uji 2 sisi adalah sebesar 0,011.

Rumusan hipotesis dalan uji one sample t-test

H0: nilai rata-rata hasil belajar siswa yang aktif di OSIS sama dengan 75.

Ha: nilai rata-rata hasil belajar siswa yang aktif di OSIS tidak sama dengan 75.

Dasar pengambilan keputusan uji one sample t test:

1. Jika nilai sig. (2-tailed) < 0,05 , maka H0 ditolak.

2. Jika nilai sig. (2-tailed) > 0,05 , maka H0 diterima.

Berdasarkan output tabel “one sample test” diatas ketahui nilai t hitung sebesar 3,029. Rumus
mencari t tabel (uji dua sisi; df) = (0,025;11) kemudian lihat pada distribusi nilai t tabel
statistic, maka ketemu nilai tabel sebesar 2,201.
Karena t hitung 3,209 > t tabel 2,201 , maka H 0 ditolak dan Ha diterima. Sehingga dapat
disimpulkan bahwa nilai rata-rata hasil belajar siswa yang aktif di OSIS tidak sama dengan
nilai 75.
 Contoh Kasus Anova Dua Jalur

Seorang peneliti ingin melakukan penelitian terhadap siswa/i SMA N X Pekanbaru.

Peneliti ingin menguji apakah terdapat perbedaan hasil belajar siswa/i berdasarkan jenis
kelamin dan pekerjaan orang tua masing-masing siswa/i. Dengan pengelompokan faktor jenis
kelamin ada 2 yaitu “Pria” dan “Wanita”. Sedangkan faktor pengelompokan pekerjaan orang
tua terdiri dari 3 yaitu “Wiraswasta”, “PNS”, “Swasta”.

(Ket : Data sudah berdistribusi secara normal)

Peneliti menggunakan pengujian Two Way ANOVA dengan taraf signifikansi (α=
5%) untuk menguji hipotesis di bawah ini:

i. Hipotesis interaksi antara jenis kelamin siswa/i dengan pekerjaan orang tua terhadap
hasil belajar siswa/i
H0 = Tidak terdapat interaksi antara jenis kelamin siswa/i dengan pekerjaan orang tua
terhadap hasil belajar siswa/i
H1 = Terdapat interaksi antara jenis kelamin siswa/i dengan pekerjaan orang tua
terhadap hasil belajar siswa/i
ii. Hipotesis perbedaan hasil belajar siswa/i berdasarkan jenis kelamin
H0 = Tidak terdapat perbedaan hasil belajar siswa/i yang signifikan berdasarkan jenis
kelamin
H1 = Terdapat perbedaan hasil belajar siswa/i yang signifikan berdasarkan jenis
kelamin
iii. Hipotesis perbedaan hasil belajar siswa/i berdasarkan pekerjaan orang tua
H0 = Tidak terdapat perbedaan hasil belajar siswa/i yang signifikan berdasarkan
pekerjaan orang tua
H1 = Terdapat perbedaan hasil belajar siswa/i yang signifikan berdasarkan pekerjaan
orang tua

Langkah-langkah pengujian hipotesis menggunakan IBM SPSS 25.0 :

1. Buka aplikasi SPSS kemudian akan muncul seperti gambar di bawah,

Gambar 15. Tampilan SPSS

2. Kemudian isi Variable View seperti gambar di bawah,

Gambar 16. Tampilan Variable View

3. Kemudian pada Variable ke 1 ketik:

Name : Jenis_Kelamin

Type : Numeric

Width :8

Decimals : 0
 Label :Jenis Kelamin

Values : “1” untuk “Pria”

“2” untuk “Wanita”

Gambar 17. Tampilan Variable ke 1 pada Uji Anova Dua Jalur

Missing : None

Columns :8

Align : Right

Measure : Nominal

4. Pada Variable ke 2 ketik:

Name : Pekerjaan_Orang_tua

Type : Numeric

Width :8

Decimals : 0

Label : Pekerjaan Orang Tua

Values : “1” untuk “Wiraswasta”

“2” untuk “PNS”

 “3” untuk “Swasta”

Gambar 18. Tampilan Variable ke 2 pada Uji Anova Dua Jalur

Missing : None

Columns :8

Align : Right

Measure : Nominal

5. Pada Variable ke 3 ketik:

Name : Hasil_Ujian

Type : Numeric

Width :8

Decimals : 0

Label : Pekerjaan Orang Tua

Values : None

Missing : None

Columns :8
 Align : Right

Measure : Scale

Gambar 19. Tampilan Variable ke 3 pada Uji Anova Dua Jalur

6. Kemudian klik Data View untuk mengisi data. Lalu isi data seperti gambar di bawah,

Gambar 20. Tampilan Data View

7. Kemudian pilih Analyze General Linear Model Univariate,
 Gambar 21. Tampilan Menu Analyze pada Uji Anova Dua Jalur

8. Kemudian pindahkan hasil ujian ke kotak Dependent Variable,

Gambar 22. Tampilan Kotak Dialog Univariate pada Uji Anova Dua Jalur

9. Klik Plot, pindahkan jenis kelamin ke kolom Horizontal Axia dan pekerjaan orang tua
pindahkan ke kolom Separate Lines setelah itu klik Add,
 Gambar 23. Tampilan Kotak Dialog Univariate Profile Plots

10. Setelah klik Add, maka akan muncul,

Gambar 24. Tampilan Univariate Profile Plots

11. Klik Continue …

12. Klik Post Hoc, masukkan pekerjaan ke kotak Post Hoc Test For, lalu centang Tukey,
 Gambar 25. Tampilan Kotak Post Hoc

13. Klik Continue …

14. Klik Options, pindahkan jenis kelamin, pekerjaan orang tua dan jenis kelamin. Pekerjaan
orang tua ke dalam kolom Display Means for. Kemudian centang pada Descriptive
Statistics dan Homogeneity Tests. Lalu klik Continue . . .

Gambar 26. Tampilan Univariate Options

15. Lalu klik OK.

16. Maka akan muncul Output sebagai berikut:

 Gambar 27. Tampilan Output Univariate Analysis of Varians

Gambar 28. Tampilan Output Univariate Analysis of Varians (2)

Gambar 29. Tampilan Output Univariate Analysis of Varians (3)

Gambar 30. Tampilan Output Post Hoc Test

 Gambar 31. Tampilan Output Homogeneous Subsets

Gambar 32. Tampilan Output Profile Plots

Kesimpulan :

a. Analisis uji homogenitas

Berdasarkan output, pada tabel Levene diketahui nilai Sig. = 0,480 > 0.05. Sehingga
dapat disimpulkan bahwa Hasil Belajar (pada Hasil Ujian) adalah homogen.

b. Uji Interaksi
 Berdasarkan output, untuk uji interaksi variable yang digunakan adalah
Jenis_Kelamin*Pekerjaan_Orang_Tua. Dengan nilai Sig. = 0, 005 < 0,05 maka H 0
ditolak H1 diterima, artinya terdapat interaksi antara jenis kelamin dan pekerjaan
orang tua terhadap hasil belajar.
c. Uji Faktor Jenis Kelamin

Berdasarkan output, untuk uji faktor jenis kelamin yang digunakan adalah Sig. pada
baris Jenis_Kelamin. Dengan nilai Sig. = 0,027 < 0,05 maka H 0 ditolak H1 diterima,
artinya terdapat perbedaan hasil belajar siswa/i yang signifikan berdasarkan jenis
kelamin.
d. Uji Faktor Pekerjaan Orang Tua

Berdasarkan output, untuk uji faktor pekerjaan orang tua yang digunakan adalah Sig.
pada baris Pekerjaan_Orang_Tua. Dengan nilai Sig. = 0,001< 0,05 maka H 0 ditolak
H1 diterima, artinya terdapat perbedaan hasil belajar siswa/i yang signifikan
berdasarkan pekerjaan orang tua.

Untuk mengetahui seberapa besar kontribusi masing-masing faktor dalam

menentukan hasil belajar dapat dilihat pada Estimated Marginal Means.