PENGANTAR STATISTIK

BAB
1

KEPERAWATAN

Peran Statistik
Perawat profesional memerlukan pemahaman yang kuat tentang bagaimana
pengetahuan empiris dihasilkan karena praktik berbasis bukti telah menjadi
standar dimana menghasilkan pedoman klinis. Meluasnya penggunaan
pedoman klinis sejak tahun 1980an telah menghasilkan perbaikan yang
signifikan dalam bidang keperawatan. Pedoman ini bergantung pada
tinjauan sistematis atas bukti penelitian, yang pada gilirannya, memerlukan
pemahaman yang baik mengenai statistik dan metode penelitian.
Salah satu contoh, pedoman klinis berbasis bukti menyangkut
penggunaan istirahat untuk nyeri punggung yang dilakukan Hagen dan
rekannya pada tahun 2005 (Plichta dan Garzon, 2009). Melalui tinjauan
literatur yang sistematis, Hagen dan rekannya menyimpulkan bahwa untuk
orang dengan nyeri punggung bawah yang akut, istirahat di tempat tidur
kurang efektif daripada tetap aktif. Mereka juga menyimpulkan bahwa
untuk pasien dengan nyeri punggung, ada perbedaan hasil di antara mereka
yang tetap aktif dengan mereka yang beristirahat di tempat tidur. Kemajuan
dalam bidang keperawatan bergantung pada praktisi seperti Hagen dan
rekannya yang mengembangkan pedoman berdasarkan penelitian empiris.
Namun, mengambil peran utama dalam penelitian, menuntut pemahaman
yang baik tentang bagaimana melakukan penelitian empiris, termasuk
kompetensi dalam memahami statistik.

1
 Penelitian juga dapat membantu pembuat kebijakan untuk
mengidentifikasi masalah perawatan kesehatan bagi pasien yang mungkin
memberikan solusi kebijakan. Misalnya, kekurangan tenaga keperawatan
yang sedang berlangsung diprediksi akan berlangsung selama 10 tahun atau
lebih karena sejumlah faktor demografi, lingkungan, dan kemampuan
profesional. Pelayanan keperawatan telah menanggapi kekurangan ini
dengan merekrut banyak perawat. Namun, tampaknya beberapa fasilitas
pelayanan kesehatan kurang peduli dengan tingkat pendidikan perawat dan
lebih peduli dengan hanya memiliki lebih banyak perawat dari perguruan
tinggi terbaik.
Pertanyaan yang disarankan oleh solusi ini untuk kekurangan
keperawatan — Apakah, tingkat pendidikan perawat di rumah sakit tertentu
mempengaruhi hasil perawatan pasien? (Aiken, Cheung, Sloane, dan Silber,
2003 dalam Plichta dan Garzon, 2009). Temuan penelitian ini menunjukkan
bahwa peningkatan 10% proporsi perawat rumah sakit dengan tingkat
pendidikan sarjana mempunyai hubungan dengan penurunan mortalitas 5%
setelah prosedur bedah umum. Para peneliti menggunakan model statistik
lanjutan untuk menjelaskan banyak faktor, selain pendidikan perawat, yang
mungkin menjelaskan variasi tingkat kematian di rumah sakit. Selain
persiapan pendidikan perawat ini, penelitian ini juga mempertimbangkan
bagaimana pasien yang sakit berada dalam kondisi masuk, ukuran rumah
sakit, kapasitas teknologi rumah sakit, apakah itu fasilitas pengajaran,
sertifikasi ahli bedah, dan rasio perawat-pasien. Bahkan setelah secara
statistik mengendalikan semua faktor ini, ada efek positif yang jelas dari
tingkat pendidikan perawat terhadap kualitas layanan. Temuan ini
menentukan bahwa tingkat pendidikan keperawatan sangat penting dan

2
bahwa meningkatkan jumlah perawat tanpa mempedulikan tingkat
pendidikan memiliki implikasi serius bagi pasien yang sakit kritis.

Pengertian Statistik
Statistik sama dengan melakukan dua hal berikut: (1) Membaca data dan (2)
Menerapkan uji untuk menentukan bahwa (a) apa yang diobservasi sesuai
dengan apa yang diperkirakan atau (b) hasil observasi cukup berbeda
dengan perkiraan sehingga perlu mengubah perkiraan awal.
Jika seorang perawat ingin mengetahui suhu tubuh pasien di sebuah
rumah sakit, perawat akan mendapat bahwa suhu tubuh pasien di rumah
sakit rata-rata normal. Akan tetapi, jika perawat mengukur suhu tubuh
pasien pada salah satu ruangan X dan rata-rata pasien mengalami
hipertermi, perawat akan menyimpulkan bahwa saat ini sedang terjadi
demam sehingga perawat menganjurkan ke pihak manajemen rumah sakit
untuk segera menyiapkan obat penurun panas. Peningkatan suhu tubuh
pasien di ruangan X sangat berbeda sehingga perkiraannya perlu diubah.
Itulah yang disebut dengan statistik.

Populasi dan Sampel

Dari contoh di atas, perawat mendapat kejadian hipertermi di ruangan X,
sehingga data itu akan menjadi sampel dari semua data suhu tubuh pasien di
sebuah rumah sakit. Cara perawat mengumpulkan data bergantung pada
tujuan penelitian. Suatu sampel merupakan bagian dalam suatu populasi
atau data dalam sebuah sampel menggambar keadaan populasi.
Jadi, populasi adalah keseluruhan kelompok yang akan diteliti,
sedangkan sampel adalah bagian dari populasi. Jika peneliti menghitung
data berdasarkan sampel menghasilkan statistik, yaitu suatu estimasi dari

3
sampel. Sedangkan parameter adalah karakter yang diukur dari suatu
populasi.

Variabel Penelitian
Variabel bebas dan terikat
Jika seorang perawat ingin mengetahui pengaruh obat penurun panas
terhadap penurunan suhu tubuh tuan X sehingga dalam waktu dua hari suhu
tubuh tuan X menurun sedangkan pada tuan Y tidak diberikan obat penurun
panas ternyata membutuhkan waktu empat hari untuk menurunkan suhu
tubuh tuan Y. Sehingga perawat menyimpulkan obat penurun panas sebagai
variabel bebas dan penurunan suhu tubuh sebagai variabel terikat. Variabel
bebas (independen) adalah variabel yang menjadi dugaan sementara yang
dapat mempengaruhi hasil, sedangkan variabel terikat (dependen)
merupakan hasil atau efek yang diukur.
Variabel kontinu dan kategorik
Variabel kontinu adalah variabel yang memiliki nilai yang tidak terhingga.
Sehingga nilai yang diukur berada pada rentang nilai tersebut misalnya
perawat mengukur suhu tubuh pasien. Hasilnya bisa berupa 36,6 atau 37,1
atau 37,5. Kemungkinan yang tidak terhingga bersifat kuantitatif.
Variabel kategorik disebut juga variabel diskrit yang memiliki
kelompok klasifikasi atau kategori yang jumlahnya terbatas yang biasanya
bersifat kualitatif. Misalnya, seorang perawat mengumpulkan data
kemampuan melakukan aktivitas sehari-hari pada lansia.

Jenis Data
Sewaktu mengumpulkan suhu tubuh pasien, perawat mendapat data dengan
beberapa cara. Suhu yang diukur (37,10C) menjadi data kuantitatif atau

4
perawat dapat menggambarkan sebagai” hangat” atau “dingin” menjadi data
kualitatif. Data kuantitatif adalah data yang disajikan dalam bentuk angka,
sedangkan data kualitatif adalah data yang disajikan dalam bentuk kata yang
mengandung makna.
Yang harus diketahui adalah bahwa variabel kualitatif tidak memuat
informasi kuantitas, walaupun memiliki angka. Angka tersebut tidak
mempunyai informasi kuantitatif, urutan, maupun jarak.

Jenis Statistik
Secara umum, penelitian menggunakan dua kategori statistik yang berbeda:
deskriptif dan inferensial. Statistik deskriptif hanyalah ringkasan data
numerik atau grafik dan ringkasan statistik sederhana seperti mean dan
standar deviasi, yang digunakan untuk menggambarkan karakteristik sampel
dari populasi.
Statistik inferensial adalah teknik statistik (misalnya, uji chi-kuadrat,
uji-t, ANOVA satu arah) yang memungkinkan untuk ditarik kesimpulan
mengenai hubungan atau perbedaan yang ditemukan di antara variabel yang
berbeda dalam sampel dari populasi. Uji z-test satu sampel, adalah contoh
lain statistik inferensial, memungkinkan perbandingan data sampel dengan
populasi yang lebih besar. Statistik inferensial dihitung untuk menarik
kesimpulan dan membuat kesimpulan tentang populasi yang lebih besar,
berdasarkan kumpulan data sampel. Ada dua macam statistik inferensial:
statistik parametrik dan nonparametrik.
Parametrik
Jenis analisis statistik yang paling umum digunakan adalah statistik
parametrik. Analisis ini disebut sebagai analisis statistik parametrik karena
temuan tersebut disimpulkan ke parameter populasi yang terdistribusi

5
normal. Syarat penggunaannya harus memenuhi empat asumsi berikut agar
data tersebut dapat dianalisis secara tepat.
1. Skala pengukuran interval atau rasio
2. Sampel diambil dari populasi yang distribusinya dapat dihitung.
Distribusi biasanya diharapkan normal atau mendekati normal
3. Data sampel diambil secara acak
4. Varians yang homogen
Nonparametrik
Analisis statistik nonparametrik, atau teknik bebas distribusi, dapat
digunakan dalam penelitian yang tidak memenuhi dua asumsi pertama
distribusi normal dan setidaknya data berskala interval. Teknik
nonparametrik tidak seakurat parametrik. Dengan kata lain, teknik
nonparametrik kurang mampu mendeteksi perbedaan dan memiliki risiko
lebih besar dari kesalahan Tipe II jika data memenuhi asumsi prosedur
parametrik; karena itu statistik nonparametrik dilakukan pengujian pada
peringkat data asli. Ketika data telah diubah menjadi peringkat, data tersebut
akan kehilangan akurasi.
Analisis Post-Hoc
Analisis post-hoc biasanya dilakukan dalam penelitian dengan lebih dari dua
kelompok ketika analisis menunjukkan bahwa kelompok berbeda secara
signifikan tetapi tidak menunjukkan kelompok mana yang berbeda. Sebagai
contoh, analisis varians dilakukan untuk menguji perbedaan antara tiga
kelompok — kelompok eksperimen, kelompok kontrol, dan kelompok
plasebo — dan kelompok-kelompok tersebut ditemukan sangat berbeda.
Analisis post-hoc harus dilakukan untuk menentukan mana dari ketiga
kelompok yang berbeda secara signifikan. Analisis post-hoc terdiri dari
LSD, Bonferroni, HSD, SNK, Duncan, Scheffe, dll.

6
Teknik Memilih Uji Statistik
Beberapa faktor terlibat dalam menentukan kesesuaian prosedur
statistik untuk penelitian tertentu. Faktor-faktor ini dapat dikaitkan dengan
sifat penelitian, sifat dari peneliti, dan sifat teori statistik. Namun, faktor
yang paling penting untuk diperiksa ketika memilih prosedur statistik adalah
hipotesis penelitian. Hipotesis yang dinyatakan dengan jelas menunjukkan
statistik yang diperlukan untuk mengujinya. Contoh dari hipotesis yang
dikembangkan dengan jelas adalah, "Ada perbedaan nyeri punggung antara
orang yang tetap aktivitas dengan orang yang istirahat." Pernyataan ini
memberitahu peneliti bahwa statistik untuk menentukan perbedaan antara
dua kelompok adalah tepat untuk mengatasi hipotesis ini.
Setiap pertanyaan menghadapkan kita dengan sebuah keputusan.
Keputusan yang kita buat dapat mempersempit bidang prosedur untuk
memilih statistik yang tersedia. Salah satu pendekatan untuk memilih
prosedur statistik yang tepat atau menilai kelayakan teknik analisis adalah
menggunakan pohon masalah. Pohon masalah mengarahkan pilihan kita
dengan secara bertahap mempersempit pilihan melalui keputusan yang kita
buat. Pohon masalah dapat membantu dalam memilih prosedur statistik
disajikan pada Gambar 1-1. Keputusan harus dibuat memilih uji statistik
dapat berupa hal-hal berikut:
1. Tingkat pengukuran (nominal, ordinal, atau interval)
2. Jumlah variabel (satu, dua, atau lebih dari dua)
3. Jenis variabel (bebas atau berpasangan)
4. Distribusi variabel (normal atau non-normal)

7
Sifat Pertanyaan Skala Pengukuran Jumlah Grup (atau Desain Statistik yang
Penelitian Variabel Dependent atau Tingkat Variabel penelitian Disarankan
Variabel Penelitian Independen)

Satu sampel One-sample chi-square

Sampel bebas Fisher’s exact test or X2

Dua sampel
Sampel berpasangan McNemar test
Nominal

Sampel bebas Chi square (X2)

>2 sampel
Sampel berpasangan Cochran’s Q statistic

Sampel bebas Mann-Whitney U

Dua sampel
Sampel berpasangan Wilcoxon signed rank test
Perbandingan Ordinal
Sampel bebas Kruskal-Wallis test
>2sampel
Sampel berpasangan Friedman tes

Satu sampel One-sample t-test

Sampel bebas Independent t-test

Dua sampel
Interval/rasio Sampel berpasangan Paired t-test

Sampel bebas One-way ANOVA

>2 sampel
Sampel berpasangan Repeated ANOVA

Nominal Phi, Contingency coefficient, Cramer’s V

Korelasi Ordinal Spearman rank-order Associations Ordinal

correlation, Kendall’s, tau, Somer’s D

Interval/rasio Pearson product-moment correlation

coefficient, Simple linear regression

Gambar 1.1 Teknik Memilih Uji Statistik

8
 BAB

UKURAN DAN KUALITAS DATA

2

Pengertian Alat Ukur

Pengukuran melibatkan aturan untuk menetapkan angka untuk kualitas
objek untuk menetapkan kuantitas data. Data tidak memiliki nilai numerik
secara inheren; manusia menciptakan aturan untuk mengukur data tersebut.
Data tidak konstan; dapat bervariasi dari hari ke hari, dari situasi ke situasi,
atau dari satu orang ke orang lain. Variabilitas ini mampu menghasilkan
data numerik yang menandakan seberapa banyak data yang hadir.
Pengukuran membutuhkan angka untuk menetapkan ke objek sesuai
dengan aturan. Aturan untuk mengukur suhu, berat, dan data fisik lainnya
sudah akrab bagi kita. Aturan untuk mengukur banyak variabel untuk studi
keperawatan, bagaimanapun, harus dibuat. Apakah data dikumpulkan
melalui observasi, laporan diri, atau metode lain, peneliti harus menentukan
kriteria yang sesuai dengan nomor yang akan ditetapkan.

Kekuatan Pengukuran
Kekuatan utama pengukuran adalah bahwa hal itu menghilangkan dugaan
dan ambiguitas dalam mengumpulkan dan mengkomunikasikan informasi.
Karena pengukuran didasarkan pada aturan eksplisit, informasi yang
dihasilkan cenderung objektif, yaitu, dapat diverifikasi secara independen.
Dua orang yang mengukur berat seseorang yang menggunakan skala yang
sama kemungkinan akan mendapatkan hasil yang identik. Tidak semua

9
tindakan benar-benar obyektif, tetapi kebanyakan menggabungkan
mekanisme untuk meminimalkan subjektivitas.
Pengukuran juga memungkinkan untuk memperoleh informasi yang
cukup akurat. Ketika menggambarkan Jhoni sebagai " perawat yang tinggi,"
kita bisa menggambarkannya sebagai 193 cm. Jika perlu, kita bisa mencapai
presisi yang lebih tinggi. Presisi semacam itu memungkinkan para peneliti
untuk membuat perbedaan yang jelas di antara orang-orang dengan berbagai
tingkat pengukuran.
Akhirnya, pengukuran adalah bahasa komunikasi. Angka-angka
yang samar dari kata-kata dan dengan demikian dapat mengomunikasikan
informasi dengan lebih jelas. Jika seorang peneliti melaporkan bahwa rata-
rata suhu oral sampel pasien "cukup panas," pembaca yang berbeda
mungkin mengembangkan konsep yang berbeda tentang keadaan fisiologis
sampel. Jika peneliti melaporkan suhu rata-rata 37,8 °C, data tersebut tidak
akan menyebabkan ambiguitas.

Tingkatan Pengukuran
Dalam bab ini, kita membahas keseluruhan konsep pengukuran dan
menjelaskan bagaimana pengukuran dapat dievaluasi. Perhitungan statistik
yang tersedia untuk peneliti bergantung pada skala pengukuran variabel.
Ada empat kelas utama atau skala pengukuran.
Nominal
Pengukuran nominal, level terendah, melibatkan penggunaan angka hanya
untuk mengkategorikan data. Contoh variabel yang diukur secara nominal
termasuk jenis kelamin dan golongan darah. Angka-angka yang digunakan
dalam pengukuran nominal tidak memiliki makna kuantitatif. Jika kita
mengkode laki-laki sebagai 1 dan perempuan sebagai 2, angka-angka

10
tersebut tidak akan memiliki implikasi kuantitatif — angka 2 tidak berarti
“lebih dari” 1. Pengukuran nominal hanya memberikan informasi tentang
kesetaraan kategorikal sehingga angka-angka tersebut tidak dapat
diperlakukan secara matematis. Ini tidak masuk akal, misalnya, untuk
menghitung rata-rata jenis kelamin sampel dengan menambahkan nilai-nilai
numerik kode dan membaginya dengan jumlah peserta.
Ordinal
Pengukuran ordinal merangking objek berdasarkan kedudukan relatifnya
pada data. Sebagai contoh lain, pertimbangkan skema pengkodean ordinal
ini untuk mengukur kemampuan untuk melakukan kegiatan sehari-hari: 1 =
sepenuhnya tergantung; 2 = membutuhkan bantuan orang lain; 3 =
membutuhkan bantuan mekanis; dan 4 = benar-benar independen. Angka-
angka itu menandakan kemampuan tambahan untuk melakukan aktivitas
sehari-hari secara mandiri. Namun, pengukuran ordinal tidak memberi tahu
kita seberapa jauh satu tingkat lebih besar daripada yang lain. Sebagai
contoh, kita tidak tahu apakah menjadi mandiri sepenuhnya dua kali lebih
baik daripada memerlukan bantuan mekanis. Seperti ukuran nominal,
operasi matematika yang diizinkan dengan data tingkat ordinal dibatasi.
Interval
Pengukuran interval terjadi ketika peneliti dapat menentukan peringkat pada
objek dan jarak antara objek-objek tersebut. Sebagian besar tes pendidikan
dan psikologis menghasilkan pengukuran tingkat interval. Misalnya, Skala
Intelijen Stanford-Binet — tes kecerdasan terstandar (IQ) yang digunakan di
banyak negara — adalah ukuran interval. Skor 140 pada Stanford-Binet
lebih tinggi dari skor 120, yang, pada gilirannya, lebih tinggi dari 100.
Selain itu, perbedaan antara 140 dan 120 dianggap setara dengan perbedaan

11
antara 120 dan 100. Skala interval memperluas kemungkinan analitik: data
tingkat interval dapat dirata-rata secara bermakna.
Rasio
Pengukuran rasio adalah level tertinggi. Skala rasio, tidak seperti skala
interval, memiliki nol yang rasional dan bermakna dan karenanya
memberikan informasi tentang besaran mutlak dari data. Skala Celcius
untuk mengukur suhu (pengukuran interval) memiliki titik nol yang
berubah-ubah. Nol pada termometer tidak menandakan tidak adanya panas;
tidak akan tepat untuk mengatakan bahwa 38,1 °C lebih panas dari 37,5 °C.
Banyak tindakan fisik, bagaimanapun, adalah ukuran rasio dengan nol
nyata. Berat badan seseorang, misalnya, adalah ukuran rasio. Dapat diterima
untuk mengatakan bahwa seseorang yang memiliki berat 70 kg dua kali
lebih berat daripada seseorang yang memiliki berat 35 kg. Prosedur statistik
yang sesuai untuk data interval juga sesuai untuk data tingkat rasio.
Data rasio merupakan skala pengukuran tertinggi yang dapat
dikumpulkan dan memberikan jumlah pilihan yang banyak untuk dianalisis
data, tetapi tidak semua variabel dapat diukur dengan skala ini. Intinya, data
yang dikumpulkan dengan pengukuran skala tertinggi untuk semua variabel,
terutama variabel terikat.

Uji Validitas
Pengertian
Validitas adalah sejauh mana instrumen mengukur apa yang seharusnya
diukur secara akurat. Ketika suatu instrument valid, instrument itu benar-
benar mencerminkan konsep yang seharusnya diukur. Misalnya, instrumen
untuk mengukur kecemasan pasien, instrumen tersebut dikatakan valid jika
mengukur kecemasan pasien bukan konsep lain seperti stres. Hasil

12
pengukuran itu dapat diandalkan tetapi tidak valid. Peneliti dapat
memperoleh tingkat stres pasien yang sangat akurat, konsisten, dan tepat,
tetapi hasil tersebut bukan merupakan indikator kecemasan yang valid.
Dengan demikian keandalan instrumen yang tinggi belum tentu sesuai
dengan bukti validitas dan reliabilitas rendah dari suatu pengukuran adalah
bukti validitas rendah. Suatu instrument tidak dapat dikatakan sah jika
mengukur sesuatu yang diinginkan tidak menentu, tidak konsisten, atau
tidak akurat.
Validitas instrumen bervariasi dari satu sampel ke sampel lain dan
dari satu situasi ke situasi lain. Oleh karena itu, pengujian validitas
menegaskan kesesuaian suatu instrumen untuk sampel tersebut atau tujuan
tertentu daripada instrumen itu sendiri. Sehingga para peneliti diharapkan
untuk menguji kembali validitas dalam setiap penelitian mereka.
Jenis-Jenis Validitas
Validitas isi (Content Validity)
Validitas isi menyangkut sejauh mana suatu instrumen mewakili semua isi
atau domain dari pengukuran yang diberikan. Validitas isi sangat penting
untuk tes pengetahuan, di mana pertanyaan validitas isi adalah: "Seberapa
representatif pertanyaan pada tes dimana semua pertanyaan tentang topik
tersebut?"
Peneliti yang merancang instrumen baru harus memulai dengan
konseptualisasi yang menyeluruh sehingga instrumen dapat menangkap
domain isi lengkap. Konseptualisasi seperti itu mungkin berasal dari
pengetahuan awal yang kaya, tinjauan literatur yang mendalam, atau temuan
dari penelitian kualitatif.
Validitas Konstruk

13
Validitas konstruk adalah kriteria utama untuk menilai kualitas suatu
penelitian, dan validitas konstruk paling sering dikaitkan dengan masalah
pengukuran. Peneliti perlu menjelaskan prosedur yang digunakan untuk
mengembangkan atau memilih item untuk instrumen yang mewakili domain
dari konstruk. Salah satu strategi membantu yang umum digunakan adalah
untuk mengembangkan cetak biru atau matriks, seperti yang digunakan
dalam mengembangkan item tes untuk pengukuran. Namun, sebelum
mengembangkan item-item tersebut, spesifikasi cetak biru harus diserahkan
kepada panel ahli untuk memvalidasi bahwa mereka sesuai, akurat, dan
representatif. Setidaknya lima ahli direkomendasikan, meskipun minimal
tiga ahli dapat diterima jika kita tidak dapat menemukan individu tambahan
dengan keahlian di bidang tersebut. Peneliti mungkin mencari individu
dengan keahlian di berbagai bidang — misalnya, satu individu dengan
pengetahuan tentang pengembangan instrumen, yang kedua dengan keahlian
klinis dalam bidang praktik yang sesuai, dan yang ketiga dengan keahlian
dalam bidang lain yang relevan dengan instrument yang digunakan.
Para ahli membutuhkan panduan khusus untuk menilai kelayakan,
akurasi, dan keterwakilan spesifikasi. Para ahli yang direkomendasikan
terlebih dahulu membuat penilaian independen dan kemudian bertemu
untuk diskusi kelompok tentang spesifikasi. Spesifikasi instrumen kemudian
dapat direvisi dan dikirimkan kembali kepada para ahli untuk penilaian
independen akhir. Peneliti memberikan tinjauan ahli dengan definisi teoritis
konsep dan daftar item instrumen yang diharapkan untuk mengukur masing-
masing konsep. Peneliti meminta peninjau untuk menilai seberapa baik
masing-masing konsep telah diwakili dalam instrumen.
Peneliti perlu menentukan cara mengukur domain. Format item, isi
item, dan prosedur untuk menghasilkan item harus diuraikan dengan cermat.

14
Item kemudian dibuat untuk setiap sel dalam matriks, atau metode observasi
ditujukan untuk mengumpulkan data yang terkait dengan sel tertentu.
Peneliti diharapkan untuk menggambarkan spesifikasi yang digunakan
dalam membuat item atau memilih pengamatan. Sumber isi untuk item
harus didokumentasikan. Kemudian peneliti dapat mengumpulkan,
memperbaiki, dan mengatur item-item dalam urutan yang sesuai sebelum
mengirimkannya ke ahli konten untuk evaluasi. Instruksi khusus untuk
mengevaluasi setiap item dan instrumen total harus diberikan kepada para
ahli.
Kriteria hubungan validitas
Dalam penilaian validitas yang berhubungan dengan kriteria, peneliti
berusaha untuk membangun hubungan antara skor pada instrumen dan
beberapa kriteria eksternal. Instrumen, apa pun atribut abstrak yang
diukurnya, dikatakan valid jika skornya sangat berkaitan dengan skor pada
kriteria.
Setelah kriteria ditetapkan, validitas dapat diperkirakan dengan
mudah. Koefisien validitas dihitung dengan menggunakan rumus
matematika yang menghubungkan skor pada instrumen dengan skor pada
variabel kriteria. Besarnya koefisien adalah perkiraan validitas instrumen.
Koefisien ini (r) berkisar antara 0,00 dan 1,00, dengan nilai yang lebih
tinggi menunjukkan validitas terkait kriteria yang lebih besar. Koefisien dari
0,70 atau lebih tinggi yang diinginkan.
Terkadang perbedaan dibuat antara dua jenis validitas terkait
kriteria. Validitas prediktif mengacu pada kemampuan instrumen untuk
membedakan antara kinerja atau perilaku orang-orang pada kriteria masa
depan. Ketika sekolah keperawatan menghubungkan nilai-nilai sekolah
lanjutan siswa dengan nilai rata-rata selanjutnya, validitas prediktif nilai

15
sekolah menengah untuk kinerja sekolah keperawatan sedang dievaluasi.
Validitas bersamaan mengacu pada kemampuan instrumen untuk
membedakan di antara orang-orang yang berbeda dalam status mereka saat
ini pada beberapa kriteria. Sebagai contoh, tes psikologi untuk membedakan
antara pasien dalam institusi mental yang dapat dan tidak dapat dilepaskan
dapat dikorelasikan dengan penilaian perilaku terkini dari personel
perawatan kesehatan. Perbedaan antara validitas prediktif dan konkuren,
kemudian, adalah perbedaan dalam penentuan waktu pengukuran pada
kriteria.
Validasi melalui pendekatan yang berhubungan dengan kriteria
paling sering digunakan dalam penelitian terapan atau yang berorientasi
pada praktik. Validitas terkait kriteria sangat membantu dalam membantu
pengambil keputusan dengan memberi mereka keyakinan bahwa keputusan
mereka akan efektif, adil, dan, singkatnya, valid.
Tahap-Tahap Pengukuran
Untuk melakukan uji validitas, metode yang kita lakukan adalah dengan
mengukur korelasi antara butir-butir pertanyaan dengan skor pertanyaan
secara keseluruhan. Tahap-tahap yang harus dilakukan untuk melakukan
pengujian validitas adalah :
a. Mendefinisikan secara operasional suatu konsep yang akan diukur. Jadi
untuk menguji validitas suatu konsep, tahap awal yang harus dilakukan
adalah menjabarkan konsep dalam suatu defenisi operasional.
b. Melakukan uji coba pada beberapa responden. Uji coba minimal
dilakukan terhadap 30 responden.
c. Mempersiapkan tabel tabulasi.

16
d. Menghitung nilai korelasi antara masing-masing skor butir jawaban
dengan skor total dalam butir jawaban. Perhitungan ini dapat dilakukan
dengan rumus korelasi pearson product moment.

Uji Reliabilitas
Reliabilitas berarti bahwa perangkat pengukuran penelitian konsisten atau
dapat digunakan berulang kali. Ketika mengukur variabel yang ingin diteliti,
apakah didapat hasil yang sama setiap kali melakukan pengukuran?
Reliabilitas berbeda dengan keakuratan atau validitas. Sebagai contoh,
ketika ingin mengukur berat badan suatu sampel, tetapi timbangan tidak
dikalibrasi dengan benar maka hasil penimbangan tidak tetap bisa kurang
atau lebih. Didapatkan hasil pengukuran yang setiap kali menimbang
dengan demikian, pengukuran berulang dan reliabel. Namun, dalam hal ini
pengukurannya tidak akurat atau tidak valid. Suatu pengukuran dapat
reliabel dan tidak valid, tetapi tidak boleh valid dan tidak reliabel. Agar
instrumen dapat akurat (valid), maka instrumen tersebut harus akurat dan
reliabel. Ada tiga faktor utama yang berkaitan dengan reliabilitas, yaitu:
Stabilitas
Stabilitas adalah kualitas yang konsisten dan tahan lama dari suatu ukuran.
Suatu ukuran yang stabil harus, tidak berubah sepanjang waktu dan ketika
digunakan secara berulang, ukuran itu harus memiliki koefisien yang tinggi.
Koefisien korelasi mengukur sedekat mana suatu hasil pertama dikaitkan
dengan hasil pengukuran kedua.
Homogenitas
Homogenitas adalah sampai sejauh mana item-item dalam suatu instrument
multi-item konsisten satu sama lain. Sebagai contoh, di dalam suatu
penelitian terdapat beberapa pertanyaan yang didesain tentang untuk

17
mengukur tingkat dukungan keluarga. Pertanyaan mungkin akan berulang
tetapi dengan kata-kata berbeda untuk melihat apakah responden
melengkapi penelitian dengan responden yang sama. Misalnya ada
pertanyaan, “tingkat dukungan keluarga seperti apa yang anda rasakan
biasanya?” dan pilihan mungkin tinggi, sedang, dan rendah. Selanjutnya
dalam pertanyaan ada yang meminta responden untuk menunjukkan pada
skala satu sampai sepuluh, bagaimana dukungan keluarga yang anda rasakan
sehari-hari. Jika instrument bersifat homogenitas, responden yang menjawab
bahwa dukungan keluarga pada skala lima adalah pada tingkatan sedang.
Apabila demikian, maka instrument tersebut dikatakan memiliki reliabilitas
konsisten internal.
Reliabilitas konsisten internal berguna untuk mengukur konsep tunggal dan
biasanya menggunakan rumus Alfa Cronbach. Suatu instrumen dikatakan
reliabel jika nilai alpha minimal 0,7.
Ekuivalen
Ekuivalen adalah seberapa baik berbagai bentuk instrument atau banyaknya
pengguna suatu instrument mendapatkan hasil yang sama. Variasi
pengukuran bukan saja cerminan dari reliabilitas perangkat itu sendiri;
variasi juga mencerminkan variabilitas berbagai bentuk perangkat atau
variabilitas dari berbagai peneliti yang menggunakan perangkat yang sama.

Sensitivitas dan Spesivisitas

Keakuratan hasil uji skrining ditentukan oleh kemampuan untuk
mengidentifikasi subyek yang menderita penyakit dan yang tidak menderita
penyakit. Namun, keakuratan tidak berarti bahwa semua subyek skrining
yang hasilnya positif berarti menderita penyakit dan subyek skrining yang
hasilnya negatif berarti tidak menderita penyakit.

18
 Empat kemungkinan hasil uji skrining digambarkan dengan baik
melalui tabel 2x2 standar berikut, yang biasanya disebut tabel kontingensi.
Tabel 2-1 Hasil Uji Skrining
Keberadaan Penyakit Ketiadaan Penyakit
Uji positi Positif sejati (A) Positif palsu (B)
Uji Negatif palsu (C) Negatif sejati (D)
negative

Dari tabel 2-1 diatas dapat dijelaskan sebagai berikut:

1. Jika subyek memang menderita penyakit dan hasil uji skriningnya
positif, hasilnya disebut positif sejati dan masuk dalam kotak pertama
(A).
2. Jika subyek tidak menderita penyakit dan hasil uji skriningnya positif,
hasilnya disebut positif palsu dan masuk dalam kotak kedua (B).
3. Jika subyek menderita penyakit dan hasil uji skrinignnya negatif,
hasilnya disebut negatif palsu dan masuk dalam kotak (C).
4. Jika subyek tidak menderita penyakit dan hasil uji skriningnya negatif,
hasilnya disebut negatif sejati dan masuk dalam kotak (D).
Sensitivitas
Ketika mengevaluasi uji skrining, salah satu hal yang ingin diketahui
perawat adalah jika pasien menderita penyakit, beberapa probabilitas hasil
uji pasien tersebut positif sakit. Situasi ini dinamakan sensitivitas uji dan
dapat hitung dengan rumus:
A (positif sejati)
Sensitivitas =
A + C (semua yang berpenyakit)

Hitung subyek yang sakit dan memiliki hasil uji positif dan bagi
jumlah tersebut dengan total jumlah subyek yang sakit. Hasilnya adalah
persentase jumlah yang memang sakit dan memiliki hasil uji positif dibagi

19
dengan total jumlah orang yang memang sakit. Apabila uji skriningnya
sensitive, maka uji tersebut sangat baik dalam mengidentifikasi pasien yang
memang sakit dan persentase hasil negatif palsunya rendah. Sensitivitas
sangat penting ketika suatu penyakit bersifat fatal atau menular atau apabila
pengobatan dini memang dibutuhkan.
Spesifisitas
Informasi lain dalam mengevaluasi alat skrining adalah spesifisitas, atau
probabilitas subyek yang sehat akan memiliki hasil uji skrining negatif
(tidak sakit). Dengan menggunakan table 2x2 yang sama, spesifisitas dapat
dihitung dengan rumus:

D (negatif sejati)
Spesifisitas =
B + D (semua yang tidak berpenyakit)

Sekali lagi, rumus ini menggunakan jumlah orang yang tidak sakit
dan yang memiliki hasil uji skrining negatif dan membaginya dengan total
orang yang tidak sakit. Ketika skrining sangat spesifik, skrining tersebut
sangat baik dalam mengidentifikasi subyek yang tidak sakit dan memiliki
angka persentase positif palsu rendah.
Sensitivitas dan spesifisitas cenderung bekerja dengan saling
berlawanan, jika yang satu rendah maka yang lain tinggi. Sebagai contoh,
seorang perawat yang sedang menangani wabah penyakit menular di unit
kesehatan keliling. Kemampuannya untuk menemukan pasien tersebut
sangat terbatas sehingga perawat tersebut seyakin mungkin bahwa pasien
yang hasil ujinya negatif dan meninggalkan fasilitas kesehatan keliling itu
memang tidak menderita penyakit yang sedang di-skrining. Karenanya
perawat tersebut memilih tes spesifik yang sangat baik dalam
mengidetifikasi orang-orang yang tidak menderita penyakit yang sedang

20
diskrining. Tes tersebut sangat jarang menyatakan orang yang sehat itu
sakit. Ketika hasil spesifik adalah negatif, perawat tahu bahwa kemungkinan
besar orang tersebut benar-benar sehat dan dapat meninggalkan fasilitas
keliling itu tanpa ada kekhawatiran bahwa orang tersebut dapat
menyebarkan penyakit yang sedang di-skrining. Kemudian orang-orang
yang uji skriningnya positif dapat ditahan untuk pengujian dan evaluasi
lebih lanjut.

Likelihood Rasio
Dalam bidang kesehatan khususnya keperawatan, likelihood rasio sangat
menguntungkan karena merangkum hubungan antara spesifisitas dan
sensitivitas dalam satu nomor tunggal. Likelihood ratio (LR) adalah
perhitungan tambahan yang dapat membantu peneliti untuk menentukan
keakuratan tes diagnostik atau skrining, yang didasarkan pada hasil
sensitivitas dan spesifisitas. LR dihitung untuk menentukan kemungkinan
bahwa hasil tes positif adalah benar positif dan hasil tes negatif adalah benar
negatif. LR positif adalah rasio positif yang sebenarnya terhadap hasil
positif palsu dikenal sebagai LR positif (LR+). LR positif dihitung sebagai
berikut:

LR+ = sensitivity/100% - specificity

LR negatif (LR-) adalah rasio hasil negatif yang sebenarnya terhadap hasil
negatif palsu, dan dihitung sebagai berikut:

LR- = 100% - sensitivity/specificity

LR yang sangat tinggi yang >0,1) menyebabkan penyakit atau menunjukkan

bahwa pasien memiliki penyakit. LR yang rendah (LR yang <0,1) hampir

21
mengesampingkan kemungkinan bahwa pasien memiliki penyakit.
Memahami sensitivitas, spesifisitas, dan LR meningkatkan kemampuan kita
untuk membaca studi klinis dan untuk menentukan tes diagnostik yang
paling akurat untuk digunakan dalam penelitian dan praktik klinis.
Langkah-Langkah perhitungan
Sebagai ilustrasi, anggaplah kita mengevaluasi apakah laporan diri remaja
tentang merokok mereka akurat, dan kami meminta kepada 100 remaja
berusia 13 sampai 15 tahun tentang apakah mereka telah merokok dalam 24
jam sebelumnya. "Standar emas" untuk konsumsi nikotin adalah kadar
cotinine dalam cairan tubuh, jadi mari kita asumsikan bahwa kita melakukan
tes cotinine kencing. Beberapa data palsu ditunjukkan pada Tabel 2-1.
Tabel 2-1
Fictitious data to iluustrate sensitivity, specificity, and likehood
ratios
Urinary continine level Total
Positive Negative
(continine (continine
Merokok >200 ng/mL) ≤200 ng/mL)
Ya 20 10 30
Tidak 20 50 70
40 60 100

Sensitivitas, dalam contoh ini, dihitung sebagai proporsi remaja yang

mengatakan bahwa mereka merokok dan memiliki cotinine dengan
konsentrasi tinggi, dibagi oleh semua perokok sejati seperti yang
ditunjukkan oleh tes urine. Dengan kata lain, ini adalah temuan positif sejati
yang terbagi oleh semua temuan yang benar-benar positif. Dalam kasus ini,
ada banyak laporan tentang merokok dan sensitivitas laporan sendiri hanya
0,50.

22
Spesifisitas adalah proporsi remaja yang secara akurat melaporkan bahwa
mereka tidak merokok, atau temuan sebenarnya-negatif dibagi dengan
semua temuan yang benar-benar negatif. Dalam contoh kita, spesifisitas
adalah 0,83. Ada sedikit laporan merokok yang berlebihan ("berpura-pura
buruk") daripada pelaporan rendah ("berpura-pura baik"). (Sensitivitas dan
spesifisitas kadang-kadang dilaporkan sebagai persentase daripada proporsi,
cukup dengan mengalikan proporsi sebesar 100.)

23
 BAB

STATISTIK DESKRIPTIF
3

Simbol Statistik
Statistik adalah bidang matematika terapan yang berkaitan dengan
pengumpulan, analisis, dan interpretasi data. Statistik, sebagai bidang ilmu,
menggunakan bahasanya sendiri, termasuk simbol khusus yang mewakili
formula dan ungkapan matematika lainnya dan istilah khusus yang
menggambarkan variabel yang berbeda. Pada bagian ini akan
memperkenalkan dan mendefinisikan beberapa simbol dan istilah khusus
ini. Beberapa simbol yang lebih umum digunakan dapat ditemukan pada
Tabel 3-1.

Peran Statistik Deskriptif

Langkah pertama dalam analisis data adalah memahami distribusi nilai
variabel. Tiga cara umum untuk menyajikan dan mengatur data untuk
menggambarkan distribusinya adalah statistik deskriptif, distribusi
frekuensi, dan tampilan grafis. Statistik deskriptif untuk mengetahui ukuran
masing-masing variabel: kecenderungan nilai tengah (tendensi sentral) dan
dispersi (sebaran). Ukuran tendensi sentral adalah nilai yang paling
mewakili distribusi; karena memberikan informasi tentang nilai-nilai yang
paling khas. Ukuran tendensi sentral terdiri dari mean, median, dan modus.
Ukuran dispersi menggambarkan sejauh mana nilai variabel tersebar
di sekitar ukuran kecenderungan sentral. Standar deviasi, kisaran
interkuartil, dan varians adalah semua ukuran dispersi. Bentuk distribusi

24
menggambarkan bagaimana nilai-nilai dari variabel didistribusikan (secara
simetris atau asimetris) di sekitar ukuran kecenderungan sentral.
Tabel 3-1 Simbol dan Istilah
Simbol Arti
Simbol matematika
Σxi Penjumlah nilai pada variabel x.
Σxi2 Penjumlah nilai pada variabel x kuadrat.
(Σxi)2 Jumlah semua nilai dari variabel x dan kemudian kuadratkan totalnya.
< Kurang dari
≤ Kurang dari atau sama dengan
> Lebih besar
≥ Lebih besar dari atau sama dengan
= Sama dengan
|x| Nilai absolut x
P(A) Probabilitas kejadian A terjadi (probabilitas marjinal)
P(A|B) Probabilitas kejadian A terjadi jika B terjadi (probabilitas bersyarat)
P(A∩B) Probabilitas dari kedua event A dan event B terjadi (persimpangan A
dan B)
P(AՍB) Probabilitas kejadian A terjadi atau peristiwa B terjadi (persatuan A
dan B)
Simbol Statistik
α Alpha: tingkat signifikansi yang ditetapkan untuk penelitian
ρ Nilai ρ dari statistik yang dihitung
H0 Hipotesis nol
HA Hipotesis alternative
α error Kesalahan tipe I dalam pengujian hipotesis
β error Kesalahan tipe II dalam pengujian hipotesis
N Jumlah popuplasi
n Jumlah sampel
f Frekuensi
µ Mu, mean populasi
𝑥̅ x-bar, mean sampel
σ2 Sigma kuadrat, varians populasi
σ Sigma, standar deviasi populasi
2
s Varians sampel
s Standar deviasi sampel
CI Interval kepercayaan
df Derajat kebebasan
x2 Chi-square
p Koefisien korelasi populasi
r Koefisien korelasi sampel

25
Penyajian Data
Distribusi Frekuensi
Setelah penelitian didesain dan data dikumpulkan, langkah selanjutnya
adalah menentukan cara penyajian kumpulan data itu. Ada beberapa cara
untuk melakukannya. Pilihan pertama dan yang paling umum adalah
distribusi frekuensi, yang menunjukkan frekuensi setiap ukuran variabel.
Distribusi frekuensi dibuat dengan mengumpulkan semua hasil jawaban
yang didapat dari sampel suatu variabel ke dalam tabel. Seperti yang
ditunjukkan dalam tabel 3-2 dibawah ini:
Tabel 3-2 Distribusi Kontrol Ulang
Kontrol Ulang Jumlah Pasien
2 3
3 4
4 7
5 23
6 26
7 15
8 9
9 6
10 4

Kolom pertama distribusi frekuensi menunjukkan jumlah hari atau

kontrol ulang setelah pulang dari rumah sakit (variabel terikat dalam Bab 1),
yang disusun dari kontrol ulang sedikit sampai terbanyak. Kolom kedua
menunjukkan seberapa banyak kontrol ulang itu diperlukan, yaitu, jumlah
pasien menjalani kontrol ulang setelah pulang dari rumah sakit. Kedua
kolom tersebut memperlihatkan total nilai numerik dari variabel yang dikaji
(dalam hal ini, variabel terikat, kontrol ulang setelah pulang dari rumah
sakit), biasanya berurutan dari yang sedikitt sampai yang terbanyak.

26
 Untuk melengkapi tabel distribusi frekuensi dan mengesankan
pembaca maka ditambahkan kolom frekuensi kumulatif, yang hanya
membuat daftar jumlah yang diobservasi dengan nilai kurang dari
maksimum interval variabel.
Tabel 3-3 Distribusi Frekuensi Dan Frekuensi Kumulatif
Kontrol Ulang
Kontrol Ulang Jumlah Pasien Frekuensi Kumulatif
2 3 3
3 4 7
4 7 14
5 23 37
6 26 63
7 15 78
8 9 87
9 6 93
10 4 97

Dari tabel 3-3, kolom frekuensi kumulatif baris kedua angka 7

berarti bahwa 7 pasien yang melakukan kontrol ulang 2-3 hari setelah
pulang dari rumah sakit. Angka 7 merupakan frekuensi kumulatif dua
interval pertama (2 dan 3 hari) dari variabel. Misalnya, akan dilakukan
presentasi pelayanan kontrol ulang sehingga dilakukan pengumpulan data
sekelompok pasien tentang berapa hari setelah pulang dari rumah sakit yang
mereka lakukan untuk kontrol ulang. Dari data tersebut didapatkan 7 pasien
yang melakukan kontrol ulang pada hari ketiga atau lebih awal pada hari itu;
jumlah tersebut mencakup semua pasien yang kontrol ulang selama 2
sampai 3 hari. Jumlah itu disebut frekuensi kumulatif.
Untuk mengetahui berapa banyak pasien yang kontrol ulang setelah
8 hari atau lebih setelah pulang rumah sakit. Cara terbaik untuk mengetahui
jawaban secara visual adalah dengan membuat tabel baru yang memuat

27
frekuensi kelompok yaitu distribusi frekuensi dengan interval atau
kelompok berbeda yang dibuat untuk menyederhanakan informasi.
Tabel 3-4 Distribusi Frekensi Kelompok
Kontrol Ulang Frekuensi Kumulatif
≤4 14
5-7 64
≥8 19

Dari tabel 3-4, nilai distribusi frekuensi dikumpulkan menjadi tiga

kelompok: 1) pasien yang melakukan kontrol ulang selama 4 hari atau
kurang dari itu, 2) pasien yang melakukan kontrol ulang 5-7 hari, dan 3)
pasien yang kontrol ulang 8 hari atau lebih. Frekuensi kelompok biasanya
digunakan ketika mengerjakan begitu banyak data dan seluruh distribusi
frekuensi terlalu besar untuk ditafsirkan.
Ada beberapa kekurangan dalam frekuensi kumulatif yaitu:
1. Sebagian informasi data hilang jika interval yang digunakan cukup
besar. Sebagai contoh, berapa banyak pasien dalam tabel 3-4 diatas yang
hanya melakukan kontrol ulang selama 2 hari? Jawabannya tidak
terpampang dalam tabel tersebut.
2. Penempatan interval yang begitu besar dapat membuatnya tidak berarti.
Dalam contoh ini, jika satu interval lebih dari 11 hari dan interval yang
lain kurang dari 11 hari dari tabel diatas, tidak lagi bermakna karena
semua pasien dalam studi tidak melakukan kontrol ulang pada hari ke-
11. Di sisi lain, pastikan untuk tidak membuat interval yang terlalu kecil
karena frekuensi kelompok mungkin tidak akan bermakna jika
dibandingkan distribusi frekuensi biasa.
Persentase
Persentase adalah bagian dari keseluruhan suatu data. Untuk menghitung
adalah jumlah sebagian item dibagi dengan total item kemudian dikalikan

28
dengan 100. Sebagai contoh, seorang peneliti ingin mengetahui persentase
pasien yang diwakili oleh pasien yang melakukan kontrol ulang sebanyak 5
kali. Maka, dapat dilakukan perhitungan sederhana seperti di tunjukkan
dalam tabel 3-5 dalam contoh ini, jumlah pasien yang diteliti (mereka yang
melakukan kontrol ulang setelah pulang dari rumah sakit sebanyak 5 kali)
adalah 23 orang. Jumlah total pasien yang dikaji adalah 97 orang. (Lihat
baris terakhir di kolom ketiga). Langkah pertama dalam perhitungan ini
adalah 23:97. Hasil perhitungan tersebut adalah 0,2371, yang kemudian
dikalikan dengan 100 untuk mendapatkan 23,71%. Hasil selengkapnya,
seperti tabel 3-5.
Tabel 3-5 Persentase Kumulatif
Kontrol Jumlah Persentase Frekuensi Persentase
Ulang Pasien Kumulatif Kumulatif
2 3 3,09 3 3,09
3 4 4,12 7 7,21
4 7 7,21 14 14,42
5 23 23,71 37 38,13
6 26 26,80 63 64,94
7 15 15,46 78 80,41
8 9 9,28 87 89,69
9 6 6,19 93 95,87
10 4 4,12 97 100

Konsep statistik yang biasa berkaitan dengan persentase adalah

persentase kumulatif, yaitu persentase observasi dengan nilai kurang dari
nilai maksimum interval variabel. Konsepnya sama dengan frekuensi
kumulatif tetapi dinyatakan dengan persentase.
Tabel 2-6 Persentase
Kontrol Ulang Frekuensi Persentase
≤4 14 14%
5-7 64 66%
≥8 19 20%
Jumlah 97 100%

29
Dari tabel diatas, maka 14% pasien yang melakukan kontrol ulang sebanyak
kurang atau sama dengan 4 hari dan semua pasien (100%) melakukan
kontrol ulang sebanyak 10 hari.
Diagram Batang
Ingat tentang data kategorik nominal (data kategorik yang hanya
menunjukkan perbedaan dan tidak menunjukkan peringkat)? Diagram
batang merupakan salah satu cara untuk menyajikan data tipe ini. Cara
umum untuk membuat diagram batang adalah dengan mengurutkan jawaban
yang didapat menjadi variabel nominal di sepanjang sumbu horizontal dan
menempatkan frekuensi jawaban di sepanjang sumbu vertikal. Sebagai
contoh, data mengenai suku pasien di rumah sakit seperti diagram dibawah.
25

20

15

10

0
Jawa Madura Bali

Gambar 3.1 Diagram Batang

Histogram
Histogram termasuk jenis diagram batang. Histogram sering tidak memiliki
jarak antar batang karena diagram ini sering digunakan untuk menyajikan
data ordinal atau data kontinu. Sebagai contoh, nyeri dapat diperingkatkan
dengan kategori ringan, sedang, dan berat.
Penyajian data tipe ini dalam histogram menunjukkan seberapa
sering setiap jawaban terpilih dan memungkinkan adanya perbandingan
visual tingkat perbedaan.

30
 10

6 ringan

4 sedang
berat
2

0
frekuensi

Gambar 3.2 Histogram

Grafik Garis
Variabel kontinu yang paling berubah seiring waktu biasanya paling baik
disajikan dalam bentuk grafik garis. Sumbu horizontal yang menunjukkan
alur waktu, sementara sumbu vertikal menunjukkan nilai variabel seiring
waktu. Sebagai contoh, data dari frekuensi kumulatif tentang jumlah kontrol
ulang yang disajikan dalam gambar. Diagram tersebut memperlihatkan
bahwa kebanyakan pasien yang melakukan kontrol ulang sebanyak enam
hari, setelah pulang dari rumah sakit. Mungkin perlu membandingkan grafis
garis ini dengan grafis garis lainnya misalnya dengan asuransi yang
digunakan untuk pasien yang melakukan kontrol ulang, guna melihat
apakah jumlah kontrol ulang kembali berubah.
25

20
Pasien Pulang

15

10

0
1 2 3 4 5 6 7 8 9
Hari
Gambar 3.3 Diagram Garis

31
Diagram Sebar
Diagram sebar agak berbeda dari grafik ataupun diagram yang
dibahas sebelumnya, karena setiap titik mewakili setiap subyek yang
menghubungkan dua variabel. Sebagai contoh, gambar menunjukkan
diagram sebar tinggi badan dalam sentimeter dan berat badan dalam
kilogram untuk 10 mahasiswa perawat. Setiap kotak dalam diagram sebar
mewakili satu siswa. Sumbu horizontal mewakili tinggi badan mahasiswa,
sementara sumbu vertikal mewakili berat badannya. Dapat dilihat dari arah
titik-titik tersebut bahwa, semakin tinggi mahasiswa, biasanya mereka juga
semakin berat; itulah hubungan kedua variabel. Apabila titik-titik
berkumpul atau mendekati ke satu garis, hubungan antarvariabel pada
sumbu horizontal dan vertikal relatif erat.

berat badan
90
80
70
60
Berat Badan

50
40
30
20
10
0
155 160 165 170 175
Tinggi Badan
Gambar 3.4 Diagram Sebar

Ketika melihat diagram sebar, perhatikan kecenderungan umumnya.

Dalam contoh ini, titik-titik yang tersebar mulai dari yang rendah pada sisi
kiri dan bergerak ke atas menuju sisi kanan. Pola ini menunjukkan ada
hubungan positif antara tinggi badan dan berat badan (dengan kata lain,

32
variabel tersebut biasanya bergerak ke arah yang sama, ketika tinggi badan
bertambah, maka berat badan juga ikut bertambah). Jika sebaran titik
bermula pada pojok kiri atas dan menurun ke pojok kanan bawah, pola ini
menunjukkan hubungan negatif di antara dua variabel (misalnya antara
olahraga dan berat badan – ketika olahraga diperbanyak, berat badan
biasanya berkurang).
Diagram sebar juga memberikan kesempatan bagi perawat untuk
melihat pencilan atau data yang berada diluar hubungan yang diperkirakan.
Dalam gambar 3.4 terdapat dua mahasiswa perawat dengan tinggi badan
tidak ada hubungan dengan berat badan, karena titik tidak sejajar atau
mendekati garis lurus.

Tendensi Sentral
Kecenderungan tengah adalah indikator tengah dari suatu data. Namun,
untuk secara khusus mendefenisikan kecenderungan tengah suatu distribusi
tidaklah mudah karena karena jawabannya bergantung pada teknik analisis
yang digunakan – yang sebaliknya pada pengukuran skala data.
Tiga ukuran kecenderungan sentral yaitu, modus, median, dan mean,
masing-masing memberikan satu angka tentang pengamatan mana yang
cenderung dikelompokkan. Pilihan yang mengukur kecenderungan sentral
untuk digunakan bergantung pada skala pengukuran dan distribusi variabel.
Dalam banyak kasus, tepat untuk menyajikan lebih dari satu dari ukuran
kecenderungan sentral ini pada saat bersamaan.
Modus
Modus adalah nilai atau kategorik yang paling sering muncul dalam suatu
distribusi. Modus satu-satunya ukuran kecenderungan tengah untuk data
nominal. Data nominal menjelaskan perbedaan kategorik, misalnya jenis

33
kelamin. Contoh, jika seorang perawat ingin mengambil data 7 orang laki-
laki dan 3 orang perempuan maka modusnya adalah 7 orang laki-laki.
Median
Median adalah semua nilai yang terukur secara berurutan disejajarkan dari
yang paling kecil sampai yang paling besar dengan ukuran data ordinal,
interval, dan rasio. Contoh, nilai ujian statistik mahasiswa keperawatan
adalah 66, 74, 83, 83, 88, 94, 96, 97, 91. Maka, mediannya adalah 88.
Mean
Mean adalah jumlah nilai dibagi dengan total observasi. Mean merupakan
ukuran yang paling dikenal dari kecenderungan tengah, tetapi membutuhkan
data interval atau rasio. Contoh, nilai ujian statistik mahasiswa keperawatan
adalah 66, 74, 83, 83, 88, 94, 96, 97, 91.
Jawab:
∑𝑥
𝑥̅ =
𝑛
66 + 74 + 83 + 83 + 88 + 94 + 96 + 97 + 91
𝑥̅ = = 85,7
9

Sebaran Data
Rentang
Rentang adalah selisih antara nilai maksimum dan nilai minimum suatu
variabel.
Rentang interkuatil
Rentang interkuartil adalah data tengah 50%, yaitu persentil ke-75 sampai
25. Hal ini biasanya dilaporkan ketika nilai median digunakan untuk
mengukur kecenderungan sentral. Dalam contoh denyut nadi, rentang
interkuartil adalah dari 61 sampai 74 kali (rentang interkuartil 13 kali). Ini

34
biasanya dilaporkan sebagai "50% denyut nadi pasien antara 61 dan 74
kali." Rentang interkuartil sesuai untuk variabel ordinal, interval, dan rasio
tingkat.
Standar deviasi
Standar deviasi adalah selisih antara nilai rata-rata dari rerata variabel. Jika
deviasi standarnya terlalu besar, sebaran nilai dalam kumpulan data juga
besar. Jika deviasi standarnya kecil, kebanyakan skornya berada sangat
dekat dengan skor rata-rata.
Koefisien varians
Koefisien variasi digunakan saat membandingkan variasi dari dua atau lebih
variabel yang berbeda. Ini didefinisikan sebagai rasio standar deviasi
terhadap nilai absolut mean dan dinyatakan sebagai persentase. Koefisien
variasi adalah ukuran satuan yang menggambarkan ukuran standar deviasi
relatif terhadap mean-nya. Rumus untuk koefisien variasi adalah:

𝑠
𝑐𝑣 = × 100
‖𝑥̅ ‖

Contoh Perhitungan
Seorang perawat melakukan pengukuran denyut nadi 15 pasien disebuah
ruangan rawat inap dengan data ditunjukkan pada tabel 3-7, dengan
langkah-langkah perhitungan untuk rentang, rentang interkuartil, standar
deviasi, dan koefisien varians dapat dijelaskan dibawahnya.
2-7 Data Denyut Nadi Pasien Pascabedah
No Denyut Nadi (X) 𝐗−𝐗 ̅ (𝐗 − 𝐗̅) 𝟐 X2
1 45 -19,73 389,2729 2025
2 47 -17,73 314,3529 2209
3 48 -16,73 279,8929 2304
4 61 -3,73 13,9129 3721
5 62 -2,73 7,4529 3844

35
 6 64 -0,73 0,5329 4096
7 66 1,27 1,6129 4356
8 67 2,27 5,1529 4489
9 68 3,27 10,6929 4624
10 70 5,27 27,7729 4900
11 71 6,27 39,3129 5041
12 74 9,27 85,9329 5476
13 75 10,27 105,4729 5625
14 76 11,27 127,0129 5776
15 77 12,27 150,5529 5929
Σ =971 Σ= Σ=1.558,9335 Σ=64415
̅
X=64,73

Langkah-langkah perhitungan
1. Rentang
Nilai maksimum – nilai minimum = 77 – 45 = 32
2. Rentang Interkuartil
 Persentil 25: n+1(1/4)=15+1(1/4)=4
Jadi, nilai persentil 25 = 61
 Persentil 75: n+1(3/4)=15+1(3/4)=12
Jadi, nilai persentil 75 = 74
 Nilai rentang interkuartil = 74 – 61 = 13
3. Standar Deviasi
Penggunaan rumus dasar:

∑(x − x̅)2
s=√
n−1

Langkah 1: Hitung jumlah penyimpangan kuadrat tentang mean

(lihat Tabel 2.7).

∑(x − x̅)2 = 1558,9335

Langkah 2: Bagi dengan ukuran sampel n - 1.

36
1558,9335 1558,9335
= = 111,352
15 − 1 14
Varians sampel, s2 = 111,352. Standar deviasi sampel, s = (111,352)1/2
= 10,552.
Menggunakan rumus cara pintas:
2
(∑ 𝑥)
2
∑𝑋 −
𝑠2 = 𝑛
𝑛−1
Langkah 1: Hitunglah dengan mengkuadratkan masing-masing
nilai variabel dan menjumlahkannya (lihat Tabel 2.7)

∑ 𝑋 2 = 64415

Langkah 2: Hitunglah dengan menjumlahkan nilai variabel

(Tabel 2.7) lalu mengkuadratkan totalnya:

(∑ 𝑥) = 971

Langkah 3: Hubungkan kedua nilai ini ke dalam rumus,

mengingat bahwa n = jumlah peserta dalam studi ini:
2
(∑ 𝑥)
∑ 𝑋2 −
𝑠2 = 𝑛
𝑛−1
(971)2
64415 −
𝑠2 = 15
15 − 1
64415 − 62856,067
𝑠2 =
14
1558,933
𝑠2 =
14
𝑠 2 = 111,352
Varians sampel, s2 = 111,352. Standar deviasi sampel, s = (111,352)1/2
= 10,552.

37
4. Perhitungan koefisien varians
𝑠
𝑐𝑣 = × 100
‖𝑥̅ ‖
Langkah 1: nilai standar deviasi: s = 10,552.
Langkah 2: Bagilah standar deviasi dengan nilai absolut mean:
cv = (10,552 /64,73) * 100 = 16,30%
Koefisien varians, cv = 16,30%.

Mean, Variansi, dan Standar Deviasi Populasi

Saat bekerja dengan data populasi, simbol yang berbeda untuk mean,
varians, dan standar deviasi digunakan. Formula yang sedikit berbeda
digunakan untuk menghitung varians dan standar deviasi dari keseluruhan
populasi. Populasi terdiri dari keseluruhan kelompok individu (mis.,
kejadian, hal, hasil) yang akan dijelaskan. Dalam bidang keperawatan,
jarang sekali ada jenis data ini. Data kependudukan untuk penyedia layanan
kesehatan memberikan indikasi dampak dari masalah kesehatan tertentu
seperti tingkat infeksi sifilis atau tingkat kelahiran prematur di wilayah
tertentu. Untuk data berbasis populasi, simbol dan formula berikut
digunakan: simbol untuk mean populasi adalah µ.
Rumus untuk mean populasi adalah:
∑𝑥
𝜇=
𝑛
Rumus dasar untuk varians populasi:
∑(x − x̅)2
𝜎2 =
n
Rumus singkat untuk varians populasi:

38
 2
(∑ 𝑥)
2
∑𝑋 −
2
𝜎 = 𝑛
𝑛
Standar deviasi populasi adalah akar kuadrat dari varians populasi:
𝜎 = √𝜎
Kesimpulan Hasil
Hasilnya akan dilaporkan sebagai berikut: denyut nadi rata-rata pasien
adalah 64,73x/menit, berkisar antara 45 sampai 77x/menit. Deviasi
standar adalah 10,552x/menit, dan koefisien variasi adalah 16,30%.

39
 BAB

DISTRIBUSI PROBABILITAS
4

Probabilitas
Pengertian Probabilitas
Pemahaman tentang probabilitas sangat penting untuk memahami statistik.
Kompetensi probabilitas diperlukan untuk memahami nilai ρ, membaca
tabel tabulasi silang, dan memahami distribusi frekuensi, yang semuanya
digunakan dalam penelitian keperawatan. Membaca dengan benar tabel
tabulasi silang memerlukan pemahaman tentang probabilitas gabungan,
bersyarat, dan marjinal. Selanjutnya, beberapa uji statistik yang digunakan
untuk menentukan signifikansi suatu hasil bergantung pada distribusi
probabilitas teoritis seperti distribusi normal. Bahkan istilah "ρ-value"
mengacu pada probabilitas mendapatkan hasil secara kebetulan sendiri.
Secara umum, konsep probabilitas obyektif dapat dikategorikan
dalam dua bidang: probabilitas apriori (teoritis atau klasik) dan probabilitas
posteriori (empiris atau relatif frekuensi). Dalam probabilitas klasik,
distribusi kejadian dapat disimpulkan tanpa mengumpulkan data seperti
dengan gulungan koin atau lemparan dadu. Dalam probabilitas frekuensi
relatif, data harus dikumpulkan oleh beberapa proses, dan probabilitas
kejadian tersebut harus diperkirakan dari data. Dalam penelitian perawatan
kesehatan, probabilitas frekuensi relatif digunakan saat mengumpulkan data,
dan probabilitas klasik (mis., distribusi probabilitas teoretis) digunakan saat
membuat kesimpulan statistik.

40
Dasar Penggunaan Probabilitas
Pada bagian ini, tabel tabulasi silang digunakan dari sebuah studi
perilaku merokok terhadap kejadian TBC di kota A (Tabel 4-1). Pertanyaan
penelitian: Apakah perilaku merokok memiliki hubungan dengan kejadian
TBC?. Beberapa peneliti berpikir bahwa perilaku merokok pada orang akan
memiliki hubungan dengan kejadian TBC. Dua variabel yang menarik di
sini adalah "perilaku merokok pada orang dewasa" (ya / tidak) dan
"hubungan dengan kejadian TBC" (ya / tidak). Sebanyak 50 responden yang
diminta tanggapan yang tepat terhadap kedua pertanyaan “Apakah pernah
merokok dan menderita TBC?”.
4-1 Tabel Tabulasi Silang
Merokok TBC
Total
Tidak Ya
Tidak 9 8 17
Ya 4 29 33
Total 13 37 50

Probabilitas Marjinal
Probabilitas marjinal hanyalah berapa kali kejadian terjadi dibagi dengan
jumlah waktu yang dapat terjadi. Bila menggunakan probabilitas frekuensi
relatif, probabilitas suatu kejadian adalah berapa kali kejadian terjadi dibagi
dengan jumlah percobaan. Hal ini dinyatakan secara matematis sebagai
berikut:
𝑗𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑗𝑎𝑑𝑖𝑎𝑛
𝑝(𝐴) =
𝑁
dimana N adalah jumlah total percobaan. Dalam penelitian perawatan
kesehatan, jumlah uji coba (N) biasanya adalah jumlah subjek dalam
penelitian ini. "Subjek" dapat merujuk pada individu manusia, institusi
perorangan, atau bahkan sampel laboratorium individual.

41
 Pertama, probabilitas sederhana, juga disebut probabilitas marjinal,
dari masing-masing dua variabel dihitung. Probabilitas bahwa merokok
menyebabkan TBC adalah:
33
𝑝(𝐴) = = 0,66
50
Dengan kata lain, 66% merokok akan menyebabkan TBC.
Probabilitas untuk tidak merokok [p (not-A)] adalah:
17
𝑝(𝐴̅) = = 0,34
50
Karena perilaku merokok dan tidak merokok adalah peristiwa yang
saling eksklusif dan lengkap, probabilitas mereka bertambah hingga 1 (0,66
+ 0,34 = 1,0). Demikian pula, probabilitas bahwa TBC memiliki hubungan
dengan perilaku merokok adalah:
37
𝑝(𝐵) = = 0,74
50
Dengan kata lain, 74% kejadian TBC disebabkan oleh perilaku
merokok, dan kemungkinan bahwa TBC tidak akan memiliki hubungan
dengan perilaku merokok adalah:
13
𝑝(𝐵̅) = = 0,26
50
Probabilitas Bersyarat
Probabilitas bersyarat adalah probabilitas bahwa satu peristiwa akan terjadi
mengingat peristiwa lain telah terjadi. Dalam notasi matematika,
probabilitas bersyarat ditulis sebagai p (B|A), probabilitas kejadian B
mengingat kejadian A telah terjadi. Dalam prakteknya, dengan
menggunakan probabilitas bersyarat berarti hanya sebagian data yang
sedang dipelajari. Sangat penting untuk menggunakan penyebut yang benar
saat menghitung probabilitas bersyarat.

42
 Probabilitas bersyarat sering dibandingkan pada tabel tabulasi silang.
Misalnya, dalam kejadian TBC, pertanyaan penelitiannya adalah: Apakah
perilaku merokok memiliki hubungan dengan kejadian TBC di kota A?
Pertanyaan yang benar-benar diajukan adalah: Bagaimana kedua
probabilitas ini membandingkan (a) mengingat bahwa warga kota A tidak
memiliki kebiasaan merokok, berapakah probabilitas bahwa warga kota A
akan memiliki hubungan dengan kejadian TBC dan (b) bahwa warga kota A
memiliki kebiasaan merokok, berapakah probabilitas bahwa warga kota A
akan memiliki hubungan dengan kejadian TBC? Penyebut yang benar untuk
probabilitas pertama adalah 17 karena 17 warga melaporkan tidak memiliki
kebiasaan merokok, dan penyebut yang benar untuk probabilitas kedua
adalah 33 karena 33 warga melaporkan bahwa mereka memiliki kebiasaan
merokok. Probabilitas bersyarat dihitung sebagai berikut:
p(hubungan kejadian TBC | warga tidak merokok)
8
= 𝑝(𝐵|𝐴̅) = = 0,4705
17
p(hubungan dengan kejadian TBC | warga merokok)
29
= 𝑝(𝐵|𝐴) = = 0,8788
33
Dengan kata lain, 47,05% warga yang tidak merokok memiliki
hubungan dengan kejadian TBC dibandingkan dengan 87,88% orang yang
merokok.

Probabilitas Gabungan
Probabilitas gabungan adalah co-terjadinya dua atau lebih peristiwa. Kunci
untuk memahami probabilitas gabungan adalah mengetahui bahwa kata
"keduanya" dan "dan" biasanya dilibatkan. Misalnya, jika pertanyaan
penelitian menanyakan probabilitas seorang warga pada sampel yang

43
memiliki kebiasaan merokok dan hubungan dengan kejadian TBC,
probabilitas gabungan akan dihitung. Dalam notasi matematika, probabilitas
ini ditulis sebagai:
𝑝(𝐴 ∩ 𝐵)
Dalam contoh ini, probabilitasnya dihitung sebagai berikut:
p(warga yang merokok ∩ hubungan dengan kejadian TBC)
29
= 𝑝(𝐴 ∩ 𝐵) = = 0,58
50
Dengan kata lain, 58% warga yang memiliki kebiasaan merokok dan
hubungan dengan kejadian TBC. Dalam kasus ini, penyebut adalah
keseluruhan sampel, dan pembilang adalah jumlah kebiasaan merokok
dengan kedua kondisi tersebut.

Aturan Penambahan
Aturan penambahan digunakan untuk menghitung probabilitas bahwa salah
satu dari dua peristiwa akan terjadi; Ini berarti satu, yang lain, atau
keduanya akan terjadi. Biasanya, istilah dan/atau menunjukkan jenis
probabilitas ini. Misalnya, jika seseorang ingin mengetahui berapa banyak
warga yang merokok dan/atau hubungan dengan kejadian TBC, peraturan
tambahan akan digunakan. Aturan umum dinyatakan secara matematis
seperti yang ditunjukkan pada persamaan dibawah ini:
𝑝(𝐴 ∪ 𝐵) = 𝑝(𝐴) + 𝑝(𝐵) − 𝑝(𝐴 ∩ 𝐵)
Alasan bahwa probabilitas gabungan dikurangkan adalah bahwa jika
kejadian A dan B tidak saling eksklusif (mis., ada beberapa tumpang tindih),
probabilitas tumpang tindih ditambahkan dua kali. Pada contoh di atas, dua
probabilitas marjinal dan probabilitas gabungan kedua hasil ini digunakan
untuk menghitung probabilitas terjadinya kejadian:

44
 33
𝑝(𝐴) = 𝑝(𝑤𝑎𝑟𝑔𝑎 𝑦𝑎𝑛𝑔 𝑚𝑒𝑟𝑜𝑘𝑜𝑘) =
50
37
𝑝(𝐵) = 𝑝(ℎ𝑢𝑏𝑢𝑛𝑔𝑎𝑛 𝑑𝑒𝑛𝑔𝑎𝑛 𝑘𝑒𝑗𝑎𝑑𝑖𝑎𝑛 𝑇𝐵𝐶) =
50
29
𝑝(𝐴 ∩ 𝐵) = 𝑝(𝑤𝑎𝑟𝑔𝑎 𝑦𝑎𝑛𝑔 𝑚𝑒𝑟𝑜𝑘𝑜𝑘 ∩ 𝑘𝑒𝑗𝑎𝑑𝑖𝑎𝑛 𝑇𝐵𝐶) =
50
Jadi
33 37 29
𝑝(𝐴 ∪ 𝐵) = + − = 0,82
50 50 50
Dengan kata lain, 82% warga yang merokok dan/atau hubungan dengan
kejadian TBC.
Versi lain dari aturan tambahan berguna saat menghitung
probabilitas bahwa salah satu dari dua peristiwa yang saling eksklusif akan
terjadi. Ketika dua kejadian eksklusif, mereka tidak pernah terjadi bersama-
sama, dan dengan demikian, probabilitas gabungan mereka adalah 0. Oleh
karena itu, aturan tambahan untuk kejadian yang saling eksklusif dikurangi
menjadi:
𝑝(𝐴𝑎𝑡𝑎𝑢𝐵) = 𝑝(𝐴) + 𝑝(𝐵)𝑠𝑒ℎ𝑖𝑛𝑔𝑔𝑎𝑝 𝑝(𝐴 ∩ 𝐵) = 0

Aturan Penggandaan
Aturan perkalian dalam probabilitas memungkinkan jenis probabilitas
tertentu dihitung dari probabilitas lainnya. Ini sangat berguna bila hanya
probabilitas bahwa kejadian akan terjadi, bukan data mentahnya, tersedia.
Probabilitas ini dapat digunakan untuk menghitung probabilitas gabungan.
Aturan perkalian umum adalah:
𝑝(𝐴 ∩ 𝐵) = 𝑝(𝐴) × 𝑝(𝐵|𝐴)
Sebagai contoh, jika hanya probabilitas marjinal dan kondisional
dari studi perilaku merokok pada warga yang tersedia, probabilitas
gabungan dapat dihitung dengan langkah-langkah sebagai berikut:

45
 33
𝑝(𝐴) = 𝑝(𝑤𝑎𝑟𝑔𝑎 𝑦𝑎𝑛𝑔 𝑚𝑒𝑟𝑜𝑘𝑜𝑘) = = 0.66
50
𝑝(𝐴|𝐵) = 𝑝(ℎ𝑢𝑏𝑢𝑛𝑔𝑎𝑛 𝑑𝑒𝑛𝑔𝑎𝑛 𝑘𝑒𝑗𝑎𝑑𝑖𝑎𝑛 𝑇𝐵𝐶)
29
𝑝(𝐴|𝐵) = = 0.58
50
𝑝(𝐴 ∩ 𝐵) = 0.66 × 0.58 = 0.3828
Ini adalah hasil yang sama yang dicapai ketika probabilitas gabungan
dihitung langsung dari tabel.

Independent Events
Dua peristiwa bersifat independen ketika terjadinya salah satu tidak
mengubah probabilitas bahwa yang lain akan terjadi. Dalam istilah
matematika, ini didefinisikan dengan mengatakan bahwa kejadian A dan
kejadian B bersifat independen jika p (A|B) = p (A). Dalam kasus ini, aturan
perkalian dikurangi menjadi:
𝑝(𝐴 ∩ 𝐵) = 𝑝(𝐴) × 𝑝(𝐵)
Penting untuk dipahami bahwa peristiwa independen bukanlah
peristiwa yang saling eksklusif; mereka dapat terjadi bersamaan tapi tidak
saling bergantung satu sama lain. Kejadian yang saling eksklusif tidak
independen sepanjang kejadiannya tergantung pada yang lain tidak terjadi.

Distribution Normal
Pengujian normalitas data hanya digunakan untuk menguji statistik
parametrik. Karena statistik parametrik, hanya akan digunakan jika setiap
data variabel penelitian yang akan dianalisis membentuk distribusi normal.
Bila data tidak normal, maka untuk menguji data variabel digunakan uji
statistik nonparametris.

46
Suatu data dikatakan berdistribusi normal jika nilai rata-rata, median dan
modusnya sama. Karena dalam distribusi normal rata-rata, median dan
modusnya sama, maka ada beberapa penting hal tentang variabel yang
memiliki distribusi normal.
1. 68% nilai berada dalam satu deviasi standar rata-rata.
2. 95% nilai berada dalam dua deviasi standar rata-rata.

68%

95%

-2 -1 0 1 2
Gambar 4.1 Kurva Normal
3. Menaikkan nilai rata-rata menyebabkan kurva bergeser ke kanan (kurva
merah, gambar 4.2A).
4. Mengurangi nilai rata-rata menyebabkan kurva bergeser ke kiri (kurva
biru, gambar 4.2A).
5. Menurunkan variansi menjadikan grafik terlihat lebih tinggi dan ramping
(kurva merah, gambar 4.2B).
6. Menaikkan variansi menjadikan grafik terlihat lebih pendek dan gemuk
(kurva biru, gambar 4.3B).

47
 4 4

3 3

2 2

1 1

0 0
1 3 5 7 9 11 13 15 17 1 3 5 7 9 11 13 15 17

A B
Gambar 4.2 Perubahan rata-rata dan variansi

Satu hal penting yang harus dilakukan terhadap variabel normal

adalah mengubah distribusinya menjadi distribusi normal standar. Hal ini
membuat semua area dibawah kurva berada pada kurva normal dengan rata-
rata 0 dan deviasi standar 1. Jika x adalah variabel berdistribusi normal,
rumus tersebut akan menghasilkan Z, yaitu variabel normal standar.
Variabel normal standar membantu kita tahu banyak tentang
probabilitasnya. Dengan rumus:
𝑥 − 𝑥̅
𝑧=
𝑠
Dimana: z = kurva normal
𝑥 = variabel berdistribusi normal
µ = rata-rata
s = variansi
Ciri-Ciri Distribusi Normal
Ada beberapa ciri distribusi normal, yaitu:
1. Simetris terhadap mean.
2. Kurva berbentuk lonceng.
3. Nilai mean, median, dan modus sama
4. Luas dibawah kurva = 1 dengan nilai mean = 0 dan standar deviasi = 1.

48
Pengujian Normalitas
Tabel 4-2 menunjukkan data berat badan balita di Posyandu A dengan
menggunakan skor Z. Skor Z, juga dapat ditambahkan bersama-sama,
menghasilkan nilai yang dapat diambil untuk mewakili posisi berat badan
balita relatif dari berbagai responden. Perhitungan semacam itu dapat
dilakukan dengan cepat di dalam SPSS.
Tabel 4-2 Distribusi Berat badan
No Berat Badan (X) X2
1 5 25
2 6 36
3 7 49
4 7 49
5 9 81
6 10 100
7 11 121
8 11 121
9 12 144
10 13 169
Σ 91 895

Langkah-Langkah Perhitungan Nilai Z

Langkah 1: Tentukan hipotesis nol dan hipotesis alternatif
H0: berat badan balita di Posyandu A mengikuti distribusi normal.
HA: berat badan balita di Posyandu A mengikuti distribusi tidak normal.
Langkah 2: Hitung nilai rata-rata dan standar deviasi
∑ 𝑥 91
𝑥̅ = = = 9,1
𝑛 10
2
(∑ 𝑥)
∑ 𝑋2 −
𝑠2 = 𝑛
𝑛−1
(91)2
895 − 10
𝑠2 =
10 − 1

49
 895 − 828,1
𝑠2 =
9
66,9
𝑠2 = = 7,433
9
𝑠 = √7,433 = 2,726
Langkah 3. Hitung nilai Z
𝑥 − 𝑥̅
𝑧=
𝑠
5 − 9,1
𝑧=
2,726
−4,1
𝑧=
2,726
𝑧 = −1.50
Langkah 4. Carilah nilai 1.50
Pada lampiran (Tabel A), turunkan kolom nilai Z sampai Anda mencapai
nilai 1.5, lalu turun ke kolom yang dikepalai oleh 0,00 dan baca nilainya.
Kita dapat menemukan nomor 4332. Angka ini harus dipahami sebagai
0,4332, proporsinya.
Langkah 5. Hitunglah nilai peluang
Kita tahu bahwa setengah dari kasus akan jatuh di atas rata-rata.
Dinyatakan sebagai sebuah proporsi, ini akan menunjukkan bahwa 0,5
dari kasus akan jatuh di atas rata-rata. Pertanyaan yang ingin jawab adalah
berapa proporsi kasus di atas 5 kg. Melihat gambar 4-3, kita yakin bahwa
jika sisi kiri kurva berisi 0,5 dari semua kasus, dan, jika nilainya 5 kg
adalah 0,4332 di atas rata-rata, maka kasus di atas 5 kg menjadi:
0,5 – 0,4332 = 0,0668

50
 -1,96 -1,50 0,5

Gambar 4-3 kurva distribusi normal

Langkah 6. Interpretasi hasil
Sebagai sebuah proporsi, 0,0668 kasus akan jatuh di atas 5 kg. Atau, cara
lain untuk mengungkapkan gagasan yang sama, adalah mengatakan bahwa
6,68% berat badan balita minimal 5 kg (kalikan proporsinya, 0,0668
dengan 100 untuk mendapatkan 6,68%).

Homogenitas Varians
Dua Sampel Bebas
Untuk menguji kedua varians sama atau berbeda dari sampel I yang diambil
secara acak berukuran n1, yaitu x1, x2, x3,...,xn1, dan nilai rata-rata x dan
varians s12 dengan sampel II yang diambil secara acak berukuran n2, yaitu
y1, y2, y3,..., yn2 dan nilai rata-rata y dan varians s22. Dengan kedua sampel
saling bebas, maka:
𝑠12
𝐹=
𝑠22
𝑛(∑ 𝑥 2 ) − (∑ 𝑥)2
𝑠2 =
𝑛(𝑛 − 1)
Contoh Perhitungan

51
Penelitian tentang perbandingan metode mengajar statistik, yaitu metode X
dan metode Y dilakukan pada mahasiswa, dengan α = 5%. Apakah hasil
pemberian obat mempunyai varians yang sama atau berbeda?
Tabel 4-3 Distribusi Metode Belajar Statistik
Resp. X X2 Y Y2
1 88 7744 70 4900
2 80 6400 72 5184
3 85 7225 68 4624
4 76 5776 65 4225
5 78 6084 78 6084
6 90 8100 80 6400
7 84 7056 69 4761
8 73 5329 75 5625
9 75 5625 82 6724
10 92 8464 73 5329
∑ 821 67803 732 53856

Langkah-Langkah Perhitungan
Langkah 1: Tentukan hipotesis nol dan hipotesis alternatif
H0 : kedua kelompok mempunyai varians yang sama
HA : kedua kelompok mempunyai varians yang berbeda
Langkah 2: Menghitung nilai varians
𝑛(∑ 𝑥 2 ) − (∑ 𝑥)2 10(67803) − 8212
𝑠12 = =
𝑛(𝑛 − 1) 10(10 − 1)
3989
= = 44,32
90
𝑛(∑ 𝑥 2 ) − (∑ 𝑥)2 10(53856) − 7322
𝑠22 = =
𝑛(𝑛 − 1) 10(10 − 1)
2736
= = 30,4
90
Langkah 3: Menghitung nilai F

52
 𝑠12 44,32
𝐹= 2= = 1,457
𝑠2 30,4
Langkah 4: Kesimpulan
Dengan Ftabel (0,025;9,9) = 4,10, karena Fhitung < Ftabel maka H0 diterima.
Artinya, hasil tes kedua kelas tersebut mempunyai varians yang sama
(𝐻0 ; 𝜎12 = 𝜎22 ).

Dua Sampel Berpasangan

Untuk menguji kedua varians sama atau berbeda dari sampel I yang diambil
secara acak berukuran n1, yaitu x1, x2, x3,...,xn1, dan nilai rata-rata x dan
varians s12 dengan sampel II yang diambil secara acak berukuran n2, yaitu
y1, y2, y3,..., yn2 dan nilai rata-rata y dan varians s22. Dengan kedua sampel
saling berpasangan, maka :
𝑠12 − 𝑠22
𝑡=
1 − 𝑟2
2. 𝑠12 . 𝑠22 . √ 𝑛 − 12
2

𝑛(∑ 𝑥 2 ) − (∑ 𝑥)2
𝑠2 =
𝑛(𝑛 − 1)
Dengan r adalah koefisien korelasi sampel 1 dan 2 dengan rumus:
n(∑ X Y) − (∑ X) . (∑ Y)
𝑟ℎ𝑖𝑡𝑢𝑛𝑔 =
√{𝑛 ∑ 𝑋 2 − (∑ 𝑋)2 }{𝑛 ∑ 𝑌2 − (∑ 𝑌)2 }

Contoh Perhitungan
Untuk meningkatkan berat badan pada anak diberikan PMT pada 10 anak.
Sebelum pemberian PMT berat badan diukur dan setelah pemberian PMT
selama satu bulan berat badan diukur lagi, dengan data seperti pada tabel 4-
4 Dengan α = 5%, apakah berat badan sebelum dan sesudah pemberian
PMT mempunyai varians yang sama atau berbeda?

53
 Tabel 4-5 Distribusi Berat Badan Anak
Berat Badan (kg)
Resp. Y2 XY
Sebelum (X) X2 Sesudah (Y)
1 15 225 16 256 240
2 11 121 11 121 121
3 14 196 15 225 210
4 10 100 14 196 140
5 13 169 14 196 182
6 12 144 16 256 192
7 9 81 11 121 99
8 16 256 17 289 272
9 11 121 11 121 121
10 15 225 16 256 240
∑ 126 1638 141 2037 1817

Langkah-Langkah Perhitungan
Langkah 1: Tentukan hipotesis nol dan hipotesis alternatif
H0 : kedua kelompok mempunyai varians yang sama
HA : kedua kelompok mempunyai varians yang berbeda
Langkah 2: Menghitung nilai varians
𝑛(∑ 𝑥 2 ) − (∑ 𝑥)2 10(1638) − 1262
𝑠12 = =
𝑛(𝑛 − 1) 10(10 − 1)
504
= = 5,6
90
𝑛(∑ 𝑥 2 ) − (∑ 𝑥)2 10(2037) − 1412
𝑠22 = =
𝑛(𝑛 − 1) 10(10 − 1)
489
= = 5,43
90
Langkag 3: Menghitung koefisien korelasi
n(∑ X Y) − (∑ X) . (∑ Y)
𝑟=
√{𝑛 ∑ 𝑋 2 − (∑ 𝑋)2 }{𝑛 ∑ 𝑌2 − (∑ 𝑌)2 }

54
 10(1817) − 126.141
=
√{10.1638 − 1262 }{10.2037 − 1412 ∑}
18170 − 17766 404 404
= = = = 0,813
√{504}{489} √246456 496,44

Langkah 4: Menghitung nilai t

𝑠12 − 𝑠22
𝑡=
1 − 𝑟2
2. 𝑠12 . 𝑠22 . √ 𝑛 − 12
2
5,6 − 5,43
=
1 − 0,813
2.5,6.5,43. √ 10 − 2

5,6 − 5,43 0,17

= =
2.5,6.5,43. √0,023 2.5,6.5,43.0,151
0,17
= = 0,018
9,183
Langkah 5: Kesimpulan
Dengan mengambil taraf 0,05, maka –t(α/2;n-2) < t > t(α/2;n-2) dengan
nilai thitung berada di -2,306 < 0,018 > 2,306 dengan demikian H0 diterima
berarti varians tersebut adalah sama (𝐻0 ; 𝜎12 = 𝜎22 ).

55
 BAB

ELEMEN STATISTIK INFERENSIAL

5

Penggunaan Statistik Inferensial

Salah satu tujuan utama penelitian adalah menarik kesimpulan yang berarti
tentang populasi berdasarkan data yang dikumpulkan dari sampel dalam
populasi tersebut. Terkadang peneliti berfokus pada bagaimana
perbandingan sampel dengan keseluruhan populasi; peneliti lain membuat
perbandingan antar kelompok. Peneliti juga dapat membandingkan
pengukuran pada kelompok yang sama yang diambil dari waktu ke waktu
(mis., untuk menguji bagaimana kinerja penurunan berat badan).

Hipotesis
Pengujian Hipotesis
Hipotesis adalah asumsi mengenai suatu ide atau observasi yang dapat diuji.
Hipotesis memberi jalan bagi peneliti untuk mengartikulasikan hubungan
yang diharapkan antara variabel. Hipotesis harus berasal langsung dari
pertanyaan penelitian dan harus didasarkan pada teori atau model
konseptual yang kuat. Hubungan yang diharapkan dapat berupa asosiasi
(yaitu, tidak ada efek kausal yang diduga) atau hubungan kausal (yaitu, di
mana variabel independen dikatakan menyebabkan perubahan pada variabel
dependen). Hipotesis yang dapat diuji untuk mengidentifikasi kelompok
yang sedang dibandingkan, variabel-variabel yang membandingkannya, dan
hubungan yang diharapkan.

56
 Uji hipotesis adalah pendekatan klasik untuk menilai signifikansi
statistik. Hipotesis diuji dengan menggunakan statistik inferensial yang
sesuai dan menafsirkan hasilnya. Hal ini masuk akal karena memberi
pembaca (dan peneliti) gagasan yang jelas mengapa penelitian ini dilakukan
dan hubungan apa yang diharapkan. Namun, statistik inferensial hanya
menguji hipotesis nol. Praktis, ini berarti bahwa setelah perhitungan uji
statistik yang benar, sebuah keputusan dibuat mengenai hipotesis nol.
Keputusan tersebut bisa menjadi salah satu dari dua: menolak atau
menerima hipotesis nol. Menolak hipotesis nol berarti bahwa peneliti
percaya bahwa variabel tersebut secara signifikan mempunyai hubungan
satu sama lain. Menerima hipotesis nol berarti bahwa peneliti percaya
bahwa variabel-variabel tersebut tidak ada hubungan secara signifikan.
Kriteria yang digunakan untuk menolak atau menerima hipotesis nol
didasarkan pada nilai-α yang ditetapkan sebelum peneltian dan nilai ρ dari
statistik yang dihitung.
Formula Hipotesis
Hipotesis yang dapat diuji dapat dinyatakan sebagai hipotesis nol
(H0) atau sebagai hipotesis alternatif (HA). Hipotesis alternatif juga dikenal
sebagai hipotesis akting atau hipotesis penelitian. Hipotesis nol selalu
menyatakan bahwa tidak ada perbedaan atau hubungan antara variabel-
variabel yang diteliti. Hipotesis alternatif menyatakan ada hubungan atau
perbedaan yang dipercaya oleh peneliti.
Signifikan Statistik
Signifikansi statistik berarti bahwa perbedaan yang tampak di antara
dua sampel cukup besar sehingga tidak mungkin disebabkan oleh kebetulan.
Untuk menentukan signifikansi statistik, diperlukan identifikasi tingkat
signifikansi dari nilai-ρ yang didefinisikan sebagai "signifikan secara

57
statistik" disebut nilai alpha (nilai-α). Nilai ini ditentukan oleh peneliti
sebelum dilakukan uji statistik. Nilai-α yang umum digunakan adalah 0,10,
0,05, dan 0,01. Nilai-α = 0,10 berarti bahwa untuk hasil yang signifikan,
tidak lebih dari 10% secara kebetulan. Demikian pula, nilai-α = 0,05 berarti
bahwa hasilnya tidak lebih dari 5% secara kebetulan, dan nilai-α = 0,01
berarti bahwa hal itu tidak lebih dari 1% secara kebetulan.
Kesalahan Dalam Pengujian Hipotesis
Peneliti memutuskan untuk menerima atau menolak hipotesis nol
berdasarkan data yang ada. Karena data ini tidak sempurna dan hanya
mewakili sampel seluruh populasi, tidak dapat dinyatakan secara definitif
bahwa hipotesis nol itu benar atau salah. Cara yang tepat, dengan
menyatakan bahwa hipotesis nol harus ditolak atau diterima (Polit dan Beck,
2008). Dua kesalahan potensial adalah menolak hipotesis nol jika benar
(kesalahan tipe I) atau untuk menerima hipotesis nol bila salah (kesalahan
tipe II). Tentu saja, tidak ada cara untuk mengetahui apakah kesalahan tipe I
atau tipe II telah dilakukan dalam penelitian tertentu. Inilah sebabnya
mengapa penting untuk tidak mengandalkan hanya satu studi tapi memiliki
banyak bukti dari banyak penelitian sebelum kesimpulan tentang sebuah
fenomena dapat disimpulkan.
1. Kesalahan Tipe I adalah suatu kesalahan bila menolak hipotesis nol (H0)
yang benar (seharusnya diterima). Probabilitas untuk membuat kesalahan
tipe I didefinisikan oleh nilai-α. Dengan nilai-α, 0,10, diketahui bahwa
tidak terjadi lebih dari 10% secara kebetulan agar kesalahan tipe I akan
dibuat dan hipotesis nol ditolak saat hipotesis itu benar.
2. Kesalahan Tipe II adalah kesalahan bila menerima hipotesis yang salah
(seharusnya ditolak). Kesalahan tipe II dibuat saat hipotesis nol tidak
ditolak bila salah. Probabilitas untuk membuat kesalahan tipe II disebut

58
 sebagai β. Probabilitas untuk membuat kesalahan tipe II menurun saat
kekuatan sebuah studi meningkat.
Berdasarkan hal diatas, maka hubungan antara keputusan menolak atau
menerima hipotesis dapat digambarkan dalam tabel 5-1 dibawah ini.
Tabel 5-1 Hubungan antara menolak atau menerima hipotesis
Keadaan yang sesungguhnya
Kesimpulan
Hipotesis benar Hipotesis salah
Menerima hipotesis Benar Keliru tipe I (α)
Menolak hipotesis Keliru tipe II (β) Benar

Dari tabel 5-1 dapat dijelaskan sebagai berikut:

1. Keputusan menerima hipotesis nol yang benar, berarti tidak membuat
kesalahan.
2. Keputusan menerima hipotesis nol yang salah, berarti terjadi kesalahan
Tipe II.
3. Membuat keputusan menolak hipotesis nol yang benar, berarti terjadi
kesalahan Tipe I.
4. Keputusan menolak hipotesis nol yang salah, berarti tidak membuat
kesalahan.
Langkah Pengujian Hipotesis
Dalam penelitian empiris, hipotesis diuji dengan menggunakan statistik
inferensial (mis., Uji-t, chi-square, ANOVA). Langkah-langkah spesifik
untuk setiap teknik inferensial dibahas dalam Bab 6 sampai 12. Prosedur
umumnya adalah sebagai berikut:
1. Nyatakan hipotesis nol dan hipotesis alternatif.
2. Tentukan nilai alfa yang digunakan untuk menentukan signifikansi
statistik.
3. Pastikan data memenuhi asumsi yang diperlukan untuk menghitung
statistik uji.

59
4. Tentukan uji statistik yang digunakan.
5. Bandingkan distribusi statistik yang dihitung dengan distribusi pada
hipotesis nol dan laporkan nilai ρ yang di dapat.
6. Menentukan kesimpulan untuk menerima atau menolak hipotesis nol.

Uji Z Satu Sampel

Masing-masing uji statistik yang tersedia bagi peneliti memiliki
tujuan yang berbeda, dan masing-masing membuat asumsi tertentu tentang
data tersebut. Jika uji statistik digunakan bila asumsi tidak terpenuhi, ada
ancaman terhadap validitas statistik dari kesimpulan.
Uji z-satu sampel digunakan untuk membandingkan nilai mean dari
variabel yang diperoleh dari sampel dengan mean populasi dari variabel
tersebut untuk melihat apakah secara statistik berbeda secara signifikan.
Tujuan dari statistik ini adalah untuk menguji apakah mean sampel secara
signifikan berbeda dari mean populasi. Ini mengasumsikan bahwa data dari
sampel didistribusikan secara normal dan bahwa mean populasi (μ) dan
standar deviasi populasi (σ) diketahui. Jika standar deviasi populasi tidak
diketahui, uji t-satu sampel adalah alternatif yang lebih baik.
Langkah-langkah untuk pengujian hipotesis diilustrasikan dengan
melakukan pengambilan pada sampel untuk melihat apakah kadar
hemoglobin pasien ruangan A di RS X berbeda dengan rata-rata hemoglobin
semua pasien di RS X tersebut. Kadar hemoglobin berfungsi sebagai
pengikat O2 didalam darah dengan kadar hemoglobin normal 12 – 18. Data
kadar hemoglobin pasien ruangan A di RS X dari 20 sampel dapat dilihat
dalam tabel 5-2. Rata-rata hemoglobin semua pasien di RS tersebut adalah
13,22 dengan standar deviasi 5,08.
Tabel 5-2 Distribusi Kadar Hemoglobin pasien ruangan A

60
 Responden Hb (X) X2
1 7 49
2 9 81
3 10 100
4 13 169
5 11 121
6 14 196
7 11 121
8 17 289
9 16 256
10 13 169
11 15 225
12 12 144
13 8 64
14 14 196
15 9 81
16 14 196
17 9 81
18 13 169
19 8 64
20 15 225
Σ 238 2996

Langkah-langkah Perhitungan
Langkah 1: Nyatakan hipotesis nol dan hipotesis alternatif
 H0: kadar hemaglobin pasien ruangan A tidak akan berbeda secara
signifikan dengan populasi pasien di RS X.
 HA: kadar hemoglobin pasien ruangan A akan sangat berbeda dengan
populasi pasien di RS X.
Langkah 2: Definisikan Tingkat Signifikansi (nilai-α), Pilihlah Statistik
Uji yang sesuai, Tentukan Wilayah Penolakan, dan Nyatakan Aturan
Penolakan
Nilai-α untuk penelitian ini adalah 0,05. Ini berarti bahwa jika nilai
uji statistik yang dihitung terjadi secara kebetulan, 5% atau kurang,

61
hipotesis nol akan ditolak. Kesimpulannya, kadar hemoglobin pasien
ruangan A akan sangat berbeda dengan populasi pasien di RS X.
Tentukan Wilayah Kritis dan Nyatakan Aturan Penolakan
Seperti yang dinyatakan sebelumnya, nilai statistik dianggap
signifikan bila nilai yang dihitung jauh berbeda dari apa yang diharapkan
dengan kebetulan saja. Nilai-α adalah bagaimana "kebetulan sendirian"
didefinisikan. Dalam kasus ini, maka 0,05 yang berarti bahwa hipotesis nol
akan ditolak jika nilai statistik dihitung lebih besar dari nilai 95% dan
bahwa hipotesis nol akan diterima jika nilai yang dihitung termasuk dalam
kisaran 95%. Untuk menolak hipotesis nol, nilai statistik yang dihitung
harus melebihi nilai kritis untuk uji z-satu sampel.
Rentang nilai di mana hipotesis nol ditolak disebut "wilayah kritis",
dan titik potong dari uji-z di mana hipotesis nol ditolak disebut "nilai kritis."
Hipotesis alternatifl hanya menguji apakah artinya sangat berbeda dari mean
populasi (misalnya, jumlahnya bisa jauh lebih kecil atau jauh lebih besar).
Dalam kasus ini, uji z dua ekor digunakan untuk menguji hipotesis karena
penting untuk mengetahui apakah nilai statistik yang dihitung berada di
tengah 95%, dalam hal ini hipotesis nol diterima, atau jika itu jatuh di
ekstrim (luar) 5% dari nilai z (yaitu dibawah 2,5% atau diatas 2,5%), dalam
hal ini hipotesis nol akan ditolak. Gambar 4-1 memberikan contoh grafis
untuk uji z dua sisi. Untuk tingkat α = 0,05 dan uji dua-ekor, nilai kritisnya
adalah +1.96 dan -1.96. Perbedaan dalam mean dengan nilai z dihitung di
atas +1.96 dan di bawah -1,96 dianggap signifikan secara statistik.

62
 2,5% 2,5%

-1,96 0 1,96
Daerah penerimaan Daerah penolakan Daerah penerimaan

Gambar 4-1 Daerah kritis untuk uji z dua arah (α=0.05)

Tes satu-ekor dimaksudkan untuk digunakan dengan hipotesis
terarah. Dalam kasus ini, apakah mean sampel secara signifikan lebih besar
daripada (atau kurang dari) mean populasi sedang diuji. Jika hipotesis
tersebut menyatakan bahwa rata-rata kadar hemoglobin pasien ruangan A
lebih besar daripada populasi pasien di RS X, penting untuk mengetahui
apakah nilai z dihitung dalam kisaran nilai 95% yang lebih rendah. Jika nilai
z dihitung turun di bawah 95%, hipotesis nol diterima. Jika nilai z dihitung
di atas 5% dari nilai z-hitung, hipotesis nol akan ditolak. Gambar 4-2
memberikan contoh grafisnya. Untuk tingkat α = 0,05 dan uji satu sisi
positif, nilai kritis untuk ekor bagian atas adalah +1.65. Jika nilai z untuk
perbedaan rata-rata (satu ekor) di atas +1.65, mean sampel dianggap lebih
besar daripada mean populasi. Jika menguji hipotesis bahwa rata-rata kadar
hemoglobin pasien ruangan A kurang dari populasi pasien di RS X, maka
nilai kritis untuk wilayah yang lebih rendah, -1,65, akan digunakan dan
hipotesis nol akan ditolak untuk nilai yang dihitung dari z yang jatuh ke
daerah penolakan yang lebih rendah.

63
 5%

0 1,96

Daerah penolakan Daerah penerimaan

Gambar 4-2 Daerah kritis untuk uji z dua arah (α=0.05)

Langkah 3: Pastikan Data Memenuhi Asumsi yang Diperlukan untuk
Menghitung Statistik
Data kadar hemoglobin pasien ruang A secara normal pada 20
pasien. Standar deviasi populasi diketahui. Kedua asumsi uji z sampel satu
sampel telah terpenuhi, sehingga uji dapat dilanjutkan.
Langkah 4: Hitunglah dan Nyatakan Parameter Yang Dibandingkan
dengan Statistik Uji
Nilai rata-rata
∑ 𝑥 238
𝑋̅ = = = 11,9
𝑛 20
Standar deviasi
2
(∑ 𝑥)
∑ 𝑋2 −
𝑠2 = 𝑛
𝑛−1
(238)2
2996 −
𝑠2 = 20
20 − 1
2996 − 2832,2
𝑠2 =
19
𝑠 2 = 8,62

64
 𝑠 = √8,62 =2,93
Rata-rata kadar hemaglobin dari 20 pasien dalam sampel adalah 11,9
(standar deviasi, 2,93). Kadar hemaglobin rata-rata semua pasien di RS X
adalah 13,22 (standar deviasi, 5,08).
Langkah 5: Hitunglah Statistik Uji dan Dapatkan Nilai-pnya
Formula uji z-satu sampel adalah:
𝑋̅ − 𝜇
𝑧=𝜎
⁄ 𝑛
√
Uji z untuk contoh ini dapat dihitung sebagai berikut:
𝑋̅ − 𝜇 11,9 − 13,22 −1,32
𝑧=𝜎 = = = −1,16
⁄ 𝑛 5,08 1,14
√ ⁄
√20
Oleh karena itu, nilai yang dihitung dari z-test (nilai z) adalah -1,16. Nilai
ini tidak melebihi nilai kritis 1,96, jadi tidak jatuh ke daerah penolakan.
Nilai-ρ yang tepat untuk statistik yang dihitung ini dapat diperoleh dari
tabel-z. Dua digit pertama dinyalakan terlebih dahulu, dan desimal pertama
ditempatkan di kolom yang diberi label z; dalam hal ini, nilai 1,1. Kemudian
atas ke bagian atas kepala tabel, tempat desimal ketujuh ditemukan (dalam
kasus ini, 0,06). Jumlah yang terletak di persimpangan baris dan kolom
adalah area di bawah kurva dan di bawah nilai z; dalam hal ini, nilainya
adalah 0,3770. Oleh karena itu, perkiraan nilai- ρ untuk uji satu-ekor adalah
1 – 0,3770, atau .0623. Nilai-ρ yang tepat untuk uji dua arah adalah 2 x,
0,0475, atau 0,95. Hal yang menarik dari hasil ini adalah bahwa hal itu akan
diidentifikasikan secara statistik signifikan jika uji z satu-ekor telah dipilih.
Langkah 6: Tentukan Signifikansi Statistik dan jelaskan sebuah
Kesimpulan

65
 Uji z yang dihitung tidak termasuk dalam wilayah kritis; Untuk
melakukannya, itu harus memiliki nilai absolut +1,96 atau lebih. Karena
nilai z-hitung tidak melebihi nilai kritis, hipotesis nol diterima. Cara lain
untuk melihat ini adalah dengan melihat nilai-ρ dari test. Karena nilai-ρ-
spesifik 0,095 lebih besar dari tingkat α (0,05) untuk penelitian ini, hipotesis
nol (H0) diterima. Secara keseluruhan, kadar hemoglobin pasien ruangan A
tidak berbeda secara signifikan dengan populasi pasien di RS X.

Menghitung tingkat keperacayan disekitar rata-rata

Sebagian besar penelitian dilakukan hanya menggunakan sampel data dari
populasi yang diminati. Asumsi yang dibuat adalah bahwa hasil yang
diperoleh dari sampel adalah representasi yang valid dari seluruh populasi.
Namun, perkiraan rata-rata yang dibuat dari data sampel tidak memberikan
nilai yang tepat dari rata-rata populasi yang sebenarnya. Salah satu cara
untuk menilai seberapa baik suatu perkiraan diperoleh dari sampel adalah
untuk menghitung interval kepercayaan di sekitar perkiraan rata-rata. Data
kadar hemoglobin yang dibahas di bagian sebelumnya terdiri dari 20 pasien.
Namun, ada lebih banyak pasien di RS X yang dapat berpartisipasi; 20
pasien ini mewakili populasi yang lebih besar dari semua pasien yang bisa
terdaftar dalam penelitian ini. Maka akan masuk akal untuk mengajukan
pertanyaan berikut: Seberapa baik perkiraan kadar hemoglobin rata-rata
yang dihitung dari data kadar hemoglobin rata-rata yang sebenarnya dari
semua pasien di RS X yang bisa berpartisipasi? Salah satu cara untuk
menjawab pertanyaan ini adalah dengan membangun interval kepercayaan
di sekitar mean.
Teori limit sentral

66
Teori limit sentral memungkinkan interval kepercayaan untuk dihitung di
sekitar mean populasi dari sampel tunggal. Secara umum, teori limit sentral
menyatakan bahwa ketika sejumlah sampel yang berbeda diambil dari
populasi yang sama, distribusi dari sampel berarti cenderung terdistribusi
secara normal. Ini juga menyatakan bahwa standar deviasi distribusi sampel
(yaitu, kesalahan standar dari mean) dapat dihitung dengan menggunakan
persamaan dibawah ini:
𝜎
𝑠𝑒𝑥 =
√𝑛
Semakin besar ukuran sampel, semakin kecil kesalahan standar atau
standart error (dan dengan demikian semakin akurat ukurannya). Secara
umum, pendekatan normalitas distribusi sampling dari mean menjadi lebih
baik ketika ukuran sampel meningkat. Ukuran sampel 30 atau lebih telah
ditemukan cukup untuk teori limit sentral untuk diterapkan. Akan tetapi,
untuk mempermudah pemahaman didalam buku ini digunakan contoh pada
20 sampel.
Membuat interval keyakinan
Pertanyaan tentang seberapa baik perkiraan adalah mean sampel (𝑥̅ ) dari
mean populasi (µ) dapat dijawab dengan membangun interval kepercayaan
di sekitar perkiraan mean. Dalam arti luas, interval kepercayaan
memberikan kisaran nilai x dari statistik sampel yang sebenarnya
kemungkinan mengandung nilai populasi yang sebenarnya. Interval
kepercayaan biasanya dibangun sebagai interval kepercayaan 95% atau
99%. Interval kepercayaan 95% ditafsirkan sebagai berikut: jika penelitian
diulang berulang-ulang, menggambar sampel yang berbeda dengan ukuran
yang sama dari populasi yang sama, 95% dari waktu yang diperkirakan rata-
rata akan jatuh dalam interval kepercayaan. Untuk menghitung interval

67
kepercayaan, perlu diketahui faktor keandalan dan kesalahan standar dari
mean.
Koefisien reliabilitas diperoleh dari z-tabel. Biasanya, koefisien reliabilitas
digunakan untuk interval kepercayaan 95% dan 99%. Koefisien reliabilitas
untuk interval kepercayaan 95% adalah 1,96, dan koefisien reliabilitas untuk
interval kepercayaan 99% adalah 2,58. Koefisien reliabilitas ini didasarkan
pada z-skor. Skor-z -1,96 setara dengan peringkat persentil 2,5%, dan skor-z
+1,96 setara dengan skor-z sebesar 97,5%. Dengan demikian, area di bawah
kurva normal antara kedua nilai ini adalah 95%. Dengan kata lain, batas
untuk interval kepercayaan 95% adalah +/- 1.96 kesalahan standar dari
perkiraan rata-rata. Demikian pula, skor-z -2,58 setara dengan peringkat
persentil 0,5%, dan skor-z +2,58 setara dengan peringkat persentil 99,5%.
Dengan demikian, area di bawah kurva normal antara kedua nilai ini adalah
99%.
𝜎
𝑠𝑒𝑥 =
√𝑛
dimana σ adalah standar deviasi populasi dan n adalah ukuran sampel.
Persamaan untuk menghitung interval kepercayaan 95% adalah:
95% = 𝑥̅ ± (1,96. 𝑠𝑒𝑥 )
Persamaan untuk menghitung interval kepercayaan 99% adalah:
99% = 𝑥̅ ± (2,58. 𝑠𝑒𝑥 )
Interval kepercayaan 95% sekitar nilai rata-rata untuk kadar hemoglobin
dihitung sebagai berikut:
Rata-rata kadar hemoglobin:
∑ 𝑥 238
𝑥̅ = = = 11,9
𝑛 20
Standar deviasi:
𝜎 = 5,08

68
Standar eror:
𝜎 5,08
𝑠𝑒𝑥 = = = 1,136
√𝑛 √20
Interval kepercayaan 95% di sekitar rata-rata dihitung sebagai berikut:
95%CI = 𝑥̅ ±(1.96 * sex)
=11,9 ±(1.96 x 1,136)
=11,9 ± 2,22656
95%CI =(9.673< µ <14.126)
Dengan demikian, peneliti dapat menyatakan bahwa mereka yakin 95%
bahwa kadar hemoglobin pasien rata-rata yang sebenarnya yang dapat
berpartisipasi dalam penelitian ini adalah antara 9,673 dan 14,126 mmdl.

Uji t Satu Sampel

Dalam banyak kasus, mean populasi diketahui, namun standar deviasi
populasi tidak. Uji z-satu sampel tidak akurat bila asumsinya dilanggar, jadi
uji t-satu sampel digunakan, yang memungkinkan penggunaan standar
deviasi sampel sebagai pengganti untuk deviasi standar populasi. Persamaan
untuk uji-t tampaknya identik dengan uji z. Persamaannya adalah:
𝑋̅ − 𝜇
𝑡= 𝑠
⁄ 𝑛
√
dimana 𝑋̅ adalah mean sampel, µ adalah mean populasi, dan s adalah
standar deviasi sampel.
Perbedaan dalam kedua tes tersebut adalah distribusi yang
digunakan untuk memperoleh nilai kritis. Bila menggunakan uji-t, distribusi
normal standar tidak dapat digunakan untuk menentukan wilayah kritis.
Sebagai gantinya, satu set distribusi yang dikenal sebagai distribusi t-test,
yang ditemukan oleh William S. Gossett pada tahun 1906. Distribusi t-test

69
mirip dengan distribusi normal standar karena berbentuk lonceng, dan
simetris tentang mean. Namun, t-test memiliki parameter tambahan, yang
disebut derajat kebebasan (df), berasal dari ukuran sampel, yang
menentukan bentuk pastinya.
Bentuk yang tepat dari distribusi t-test bervariasi dari distribusi
normal dan bergantung pada ukuran sampel yang digunakan. Oleh karena
itu, nilai kritis untuk t-test yang diberikan bergantung pada ukuran sampel
dan tingkat α yang dipilih dari penelitian ini. Untuk mendapatkan nilai kritis
yang benar, derajat kebebasan harus dihitung dari jumlah sampel, dan
kemudian nilai kritis untuk tingkat α ditetapkan harus diperoleh dari tabel-t
(lihat lampiran, tabel B). Untuk uji t-satu sampel, derajat kebebasan dihitung
sebagai jumlah total pada sampel dikurangi 1 (yaitu, n - 1).
Uji t-satu sampel diilustrasikan dengan melakukan pengambilan
sampel kadar hemoglobin untuk melihat apakah kadar hemoglobin pasien
ruangan A di RS X berpengaruh terhadap frekuensi napas pasien diruangan
A berbeda dengan frekuensi napas populasi pasien di RS X tersebut.
Dengan nilai rata-rata frekuensi napas semua pasien di RS X adalah
18,29x/menit
Tabel 5-3 Distribusi Frekuensi Napas Pasien
Responden Hb (X) X2
1 27 729
2 25 625
3 26 676
4 22 484
5 24 576
6 20 400
7 23 529
8 18 324
9 21 441
10 17 289
11 15 225

70
 12 19 361
13 25 625
14 19 361
15 23 529
16 18 324
17 26 676
18 17 289
19 26 676
20 16 256
Σ 427 9395

Langkah 1: Nyatakan Null dan Hipotesis Alternatif

 H0: frekuensi napas pasien diruangan A tidak akan berbeda secara
signifikan dengan frekuensi napas semua pasien di RS X.
 HA: frekuensi napas pasien diruangan A berbeda secara signifikan
dengan frekuensi napas pasien di RS X.
Langkah 2: Definisikan Tingkat Signifikansi (Tingkat-α) untuk Studi
ini, Pilihlah Statistik Uji yang sesuai, Tentukan Wilayah Kritis, dan
Nyatakan Aturan Penolakan
Tingkat α = ρ<0,05 dengan uji dua-ekor akan digunakan. Karena standar
deviasi populasi tidak tersedia, uji t sampel satu sampel dipilih sebagai uji
statistik. Untuk menemukan wilayah kritis, derajat kebebasan harus
diketahui. Derajat kebebasan untuk uji t-satu sampel dihitung dengan
mengurangkan 1 dari total ukuran sampel (n - 1). Dalam contoh ini, ada 20
pasien dalam analisis, jadi derajat kebebasannya adalah n - 1, yang sama
dengan 19. Nilai kritis, yang ditemukan dengan melihat tabel t-test (lihat
lampiran, tabel B), adalah 2.093. Hal ini dapat ditemukan dengan melihat
kolom yang diberi label uji dua-ekor, ρ<0,05, dan baris df = 19.
Langkah 3: Pastikan Data Memenuhi Asumsi yang Diperlukan untuk
Menghitung Uji Statistik

71
Data frekuensi napas didistribusikan secara normal pada 20 pasien. Standar
deviasi populasi tidak diketahui, namun standar deviasi sampel dapat
dihitung dari data sampel. Kedua asumsi uji t-satu sampel telah terpenuhi,
sehingga uji dapat dilanjutkan.
Langkah 4: Hitung dan Nyatakan Nilai Parameter Yang Dibandingkan
dengan Statistik Uji
Nilai rata-rata
∑ 𝑥 427
𝑋̅ = = = 21,35
𝑛 20
Standar deviasi
2
(∑ 𝑥)
2
∑𝑋 −
𝑠2 = 𝑛
𝑛−1
(427)2
9395 −
𝑠2 = 20
20 − 1
9395 − 9116,45
𝑠2 =
19
𝑠 2 = 14,66
𝑠 = √14,66 =3,82

Rata-rata frekuensi napas dari 20 pasien dalam sampel adalah 21,35 (standar
deviasi, 3,82). Rata-rata frekuensi napas semua pasien di RS X tersebut
adalah 18,29.
Langkah 5: Hitunglah Statistik Uji dan Dapatkan Nilai-pnya
Uji-t dihitung dengan menggunakan persamaan dan sesuai dengan langkah-
langkah dibawah ini:
𝑋̅ − 𝜇 21,35 − 18,29 3,06
𝑡= 𝑠 = = = 3,583
⁄ 𝑛 3,82 0,854
√ ⁄
√20

72
Langkah 6: Tentukan Signifikansi Statistik dan jelaskan sebuah
Kesimpulan
Nilai uji t-test adalah 3,583. Nilai ini melebihi nilai kritis 2.093; Oleh karena
itu, nilai tersebut jatuh ke dalam wilayah penolakan. maka, kita akan
menyimpulkan, berdasarkan uji t-satu sampel, bahwa frekuensi napas pasien
diruangan A secara signifikan berbeda daripada semua pasien di RS X.
Menghitung tingkat keperacayan disekitar rata-rata
Sebagian besar penelitian dilakukan hanya menggunakan sampel data dari
populasi yang diminati. Asumsi yang dibuat adalah bahwa hasil yang
diperoleh dari sampel adalah representasi yang valid dari seluruh populasi.
Namun, perkiraan rata-rata yang dibuat dari data sampel tidak memberikan
nilai yang tepat dari rata-rata populasi yang sebenarnya. Salah satu cara
untuk menilai seberapa baik suatu perkiraan diperoleh dari sampel adalah
untuk menghitung interval kepercayaan di sekitar perkiraan rata-rata.
Teori limit sentral
Teori limit sentral memungkinkan interval kepercayaan untuk dihitung di
sekitar mean populasi dari sampel tunggal. Secara umum, teori limit sentral
menyatakan bahwa ketika sejumlah sampel yang berbeda diambil dari
populasi yang sama, distribusi dari sampel berarti cenderung terdistribusi
secara normal. Ini juga menyatakan bahwa standar deviasi sampel (yaitu,
kesalahan standar dari mean) dapat dihitung dengan menggunakan
persamaan dibawah ini:
𝑠
𝑠𝑒𝑥 =
√𝑛
Membuat interval keyakinan
Pertanyaan tentang seberapa baik perkiraan adalah mean sampel (𝑥̅ ) dari
mean populasi (µ) dapat dijawab dengan membangun interval kepercayaan

73
di sekitar perkiraan mean. Dalam arti luas, interval kepercayaan
memberikan kisaran nilai x dari statistik sampel yang sebenarnya
kemungkinan mengandung nilai populasi yang sebenarnya. Interval
kepercayaan biasanya dibangun sebagai interval kepercayaan 95% atau
99%. Interval kepercayaan 95% ditafsirkan sebagai berikut: jika penelitian
diulang berulang-ulang, menggambar sampel yang berbeda dengan ukuran
yang sama dari populasi yang sama, 95% dari waktu yang diperkirakan rata-
rata akan jatuh dalam interval kepercayaan. Untuk menghitung interval
kepercayaan, perlu diketahui faktor keandalan dan kesalahan standar dari
mean.
𝑠
𝑠𝑒𝑥 =
√𝑛
dimana s adalah standar deviasi sampel dan n adalah ukuran sampel.
Persamaan untuk menghitung interval kepercayaan 95% adalah:
95% = 𝑥̅ ± (𝑡0,025:𝑛−1 . 𝑠𝑒𝑥 )
Persamaan untuk menghitung interval kepercayaan 99% adalah:
99% = 𝑥̅ ± (𝑡0,005:𝑛−1 . 𝑠𝑒𝑥 )
Interval kepercayaan 95% sekitar nilai rata-rata untuk usia gadis remaja
dihitung sebagai berikut:
Usia rata-rata:
∑ 𝑥 427
𝑥̅ = = = 21,35
𝑛 20
Standar deviasi:
𝑠 = 3,82

Standar eror:
𝑠 3,82
𝑠𝑒𝑥 = = = 0,854
√𝑛 √20

74
Interval kepercayaan 95% di sekitar rata-rata dihitung dengan langkah-
langkah seperti dibawah ini:
95%CI = 𝑥̅ ± (𝑡0,025:𝑛−1 . 𝑠𝑒𝑥 )
= 21,35 ±(2,145 x 0,854)
= 21,35 ± 1,83183
95%CI = (19,519< t <23,181)
Dengan demikian, peneliti dapat menyatakan bahwa yakin 95% bahwa rata-
rata frekuensi napas yang sebenarnya dapat berpartisipasi dalam penelitian
ini adalah antara 19,519 dan 23,181 x/menit.

75
 BAB

UJI BEDA DUA SAMPEL BEBAS

6

Independen t-Test
Uji-t untuk sampel independen adalah uji parametrik yang digunakan untuk
menentukan apakah terdapat perbedaan dalam dua kelompok. Kedua
kelompok tersebut diukur dengan variabel skala pengukuran interval atau
rasio. Ada dua rumus uji t-independen yang bisa dipilih. Bila kedua
kelompok yang dibandingkan memiliki varians yang sama (mis.,
Homogenitas varians), rumus uji-t untuk sampel gabungan digunakan;
ketika kedua kelompok memiliki varians yang berbeda secara signifikan
(misalnya heterogenitas varians), maka rumus uji-t yang digunakan sampel
terpisah.
Asumsi dasar
Uji t independen dapat digunakan bila:
 Variabel pengelompokan dikotomis.
 Data berdistribusi secara normal.
 Skala pengukuran adalah interval atau rasio.
 Kedua kelompok sampel acak independen.
Derajat Kebebasan
Total sampel yang terdiri dari sampel 1 tambah sampel 2 dikurangi 2.
𝑑𝑓 = 𝑛𝐴 + 𝑛𝐵 − 2
Signifikan Statistik

76
Untuk mengetahui perbedaan secara signifikan nilai yang diobservasi dari
nilai yang diperkirakan pada satu derajat kebebasan dengan menggunakan
uji t-test adalah:
1. Jika thitung > ttabel atau nilai p < α (biasanya <0,05 yang bergantung pada
alfa yang digunakan) H0 ditolak dan disimpulkan bahwa ada perbedaan.
2. Jika thitung < ttabel atau nilai p > α (biasanya <0,05 yang bergantung pada
alfa yang digunakan) H0 diterima dan disimpulkan bahwa tidak ada
perbedaan.
Contoh Perhitungan
Seorang peneliti mengambil data penurunan tekanan darah sistolik dari 31
responden dengan menggunakan dua jenis obat, yang dipilih secara acak.
Table 6.1 Distribusi Penurunan Tekanan Darah Sistolik
Obat A Obat B
No 2 2 No 2
XA X XA XA XB X XB XB2
1 2 4 -7,06 49,84 17 1 1 -7,13 50,84
2 3 9 -6,06 36,72 18 1 1 -7,13 50,84
3 4 16 -5,06 26,60 19 2 4 -6,13 37,58
4 5 25 -4,06 16,48 20 3 9 -5,13 26,32
5 5 25 -4,06 16,48 21 5 25 -3,13 9,80
6 6 36 -3,06 9,36 22 7 49 -1,13 1,28
7 8 64 -1,06 1,12 23 7 49 -1,13 1,28
8 8 64 -1,06 1,12 24 9 81 0,87 0,76
9 10 100 0,94 0,88 25 10 100 1,87 3,50
10 11 121 1,94 3,74 26 10 100 1,87 3,50
11 12 144 2,94 8,64 27 11 121 2,87 8,24
12 13 169 3,94 15,52 28 12 144 3,87 14,98
13 13 169 3,94 15,52 29 13 169 4,87 23,72
14 13 169 3,94 15,52 30 15 225 6,87 47,20
15 16 256 6,94 48,16 31 16 256 7,87 61,94
16 16 256 6,94 48,16
145 1627 0,04 313,86 122 1334 6,31 341,78

Data dikumpulkan dari 16 orang yang menggunakan obat jenis A dan 15

orang menggunakan obat jenis B, yang telah mencoba menurunkan tekanan
darah sistolik selama periode 1 bulan. Data ditunjukkan pada Tabel 6-1

77
untuk distribusi variabel "penurunan tekanan darah sistolik". Proses
perhitungan langkah demi langkah, prosedur untuk menghitung uji-t dengan
menggunakan SPSS serta hasil dari prosedur ini ditunjukkan pada bagian
setelahnya.
Langkah-Langkah Perhitungan Independen t-Test
Langkah 1: Tentukan hipotesis nol dan hipotesis alternatif.
 H0: Tidak ada perbedaan antara kedua obat tersebut terhadap
penurunan tekanan darah sistol.
 HA: Ada perbedaan antara kedua obat tersebut dalam penurunan
tekanan darah sistolik.
Langkah 2: Definisikan tingkat signifikansi (nilai-α), derajat
kebebasan, dan nilai kritisnya.
 Nilai-α adalah 0,05.
 Derajat kebebasan total adalah 29 (n - 2).
 Nilai kritis untuk t-statistik adalah 2,045.
Langkah 3: Pastikan data memenuhi semua asumsi yang diperlukan.
 Variabel pengelompokan dikotomis.
 Data tidak tergantung satu sama lain (saling independen).
 Data terdistribusi normal.
 Penurunan tekanan darah sistol adalah variabel rasio.
Langkah 4: Hitung mean, standar deviasi, dan varians untuk
penurunan berat badan menurut kedua jenis obat.
Perhitungan untuk langkah ke 4 adalah sebagai berikut:
Rata-rata penurunan tekanan darah sistolik untuk dari obat A adalah:
∑ 𝑥1
𝑥̅1 =
𝑛1
145
𝑥̅1 = = 9,06
16

78
Varians penurunan tekanan darah sistolik dari obat A adalah:
(∑ 𝑥)2
(∑ 𝑥 2 ) −
𝑠2 = 𝑛
(𝑛 − 1)
(145)2
1627 −
𝑠2 = 16 = 20,86
(16 − 1)
Standar deviasi penurunan tekanan darah sistolik dari obat A adalah:

𝑠 = √𝑠 2
𝑠 = √20,86 = 4,57
Rata-rata penurunan tekanan darah sistolik dari obat B adalah:
∑ 𝑥2
𝑥̅2 =
𝑛2
122
𝑥̅2 = = 8,13
15
Varians penurunan tekanan darah sistolik dari obat B adalah:
(∑ 𝑥)2
(∑ 𝑥 2 ) −
𝑠2 = 𝑛
(𝑛 − 1)
(122)2
1334 −
𝑠2 = 15 = 24,41
(15 − 1)
Standar deviasi penurunan tekanan darah sistolik dari obat B adalah:

𝑠 = √𝑠 2
𝑠 = √24,41 = 4,94
Jenis Obat Mean Standar Deviasi Varians
Obat A 9,06 4,57 20,86
Obat B 8,13 4,94 24,41
Overall 8,61 4,69 22,04
Langkah 5: Hitung t-test independen yang benar.
Uji homogenitas varians

79
Nilai kritis untuk f-statistik adalah 2,46.
Nilai yang dihitung adalah:
𝑠2
𝑓=
𝑠2
20,86
𝑓= = 0,85
24,41
Karena f statistik yang dihitung tidak melebihi nilai kritis, dapat
disimpulkan bahwa ada homogenitas varians dan uji t-independen untuk
sampel gabungan dapat digunakan.
Rumus untuk hit t-statistik (pooled samples) adalah:
x̅𝐴 – 𝑥̅𝐵
𝑡=
∑ 𝑥 2 + ∑ 𝑥𝐵2 1 1
√( 𝐴 )( + )
𝑛𝐴 + 𝑛𝐵 − 2 𝑛1 𝑛2

9.06 – 8,13
𝑡=
√(313,86 + 341,78) ( 1 + 1 )
16 + 15 − 2 16 15
0,93
𝑡=
√(22.608)(0.0625 + 0.067)
0,93
𝑡=
√2.927
0,93
𝑡= = 0.544
1.710
Menghitung Interval Kepercayaan
Apabila rata-rata dari populasi kesatu mempunyai nilai rata-rata (µ1) dan
populai kedua mempunyai nilai rata-rata (µ2) dengan kedua nilai rata-rata
tersebut tidak diketahui, maka kita akan menentukan taksiran interval dari
µ1 - µ2 dengan derajat keyakinan = 1 – α.
Persaman untuk menghitung interval kepercayaan 95% adalah:

80
 95% CI = (x̅𝐴 – 𝑥̅𝐵 ) ± (t0,025;n1+n2-1 * semd)
Persaman untuk menghitung interval kepercayaan 99% adalah:
99% CI = (x̅𝐴 – 𝑥̅𝐵 ) ± (t0,005;n1+n2-1 * semd)
Dengan Standard error of the mean difference (semd ) =

∑ 𝑥𝐴2 + ∑ 𝑥𝐵2 1 1
se𝑚𝑑 = √( )( + )
𝑛𝐴 + 𝑛𝐵 − 2 𝑛1 𝑛2

Maka interval kepercayaan 95% untuk contoh diatas adalah:

∑ 𝑥𝐴2 + ∑ 𝑥𝐵2 1 1
se𝑚𝑑 = √( ) ( + ) = 1.710
𝑛𝐴 + 𝑛𝐵 − 2 𝑛1 𝑛2

Koefisien reliabilitas, t0,025;(n1+n2)-1= 2.045

95% CI = 0.93 ± 2.045 * (1.710)
= 0.93 ± 3.49695
95% CI = (-2.566< t <4.426)
Langkah 6: Tentukan signifikansi statistik dan nyatakan sebuah
kesimpulan.
Karena nilai absolut dari t-statistik yang dihitung adalah 0,544, yang lebih
kecil dari nilai kritis 2,045, hipotesis nol diterima. Dapat disimpulkan
bahwa dalam sampel ini, penurunan tekanan darah sistolik tidak ada
perbedaan antara kedua obat tersebut secara signifikan selama satu bulan.

Daerah Daerah
penolakkan
penolakkan
Daerah penerimaan

-2,045 0,544 2,045

81
Prosedur Perhitungan Dengan SPSS
Langkah 1: Data harus dimasukkan
ke dalam data set SPSS.

Langkah 2: Sistem menu

digunakan untuk mengklik
"Analyze" dan kemudian memilih
"Compare Means" dan
"Independent-Samples t-test."

Langkah 3: Ketika kotak pop-up

"IndependentSamples t-test"
muncul, "wtlosslb" dipilih dan
dipindahkan ke slot berlabel
"Variabel Uji." Variabel, "jenis
kelamin," dipilih dan dipindahkan
ke slot berlabel "Pengelompokan
Variabel . "Tombol" Definis Grup
"diklik. A 1 dimasukkan ke dalam
slot berlabel "grup 1," dan 2
dimasukkan ke dalam slot berlabel
"grup 2." Ini adalah dua nilai dari
variabel pengelompokan "jenis
kelamin." Ketika tombol berlabel
"OK" diklik, output muncul di
jendela output (lihat Tabel 5-3).

82
Hasil Perhitungan SPSS
Group Statistics
jenis obat N Mean Std. Deviation Std. Error Mean
penurunan tekanan obat A 16 9.06 4.568 1.142
darah sistolik obat B 15 8.13 4.941 1.276

Independent Samples Test

Levene's
Test for
Equality of
Variances t-test for Equality of Means
95%
Confidence
Sig. Interval of the
(2- Mean Std. Error Difference
F Sig. t df tailed) Difference Difference Lower Upper
penurunan Equal
tekanan variances .052 .822 .544 29 .591 .929 1.708 -2.563 4.422
darah assumed
sistolik Equal
variances .543 28.404 .592 .929 1.712 -2.576 4.434
not assumed

Kesimpulan:

Putting it all together

Setelah penurunan tekanan darah sistol rata-rata untuk setiap
kelompok, uji t-independen, dan interval kepercayaan telah dihitung,
kesimpulan dapat dinyatakan. Penting untuk menyatakan besarnya dan
arah perbedaan (0,93 mmHg) serta apakah perbedaannya secara statistik
signifikan. Hal ini dilakukan agar pembaca dapat menilai signifikansi

83
 statistik dan signifikansi klinis dari temuan.
Dalam penelitian ini, disimpulkan bahwa pengguanaan kedua obat
mengalami penurunan tekanan darah sistol rata-rata 8,61 mmHg (standar
deviasi, 4,69) selama periode 1 bulan, dengan obat A terjadi penurunan
rata-rata 9,06 mmHg (standar deviasi, 4,57) dan obat B terjadi penurunan
rata-rata 8,13 mmHg (standar deviasi, 4,94). Selanjutnya, disimpulkan
bahwa obat A mengalami penurunan lebih tinggi daripada obat B dengan
uji-independen pada ρ=0,05 dan bahwa peneliti 95% yakin bahwa
perbedaan penurunan tekanan darah sistolik sebenarnya antara obat A dan
obat B setelah 1 bulan berada di suatu tempat antara -2,566 dan 4,426
mmHg.

Mann-Whitney U-Test
Uji U Mann-Whitney adalah tes nonparametrik yang digunakan untuk
menentukan apakah ada perbedaan antara dua kelompok bila variabel
independen dikotomis dan variabel dependennya ordinal. Uji ini dapat
digunakan dalam situasi di mana asumsi untuk uji t-independen tidak
terpenuhi (mis., ukuran sampel kecil, data terdistribusi tidak normal, data
ordinal). Uji U Mann-Whitney menguji hipotesis nol, yang menyatakan
bahwa median dari kedua kelompok sama. Hal ini serupa dengan uji t
independen parametrik, yang menguji apakah mean dari kedua kelompok
sama. Dengan nilai U yang lebih kecil digunakan untuk pengujian dan
membandingkan dengan U tabel.
Asumsi dasar
Uji mann- Whitney U-Test dapat digunakan bila:
 Variabel pengelompokan dikotomis.

84
 Variabel merupakan sampel acak independen.
 Skala pengukuran variabel setidaknya ordinal.
Contoh Perhitungan
Untuk mengilustrasikan prosedur perhitungan untuk uji U Mann-Whitney,
Tabel 6-2 Distribusi Tingkat Kemandirian Lansia
Laki-laki Peringkat (R1) Perempuan Peringkat (R2)
18 25 15 19,5
12 12 12 12
17 23,5 4 1
14 17 9 7
16 21,5 7 4
10 9 6 3
14 17 8 5
13 14,5 9 7
15 19,5 5 2
14 17 11 10
17 23,5 13 14,5
12 12 16 21,5
9 7
∑ 211,5 ∑ 113,5
data digunakan dari pertanyaan penelitian dalam latihan kesimbangan:
Adakah perbedaan tingkat kemandirian lansia antara laki-laki dan
perempuan setelah dilakukan latihan keseimbangan selama satu bulan?
Penelitian yang melibatkan 25 orang lansia dilakukan di sebuah panti
jompo. Variabel pengelompokan adalah "jenis kelamin," dan memiliki dua
kategori, laki-laki dan perempuan. Variabel hasil yang diminati adalah
Tabel 6-3 Ringkasan Peringkat Tingkat Kemandirian Lansia
Group Skor Posisi Peringkat
2 4 1 1
2 5 2 2
2 6 3 3
2 7 4 4
2 8 5 5
2 9 6 7

85
 2 9 7 7
2 9 8 7
1 10 9 9
2 11 10 10
1 12 11 12
1 12 12 12
2 12 13 12
1 13 14 14,5
2 13 15 14,5
1 14 16 17
1 14 17 17
1 14 18 17
1 15 19 19,5
2 15 20 19,5
1 16 21 21,5
2 16 22 21,5
1 17 23 23,5
1 17 24 23,5
1 18 25 25

"tingkat kemandirian" yang dinilai dari lansia dalam skala 0 sampai 20, di
mana 0 adalah kategori kemandirian tergantung dan 20 adalah mandiri.
Dalam kasus ini, variabel pengelompokan adalah variabel bebas, dan
variabel lainnya adalah variabel dependen. Ada 12 orang di kelompok laki-
laki dan 13 orang di kelompok perempuan. Data ditunjukkan pada Tabel 6-
2, dan ringkasan proses pemeringkatan ditunjukkan pada Tabel 6-3.
Untuk menghitung nilai statistik uji hasil pengamatan, kita
menggabungkan kedua sampel dan merangking semua hasil pengamatan
dari yang kecil ke yang besar (nilai yang kecil sebagai rangking 1 dan nilai
terbesar sebagai rangking terbesar).
Untuk nilai yang sama maka kita menjumlahkan urutan rangking
dari besaran nilai sampel yang sama, kemudian dibagi banyaknya sampel
yang sama tersebut. Misalnya nilai 13 mempunyai dua rangking 14 dan 15

86
maka untuk menentukan rangking kedua tersebut adalah (14+15)/2=14,5.
Jadi nilai 13 mempunyai rangking yang sama yaitu 14,5.
Langkah-Langkah Perhitungan Mann U Whitney
Langkah 1: Tentukan hipotesis nol dan hipotesis alternatif
 H0: Tidak ada perbedaan tingkat kemandirian antara laki-laki dan
perempuan setelah dilakukan latihan keseimbangan.
 HA: Ada perbedaan tingkat kemandirian antara laki-laki dan
perempuan setelah dilakukan latihan keseimbangan.
Langkah 2: Tentukan Nilai-α, Tentukan Derajat Kebebasan, dan
Temukan Nilai Kritis untuk Statistik U-Mann Whitney yang
Dihitung
Untuk mengatakan bahwa kedua kelompok sangat berbeda satu sama lain
saat menggunakan Mann-Whitney U-test, nilai yang dihitung dari statistik
U harus lebih kecil dari nilai kritisnya. Dalam contoh ini, nilai-α = ρ≤.05
dan uji dua sisi digunakan. Ada 12 orang dari laki-laki (kelompok n) dan
13 orang dari perempuan (kelompok m). Nilai kritis diperoleh dari
Lampiran C. Nilai kritis dapat diperoleh dengan melihat persimpangan n
= 12 dan m = 13 untuk 0,05 (uji dua-ekor). Dalam hal ini, nilai kritisnya
adalah 35.
Langkah 3: Pastikan Data Memenuhi Semua Asumsi yang
Diperlukan
Data tampaknya memenuhi semua asumsi. Variabel pengelompokan,
"jenis kelamin," dikotomis, dan variabel lainnya, "tingkat kemandirian",
di mana nilai tinggi berarti mandiri, bersifat ordinal. Pengukuran
merupakan sampel acak independen, dan ukuran sampel total paling
sedikit 8.
Langkah 4: Hitung Rentang Median dan Interquartile untuk Setiap

87
Grup
Karena dua median dibandingkan, potongan pertama informasi yang
dibutuhkan adalah nilai median tersebut dan ukuran perbedaan di antara
keduanya. Dalam contoh ini, tingkat kemandirian median yang dicapai
oleh kedua kelompok lansia adalah 12 dan kisaran interkuartil adalah 6
(15-9). Nilai median untuk lansia laki-laki adalah 14 dengan kisaran
interkuartil adalah 4,50 (16,75-12,25), dan nilai median untuk lansia
perempuan adalah 9 dengan kisaran interkuartil adalah 6 (12,50-6,50).
Secara keseluruhan, tingkat kemandirian lansia laki-laki lebih baik
daripada tingkat kemandirian lansia perempuan. Uji U Mann-Whitney
dihitung dan dibandingkan dengan nilai kritis statistik U pada ρ=0,05
untuk melihat apakah perbedaan ini benar-benar signifikan secara
statistik.
Langkah 5: Perhitungan statistik Mann-Whitney U-Test
Rn, jumlah barisan kelompok yang lebih kecil, diperoleh dengan
menjumlahkan barisan titik data pada kelompok yang lebih kecil
(kelompok n), dan Rm, jumlah dari kelompok kelompok yang lebih besar,
diperoleh dengan menjumlahkan barisan dari titik data pada kelompok
yang lebih besar (kelompok m). Dalam contoh ini, jumlah rangking yang
dihitung sebagai berikut:
Laki-laki (R1) = 211,5
Perempuan (R2) = 113,5
Setelah jumlah penjumlahan telah diperoleh, statistik Mann-Whitney U-
test dapat diperoleh. Formula dasar untuk Mann-Whitney U-test adalah:
𝑛2 (𝑛2 + 1)
𝑈1 = 𝑅1 −
2
𝑈′ = 𝑛 × 𝑚 − 𝑈

88
Where n is the size of the smaller sample, m is the size of the larger
sample, and Rn is the sum of the ranks of the smaller sample.
Dalam contoh ini, the U-statistic is calculated using equation 5.4 as
follows:
𝑛2 (𝑛2 + 1)
𝑈1 = 𝑅1 −
2
12(12 + 1)
𝑈1 = 211,5 −
2
𝑈1 = 211,5 − 78 = 133,5
𝑈 ′ dihitung menggunakan persamaan:
𝑈′ = 𝑛 × 𝑚 − 𝑈
𝑈 ′ = 12 × 13 − 133,5
𝑈 ′ = 22,5
Langkah 6: Tentukan Signifikansi Statistik dan sebutkan sebuah
Kesimpulan
Bila jumlah tindakan pada kedua kelompok kurang dari 20, jawaban mana
pun (U atau 𝑈 ′ ) lebih kecil digunakan, dan nilai yang dihitung ini
dibandingkan dengan nilai kritis pada tabel U Mann-Whitney yang
dibahas pada Langkah 2. Jika Jumlah tindakan di kedua kelompok lebih
dari 20, tabel tidak dapat digunakan. Sebagai gantinya, skor z dihitung,
dan nilai kritisnya ditemukan di tabel z (Lampiran, tabel A). Hal ini
dilakukan dengan menggunakan persamaan z = (t - mn / 2) / (nm (m + 1) /
12). SPSS akan menghitung ini dan memberikan nilai-ρ yang tepat untuk
statistik U.
Dalam contoh ini, U = 133,5 dan 𝑈 ′ = 22,5. Nilai yang terkecil
dari kedua nilai tersebut 22,5, dibandingkan dengan nilai kritis 35. Karena
U-statistik yang dihitung dari 22,5 kurang dari nilai kritis 35, statistiknya
adalah baik di dalam daerah penolakan untuk ρ<0,05, dan hipotesis nol

89
harus ditolak. Dapat disimpulkan bahwa dalam sampel, tingkat
kemandirian lansia laki-laki memiliki skor median 14, dan tingkat
kemandirian lansia perempuan memiliki skor median 9, yang merupakan
perbedaan yang signifikan secara statistik.

Prosedur Perhitungan Dengan SPSS

Langkah 1: Data dimasukkan ke
dalam kumpulan data SPSS.

Langkah 2: Sistem menu

digunakan untuk mengklik
"Analyze" dan kemudian memilih
"Nonparametric Tests," dan
"Independent Samples."

Langkah 3: In the “Two-

Independent Samples Tests”
nonparametric pop-up box,
“painrelf” is selected and moved
over to the slot labeled “Test
Variable List.” The variable,
“group,” is selected and moved
over to the slot labeled “Grouping
Variable.” The “Define Groups”
button is clicked next. A 1 is put in
the slot labeled “group 1,” and a 2

90
is put in the slot labeled “group 2.”
When the button labeled “OK” is
clicked, the output appears in the
output window (see Table 5.6).

Hasil Perhitungan SPSS

Ranks
jenis kelamin lansia N Mean Rank Sum of Ranks
tingkat laki-laki 12 17.63 211.50
kemandirian perempuan 13 8.73 113.50
lansia Total 25

Test Statisticsa
tingkat kemandirian
lansia
Mann-Whitney U 22.500
Wilcoxon W 113.500
Z -3.028
Asymp. Sig. (2-tailed) .002
Exact Sig. [2*(1-tailed Sig.)] .002b
a. Grouping Variable: jenis kelamin lansia
b. Not corrected for ties.

Putting it all together

Setelah median tingkat kemandiran untuk setiap kelompok dan uji U
Mann-Whitney telah dihitung, sekarang saatnya untuk menyatakan
kesimpulannya. Dalam penelitian ini, tingkat kemandirian lansia laki-laki
memiliki skor median 14, dan tingkat kemandirian lansia perempuan
memiliki skor median 9 menggunakan uji U Mann-Whitney pada ρ≤ 0,05,
yang merupakan perbedaan yang signifikan secara statistik. Dapat
disimpulkan bahwa, tingkat kemandirian lansia laki-laki jauh lebih
banyak daripada tingkat kemandirian lansia perempuan.

91
 UJI BEDA DUA SAMPEL
BAB
7

BERPASANGAN

Paired t-Test
Uji paired t-test umumnya digunakan untuk desain pretest/posttest. Dalam
desain tersebut, datanya "dipasangkan", yaitu pengukuran variabel yang
sama pada dua titik yang berbeda dibandingkan. Variabel ini dapat diukur
pada orang yang sama pada dua titik waktu yang berbeda. Desain
pretest/posttest digunakan dalam penelitian yang menguji pengaruh
intervensi terhadap variabel dengan membandingkan nilai posttest setelah
intervensi terhadap nilai pretest sebelum intervensi. Misalnya, peneliti
mungkin ingin memeriksa penurunan berat badan setelah diberi intervensi
olahraga selama 3 bulan dengan membandingkan berat badan posttest
peserta penelitian dengan berat badan pretest mereka.
Asumsi Dasar
Uji t berpasangan dapat digunakan bila:
 Ada dua titik pengukuran (yaitu, satu pengukuran pretest dan satu
posttest pada orang yang sama).
 Dua ukuran yang dibandingkan biasanya terdistribusi normal.
 Skala pengukuran adalah interval atau rasio.
Derajat Kebebasan
Derajat kebebasan untuk uji paired t-test adalah total sampel dikurangi 1.
𝑑𝑓 = 𝑛 − 1
Signifikan Statistik

92
Untuk mengetahui perbedaan secara signifikan nilai yang diobservasi dari
nilai yang diperkirakan pada satu derajat kebebasan dengan menggunakan
uji t-test adalah:
1. Jika thitung > ttabel atau nilai p < α (biasanya <0,05 yang bergantung pada
alfa yang digunakan) H0 ditolak dan disimpulkan bahwa ada perbedaan.
2. Jika thitung < ttabel atau nilai p > α (biasanya <0,05 yang bergantung pada
alfa yang digunakan) H0 diterima dan disimpulkan bahwa tidak ada
perbedaan.
Contoh Perhitungan
Untuk mengilustrasikan paired t-test, pertanyaan penelitian berikut
digunakan: Apakah pasien pascabedah SC disebuah rumah sakit akan
mengalami penurunan tekanan darah sistol? Untuk menjawab pertanyaan
ini, sekelompok pasien yang akan melakukan operasi SC diukur tekanan
darah sistol preoperasi. Pada sesi akhir, pascabedah akan dilakukan
pengukuran yang sama.
Nilai pretest dibandingkan dengan nilai posttest untuk melihat
apakah ada penurunan tekanan darah sistol secara signifikan. Perhatikan
bahwa karena data pretest dan posttest berasal dari orang yang sama, titik
data berkorelasi (tidak independen satu sama lain), jadi teknik statistik untuk
data pasangan yang harus digunakan adalah paired t-test. Nilai pengukuran
pretest dan posttest ditunjukkan pada Tabel 7-1. Perhitungan paired t-test
untuk contoh ini, prosedur perhitungan dengan SPSS serta hasil dari
perhitungan dengan SPSS akan dijelaskan selanjutnya.
Tabel 7-1 Nilai Pretest – Posttest Tekanan Darah Sistol
Tekanan darah Sistol Difference of Square of
No.
Sebelum Sesudah squares (d) difference (d2)
1 129 125 4 16
2 130 120 10 100

93
 3 118 115 3 9
4 125 119 6 36
5 128 126 2 4
6 127 122 5 25
7 116 115 1 1
8 110 105 5 25
9 119 106 13 169
10 123 120 3 9
11 124 122 2 4
12 126 119 7 49
13 122 110 12 144
14 117 113 4 16
15 121 112 9 81
1835 1749 86 688

Langkah-langkah perhitungan Paired t Test

Langkah 1: Tentukan hipotesis nol dan hipotesis alternatif.
 H0: Tidak ada perbedaan tekanan darah sistol antara sebelum dan
sesudah operasi SC.
 HA: Ada perbedaan tekanan darah sistol antara sebelum dan sesudah
operasi SC.
Langkah 2: Tentukan tingkat signifikansi (nilai-α), derajat
kebebasan, dan nilai kritis untuk statistik t yang dihitung.
 Nilai α = 0.05.
 Total derajat kebebasan sama dengan jumlah pasangan dikurangi 1 (15
- 1 = 14).
 Nilai kritis untuk uji t dua arah = tα = 0,05/2,30 = 2,145.
Langkah 3: Pastikan data memenuhi semua asumsi yang diperlukan.
 Ukuran variabel dependen untuk dua mean tersebut berpasangan.
 Variabel dependen, "penurunan tekanan darah sistol," adalah berskala
rasio.

94
 Variabel dependen memiliki distribusi normal.
Langkah 4: perhitungan mean, standar deviasi, dan varians untuk
masing-masing kelompok
Program Mean Standar deviasi Varians
Sebelum 122,33 5,56 30,91
Sesudah 116,60 6,44 41,47

Langkah 5: Perhitungan Paired t test.

 Rumus Paired t-test:
x̅1 − 𝑥̅2
𝑡=
2
2 (∑ 𝑑)
√∑ d − 𝑛
𝑛(𝑛 − 1)

 Perhitungan Σd dapat dilihat pada tabel 7-1 adalah 86.

 Perhitungan ∑d2 dapat dilihat pada table 7-1 adalah 688.
 Hubungkan nilai untuk Σd dan Σd2 ke dalam formula t-statistik
berpasangan untuk mendapatkan yang berikut:
122.33 − 116.60
𝑡=
(86)2
√ 688 −
15
15(15 − 1)
5.73
𝑡=
7396
√688 − 15
210
5.73
𝑡=
√194.33
210
5.73
𝑡=
0.962
𝑡 = 5.95

95
Menghitung Interval Kepercayaan
Apabila rata-rata dari populasi kesatu mempunyai nilai rata-rata (µ1) dan
populai kedua mempunyai nilai rata-rata (µ2) dengan kedua nilai rata-rata
tersebut tidak diketahui, maka kita akan menentukan taksiran interval dari
µ1 - µ2 dengan derajat keyakinan = 1 – α.
Persaman untuk menghitung interval kepercayaan 95% adalah:
95% CI = (x̅𝐴 – 𝑥̅𝐵 ) ± (t0,025;n-1 * semd)
Persaman untuk menghitung interval kepercayaan 99% adalah:
99% CI = (x̅𝐴 – 𝑥̅𝐵 ) ± (t0,005;n-1 * semd)
Dengan Standard error of the mean difference (semd ) =

2
2 (∑ 𝑑)
√∑ d − 𝑛
se𝑚𝑑 =
𝑛(𝑛 − 1)

Maka interval kepercayaan 95% untuk contoh diatas adalah:

2
2 (∑ 𝑑)
√∑ d − 𝑛 = 1.710
se𝑚𝑑 =
𝑛(𝑛 − 1)

Koefisien reliabilitas, t0,025;n-1= 2.145

95% CI = 0.93 ± 2.145 * (0,962)
= 7,73 ± 2,063
95% CI = (3,66< t <7,793)
Langkah 6: Tentukan signifikansi statistik dan nyatakan sebuah
kesimpulan.
 Nilai kritisnya adalah 2,145. Karena 5,95>2.145, kedua nilai tekanan
darah sistol tersebut sangat berbeda satu sama lain.
 Karena nilai t statistik berpasangan dihitung 5,95, yang lebih besar

96
 dari nilai kritis 2,145, dapat disimpulkan bahwa tekanan darah sistol
pascabedah SC secara signifikan lebih rendah daripada tekanan darah
sistol sebelum bedah SC.

Prosedur Perhitungan Dengan SPSS

Langkah 1: Data dimasukkan ke
dalam kumpulan data SPSS.

Langkah 2: Sistem menu

digunakan untuk mengklik
"Analyze" dan kemudian memilih
"Compare Means" dan "Paired-
Samples t-Test."

Langkah 3: When the “Paired

Samples t-Test” pop-up box
appears, “postknow” and
“preknow” are selected and moved
over to the slot labeled “Paired
Variables.” When the button
labeled “OK” is clicked, the output
appears in the output window,
which is shown in Table 6-3.

7-4 Hasil Uji SPSS

97
 Paired Samples Statistics
Mean N Std. Deviation Std. Error Mean
Pair 1 sebelum operasi SC 122.33 15 5.563 1.436
sesudah operasi SC 116.60 15 6.445 1.664

Paired Samples Correlations

N Correlation Sig.
Pair 1 sebelum operasi SC & sesudah
15 .817 .000
operasi SC

Paired Samples Test

Paired Differences
95% Confidence
Std. Interval of the
Std. Error Difference Sig. (2-
Mean Deviation Mean Lower Upper t df tailed)
Pair 1 sebelum operasi
SC - sesudah 5.733 3.731 .963 3.667 7.800 5.951 14 .000
operasi SC

Kesimpulan:
1. Bhaga
2. Bhgs

Putting it all together

Setelah skor rata-rata pada pretest dan posttest, paired t-test, dan interval
keyakinan 95% di sekitar perbedaan mean dihitung, kesimpulan dapat
dinyatakan sebagai berikut: operasi SC secara signifikan menurunkan
tekanan darah sistol. Para peserta operasi memperoleh rata-rata 5,73
mmHg (interval keyakinan 95% adalah 3,66 dan 7,793) pada pengukuran
tekanan darah sistol setelah menyelesaikan operasi. Keuntungan ini secara
statistik signifikan pada ρ≤ 0,05 oleh paired t-test (two-tailed).

Wilcoxon

98
Uji Wilcoxon matched-pair adalah tes nonparametrik yang digunakan untuk
menentukan apakah ada hubungan antara dua ukuran yang berkorelasi dari
variabel yang sama dimana skala pengukuran variabel paling tidak ordinal.
Tes ini dapat digunakan dalam situasi di mana asumsi untuk uji t
berpasangan tidak terpenuhi (mis., ukuran sampel kecil, data tidak
terdistribusi normal, tingkat pengukuran ordinal). Tes Wilcoxon matched-
pair menguji hipotesis nol bahwa median dari kedua kelompok yang
berkorelasi itu sama.
Asumsi dasar
Uji Wilcoxon cocok-pasang dapat digunakan ketika:
 Ada dua kelompok pengukuran (yaitu, satu pengukuran pretest dan satu
posttest pada orang yang sama).
 Skala pengukuran adalah ordinal, interval, atau rasio.
 Ukuran sampel total mengandung setidaknya lima pasang pengukuran.
Contoh Perhitungan
Untuk mengilustrasikan Wilcoxon, pertanyaan penelitian berikut digunakan:
Apakah setelah mengikuti pelatihan ada peningkatan kepatuhan perawat
dalam perawatan luka sesuai SOP? Untuk menjawab pertanyaan ini,
sekelompok perawat diukur kepatuhan perawatan luka sesuai SOP sebelum
pelatihan. Pada sesi akhir, setelah pelatihan akan dilakukan pengukuran
yang sama. Apakah ada peningkatan kepatuhan perawat dalam perawatan
luka sesuai SOP.
Data 20 responden ditunjukkan pada Tabel 7-5. Prosedur untuk menghitung
statistik Wilcoxon dan prosedur untuk mendapatkan uji Wilcoxon
menggunakan SPSS dapat dijelaskan sesudahnya
7-1 Skor Kepatuhan Perawat Dalam Perawatan Luka
No. Kepatuhan SOP Beda Tanda Jenjang

99
 Sebelum Sesudah Jenjang + -
1 87 92 5 16,5 16,5
2 78 79 1 3 3
3 86 85 -1 3 3
4 70 68 -2 7 7
5 84 85 1 3 3
6 71 84 13 20 20
7 82 87 5 16,5 16,5
8 84 89 5 16,5 16,5
9 90 89 -1 3 3
10 70 73 3 10,5 10,5
11 75 84 9 19 19
12 86 83 -3 10,5 10,5
13 91 93 2 7 7
14 88 91 3 10,5 10,5
15 90 94 4 13,5 13,5
16 69 74 5 16,5 16,5
17 72 71 -1 3 3
18 85 87 2 7 7
19 77 81 4 13,5 13,5
20 76 79 3 10,5 10,5

Untuk menghitung nilai statistik uji hasil pengamatan, kita membuat

rangking perbedaan antara nilai pretest dan posttest hasil pengamatan dari
yang kecil ke yang besar (nilai yang kecil sebagai rangking 1 dan nilai
terbesar sebagai rangking terbesar).
Untuk nilai yang sama maka kita menjumlahkan urutan rangking dari
besaran nilai sampel yang sama, kemudian dibagi banyaknya sampel yang
sama tersebut. Misalnya nilai 2 atau -2 mempunyai tiga rangking 6, 7 dan 8
maka untuk menentukan rangking dari ketiga nilai tersebut adalah
(6+7+8)/3=7. Jadi nilai 2 atau -2 mempunyai rangking yang sama yaitu 7.
DETAILS OF THE RANKING PROCEDURE
No. Beda Skor Posisi Nilai rangking dari beda
Res skor
2 1 1 3

100
3 -1 2 3
5 1 3 3
9 -1 4 3
17 -1 5 3
4 -2 6 7
13 2 7 7
18 2 8 7
10 3 9 10,5
12 -3 10 10,5
14 3 11 10,5
20 3 12 10,5
15 4 13 13,5
19 4 14 13,5
1 5 15 16,5
7 5 16 16,5
8 5 17 16,5
16 5 18 16,5
11 9 19 19
6 13 20 20

Langkah-Langkah Perhitungan Wilcoxon

Langkah 1: Tentukan hipotesis nol dan hipotesis alternatif.
 H0: Tidak akan ada perbedaan dalam skor depresi median kedua
kelompok.
 HA: Nilai depresi kelompok terapi dan latihan lebih rendah dibanding
kelompok terapi saja.
Langkah 2: Tentukan tingkat signifikansi (tingkat-α), nilai kritis
untuk uji Wilcoxon yang cocok dengan pasangan.
 Nilai-α adalah 0,05.
 Ada 20 pasang.
 Nilai kritis untuk sampel 20 pasang adalah 20.
Langkah 3: Pastikan data memenuhi semua asumsi yang diperlukan.
 Ukuran variabel dependen berkorelasi.

101
 Variabel dependen minimal harus ordinal.
 Harus ada setidaknya lima pasang.
Langkah 4: Hitung rentang median dan interkuartil untuk setiap
kelompok.
Program Median depression Interquartile range
score
Sebelum 28 (23, 33)
Sesudah 26.5 16.5, 31)

Langkah 5: Hitung statistik Wilcoxon matched-pair.

Statistik Wilcoxon cocok-pasang hanya yang lebih kecil dari dua jumlah
peringkat: jumlah dari peringkat negatif (ΣR-) dan jumlah dari peringkat
positif (ΣR +).
 Dapatkan nilai perbedaan dan urutkan nilainya sesuai nilai absolutnya
(lihat Tabel 6-4).
 Hitung ΣR- = 3 + 7 + 3 + 10,5 + 3 = 26,5.
 Hitung ΣR + = 16,5 + 3 + 3 + 20 + 16,5 + 16,5 + 10,5 +19 + 7 +10,5
+13,5 + 16,5 +7 +13,5 +10,5 = 183,5.
 Yang lebih kecil dari kedua peringkat ini adalah statistik yang
dihitung; Dengan demikian, 26,5 <183,5. Nilai kritisnya adalah 52 dan
26,5<52.
Langkah 6: Tentukan signifikansi statistik dan nyatakan sebuah
kesimpulan.
Karena statistik yang dihitung, 18,5, lebih kecil dari nilai kritis 52, ada
perbedaan yang signifikan. Dapat disimpulkan bahwa ada perbedaan
kepatuhan perawat antara sebelum dengan sesudah pelatihan perawatan
luka.
Jika jumlah pasangan lebih dari 30, tabel tidak dapat digunakan. Sebagai

102
gantinya, skor z dihitung, dan nilai kritisnya ditemukan di tabel z
(Lampiran, tabel A). Hal ini dilakukan dengan menggunakan persamaan z
adalah sebagai berikut:
𝑛(𝑛 + 1)
𝑡− 4
𝑍=
√𝑛(𝑛 + 1)(2𝑛 + 1)
24
Dimana nilai t adalah nilai yang terkecil dari hasil perhitungan selisih
yang menghasilkan peringkat baik tanda positif maupun negatif.

Prosedur Perhitungan Dengan SPSS

Langkah 1: Masukkan data ke
dalam kumpulan data SPSS.

Langkah 2: Sistem menu

digunakan untuk mengklik
"Analyze" dan kemudian memilih
"Nonparametric Tests" dan
"Related Sample."

103
Langkah 3: Ketika kotak “Dua-
Terkait Contoh Pengujian” muncul,
dua variabel, “grup” dan
“groupex,” dipilih dan dipindahkan
ke “Daftar Pasangan Tes.” Klik
“options” dan centang pada kotak
“Quartiles” dan klik “continue”.

Langkah 4: Beri tanda Centang

pada kotak “Wilcoxon”. Ketika
tombol berlabel "OK" diklik,
output muncul di jendela output

7-7 Hasil Perhitungan SPSS

Descriptive Statistics
Percentiles
N 25th 50th (Median) 75th
sebelum pelatihan 20 72.75 83.00 86.75
sesudah pelatihan 20 79.00 84.50 89.00

Ranks
N Mean Rank Sum of Ranks
sesudah pelatihan - Negative Ranks 5a 5.30 26.50
sebelum pelatihan Positive Ranks 15b 12.23 183.50
Ties 0c
Total 20
a. sesudah pelatihan < sebelum pelatihan
b. sesudah pelatihan > sebelum pelatihan
c. sesudah pelatihan = sebelum pelatihan

Test Statisticsa
sesudah pelatihan - sebelum pelatihan
Z -2.942b

104
Asymp. Sig. (2-tailed) .003
a. Wilcoxon Signed Ranks Test
b. Based on negative ranks.

Kesimpulan:
1. Bhaga
2. Bhgs

Putting it all together

Setelah skor median depresi dihitung untuk dua kelompok yang cocok dan
nilai statistik Wilcoxon matched-pair telah diperoleh, kesimpulan dapat
dinyatakan. Dalam penelitian ini, dapat disimpulkan bahwa ada perbedaan
kepatuhan perawat antara sebelum dengan sesudah pelatihan perawatan
luka.

105
 BAB

UJI BEDA k- SAMPEL BEBAS

8

One-Way ANOVA
Pendahuluan
Untuk mengetahui perbedaan mean dari dua sampel atau kelompok,
biasanya digunakan t-test. Akan tetapi, banyak penelitian di bidang
keperawatan yang tidak hanya semata-mata mempunyai dua sampel atau
dua kelompok, melainkan tiga, empat, lima bahkan lebih dari itu. Apabila
suatu penelitian mempunyai tiga sampel, maka t-test yang dilakukan ada
tiga kali (1+2, 2+3, 1+3) dengan alfa (misalnya, 0,05) meningkatkan
kesalahan tipe satu sampai 0,05+0,05+0,05 atau 0,15. Keadaan ini mungkin
belum terlalu merepotkan, namun bila suatu penelitian mempunyai 6
sampel, maka akan ada 15 pasangan sampel yang harus di test satu pasang
demi satu pasang. Maka tidak dianjurkan memakai t-test karena
kemungkinan besar peneliti membuat kesalahan dalam perhitungan-
perhitungan, sebaiknya menggunakan analisa varians/Anova.
Asumsi Dasar
Uji anova termasuk uji parametrik. Sama halnya dengan uji-uji parametrik
lainnya, sebelum menggunakan uji yang dimaksud, terlebih dahulu periksa
apakah sampel itu telah memenuhi asumsi-asumsi dari uji tersebut. Uji
anova mempunyai asumsi seperti dibawah ini.
1. Sampel harus diambil secara random secara terpisah satu sama lain dari
masing-masing sampel bersifat independen.

106
2. Sampel memiliki tiga kategori atau lebih.
3. Skala data interval atau rasio.
4. Distribusi gejala yang diselidiki dalam masing-masing sampel adalah
normal. Jika belum diketahui apakah sampel telah mengikuti distribusi
normal atau tidak, dapat dilakukan pengetesan normalitas/test of
normality.
5. Varians dari masing-masing populasi tidak menunjukkan perbedaan yang
signifikan satu sama lain. Apabila belum diketahui harus dihitung
terlebih dahulu dengan mengadakan pengetesan terhadap varians-varians/
test of variance.
Derajat Kebebasan
Seperti yang lain, Anova juga memiliki ukuran derajat kebebasan.
Perbedaannya adalah bahwa pembilang rasio F satu angka untuk derajat
kebebasan (jumlah kelompok dikurangi satu) dan penyebut satu angka
(jumlah subyek dikurangi kelompok). Ketika keduanya ditambahkan,
hasilnya menjadi derajat kebebasan rasio F.
Signifikan Statistik
Setelah F ditemukan, kemudian bandingkan F tadi (Fhitung) dengan Ftabel (F
teoritis) biasanya taraf signifikan 5% dan 1%.
a. Jika Fhitung>Ftabel, maka H0 ditolak berarti bahwa ada perbedaan antara
mean kelompok atau jika nilai-ρ ≤ α = 0,05.
b. Jika Fhitung<Ftabel, maka H0 diterima berarti bahwa tidak ada perbedaan
antara mean kelompok atau jika nilai-ρ > α = 0,05.
Contoh Perhitungan
Pertanyaan penelitian yang akan digunakan untuk menggambarkan
penggunaan ANOVA satu arah adalah: Apakah orang-orang dengan

107
asuransi kesehatan swasta sering mengunjungi dokter mereka daripada
orang-orang yang tidak memiliki asuransi atau jenis asuransi lainnya?
Tabel 8-1 Jumlah Kunjungan Ke Dokter Berdasarkan Tipe
Asuransi
Tidak Ada Asuransi Asuransi Asuransi
Asuransi Swasta Kesehtan Militer
X X 2 X X 2 X X 2 X X2
0 0 1 1 1 1 1 1
0 0 1 1 2 4 2 4
1 1 2 4 2 4 2 4
1 1 2 4 2 4 3 9
1 1 2 4 2 4 3 9
1 1 3 9 3 9 3 9
2 4 3 9 3 9 4 16
2 4 3 9 3 9 4 16
2 4 3 9 3 9 5 25
2 4 4 16 4 16 5 25
2 4 4 16 4 16 6 36
2 4 4 16 5 25 6 36
2 4 4 16 5 25 7 49
3 9 4 16 6 36 8 64
3 9 5 25 6 36 8 64
3 9 5 25 7 49
3 9 6 36
4 16 6 36
4 16
5 25
N = 20 N = 18 N = 16 N = 15
ΣX = 43 ΣX = 62 ΣX = 58 ΣX = 67
ΣX2 = 125 ΣX2 = 252 ΣX2 = 256 ΣX2 = 367

Pertanyaan ini akan dijawab dengan menggunakan data dari sebuah

penelitian terhadap 54 peserta dewasa di Kelurahan A. Setiap orang diberi
kuesioner yang menanyakan informasi tentang status kesehatannya,
penggunaan layanan kesehatan, asuransi kesehatan, dan informasi lainnya
tentang mencari perawatan kesehatan. Variabel pengelompokan yang

108
menarik dalam analisis ini, "jenis asuransi", memiliki empat kategori: tidak
ada asuransi, asuransi kesehatan, asuransi militer, dan asuransi swasta.
Variabel dependen, "jumlah kunjungan dokter pada tahun lalu," adalah skala
pengukuran rasio. Data ditunjukkan pada Tabel 8-1 dikuti dengan
perhitungan menggunakan uji ANOVA satu arah. Prosedur untuk
menghitung ANOVA satu arah menggunakan SPSS serta hasil perhitungan
dengan SPSS ditunjukkan setelah perhitungan tersebut.
Langkah-Langkah Perhitungan Anova One Way
Langkah 1: Tentukan hipotesis nol dan alternatif.
 H0: Tidak akan ada perbedaan dalam cara keempat kelompok tersebut.
 HA: Jumlah rata-rata kunjungan dokter di setidaknya satu dari empat
kelompok akan sangat berbeda dari rata-rata kunjungan dalam
kelompok lainnya.
Langkah 2: Tentukan tingkat signifikansi (nilai-α), tentukan derajat
kebebasan, dan dapatkan nilai kritis untuk uji-f.
 Nilai-α = 0.05.
 The degrees of freedom between groups (dfb) = jumlah group - 1 (4 -
1 = 3).
 The degrees of freedom within groups (dfw) = total n - no. groups (69
- 4 = 65).
 Nilai kritis dari f-tabel untuk f3,65 pada p = 0,05 adalah: 2,76.
Langkah 3: Pastikan data memenuhi semua asumsi yang diperlukan.
 Keempat sampel tersebut merupakan sampel acak independen
 Variabel pengelompokan, "jenis asuransi", memiliki lebih dari tiga
kelompok.
 Variabel dependen, "jumlah kunjungan," biasanya didistribusikan.
 Skala pengukuran variabel dependen adalah interval atau rasio.

109
 Ada homogenitas varians (lihat perhitungan di bawah).
Test for Homogeneity of Variance
 The group with the largest variance is private insurance: s2= 3,56; df =
14.
 The group with the smallest variance is no insurance: s2= 1,71; df =
19.
 Computed f-test: 3,56/1,71 = 2,08.
 Critical value for f14,19 at p =.05 = 2,31.
 Karena nilai yang dihitung lebih kecil dari nilai tabel, dapat
disimpulkan bahwa kelompok tersebut mempunyai varians yang
homogen.
Langkah 4: Hitung mean, standar deviasi, dan varians untuk setiap
kelompok.
Measure Tidak Ada Asuransi Asuransi Asuransi
Asuransi Swasta Kesehatan Militer
Mean 2,15 3,44 3,62 4,47
Varians 1,71 2,26 3,05 3,56
Standar Deviasi 1,30 1,50 1,75 1,88
Perhitungan mean dan varians:
Group Mean Varians Standar
Deviasi
2
∑𝑋 (∑ 𝑋)
∑ X2 −
𝑋̅ = 𝑠2 = 𝑛 𝑠 = √𝑠 2
𝑁 (𝑁 − 1)
Tidak Ada 43 (43)2 𝑠 = √1,71
𝑋̅ = 125 − 20
Asuransi 20 𝑠2 =
(20 − 1) 𝑠 = 1,30
𝑋̅ = 2,15
𝑠 2 = 1,71

110
 Asuransi 62 (62)2 𝑠 = √2,26
𝑋̅ = 252 − 18
Swasta 18 𝑠2 =
(18 − 1) 𝑠 = 1,50
𝑋̅ = 3,44
𝑠 2 = 2,26
Asuransi 58 (58)2 𝑠 = √3,05
𝑋̅ = 256 − 16
Kesehatan 16 𝑠2 =
(16 − 1) 𝑠 = 1,75
𝑋̅ = 3,62
𝑠 2 = 3,05
Asuransi 67 (67)2 𝑠 = √3,56
𝑋̅ = 367 −
15
Militer 15 2
𝑠 =
(15 − 1) 𝑠 = 1,88
𝑋̅ = 4,47
𝑠 2 =3,56
Langkah 5: Lakukan perhitungan yang diperlukan untuk
menyelesaikan ANOVA satu arah dan lakukan tes pasca-hok jika
diperlukan.
Sum of squares total (SSt):
(∑ 𝑋𝑡 )2
𝑆𝑆𝑡 = ∑ 𝑋𝑡2 −
𝑁𝑡
(43 + 62 + 58 + 67)2
𝑆𝑆𝑡 = (125 + 252 + 256 + 367) −
69
(230)2
𝑆𝑆𝑡 = 1000 −
69
𝑆𝑆𝑡 = 1000 − 766.67
𝑆𝑆𝑡 = 233.33
Sum of squares between (SSb):
(∑ 𝑥1 )2 (∑ 𝑥2 )2 (∑ 𝑥3 )2 (∑ 𝑥4 )2 (∑ 𝑥𝑡 )2
𝑆𝑆𝑏 = + + + −
𝑛1 𝑛2 𝑛3 𝑛4 𝑁𝑡
432 622 58 672 2302
𝑆𝑆𝑏 = + + + −
20 18 16 15 69
𝑆𝑆𝑏 = 92.45 + 213.56 + 210.25 + 299.27 − 766.67

111
𝑆𝑆𝑏 = 815,53 − 766.67
𝑆𝑆𝑏 = 48.86
Sum of squares within:
𝑆𝑆𝑤 = 𝑆𝑆𝑡 − 𝑆𝑆𝑏
𝑆𝑆𝑤 = 233.33 − 48.86
𝑆𝑆𝑤 = 184.47
Hitunglah mean kuadrat dan f-ratio:
Mean square between groups (MSb):
𝑆𝑆𝑏
𝑀𝑆𝑏 =
𝑑𝑓𝑏
48.86
𝑀𝑆𝑏 =
3
𝑀𝑆𝑏 = 16.28
Mean square within groups (MSw):
𝑆𝑆𝑤
𝑀𝑆𝑤 =
𝑑𝑓𝑤
184.47
𝑀𝑆𝑤 =
65
𝑀𝑆𝑤 = 2.84
Hitunglah tes f-statistic dan post-hoc (fratio):
𝑀𝑆𝑏
𝑓=
𝑀𝑆𝑤
16.28
𝑓=
2.84
𝑓 = 5.732
Nilai kritisnya adalah 2,76. Karena 5.732 lebih besar dari 2,76, setidaknya
beberapa sarana secara signifikan berbeda dari beberapa cara lainnya.
Tabel ANOVA
Sumber varians Sum Of Mean Degrees Of f-ratio f-

112
 Squares Squares Freedom tabel
Between Groups 48,86 16,28 3 5,732 2,76
Within Groups 184,47 2,84 65
Total 233,33 68

Perhitungan post-hoc tests (Bonferroni t tests) untuk menentukan

grup mana artinya berbeda secara signifikan.
Untuk mengetahui pasangan kelompok yang berbeda digunakan
perhitungan LSD (Least Significant Difference)
Hipotesis:
H0: µi = µj
Ha: µi ≠ µj
Mencari LSD:

1 1
𝐿𝑆𝐷 = 𝑡𝛼/2,𝑠 √𝑀𝑆𝐸( + )
𝑛1 𝑛2

Keterangan: s = df error
MSE = error MS dalam tabel anova (within group MS)
n = besar sampel

1 1
𝐿𝑆𝐷 = 𝑡𝛼/2,𝑠 √𝑀𝑆𝐸( + )
𝑛1 𝑛2

1 1
𝐿𝑆𝐷 = 𝑡0,025,16 √3,333( + )
4 4

𝐿𝑆𝐷 = 2,120√3,333.0,5 = 2,120.1,290 = 2,735

Mencari selisih mean:
Selisih mean Selisih mean Batas konfidensi Batas konfidensi
populasi (µa - µb) sampel (𝑥̅𝑎 - 𝑥̅𝑏 ) (𝑥̅𝑎 - 𝑥̅𝑏 ) – 2,735 (𝑥̅𝑎 - 𝑥̅𝑏 ) + 2,735
(µ1 - µ2) 9 – 13 = -4 -6,735* -1,265*
(µ1 - µ3) 9 – 11 = -2 -4,735 0,735
(µ1 - µ4) 9 – 15 = -6 -8,735* -3,265*

113
 (µ2 - µ3) 13 – 11 = 2 -0,735 4,735
(µ2 - µ4) 13 – 15 = -2 -4,735 0,735
(µ3 - µ4) 11 – 15 = -4 -6,735* -1,265*

Perhatikan tanda (*) menandakan pasangan yang berbeda, karena selisih

mean sampelnya lebih besar dari nilai LSD (tanpa memperhatikan nilai
positif maupun negatif, karena absolut). Jadi, dapat disimpulkan bahwa
pasangan kelompok yang berbeda adalah kelompok:
A dengan B
A dengan D
C dengan D
Step 6: Determine statistical significance and state a conclusion.
Jenis asuransi secara signifikan dikaitkan dengan jumlah kunjungan rawat
jalan yang dilakukan dalam satu tahun (p = .05). es post-hoc
mengungkapkan bahwa orang-orang yang tidak memiliki asuransi
membuat kunjungan lebih sedikit secara signifikan setahun (2,57)
dibandingkan dengan asuransi swasta (4,46), Medicare, atau TRICARE.
Tidak ada perbedaan lain yang ditemukan di antara kelompok tersebut.

Table 8-4 langkah-langkah perhitungan SPSS

Langkah 1: Data dimasukkan ke
dalam kumpulan data SPSS.

114
Langkah 2: Bilah menu digunakan
untuk mengklik "Analisis" dan
kemudian memilih "Bandingkan
Sarana" dan "OneWay ANOVA."

Langkah 3: Ketika kotak pop-up

“One-Way ANOVA” muncul,
“mdvisits” dipindahkan ke
“Dependent List” dan “insure”
dipindahkan ke kotak “Factor”.

Langkah 4: Ketika kotak “One-Way

ANOVA: Post-Hoc Multiple
Comparisons” muncul, pengujian
post-hoc dipilih. Dalam hal ini, tes
Bonferroni dipilih. Tombol
"Lanjutkan" kemudian diklik.

Langkah 5: Ketika kotak "One-Way

ANOVA: Options" muncul,
"Descriptive" dan "Homogeneity of
variance test" dan kemudian
"Continue" dipilih.

115
Langkah 6: When the “OK” button
is clicked, the output appears in the
output window.

Hasil Uji SPSS

Descriptives
jumlah kunjungan ke dokter
95% Confidence
Interval for Mean
Std. Lower Upper
N Mean Deviation Std. Error Bound Bound Minimum Maximum
tidak ada asuransi 20 2.15 1.309 .293 1.54 2.76 0 5
asuransi swasta 18 3.44 1.504 .354 2.70 4.19 1 6
asuransi kesehatan 16 3.63 1.746 .437 2.69 4.56 1 7
asuransi militer 15 4.47 2.200 .568 3.25 5.68 1 8
Total 69 3.33 1.852 .223 2.89 3.78 0 8

Test of Homogeneity of Variances

jumlah kunjungan ke dokter
Levene Statistic df1 df2 Sig.
2.603 3 65 .059

ANOVA
jumlah kunjungan ke dokter
Sum of Squares df Mean Square F Sig.
Between Groups 48.856 3 16.285 5.738 .002
Within Groups 184.478 65 2.838
Total 233.333 68

Multiple Comparisons
Dependent Variable: jumlah kunjungan ke dokter
Bonferroni
95% Confidence Interval
(I) jenis asuransi (J) jenis asuransi Mean Std. Lower Upper
kesehatan kesehatan Difference (I-J) Error Sig. Bound Bound
tidak ada asuransi asuransi swasta -1.294 .547 .126 -2.78 .20
asuransi kesehatan -1.475 .565 .067 -3.01 .06
asuransi militer -2.317* .575 .001 -3.88 -.75
asuransi swasta tidak ada asuransi 1.294 .547 .126 -.20 2.78
asuransi kesehatan -.181 .579 1.000 -1.76 1.39

116
 asuransi militer -1.022 .589 .524 -2.63 .58
asuransi kesehatan tidak ada asuransi 1.475 .565 .067 -.06 3.01
asuransi swasta .181 .579 1.000 -1.39 1.76
asuransi militer -.842 .605 1.000 -2.49 .81
asuransi militer tidak ada asuransi 2.317* .575 .001 .75 3.88
asuransi swasta 1.022 .589 .524 -.58 2.63
asuransi kesehatan .842 .605 1.000 -.81 2.49
*. The mean difference is significant at the 0.05 level.

Kesimpulan:
1. Njsajs
2. Jsdhsjd

Putting it all together

Setelah jumlah rata-rata kunjungan ke dokter untuk masing-masing
kelompok, ANOVA satu arah, dan tes pasca-hoc telah dihitung,
kesimpulan dapat dinyatakan. Dalam penelitian ini, peserta pameran
kesehatan masyarakat rata-rata memiliki 3,79 (standar deviasi, 1,90)
kunjungan dokter per tahun. ANOVA satu arah mengungkapkan bahwa
jenis asuransi secara signifikan dikaitkan dengan jumlah kunjungan dokter
per tahun. Analisis lebih lanjut dengan uji post-hoc Bonferroni
menunjukkan bahwa peserta yang tidak memiliki asuransi secara
signifikan lebih sedikit.
Kunjungan dokter (2,57 setahun) dibandingkan dengan asuransi swasta
(4,46 kunjungan per tahun), Medicare (4,14 kunjungan per tahun), atau
TRICARE (4,08 kunjungan per tahun), dan tidak ada perbedaan lain yang
ditemukan antara kelompok yang melakukan kunjungan rawat jalan.

Kruskal-Wallis H-test
Uji H Kruskal-Wallis adalah uji nonparametrik yang digunakan untuk
menentukan apakah ada hubungan antara dua variabel bila satu variabel

117
bersifat nominal (atau ordinal dengan jumlah kategori terbatas) dan variabel
lainnya adalah skala ordinal, interval, atau rasio (Kruskal and Wallis, 1953).
Secara khusus, tes ini digunakan untuk menentukan apakah ada perbedaan
pada median antara tiga kelompok atau lebih. Variabel nominal digunakan
untuk membagi sampel menjadi kelompok "k" ("k" menjadi jumlah nilai
atau tingkat variabel nominal). Untuk menentukan apakah median kelompok
"k" ini berbeda satu sama lain, jumlah rangking untuk masing-masing
kelompok dibandingkan untuk melihat sejauh mana jumlah berbeda dari apa
yang diharapkan berdasarkan hipotesis nol. Uji H Kruskal-Wallis dapat
digunakan dalam situasi di mana asumsi ANOVA satu arah tidak terpenuhi
(misalnya, ukuran sampel kecil, data terdistribusi tidak terdahulu, tidak ada
homogenitas varians, data ordinal). Dua tabel menyajikan distribusi statistik
Kruskal-Wallis H. Bila ukuran kelompoknya kecil, statistik Kruskal-Wallis
H memiliki distribusi yang tepat. Namun, bila ukuran kelompoknya besar,
distribusi menjadi sangat mirip dengan distribusi chi-kuadrat. Oleh karena
itu, untuk studi di mana masing-masing kelompok memiliki lima atau lebih
sedikit kasus, tabel Kruskal-Wallis H digunakan (lihat Lampiran F). Namun,
jika satu atau lebih ukuran kelompok lebih dari lima kasus, tabel chi-square
digunakan dengan derajat k-2 derajat kebebasan (lihat Lampiran K).
Asumsi Dasar
Uji H Kruskal-Wallis dapat digunakan bila asumsi berikut terpenuhi:
 Ukuran setiap nilai variabel yang mengukur karakteristik bunga
merupakan sampel acak independen.
 Variabel pengelompokan memiliki setidaknya tiga kelompok.
 Skala pengukuran variabel yang mengukur karakteristik bunga minimal
ordinal.

118
Contoh Perhitungan
Pertanyaan penelitian yang akan digunakan untuk mengilustrasikan
perhitungan uji H KruskalWallis adalah: Adakah perbedaan jarak rumah
dengan rumah sakit terhadap motivasi kerja perawat? Pertanyaan ini
dijawab dengan menggunakan data dari 33 di sebuah rumah sakit. Sebelas
perawat masing-masing dari tiga jarak yang berbeda (yaitu, <5 km, 5-10
km, dan >10 km) dipilih secara acak untuk mengevaluasi motivasi kerja.
Data ditunjukkan pada Tabel 7-5. Ringkasan proses pemeringkatan
ditunjukkan pada Tabel 7-6. Prosedur untuk menghitung uji dengan
menggunakan SPSS ditunjukkan pada Kotak 7-4, dan keluaran SPSS
ditunjukkan pada Tabel 7-7.
Tabel
<5 km 5-10 km >10 km
No Rating Rank No Rating Rank No Rating Rank
score score score
1 89 27 12 96 33 23 70 8
2 79 17 13 82 19 24 87 24,5
3 93 30 14 54 2 25 91 28
4 76 13,5 15 75 12 26 52 1
5 92 29 16 85 23 27 57 3
6 68 6 17 72 10 28 63 4
7 88 26 18 78 15,5 29 69 7
8 71 9 19 84 21,5 30 76 13,5
9 95 32 20 66 5 31 81 18
10 84 21,5 21 73 11 32 94 31
11 83 20 22 87 24,5 33 78 15,5
Jumlah 231 Jumlah 176,5 Jumlah 153,5

1. List all scores from lowest to highest. Keep track of which group each
score comes from.
2. List the position numbers (from 1 to n; in this case, from 1 to 21). There
should be as many position numbers as there are participants in the study.

119
3. Compute the ranks. Tied scores get the average rank of all the positions
that they occupy.
Tabel
Kelompok Skor Posisi Rangking
3 52 1 1
2 54 2 2
3 57 3 3
3 63 4 4
2 66 5 5
1 68 6 6
3 69 7 7
3 70 8 8
1 71 9 9
2 72 10 10
2 73 11 11
2 75 12 12
1 76 13 (13+14)/2=13,5
3 76 14 (13+14)/2=13,5
2 78 15 (15+16)/2=15,5
3 78 16 (15+16)/2=15,5
1 79 17 17
3 81 18 18
2 82 19 19
1 83 20 20
1 84 21 (21+22)/2=21,5
2 84 22 (21+22)/2=21,5
2 85 23 23
2 87 24 (24+25)/2=24,5
3 87 25 (24+25)/2=24,5
1 88 26 26
1 89 27 27
3 91 28 28
1 92 29 29
1 93 30 30
3 94 31 31
1 95 32 32
2 96 33 33

120
Langkah-Langkah Perhitungan Kruskal-Wallis
Langkah 1: Nyatakan hipotesis nol dan hipotesis alternatif
 H0: Tidak akan ada perbedaan dalam penilaian majalah di antara siswa
di jurusan yang berbeda.
 HA: Siswa minimal satu disiplin akan menilai majalah secara berbeda
dari siswa di jurusan lainnya.
Langkah 2: Definisikan Tingkat Signifikansi (Tingkat-α) dan
Temukan Nilai Kritis untuk Statistik H Kruskal-Wallis
Dalam penelitian ini, α-level ≤ .10 digunakan. Bila menggunakan statistik
Kruskal-Wallis H, satu dari dua tabel dipilih untuk menentukan apakah
kedua kelompok tersebut berbeda secara signifikan. Jika masing-masing
kelompok mengandung setidaknya lima subyek, tabel chi-square
digunakan dengan derajat k - 1 derajat kebebasan (lihat Lampiran KJika
masing-masing kelompok mengandung lebih sedikit dari lima subjek,
tabel Kruskal-Wallis digunakan untuk mendapatkan nilai p yang tepat
(lihat Lampiran F). Dalam kasus ini, karena masing-masing kelompok
mengandung tujuh subjek, nilai kritis diambil dari tabel chi-square
(Lampiran K). Ada 2 derajat kebebasan. Nilai kritis untuk statistik chi-
square pada p ≤ .10 dan 2 derajat kebebasan adalah 4.605. Dengan
demikian, nilai yang dihitung dari uji H Kruskal-Wallis harus melebihi
nilai ini untuk dapat menyatakan bahwa perbedaan ada di antara
kelompok.
Langkah 3: Pastikan Data memenuhi Semua Asumsi yang
Diperlukan
Data tampaknya memenuhi semua asumsi uji H Kruskal-Wallis. Data
merupakan sampel acak independen. Tingkat pengukuran variabel
dependen, "rating majalah" adalah ordinal, dan variabel pengelompokan,

121
"major," memiliki tiga tingkat.
Langkah 4: Hitung Rentang Median dan Interquartile untuk Setiap
Grup
Data aktual ditunjukkan pada Tabel 7-5. Karena tiga median
dibandingkan, informasi pertama yang penting adalah nilai median dan
rentang interkuartil. Dalam contoh ini, peringkat majalah rata-rata adalah
24 (kisaran interkuartil, 7) untuk perawat siswa, 23 (kisaran interkuartil,
10) untuk siswa terapi fisik, dan 15 (kisaran interkuartil, 4) untuk siswa
kebersihan gigi. Secara keseluruhan, siswa kebersihan gigi tampaknya
menilai majalah lebih rendah daripada dua kelompok lainnya, jadi statistik
Kruskal-Wallis H dihitung untuk melihat apakah perbedaan ini benar-
benar signifikan secara statistik.
Langkah 5: Hitung Statistik H Kruskal-Wallis dan Lakukan Tes
Post-Hoc jika Diperlukan
 Jumlah pangkat (dari rangking)
 Setelah peringkat ditetapkan, statistik Kruskal-Wallis H dapat
dihitung. Rumus dasar untuk statistik Kruskal-Wallis H adalah:
12 ∑ 𝑅𝑖2
𝐻 = [( )× ] − 3(𝑁 + 1)
𝑁(𝑁 − 1) 𝑛𝑖
12 2312 176.52 153,52
𝐻 = [( )×( + + )] − 3(33 + 1)
33(33 − 1) 11 11 11
12
𝐻 = [( ) × (4851 + 2832,0227 + 2142,0227)] − 102
1056
𝐻 = [0,01136 × 9825,0454] − 102
𝐻 = 111,6125 − 102
𝐻 = 9,6125
Karena statistik Kruskal-Wallis H yang dihitung dari 9,6125 lebih besar

122
dari nilai kritis 5,99, dapat disimpulkan bahwa ada perbedaan yang
signifikan pada kelompok ≤.10 antara kelompok-kelompok dalam
bagaimana mereka menilai majalah tersebut.
Langkah 6: Tentukan Signifikansi Statistik dan Sebutkan sebuah
Kesimpulan
Perbedaan signifikan ditemukan pada peringkat median majalah kampus
oleh tiga kelompok siswa yang diuji oleh ANOVA Kruskal-Wallis di p ≤
.10. Pemeriksaan lebih lanjut dengan tes post-hoc Dunn Q menunjukkan
bahwa siswa kebersihan gigi menilai majalah tersebut secara signifikan
lebih buruk daripada siswa perawat atau terapi fisik dan bahwa tidak ada
perbedaan yang signifikan dalam penilaian antara perawat dan siswa
terapi fisik.

Langkah-Langkah Perhitungan SPSS

Langkah 1: Data dimasukkan ke
dalam kumpulan data SPSS.

Langkah 2: Bilah menu digunakan

untuk mengklik "Analisis" dan
memilih "Tes Nonparametrik" dan
"K Sampel Independen."

123
Langkah 3: When the “Tests for
Several Independent Samples” pop-
up box appears, the variable “rate” is
selected and moved over to the slot
labeled “Test Variable List”; the
variable “edu” is then selected and
moved over to the slot labeled
“Grouping Variable.”

Langkah 4: When the “Several

Independent Samples: Define
Range” button is clicked, a 1 is put
in the slot labeled “Minimum” and a
3 is put in the slot labeled
“Maximum.”

Langkah 5: Ketika "OK" diklik,

output muncul di jendela output
(ditunjukkan pada Tabel 7-7).

Hasil Uji SPSS

Kruskal-Wallis Test
Ranks
jarak rumah dengan RS N Mean Rank
motivasi kerja perawat <5 km 11 21.00
5-10 km 11 16.05

124
 >10 km 11 13.95
Total 33

Test Statisticsa,b
motivasi kerja perawat
Chi-Square 3.083
df 2
Asymp. Sig. .214
a. Kruskal Wallis Test
b. Grouping Variable: jarak rumah dengan
RS

Putting it all together

Kesimpulannya dinyatakan sebagai berikut: Perbedaan yang signifikan
ada pada bagaimana siswa di tiga jurusan memberi peringkat majalah
kampus pada p ≤ 0,014 oleh uji H Kruskal-Wallis. Tes post-hoc
menunjukkan bahwa siswa kebersihan gigi menilai majalah tersebut
secara signifikan lebih rendah daripada siswa perawat atau siswa terapi
fisik.

125
 BAB

UJI BEDA k-SAMPEL BERPASANGAN

9

ANOVA Ukuran-Berulang
Pendahuluan
Anova ukuran-berulang digunakan dalam literatur keperawatan yang
mengkaji perubahan sepanjang waktu pada sampel yang sama. Misalnya,
membandingkan penurunan suhu tubuh dengan lama kompres hangat 15
menit dengan 30 menit. Penurunan suhu tubuh menjadi variabel terikat dan
akan diukur pada setiap subyek, sebelum memulai dan setelah
menyelesaikan kompres hangat.
Anova ukuran-berulang dapat dirancang dengan mengambil
kelompok yang sama dan melakukan pengukuran sebelum dilakukan
intervensi kemudian memberikan intervensi beberapa kali dengan jarak
waktu yang sama. Kemudian ukur sebelum dan sesudah setiap intervensi.
Dengan mengulangi intervensi pada kelompok yang sama, dihasilkan
tingkat pengendalian yang berbeda diantara kelompok dan membuat lebih
mudah untuk memisahkan perbedaan intervensi yang diberikan. Dengan
demikian, kesamaannya ditambah sehingga didapatkan hasil yang signifikan
ketika hasil ada. Akibatnya, kekuatan studi meningkat.
Anova ukuran berulang dapat sangat bermanfaat dalam mengurangi
tidak banyak kesalahan variasi individual, tetapi juga ukuran sampel yang
diperlukan untuk menemukan hasil yang signifikan. Hal yang sangat
bermanfaat ketika sulit merekrut subyek atau ketika pendanaan sulit
diperoleh.

126
Asumsi Dasar
Seperti teknik statistik lainnya, penggunaan Anova ukuran-berulang
yang tepat mencakup pemenuhan asumsi dasar. Asumsi tersebut sama
seperti asumsi pada Anova, tetapi ada satu tambahan lagi – compound
symmetry. Compound symmetry berarti bahwa pengukuran yang
dikorelasikan dan memiliki variansi yang sama. Jadi, jika mengukur IMT
tiga kali, tiga hasilnya harus dikorelasikan satu sama lain dan hampir sama.
Homogenitas variansi juga ada dan merupakan istilah yang digunakan untuk
menunjukkan bahwa pengukuran IMT yang dikorelasikan tersebut harus
memiliki variansi yang sama.
ANOVA berulang-ulang dapat digunakan bila asumsi berikut
terpenuhi:
 Peserta penelitian merupakan sampel acak independen.
 Ada tiga atau lebih ukuran berbeda dari variabel dependen pada subjek
yang sama.
 Beberapa ukuran karakteristik minat semuanya terdistribusi normal.
 Variabel yang mengukur variabel dependen adalah interval atau rasio.
 Ada simetri majemuk, yang berarti ada homogenitas varians antara
masing-masing ukuran karakteristik dan bahwa korelasi antara berbagai
tindakan berulang serupa.
 Efek posisi atau efek kelatenan yang terjadi ketika subyek dipajankan
pada lebih dari satu terapi sepanjang waktu dan akibat terapi yang
diterima mempengaruhi hasil.
 Efek sisa (carry-over) terjadi ketika terapi sebelumnya masih memiliki
efek hingga terapi selanjutnya. Dalam kasus ini, pengukuran variabel
hasil atau terikat setelah terapi tertentu tidak hanya menggambarkan

127
 dampak terapi tersebut, tetapi juga mencakup efek tambahan dari terapi
sebelumnya.
Derajat Kebebasan
Seperti yang lain, Anova juga memiliki ukuran derajat kebebasan.
Perbedaannya adalah bahwa pembilang rasio F satu angka untuk derajat
kebebasan (jumlah kelompok dikurangi satu) dan penyebut satu angka
(jumlah subyek dikurangi kelompok). Ketika keduanya ditambahkan,
hasilnya menjadi derajat kebebasan rasio F.
Signifikan Statistik
Setelah F ditemukan, kemudian bandingkan F tadi (Fhitung) dengan Ftable (F
teoritis) biasanya taraf signifikan 5% dan 1%.
a. Jika Fhitung>Ftabel, maka H0 ditolak berarti bahwa ada perbedaan antara
mean kelompok atau jika nilai p value lebih kecil dari α = 0,05.
b. Jika Fhitung<Ftabel, maka H0 diterima berarti bahwa tidak ada perbedaan
antara mean kelompok atau jika nilai p value lebih besar dari α = 0,05.
Contoh Perhitungan
Untuk menggambarkan prosedur untuk menghitung ANOVA
berulang-ulang, pertanyaan berikut akan dibahas: Apakah ada peningkatan
denyut nadi pasien preoperasi? Peningkatan denyut nadi pasien merupakan
salah satu indikator kecemasan. Agar pemberian intervensi secara tepat
maka denyut nadi harus dipantau secara teratur untuk mengendalikan status
kecemasan pasien.
Pertanyaan ini dapat dijawab dengan menguji sampel darah dari 20
pasien preoperasi dengan tiga kali pengukuran dalam waktu yang berbeda
(60, 30,10 menit sebelum operasi). Variabel dependennya adalah
"peningkatan denyu nadi." Variabel independennya adalah "jenis instrumen"

128
dan memiliki tiga tingkat: instrumen A, instrumen B, dan instrumen C. Data
ditunjukkan pada Tabel 8-1 beserta perhitungan yang digunakan untuk
mendapatkan ANOVA berulang.
Table 9.1
No 60 menit 30 menit 10 menit Block Block (ROW)
Res. (ROW) Total squared
Total (Tj)
1 1 1 2 4 6
2 1 2 2 5 9
3 1 2 3 6 14
4 2 2 3 7 17
5 2 3 3 8 22
6 2 3 4 9 29
7 3 3 4 10 34
8 3 4 4 11 41
9 4 4 5 13 57
10 4 5 5 14 66
11 4 5 6 15 77
12 5 5 6 17 86
13 5 6 6 17 97
14 5 6 7 18 110
15 5 7 7 19 123
16 6 6 7 19 121
17 6 7 7 20 132
18 6 7 8 21 149
19 6 8 8 22 164
20 7 8 9 24 194
78 94 106 279 1548

Langkah-langkah perhitungan
Langkah 1 : Tentukan hipotesis nol dan hipotesis alternative
 H0: Tidak akan ada perbedaan nilai rata-rata HbA1c antara ketiga
instrumen tersebut.
 HA: Nilai rata-rata HbA1c akan sangat berbeda pada setidaknya satu
dari ketiga instrumen tersebut

129
Langkah 2: Tentukan tingkat signifikan (α-level) dan dapatkan nilai
kritisnya tes-f.
 Tingkat signifikan 0,05
 Derajat kebebasan treatmen (dftr)= jumlah tingkat perlakuan variabel -
1 (3-1=2)
 Derajat kebebasan error (dfe) = (n-1)(k-1)= 19x2=38
 Nilai kritis dari table f untuk f2,38 pada α-level = 0,05 adalah 3,23
(dengan nilai f2,40)
Langkah 3 Pastikan data memenuhi asumsi yang diperlukan.
 Langkah-langkah tersebut merupakan sampel acak independen.
 Setidaknya ada tiga ukuran variabel dependen.
 Variabel dependen agak terdistribusi normal.
 Variabel dependen adalah interval atau skala pengukuran rasio.
 Tidak ada potensi untuk posisi atau carry over effect.
 Tidak ada simetri majemuk (lihat hasil cetakan SPSS), yang berarti
perlu dilanjutkan dengan hati-hati dan gunakan prosedur Greenhouse-
Geisser di SPSS.
Langkah 4: Sampaikan rata-rata dan standar deviasi untuk masing-
masing kelompok.

Perhitungan mean dan varians:

Mean Varians Standar
Deviasi
2
∑𝑋 (∑ 𝑋)
∑ X2 −
𝑋̅ = 𝑠2 = 𝑛 𝑠 = √𝑠 2
𝑁 (𝑁 − 1)

130
 60 menit 43 (43)2 𝑠 = √1,71
𝑋̅ = 125 − 20
20 𝑠2 =
(20 − 1) 𝑠 = 1,30
𝑋̅ = 2,15
𝑠 2 = 1,71
30 menit 62 (62)2 𝑠 = √2,26
𝑋̅ = 252 − 18
18 𝑠2 =
(18 − 1) 𝑠 = 1,50
𝑋̅ = 3,44
𝑠 2 = 2,26
10 menit 58 (58)2 𝑠 = √3,05
𝑋̅ = 256 − 16
16 𝑠2 =
(16 − 1) 𝑠 = 1,75
𝑋̅ = 3,62
𝑠 2 = 3,05
Langkah 5: Lakukan perhitungan untuk menyelesaikan tabel
ANOVA berulang-ulang dan tes post-hoc.
1. Hitung jumlah kuadrat:
Faktor koreksi (C)
2
(∑ ∑ 𝑋𝑖𝑗 )
𝐶=
𝑘×𝑁
(78 + 94 + 106)2
𝐶=
3 × 20
(278)2
𝐶=
60
𝐶 = 1288,067
Total sum of squares (SSt ):
2
𝑆𝑆𝑡 = ∑ ∑ 𝑋𝑖𝑗 −𝐶

𝑆𝑆𝑡 = (361 + 530 + 646) − 1288,067

𝑆𝑆𝑡 = 1537 − 1288,067
𝑆𝑆𝑡 = 248,933
Treatment sum of squares (SStr):

131
 ∑ 𝑇𝑗2
𝑆𝑆𝑡𝑟 = −𝐶
𝑁
(782 + 942 + 1062 )
𝑆𝑆𝑡𝑟 = − 1288,067
20
(6084 + 8836 + 11236)
𝑆𝑆𝑡𝑟 = − 1288,067
20
26156
𝑆𝑆𝑡𝑟 = − 1288,067
20
𝑆𝑆𝑡𝑟 = 19,733
Block sum of squares (SSbl):
∑ 𝑇𝑗2
𝑆𝑆𝑏𝑙 = −𝐶
𝑘
1548
𝑆𝑆𝑏𝑙 = − 1288,067
3
𝑆𝑆𝑏𝑙 = 516 − 1288,067
𝑆𝑆𝑏𝑙 = −772,067
Error sum of squares (sse)
𝑆𝑆𝑒 = 𝑆𝑆𝑡 − 𝑆𝑆𝑡𝑟 − 𝑆𝑆𝑏𝑙
𝑆𝑆𝑒 = 248,933 − 19,733 + 772,067
𝑆𝑆𝑒 = 1001,267
2. Perhitungan sum of mean squares:
Mean square treatment (MStr)
𝑆𝑆𝑡𝑟
𝑀𝑆𝑡𝑟 =
𝑑𝑓𝑡𝑟
19,733
𝑀𝑆𝑡𝑟 =
2
𝑀𝑆𝑡𝑟 = 9,8665
Mean square blocks (MSbl)

132
 𝑆𝑆𝑏𝑙
𝑀𝑆𝑏𝑙 =
𝑑𝑓𝑏𝑙
−772,067
𝑀𝑆𝑏𝑙 =
19
𝑀𝑆𝑏𝑙 = −406351
Mean square error (MSe):
𝑆𝑆𝑒
𝑀𝑆𝑒 =
𝑑𝑓𝑒
1001,267
𝑀𝑆𝑒 =
38
𝑀𝑆𝑒 = 26,3491
3. Perhitungan nilai F
𝑀𝑆𝑡𝑟
𝐹𝑟𝑎𝑠𝑖𝑜 =
𝑀𝑆𝑒
9,8665
𝐹𝑟𝑎𝑠𝑖𝑜 =
26,3491
𝐹𝑟𝑎𝑠𝑖𝑜 = 0,3744
Tabel Anova Ukuran Berulang
Sumber varians Sum of squares df Mean square F-rasio F-tabel
Treatments 19,733 2 9,8665 0,3744 3,23
Blocks -772,067 -40,6351
Error 1001,267 38 26,3491
Total 248,933
4. Menilai signifikansi statistik dari temuan:
Nilai kritisnya adalah 3,15. Karena 8,775 lebih besar dari 3,15,
setidaknya beberapa sarana secara signifikan berbeda dari beberapa
cara lainnya.
5. Perhitungan tes post-hoct (Bonferroni t-test)
Hitunglah tes post-hoc (Bonferroni t-test) untuk menentukan mean
kelompok mana yang secara signifikan berbeda.
Bonferroni t-test formula:

133
 𝑋1 − 𝑋2
1 1
√𝑀𝑆𝑊 ( + )
𝑛1 𝑛2
 Nilai kritis untuk uji t Bonferroni ada pada bagan uji t dua - ekor pada
perbandingan tα / # dan perbandingan (= perbandingan) = .05 / 6 =
.008: dfe = 104.
 Nilai kritis untuk t pada 0,008, df = 104 kira-kira sama dengan 2,617.
(Gunakan nilai pada bagan di α = .01 dan df = 120.)
Bonferroni t-test for no insurance vs. private insurance:
𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 + 𝑛2 )
𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 + 𝑛2 )
𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 + 𝑛2 )
Karena nilai absolut, 4,074, lebih besar dari nilai kritis 2.6176, kedua arti
tersebut sangat berbeda satu sama lain.
Bonferroni t-test for no insurance vs. Medicare:
𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 + 𝑛2 )
𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 + 𝑛2 )
𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 + 𝑛2 )

134
Bonferroni t-test for no insurance vs. TRICARE:
𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 + 𝑛2 )
𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 + 𝑛2 )
𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 + 𝑛2 )
Karena nilai absolut, 3,12, lebih besar dari nilai kritis 2.6176, kedua arti
tersebut sangat berbeda satu sama lain.
Bonferroni t-test for private insurance vs. Medicare
𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 𝑛2 )
+

𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 𝑛2 )
+

𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 𝑛2 )
+

Karena nilainya, 0,5616, tidak lebih besar dari nilai kritis 2.6176, kedua
sarana tersebut tidak berbeda secara signifikan satu sama lain.
Bonferroni t-test for private insurance vs. TRICARE
𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 + 𝑛2 )
𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 + 𝑛2 )

135
 𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 + 𝑛2 )
Karena nilainya, 0,7738, tidak lebih besar dari nilai kritis 2.6176, kedua
sarana tersebut tidak berbeda secara signifikan satu sama lain.
Bonferroni t-test for Medicare vs. TRICARE:
𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 + 𝑛2 )
𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 + 𝑛2 )
𝑋1 − 𝑋2
𝐵𝑜𝑛𝑓𝑒𝑟𝑟𝑜𝑛𝑖 𝑡𝑛𝑜𝑛𝑒 𝑣𝑠 𝑝𝑟𝑖𝑣𝑎𝑡𝑒 =
1 1
√𝑀𝑆𝑊 (
𝑛1 + 𝑛2 )
Karena nilainya, 0.2201, tidak lebih besar dari nilai kritis 2.6176, kedua
sarana tersebut tidak berbeda secara signifikan satu sama lain.
Langkah 6: Tentukan signifikansi statistik dan nyatakan sebuah
kesimpulan.
Jenis asuransi secara signifikan dikaitkan dengan jumlah kunjungan rawat
jalan yang dilakukan dalam satu tahun (p = .05). Tes post-hoc
mengungkapkan bahwa orang-orang yang tidak memiliki asuransi
membuat kunjungan lebih sedikit secara signifikan setahun (2,57)
dibandingkan dengan asuransi swasta (4,46), Medicare, atau TRICARE.
Tidak ada perbedaan lain yang ditemukan di antara kelompok tersebut.

9-3 Prosedur Perhitungan Dengan SPSS

136
Langkah 1: Data dimasukkan ke
dalam kumpulan data SPSS.

Langkah 2: Bilah menu digunakan

untuk mengklik "Analisis" dan
kemudian memilih "Model Linear
Umum" dan kemudian "Tindakan
Berulang."

Langkah 3: In the “Repeated

Measures Define Factor(s)” pop-up
box, “hba1c” is typed over the word
“factor1” in the “WithinSubject
Factor Name” slot, a “3” is put in
“Number of Levels,” slot, and the
“Add” button is clicked.

Langkah 4:The “Define” button is

clicked.

137
Langkah 5: The variables “A,” “B,”
and “C” are moved into the slots
labeled “__?__ (1),” “__?__ (2),”
and “__?__ (3).” The “Between-
Subjects Factors” and “Covariates”
boxes are left empty. The “Options”
button is then clicked.

Langkah 6: In the “Options” pop-up

box, the “Descriptive statistics” box
is selected and “hba1c” is moved
over to the “Display Means for” box.
The “Compare main effects” box is
clicked, and “Bonferroni” is selected
from the dropdown menu. Then the
“Continue” button is clicked.

Langkah 7: Setelah tombol "OK"

diklik, output muncul di jendela
output.

Hasil Perhiutngan SPSS

Within-Subjects Factors
Measure: MEASURE_1
diet Dependent Variable
1 satuminggu
2 duaminggu
3 tigaminggu

Descriptive Statistics

138
 Mean Std. Deviation N
lama diet 3.90 1.917 20
lama diet 4.70 2.155 20
lama diet 5.30 2.105 20

Multivariate Testsa
Hypothesis
Effect Value F df Error df Sig.
diet Pillai's Trace .894 76.000b 2.000 18.000 .000
Wilks' Lambda .106 76.000b 2.000 18.000 .000
Hotelling's Trace 8.444 76.000b 2.000 18.000 .000
Roy's Largest Root 8.444 76.000b 2.000 18.000 .000
a. Design: Intercept
Within Subjects Design: diet
b. Exact statistic

Mauchly's Test of Sphericitya

Measure: MEASURE_1
Within Approx. Epsilonb
Subjects Mauchly's Chi- Greenhouse- Huynh- Lower-
Effect W Square df Sig. Geisser Feldt bound
diet .918 1.533 2 .465 .925 1.000 .500
Tests the null hypothesis that the error covariance matrix of the orthonormalized
transformed dependent variables is proportional to an identity matrix.
a. Design: Intercept
Within Subjects Design: diet
b. May be used to adjust the degrees of freedom for the averaged tests of significance.
Corrected tests are displayed in the Tests of Within-Subjects Effects table.

Tests of Within-Subjects Effects

Measure: MEASURE_1
Type III Sum
Source of Squares df Mean Square F Sig.
diet Sphericity Assumed 19.733 2 9.867 66.952 .000
Greenhouse-Geisser 19.733 1.849 10.672 66.952 .000
Huynh-Feldt 19.733 2.000 9.867 66.952 .000
Lower-bound 19.733 1.000 19.733 66.952 .000
Error(diet) Sphericity Assumed 5.600 38 .147
Greenhouse-Geisser 5.600 35.132 .159
Huynh-Feldt 5.600 38.000 .147
Lower-bound 5.600 19.000 .295

Tests of Within-Subjects Contrasts

Measure: MEASURE_1
Type III Sum of Mean
Source diet Squares df Square F Sig.
diet Linear 19.600 1 19.600 155.167 .000
Quadratic .133 1 .133 .792 .385

139
Error(diet) Linear 2.400 19 .126
Quadratic 3.200 19 .168

Tests of Between-Subjects Effects

Measure: MEASURE_1
Transformed Variable: Average
Type III Sum of
Source Squares df Mean Square F Sig.
Intercept 1288.067 1 1288.067 103.437 .000
Error 236.600 19 12.453

Estimated Marginal Means

1. Grand Mean
Measure: MEASURE_1
95% Confidence Interval
Mean Std. Error Lower Bound Upper Bound
4.633 .456 3.680 5.587

2. diet
Estimates
Measure: MEASURE_1
95% Confidence Interval
diet Mean Std. Error Lower Bound Upper Bound
1 3.900 .429 3.003 4.797
2 4.700 .482 3.692 5.708
3 5.300 .471 4.315 6.285

Pairwise Comparisons
Measure: MEASURE_1
Mean 95% Confidence Interval for
Difference Differenceb
(I) diet (J) diet (I-J) Std. Error Sig.b Lower Bound Upper Bound
1 2 -.800* .138 .000 -1.161 -.439
*
3 -1.400 .112 .000 -1.695 -1.105
2 1 .800* .138 .000 .439 1.161
3 -.600* .112 .000 -.895 -.305
3 1 1.400* .112 .000 1.105 1.695
2 .600* .112 .000 .305 .895
Based on estimated marginal means
*. The mean difference is significant at the .05 level.
b. Adjustment for multiple comparisons: Bonferroni.

Multivariate Tests
Value F Hypothesis df Error df Sig.
Pillai's trace .894 76.000a 2.000 18.000 .000

140
 Wilks' lambda .106 76.000a 2.000 18.000 .000
Hotelling's trace 8.444 76.000a 2.000 18.000 .000
Roy's largest root 8.444 76.000a 2.000 18.000 .000
Each F tests the multivariate effect of diet. These tests are based on the linearly
independent pairwise comparisons among the estimated marginal means.
a. Exact statistic

Putting it all together

Setelah rata-rata jumlah kunjungan untuk setiap kelompok, ANOVA
berulang-ulang, dan tes pasca-hoc yang dihitung dengan tangan telah
dihitung, kesimpulannya dapat dinyatakan. Pertama, tabel ANOVA
berulang-ulang harus dibuat dari hasil cetakan (lihat Tabel 8.4).
Kemudian kesimpulannya dinyatakan. Studi ini menemukan bahwa ada
perbedaan yang signifikan dalam nilai rata-rata HbA1c yang diukur oleh
tiga instrumen yang berbeda, sesuai dengan ANOVA berulang-ulang,
dengan menggunakan prosedur Greenhouse-Geisser (Rumah Kaca dan
Geisser, 1959). Modus tes Bonferroni post-hoc yang dimodifikasi
(Glantz, 1997) mengungkapkan bahwa instrumen "C" berbeda dari "A"
dan "B", namun "A" dan "B" tidak berbeda satu sama lain.

Friedman’s ANOVA by rank

ANOVA Friedman berdasarkan pangkat adalah tes nonparametrik yang
serupa dengan pengulangan ANOVA (Friedman, 1937; Friedman, 1939). Ini
digunakan untuk menguji perbedaan nilai median dari variabel ordinal,
interval, atau rasio dengan ukuran berulang dari variabel dependen. Hal ini
berguna dalam kasus ANOVA yang berulang-ulang tidak dapat digunakan
karena satu atau lebih asumsi dilanggar. Secara khusus, digunakan untuk
menentukan apakah ada perbedaan pada median antara tiga atau lebih
kelompok terkait. Hal ini sering digunakan untuk memeriksa perbedaan

141
dalam peringkat atau preferensi untuk item serupa (misalnya, berbagai jenis
es krim).
Asumsi
ANOVA Friedman berdasarkan pangkat dapat digunakan saat asumsi
berikut terpenuhi:
 Variabel dependen setidaknya ordinal.
 Ada tiga atau lebih ukuran berbeda dari variabel dependen pada subjek
yang sama.
 Peserta penelitian tidak tergantung satu sama lain.
Contoh Perhitungan
Perhitungan tangan ANOVA Friedman diilustrasikan dengan menjawab
pertanyaan berikut: Apakah tipe penyedia layanan kesehatan terkait dengan
kepuasan pasien dengan perawatan? Data berasal dari penelitian terhadap 10
pasien yang terlihat dalam perawatan kesehatan di HMO. Setiap pasien
memiliki tiga kunjungan perawatan penting yang berbeda. Pada suatu
kunjungan, pasien tersebut diperiksa oleh dokter (MD), pada kunjungan lagi
oleh seorang praktisi perawat (NP), dan pada kunjungan ketiga oleh seorang
asisten dokter (PA). Setelah setiap kunjungan, pasien menyelesaikan survei
kepuasan pasien. Kepuasan diukur dengan skala 10 item, yang
menghasilkan nilai dari 0 sampai 10, dengan 0 menunjukkan paling tidak
memuaskan dan 10 menunjukkan yang paling memuaskan. Data dan
rangkuman ditunjukkan pada Tabel 8-6. Prosedur untuk menghitung tes
dengan tangan ditunjukkan pada Kotak 8-4 dan dengan menggunakan SPSS
di Kotak 8-5. Output SPSS ditunjukkan pada Tabel 8-7.

Patient Satisfaction Rank

ID NP MD PA NP MD NM

142
 1 9 7 6 3 2 1
2 9.5 6.5 8 3 1 2
3 5 7 4 2 3 1
4 8.5 8.5 6 2.5 2.5 1
5 9.5 5 7 3 1 2
6 7.5 8 6 2 3 1
7 8 6.5 6.5 3 1.5 1.5
8 7 6.5 4 3 2 1
9 8.5 7 6.5 3 2 1
10 6 7 3 2 3 1
Total 26.5 21 12.5

Langkah-Langkah Perhitungan Friedman’s Anova By Rank

Langkah 1: Nyatakan hipotesis nol dan hipotesis alternatif.
 H0: Tidak akan ada perbedaan signifikan dalam kepuasan pasien yang
melihat MD, NP, atau PA.
 HA: Akan ada perbedaan signifikan dalam kepuasan pasien yang
melihat MD, NP, atau PA.
Langkah 2: Definisikan tingkat signifikansi (tingkat α) dan dapatkan
nilai kritis untuk uji-f.
 Nilai-α = 0,05.
 Ada 2 derajat kebebasan (k – 1 = 3 – 1 = 2).
 Ada tiga kelompok dan 10 subjek; nilai kritis diperoleh dari tabel
chisquare (lihat Lampiran K).
 Nilai kritis untuk statistik chi-square pada p ≤ 0,05 dan 2 derajat
kebebasan adalah 5,991.
Langkah 3: Pastikan data memenuhi semua asumsi yang diperlukan.
 Skala pengukuran ordinal.
 Ada tiga ukuran variabel dependen untuk masing-masing peserta.
 Tidak ada interaksi dengan peserta yang diharapkan.

143
 Peserta penelitian tidak tergantung satu sama lain.
 Data tampaknya memenuhi semua asumsi.
Langkah 4: Hitung rentang median dan interkuartil.
Peringkat kepuasan median dan rentang interkuartil adalah sebagai
berikut:
 MDs menerima rating kepuasan rata-rata 7,00 (kisaran interkuartil,
6,5-7,25)
 NP memperoleh rating kepuasan rata-rata 8,25 (kisaran interkuartil,
6,75-9,125)
 PA menerima rating kepuasan rata-rata 6,00 (kisaran interkuartil, 4,0-
6,625)
Langkah 5: Perhitungan Statistik Friedman’s ANOVA by rank.
12
𝑋𝑓2 = × ∑(𝑅𝑓 )2 − 3𝑛(𝑘 + 1)
𝑛𝑘(𝑘 + 1)
12
𝑋𝑓2 = × ∑(26.52 + 212 + 12.52 ) − 3 × 10(3 + 1)
10 × 3(3 + 1)
𝑋𝑓2 = 129.95 − 120.00 = 9.95
Karena 9,95 lebih besar dari 5,991, nilai yang dihitung melebihi nilai
kritis, sehingga ANOVA Friedman menurut peringkat secara statistik
signifikan.

Langkah-langkah perhitungan SPSS

Langkah 1: Data dimasukkan ke
dalam kumpulan data SPSS.

144
Langkah 2: Bilah menu digunakan
untuk mengklik "Analisis" dan
memilih "Tes Nonparametrik" dan
"K Sampel Independen."

Langkah 3: The “Tests for Several

Related Samples” pop-up box must
be completed next by selecting the
variables “npsat,” “mdsat,” and
“pasat” and moving them over to the
slot labeled “Test Variables.” It is
necessary to check the “Friedman”
box in the “Test Type” box and then
to select the “Statistics” button.

Langkah 4: Dalam kotak pop-up

“Beberapa Sampel Terkait:
Statistik”, “Kuartil” harus diklik
diikuti dengan “Lanjutkan”.

Langkah 5: Ketika "OK" diklik,

output muncul di jendela output
(ditunjukkan pada Tabel 7-7).

145
Kesimpulan:
1. Njshsjd
2. Njshdsds

Rutting it all together

Secara keseluruhan, penelitian ini menemukan bahwa ada perbedaan yang
signifikan dalam kepuasan pasien dengan NP, MDs, dan Pas seperti yang
diuji oleh ANOVA Friedman berdasarkan pangkat. Pemeriksaan lebih
lanjut dengan tes SNK yang dimodifikasi (Glantz, 1997) menunjukkan
bahwa pasien secara signifikan kurang puas dengan Pas daripada dengan
MDs atau NP. Tidak ada perbedaan lain yang ditemukan.

146
 BAB

PERBEDAAN VARIABEL KATEGORI

10

Manfaat Tabel Tabulasi Silang

Banyak informasi bisa diambil dari tabel tabulasi silang. Pertama,
probabilitas marjinal berada di masing-masing kelompok dan probabilitas
bersyarat untuk mendapatkan hasil yang diberikan keanggotaan di masing-
masing kelompok dapat diperoleh. Selain itu, probabilitas gabungan
keduanya memiliki kondisi dan berada dalam kelompok tertentu dapat
diperoleh. Akhirnya, rasio odds yang tidak disesuaikan dapat diperoleh.
Rasio odds yang tidak disesuaikan ini berguna dalam menentukan sejauh
mana memiliki suatu kondisi yang menempatkan peserta pada risiko
mengalami hasilnya relatif terhadap mereka yang tidak memiliki
kondisinya.
Studi yang dibahas dalam bab ini mengilustrasikan kegunaan tabel
tabulasi silang (juga disebut sebagai tabel kontingensi) dan jenis pertanyaan
yang dapat membantu menjawabnya. Secara umum, tabel tabulasi silang
memungkinkan perbandingan proporsi subjek dalam kelompok yang
berbeda yang mengalami hasil. Statistik yang terkait dengan tabel tabulasi
silang memungkinkan penilaian signifikansi statistik dari perbedaan yang
ditemukan. Jenis statistik yang dipilih bergantung pada jenis perbandingan
yang sedang dibuat dan jumlah peserta dalam penelitian. Misalnya, peneliti
membandingkan kelompok orang yang tidak berpasangan yaitu dengan
membandingkan kelompok yang menerima intervensi dibandingkan dengan
kelompok yang tidak menerima intervensi dan jumlahnya cukup besar,

147
maka yang digunakan adalah uji chi-kuadrat. Apabila peneliti
membandingkan dua kelompok yang berbeda dengan jumlah sampelnya
kecil, maka peneliti menggunakan uji kepastian Fisher (mirip dengan uji
chi-square). Jika peneliti membandingkan dua pengukuran yang dilakukan
pada sampel yang sama dengan kondisi yang berbeda. Karena ini adalah
tindakan berulang, para peneliti memilih tes McNemar, yang sesuai untuk
digunakan saat membandingkan proporsi yang dipasangkan.

Membuat Tabel Tabulasi Silang

Ada konvensi untuk menyajikan tabel tabulasi silang (Tabel 10-1),
meskipun tidak harus diikuti oleh setiap penelitian. Dalam tabel 2 x 2, baris
biasanya digunakan untuk kedua kelompok yang dibandingkan (biasanya
variabel independen). Jika kelompok didefinisikan oleh beberapa jenis
kondisi atau faktor risiko, kelompok pertama biasanya adalah orang dengan
kondisi (+), dan kelompok kedua adalah kelompok yang tidak memiliki
kondisi (-).Demikian pula, kolom biasanya berisi hasil bunga (biasanya
variabel dependen). Kolom pertama mewakili mereka yang memiliki hasil,
dan kolom kedua mewakili yang tanpa hasil.
Sesudah
Sebelum
- +
+ A B
- C D

Peserta dipilah menjadi empat kelompok yang saling eksklusif dan

lengkap dan dimasukkan ke dalam sel tabel yang berbeda: (1) kelompok
pertama dengan hasil (Sel A), (2) kelompok pertama tanpa hasil (Cell B),
(3) mereka yang berada di kelompok kedua dengan hasil (Cell C), dan (4)
kelompok kedua tanpa hasil (sel D). Penting untuk memperhatikan jumlah
marginal dalam tabel tabulasi silang. Jumlah peserta (n) yang dianalisis

148
dalam tabulasi silang sama dengan A + B + C + D. Demikian pula, jumlah
total di Grup 1 sama dengan A + B, jumlah total di Grup 2 sama dengan C +
D, jumlah total dengan hasilnya sama dengan A + C, dan jumlah total tanpa
hasil sama ke B + D.

Chi-Square
Sejumlah statistik tersedia untuk menguji signifikansi statistik dalam tabel
tabulasi silang, termasuk statistik chi-square (dengan atau tanpa koreksi
kontinuitas Yates), uji pasti Fisher, dan uji McNemar. Uji chi-kuadrat,
koreksi kontinuitas Yates, dan uji kepastian Fisher digunakan saat kedua
variabel tidak dihubungkan atau dipasangkan dengan cara apa pun. Statistik
statistik yang paling umum digunakan adalah statistik chi-square, walaupun
semua tes didasarkan pada prinsip yang sama.
Logika di balik uji chi-kuadrat adalah membandingkan "frekuensi
yang diharapkan" dengan frekuensi yang diamati di setiap sel. Frekuensi
yang diharapkan dihitung dari data berdasarkan hipotesis nol tidak ada
perbedaan antara kedua kelompok. Statistik chi-square kemudian dihitung
dengan menggunakan frekuensi yang diamati dan yang diharapkan untuk
menentukan sejauh mana perbedaannya. Ukuran statistik chi-kuadrat
bergantung pada besarnya perbedaan ini. Jika perbedaannya cukup besar
untuk menghasilkan nilai chisquare yang melebihi nilai kritis, hipotesis nol
ditolak, dan dapat dinyatakan bahwa hubungan antara kedua variabel secara
statistik signifikan.
Asumsi Dasar
Dalam beberapa situasi, uji chi-square lebih sering digunakan karena
memiliki hasil atau variabel terikatnya pada skala nominal, namun uji
tersebut bukan pilihan terbaik. Uji chi-square memiliki beberapa asumsi

149
tambahan (selain memerlukan hasil atau variabel terikat skala nominal)
yang harus dipenuhi agar uji tersebut dapat digunakan dengan tepat.
 Peserta penelitian merupakan sampel acak independen.
 Ada dua variabel yang bisa dibandingkan, dan variabelnya independen
satu sama lain.
 Kedua ukuran itu bersifat nominal atau ordinal (dengan jumlah kategori
terbatas).
 Dalam 2 x 2 tabel, setiap sel memiliki setidaknya 10 frekuensi yang
diharapkan di setiap sel:
 Jika ada lima sampai sembilan kasus yang diharapkan di setiap sel,
koreksi kontinuitas Yates pada chi-square digunakan.
 Jika ada lebih sedikit dari lima kasus yang diharapkan di sel
manapun, maka uji pasti Fisher digunakan.
 Sampel harus acak dan bebas, jika sampelnya berpasangan maka uji
yang tepat adalah uji Mc Nemar pilihan yang tepat.
 Pada tabel 2 x 2 yang besar, tidak lebih dari 20% sel harus memiliki
frekuensi yang diharapkan kurang dari 5. Jika ya, tes pasti Fisher harus
digunakan.
 Tidak ada sel dengan frekuensi 0 yang diharapkan.
Hipotesis
Misalnya, seorang perawat ingin mengetahui apakah ada perbedaan antara
perilaku merokok dan tidak merokok terhadap penyebab TBC, maka
hipotesisnya adalah:
H0: tidak ada perbedaan antara perilaku merokok dan tidak merokok
terhadap penyebab TBC.
HA: ada perbedaan antara perilaku merokok dan tidak merokok terhadap
penyebab TBC.

150
Derajat Kebebasan
Sebelum menentukan signifikansi statistik, derajat kebebasan (degree of
freedom, df) harus ditentukan, yaitu nilai jumlah yang ”bebas untuk tidak
diketahui” setelah total baris dan kolom diketahui pada tabel kontingensi
2x2. Dengan uji cji-square, derajat kebebasan sama dengan jumlah baris
dikurangi satu dikalikan jumlah kolom dikurangi satu:
𝑑𝑓 = (2 − 1) × (2 − 1)
𝑑𝑓 = 1 × 1 = 1
Signifikan Statistik
Untuk mengetahui perbedaan secara signifikan nilai yang diobservasi dari
nilai yang diperkirakan pada satu derajat kebebasan dapat menggunakan
chi-square.
1. Jika hasil X2hitung > X2tabel atau memiliki nilai p yang signifikan (biasanya
<0,05 yang bergantung pada alfa yang digunakan) hipotesis nol yang
menyatakan bahwa variabelnya bebas pun ditolak dan disimpulkan
bahwa ada perbedaan.
2. Jika nilai X2hitung < X2tabel atau alfa yang dipilih (yaitu, jika alfa 0,05 dan
nilai p 0,09), hasilnya tidak signifikan secara statistik dan hipotesis nol
gagal ditolak. Penelitian ini tidak memiliki kekuatan untuk mengatakan
bahwa variabelnya memang tidak ada perbedaan.
Contoh Perhitungan
Sebuah penelitian tentang kejadian obesitas, yang akan digunakan untuk
membuat tabel tabulasi silang, mempertimbangkan pertanyaan berikut:
Apakah obesitas cenderung meningkatkan kadar glukosa darah dari orang
bukan obesitas? Data untuk membantu menjawab pertanyaan ini
ditunjukkan pada Tabel 10-3. Tabel tabulasi silang yang dibangun dari data

151
ini disajikan pada Tabel 10-4. Kedua variabel adalah kejadian obesitas dan
peningkatan kadar glukosa darah. Variabel "kejadian obesitas"
mendefinisikan dua kelompok (obesitas dan tidak), dan variabel
"peningkatan kadar glukosa darah" mendefinisikan dua hasil yang mungkin
(ya atau tidak).

Res. Obesitas Res. Tidak

1 Ya 26 Ya
2 Ya 27 Ya
3 Ya 28 Ya
4 Ya 29 Ya
5 Ya 30 Ya
6 Ya 31 Ya
7 Ya 32 Ya
8 Ya 33 Ya
9 Ya 34 Ya
10 Ya 35 Ya
11 Ya 36 Tidak
12 Ya 37 Tidak
13 Ya 38 Tidak
14 Ya 39 Tidak
15 Ya 40 Tidak
16 Tidak 41 Tidak
17 Tidak 42 Tidak
18 Tidak 43 Tidak
19 Tidak 44 Tidak
20 Tidak 45 Tidak
21 Tidak 46 Tidak
22 Tidak 47 Tidak
23 Tidak 48 Tidak
24 Tidak
25 Tidak

Tabulasi silang dari dua variabel ini mendefinisikan empat kategori; setiap
peserta studi cocok menjadi satu dan hanya satu kategori. Ada 68 peserta
dalam penelitian ini: 12 adalah wanita yang berolahraga tiga kali seminggu

152
atau lebih (Cell A), 24 adalah wanita yang berolahraga kurang dari tiga kali
seminggu (Cell B), 19 adalah pria yang berolahraga tiga kali seminggu atau
lebih banyak (Cell C), dan 13 adalah pria yang berolahraga kurang dari tiga
kali seminggu (Cell D).
Langkah-Langkah Perhitungan Chi-square
Langkah 1: Tentukan hipotesis nol dan hipotesis alternatif.
 H0: Jenis kelamin akan secara signifikan terkait dengan frekuensi
latihan.
 HA: Jenis kelamin tidak akan secara signifikan terkait dengan
frekuensi latihan.
Langkah 2: Buat tabel tabulasi silang, dapatkan probabilitas yang
relevan, dan dapatkan rasio odds yang tidak disesuaikan.

≥3 minggu <3 minggu Total

Perempuan 12 13 25
Pria 13 10 23
25 23 48

𝐴 12
= = 0,48
𝐴 + 𝐵 25
𝐶 13
= = 0,57
𝐶 + 𝐷 = 23

Langkah 3: Pastikan data memenuhi semua asumsi yang diperlukan.

 Pengukuran merupakan sampel acak independen.
 Setidakny ada dua alat ukur yang dibandingkan
 Kedua ukurann tersebut independen satu sama lain
 Kedua skala pengukuran nominal
 Ukuran sel yang diharapkan cukup memadai (lihat langkah 4).

153
Langkah 4: Tentukan tingkat signifikansi (tingkat α), derajat
kebebasan, dan dapatkan nilai kritis untuk statistik chi-square.
α-level adalah 0,05, dan derajat kebebasannya adalah (2 - 1) * (2 - 1) = 1.
Nilai kritis dari tabel chi-square pada derajat kebebasan sama dengan 1
dan α = .05 adalah 3,841.
Langkah 5: Lakukan perhitungan yang diperlukan untuk
mendapatkan statistik chi-square.
Langkah 5A. Frekuensi yang diharapkan untuk setiap sel dihitung
sebagai berikut:
Cell A 𝐴+𝐶 25
𝑓𝑒𝐴 = 𝐴 + 𝐵 ( ) 𝑓𝑒𝐴 = 25 ( ) = 13,02
𝐴+𝐵+𝐶+𝐷 48
Cell B 𝐵+𝐷 23
𝑓𝑒𝐵 = 𝐴 + 𝐵 ( ) 𝑓𝑒𝐵 = 25 ( ) = 11,97
𝐴+𝐵+𝐶+𝐷 48
Cell C 𝐴+𝐶 25
𝑓𝑒𝐶 = 𝐶 + 𝐷 ( ) 𝑓𝑒𝐶 = 23 ( ) = 11,98
𝐴+𝐵+𝐶+𝐷 48
Cell D 𝐵+𝐷 23
𝑓𝑒𝐴 = 𝐶 + 𝐷 ( ) 𝑓𝑒𝐴 = 23 ( ) = 11,02
𝐴+𝐵+𝐶+𝐷 48
Langkah 5B. Proporsi penyimpangan dari frekuensi yang
diharapkan untuk setiap sel dihitung menggunakan rumus berikut:
Cell A (𝑓𝑜𝐴 + 𝑓𝑒𝐴 )2
𝑓𝑒𝐴
Cell B (𝑓𝑜𝐵 + 𝑓𝑒𝐵 )2
𝑓𝑒𝐵
Cell C (𝑓𝑜𝐶 + 𝑓𝑒𝐶 )2
𝑓𝑒𝐶
Cell D (𝑓𝑜𝐷 + 𝑓𝑒𝐷 )2
𝑓𝑒𝐷
Langkah 5C. Statistik chi-square dihitung sebagai berikut:

2
(𝑓𝑜− 𝑓𝑒 )2
𝑋 =∑
𝑓𝑒

Langkah 6: Tentukan signifikansi statistik dan nyatakan sebuah

154
kesimpulan.
Hubungan antara kedua variabel secara statistik signifikan. Nilai kritisnya
adalah 3,84, dan nilai yang dihitung adalah 4,628. Karena nilai yang
dihitung dari statistik chi-kuadrat lebih besar daripada nilai kritis (4.628>
2.841), dapat disimpulkan bahwa jenis kelamin secara signifikan terkait
dengan frekuensi latihan.

Langkah-langkah Perhitungan Dengan SPSS

Langkah 1: Data dimasukkan ke
dalam kumpulan data SPSS.

Langkah 2: Tabel tabulasi silang

diperoleh dengan mengklik pertama
pada "Analisis" dan kemudian
memilih "Statistik Deskriptif" dan
"Crosstabs."

155
Langkah 3: When the “Crosstabs”
pop-up box appears, the variable
“Gender” is moved to the “Row”
slot, and the variable “Exercises
3x/week or more” is moved to the
“Column” slot. The “Cells” button is
then clicked.

Langkah 4: In the “Crosstabs: Cell

Display” pop-up box, the
“Observed” box is checked, and then
all the boxes under “Percentages”
are checked (“Row,” “Column,”
“Total”). The “Continue” button is
then clicked.

Langkah 5: In the “Crosstabs” pop-

up box, the “Statistics” button is
clicked. In the “Crosstabs: Statistics”
pop-up box, the boxes labeled “Chi-
square,” “Phi and Cramer’s V,” and
“Risk” are checked, and then the
“Continue” button is clicked. When
the “Crosstabs” pop-up box appears,
the “OK” button is clicked, and the
output appears in the output window.

Crosstabs
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent

156
 kejadian obesitas *
kejadian diabetes 48 100.0% 0 0.0% 48 100.0%
mellitus

kejadian obesitas * kejadian diabetes melitus Crosstabulation

Count
kejadian diabetes melitus
tidak ya Total
kejadian obesitas tidak 10 13 23
ya 13 12 25
Total 23 25 48

Chi-Square Tests
Asymptotic
Significance Exact Sig. Exact Sig.
Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square .349a 1 .555
Continuity Correctionb .091 1 .763
Likelihood Ratio .349 1 .555
Fisher's Exact Test .578 .382
Linear-by-Linear Association .341 1 .559
N of Valid Cases 48
a. 0 cells (0.0%) have expected count less than 5. The minimum expected count is
11.02.
b. Computed only for a 2x2 table

Putting it all together

Sebanyak 68 orang berpartisipasi dalam penelitian ini; 52,9% adalah
perempuan dan 47,1% adalah laki-laki. Secara keseluruhan, 33,3% wanita
dan 59,4% pria berolahraga tiga kali atau lebih setiap minggu. Wanita
memiliki kemungkinan 0,342 kali lebih sedikit dibandingkan pria untuk
berolahraga tiga kali atau lebih dalam seminggu; Sebagai alternatif, dapat
dikatakan bahwa pria memiliki 2,92 kali lebih banyak daripada wanita
untuk berolahraga. Ini secara statistik signifikan pada p ≤ 0,05 dengan uji
chi-kuadrat.

McNemar test

157
Uji McNemar adalah variasi pada statistik chi-square yang menguji
signifikansi statistik perubahan variabel dikotomes berpasangan (yaitu,
variabel yang hanya dapat mengambil dua nilai). Variabel dapat
dipasangkan baik karena beberapa tindakan berlebih dari waktu ke waktu
pada orang yang sama (yaitu, pretest-posttest) atau karena tindakan tersebut
diambil pada kasus dan kontrol yang sesuai (yaitu, studi kembar). Juga,
beberapa penulis merekomendasikan penggunaan tes McNemar untuk
mengukur signifikansi statistik dari kesepakatan interrater (Ludbrook,
2004).
Asumsi
Uji McNemar dapat digunakan bila asumsi berikut terpenuhi:
 Peserta penelitian merupakan sampel berpasangan atau cocok.
 Ada dua variabel yang bisa dibandingkan.
 Variabel mewakili data pasangan atau data yang cocok.
 Ada ukuran sel yang cukup.
Contoh Perhitungan
Untuk menggambarkan penggunaan uji McNemar peneliti mengambil
sebuah data dari para lansia disebuah panti jompo, apakah ada pengaruh
latihan keseimbangan terhadap tingkat kemandirian lansia. Data diambil
dari 35 lansia.
Kedua pengukuran tersebut adalah untuk tingkat kemandirian pretest
dikotomi (1 untuk lansia yang mandiri, 0 tergantung) dan ukuran tingkat
kemandirian posttest dikotomi (1 untuk lansia yang mandiri, 0 tergantung).
Output SPSS (Tabel 10-7) menyediakan tabel cross-tabulation dan
nilai p dari uji McNemar. Bagian pertama dari output diberi label
"Ringkasan Pengolahan Kasus", yang menunjukkan jika ada data yang

158
hilang (tidak ada yang dalam kasus ini). Bagian kedua dari output berisi
tabel cross-tabulation. Dalam tabel ini, sel, jumlah marjinal, dan semua
probabilitas terkait dapat ditemukan. Yang menarik dalam kasus ini
terutama adalah probabilitas marjinal. Seperti yang ditunjukkan di meja,
saat masuk ke tempat penampungan, 60% (21 dari 35) wanita diskrining
positif terhadap depresi. Namun, di shelter exit, hanya 17,1% (enam dari 35)
yang diskrining positif terhadap depresi. Nilai p-tes McNemar adalah _
.000, sehingga dapat disimpulkan bahwa ini adalah penurunan statistik yang
signifikan dalam skrining positif terhadap depresi.

Res. Sebelum Sesudah Res. Sebelum Sesudah

1 0 0 19 1 1
2 0 0 20 1 1
3 1 1 21 1 1
4 0 0 22 1 1
5 0 1 23 1 1
6 0 0 24 1 1
7 0 0 25 1 1
8 0 1 26 1 1
9 1 1 27 1 1
10 0 0 28 0 0
11 0 0 29 1 1
12 0 1 30 1 1
13 0 0 31 1 1
14 0 1 32 1 1
15 1 1 33 1 1
16 1 1 34 0 0
17 1 1 35 1 1
18 1 1

Langkah-Langkah Perhitungan Uji McNemar

Langkah 1: Tentukan hipotesis nol dan alternatif.
 H0: Jenis kelamin akan secara signifikan terkait dengan frekuensi

159
 latihan.
 HA: Jenis kelamin tidak akan secara signifikan terkait dengan
frekuensi latihan.
Langkah 2: Buat tabel tabulasi silang, dapatkan probabilitas yang
relevan, dan dapatkan rasio odds yang tidak disesuaikan.
kebiasaan Total
Merokok
Tidak Ya
Sebelum 11 3 14
Sesudah 21
Jumlah 35

Langkah 3: Pastikan data memenuhi semua asumsi yang diperlukan.

 The measures constitute an independent random sample.
 There are at least two measures to compare.
 The two measures are independent of each other.
 The measures are both nominal.
 The expected cell sizes are sufficient (see Step 4).
Langkah 4: Definisikan tingkat signifikansi (tingkat α), tentukan
derajat kebebasan, dan dapatkan nilai kritis untuk statistik chi-
square.
Nilai α adalah 0,05, dan derajat kebebasannya adalah (2 - 1) * (2 - 1) = 1.
Nilai kritis dari tabel chi-kuadrat pada derajat kebebasan sama dengan 1
dan α = .05 adalah 3,841.
Langkah 5: Lakukan perhitungan yang diperlukan untuk
mendapatkan statistik chi-square.

2
(𝐴 − 𝐷)2
𝑋 =
(𝐴 + 𝐷)

160
 2
(13 − 5)2
𝑋 =
(13 + 5)

64
𝑋2 =
18

𝑋2 = 8
Langkah 6: Tentukan signifikansi statistik dan nyatakan sebuah
kesimpulan.
Hubungan antara kedua variabel secara statistik signifikan. Nilai kritisnya
adalah 3,84, dan nilai yang dihitung adalah 4,628. Karena nilai yang
dihitung dari statistik chi-kuadrat lebih besar daripada nilai kritis (4.628>
2.841), dapat disimpulkan bahwa jenis kelamin secara signifikan terkait
dengan frekuensi latihan.

Kemudian tabel cross-tabulation

diperoleh dengan menggunakan
sistem menu untuk mengklik
"Analyze" dan kemudian memilih
"Deskriptif Statistik" dan
"Crosstabs."
Saat kotak pop-up "Crosstabs"
muncul, variabel "CESD27P0"
dipindahkan ke slot "Row", dan
"CESD27P1" dipindahkan ke slot
"Column". Kemudian tombol
"Cells" diklik. Saat kotak pop-up
"Crosstabs: Cell Display" muncul,
"Observed" dicentang, seperti juga
semua kotak di bawah "Persentase."

161
Tombol "Continue" kemudian
diklik. Untuk memperoleh statistik
minat pada kotak pop-up
"Crosstabs", tombol "Statistik"
diklik. Di kotak pop-up "Crosstabs:
Statistics", kotak berlabel
"McNemar" dicentang, lalu tombol
"Continue" diklik. Akhirnya, di
kotak pop-up "Crosstabs", ketika
"OK" diklik, tabel tabulasi silang
muncul di jendela output.

Hasil Perhitungan Dengan SPSS

Case Processing Summary

Cases
Valid Missing Total
N Percent N Percent N Percent
sebelum latihan
keseimbangan * sesudah 35 100.0% 0 0.0% 35 100.0%
latihan keseimbangan

sebelum latihan keseimbangan * sesudah latihan keseimbangan Crosstabulation

sesudah latihan keseimbangan
tergantung mandiri Total
sebelum latihan tergantung Count 13 1 14
keseimbangan % within sebelum latihan
92.9% 7.1% 100.0%
keseimbangan
% within sesudah latihan
44.8% 16.7% 40.0%
keseimbangan
% of Total 37.1% 2.9% 40.0%
mandiri Count 16 5 21
% within sebelum latihan
76.2% 23.8% 100.0%
keseimbangan
% within sesudah latihan
55.2% 83.3% 60.0%
keseimbangan
% of Total 45.7% 14.3% 60.0%
Total Count 29 6 35
% within sebelum latihan
82.9% 17.1% 100.0%
keseimbangan
% within sesudah latihan
100.0% 100.0% 100.0%
keseimbangan
% of Total 82.9% 17.1% 100.0%

162
 Chi-Square Tests
Exact Sig. (2-
Value sided)
McNemar Test .000a
N of Valid Cases 35
a. Binomial distribution used.

Putting it all together

Sebanyak 35 wanita yang mencari perlindungan di tempat penampungan
wanita yang dilanda ikut serta dalam penelitian ini. Saat masuk ke tempat
penampungan, mayoritas (60%) diskrining positif terhadap depresi
menggunakan CES-D. Saat keluar dari tempat penampungan, hanya
17,1% yang diskrining positif terhadap depresi. Penurunan ini secara
statistik signifikan seperti dinilai oleh uji McNemar pada p ≤ .000.

163
 BAB

KOEFISIEN KORELASI
11

Teknik Uji
Dalam memilih uji korelasi yang paling utama diketahui adalah skala
pengukurannya. Misalnya:
1. Jika skala data yang diukur dengan skala nominal maka koefisien
kontingensi atau korelasi phi yang digunakan.
2. Jika skala data yang diukur dengan skala ordinal maka koefisien korelasi
spearman rho yang digunakan apabila jumlah sampelnya <30 dan jika
jumlah sampelnya >30 maka kendal tau yang digunakan.
3. Jika skala data yang diukur dengan skala interval atau rasio dan data
berdistribusi normal maka koefisien korelasi pearson product moment
yang digunakan.

Signifikan Statistik
1. Jika nilai p yang signifikan (biasanya <0,05 yang bergantung pada alfa
yang digunakan) hipotesis nol yang menyatakan bahwa ditolak dan
disimpulkan bahwa ada hubungan yang signifikan.
2. Jika nilai alfa yang dipilih (yaitu, jika alfa 0,05 dan nilai p 0,09), hasilnya
tidak signifikan secara statistik dan hipotesis nol gagal ditolak. Penelitian
ini tidak memiliki kekuatan untuk mengatakan bahwa variabelnya
memang tidak ada hubungan yang signifikan.

Arah Hubungan

164
Koefisien korelasi menjelaskan arah dan kekuatan hubungan yang linear di
antara dua variabel. Arah hubungan dapat bersifat positif maupun negatif.
Korelasi positif berarti bahwa, ketika satu variabel meningkat, variabel yang
lain juga meningkat dan ketika satu varibel menurun, maka varibel yang lain
juga menurun. Artinya, kedua variabel bergerak ke arah yang sama.

Kekuatan Hubungan
Kekuatan hubungan ditentukan oleh nilai absolut koefisien korelasi. Nilai
absolut merupakan nilai numerik suatu angka tanpa indikator positif atau
negatif. Koefisien korelasi berada antara -1 dan +1.
1. Koefisien korelasi -1 menunjukkan hubungan negatif yang sempurna.
2. Semakin dekat suatu hubungan terhadap nol, semakin lemah
hubungannya.
3. Jika korelasinya nol, maka tidak ada hubungan sama sekali. Dan kasus
tersebut dikatakan bahwa variabel bebas sepenuhnya.
4. Koefisien korelasi 1 menunjukkan hubungan positif yang sempurna.
5. Jika nilai absolut koefisien korelasi adalah <0,3, maka hubungan diantara
vaiabelnya lemah.
6. Jika nilai absolut koefisien korelasi adalah 0,3-0,5, maka hubungan
diantara variabelnya sedang.
7. Jika nilai absolut koefisien korelasi adalah >0,5, maka hubungan diantara
veriabelnya kuat.

Pearson Product Moment

Koefisien korelasi Pearson adalah uji parametrik yang digunakan
untuk menentukan hubungan linear antara dua ukuran skala pengukuran
interval atau rasio. Hal ini juga dapat digunakan (dengan hati-hati) untuk

165
menilai hubungan dua variabel ordinal. Langkah-langkah ini dapat berupa
dua variabel independen, variabel yang sama diukur pada dua titik waktu
yang berbeda, atau dua variabel yang diharapkan terkait erat (mis., Dua
versi skala depresi yang berbeda).
Penggunaan koefisien korelasi yang paling sederhana adalah untuk
menguji hubungan dua variabel yang berbeda satu sama lain, seperti dalam
penelitian yang menguji hubungan dukungan sosial terhadap kompetensi
yang dirasakan (Tarkka, 2003). Dalam kasus ini, variabel independennya
adalah "dukungan sosial," variabel dependennya adalah "kompetensi ibu
bersubsidi," dan kedua variabel bersifat ordinal. Penggunaan koefisien
korelasi untuk menguji hubungan variabel dengan dirinya sendiri dari waktu
ke waktu digambarkan oleh penelitian yang menguji reliabilitas test-retest
dari skala kepuasan pasien (Miles, Penny, Power, dan Mercey, 2003).
Penggunaan koefisien korelasi untuk menguji hubungan dua ukuran yang
berbeda dari item yang sama (misalnya, dua variabel yang diharapkan
terkait) ditunjukkan dalam penelitian yang menguji validitas konkuren Skala
Dukungan Sosial Ortopedi Groningen dengan membandingkannya dengan
ukuran dukungan sosial yang ada (van der AkkerScheek, Stevens,
Spriensma, dan van Horn et al., 2004).
Asumsi Dasar
Koefisien korelasi Pearson dapat digunakan bila asumsi berikut terpenuhi:
1. Peserta penelitian merupakan sampel acak independen.
2. Ada dua variabel yang bisa dibandingkan.
3. Kedua ukuran tersebut terdistribusi secara normal.
4. Kedua ukuran tersebut adalah skala pengukuran interval atau rasio. (Ada
beberapa kasus di mana koefisien korelasi Pearson dapat dihitung
dengan data ordinal.)

166
5. Kedua variabel tersebut membentuk distribusi normal bivariat.
6. Untuk setiap nilai ukuran pertama (x), distribusi ukuran kedua (y) harus
memiliki varians yang sama, dan untuk setiap nilai y, distribusi x harus
memiliki varians yang sama.
Derajat Kebebasan
Derajat kebebasan dalam uji koefisien korelasi Pearson adalah jumlah
sampel dikurangi dua.
df = n - 2
Contoh Perhitungan
Untuk menggambarkan bagaimana menghitung koefisien korelasi Pearson,
pertanyaan berikut dipertimbangkan: apakah ada hubungan tekanan darah
prabedah dengan kadar hematokrit pascabedah?
Tabel 11-1 Distribusi Tekanan Darah dan Hematokrit
Tekanan
No Hematokrit X2 Y2 XY
Darah
1 111 34 12321 1156 3774
2 112 36 12544 1296 4032
3 114 35 12996 1225 3990
4 116 37 13456 1369 4292
5 117 35 13689 1225 4095
6 119 38 14161 1444 4522
7 120 40 14400 1600 4800
8 121 43 14641 1849 5203
9 122 41 14884 1681 5002
10 123 43 15129 1849 5289
11 124 42 15376 1764 5208
12 125 43 15625 1849 5375
13 127 41 16129 1681 5207
14 129 40 16641 1600 5160
15 130 45 16900 2025 5850
Total 1810 593 218892 23613 71799

167
Data ditunjukkan pada Tabel 11-1, memenuhi semua asumsi yang
diperlukan untuk menghitung koefisien korelasi Pearson. Orang-orang
dalam penelitian ini merupakan sampel acak independen. Ada dua variabel
yang dapat dibandingkan, dan keduanya didistribusikan secara normal,
seperti yang ditunjukkan pada plot batang dan daun (Tabel 9-2). Kedua
ukuran tersebut memiliki skala pengukuran rasio, dan hubungan linier
tampak ada di antara keduanya (lihat plot scatter pada Tabel 9-3).
Diasumsikan bahwa mereka memiliki distribusi normal bersama dan bahwa
asumsi mengenai distribusi dan varians dari subpopulasi terus berlanjut,
namun tidak ada cara mudah untuk menguji ini. Karena semua asumsi yang
diperlukan tampaknya terpenuhi, perhitungan koefisien korelasi Pearson
dapat dilanjutkan.
Langkah-Langkah Perhitungan Pearson Product Moment
Langkah 1: Tentukan hipotesis nol dan alternatif.
 H0: Tidak ada hubungan antara tekanan darah prabedah dengan kadar
hematokrit pascabedah.
 HA: ada hubungan antara tekanan darah prabedah dengan kadar
hematocrit pascabedah.
Langkah 2: Definisikan tingkat signifikan (α-level), dan dapatkan
nilai kritis untuk r.
Nilai α = 0.05.
Derajat kebebasan: 10 - 2 = 8.
Nilai kritis dari tabel Pearson di 8 derajat kebebasan dan α = 05
(onetailed) adalah 0,549.
Langkah 3: Pastikan data memenuhi semua asumsi yang diperlukan.
 The measures constitute an independent random sample.
 There are at least two measures to compare.

168
 The measures are both normally distributed.
 The measures are both of interval or ratio measurement scale.
 A linear relationship appears to exist between the two variables.
Langkah 4: Hitung rata-rata dan standar deviasi dan menyajikan
sebar plot.
Score Mean score Standar deviasi Varians
Screening test 33.9 1252 156.77
Final grade 82,9 5.45 29.66

Langkah 5: Lakukan perhitungan yang diperlukan untuk

mendapatkan koefisien korelasi Pearson
Koefisien Korelasi Person:
n. ∑ XY − ∑ X. ∑ Y
𝑟=
√{n ∑ X 2 − (∑ X)2 }{n ∑ Y 2 − (∑ Y)2 }
15.71799 − 1810.593
𝑟=
√{15.218892 − 18102 }{15.23613 − 5932 }
3655
𝑟=
√7280.2546

169
 3655
𝑟= = 0,8489 = 0,849
4305,22
 Nilai kritis = 0.549.
 R dihitung dari 0,6176 > 0,549, jadi ada hubungan yang signifikan
antara kedua variabel.
Langkah 6: Tentukan signifikansi statistik dan nyatakan suatu
kesimpulan.
 Skor skrining adalah prediktor yang signifikan dari nilai akhir di kelas
statistik pada p ≤.05 (satu-ekor).
 Secara khusus, skor skrining menjelaskan 45,1% dari varians di
tingkat akhir.

Prosedur Perhitungan Dengan SPSS

Langkah 1: Data dimasukkan ke
jendela data SPSS.

Langkah 2: Sistem menu digunakan

untuk mengklik “Grafik” dan
kemudian memilih “Scatter.”

170
Langkah 3: When the “Scatterplot”
popup box appears, “Simple” and
then “Define” are selected.

Langkah 4: When the “Simple

Scatterplot” pop-up box appears,
“fingrade” is moved to the “Y Axis”
variable slot and “screensc” is
moved to the “X Axis” variable slot.
When “OK” is clicked, the scatter
plot appears in the output window.

Langkah 5: Sistem menu digunakan

untuk mengklik "Analyze" dan
kemudian memilih "Correlate" dan
"Bivariate."

Langkah 6: When the “Bivariate

Correlations” pop-up box appears,
the variables “screensc” and
“fingrade” are moved to the
“Variables” slot. Then the boxes
labeled “Pearson” and “One-tailed”
are checked. The “Options” button is
then clicked.

171
Langkah 7: When the “Bivariate
Correlations: Options” pop-up box
appears, the box “Means and
standard deviations” is checked, and
then the “Continue” button is
clicked. When the “Bivariate
Correlations” pop-up box re-appears,
the “OK” button is clicked, and the
output appears in the output window.

Hasil Perhitungan Dengan SPSS

Correlations
Descriptive Statistics
Mean Std. Deviation N
tekanan darah sistol
120.67 5.888 15
prabedah
kadar hematokrit
39.53 3.482 15
pascabedah

Correlations
kadar
tekanan darah hematokrit
sistol prabedah pascabedah
tekanan darah sistol Pearson Correlation 1 .849
prabedah Sig. (2-tailed) .000
N 15 15
kadar hematokrit Pearson Correlation .849 1
pascabedah Sig. (2-tailed) .000
N 15 15

Putting it all together

The final step is to state the results and state a conclusion. Overall, this
study found that the screening score was significantly associated with the
final grade in statistics at p ≤ .05 (one-tailed). The relationship was a
strong one (r = .6176), with the screening score explaining 38.14% of the
variance in the final statistics grade.

172
Spearman Rho
Koefisien korelasi Spearman adalah uji nonparametrik yang serupa dengan
Koefisien korelasi Pearson (Spearman, 1904). Hal ini digunakan untuk
menguji hubungan linier dari dua variabel ordinal, interval, atau rasio. Uji
ini sangat berguna, uji koefisien korelasi Pearson tidak dapat digunakan
karena satu atau lebih dari asumsi itu tidak terpenuhi. Untuk menentukan
apakah kedua variabel ini memiliki linier asosiasi, peringkat masing-masing
variabel digunakan, dan statistik dihitung berdasarkan perbedaan nilai
rangking.
Asumsi Dasar
Koefisien korelasi Spearman dapat digunakan bila asumsi berikut terpenuhi:
1. Peserta penelitian merupakan sampel acak independen.
2. Ada dua ukuran variabel yang bisa dibandingkan.
3. Kedua ukuran tersebut adalah skala pengukuran ordinal, interval, atau
rasio.

Derajat Kebebasan

Contoh Perhitungan
Pertanyaan berikut dapat digunakan untuk menghitung koefisien korelasi
Spearman: Apakah kehadiran mahasiswa keperawatan dalam mengikuti
kuliah biostatistik berhubungan dengan nilai biostatistik? Untuk menjawab
pertanyaan ini peneliti mengambil data pada 15 mahasiswa. Data untuk
contoh ini ditunjukkan pada Tabel 11-5, beserta dengan jumlah rangking
yang digunakan untuk menghitung koefisien korelasi Spearman. Metode

173
untuk menghitung koefisien korelasi Spearman ditunjukkan pada table 11-6
dan prosedur perhitungan dengan menggunakan SPSS dapat dilihat pada
table 11-7. Hasil perhitungan dengan SPSS dapat dilihat pada table 11-8.
11-5 Distribusi Peran Keluarga dan Kemampuan Aktivitas
No Kehadiran Nilai (Y) Rating Rating d d2
(X) X Y
1 14 85 1 2 -1 1
2 11 83 4 3 1 1
3 8 70 7 7 0 0
4 13 91 2 1 1 1
5 9 74 6 6 0 0
6 10 79 5 5 0 0
7 12 81 3 4 -1 1
8 7 62 8 8 0 0
9 6 45 9 10 -1 1
10 5 53 10 9 1 1
Σ 6

Langkah-Langkah Perhitungan Korelasi Spearman

Langkah 1: Tentukan hipotesis nol dan alternative.
 H0: Tidak ada hubungan kehadiran kuliah dengan nilai ujian
biostatistik.
 HA: Ada hubungan kehadiran kuliah dengan nilai ujian biostatistik.
Langkah 2: Determine Statistical Significance (α-Level) and Find the
Critical Value for the Spearman Correlation Coefficient (rs )
Dalam penelitian ini, α-level ≤.05 dan uji dua-ekor digunakan. Untuk
dapat mengatakan bahwa kedua kelompok berkorelasi, koefisien korelasi
peringkat Spearman yang dihitung perlu melebihi nilai kritis. Nilai kritis
ditemukan di salah satu dari dua tabel. Bila n adalah antara 4 dan 30, nilai
kritis dapat ditemukan dalam tabel nilai kritis statistik uji Spearman
(Lampiran J) untuk nilai kritis rs. Bila n lebih besar dari 30, skor z

174
dihitung dengan rumus 9.2, dan nilai p aktual diperoleh dengan melihat
nilai z yang dihitung pada z tabel (Daniel, 2005) (lihat Lampiran A).
𝑧 = 𝑟𝑠 √𝑥 − 𝑛
Karena n sama dengan 10, nilai kritis diperoleh dari tabel peringkat
Spearman (Lampiran J). Nilai kritis untuk koefisien korelasi peringkat
Spearman pada p ≤ 0,05 (dua ekor) dan n = 10 adalah +/- 6364. Jadi, jika
koefisien korelasi peringkat Spearman dihitung lebih besar dari 0,6364
atau kurang dari -,6364, ini bermakna secara statistik.
Langkah 3: Pastikan Data Memenuhi Semua Asumsi yang
Diperlukan
Data tampaknya memenuhi semua asumsi koefisien korelasi Spearman.
Skala pengukuran untuk kedua variabel adalah rasio. Ada dua variabel,
dan hubungan linier kedua variabel tersebut diminati. Akhirnya, peserta
studi independen satu sama lain.
Langkah 4: Hitung Median dan Range Interquartile dan Hadirkan
Plot Scatter
Kandungan lemak rata-rata per porsi kue adalah 13,5% (kisaran
interkuartil, 10,75-22,75), dan kandungan kalori rata-rata per porsi adalah
200 kalori (kisaran interkuartil, 178,75-291,25). Plot scatter ditunjukkan
pada Tabel 9-5 (output SPSS). Hubungan linier yang kuat sepertinya tidak
ada, tapi ini harus diuji untuk memastikannya.

175
Langkah 5: Lakukan Perhitungan yang Diperlukan untuk
Menghitung Korelasi Korelasi Rank Spearman
6 ∑ d2
𝑟𝑠 = 1 −
N(N2 − 1)
6(6)
= 1−
10(102 − 1)
= 1 − 0,036 = 0,964
Karena nilai yang dihitung tidak melebihi nilai kritis, r tidak signifikan
secara statistik (.5030 - .6364).
Langkah 6: Menyatakan Kesimpulan
Langkah terakhir adalah menyatakan hasilnya dan untuk menarik
kesimpulan. Tidak ada hubungan yang signifikan antara kandungan lemak
dan kalori dalam menyajikan kue yang tersedia secara komersial.

Prosedur Perhitungan Dengan SPSS

176
Langkah 1: Data dimasukkan ke
jendela data SPSS.

Langkah 2: Sistem menu

digunakan untuk mengklik "Grafik"
dan kemudian memilih "Scatter."

Langkah 3: When the

“Scatterplot” popup box appears,
“Simple” and then “Define” are
selected.
When the “Simple Scatterplot”
pop-up box appears, “fingrade” is
moved to the “Y Axis” variable slot
and “screensc” is moved to the “X
Axis” variable slot. When “OK” is
clicked, the scatter plot appears in
the output window.
Langkah 4: Sistem menu
digunakan untuk mengklik
"Analyze" dan kemudian memilih
"Correlate" dan "Bivariate."

177
Langkah 5: In the “Bivariate
Correlations” pop-up box, the
variables “fat” and “calories” are
moved to the “Variables” slot. The
box labeled “Spearman” in the
“Correlation Coefficients” section
is checked. The box labeled
“Twotailed” in the “Test of
Significance” section is also
checked. When the “OK” button is
clicked, the output appears in the
output window.

Hasil Perhitungan Dengan SPSS

Correlations
kehadiran kuliah nilai ujian
Spearman's rho kehadiran Correlation Coefficient 1.000 .964**
kuliah Sig. (2-tailed) . .000
N 10 10
nilai ujian Correlation Coefficient .964** 1.000
Sig. (2-tailed) .000 .
N 10 10
**. Correlation is significant at the 0.01 level (2-tailed).

Putting it all together

Secara keseluruhan, penelitian ini menemukan bahwa tidak ada asosiasi
statistik antara persentase lemak dalam porsi kue dan kalori dalam porsi
tersebut (pada p ≤ 0,05).

178
 BAB

REGRESI LINEAR
12

INTRODUCTION TO MODEL BUILDING

Model adalah representasi realitas, biasanya sangat disederhanakan. Model
dapat berupa fisik (mis., Model mobil, model bangunan) atau konseptual
(misalnya, bagan organisasi, cetak biru, persamaan matematika). Dalam
kedua kasus, model yang baik mengandung unsur-unsur yang paling penting
dari fenomena yang diwakili dan memungkinkan visualisasi dari cara bahwa
bagian-bagian yang berbeda dari model terkait. Dalam penelitian ilmu
kesehatan, model konseptual dari sistem biologis, kesehatan, dan sosial
sering dibangun dan diuji untuk mendapatkan pemahaman tentang
bagaimana sistem ini berfungsi dan membuat prediksi tentang aktivitas
masa depan.
Model konseptual yang digunakan dalam penelitian ilmu kesehatan
biasanya dibangun di sekitar hasil tertentu (yaitu, variabel dependen) dan
melibatkan eksplorasi tentang bagaimana faktor-faktor lain (yaitu, variabel
independen) terkait dengan hasil. Model bangunan dalam penelitian ilmu
kesehatan sangat bergantung pada teknik statistik multivariat. Teknik-teknik
ini meliputi regresi linier berganda, regresi logistik ganda, model regresi
nonlinier, analisis survival, analisis varians n-way (ANOVA), analisis
kovarian (ANCOVA), ANOVA model campuran, analisis jalur, pemodelan
persamaan struktural, dan analisis faktor . Banyak dari teknik ini rumit
untuk digunakan dan ditafsirkan. Gambaran umum dari dua teknik yang

179
paling umum digunakan, regresi linier berganda dan regresi logistik ganda,
disediakan dalam bab ini.
Menjawab Pertanyaan Dengan Model Regresi
Dua teknik statistik yang paling umum digunakan dalam membangun model
dalam ilmu kesehatan adalah regresi linier berganda dan regresi logistik
ganda. Secara umum, analisis regresi adalah alat statistik yang
memungkinkan peneliti untuk melihat dampak simultan dari serangkaian
variabel independen pada nilai variabel dependen tunggal. Regresi linear
berganda berguna ketika variabel dependen minat adalah skala rasio dan
terdistribusi secara normal (misalnya, penurunan berat badan dalam
kilogram, hari kerja yang hilang), dan regresi logistik ganda digunakan
ketika variabel dependen dari bunga adalah nominal dan dikotomi
(misalnya, kematian, memiliki tes Pap smear pada tahun lalu).

Regresi Linear Sederhana

Analisa regresi linear sederhana adalah analisa untuk mengetahui pengaruh
antara variabel bebas (X) dan variabel terikat (Y). Sehingga, untuk
menentukan peramalan atau prediksi dari nilai variabel terikat (Y)
berdasarkan nilai variabel bebas (X) yang diketahui. Penentuan peramalan
ini didasarkan pada persamaan regresi yang diperolehnya. Artinya, untuk
memprediksi seberapa jauh perubahan nilai variabel terikat, bila nilai
variabel bebas di manipulasi/diubah-ubah atau dinaik-turunkan.
Berdasarkan tabel diatas, maka langkah-langkah dalam menggunakan uji
regresi linear adalah sebagai berikut:
1. Digunakan untuk tujuan analisis korelasi/hubungan.
2. Skala yang digunakan adalah interval atau rasio.
3. Sampel diambil secara acak.

180
4. Data berdistribusi normal.
5. Varians yang homogeny.
Dengan persamaan:
𝑌 = 𝑎 + 𝑏𝑋
Sehingga untuk menghitung a dan b digunakan rumus :
𝑛(∑ 𝑋𝑌) − (∑ 𝑋)(∑ 𝑌)
𝑏=
𝑛(∑ 𝑋 2 ) − (∑ 𝑋)2
∑ 𝑌. ∑ 𝑋 2 − ∑ 𝑋. ∑ 𝑋. 𝑌
𝑎= 2
𝑛 ∑ X 2 − (∑ 𝑋)
Atau
𝑛(X − 𝑋̅)(𝑌 − 𝑌̅)
𝑏=
𝑛(X − 𝑋̅)2
∑ 𝑌. ∑ 𝑋 2 − ∑ 𝑋. ∑ 𝑋. 𝑌
𝑎= 2
𝑛 ∑ X 2 − (∑ 𝑋)
Atau
𝑛(X − 𝑋̅)(𝑌 − 𝑌̅)
𝑏=
𝑛(X − 𝑋̅)2
𝑎 = 𝑌̅ − 𝑏𝑋̅
Dimana :
Y = nilai variabel terikat yang diramalkan akan terjadi kalau variabel bebas
berubah
a = konstanta/titik potong atau besarnya variabel terikat jika variabel bebas
(X = 0) tidak berubah
b = koefisien regresi, artinya besarnya perubahan variabel terikat sebagai
akibat dari perubahan satu unit variabel bebas
n = banyaknya data (sampel)
Contoh Perhitungan

181
Data yang meneliti hubungan antara tinggi dan berat badan dalam sampel
siswa keperawatan (Tabel 11-1) digunakan untuk menggambarkan
bagaimana menghitung model regresi linier sederhana. Jumlah yang
diperlukan untuk mendapatkan garis regresi dimasukkan dalam Tabel 11-1,
dan langkah-langkah untuk menghitung regresi linier sederhana ditunjukkan
pada Kotak 11-2.

Berat
No Umur (X) XY X2 Y2
Badan (Y)
1 11 21 231 121 441
2 13 24 312 169 576
3 14 25 350 196 625
4 17 29 493 289 841
5 20 31 620 400 961
6 21 34 714 441 1156
7 22 36 792 484 1296
8 24 38 912 576 1444
9 27 39 1053 729 1521
10 28 42 1176 784 1764
11 29 45 1305 841 2025
12 30 47 1410 900 2209
13 32 49 1568 1024 2401
14 33 53 1749 1089 2809
15 35 66 2310 1225 4356
356 579 14995 9268 24425

Langkah-Langkah Perhitungan Regresi linear Sederhana

Langkah 1: Tentukan hipotesis nol dan alternatif.
 H0: Ketinggian tidak akan menjadi prediktor berat yang signifikan.
 HA: Tinggi badan akan menjadi prediktor berat yang signifikan.
Langkah 2: Definisikan level signifikan (α-level) dan dapatkan nilai
kritis.
α-level adalah 0,05, dan nilai kritis untuk ANOVA f-test (model

182
keseluruhan) adalah 4,41. Nilai kritis untuk t-test (koefisien regresi)
adalah 2.10.
Langkah 3: Pastikan data memenuhi semua asumsi yang diperlukan.
 Alat ukur merupakan sampel acak independen
 Ada dua ukuran (satu variabel dependen dan satu variabel independen)
 Variabel dependen biasanya berdistribusi normal.
 Ada hubungan linear antara dua variabel.
Langkah 4: Buat diagram sebar untuk memeriksa linearitas
70
60
50
40
30
20
10
0
0 10 20 30 40

Berat Badan

Dalam plot pencar di atas, tinggi adalah variabel independen, dan berat
adalah variabel dependen. Hubungan linear hadir.
Langkah 5: Hitung persamaan regresi.
Langkah 5A: Hitug regresi linear kuadrat terkecil.
Persamaan regresi linear dihitung sebagai:
𝑌 = 𝑎 + 𝑏𝑋
The slope (b) is computed as:
𝑛(∑ 𝑋𝑌) − (∑ 𝑋)(∑ 𝑌)
𝑏=
𝑛(∑ 𝑋 2 ) − (∑ 𝑋)2

183
 15(14995) − (356)(579)
𝑏=
15(9268) − (356)2
224925 − 206124
𝑏=
139020 − 126736
18801
𝑏=
12284
𝑏 = 1,53
The y-intercept (a) is computed as:
∑ 𝑌. ∑ 𝑋 2 − ∑ 𝑋. ∑ 𝑋. 𝑌
𝑎= 2
𝑛 ∑ X 2 − (∑ 𝑋)
(579)(9268) − (356)(14995)
𝑎=
15(9268) − (356)2
5366172 − 5338220
𝑎=
139020 − 126736
27952
𝑎=
12284
𝑎 = 2,2754 = 2,28
Persamaan ditulis sebagai berikut:
𝑌 = 𝑎 + 𝑏𝑋
𝑌 = 2,28 + 1,53𝑋
Step 5B: Hitung koefisien determinasi.
The total deviation squared (SST) is computed as:
2
(∑ 𝑌)
2
𝑆𝑆𝑇 = ∑ 𝑌 −
𝑛
(579)2
𝑆𝑆𝑇 = 24425 −
15
𝑆𝑆𝑇 = 24425 − 22349,4
𝑆𝑆𝑇 = 2075,6
The total deviation explained by the regression line (SSR) is:

184
 2
2
(∑ 𝑌)
2
𝑆𝑆𝑅 = 𝑏 × ∑ 𝑌 −
𝑛
𝑆𝑆𝑅 = 1,532 × 2075,6
𝑆𝑆𝑅 = 4858,77
The unexplained deviation (SSE) is computed as:
𝑆𝑆𝐸 = 𝑆𝑆𝑇 − 𝑆𝑆𝑅
𝑆𝑆𝐸 = 2075,6 − 4858,77
𝑆𝑆𝐸 = −2783,17
The coefficient of determination (r2) is computed as:
𝑆𝑆𝑅
𝑟2 =
𝑆𝑆𝑇
4858,77
𝑟2 =
2075,6
𝑟 2 = 2,34
The adjusted coefficient of determination is computed as:
𝑆𝑆𝐸⁄ − 2
𝑛
𝑟𝑎2 = 1 −
𝑆𝑆𝑇⁄ − 1
𝑛
−2783,17⁄ − 2
𝑟𝑎2 =1− 15
2075,6⁄ − 1
15
−214,09
𝑟𝑎2 = 1 −
148,26
𝑟𝑎2 = 1 − (−1,44)
𝑟𝑎2 = 2,44
Langkah 5C: Buat tabel ANOVA untuk menilai keseluruhan
signifikansi model.

185
*Significant at p ≤.001
Langkah 5D: Hitung signifikansi koefisien regresi.
Kesalahan standar dari koefisien regresi (sb) dihitung sebagai:
2
𝑆𝑆𝐸
𝑠𝑦|𝑥 =
𝑛−2
2
𝑆𝑆𝐸
𝑠𝑦|𝑥 =
𝑛−2
2
𝑆𝑆𝐸
𝑠𝑦|𝑥 =
𝑛−2
2
𝑠𝑦|𝑥
𝑠𝑏 = √ 2
(∑ 𝑋)
∑ 𝑋2 − 𝑛

2
𝑠𝑦|𝑥
𝑠𝑏 = √ 2
(∑ 𝑋)
∑ 𝑋2 −
𝑛

2
𝑠𝑦|𝑥
𝑠𝑏 = √ 2
(∑ 𝑋)
∑ 𝑋2 −
𝑛
Uji-t untuk menentukan signifikansi koefisien regresi dihitung sebagai:
𝑏
𝑡=
𝑠𝑏
𝑏
𝑡=
𝑠𝑏
𝑏
𝑡=
𝑠𝑏
𝑑𝑓 = 𝑛 − 2
𝑐𝑣 = 2.10

186
 𝑏
𝑡=
𝑠𝑏
Karena 7.75 > 2.10
b significant p ≤ .05
Interval kepercayaan 95% di sekitar koefisien regresi dihitung sebagai:
95%𝐶𝐼 = 𝑏 ± (𝑡.975 × 𝑠𝑏 )
95%𝐶𝐼 = 𝑏 ± (𝑡.975 × 𝑠𝑏 )
95%𝐶𝐼 = 𝑏 ± (𝑡.975 × 𝑠𝑏 )
95%𝐶𝐼 = 𝑏 ± (𝑡.975 × 𝑠𝑏 )
Langkah 6: Tentukan signifikansi statistik dan nyatakan suatu
kesimpulan.
Model regresi linier memprediksi 75,5% dari varians dalam berat, dan ini
secara statistik signifikan oleh uji-f. Khususnya, untuk setiap peningkatan
tinggi inci, berat meningkat sebesar 7,081 lb, dan ini secara statistik
signifikan oleh t-test.

187
 Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 umurb . Enter
a. Dependent Variable: berat badan
b. All requested variables entered.

Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .961a .924 .918 3.478
a. Predictors: (Constant), umur

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 1918.363 1 1918.363 158.606 .000b
Residual 157.237 13 12.095
Total 2075.600 14
a. Dependent Variable: berat badan

188
 b. Predictors: (Constant), umur

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2.275 3.021 .753 .465
umur 1.531 .122 .961 12.594 .000
a. Dependent Variable: berat badan

Putting it all together

Langkah 6 menunjukkan cara menggambar informasi yang berguna dari
model. Secara khusus, kesimpulan dinyatakan sebagai berikut: Secara
keseluruhan, model regresi yang menggunakan tinggi sebagai variabel
independen memprediksi 75,5% dari varians dalam berat. Untuk setiap
peningkatan tinggi 1 inci, berat meningkat sebesar 7,081 lb dengan
interval kepercayaan 95% dari 5,163 lb hingga 8,999 lb. Baik keseluruhan
model dan tinggi variabel adalah prediktor berat yang signifikan secara
statistik dalam sampel perawat siswa ini.

Regresi Linear Ganda

Jika pengukuran pengaruh antar variabel melibatkan lebih dari satu variabel
bebas (X1, X2, X3,...,Xn) dinamakan analisa regresi linear ganda, dikatakan
linear karena setiap estimasi atas nilai diharapkan mengalami peningkatan
atau penurunan mengikuti garis lurus.
Model regresi linier berganda memberikan informasi yang mirip dengan
model regresi linier sederhana. Selain itu, mereka memiliki satu kekuatan
tambahan: model koefisien disesuaikan untuk hubungan variabel
independen satu sama lain. Dengan demikian, model regresi linier berganda
mengungkapkan kontribusi unik dari setiap variabel independen terhadap

189
nilai variabel dependen, serta jumlah keseluruhan varians dalam variabel
dependen yang dijelaskan oleh semua variabel independen dalam model.
Selain itu, model-model ini dapat menghubungkan yang mana dari prediktor
independen memiliki efek terkuat pada variabel dependen. Mirip dengan
regresi linier sederhana, garis regresi rata-rata atau meringkas hubungan,
yang dapat dinyatakan sebagai persamaan. Secara umum, persamaan regresi
linier berganda dinyatakan sebagai:
𝑌 = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + ⋯ + 𝑏𝑛 𝑋𝑛
Keterangan:
a = nilai konstanta
b1, b2,…,bn = nilai koefisien regresi variabel X1, X2,…,Xn
Sebenarnya secara statistik penggunaan nilai konstanta dilakukan jika
satuan-satuan variabel X dan Y tidak sama. Sebaliknya jika variabel X dan
Y baik linear sederhana maupun berganda mempunyai satuan yang sama,
maka nilai konstanta dihilangkan atau diabaikan dengan asumsi setiap
perubahan variabel Y akan proposional dengan perubahan nilai variabel X
Untuk menentukan nilai a, b1, b2,..., bn dipergunakan persamaan regresi
linear berganda:
∑𝑌 = 𝑛𝑎 + 𝑏1 ∑𝑋1 + 𝑏2 ∑𝑋2 + ⋯ + 𝑏𝑛 ∑𝑋𝑛
∑𝑋1 𝑌 = 𝑎∑𝑋1 + 𝑏1 ∑𝑋1 2 + 𝑏2 ∑𝑋1 𝑋2 + ⋯ + 𝑏𝑛 ∑𝑋1 𝑋𝑛
∑𝑋2 𝑌 = 𝑎∑𝑋2 + 𝑏1 ∑𝑋1 𝑋2 + 𝑏2 ∑𝑋2 + ⋯ + 𝑏𝑛 ∑𝑋2 𝑋𝑛
di mana y adalah variabel dependen, b0 adalah y-intercept, b1 adalah
perubahan dalam variabel dependen untuk setiap perubahan unit
(peningkatan 1) dalam variabel independen pertama, b2 adalah perubahan
dalam variabel dependen untuk setiap perubahan unit ( peningkatan 1)
dalam variabel independen kedua, dan seterusnya.

190
Beberapa bagian informasi penting dapat diperoleh dari persamaan regresi
berganda, termasuk (1) signifikansi statistik dari keseluruhan model; (2)
jumlah keseluruhan variasi dalam variabel dependen dijelaskan oleh semua
variabel independen; (3) persamaan model; (4) hubungan antara masing-
masing variabel independen dan variabel dependen, termasuk signifikansi
statistik dari masing-masing variabel independen; (5) kekuatan relatif dari
setiap variabel independen dalam memprediksi atau mempengaruhi variabel
dependen; dan (6) nilai prediksi dari variabel dependen untuk satu set
variabel independen. Perhatikan bahwa Langkah 6 tidak selalu dilakukan.
Ini hanya dilakukan ketika peneliti ingin memeriksa nilai prediksi dari
variabel dependen.
Contoh soal:
Pengaruh kepuasan kerja (X1) dan prestasi kerja (X2) terhadap produktivitas
kerja tenaga perawat di RS X.
No. Res X1 X2 Y
1 10 7 3
2 2 3 1
3 4 2 2
4 6 4 2
5 8 6 3
6 7 5 2
7 4 3 1
8 6 3 1
9 7 4 2
10 6 3 1

Menafsirkan Model Regresi Linear Berganda

Sebuah studi oleh Anderson, Isset, dan McDaniel (2003) meneliti
pertanyaan berikut dengan data yang diperoleh dari direksi keperawatan
(DONs) di 152 panti jompo serta dari set data sekunder: Apakah praktik

191
manajemen rumah jompo mempengaruhi bagaimana penghuni panti jompo
diperlakukan? Perhatikan bahwa unit analisis adalah panti jompo. Salah satu
hasil di mana penelitian ini tampak adalah persentase penduduk yang
memiliki beberapa jenis menahan diri (yaitu, kursi, sabuk rompi,
pergelangan tangan mitten) digunakan pada mereka dalam 4 minggu
terakhir. Para peneliti mencoba untuk menentukan apakah satu set
karakteristik kepemilikan, karakteristik sutradara, dan praktik manajemen
dapat memprediksi penggunaan pembatasan. Hasil regresi linier berganda
dari penelitian ini ditunjukkan pada Tabel 11-2.
Langkah 1: Tentukan Variasi Keseluruhan dalam Variabel Dependen
yang Dijelaskan oleh Variabel Independen
Item kedua adalah variasi keseluruhan dalam variabel dependen yang
dijelaskan oleh model yang diukur dengan koefisien yang disesuaikan dari
determinasi (adjusted R2); dalam model ini, 16,3% dari varians dalam
penggunaan pembatasan dijelaskan oleh variabel independen.
(∑ 𝑋1 )(∑ 𝑌)
∑ 𝑋1 𝑌 = ∑ 𝑋1 𝑌 −
𝑛
(60)(18)
∑ 𝑋1 𝑌 = 120 − = 120 − 108
10
∑ 𝑋1 𝑌 = 12

(∑ 𝑋2 )(∑ 𝑌)
∑ 𝑋2 𝑌 = ∑ 𝑋2 𝑌 −
𝑛
(40)(18)
∑ 𝑋2 𝑌 = 81 − = 81 − 72
10
∑ 𝑋2 𝑌 = 9

192
 2
2
(∑ 𝑌) 2
∑𝑌 = ∑𝑌 −
𝑛
182
∑ 𝑌 2 = 38 − = 138 − 32,4
10
∑ 𝑌 2 = 5,6

𝑏1 ∑ 𝑋1 𝑌 + 𝑏2 ∑ 𝑋2 𝑌
𝑅=√
∑ 𝑌2

−0,074(12) + 0,318(9)
𝑅=√
5,6

3,75
𝑅=√
5,6

𝑅 = √0,6696 = 0,8183
Langkah 2: Periksa Statistik Signifikansi Model Keseluruhan
Item pertama yang diperiksa ketika melihat model regresi linier berganda
adalah signifikansi model keseluruhan; model ini secara statistik signifikan
dengan nilai f hitung 4,704 (ρ .000).
Pengujian persamaan regresi Y = 0,084 + 0,074X1 + 0,318X2 akan
dilakukan secara simultan. Pengujian ini melibatkan kedua variabel bebas
(kepuasan kerja dan prestasi kerja) terhadap variabel terikat (produktivitas
kerja) tenaga perawat di RS X dalam menguji ada tidaknya pengaruh yang
signifikan secara simultan (bersama-sama). Pengujian secara simultan
menggunakan distribusi F yaitu membandingkan Fhitung dengan Ftabel.
𝑅 2 (𝑁 − 𝑚 − 1)
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 =
𝑚(1 − 𝑅 2 )
Dengan langkah-langkah:

193
a. Menentukan derajat kebebasan
Dengan menggunakan α = 0,5, maka df pembilang (X1 dan X2) = 2 dan
df penyebut: N – m – 1 = 10 – 2 – 1 = 7. Maka Ftabel = F5%,df(2)(7) =
4,74
𝑅 2 (𝑁 − 𝑚 − 1)
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 =
𝑚(1 − 𝑅 2 )
0,252 (10 − 2 − 1)
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 =
2(1 − 0,252 )
0,0625(7) 0,4375
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = = = 0,233
2(0,9375) 1,875
b. Kesimpulan
Karena Fhitung<Ftabel maka H0 diterima, berarti nilai koefisien regresi
kepuasan kerja dan prestasi kerja tidak terdapat pengaruh yang signifikan
terhadap produktivitas kerja tenaga perawat di RS X.
Langkah 3: Dapatkan Model Persamaan
Persamaan model keseluruhan adalah:
Persamaan regresi yang didapat sebanyak 2 + 1 = 3 persamaan sebagai
berikut’
∑𝑌 = 𝑛𝑎 + 𝑏1 ∑𝑋1 + 𝑏2 ∑𝑋2
∑𝑋1 𝑌 = 𝑎∑𝑋1 + 𝑏1 ∑𝑋1 2 + 𝑏2 ∑𝑋1 𝑋2
∑𝑋2 𝑌 = 𝑎∑𝑋2 + 𝑏1 ∑𝑋1 𝑋2 + 𝑏2 ∑𝑋2 2
No X1 X2 Y X1X2 X1Y X2Y X12 X22 Y2
1 10 7 3 70 30 21 100 49 9
2 2 3 1 6 2 3 4 9 1
3 4 2 2 8 8 4 16 4 4
4 6 4 2 24 12 8 36 16 4
5 8 6 3 48 24 18 64 36 9
6 7 5 2 35 14 10 49 25 4
7 4 3 1 12 4 3 16 9 1
8 6 3 1 18 6 3 36 9 1

194
 9 7 4 2 28 14 8 49 16 4
10 6 3 1 18 6 3 36 9 1
∑ 60 40 18 267 120 81 406 182 38

Langkah perhitungan:
18 = 10𝑎 + 60𝑏1 + 40𝑏2 (× 6)
120 = 60𝑎 + 406𝑏1 + 267𝑏2 (× 1)
Hasilnya:
108 = 60𝑎 + 360𝑏1 + 240𝑏2
120 = 60𝑎 + 406𝑏1 + 267𝑏2 _
−12 = 0 − 46𝑏1 − 27𝑏2
−12 = −46𝑏1 − 27𝑏2 (persamaan 1)
18 = 10𝑎 + 60𝑏1 + 40𝑏2 (× 4)
81 = 40𝑎 + 267𝑏1 + 182𝑏2 (× 1)
Hasilnya:
72 = 40𝑎 + 240𝑏1 + 160𝑏2
81 = 40𝑎 + 267𝑏1 + 182𝑏2 _
−9 = 0 − 27𝑏1 − 22𝑏2
−9 = −27𝑏1 − 22𝑏2 (persamaan 2)
Hasil persamaan 1 dan 2 dieliminasi untuk mencari nilai b1 atau b2,
misalnya mencari nilai b2 maka b1 dieliminasi atau di-nol-kan.
−12 = −46𝑏1 − 27𝑏2 (x27)
−9 = −27𝑏1 − 22𝑏2 (x46)
Hasilnya:
−324 = −1242𝑏1 − 729𝑏2
−414 = −1242𝑏1 − 1012𝑏2 _
90 = 0 − 238𝑏2

195
 90
𝑏2 = = 0,318
238
Jadi nilai b1:
−12 = −46𝑏1 − 27𝑏2
−12 = −46𝑏1 − 27(0,318)
46𝑏1 = 12 − 8,586
26𝑏1 = 3,414
3,414
𝑏1 = = 0,074
26
Jadi nilai a, dengan memilih salah satu dari 3 persamaan regresi, misalnya
persamaan pertama sebagai berikut :
18 = 10𝑎 + 60𝑏1 + 40𝑏2
18 = 10𝑎 + 60(0,074) + 40(0,318)
18 = 10𝑎 + 4,44 + 12,72
10𝑎 = 18 − 17,16
10𝑎 = 0,84
0,84
𝑎= = 0,084
10
Dengan demikian persamaan regresi berganda diperoleh: Y = 0,074X1 +
0,318X2 dan ada dua catatan penting yaitu:
1. Data untuk perhitungan persamaan tersebut mempunyai satuan yang
sama yaitu sama-sama tidak mempunyai satuan, dimana hanya berupa
rata-rata skor saja. Sehingga diasunsikan estimasi rata-rata perubahan
nilai Y proposional dengan perubahan nilai variabel bebas (X1, X2) dan
akibatnya nilai konstanta (a) tidak dipergunakan untuk mengukur
estimasi rata-rata nilai Y, maka diperoleh persamaan baru sebagai
berikut: Y = 0,074X1 + 0,318X2. Jadi nilai konstanta (a) diterapkan pada
persamaan regresi jika data baik data variabel bebas maupun variabel

196
 terikat yang tidak mempunyai satuan yang sama. Disini peran nilai
konstanta (a) sebagai penyelaras atau harmonisasi nilai akibat perbedaan
satuan data.

Persamaan regresi yang dihasilkan belum dapat digunakan untuk

mengestimasikan rata-rata nilai Y, karena belum dilakukan pengujian
signifikan terhadap nilai koefisien regresi dan hanya nilai koefisien
regresi yang signifikan saja yang digunakan untuk estimasi nilai Y.
Langkah 4: Tentukan Hubungan Antara Setiap Variabel Independen
dan Variabel Dependen
Variabel independen yang merupakan prediktor signifikan dari variabel
dependen pada p .05 atau lebih besar adalah jumlah tempat tidur, masa
jabatan dalam posisi saat ini dari DON, tahun pengalaman DON, dan tingkat
keterbukaan komunikasi di fasilitas.
b1
𝑡𝑏1 =
𝑠𝑏1
se
𝑠𝑏1 =
√𝛴(𝑥1 − 𝑥̅1 )2

Σ(y − 𝑦 ′ )2
𝑠𝑒 = √
𝑛−2

b1
𝑡𝑏1 =
𝑠𝑏1
se
𝑠𝑏1 =
√𝛴(𝑥1 − 𝑥̅1 )2

Σ(y − 𝑦 ′ )2
𝑠𝑒 = √
𝑛−2

197
Langkah 5: Tentukan Kekuatan Relatif dari Masing-masing Variabel
Independen dalam Memprediksi atau Mempengaruhi Variabel
Dependen
Kekuatan relatif masing-masing prediktor ini dipastikan dengan memeriksa
koefisien beta yang disesuaikan. Semakin besar nilai mutlak beta yang
disesuaikan, semakin kuat prediktornya. Dalam model ini, prediktor terkuat
penggunaan pembatasan adalah jumlah tempat tidur, dengan beta yang
disesuaikan -287. Ini menunjukkan bahwa ketika jumlah tempat tidur
meningkat, penggunaan pembatasan menurun. Prediktor terkuat kedua dari
penggunaan pengendalian adalah keterbukaan komunikasi, dengan beta
yang disesuaikan -2,26. Ketika keterbukaan komunikasi meningkat,
penggunaan pembatasan menurun. Dua prediktor lain dari penggunaan
pengekangan, kepemilikan DON dalam posisi saat ini dan tahun
pengalaman sebagai DON, masing-masing memiliki efek yang unik (dan
hampir identik) pada penggunaan pengekangan. Menahan penggunaan
menurun baik dengan pengalaman DON keseluruhan dan kepemilikan DON
dalam posisi saat ini.
Langkah 6: Memprediksi Nilai Variabel Dependen
Langkah ini tidak dilakukan di sini karena penyidik tidak tertarik dalam
memprediksi nilai poin data individu.
Prosedur Perhitungan Dengan SPSS

198
Langkah 1: Data dimasukkan ke
dalam kumpulan data SPSS.

Langakah 2: Model regresi linier

diperoleh dengan mengklik pertama
pada "Analisis" dan kemudian
memilih "Regresi" dan "Linear."

Langkah 3: In the “Linear

Regression” popup box, the
dependent variable “lg10mdvis” is
moved to the “Dependent” slot, and
the independent variables (“age,”
“health,” “insured,” “medhome,”
“black,” “other”) to the
“Independent” slot. When “OK,” is
clicked, the results appear in the
“Results Window.”

Variables Entered/Removeda
Model Variables Entered Variables Removed Method
1 prestasi kerja perawat,
kepuasan kerja . Enter
perawatb

199
a. Dependent Variable: produktivitas kerja perawat
b. All requested variables entered.

Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
a
1 .819 .670 .576 .514
a. Predictors: (Constant), prestasi kerja perawat, kepuasan kerja
perawat

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Std.
Model B Error Beta T Sig.
1 (Constant) .083 .493 .168 .871
kepuasan kerja perawat .074 .143 .213 .518 .620
prestasi kerja perawat .318 .207 .630 1.535 .169
a. Dependent Variable: produktivitas kerja perawat

200
 DAFTAR PUSTAKA

Arikunto, Suharsimi. 2010. Prosedur Penelitian: Suatu Pendekatan Praktik.

Jakarta: Rineka Cipta.
Burns, Nancy & Grove, Susan K. 2001. The Practice of Nursing Research:
Conduct, Critique, & Utilization. Philadelphia: W.B. Saunders
Company.
Dawson, Beth & Trapp, Robert G. 2001. Basic & Clinical Biostatistics,
Third Edition. Singapore: McGraw-Hill Companies.
Gillis, Angela, Jackson, Winston. 2002. Research For Nurses : Methods and
Interpretation. Philadelphia: F. A. Davis Company.
Heavey, Elizabeth. 2014. Statistics for Nursing: A Pratical Approach. Alih
Bahasa: Pamilih Eko Karyuni dan Palupi Widyatuti. Jakarta: EGC.
Herrhyanto, Nar. 2017. Analisa Data Kuantitatif Dengan Statistika
Inferensial. Bandung: Yrama Widya.
Hidayat A. A. Alimul. 2009. Metode Penelitian Keperawatan dan Teknik
Analisa Data. Jakarta : Salemba Medika.
Nasir, Moh. 2003. Metode Penelitian. Jakarta: Penerbit Ghalia Indonesia.
Korompis, Grace E. C. 2015. Biostatistika Untuk Keperawatan. Jakarta:
EGC.
Plichta Stacey B., Garzon Laurel S. 2009. Statistics For Nursing and Allied
Health. Philadelphia: Lippincott Williams & Wilkins.
Polit, Denis F., Beck Cheryl T. 2003. Nursing Research: Principle and
Methods. Philadelphia: Lippincott Williams & Wilkins.
Riduwan dan Akdon. 2013. Rumus dan Data Dalam Aplikasi Statistika
untuk Penelitian. Bandung: Alfabeta.
Riwidikdo, Handoko. 2009. Statistik Kesehatan. Yogyakarta: Mitra
Cendekia Press.
Sabri Luknis, Hastono Sutanto Priyo. 2014. Statistik Kesehatan. Jakarta:
Rajawali Pers.

201
Stommel, Manfred, Dontje, Katherine J. 2014. Statistics For Advanced
Practice Nurses and Health Professionals. New York: Springer
Publishing Company, LLC.
Sudjana. 2005. Metoda Statistika. Bandung: Tarsito.
Sugiyono. 2015. Statistik Nonparametris Untuk Penelitian. Bandung:
Alfabeta.
Sunyoto, Danang. 2012. Statistik Kesehatan: Analisa Data Dengan
Perhitungan Manual dan Program SPSS. Yogyakarta: Nuha Medika.
.

202
 LAMPIRAN

Tabel A

TABEL LUAS KURVA NORMAL DARI 0 HINGGA Z

Z ,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 ,0000 ,0040 ,0080 ,0120 ,0160 ,0199 ,0239 ,0279 ,0319 ,0359
0,1 ,0398 ,0438 ,0478 ,0517 ,0557 ,0596 ,0636 ,0675 ,0714 ,0753
0,2 ,0793 ,0832 ,0871 ,0910 ,0948 ,0987 ,1026 ,1064 ,1103 ,1141
0,3 ,1179 ,1217 ,1255 ,1293 ,1331 ,1368 ,1406 ,1443 ,1480 ,1517
0,4 ,1554 ,1591 ,1628 ,1664 ,1700 ,1736 ,1772 ,1808 ,1844 ,1879
0,5 ,1915 ,1950 ,1985 ,2019 ,2054 ,2688 ,2123 ,2157 ,2190 ,2224
0,6 ,2257 ,2291 ,2324 ,2357 ,2389 ,2422 ,2454 ,2486 ,2517 ,2549
0,7 ,2580 ,2611 ,2642 ,2673 ,2704 ,2734 ,2764 ,2794 ,2823 ,2852
0,8 ,2881 ,2910 ,2939 ,2967 ,2995 ,3023 ,3051 ,3078 ,3106 ,3133
0,9 ,3159 ,3186 ,3212 ,3238 ,3264 ,3290 ,3315 ,3340 ,3365 ,3389
1,0 ,3413 ,3438 ,3461 ,3485 ,3508 ,3531 ,3554 ,3577 ,3599 ,3621
1,1 ,3643 ,3665 ,3686 ,3708 ,3729 ,3749 ,3770 ,3790 ,3810 ,3830
1,2 ,3849 ,3869 ,3888 ,3907 ,3925 ,3944 ,3962 ,3980 ,3997 ,4015
1,3 ,4032 ,4049 ,4066 ,4082 ,4099 ,4115 ,4131 ,4147 ,4162 ,4177
1,4 ,4192 ,4207 ,4222 ,4236 ,4251 ,4265 ,4279 ,4292 ,4306 ,4319
1,5 ,4332 ,4345 ,4357 ,4370 ,4383 ,4394 ,4406 ,4418 ,4429 ,4441
1,6 ,4452 ,4463 ,4474 ,4484 ,4495 ,4505 ,4515 ,4525 ,4535 ,4545
1,7 ,4554 ,4564 ,4573 ,4582 ,4591 ,4599 ,4608 ,4616 ,4625 ,4633
1,8 ,4641 ,4649 ,4656 ,4664 ,4671 ,4678 ,4686 ,4693 ,4699 ,4706
1,9 ,4733 ,4719 ,4726 ,4732 ,4738 ,4744 ,4750 ,4756 ,4761 ,4767
2,0 ,4772 ,4778 ,4783 ,4788 ,4793 ,4798 ,4803 ,4808 ,4812 ,4817
2,1 ,4821 ,4826 ,4830 ,4834 ,4838 ,4842 ,4846 ,4850 ,4854 ,4857
2,2 ,4861 ,4864 ,4868 ,4871 ,4875 ,4878 ,4881 ,4884 ,4887 ,4890
2,3 ,4893 ,4896 ,4898 ,4901 ,4904 ,4906 ,4909 ,4911 ,4913 ,4916
2,4 ,4918 ,4920 ,4922 ,4925 ,4927 ,4929 ,4931 ,4932 ,4934 ,4936
2,5 ,4938 ,4940 ,4941 ,4943 ,4945 ,4946 ,4948 ,4949 ,4951 ,4952
2,6 ,4953 ,4955 ,4956 ,4957 ,4959 ,4960 ,4961 ,4962 ,4963 ,4964
2,7 ,4965 ,4966 ,4967 ,4968 ,4969 ,4970 ,4971 ,4972 ,4973 ,4974
2,8 ,4974 ,4975 ,4976 ,4977 ,4977 ,4978 ,4979 ,4979 ,4980 ,4981
2,9 ,4981 ,4982 ,4982 ,4983 ,4984 ,4984 ,4985 ,4985 4986 ,4986
3,0 ,4987 ,4987 ,4987 ,4988 ,4988 ,4889 ,4989 ,4989 4990 ,4990

203
Tabel B
Distribusi t
Uji dua pihak
0,50 0,20 0,10 0,05 0,02 0,01
Dk
Uji satu pihak
0,25 0,10 0,05 0,025 0,01 0,005
1 1,000 3,078 6,314 12,706 31,821 63,657
2 0,816 1,886 2,920 4,303 6,965 9,925
3 0,765 1,638 2,353 3,182 4,541 5,841
4 0,741 1,533 2,132 2,776 3,747 4,604
5 0,727 1,476 2,015 2,571 3,365 4,032
6 0,718 1,440 1,943 2,447 3,143 3,707
7 0,711 1,415 1,895 2,365 2,998 3,499
8 0,706 1,397 1,860 2,306 2,896 3,355
9 0,703 1,383 1,833 2,262 2,821 3,250
10 0,700 1,372 1,812 2,228 2,764 3,169
11 0,697 1,363 1,796 2,201 2,718 3,106
12 0,695 1,356 1,782 2,179 2,681 3,055
13 0,694 1,350 1,771 2,160 2,650 3,012
14 0,692 1,345 1,761 2,145 2,624 2,977
15 0,691 1,341 1,753 2,131 2,602 2,947
16 0,690 1,337 1,746 2,120 2,583 2,921
17 0,689 1,333 1,740 2,110 2,567 2,898
18 0,688 1,330 1,734 2,101 2,552 2,878
19 0,688 1,328 1,729 2,093 2,539 2,861
20 0,687 1,325 1,725 2,086 2,528 2,845
21 0,686 1,323 1,721 2,080 2,518 2,831
22 0,686 1,321 1,717 2,074 2,508 2,819
23 0,685 1,319 1,714 2,069 2,500 2,807
24 0,685 1,318 1,711 2,064 2,492 2,797
25 0,684 1,316 1,708 2,060 2,485 2,787
26 0,684 1,315 1,706 2,056 2,479 2,779
27 0,684 1,314 1,703 2,052 2,473 2,771
28 0,683 1,313 1,701 2,048 2,467 2,763
29 0,683 1,311 1,699 2,045 2,462 2,756
30 0,683 1,310 1,697 2,042 2,457 2,750

204
Tabel C
Nilai kritis U Mann-Whitney
Probability of obtaining a U smaller than that tabulated in comparing two
samples of size n (sampel 1) and m (sampel 2)
Uji Satu Arah
.10 .05 .025 .01 .005
Uji Dua Arah
.20 .10 .05 .02 .01
n =3
m=2 0 - - - -
m =3 1 0 - - -
n=4
m=2 0 - - - -
m=3 1 0 - - -
m=4 3 1 0 - -
n=5
m=2 1 0 - - -
m=3 2 1 0 - -
m=4 4 2 1 0 -
m=5 5 4 2 1 0
n=6
m=2 1 0 - - -
m=3 3 2 1 - -
m=4 5 3 2 1 0
m=5 7 5 3 2 1
m=6 9 7 5 3 2
n=7
m=2 1 0 - - -
m=3 4 2 1 0 -
m=4 6 4 3 1 0
m=5 8 6 5 3 2
m=6 11 8 6 4 3
m=7 13 11 8 6 4
n=8
m=2 2 1 0 - -
m=3 5 3 2 0 -
m=4 7 5 4 2 1
m=5 10 8 6 4 3
m=6 13 10 8 6 4
m=7 16 13 10 8 6
m=8 19 15 13 10 8

205
Tabel D
Nilai Kritis Wilcoxon signed-Rank Test
Uji Satu Arah
.01 .05 .025 .01 .005
Uji Dua Arah
N .20 .10 .05 .02 .01
5 2 0 - - -
6 3 2 0 - -
7 5 3 2 0 -
8 8 5 3 1 0
9 10 8 5 3 1
10 14 10 8 5 3
11 17 13 10 7 5
12 21 17 13 9 7
13 26 21 17 12 9
14 31 25 21 15 12
15 36 30 25 19 15
16 42 35 29 23 19
17 48 41 34 27 23
18 55 47 40 32 27
19 62 53 46 37 32
20 69 60 52 43 37
21 77 67 58 49 42
22 81 75 65 55 48
23 94 83 73 62 54
24 104 91 81 69 61
25 113 100 89 76 68
26 124 110 98 84 75
27 134 119 107 92 83
28 145 130 116 101 91
29 157 140 126 110 100
30 169 151 137 120 109

206
Tabel E
Distribusi F
(0,05)

df df pembilang
penyebut 1 2 3 4 5 6 7 8 12 24 ∞
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,68 4,53 4,37
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,00 3,84 3,67
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,57 3,41 3,23
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,28 3,12 2,93
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,07 2,90 2,71
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 2,91 2,74 2,54
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,79 2,61 2,41
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,69 2,51 2,30
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,60 2,42 2,21
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,53 2,35 2,13
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,48 2,29 2,07
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,42 2,24 2,01
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,38 2,19 1,96
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,34 2,15 1,92
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,31 2,11 1,88
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,28 2,08 1,84
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,25 2,05 1,81
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,23 2,03 1,78
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,20 2,01 1,76
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,18 1,98 1,73
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,16 1,96 1,71
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,15 1,95 1,69
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,13 1,93 1,67
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,12 1,91 1,66
29 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,10 1,90 1,64
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,09 1,89 1,62
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,00 1,79 1,51
50 4,03 3,18 2,79 2,56 2,40 2,29 2,20 2,13 1,95 1,74 1,45
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 1,92 1,70 1,39
80 3,96 3,11 2,72 2,49 2,33 2,21 2,13 2,06 1,88 1,65 1,33
100 3,94 3,09 2,70 2,46 2,31 2,19 2,10 2,03 1,85 1,63 1,28
120 3,92 3,07 2,68 2,45 2,29 2,18 2,09 2,02 1,83 1,61 1,26
∞ 3,84 3,00 2,61 2,37 2,22 2,10 2,01 1,94 1,75 1,52 1,00

207
Tabel F

Distribusi F
(0,01)
df df pembilang
penyebut 1 2 3 4 5 6 7 8 12 24 ∞
5 16.26 13.27 12.06 11.39 10.97 10.67 10.46 10.29 9.89 9.47 9.02
6 13.75 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.72 7.31 6.88
7 12.25 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.47 6.07 5.65
8 11.26 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.67 5.28 4.86
9 1056 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.11 4.73 4.31
10 10.04 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.71 4.33 3.91
11 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.40 4.02 3.60
12 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.16 3.78 3.36
13 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30 3.96 3.59 3.17
14 8.86 6.51 5.56 5.04 4.69 4.46 4.28 4.14 3.80 3.43 3.01
15 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.67 3.29 2.87
16 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.55 3.18 2.75
17 8.40 6.11 5.18 4.67 4.34 4.10 3.93 3.79 3.46 3.08 2.65
18 8.29 6.01 5.09 4.58 4.25 4.01 3.84 3.71 3.37 3.00 2.57
19 8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.30 2.92 2.49
20 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.23 2.86 2.42
21 8.02 5.78 4.87 4.37 4.04 3.81 3.64 3.51 3.17 2.80 2.36
22 7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.12 2.75 2.31
23 7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41 3.07 2.70 2.26
24 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.03 2.66 2.21
25 7.77 5.57 4.68 4.18 3.85 3.63 3.46 3.32 2.99 2.62 2.17
26 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 2.96 2.58 2.13
27 7.68 5.49 4.60 4.11 3.78 3.56 3.39 3.26 2.93 2.55 2.10
28 7.64 5.45 4.57 4.07 3.75 3.53 3.36 3.23 2.90 2.52 2.07
29 7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20 2.87 2.49 2.04
30 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 2.84 2.47 2.01
40 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.66 2.29 1.81
50 7.17 5.06 4.20 3.72 3.41 3.19 3.02 2.89 2.56 2.18 1.70
60 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.50 2.12 1.60
80 6.96 4.88 4.04 3.56 3.26 3.04 2.87 2.74 2.42 2.03 1.50
100 6.90 4.82 3.98 3.51 3.21 2.99 2.82 2.69 2.37 1.98 1.43
120 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.34 1.95 1.38
∞ 6.64 4.61 3.78 3.32 3.02 2.80 2.64 2.51 2.19 1.79 1.00

208
Tabei G
Nilai Kritis Kruska-Wallis
Sample Sizes Critical Value of the H-Statistic Where p(H) ≤ α
N N N .10 .05 .01
2 2 2 4.5714 - -
3 2 1 4.2857 - -
3 2 2 4.5000 4.7143 -
3 3 1 4.5714 5.1429 -
3 3 2 4.5556 5.3611 6.2500*
3 3 3 4.6222 5.6000 7.2000
4 2 1 4.5000 - -
4 2 2 4.4583 5.3333 6.0000**
4 3 1 4.0556 5.2083 -
4 3 2 4.5111 5.4444 6.4444
4 3 3 4.7091 5.7273 6.7455
4 4 1 4.1667 4.9667 6.6667
4 4 2 4.5545 5.4545 7.0364
4 4 3 4.5455 5.5985 7.1439
4 4 4 4.6539 5.6923 7.6538
5 2 1 4.2000 5.0000 -
5 3 1 4.0178 4.960 6.4000**
5 3 2 4.6509 5.2509 6.8218
5 3 3 4.5333 5.6485 7.0788
5 4 1 3.9873 4.9855 6.9545
5 4 2 4.5409 5.2682 7.1182
5 4 3 4.5487 5.6308 7.4449
5 4 4 4.6187 5.6176 7.7604
5 5 1 4.1091 5.1273 7.3091
5 5 2 4.5077 5.3385 7.2692
5 5 3 4.5451 5.7055 7.5429
5 5 4 4.5229 5.6429 7.7914
5 5 5 4.5600 5.7800 7.9800

209
Tabel H
Nilai Kritis Dunn’s Q
K Α
(Treatment Groups) 0.05 0.10
2 1.960 2.576
3 2.394 2.936
4 2.639 3.144
5 2.807 3.291
6 2.936 3.403

210
Tabel I
Friedman’s Xr2
N Value of Xr2 Exact Probability of That Value
3 4.667 .194
3 6.0 .028
4 6.0 .069
4 6.5 .042
4 8.0 .0046
5 5.2 .093
5 6.4 .039
5 8.4 .0085
6 5.33 .072
6 6.33 .052
6 7.00 .029
6 8.33 .012
6 9.00 .0081
7 5.429 .085
7 6.0 .052
7 7.143 .027
7 8.000 .016
7 8.857 .0084
8 5.25 .079
8 6.25 .047
8 7.75 .018
8 9.0 .0099
9 4.667 .107
9 5.556 .069
9 6.000 .057
9 6.222 .048
9 8.0 .019
9 8.667 .010
9 9.556 .0060

211
Tabel J
Nilai r Product Moment
α α α
n n n
0,05 0,01 0,05 0,01 0,05 0,01
3 0,997 0,999 27 0,381 0,487 55 0,266 0,345
4 0,950 0,990 28 0,374 0,478 60 0,254 0,330
5 0,878 0,959 29 0,367 0,470 65 0,244 0,317
6 0,811 0,917 30 0,361 0,463 70 0,235 0,306
7 0,754 0,874 31 0,355 0,456 75 0,227 0,296
8 0,707 0,834 32 0,349 0,449 80 0,220 0,286
9 0,666 0,798 33 0,344 0,442 85 0,213 0,278
10 0,632 0,765 34 0,339 0,436 90 0,207 0,270
11 0,602 0,735 35 0,334 0,430 95 0,202 0,263
12 0,576 0,708 36 0,329 0,424 100 0,195 0,256
13 0,553 0,684 37 0,325 0,418 125 0,176 0,230
14 0,532 0,661 38 0,320 0,413 150 0,159 0,210
15 0,514 0,641 39 0,316 0,408 175 0,148 0,194
16 0,497 0,623 40 0,312 0,403 200 0,138 0,181
17 0,482 0,606 41 0,308 0,398 300 0,113 0,148
18 0,468 0,590 42 0,304 0,393 400 0,098 0,128
19 0,456 0,575 43 0,301 0,389 500 0,088 0,115
20 0,444 0,561 44 0,297 0,384 600 0,080 0,105
21 0,433 0,549 45 0,294 0,380 700 0,074 0,097
22 0,423 0,537 46 0,291 0,376 800 0,070 0,091
23 0,413 0,526 47 0,288 0,372 900 0,065 0,086
24 0,404 0,515 48 0,284 0,368 1000 0,062 0,081
25 0,396 0,505 49 0,281 0,364
26 0,388 0,496 50 0,279 0,361

212
Tabel K

Nilai Kritis Spearman

Approximate Critical Values of the Correlation Coefficient

Level of Significance for the One-Tailed Test
.10 .05 .025 .01 .005
Level of Significance for the Two-Tailed Test
N .20 .10 .05 .02 .01
4 .8000 .8000 - - -
5 .7000 .8000 .9000 .9000 -
6 .6000 .7714 .8286 .8857 .9429
7 .5357 .6786 .7450 .8571 .8929
8 ,5000 .6190 .7143 .8095 .8571
9 .4667 .5833 .6833 .7667 .8167
10 .4424 .5515 .6364 .7333 .7818
11 .4182 .5273 .6091 .7000 .7545
12 .3986 .4965 .5048 .6713 .7273
13 .3791 .4780 .5549 .6429 .6978
14 .3626 .4593 .5341 .6220 .6747
15 .3500 .4429 .5179 .6000 .6536
16 .3382 .4265 .5000 .5824 .6324
17 .3260 .4118 .4853 .5637 .6152
18 .3148 .3994 .4716 .5480 .5975
19 .3070 .3895 .4579 .5333 .5825
20 .2977 .3789 .4451 .5203 .5684
21 .2909 .3688 .4351 .5078 .5545
22 .2829 .3597 .4241 .4963 .5426
23 .2767 .3518 .4150 .4852 .5306
24 .2704 .3435 .4061 .4748 .5200
25 .2646 .3822 .3977 .4654 .5100
26 .2588 .3299 .3984 .4564 .5002
27 .2540 .3236 .3822 .4481 .4915
28 .2490 .3175 .3749 .4401 .4828
29 .2443 .3113 .3685 .4320 .4744
30 .2400 .3059 .3620 .4251 .4665

213
Tabel L

CHI-SQUARE (X2)
df 0,25 0,10 0,05 0,01 0,005 0,001
1 1,32 2,71 3,84 6,63 7,88 10,83
2 2,77 2,61 5,99 9,21 10,60 13,82
3 4,11 6,25 7,81 11,34 12,84 16,27
4 5,39 7,78 9,49 13,28 14,86 18,47
5 6,63 9,24 11,07 15,09 16,75 20,52
6 7,84 10,64 12,59 16,81 18,55 22,46
7 9,04 12,02 14,07 18,48 20,28 24,32
8 10,22 13,36 15,51 20,09 21,95 26,12
9 11,39 14,68 16,92 21,67 23,59 27,88
10 12,55 15,99 18,31 23,21 25,19 29,59
11 13,70 17,28 19,68 24,72 26,76 31,26
12 14,85 18,55 21,03 26,22 28,30 32,91
13 15,98 19,81 22,36 27,69 29,82 34,53
14 17,12 21,06 23,68 29,14 31,32 36,12
15 18,25 22,31 25,00 30,58 32,80 37,70
16 19,37 23,54 26,30 32,00 34,27 39,25
17 20,49 24,77 27,59 33,41 35,72 40,79
18 21,60 25,99 28,87 34,81 37,16 42,31
19 22,72 27,20 30,14 36,19 38,58 43,82
20 23,83 28,41 31,41 37,57 40,00 45,31
21 24,93 29,62 32,67 38,93 41,40 46,80
22 26,04 30,81 33,92 40,29 42,80 48,27
23 27,14 32,01 35,17 41,64 44,18 49,73
24 28,24 33,20 36,42 42,98 45,56 51,18
25 29,34 34,38 37,65 44,31 46,93 52,62
26 30,43 35,56 38,89 45,64 48,29 54,05
27 31,53 36,74 40,11 46,96 49,64 55,48
28 32,62 37,92 41,34 48,28 50,99 56,89
29 33,71 39,09 42,56 49,58 52,34 58,30
30 34,80 40,26 43,80 50,90 53,70 59,70

214
 Indeks

A
Alternatif,
Analisis
Asumsi

D
Data, 3
Dependen
Derajat,
Deskriptif,
Dikotomi,
Diskrit, 5
Distribusi
Distribusi frekuensi
Distribusi normal

215
E
Efek,
Empiris, 1
Estimasi, 4

H
Hipotesis
Histogram,
Homogen,

I
Independen
Inferensial,
Interkuartil,
Interval,

K
Kategorik
Klinis

216
Koefisien
Koefisien determinan
Koefisien korelasi
Koefisien regresi
Konstanta,
Kontinu, 5
Korelasi,
Kualitatif,5
Kuantitatif,5
Kurva,

L
Literatur, 1,

M
Mean
Median
Metode
Modus,

N
Nilai
Nominal,
Nonparametrik,

217
Observasi, 3
Ordinal,

P
Parameter
Parametrik,
Populasi,
Pretest,
Probabilitas,
Proporsi, 2
Prosedur,
Posttest,

R
Random,
Rasio,
Regresi,
Regresi linear,
Reliabilitas,
Rentang,

S
Sampel, 4
Signifikan, 1

218
Sistematis
Skala
Standar
Standar deviasi
Subyek,

T
Tabel,

U
Uji,

V
Variabel
Varians,

219
 Biografi Penulis

220