Mata Kuliah : METODOLOGI PENELITIAN

Semester : II
Dosen : Dr. NGASBUN EGAR, S.Pd., M.Pd
Nama Mahasiswa : NUR TISA ARTITISARI, S.S
Kelas :2F
NPM : 19510343

RANGKUMAN HASIL DISKUSI TOPIK 9

ANALISIS DATA KUANTITATIF

A. UJI PRASARAT/UJI KLASIK UNTUK ANALISIS DATA KUANTITATIF,

Statistik didefinisikan sebagai fakta-fakta berbentuk angka yang terangkum dalam

tabel-tabel atau kumpulan angka pada tabel yang menerangkan suatu fenomena.Statistika
adalah ilmu yang mempelajari bagaimana merencanakan, mengumpulkan, menganalisis,
menginterpretasi, dan mempresentasikan data. Singkatnya, statistika adalah ilmu yang
berkenaan dengan data. Atau statistika adalah ilmu yang berusaha untuk mencoba
mengolah data untuk mendapatkan manfaat berupa keputusan dalam kehidupan.
Dalam sebuah penelitian, terutama penelitian kuantitatif dapat dilakukan analisis
data dengan bantuan statistik. Secara umum semua statistik parameterik berfungsi untuk
menggeneralisasi hasil penelitian, yaitu pemberlakuanhasil penelitian dalam populasi
dengan menggunakan data sampel yang harus memenuhi asumsi-asumsi. Asumsi tersebut
meliputi data sampel diambil secara acak dari populasi dan data terdistribusi normal.
Sedangkan asumsi-asumsi lainnyamenyesuaikan dengan teknik analisis data yang
digunakan.
Untuk analisis perbedaan seperti uji t, maka asumsi-asumsi yang harus dipenuhi
adalah data dari kedua kelompok sampel diambil secara acak dari populasi, data yang
dianalisis bersifat independen satu samalain, data dari
kedua kelompok sampel terdistribusi normal, serta varians dari populasi adalah homogen.
Setiap uji statistik memiliki kegunaan yang berbeda. Uji Homogenitas adalah
pengujian mengenai varian dan digunakan untuk mengetahui apakah kedua kelompok
sampel mempunyai varian yang sama atau tidak. Dalam statistik Uji Homogenitas
digunakan untuk mengetahui varian dan beberapa populasi sama atau tidak. Uji ini
biasanya dilakukan sebagai prasyarat dalam analisis Independent. Uji normalitas
merupakan salah satu bagian dari uji persyaratan analisis data atau uji asumsi klasik.
Artinya sebelum melakukan analisis yang sesungguhnya, data penelitian tersebut harus
 diuji kenormalan distribusinya. Uji lenearitas bertujuan atau berguna untuk mengetahui
apakah dua variabel mempunyai hubungan yang linear atau tidak secara signifikan. Uji T
satu sampel digunakan untuk menguji nilai rata-rata dari suatu sampel tunggal dengan
suatu nilai acuan. Dalam uji T Satu Sampel terdapat asumsi yang harus dipenuhi sebelum
masuk keanalisis, yaitu data sampel berdistribusi normal. Uji t dua sampel dapat
digolongkan kedalam dua jenis uji, yaitu dependent sample t-test/Paired Sampel t-Test
(bertujuan untuk membandingkan rata-rata dua grup yang saling berpasangan )
dan independent sample t-test (bertujuan untuk membandingkan rata-rata dua grup yang
tidak saling berpasangan atau tidak saling berkaitan).

1. Uji Homogenitas
1. Kegunaan Homogenitas
Uji Homogenitas adalah pengujian mengenai varian dan digunakan untuk
mengetahui apakah kedua kelompok sampel mempunyai varian yang sama atau tidak.
Dalam statistik Uji Homogenitas digunakan untuk mengetahui varian dan beberapa
populasi sama atau tidak. Uji ini biasanya dilakukan sebagai prasyarat dalam analisis
Independent. Uji Homogenitas digunakan sebagai bahan acuan untuk menentukan
keputusan uji statistik (Hamdi, et al., 2014). Dasar penganbilan keputusan dalam uji
homogenitas adalah jika nilai signifikasi kurang dari 0,05 maka dikatakan bahwa varian
dari dua atau lebih kelompok populasi data adalah tidak sama. Sedangkan jika nilai
sinifikasi lebih dari 0,05 maka dikatakan bahwa varian dari dua atau lebih kelompok
populasi data adalah sama.
2. Langkah-langkah
Uji homogenitas dimaksudkan untuk memperlihatkan bahwa dua atau lebih
kelompok data sampel berasal dari populasi yang memiliki variansi yang sama. Pada
analisis  regresi, persyaratan analisis yang dibutuhkan adalah bahwa galat regresi untuk
setiappengelompokan berdasarkan variabel terikatnya memiliki variansi yang sama.
Hipotesis yang diuji adalah sebagai berikut :

H1 : Salah satu tanda = tidak berlaku

Teknik pengujian yang digunakan adalah Uji Bartlet. Uji Bartlet dilakukan dengan
menghitung x2. Harga x2yang diperoleh dari perhitungan (x2hitung) selanjutnya dibandingkan
dengan x2 dari tabel (x2tabel ), bila x2hitung< x2tabel , maka hipotesis nol diterima. Artinya data
berasal dari populasi yang homogen. Perhitungan uji homogenitas menggunakan software
SPSS adalah dengan Uji Levene statistics. Cara menafsirkan uji levene ini adalah, jika
nilai Levene statistic > 0,05 maka dapat dikatakan bahwa variasi data adalah homogen. 
Dibawah ini terdapat data Skor Tes Kemampuan Pemahaman Siswa

No. Kode Siswa Eksperimen Kontrol

1 S-01 4 6
2 S-02 9 4
3 S-03 11 6
4 S-04 13 12
5 S-05 5 7
6 S-06 11 14
7 S-07 4 13
8 S-08 5 10
9 S-09 9 10
10 S-10 11 13
11 S-11 4 8
12 S-12 7 5
13 S-13 13 12
14 S-14 16 10
15 S-15 10 4
16 S-16 4 5
17 S-17 2 4
18 S-18 19 15
19 S-19 15 11
20 S-20 8 10
Berikut adalah Langkah-langkahnya:
Buka SPSS
  Copy data tersebut ke dalam lembar kerja SPSS letakan dalam satu kolom dan perlu
diingat no urutnya 1-20 adalah kelas eksperimen dan 21-40 kelas kontrol, kemudian pada
kolom kedua isi dengan “1” untuk kelas Eksperimen dan “2” untuk kelas kontrol
 Buatlah nama variabel dengan cara Variabel View, kemudian pada kolom Label beri
nama “Kemampuan Pemahaman Matematis” pada VAR000001 dan “Faktor” pada
VAR000002

Kemudian pada kolom value pada VAR000002 klik none hingga muncul kotak

dialog seperti di bawah ini:

Isi kolom Value  dengan “1”, Label dengan “Eksperimen” kemudian

klik Add, kemudian lanjutkan isi kolom Value  dengan “2”, Label dengan “Kontrol”
kemudian klik Add dan klik OK.
 Lakukan pengujian homogenitas dengan uji Lavene Statistic dengan cara memilih
menu : analyze, compare means, one-way anova.

Masukan “kemampuan pemahaman matematis” ke kotak Dependen List dan

“Faktor” ke kotak Factor.

Klik menu  Option dan pilih Homogenity of variance test, kemudian klik Continue.

 Kemudian klik Ok sehingga muncul hasil:

Berikut hasil dari Uji Lavene Statistic

Kerena p-value = 0,351 > 0,05 maka data siambil dari sampel yang homogen.

2. UJI NORMALITAS
1. Kegunaan
Uji normalitas merupakan salah satu bagian dari uji persyaratan analisis data atau uji
asumsi klasik. Artinya sebelum melakukan analisis yang sesungguhnya, data penelitian
tersebut harus diuji kenormalan distribusinya. Data yang baik adalah data yang normal
dalam pendistribusiannya. Jadi tujuan uji normalitas adalah untuk menguji apakah data
penelitian yang dilakukan memiliki distribusi yang normal atau tidak. Dasar pengambilan
keputusan dalam uji normalitas yakni jika nilai signifikasi lebih besar dati 0,05, maka data
tersebut berdistribusi normal. Sebaliknya, jika nilai signifikasi lebih besar dai 0,05 maka
data tersebut tidak berdistribusi normal (Hamdi, et al., 2014).
2. Langkah-langkah
Uji normalitas data dimaksudkan untuk memperlihatkan bahwa data sampel berasal dari
populasi yang berdistribusi normal. Ada beberapa teknik yang dapat digunakan untuk menguji
normalitas data, antara lain: Dengan kertas peluang normal, uji chi-kuadrat, uji Liliefors,
dengan Teknik Kolmogorov-Smirnov, dengan SPSS. Berikut ini diuraikan contoh Uji
normalitas dengan program SPSS  for Windows.Dibawah ini terdapat data Skor Tes
Kemampuan Pemahaman Matematis Siswa

Kode
No. Eksperimen Kontrol
Siswa
1 S-01 4 6
2 S-02 9 4
3 S-03 11 6
4 S-04 13 12
5 S-05 5 7
6 S-06 11 14
7 S-07 4 13
8 S-08 5 10
9 S-09 9 10
10 S-10 11 13
11 S-11 4 8
12 S-12 7 5
13 S-13 13 12
14 S-14 16 10
15 S-15 10 4
16 S-16 4 5
17 S-17 2 4
18 S-18 19 15
19 S-19 15 11
20 S-20 8 10

Berikut adalah Langkah-langkahnya:

Buka SPSS
Copy data tersebut ke dalam lembar kerja SPSS letakan dalam satu kolom dan perlu
diingat no urutnya 1-20 adalah kelas eksperimen dan 21-40 kelas kontrol, kemudian pada
kolom kedua isi dengan “1” untuk kelas Eksperimen dan “2” untuk kelas kontrol
 Buatlah nama variabel dengan cara Variabel View, kemudian pada kolom Label beri
nama “Kemampuan Pemahaman Matematis” pada VAR000001 dan “Faktor” pada
VAR000002

Kemudian pada kolom value pada VAR000002 klik none hingga muncul kotak dialog

seperti di bawah ini:

Isi kolom Value  dengan “1”, Label dengan “Eksperimen” kemudian

klik Add, kemudian lanjutkan isi kolom Value  dengan “2”, Label dengan “Kontrol”
kemudian klik Add dan klik OK.
   Setelah diberi label kembalikan posisi pada Data View untuk melakukan Uji Normalitas
dengan cara Pilih menu berikut: Analyze–> Descriptives Statistics –> Explore –> OK

Setelah muncul kotak dialog uji normalitas, selanjutnya pilih “Kemampuan Pemahaman
Matematis” sebagaidependent list; pilih “Faktor” sebagai factor list, kemudian,
klik Plots; pilih Normality test with plots; dan klik Continue, lalu OK
 Uji normalitas dengan menggunakan bantuan  program SPSS, menghasilkan 3 (tiga)
jenis keluaran, yaituProcessing Summary, Descriptives, Tes of Normality, dan Q-Q plots.
Untuk keperluan penelitian umumnya hanya diperlukan keluaran berupa Test of Normality,
yaitu keluaran yang berbentuk seperti tabel di bawah ini. Keluaran lainnya dapat dihapus,
dengan cara klik sekali pada objek yang akan dihapus lalu tekan Delete. Pengujian
denganSPSS berdasarkan pada uji Kolmogorov-Smirnov dan Shapiro-Wilk. Pilih salah satu
saja, misalnya Kolmogorov-Smirnov.

Dari Hasil tabel di atas menunjukkan uji normalitas data y, yang sudah diuji
sebelumnya secara manual dengan uji Liliefors dan Kolmogorov-Smirnov. Pengujian
dengan SPSS berdasarkan pada uji Kolmogorov-Smirnov dan Shapiro-Wilk. Pilih salah
satu saja misalnya Kolmogorov-Smirnov. Hipotesis yang diuji adalah:
Ho : Sampel berasal dari populasi yang berdistribusi normal
H1 : Sampel tidak berasal dari populasi yang berdistribusi normal
Dengan demikian, normalitas dipenuhi jika hasil uji tidak signifikan untuk suatu taraf
signifikansi (α) tertentu (biasanya α=0,05 atau α=0,01). Sebaliknya, jika hasil uji signifikan
maka normalitas data tidak terpenuhi. Cara mengetahui signifikan atau tidak signifikan hasil
uji normalitas adalah dengan memperhatikan bilangan pada kolom signifikansi (Sig.) untuk
menetapkan kenormalan, kriteria yang berlaku adalah sebagai berikut:
Tetapkan taraf signifikansi uji misalnya α=0,05
Bandingkan p dengan taraf signifikansi yang diperoleh
Jika signifikansi yang diperoleh > α, maka sampel berasal dari populasi yang
berdistribusi normal.
  Jika signifikansi yang diperoleh < α, maka sampel bukan berasal dari populasi yang
berdistribusi normal.
 Pada hasil di atas diperoleh untuk kelas eksperimen nilai signifikansi p = 0,387,
sehingga p > α dan untuk kelas kontrol nilai signifikansi p = 0,127, sehingga p > α. Dengan
demikian sampel berasal dari populasi yang berdistribusi normal.

3. UJI LINIERITAS
1. Kegunaan
Uji linearitas bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan
yang linear atau tidak secara signifikan. Uji ini biasanya digunakan sebagai prasyarat
dalam analisis korelasi atau regresi linear. Linearitas adalah keadaan dimana hubungan
antara variabel dependen dan variabel independen bersifat linear (garis lurus)dalam range
variabel independen tertentu. Sebagai contoh hubungan antara kecepatan lari seseorang
(variabel dependen) yang tergantung pada usia orang tersebut (variabel bebas atau
independen). Maka secara umum dikatakan bahwa makin tinggi usia seseorang maka lari
orang tersebut cenderung semakin cepat, yang jika dipresentasikan pada grafik, maka
terdapat garis ke kanan atas. Namun sebenarnya hal itu benar hanya pada range usia
tertentu, misal antara 17 tahun sampai 40 tahun. Di atas 40 tahun mungkin kecepatan lari
seseorang berbanding terbalik dengan usianya, yakni semakin tinggi usia orang tersebut,
makin lambat larinya. Linearitas bisa diuji dengan scatter plot (diagram pencar) seperti
yang digunakan untuk data outlier, dengan memberi tambahan garis regresi. Karena scatter
plot hanya menampilkan hubungan dua variabel saja, maka jika terdapat lebih dari dua
data, maka pengujian dilakukan dengan berpasangan tipa dua data (Santoso, 2010). Jadi uji
lenearitas bertujuan atau berguna untuk mengetahui apakah dua variabel mempunyai
hubungan yang linear atau tidak secara signifikan.
2. Langkah-langkah
Contoh kasus:
Seorang mahasiswa bernama Akbar melakukan penelitian untuk mengetahui
hubungan antara kecemasan dengan optimisme pada remaja. Data-data skor total yang di
dapat ditabulasikan sebagai berikut:

Tabel Tabulasi Data  (Data Fiktif)

Subjek Kecemasan Optimisme

1 90 124
2 88 137
3 96 120
4 95 128
5 96 124
6 94 133
 7 91 138
8 96 126
9 95 132
10 90 140
11 85 143
12 91 124
13 87 131
14 90 119
15 85 135
16 83 141
17 86 137
18 91 134
19 86 138
20 83 141

1. Masuk program SPSS

2. Klik variable view pada SPSS data editor
3. Pada kolom Name ketik x, untuk kolom Name baris kedua ketik y
4. Pada kolom Decimals angka ganti menjadi 0 untuk variabel x dan y
5. Untuk kolom Label ketik Kecemasan, untuk kolom Label pada baris kedua ketik
Optimisme.
6. Kolom lainnya boleh dihiraukan (isian default)
7. Buka data view pada SPSS data editor
8. Terlihat kolom x dan y, x adalah variabel kecemasan dan y adalah variabel
optimisme, ketikkan data sesuai dengan variabelnya.
9. Klik Analyze - Compare Means - Means
10. Klik variabel Optimisme dan masukkan ke kotak Dependent List, kemudian klik
variabel Kecemasan dan masukkan ke Independent List.
11. Klik Options, pada Statistics for First Layer klik Test for Linearity, kemudian
klik Continue
12. Klik OK, maka hasil output yang didapat pada kolom Anova Table adalah
sebagai berikut:

Tabel Hasil Test for Linearity.

 Dari output di atas dapat diketahui bahwa nilai signifikansi pada Linearity sebesar
0,006. Karena signifikansi kurang dari 0,05 maka dapat disimpulkan bahwa antara variabel
kecemasan dan optimisme terdapat hubungan yang linear.

4. UJI-T SATU SAMPLE

1. Kegunaan
Uji T satu sampel digunakan untuk menguji nilai rata-rata dari suatu sampel tunggal
dengan suatu nilai acuan. Dalam uji T Satu Sampel terdapat asumsi yang harus dipenuhi
sebelum masuk keanalisis, yaitu data sampel berdistribusi normal (Gaib, 2013).
2. Langkah-langkah
Buka SPSS.
Misalkan datanya seperti di bawah ini :

Akan dilakukan uji apakah data yang didapatkan berbeda dengan data sebelumnya,
menurut informasi rata-rata kunjungan pasien tahun lalu sebanyak 20 orang.
Pada menu di SPSS pilih Analyze --> Compare Means --> One-Sample T Test
seperti ini :
  
Setelah itu akan muncul jendela seperti ini :

Pilih variabel "kunjungan pasien", lalu klik tanda 'segitiga' untuk memindahkan
variabel tersebut ke kotak 'Test Variables'.

Isi kotak 'Test Value' dengan angka "20"(angka 20 merupakan rata-rata kunjungan
pasien tahun lalu), kemudian klik OK. Hasilnya :

 
Kesimpulan
 Dari tabel "One-Sample Statistics" terlihat bahwa rata-rata kunjungan sebanyak 23
orang, dengan standar deviasi 3,387. Bila melihat dari rata-rata kunjungan saat ini memang
ada perbedaan, namun perbedaan ini apakah bermakna secara statistik ? pada tabel "One-
Sample Test" pada kolom "Sig.(2-tiled)" diperoleh nilai P = 0,001, maka nilai P < α,
sehingga Ho ditolak. Dengan demikian dapat kita simpulkan bahwa ternyata pada uji
statistik dua sisi (2-tailed)  pada taraf nyata α = 0,05, menunjukan ada perbedaan yang
bermakna antara kunjungan pasien tahun lalu dengan tahun ini(Gaib, 2013). 

5. UJI T-DIA SAMPEL

1. Kegunaan
Berdasarkan hubungan antar populasinya, uji t dapat digolongkan kedalam dua jenis
uji, yaitu dependent sample t-test (Paired Sampel t-Test) dan independent sample t-test.
Dependent sample t-test atau sering diistilahkan dengan Paired Sampel t-Test adalah jenis
uji statistika yang bertujuan untuk membandingkan rata-rata dua grup yang saling
berpasangan. Sampel berpasangan dapat diartikan sebagai sebuah sampel dengan subjek
yang sama namun mengalami dua perlakuan atau pengukuran yang berbeda, yaitu
pengukuran sebelum dan sesudah dilakukan sebuah treatment. Syarat jenis uji ini adalah
data berdistribusi normal, kedua kelompok data adalah dependen (saling
berhubungan/berpasangan) dan jenis data yang digunakan adalah numerik dan kategorik
(dua kelompok). Sedangkan Independent sample t-test adalah jenis uji statistika yang
bertujuan untuk membandingkan rata-rata dua grup yang tidak saling berpasangan atau tidak
saling berkaitan. Tidak saling berpasangan dapat diartikan bahwa penelitian dilakukan untuk
dua subjek sampel yang berbeda.
Prinsip pengujian uji ini adalah melihat perbedaan variasi kedua kelompok data, sehingga
sebelum dilakukan pengujian, terlebih dahulu harus diketahui apakah variannya sama (equal
variance) atau variannya berbeda (unequal variance).
2. Langkah-langkah
- Dependent sample t-test (Paired Sampel t-Test)
Sebelum dilakukan uji rata-rata dua sampel yang saling berhubungan harus terlebih
dahulu dilakukan uji prasyarat data yaitu uji normalitas dan uji homogenitas. Apabila data
sudah memenuhi prasyarat maka selanjutnya dapat dilakukan uji dua rata-rata
mengugunakan uji-t. Berikut disajikan data Kemampuan Pemahaman Matematis Siswa

No. Kode Eksperimen Kontrol

 Siswa
1 S-01 4 6
2 S-02 9 4
3 S-03 11 6
4 S-04 13 12
5 S-05 5 7
6 S-06 11 14
7 S-07 4 13
8 S-08 5 10
9 S-09 9 10
10 S-10 11 13
11 S-11 4 8
12 S-12 7 5
13 S-13 13 12
14 S-14 16 10
15 S-15 10 4
16 S-16 4 5
17 S-17 2 4
18 S-18 19 15
19 S-19 15 11
20 S-20 8 10
Hipotesis yang diajukan adalah:
H0    :   μx2    =     μy2
H1    :   μx2    >     μy2
Keterangan:
μx2       :  rerata skor siswa kelas eksperimen
μy 2    :  rerata skor siswa kelas kontrol
H0       :  rerata skor siswa kelas eksperimen tidak lebih baik daripada kelas kontrol
H1     :  rerata skor siswa kelas eksperimen lebih baik daripada kelas kontrol
Kriteria Pengujian:
Tolak H0  jika p-value (Sig.) < α = 0,05, sedangkan untuk kondisi lainnya H0 diterima.
Berikut adalah Langkah-langkahnya:
1.   Buka SPSS
Copy data tersebut ke dalam lembar kerja SPSS letakan dalam satu kolom dan perlu
diingat no urutnya 1-20 adalah kelas eksperimen dan 21-40 kelas kontrol, kemudian pada
kolom kedua isi dengan “1” untuk kelas Eksperimen dan “2” untuk kelas kontrol.
 Buatlah nama variabel dengan cara Variabel View, kemudian pada kolom Label beri
nama “Kemampuan Pemahaman Matematis” pada VAR000001 dan “Kelas” pada
VAR000002

Kemudian pada kolom value pada VAR000002 klik none hingga muncul kotak dialog

seperti di bawah ini:
 Isi kolom Value  dengan “1”, Label dengan “Eksperimen” kemudian
klik Add, kemudian lanjutkan isi kolom Value  dengan “2”, Label dengan “Kontrol”
kemudian klik Add dan klik OK.

Setelah diberi label kembalikan posisi pada Data View untuk melakukan Uji-t  dengan
cara Pilih menu berikut:Analyze–> Compare Mean –> Independet-Samples T Test –> OK

Masukan “Kemampuan Pemahaman Matematis” ke kotak Test

Variables dan “Kelas” ke kotak Grouping Variable.
 Pilih Define Group untuk mendefinisikan grup yang telah kita buat. Pada Group
1 masukan “1” dan pada Group 2 masukan “2”, kemudian klik Continue.

Kemudian klik Ok untuk melihat hasil perhitungannya.

Untuk hasil uji-t dapat dilihat pada tabel Independen Sample Test

Karena nilai p-value = 0,970 > 0,05 berarti Terima H0 yang artinya tidak ada
perbedaan ratat-rata antara dua sampel tersebut.
- Independent sample t-test
Judul penelitian misalnya “Perbedaan Skor Pengetahuan tentang HIV/AIDS pada
siswa yang pernah dan yang belum mendapat penyuluhan tentang HIV-AIDS”. Data yang
diperoleh
 No Kelompok siswa A Kelompok siswa B
1 80 68
2 90 57
Data 3 70 46 diperoleh dari
dua kelompok 4 86 57 siswa yaitu
5 82 44
siswa A (yang pernah
6 88 51
mendapat 7 91 62 penyuluhan
tentang 8 93 54 HIV/AIDS) dan
9 80 49
siswa B 10 79 48 (belum pernah
mendapat 11 89 64 penyuluhan
tentang 12 88 48 HIV/AIDS).
13 85 58
Analisis Data: 14 79 55
Langkah 15 91 52 pertama:
Melihat apakah data yang diperoleh berdistribusi normal. Ada beberapa cara untuk melihat
apakah data tersebut berdistribusi normal. Bisa menggunakan program SPSS.
Setelah masuk program SPSS dan telah menginput data pada data view dan variable 
view dengan nama skor_pengetahuan dan Group_kelas dengan value 1 = siswa_A dan 2 =
siswa_B
Selanjutnya klik Analyze – Descriptive Statistics –Explore - test Klik
variabel skor_pengetahuanmasukkan ke kotak Dependent List dan group_kelas pada
kotak faktor list
Pada Plots, centang Normality plots with test, Continue
Klik OK, maka hasil output yang didapat adalah sebagai berikut:
 OUTPUT SPSS 
Descriptives
Statistic Std.
Error
Siswa_A Mean 84.73 1.620
95% Confidence Lower 81.26
Interval for Mean Bound
Upper 88.21
Bound
5% Trimmed Mean 85.09
Median 86.00
Variance 39.352
Std. Deviation 6.273
Minimum 70
Maximum 93
Range 23
Interquartile Range 10
 Skewness -.820 .580
Kurtosis .448 1.121
Siswa_B Mean 54.20 1.784
95% Confidence Lower 50.37
Interval for Mean Bound
Upper 58.03
Bound
5% Trimmed Mean 54.00
Median 54.00
Variance 47.743
Std. Deviation 6.910
Minimum 44
Maximum 68
Range 24
Interquartile Range 10
Skewness .467 .580
Kurtosis -.458 1.121

Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic Df Sig. Statistic Df Sig.
Siswa_A .165 15 .200* .924 15 .220
*
Siswa_B .107 15 .200 .967 15 .812
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction

Dari hasil di atas kita lihat pada kolom Shapiro-Wilk dan dapat diketahui bahwa nilai
signifikansi untuk Siswa_A adalah 0.220 dan untuk Siswa_B sebesar 0.812 maka dapat
disimpulkan bahwa data pada variabel Siswa_A; dan untuk Siswa_B berdistribusi normal.
Langkah Kedua: Cara SPSS untuk melihat hasil uji T sampel bebas (independen):
Selanjutnya klik Analyze – Compare means – Independent-samples T test Klik
variabel skor_pengetahuan masukkan ke kotak Dependent List
dan group_kelas pada Grouping Variabels
Klik Define groups : klik angka satu pada group 1 dan angka 2 pada group 2, lalu
continue
Klik OK, maka hasil output yang didapat adalah sebagai berikut:
 OUTPUT SPSS
Group Statistics
Kritera N Mean Std. Std. Error
Deviation Mean
Scor_Pengeahuan Siswa-A 15 84.73 6.273 1.620
Siswa_B 15 54.20 6.910 1.784

Independent Samples Test

Scor_Pengeahuan

Equal variances Equal

assumed variances
notassumed
F .105
Sig. .748
Levene's Test for Equality of
Variances
t-test for Equality of Means T 12.671 12.671
Df 28 27.743

Sig. (2-tailed) .000 .000

 Mean 30.533 30.533
Difference
Std. Error 2.410 2.410
Difference
95%Confidence Interval of Lower 25.597 25.595
Upper 35.469 35.471
the Difference

Langkah ketiga : Pengujian independen sample t test

a. Menentukan Hipotesis
Ho    : Tidak ada perbedaan antara rata-rata skor pengetahuan tentang HIV/AIDS
kelompok siswa_A dengan skor pengetahuan tentang HIV/AIDS kelompok siswa_B
Ha    : Ada perbedaan antara rata-rata skor pengetahuan tentang HIV/AIDS kelompok
siswa_A dengan skor pengetahuan tentang HIV/AIDS kelompok siswa_B
b. Menentukan tingkat signifikansi 
Pengujian menggunakan uji dua sisi dengan tingkat signifikansi  = 0.05. Tingkat
signifikansi dalam hal ini berarti kita mengambil risiko salah dalam mengambil keputusan
untuk menolak hipotesis yang benar sebanyak-banyaknya 5% (signifikansi 95% atau 0.05
adalah ukuran standar yang sering digunakan dalam penelitian).
c.    Menentukan t hitung
Dari tabel di atas didapat nilai t hitung (equal variance assumed) adalah 12.671
d.    Menentukan t tabel 
Tabel distribusi t dicari pada  = 95% (uji 2 sisi) dengan derajat kebebasan (df) n-2
atau 30-2  = 28. Dengan pengujian 2 sisi (signifikansi = 0.05) hasil diperoleh untuk t tabel
sebesar 2.0484.
e.    Kriteria Pengujian
Ho diterima jika -t tabel < t hitung < t tabel
Ho ditolak jika -t hitung < -t tabel atau t hitung > t table
   Berdasar probabilitas:
Ho diterima jika P value > 0.05 
Ho ditolak jika P value < 0.05
f.     Membandingkan t hitung dengan t tabel dan probabilitas
Nilai t hitung > t tabel (12.671> 2.0484) dan P value (0.000 < 0.05) maka Ho ditolak.
B. ANALISIS DATA PENELITIAN KUANTITATIF

Salah satu tahap dalam proses penelitian adalah tahap analisis data. Menurut Ali
Muhson, analisis data merupakan salah satu proses penelitian yang dilakukan setelah
semua data yang diperlukan guna memecahkan permasalahan yang diteliti sudah
diperoleh secara lengkap. Ketajaman dan ketepatan dalam penggunaan alat analisis
sangat menentukan keakuratan pengambilan kesimpulan, karena itu kegiatan analisis data
merupakan kegiatan yang tidak dapat diabaikan begitu saja dalam proses penelitian.
Teknik analisis dibagi menjadi dua yaitu teknik analisis kuantitatif dan kualitatif.
Perbedaan kedua teknik yaitu terletak pada jenis datanya. Data yang dikuantifikasikan
dapat dianalisis secara kuantitatif dan kualitatif tetapi data yang bersifat kualitatif maka
analisis digunakan hanya analisis kualitatif.
Analisis kuantitatif yang biasa digunakan adalah analisis statistik. Biasanya analisis ini
terbagi ke dalam dua kelompok yaitu statistik deskriptif dan inferensial.

1. ANALISIS DATA DENGAN STATISTIK DESKRIPTIF (PENELITIAN

KUANTITATIF),

Analisis statistik deskriptif adalah statistik yang digunakan untuk menganalisis data
dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul
sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku untuk
umum atau generalisasi. Analisis ini hanya berupa akumulasi data dasar dalam bentuk
deskripsi semata dalam arti tidak mencari atau menerangkan saling hubungan, menguji
hipotesis, membuat ramalan, atau melakukan penarikan kesimpulan.
Teknik analisis statistik deskriptif yang dapat digunakan antara lain:
a. Penyajian data dalam bentuk tabel atau distribusi frekuensi dan tabulasi
silang (crosstab).
Tabel adalah model penyajian yang disusun dalam baris dan kolom. Tabel data
berupa kumpulan angka-angka berdasarkan kategori tertentu. Suatu tabel
minimal memuat judul tabel, judul kolom, judul baris, nilai pada setiap baris dan
kolom, serta sumber yang menunjukkan dari mana data tersebut diperoleh.
Berdasarkan pengaturan baris dan kolom, suatu tabel dapat dibedakan dalam
beberapa bentuk misalnya tabel klasisfikasi saru arah, tabel klasifikasi dua arah
atau lebih (tabel silang), serta tabel distribusi frekuensi. Berikut disajikan
contoh-contoh bentuk tabel yang biasa digunakan dalam penyajian data penelitian
kuantitatif.
1. Tabel Klasifikasi Satu Arah
 Tabel ini digunakan untuk mengelompokkan data berdasarkan satu kriteria
Tertentu. Berikut ini contoh tabel klasifikasi satu arah.
Tabel 1: Contoh Tabel Satu Arah Komposisi Responden Berdasarkan Jenis
Kelamin

No Jenis Kelamin Jumlah Responden

1 Laki-laki 24

2 Perempuan 16

Total 40

Berdasarkan tabel di atas dapat dijelaskan bahwa jumlah responden yang

berjenis kelamin laki-laki sebanyak 24 orang dan jumlah responden yang
berjenis kelamin perempuan sebanyak 16 orang.

2. Tabel Distribusi Frekuensi

Tabel distribusi frekuensi disusun apabila jumlah data yang akan disajikan
cukup banyak sehingga kalau disajikan dalam tabel biasa menjadi tidak
efisien dan kurang komunikatif. Selain itu, tabel ini dapat pula
digunakan untuk pengujian normalitas data. Tabel distribusi frekuensi
disusun melalui tahapan sebagai berikut:
1) Mengurutkan data dari yang terkecil sampai yang terbesar
2) Menghitung rentang skor = Skor tertinggi – Skor terendah
3) Menetapkan jumlah kelas dengan menggunakan aturan Strugess
Jumlah kelas = 1 + 3,3 log n
n = banyaknya data
4) Menetapkan panjang kelas interval

Interval Kelas =

5) Menentukan batas bawah kelas interval pertama (diambil data

terkecil)
6) Menetapkan panjang batas setial kelas setiap
7) Menghitung frekuensi relatif yaitu jumlah anggota dari masing-
masing
kelompok kelas interval
8) Menghitung prosentase frekuensi relatif yaitu prosentase frekuensi
untuk
 masing-masing kelas interval

9) Menghitung frekuensi kumulatif dan prosentasenya untuk masing-

masing
batas bawah kelas interval.

Tabel 2: Tabel Distribusi Frekuensi Skor Kompetensi Profesional Guru

Nomor Kelas Frekuensi

Kelas Interval Relatif Komulatif

f (%) f (%)

1 10-16 2 5,00 2 5,00

2 17-23 5 12,50 7 17,50

3 24-30 12 30,00 19 47,50

4 31-37 9 22,50 28 70,00

5 38-44 7 17,50 35 87,50

6 45-51 5 12,50 40 100,00

Total 40 100,00

Berdasarkan tabel di atas dapat dijelaskan bahwa responden yang

memperoleh skor kompetensi profesional antara 10 sampai 16
sebanyak 2 orang atau sekitar 5%; responden yang memperoleh skor
kompetensi profesional antara 17 sampai 23 sebanyak 5 orang atau
sekitar 12,5%; dan seterusnya. Dalam tabel tersebut dapat pula dilihat
responden yang mendapat skor di bawah 17 yaitu 2 orang atau sekitar 5%,
di bawah 24 yaitu 7 orang atau sekitar 17,5%, dan seterusnya.

1. Tabel Silang
Tabel silang biasanya digunakan untuk mengelompokkan data berdasarkan
dua atau lebih kriteria. Berikut ini contoh tabel silang.
Tabel 3. Contoh Tabel Silang Komposisi Responden Berdasarkan Jenis Kelamin
dan Tingkat Pendidikan

Tingkat Pendidikan Total

Diploma Sarjana Magister

Jenis Laki-laki 7 11 6 24
 kelamin perempuan 1 13 2 16

Total 8 24 8 40

Berdasarkan tabel di atas dapat dijelaskan bahwa responden yang berjenis

kelamin laki-laki dan berpendidikan Diploma sebanyak 7 orang; jumlah
responden yang berjenis kelamin laki-laki dan berpendidikan Sarjana
sebanyak 11 orang; jumlah responden yang berjenis kelamin laki-laki dan
berpendidikan magister sebanyak 6 orang; dan seterusnya

b. Penyajian data dalam bentuk visual seperti diagram lingkaran, diagram

batang, diagram garis dan grafik histrogram
Selain menggunakan tabel, bentuk lain penyajian data adalah grafik
atau

diagran. Grafik atau diagram biasanya dibuat berdasarkan tabel. Grafik

merupakan visualisasi data pada tabel yang bersangkutan.

1. Diagram Lingkaran (Pie Chart)

Digram lingkaran atau pie chart biasanya digunakan untuk melihat
komposisi data dalam berbagai kelompok. Dengan menggunakan data
pada tabel 1 dapat dibuat diagram lingkaran yang memperlihatkan
komposisi responden penelitian berdasarkan jenis kelamin yaitu sebagai
berikut:

Gambar 1. Diagram Lingkaran Komposisi Responden Berdasarkan

jenis Kelamin
2. Diagram Batang
Diagram batang biasanya digunakan untuk melihat perbandingan data
berdasarkan panjang batang dalam suatu diagram. Dengan
menggunakan data pada tabel 3 dapat dibuat diagram batang yang
 memperlihatkan perbandingan jumlah responden berdasarkan tingkat
pendidikan yaitu sebagai berikut:

Gambar 2. Diagram Batang Komposisi Responden Berdasarkan

Tingkat Pendidikan
3. Diagram garis
Digram garis biasanya digunakan untuk melihat perkembangan suatu
kondisi. Perkembangan tersebut bisa naik dan bisa juga turun. Hal ni akan
nampak secara visual dalam bentuk garis. Sebagai contoh, berikut disajikan
tabel dan grafik garis yang memperlihatkan perkembangan jumlah siswa
baru pada satu sekolah dalam kurun waktu 7 tahun.

Gambar 3. Contoh Grafik Garis Perkembangan Jumlah Siswa Baru

pada Sekolah XXX Tahun 1997-2006
4. Grafik Histogram Frekuensi
Histogram adalah penyajian tabel distribusi frekuensi yang dubah
dalam
bentuk diagram batang. Untuk Membuatnya digunakan sumbu
mendatar sebagai batas kelas dan sumbu vertikal sebagai frekuensi. Dengan
 menggunakan data pada tabel 2, grafik histogram frekuensi skor kompetensi
profesional guru sebagi berikut:

Gambar 4: Contoh Grafik Histogram Frekuensi Skor Kompetensi

Profesional Guru
c. Penghitungan ukuran tendensi sentral (mean, median dan modus).
Cara lain menggambarkan statistik deskriptif ialah dengan menggunakan tendensi
sentral. Contoh bilangan tendensi sentral ialah mean (rata-rata), median dan mode.
Tendensi sentral berguna untuk menggambarakan bilangan yang dapat mewakili
suatu kelompok bilangan tertentu.

1. Mean
Dapat dicari dengan menjumlahkan semua nilai kemudian dibagi
denganbanyaknya individu.

Individu Penghasilan dalam ribuan (Rp.)

A 100

B 125

C 140

D 150

E 175

N=5  X = 690

2. Mode
Mode merupakan nilai yang jumlah frekuensinya paling besar. Untuk
mencari nilai mode dapat dilihat pada jumlah frekuensi yang paling besar.

Contoh :

Nilai Frekuensi
 60 5

65 6

66 7

70 15

72 2

75 6

80 8

85 10

3. Median
merupakan nilai tengahyang membatasi setengah frekuensi bagian
bawah dan setengah frekuensi bagian atas.

Nomor Nilai

1 60

2 65

3 70

4 75

5 85

6 80

7 81

8 79

9 77

85 adalah median yang membagi empat nilai diatasnya dan empat nilai
di bawahnya.

d. Penghitungan ukuran penyebaran

Penjelasan keadaan sekelompok data dapat pula didasarkan pada
ukuran
penyebarannya atau variasinya. Sebaran data menunjukkan variasi data secara
keseluruhan dilihat dari nilai tengahnya (rata-ratanya). Ukuran penyebaran
data
biasanya dilakukan dengan melihat rentang skor (kisaran data), varians, dan
simpangan baku (standard deviation).
 1. Rentang
Rentang diperoleh dengan cara mengurangi data terbesar dengan data
terkecil dalam satu kelompok data.
2. Varians (s2)
Varians yang diberi simbol (s2) dapat menjelaskan homogenistas suatu
kelompok. Semakin kecil varians maka semakin homogen data dalam
kelompok tersebut. Sebaliknya, semakin besar varians maka maka
makin
heterogen data dalam kelompok tersebut. Varians dari sekelompok
data
sampel dapat dihitung dengan menggunakan rumus:

3. Simpangan Baku
Simpangan baku atau standar deviasi yang diberi simbol (s) adalah
akar
varians (s2). Simpangan baku memiliki fungsi yang sama dengan
varians
dalam menjelaskan sekelompok data.

2. ANALISIS DATA DENGAN STATISTIK INFERENSIAL/UJI HIPOTESIS

(PENELITIAN KUANTITATIF)

Statistik inferensial adalah teknik analisis data yang digunakan untuk menentukan
sejauh mana kesamaan antara hasil yang diperoleh dari suatu sampel dengan hasil
yang akan didapat pada populasi secara keseluruhan. Jadi statistik inferensial
membantu peneliti untuk mencari tahu apakah hasil yang diperoleh dari suatu sampel
dapat digeneralisasi pada populasi (John, 2008:326).Sejalan dengan pengertian
statistik inferensial menurut Creswell, Muhammad Nisfiannoor berpendapat bahwa
statistik inferensial adalah metode yang berhubungan dengan analisis data pada
sampel untuk digunakan untuk penggeneralisasian pada populasi. Penggunaan statistic
inferensial didasarkan pada peluang (probability) dan sampel yang dipilih secara acak
(random) (Nisfianoor, 2009:4).
Konsep statistik inferensial yaitu;
1. Standard Error
 Peluang setiap sampel sangat identik dengan populasinya sangat kecil (nill)
meskipun inferensi populasi didapat dari informasi sampel.Penerapan random
sampling tidak menjamin karakteristik sampel sama persis dengan populasi. Variasi
prediksi antara mean disebut sampling error. Sampling error ini tidak bisa dihindari
dan ini bukan kesalahan peneliti. Yang menjadi persoalah adalah apakah error tersebut
semata-mata hasil sampling error atau merupakan perbedaan yang bermakna yang
akan pula ditemukan pada papulasi yang lebih besar.

Ciri standard error adalah bahwa error yang terjadi bisaanya berdistribusi
normal yang besarnya berbeda-bedadan error tersebut cenderung membentuk kurva
normal yang menyerupai lonceng.

Faktor utama yang mempengaruhi standard error adalah jumlah sampel.

Semakin banyak sampelnya, semakin kecil standard errornya. Ini menunjukkan
bahwasampel penelitian semakin akurat bila banyak sampelnya.

Faktor utama yang mempengaruhi standard error adalah jumlah sampel.

Semakin banyak sampelnya, semakin kecil standard error meannya yang berarti
bahwa semakin kecil standard error-nya, semakin akurat mean sampel untuk dijadikan
estimator untuk mean populasinya (Cresswell, 2008)

1. Pengujian Hipotesis
Pengujian hipotesis adalah proses pengambilan keputusan dimana peneliti
mengevaluasi hasil penelitian terhadap apa yang ingin dicapai sebelumnya.
Misalnya, kita ingin menerapkan program baru dalam pelajaran membaca. Pada
rencana penelitian dikemukanan hipotesis penelitian yang memprediksi perbedaan
skor siswa yang menjalni program baru tadi dengan proglam lama, dan hipotesis
nol (0), yang memprediksikan skor kedua kelompok tidak akan berbeda. Setelah
data dihitung mean dan standar deviasinya dan hasilnya menunjukkan skor siswa
dengan program baru lebih tinggi (berbeda secara signifikan) daripada siswa yang
mengikuti program lama, maka hipotesis penelitian diterima dan hipotesis nol
ditolak. Yang berarti bahwa program baru tersebut efektif untuk diterapkan pada
program membaca. Intinya, pengujian hipotesis adalah proses evaluasi hipotesis
nol, apakah diterima tau ditolak, (Cresswell, 2008:328).
2. Uji Signifikansi
Uji signifikasi adalah cara mengetahui adanya perbedaan antara dua skor.
Signifikansi merujuk pada tingkat statistik dari probabilitas dimana dengannya
 kita bisa menolak hipotesis nol. Uji signifikansi dilakukan dengan menentukan
tingkat probabilitas praseleksi yang dikenal dengan tingkat signifikansi (α).
Tingkat probailitas ini dijadikan dasar untuk menolak atau tidak menolak hipotesis
nol. Standar yang digunakan umumnya 0,05 kesempatan (5 dari 100). Adapula
yang menggunakan 0.01. Semakin kecil nilai probabilitasnya, semakin kecil pula
kemungkinan temuan tersebut diperoleh karena disebabkan oleh peluang,
(Cresswell, 2008:329).

B. Jenis-jenis Statistik Inferensial

Terdapat dua jenis statistik inferensial:
1. Statistik Parametrik; yaitu teknik yang didasarkan pada asumsi bahwa data yang
diambil mempunyai distribusi normal dan menggunakan data interval dan rasio,
(Nisfianoor, 2009:4).
a. Uji-t
Uji-t digunakan untuk menentukan apakah 2 kelompok skor memiliki
perbedaan yang signifikan di tingkat probabilitas pilihan. Contohnya, Uji-t
dapat digunakan untuk membandingkan skor membaca pada laki-laki dan skor
membaca pada perempuan di sekolah A.
Strategi dasar Uji-t adalah membandingkan perbedaan nyata antara mean
kelompok (X1-X2) menentukan apakah ada perbedaan yang diharapkan
berdasarkan peluang.
Uji-t terdiridari:
Uji-t untuk sampel independen digunakan untuk menentukan apakah ada
perbedaan yang signifikan antara dua sampel independen. Sampel independen
ditentukan tanpa adanya pemadanan jenis apapun. Software SPSS dapat
digunakan untuk uji-t.
Uji-t untuk sampel non-independen digunakan untuk membandingkan dua
kelompok terpilih berdasarkan beberapa kesamaan. Uji ini juga digunakan
untuk membandingkan performansi kelompok tunggal dengan pretest dan
posttest atau dengan dua perlakuan berbeda, Cresswell, 2008:335).
b. Analisis Varians (ANOVA)
Dalam Educational Research (2008), Cresswell mengartikan ANOVA sebagai
teknik statistik yang digunakan untuk perbedaan yang ada pada lebih dari dua
kelompok data. Adapun jenis analisis varians, yakni:
 1. ANOVA sederhana (satu arah) digunakan untuk menentukan apakah skor
dari dua kelompok atau lebih memiliki perbedaan secara signifikan pada
tingkat probabilitasnya. Misalnya, pengukuran prestasi siswa berdasarkan
tingkat ekonominya (tinggi, sedang, dan rendah), dimana tingkat ekonomi
sebagai variabel kelompok dan tingkat ekonomi sebagai variabel
dependennya.
2. Multi comparison adalahpengujian yang melibatkan perhitungan bentuk
istimewa dari uji-t. Setiap kali uji signifikansi dilakukan, tingkat
probabilitasnya kita terima. Misalnya, kita setuju kalau hasil yang akan
didapatakan muncul hanya 5 kali kesempatan pada setiap 100 sampel.
Hasil tersebut dikatakan bermakna dan bukan sekedar karena peluang
semata.
3. Analysis of Covariance (ANCOVA)
Analisis ini model ANOVA yang digunakan dengan cara berbeda dimana
variabel bebas dihitung dengan memperhatikan rancangan penelitian. Bila
penelitian memiliki 2 variabel bebas atau lebih, maka uji jenis inilah yang
cocok digunakan melalui dua cara yakni: (1) sebagai teknik pengendalian
variabel luar (extraneous variable) serta sebagai alat untuk meningkatkan
kekuatan uji statistik. ANCOVA bisa digunakan pada penelitian kausal
komparatif maupun penelitian ekperimental yang melibatkan kelompok
yang sudah ada dan kelompok yang dibentuk secara acak, dan (2)
ANCOVA digunakan untuk memperkuat uji statistic dengan memperkecil
varians dalam kelompok (error). Kekuatan yang dimaksudkan adalah
kemampuan uji signifikansi untuk mengenali temuan riset sebenarnya,
yang memungkinkan penguji menolak hipotesis 0 (nol) yang salah,
(Cresswell, 2008:341).
c. Regresi Jamak
Regresi jamak digunakan pada data berbentuk rasio dan interval. Regresi
jamak menggabungkan variabel yang diketahui secara terpisah untuk
memprediksi (misalnya, hubungan antara) criteria dalam persamaan (rumus)
prediksi atau dikenal dengan Multiple Regression Equation. Regresi jamak
merupakan prosedur analisis untuk penelitian eksperimental, kausal
komparatif, dan korelasional karena teknik ini tidak hanya untuk menentukan
apakah ada hubungan antar variable tetapi juga untuk mengetahui besar
(kuatnya) hubungan tersebut. Salah satu jenis regresi jamak adalah step-wise
 analysis yang memungkinakn kita memasukkan atau mengeluarkan variabel
utama (predicator) ke dalam persamaan regresi tahap demi tahap. Regresi
jamak juda menjadi dasar analisis jalur yang bertujuan untuk mengidentifikasi
tingkat interaksi variabel utama satu sama lain dan berkontribusi pada variabel
terikat, (Cresswell, 2008:345).
Sementara dalam Emzir (2011) dikatakan bahwa regresi jamak merupakan
perluasan dari regresi dan prediksi sederhana dengan penambahan beberapa
variabel. Kekuatan prediksi akan semakin terdukung dengan penambahan
variabel, (Emir, 2011:49).

d. Korelasi
Menurut Cohen, dkk., Teknik korelasi digunakan untuk mengetahui tiga hal pada
dua variabel atau dua set data. Pertama, “Apakah ada hubungan antara dua
variabel atau set data”. Bila jawabannya “ya”, maka dua hal berikutnya perlu kita
cari yakni; “Bagaimana arah hubugan tersebut”; dan “Apa yang menjadi
ukurannya?” Hubungan yang dimaksudkan adalah kencenderungan dua variabel
atau set data berbeda secara konsisten, (Cohen, 2007: 530).Dalam Solusi Mudah
dan Cepat Menguasai SPSS 17.0 unruk Pengolahan Data Statistik (Wahana
Komputer, 2009) dikatakan analisis korelasi dilakukan untuk menunjukkan
keeratan hubungan kausal antara variabel-variabel. Jenis-jenis analisis korelasi,
yaitu: Korelasi sederhana, yaitu , korelasi parsial, dan uji distance, (Wahana,
2009:155).
2. Statistik Non-parametrik
Statistik nonparametrik adalah jenis statistic inferensial yang tidak mengharuskan
data berdistribusi normal dan jenis data yang digunakan adalah data nominal dan
ordinal, (Nisfiannoor, 2009:4).
a. Chi Square
Chi Square adalah suatu ukuran menyangkut perbedaan yang terdapat di antara
frekwensi pengamatan dengan frekwensi teoritis/frekwensi harapan yang

2
dinyatakan dengan simbol , (Spiegel & Stephen, 2007:213). Statistik

nomparametrik yang digunakan untuk menanalisis data yang berupa frekwensi

atau persentase serta yang berbentu prporsi yang bisa dikonversi menjadi
persentase. Chi square digunakan untuk membandingkan frekwensi yang
muncul pada kategori atau kelompok berbeda. Dikenal dua kategori, yaitu;
truecategory adalah apabila orang atau objek bersifat bebas pada setiap
penelitian (laki-laki dan perempuan), dan artificialcategory yakni kategori
yang secara operasional diartikan sebagai peneliti itu sendiri. Contohnya,
mencari hubungan antara gender dengan keterampilan membaca pada sekolah
A. Karena adanya variabel nominal (gender dan keterampilan membaca), maka
data tersebut dianalisis dengan statistik nonparametrik dengan menggunakan
teknik chi square, (Cresswell, 2008:348).

Daftar Pustaka
Aedi, Nur. 2010. Bahan Belajar Mandiri Metode Penelitian Pendidikan (Online). Universitas
Pendidikan Indonesia. Diakses di http://file.upi.edu/Direktori/DUAL-
MODES/METODE_PENELITIAN/BBM_1-2-3.pdf tanggal 10 Oktober 2015.

Cohen, Luis dkk. Research Method in Education. Sixth Edition. Routledge, New York. 2007.

Cresswell, John W. Educational Research. Third Edition. New Jersey: Pearson Education, Inc.
2008.
Emzir, Prof. DR., M.Pd. Metode Penelitian Pendidikan Kuantitatif dan Kualitatif. Rajawali
Press. Jakarta. 2011

Gaib, M. (2013). uji satu sampel dengan spss. Dipetik November 21, 2016, dari statistik-
kesehatan.blogspot.co.id:http://statistik-kesehatan.blogspot.co.id/2011/03/uji-t-satu-
sampel-dengan-spss.html

Hamdi, A. S., & Bahruddin, E. (2014). Metode Penelitian Kuantitatif Aplikasi Dalam
Pendidikan. Yogyakarta: deepublish.

Spiegel, Murray R. dan Larry J. Stephens. Statistik. Edisi Ketiga. (Terjemahan oleh Wiwit
Kastawan ST, MT, M.Sc dan Irzam Harmein, ST). Erlangga. Jakarta. 2007

Nisfiannoor, Muhammad. Pendekatan Statistika Modern untuk Ilmu Sosial. Salemba

Humatika. Jakarta. 2009.

Wahana Komputer. Solusi Mudah dan Cepat Menguasai SPSS 17.0 unruk Pengolahan Data
Statistik. PT. Elex Media Komputindo. Jakarta. 2009.