UJI HIPOTESIS

Pengujian hipotesis dapat berguna untuk membantu pengambilan

keputusan tentang apakah suatu hipotesis yang diajukan, seperti perbesaan atau
hubungan, cukup menyakinkan untuk ditolak atau tidak ditolak. Keyakinan ini
didasarkan pada besarnya peluang untuk memperoleh hubungan tersebut secara
kebetulan (by chance). Semakin kecil peluang tersebut (peluang adanya by
chance), semakin besar keyakinan bahwa hubungan tersebut memang ada.
Sebagai contoh, seorang peneliti masalah imunisasi diminta untuk
memutuskan berdasarkan bukti-bukti hasil percobaan, apakah suatu vaksin baru
lebih baik daripada yang sekarang beraedar di pasaran. Untuk menjawab
pertanyaan ini maka perlu dilakukan pengujian hipotesis. Dengan pengujian
hipotesis akan diperoleh suatu kesimpulan secara probalistik apakah vaksin baru
tersebut lebih baik dari yang sekarang beredar di pasaran atau malah sebaliknya.

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

b. Hipotesis Alternatif (Ha)

Hipotesis yang menyatakan ada perbedaan sesuatu kejadian antara kedua
kelompok. Atau hipotesis yang menyatakan ada hubungan antara variabel
satu dengan variabel lainnya
Contoh:
1). Ada perbedaan berat badan bayi antara mereka yang dilahirkan dari ibu
yang merokok dengan mereka yang dilahirkan dari ibu yang tidak merokok
2). Ada hubungan antara merokok dengan berat badan bayi

2. Arah dan bentuk hipotesis

Bentuk hipotesis alternatif akan menentukan arah uji statistik apakah satu
arah (one tail) atau dua arah (twa tail)

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

3. Menentukan Tingkat Kemaknaan (Level of Significance)

Tingkat kemaknaan merupakan kesalahan tipe I suatu uji yang biasanya
diberi notasi 'a'. Seperti sudah diketahui bahwa tujuan dari pengujian hipotesis

adalah untuk membuat suatu pertimbangan tentang perbedaan antara nilai

sampel dengan keadaan populasi sebagai suatu hipotesis. Langkah selanjutnya
setelah ktriteria/batasan yang digunakan untuk memutuskan apakah hipotesis
nol ditolak atau gagal ditolak yang disebut dengan tingkat kemaknaan (Level of
92
Significance). Tingkat kemakanaan, atau sering disebut dengan nilai a,
merupakan nilai yang menunjukkan besarnya peluang salah dalam menolak
hipotesis nol. Atau dengan kata lain, nilai a merupakan batas toleransi peluang

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

unutuk pengujian obat-obatan digunakan batas toleransi kesalahan yang lebih

kecil misalnya 1%, karena mengandung risiko yang fatal. Misalkan seorang
peneliti yang akan menentukan apakah suatu obat bius berkhasiat akan
menentukan nilai a yang kecil sekali, peneliti tersebut tidak akan mau mengambil
risiko bahwaketidak berhasilan obat bius besar karena akan berhubungan
dengan nyawa seseorang yang akan dibius.

4. Pemilihan Jenis Uji Parametrik atau Non Parametrik

Dalam pengujian hipotesis sangat berhubungan dengan distribusi data
populasi yang akan diuji. Bila distribusi data populasi yang akan diuji berbentuk
normal/simetris/Gauss, maka proses pengujian dapat digunakan dengan
pendekatan uji statistik parametrik. Sedangkan bila distribusi data populasinya
tidak normal atau tidak diketahuidistribusinya maka dapat digunakan pendekatan
uji statistik non parametrik. Kenormalan suatu distribusi data dapat juga dilihat
dari jenis variabelnya, bila variabelnya berjenis numerik/kuantitatif biasanya
distribusi datanya mendekati normal/simetris, sehingga dapat digunakan uji
statistik parametrik. Bila jenis variabelnya katagorik (kualitatif), maka bentuk
distribusinya tidak normal, sehingga uji non parametrik dapat digunakan.

93
Penentuan jenis uji juga ditentukan oleh jumlah data yang dianalisis, bila jumlah
data kecil (<30) cenderung digunakan uji non parametrik.

PROSEDUR/LANGKAH UJI HIPOTESIS

Menetapkan Hipotesis
Hipotesis dalam statistik dikenal dua macam yaitu hipotesis nol (Ho) dan
hipotesis alternatif (Ha).
1). Hipotesis nol (Ho)
Hipotesis yang menyatakan tidak ada perbedaan sesuatu kejadian antara
kedua kelompok.
Contoh: Tidak ada perbedaan berat badan bayi antara mereka yang
dilahirkan dari ibu yang merokok dengan mereka yang dilahirkan dari ibu
yang tidak merokok
2). Hipotesis alternatif (Ha)
Hipotesis yang menyatakan ada perbedaan sesuatu kejadian antara kedua
kelompok.
Contoh: Ada perbedaan berat badan bayi antara mereka yang dilahirkan dari
ibu yang merokok dengan mereka yang dilahirkan dari ibu yang tidak
merokok.
Dari hipotesis alternatif akan diketahui apakah uji statistik menggunakan satu
arah (one tail) atau dua arah (two tail).

Penentuan Uji Statistik Yang Sesuai

Ada beragam jenis uji statistik yang dapat digunakan. Setiap uji statistik
mempunyai persyaratan tertentu yang harus dipenuhi. Oleh karena itu harus
digunakan uji statistik yang tepat sesuai dengan data yang diuji. Jenis uji statistik
sangat tergantung dari:
1). Jenis variabel yang akan dianalisis
2). Jenis data apakah dependen atau independen

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.

Menentukan Batas atau Tingkat Kemaknaan (Level og Significance)

Batas/tingkat kemaknaan, sering juga disebut dengan nilai n. Penggunaan

nilai alpha tergantung tujuan penelitian yang dilakukan, untuk bidang kesehatan
masyarakat biasanya menggunakan nilai alpha 5%.

Penghitungan Uji Statitik

Penghitungan uji statistik adalah menghitung data sampel ke dalam uji
hipotesis yang sesuai. Misalnya kalau ingin menguji perbedaan mean antara dua
kelompok, maka data hasil pengukuran dimasukkan ke rumus uji t. Dari hasil
dengan nilai populasi untuk mengetahui apakah ada hipotesis ditolak atau gagal
menolak hipotesis.

Keputusan Uji Statistik

Seperti telah disebutkan pada langkah D, bahwa hasil pengujian statistik
akan menghasilkan dua kemungkinan keputusan yaitu menolak hipotesis nol
(Ho) dan gagal menolak hipotesisi nol.
Seiring dengan kemajuan perkembangan komputer maka uji statistik
dengan mudah dan cepat dapat dilakukan dengan program-program statistik
yang tersedia di pasaran seperti Epi Info, SPSS, SAS dll. Setiap kita melakukan
uji statistik melalui program komputer maka yang akan kita cari adalalah nilai p
(p value). Dengan nilai p ini kita dapat menggunakan untuk keputusan uji
statistik dengan cara membandingkan nilai p dengan n (alpha). Ketentuan yang
berlaku adalah:
95
a}. Bila nilai p ≤ at maka keputusannya adalah Ho ditolak
b}. Bila nilai p > at maka keputusannya adalah Ho gagal ditolak

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

Variabel I Variabel II Jenis uji statistik yang

digunakan
Katagorik � Katagorik - Kai kuadrat

- Fisher Exact

Katagorik � Numerik - Uji T

- ANOVA

Numerik � Numerik - Korelasi

- 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.

8.3. Aplikasi Uji Korelasi Pearson

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.

8.3.1. Uji Normalitas

1. Bukalah file BAYI95.SAV, sehingga data tampak di Data editor window.

2. Dari menu utama, pilihlah: epada SPSS 10.0)
Analyze <
Descriptif statistic <
Explore…
Seperti gambar berikut:

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

Statistic Std. Error

8erat bayi lahir Mean 2944.66 53.03
95% Confidence Lower 8ound 2840.05
lnterval for Mean Upper 8ound
3049.26

5% Trimmed Mean 2957.83

Median 2977.00
Variance 531473.7
Std. Deviation 729.02
Minimum 709
Maximum 4990
Range 4281
lnterquartile Range 1069.00
Skewness -.210 .177
Kurtosis -.081 .352

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

Hasil uji test normalitas

Dengan uji Kolmogorov-Smirnov, disimpulkan bahwa distribusi data berat bayi adalah
normal enilai-p = 0.200).

8.3.2. Uji Korelasi

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:

1. Bukalah file BAYI95.SAV, sehingga data tampak di Data editor window.

2. Dari menu utama, pilihlah:
Analyze <
Correlate <
8ivariate…
Seperti gambar berikut:

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