89
Prinsip uji hipotesis adalah melakukan perbandingan antara nilai sampel
(data hasil penelitian) dengan nilai hipotesis (nilai populasi) yang diajukan.
Peluang untuk diterima atau ditolaknya suatu hipotesis tergantung besar
kecilnyanya perbedaan antara nilai sampel dengan nilai hipotesis. Bila perbedaan
tersebut cukup besar, maka peluang untuk menolak hipotesis besar pula,
sebaliknya bila perbedaan tersebut kecil, maka peluang untuk menolak hipotesis
menjadi kecil. Jadi, makin besar perbedaan antara nilai sampel dengan nilai
hipotesis, makin besar peluang untuk menolak hipotesis.
Kesimpulan yang didapat dari hasil pengujian hipotesis ada dua
kemungkinan yaitu menolak hipotesis dan menerima hipotesis (gagal menolak
hipotesis). Perlu dipahami bahwa arti menerima hipotesis sebetulnya kurang
tepat, yang tepat adalah gagal menolak hipotesis. Dalam uji hipotesis bila
kesimpulannya menerima hipotesis, bukan berarti bahwa kita telah membuktikan
hipotesis tersebut benar, karena benar atau tidaknya suatui hipotesis hanya
dapat dibuktikan dengan mengadakan observasi pada seluruh populasi, dan hal
ini sangat sulit bahkan tidak mungkin untuk dilakukan. Jadi menerima hipotesis
sebetulnya artinya adalah kita tidak cukup bukti untuk menolak hipotesis, dengan
kata lain dapat diartikan kita gagal menolak hipotesis. Untuk memperjelas
pengertian bahwa "gagal menolak hipotesis berbeda dengan mengakui
kebenaran hipotesis (menerima hipotesis", kita coba analogkan proses
persidangan kriminal di pengadilan. Seperti dalam sidang pengadilan, kegagalan
membuktikan kesalahan tertuduh bukan berarti si tertudauh tidak bersalah atau
sitertuduh benar. Pengadilan memutuskan bahwa si tertuduh tidak dapat
dibuktikan bersalah, bukan memutuskan tidak bersalah. Dari uraian tersebut
sangatlah jelas bahwa istilah yang tepat dalam kesimpulan uji hipotesis adalah
gagal menolak hiopotesis, dan bukan menerima hipotesis.
1. Hipotesis
Hipotesis berasal dari kata hupo dan thesis. Hupo artinya
sementara/lemah kebenarannya dan thesis artinya pernyataan/teopri. Dengan
90
demikian hipotesis berarti pernyataan yang perlu diuji kebenarannya. Untuk
menguji kebenaran sebuah hipotesis digunakan pengujian yang disebut
pengujian hipotesis.
Dalam pengujian hipotesis dijumpai dua jenis hipotesis yaitu hipotesis nol
(Ho) dan hipotesis alternatif (Ha). Berikut akan diuraikan lebih jelas tentang
masing-masing hipotesis tersebut.
a. Hipotesis Nol (Ho).
Hipotesis yang menyatakan tidak ada perbedaan sesuatu kejadian antara
kedua kelompok. Atau hipotesis yang menyatakan tidak ada hubungan antara
variabel satu dengan variabel lainnya
Contoh:
1). Tidak ada perbedaan berat badan bayi antara mereka yang dilahirkan dari
ibu yang merokok dengan mereka yang dilahirkan dari ibu yang tidak
merokok
2). Tidak ada hubungan antara merokok dengan berat badan bayi
91
a. One tail (satu sisi): bila hipotesis alternatifnya menyatakan adanya perbedaan
dan ada pernyataan yang mengatakan hal satu lebih tinggi/rendah dari hal
lain.
Contoh:
Berat badan bayi dari ibu yang merokok lebih kecil dibanding berat badan
bayi dari ibu tidak merokok.
b. Two tail (dua sisi) merupakan hipotesis alternatif yang hanya menyatakan
perbedaan tanpa melihat apakah hal satu lebih tinggi/rendah dari hal lain.
Contoh:
Berat badan bayi dari ibu yang merokok Berbeda dibanding berat badan bayi
dari ibu tidak merokok. Atau dengan kata lain: ada perbedaan berat badan
bayi antara mereka yang dilahirkan dari ibu yang merokok dibandingkan dari
ibu yang tidak merokok.
Contoh penulisan hipotesis:
Suatu penelitian ingin mengetahui hubungan antara jenis kelamin dengan
tekanan darah, maka hipotesisnya sbb:
Ho : μA = μB
Tidak ada perbedaan mean tekanan darah antara laki-laki dan perempuan, atau
Tidak ada hubungan antara jenis kelamin dengan tekanan darah.
Ho : μA ≠ μB
Ada perbedaan mean tekanan darah antara laki-laki dan perempuan, atau
Ada hubungan antara jenis kelamin dengan tekanan darah
salah dalam menolak hipotesis nol. Dengan kata-kata yang lebih sederhana, nilai a
merupakan batas maksimal kesalahan menolak Ho. Bila kita menolak Ho
berarti menyatakan adanya perbedaan/hubungan. Sehingga nilai a dapat
diartikan pula sebagai batas maksimal kita salah dalam menyatakan adanya
perbedaan.
Penentuan nilai a (alpha) tergantung dari tujuan dan kondisi penelitian.
Nilai a yang sering digunakan adalah 10%, 5%, atau 1%. Untuk bidang
kesehatan masyarakat biasanya digunakan nilai a sebesar 5%. Sedangkan
93
Penentuan jenis uji juga ditentukan oleh jumlah data yang dianalisis, bila jumlah
data kecil (<30) cenderung digunakan uji non parametrik.
94
3). Jenis distribusi data populasinya apakah mengikuti distribusi normal atau
tidak.
Sebagai gambaran, jenis uji statistik untuk mengetahui perbedaan mean
akan berbeda dengan uji statistik untuk mengetahui perbedaan
proporsi/persentase. Uji beda mean menggunakan uji t atau inova, sedangkan
uji untuk mengetahui perbedaan proporsi digunakan uji Kai kuadrat.
nilai alpha tergantung tujuan penelitian yang dilakukan, untuk bidang kesehatan
masyarakat biasanya menggunakan nilai alpha 5%.
Perlu diketahui bahwa nilai p two tail adalah 2 kali nilai p one tail berarti
kalau tabel yang digunakan adalah tabel one tail sedangkan uji statistik yang
dilakukan adalah two tail maka nilai p dari tabel harus dikalikan 2. dengan
demikian dapat disederhanakan dengan rumus : nilai p two tail = 2 x nilai p one
tail.
Pendekatan probabilistik ini sekarang sudah mulai digunakan oleh para
ahli statistik dalam pengambilan keputusan uji statistik. Pada modul ini dalam
memutuskan uji statistik menggunakan pendekatan ini.
Pengertian Nilai P
Nilai p merupakan nilai yang menunjukkan besarnya peluang salah
menolak Ho dari data penelitian. Nilai P dapat diartikan pula sebagai nilai
besarnya peluang hasil penelitian (misal adanya perbedaan mean atau proporsi)
terjadi karena faktor kebetulan (by chance). Harapan kita nilai p adalah sekecil
mungkin, sebab bila nilai p-nya kecil maka kita yakin bahwa adanya perbedaan
pada hasil penelitian menunjukkan pula adanya perbedaan di populasi. Dengan
kata lain kalau nilai p-nya kecil maka perbedaan yang ada pada penelitian terjadi
bukan karena faktor kebetulan (by chance).
Contoh:
Suatu penelitian ingin mengetahui hubungan riwayat hipertensi ibu hamil dengan
berat badan bayi yang dikandungnya. Hasil penelitian melaporkan bahwa rata-
rata berat badan bayi dari ibu hipertensi 200 gram, sedangkan rata-rata berat
badan bayi yang lahir dari ibu yang tidak hipertensi adalah 3000 gram.
Perbedaan berat bayi antara ibu yang hipertensi dengan ibu yang tidak
hipertensi sebesar 100 gram. Pertanyaan yang timbul adalah apakah perbedaan
berat badan bayi tersebut juga berlaku untuk seluruh populasi yang diteliti atau
hanya faktor kebetulan saja?. Untuk menjawab pertanyaan tersebut kemudian
dilakukan uji statistik yang tepat yaitu uji t. Miisalnya dihasilkan nilai p = 0,0110
96
maka berarti peluang adanya perbedaan berat bayi sebesar 1000 gram akibat
dari faktor kebetulan (by chance) adalah sebesar 0,0110. oleh karena
peluangnya sangat kecil (p=0,0110), maka dapat diartikan bahwa adanya
perbedaan tersebut bukan karena faktor kebetulan namun karena memang
karena adanya riwayat hipetensi.
Berikut adalah berbagai uji statistik yang dapat digunakan untuk analisis bivariat
- Fisher Exact
- ANOVA
- Regresi
Dalam penerapan praktis, kita ingin menguji apakah ada hubungan atau korelasi antara
dua variabel numerik, jika ada seperti apa persamaan garis regresi liniernya. Misalnya kita
ingin menguji apakah ada hubungan antara berat ibu sebelum hamil ex) dengan berat bayi
yang dilahirkannya ey).
Vji statistik untuk melihat hubungan antara dua variabel numerik adalah uji "uji
korelasi". Keofisien korelasi ini dikembangkan oleh Pearson, sehingga dikenal dengan nama
Pearson Coeficient Correlation dengan lambar "r" keeil atau "R" kapital. Nilai "r" berkisar
antara 0.0 yang berarti tidak ada korelasi, sampai dengan 1.0 yang berarti adanya korelasi
yang sempurna. Semakin keeil nilai "r" semakin lemah korelasi, sebaliknya semakin besar
nilai "r" semakin kuat korelasi.
Selain itu, "r" juga mempunyai nilai negatif e-) atau minus yang menandakan adanya
hubungan terbalik antara x dengan y. Artinya, semakin tinggi nilai x maka semakin rendah
nilai y, misalnya korelasi antara umur dengan kemampuan daya ingat pada kelompok usia
97
lanjut.
Jika korelasi yang ada bermakna seeara statistik, kita bisa menganalisis lebih lanjut
untuk memprediksi atau memperkirakan berapa nilai ey) jika nilai ex) diketahui. Prediksi
tersebut dapat dilakukan jika kita mempunyai persamaan garis lurus yang biasanya disebut
dengan istilah "regresi linier" dengan persamaan matematis "y = a + bx". Besaran nilai "b"
menggambarkan besarnya perubahan epeningkatanlpenurunan) pada nilai y untuk setiap
kenaikan nilai x sebesar satu satuan.
98
8.2. Asumsi Normalitas pada Uji Korelasi Pearson
Dasar dari uji korelasi Pearson adalah statistik Parametrik, yang berasumsi data
mempunyai distribusi normal. Dalam hal ini variabel y harus berdistribusi normal. Apabila
asumsi ini tidak terpenuhi, dapat dilakukan transformasi terlebih dahulu misalnya dengan
LOG, AKAR, atau KVADRAT. Jika pada proses transformasi tidak berhasil membuat
distribusi data menjadi normal, maka pilihan statistik non-parametrik lebih dianjurkan, yakni
uji korelasi Spearman.
Dalam eontoh ini, kita akan menguji apakah ada korelasi antara berat badan ibu sebelum
hamil dengan berat badan bayi yang akan dilahirkannya kelak. Kita akan menggunakan
variabel bbibu_1 dan bbayi dari file BAYI95.SAV.
18. 99
Pilih variabel Berat Bayi Lahir (bbayi), kemudian klik tanda > untuk memasukkannya
ke kotak Dependent List.
19. Pilih Plots.., kemudian aktifkan Histogram dan Normality plots with tests.
Kemudian klik Continue.
20. Klik OK untuk menjalankan prosedur. Pada layar tampak hasil seperti berikut:
Descriptives
10
0
Tests of Normality
a
Kolmogorov-Smirnov
Statistic df Sig.
8erat bayi lahir .043 189 .200*
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Dengan uji Kolmogorov-Smirnov, disimpulkan bahwa distribusi data berat bayi adalah
normal enilai-p = 0.200).
Setelah dilakukan uji normalitas, kita akan menguji apakah ada korelasi antara berat badan
ibu sebelum hamil ebbibu_1) dengan berat badan bayi ebbayi) yang akan dilahirkannya kelak
dengan prosedur sbb:
10
1
11. Pilih variabel bbibu_1 dan bbayi, kemudian masukkan ke kotak Variables
12. Pada Correlation Coefieient, atifkan Pearson, kemudian OK, dan hasinya
dapat dilihat sbb:
Correlatio
ns
8erat badan
ibu (sebelum 8erat bayi
hamil) lahir
8erat badan ibu Pearson Correlation 1.000 .186*
(sebelum hamil) Sig. (2-tailed) . .011
N 189 189
8erat bayi lahir Pearson Correlation .186* 1.000
Sig. (2-tailed) .011 .
N 189 189
*. Correlation is significant at the 0.05 level (2-tailed).
Hasil diatas memperlihatkan bahwa koefisien korelasi Pearson antara berat badan ibu
sebelum hamil dengan berat bayi lahir adalah 0.186, korelasi itu bermakna seeara statistik
dengan
nilai-p
0.011.
10
2
10
4