PAPER BIOSTATISTIK

“METODE ANALITIK PARAMETRIK

OLEH:
KELOMPOK 6
1. NI PUTU ADEN SARASITA 15.321.2412
2. AGUSTINHA DE ALMEIDA 17.321.2711
3. FIRA YASINTA 17.321.2714
4. I GEDE WAHYU SEPTIANA 17.321.2720
5. NI KADEK PON WIDIASTUTI 17.321.2729
6. NI KADEK YUNI PURNAMAYANTI 17.321.2730
7. NI KOMING ANGGI RATNA SARI 17.321.2743
8. NI WAYAN PARMINI 17.321.2756
9. SUPUTRA SIDARTA 17.321.2763

A11-B

PROGRAM STUDI ILMU KEPERAWATAN

SEKOLAH TINGGI ILMU KESEHATAN WIRA MEDIKA BALI
DENPASAR
2020
 METODE ANALITIK PARAMETRIK
(UJI HUBUNGAN)

1. Pengertian Metode Analitik Parametrik

Tes parametrik adalah suatu tes yang modelnya menetapkan syarat-syarat

tertentu tentang parameter populusai yag menjadi sama penelitiannya. Terhadap
syarat-syarat tersebut biasanya tidak dilakukan pengujian terlebih darhulu dan
dianggap sudah memenuhi syarat. Seberapa jauh makna hasil tes parametrik
tersebut tergantung pada validitas anggapan tadi. Tes-test parametrik juga
memnuntut bahwa nilai-nilai yang dianalisis merupakan hasil dari suatu
pengukuran minimal dengan skala interval.
Statistik parametris bekerja berdasarkan asumsi bahwa data setiap variabel
yang akan dianalisis berdasarkan berdistribusi normal. Untuk itu sebelum peneliti
menggunkan teknik statistik parametris, maka kenormalan data harus diuji
terlebih dahulu. Bila data tidak normal, maka statitik parametris tidak dapat
digunakan, untuk itu perlu digunakan statistik nonparametris. Tetapi perlu diingat
bahwa yang menyebabkan tidak normal itu apanya. Misalnya ada kesalahan
instrumen dan pengumpulan data, maka dapat mengakibatkan data diperoleh
menjadi tidak akan normal. Sugiyono (2013:79).
Statistik parametrik adalah bagian statistik yang parameter populasinya
harus memnuhi syarat-syarat tertentu seperti syarat data berkala intervak/rasio,
styarat penagambilan sampel harus random, berdisribusi normal atau normalitas
dan syarat memiliki varian yang homogen ata homogenitas, model regsi lineier,
dan sebagainya. Dalam statistika parametrik, inidikator-indikator yang dianalisis
adalah parameter-parameter dari ukuran objek yang digunakan. Supardi (2013:8)

2. Syarat Metode Analitik Parametrik

Metode statistik parametrik (uji T dan Uji F/Anova) mensyaratkan asumsi:
1) Sampel (data) diambil dari populasi yang mempunyai berdistribusi
normal. Jika 10 sampel Tinggi badan diambil dari populasi 5000
mahasiswa sebuah perguruan tinggi, data tinggi badan 5000 mahasiswa
haruslah berdistribusi normal.
 2) Pada Uji t dan uji F untuk dua sampel atau lebih, kedua sampel diambil
dari dua populasi yang mempunyai varian sama. Jadi jika diambil sampel
10 tinggi badan pria dan 10 tinggi badan wanita dari 3000 pria dan 2000
wanita, maka varian 3000 tinggi badan pria dan varian 2000 tinggi badan
wanita harusla sama atau bisa diangga sama.
3) Variabel (data) yang diuji haruslah data bertipe interval atau rasio, yang
tingkatannya lebih tinggi dari data tipe nominal atau ordinal. Tinggi Badan
Pria atau Wanita (sentimeter) jelas bertipe rasio, karena dapat dari proses
mengukur. Namun pendapat atau sikap pria dan wanita (suka atau tidak
suku yang diukur dengan skala Likert) bukanlah data interval atau rasio,
namun data Ordinal.
4) Jumlah (sampel) data singkat kecil, sedangkan distribusi data populasinya
tidak diketahui kenormalannya. Mislanya hanya diambil masing-masing 5
sampel untuk data Berat Badan Knosumen remaja, Konnsumen Mud dan
konsumen Dewasa, maka jumlah data terlalu sedikit untuk diproses
dengan uji F (uji lebih dari dua sampel), walaupun tipe data rasio.Untuk
data yang tidak memenuhi salah satu asumsi tersebut, lebih baik
menggunakan prosedur statistik non parametrik untuk proses data.

3. Manfaat Metode Analitik Parametrik

Menurut Santoso(2010:10) Metode statistik parametrik digunakan untuk:
1) Data dalam jumlah besar, biasanya diatas 30.
2) Distribusi data adalah normal atau dapat dianggap normal
3) Data bertipe interval atau rasio.

4. Uji Hubungan Pada Metode Analitik Parametrik

1) Korelasi
Korelasi merupakan salah satu teknik analisis dalam statistik yang
digunakan untuk mencari hubungan antara dua variabel yang bersifat
kuantitatif.Hubungan dua variabel tersebut dapat terjadi karena adanya hubungan
sebab akibat atau dapat pula terjadi karena kebetulan saja. Dua variabel dikatakan
berkolerasi apabila perubahan pada variabel yang satu akan diikuti perubahan
pada variabel yang lain secara teratur dengan arah yang sama (korelasi positif)
atau berlawanan (korelasi negatif). Korelasi mengukur derajat hubungan antara
dua atau lebih variabel. Hubungan antara dua variabel (misal X dan Y) dapat
linear, non-linear, positif atau negatif. Koefisien korelasi ini memiliki nilai yang
berkisar antara –1 sampai 1. Bila yang diduga adalah koefisien korelasi sampel
maka:

1)1. Korelasi Bivariate

Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk
mengetahui keeratan hubungan antara dua variabel dan untuk mengetahui arah
hubungan yang terjadi. Koefisien korelasi sederhana menunjukkan seberapa besar
hubungan yang terjadi antara dua variabel. Dalam SPSS ada tiga metode korelasi
sederhana (bivariate correlation) diantaranya Pearson Correlation, Kendall’s
tau-b, dan Spearman Correlation. 
Pearson Correlation digunakan untuk data berskala interval atau rasio,
sedangkan Kendall’s tau-b, dan Spearman Correlation lebih cocok untuk data
berskala ordinal.Analisis korelasi sederhana yang akan digunakan dengan
menggunakan metode Pearson Correlation atau sering disebut Product Moment
Pearson dan Koefisien Determinasi.
Nilai korelasi (r) berkisar antara -1 sampai 1, nilai semakin mendekati 1
atau -1 berarti hubungan antara dua variabel semakin kuat, sebaliknya nilai
mendekati 0 berarti hubungan antara dua variabel semakin lemah. Nilai positif
menunjukkan hubungan searah (X naik maka Y naik) dan nilai negatif
menunjukkan hubungan terbalik (X naik maka Y turun).
Contoh kasus:
Seorang mahasiswa bernama Andi ingin mengetahui apakah ada hubungan
antara kecerdasan dengan prestasi belajar pada siswa SMU Negeri 1 Yogyakarta.
Berikut adalah data hasil kuesioner kepada 12 siswa tersebut:
 Subjek Kecerdasan Prestasi Belajar
1 33 58
2 32 52
3 21 48
4 34 49
5 34 52
6 35 57
7 32 55
8 21 50
9 21 48
10 35 54
11 36 56
12 21 47
                                          
PEARSON CORRELATION
Langkah-langkah pada program SPSS
 Klik Analyze - Correlate - Bivariate
 Klik variabel Kecerdasan dan masukkan ke kotak Variables, kemudian
klik variabel Prestasi Belajar dan masukkan ke kotak yang sama
(Variables).
 Klik OK, maka hasil output yang didapat adalah sebagai berikut:
Tabel. Hasil Analisis Korelasi Bivariate Pearson

Dari hasil analisis korelasi sederhana (r) didapat koefisien korelasi antara
kecerdasan dengan prestasi belajar (r) adalah 0,766. Hal ini menunjukkan bahwa
terjadi hubungan yang kuat antara kecerdasan dengan prestasi belajar. Sedangkan
arah hubungan adalah positif karena nilai r positif, berarti semakin tinggi
kecerdasan maka semakin meningkatkan prestasi belajar.
Uji Signifikansi Koefisien Korelasi Sederhana
Uji signifikansi koefisien korelasi digunakan untuk menguji apakah
hubungan yang terjadi itu berlaku untuk populasi (dapat digeneralisasi) atau nyata
secara statistik. Misalnya dari kasus di atas populasinya adalah siswa SMU Negeri
1 Yogyakarta dan sampel yang diambil dari kasus di atas adalah 12 siswa SMU
Negeri 1 Yogyakarta, jadi apakah hubungan yang terjadi atau kesimpulan yang
diambil dapat berlaku untuk populasi yaitu seluruh siswa SMU Negeri 1
Yogyakarta.
 Pengujian menggunakan uji dua sisi dengan tingkat signifikansi  = 5%
atau 0.05. (uji dilakukan 2 sisi karena untuk mengetahui ada atau tidaknya
hubungan yang signifikan, jika 1 sisi digunakan untuk mengetahui hubungan lebih
kecil atau lebih besar).
Tingkat signifikansi dalam hal ini berarti kita mengambil risiko salah dalam
mengambil keputusan untuk menolak hipotesa yang benar sebanyak-banyaknya
5% (signifikansi 5% atau 0,05 adalah ukuran standar yang sering digunakan
dalam penelitian)
Kriteria pengujian dan kesimpulan
Oleh karena nilai Signifikansi (0.004 < 0.05), artinya bahwa ada hubungan secara
signifikan antara kecerdasan dengan prestasi belajar. Karena koefisien korelasi
nilainya positif, maka berarti kecerdasan berhubungan positif dan signifikan
terhadap pretasi belajar pada siswa SMA Negeri 1 Yogyakarta.
KOEFISIEN DETERMINASI
Langkah-langkah SPSS:
 Klik Analyze  - Regression – Linear
 Klik variabel prestasi belajar dan masukkan ke kotak Dependent,
kemudian klik variabel kecerdasan masukkan ke kotak Independent.
 OK
Hasil output yang didapat adalah sebagai berikut:
 Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
a
1 .766 .586 .545 2.570
a. Predictors: (Constant), Kecerdasan
Dari hasil output di atas diketahui nilai r (koefisien korelasi) sebesar 0.766 hal
tersebut dapat diartikan bahwa variabel dependen (prestasi belajar) dapat
dijelaskan oleh variabel independen (kecerdasan) sebesar 76.6% dan sisanya
dijelaskan oleh variabel lain di luar penelitian.

1)2. Korelasi Parsial

Korelasi parsial adalah suatu metode pengukuran keeratan hubungan
(korelasi) antara variabel bebas dan variabel tak bebas dengan mengontrol salah
satu variabel bebas untuk melihat korelasi natural antara variabel yang tidak
terkontrol. Analisis korelasi parsial (partial correlation) melibatkan dua variabel.
Satu buah variabel yang dianggap berpengaruh akan dikendalikan atau dibuat
tetap (sebagai variabel kontrol). 
Sebagai contoh misalnya kita akan meneliti hubungan variabel X2 dan
variabel bebas Y, denganX1 dikontrol (korelasi parsial). Disini variabel yang
dikontrol (X1) dikeluarkan atau dibuat konstan. Sehingga X2’ = X2 – (b2X1 +
a2 ) dan Y’ = Y – (b1 X1 +a1 ), tetapi nilai a dan b didapatkan dengan
menggunakan regresi linear. Setelah hasilnya diperoleh, kemudian dicari regresi
X2‘ dengan Y’ dimana : Y’ = b3X2’ +a3. Korelasi yang didapatkan dan sejalan
dengan model-model di atas dinamakan korelasi parsial X2 dan Y sedangkan X1
dibuat konstan.
Nilai korelasi berkisar antara 1 sampai -1, nilai semakin mendekati 1 atau -1
berarti hubungan antara dua variabel semakin kuat. Sebaliknya, jika nilai
mendekati 0 berarti hubungan antara dua variabel semakin lemah. Nilai positif
menunjukkan hubungan searah (X naik, maka Y naik) sementara nilai negatif
menunjukkan hubungan terbalik (X naik, maka Y turun). 
Data yang digunakan dalam korelasi parsial biasanya memiliki skala
interval atau rasio. Berikut adalah pedoman untuk memberikan interpretasi serta
analisis bagi koefisien korelasi menurut Sugiyono:
 0.00 - 0,199 = sangat rendah
0,20 - 0,399 = rendah
0,40 - 0,599 = sedang
0,60 - 0,799 = kuat
0,80 - 1,000 = sangat kuat

2) Regresi
Analisis regresi digunakan terutama untuk tujuan peramalan, di mana dalam
model tersebut ada sebuah variabel dependen (terikat) dan satu atau lebih variabel
independen (bebas). Dalam analisis regresi Ini, akan dikembangkan sebuah
estimating equation (persamaan regresi) yaitu suatu formula matematika yang
mencari nilai variabel dependen dari nilai variabel independen yang diketahui.
Pada regresi ada beberapa uji yang harus dilakukan di samping uji koefisien dan
uji kelinearan. Uji tersebut adalah uji kolinieritas dan uji multikolinieritas.
a) Kolinieritas adalah keadaan dimana variabel-variabel independen dalam
persamaan regresi memiliki hubungan kuat satu sama lain. Uji kolinieritas
dapat dilakukan dengan Cooliniearity Diagnostic. Hasilnya sebagai berikut:
 Skor VIF (Variabel Inflation Factor) < 0.5 tidak ada koliniearitas.
 Skor VIF ·(V ariabel Inflation Factor) > 0.5 ada koliniearitas.
 Skor VIF (Variabel Inflation Factor) > 10 ada multikoliniearitas yang
serius.
b) Uji multikolinearitas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi antar lebih dari tiga variabel bebas (independen).
Model regresi yang baik seharusnya tidak terjadi korelasi di antara variable

1)1. Regresi sederhana

Analisis Regresi Sederhana adalah sebuah metode pendekatan untuk
pemodelan hubungan antara satu variabel dependen dan satu variabel independen.
Dalam model regresi, variabel independen menerangkan variabel dependennya.
Dalam analisis regresi sederhana, hubungan antara variabel bersifat linier, dimana
perubahan pada variabel X akan diikuti oleh perubahan pada variabel Y secara
tetap. Sementara pada hubungan non linier, perubahaan variabel X tidak diikuti
dengan perubahaan variabel y secara proporsional. seperti pada model kuadratik,
perubahan x diikuti oleh kuadrat dari variabel x. Hubungan demikian tidak
bersifat linier. Secara matematis model analisis regresi linier sederhana dapat
digambarkan sebagai berikut:
Y = A + BX + e
Y adalah variabel dependen atau respon
A adalah intercept atau konstanta
B adalah koefisien regresi atau slope
e adalah residual atau error
Secara praktis analisis regresi linier sederhana memiliki kegunaan sebagai berikut:
1. Model regresi sederhana dapat digunakan untuk forecast atau memprediksi
nilai Y. Namun sebelum melakukan forecasting, terlebih dahulu harus dibuat
model atau persamaan regresi linier. Ketika model yang fit sudah terbentuk
maka model tersebut memiliki kemampuan untuk memprediksi nilai Y
berdasarkan variabel Y yang diketahui. Katakanlah sebuah model regresi
digunakan untuk membuat persamaan antara pendapatan (X) dan konsumsi
(Y). Ketika sudah diperoleh model yang fit antara pendapatan dengan
konsumsi, maka kita dapat memprediksi berapa tingkat konsumsi
masyarakat ketika kita sudah mengetahui pendapatan masyarakat.
2. Mengukur pengaruh variabel X terhadap variabel Y. Misalkan kita memiliki
satu serial data variabel Y, melalui analisis regresi linier sederhana kita
dapat membuat model variabel-variabel yang memiliki pengaruh terhadap
variabel Y. Hubungan antara variabel dalam analisis regresi bersifat
kausalitas atau sebab akibat. Berbeda halnya dengan analisis korelasi yang
hanya melihat hubungan asosiatif tanpa mengetahui apa variabel yang
menjadi sebab dan apa variabel yang menjadi akibat.
Model regresi linier sederhana yang baik harus memenuhi asumsi-asumsi berikut:
1. Eksogenitas yang lemah, kita harus memahami secara mendasar sebelum
menggunakan analisis regresi bahwa analisis ini mensyaratkan bahwa
variabel X bersifat fixed atau tetap, sementara variabel Y bersifat random.
Maksudnya adalah satu nilai variabel X akan memprediksi variabel Y
sehingga ada kemungkinan beberapa variabel Y. dengan demikian harus ada
 nilai error atau kesalahan pada variabel Y. Sebagai contoh ketika pendapatan
(X) seseorang sebesar Rp 1 juta rupiah, maka pengeluarannya bisa saja, Rp
500 ribu, Rp 600 ribu, Rp 700 ribu dan seterusnya.
2. Linieritas, seperti sudah dijelaskan sebelumnya bahwa model analisis regresi
bersifat linier. artinya kenaikan variabel X harus diikuti secara proporsional
oleh kenaikan variabel Y. Jika dalam pengujian linieritas tidak terpenuhi,
maka kita dapat melakukan transformasi data atau menggunakan model
kuadratik, eksponensial atau model lainnya yang sesuai dengan pola
hubungan non-linier.
3. Varians error yang konstan, ini menjelaskan bahwa varians error atau
varians residual yang tidak berubah-ubah pada respon yang berbeda. asumsi
ini lebih dikenal dengan asumsi homoskedastisitas. Mengapa varians error
perlu konstan? karena jika konstan maka variabel error dapat membentuk
model sendiri dan mengganggu model. Oleh karena itu, penanggulangan
permasalahan heteroskedastisitas/non-homoskedastisitas dapat diatasi
dengan menambahkan model varians error ke dalam model atau model
ARCH/GARCH.
4. Autokorelasi untuk data time series, jika kita menggunakan analisis regresi
sederhana untuk data time series atau data yang disusun berdasarkan urutan
waktu, maka ada satu asumsi yang harus dipenuhi yaitu asumsi autokorelasi.
Asumsi ini melihat pengaruh variabel lag waktu sebelumnya terhadap
variabel Y. Jika ada gangguan autokorelasi artinya ada pengaruh variabel lag
waktu sebelumnya terhadap variabel Y. sebagai contoh, model kenaikan
harga BBM terhadap inflasi, jika ditemukan atukorelasi artinya terdapat
pengaruh lag waktu terhadap inflasi. Artinya inflasi hari ini atau bulan ini
bukan dipengaruhi oleh kenaikan BBM hari ini namun dipengaruhi oleh
kenaikan BBM sebelumnya (satu hari atau satu bulan tergantung data yang
dikumpulkan).

1)2. Regresi berganda

Regresi ganda ialah suatu alat analisis peramalan nilai pengaruh dua
variabel bebas atau lebih terhadap variabel terikat untuk membuktikan ada atau
tidaknya hubungan fungsi atau hubungan kausal antara dua variabel bebas atau
lebih dengan satu variabel terikat. Persamaan regresi bergnada yaitu
Y = a + b1 X1 +b2 X2 + …. + bn Xn
Keterangan:
Y = Variabel dependen (nilai yang diprediksikan)
X1 dan X2 = Variabel independen
a = Konstanta (nilai Y’ apabila X1, X2…..Xn = 0)
b = Koefisien regresi (nilai peningkatan ataupun penurunan)
Analisis regresi merupakan analisis mengenai sebeberapa besar pengaruh variabel
bebas (X) terhadap variabel terikat (Y). Besar kecilnya pengaruh variabel bebas
terhadap variabel terikat ditentukan oleh koefisien regresi atau b. Sedangkan
Analisis regresi ganda adalah pengembanagn dari analisis regresi sederhana.
Kegunaannya yaitu untuk meramalkan nilai variabel terikat (Y) apabila variabel
bebas minimal dua atau lebih. Dalam tulisan ini akan membahas tentang urutan
atau langkah-langkah dalam mencari persamaan regresi berganda dari data yang
ada secara manual. Dari persamaan regresi yang ada selanjutnya akan dilakukan
perbandingan nilai F hitung dengan F tabel untuk mencari seberpa besar tingkat
pengaruh variabel-variabel bebas terhadap variabel terikat.

5. Kelebihan Metode Analitik Parametrik

1) Tidak perlu dilakukan pengujian terhadap parameter populasi karena
sudah dianggap memenuhi syarat.
2) Data observasi dianggap saling bebas dan diambil dari populasi yang
memiliki distribusi normal dengan varian yang homogen. Asumsi-asumsi
yang rumit tersebut membuat pengujian menggunakan metode parametrik
dapat diandalkan akurasinya.

6. Kekurangan Metode Analitik Parametrik

1) Populasi harus memiliki varian yang sama.Tentu hal ini merupakan hal
yang sulit karena kenyataannya semua varian dari populasi tidak diketahui.
 2) Variabel variabel yang diteliti terbatas hanya untuk jenis data dengan skala
paling tidak adalah interval dan rasio.
3) Distribusi populasi harus diketahui berdistribusi normal. Jika belum
diketahui tentu harus dicari terlebih dahulu menggunakan uji normalitas.

DAFTAR PUSTAKA

Raharjo, Sahid. (2019). Cara Melakukan Analisis Korelasi Bivariate Pearson

dengan SPSS. Dikutip dari
 https://www.spssindonesia.com/2014/02/analisis-korelasi-dengan-
spss.html, dikutip pada tanggal 1 Oktober 2020
Santoso, S. (2010). Mastering SPSS 18. Jakarta: PT Elex Media Komputindo
Sugiyono. (2013). Metode Penelitian Kuantitatif, Kualitatif dan R&D. Bandung:
Alfabeta.CV
Supardi. (2013) Aplikasi Statistika dalam Penelitian Konsep Statistika yang Lebih
Komprehensif. Jakarta: Change Publication.