Disusun Oleh:
Kelompok 3
A. Latar Belakang
Penelitian merupakan kegiatan yang terencana untuk mencari jawaban yang
obyektif atas permasalahan manusia melalui prosedur ilmiah (Tri Wahyulis,
2010). Untuk itu didalam suatu penelitian dibutuhkan suatu proses analisis data
yang berguna untuk menganalisis data-data yang telah terkumpul. Data yang
sudah terkumpul namun belum dianalisis merupakan data mentah. Dalam
kegiatan penelitian, data mentah akan memberi arti bila dianalisis dan
ditafsirkan. Sehingga analisis data sangat memegang peranan penting dalam
penelitian. Data yang yang dapat dikumpulkan banyak sekali seperti catatan di
lapangan, gambar, foto, dokumen, laporan, biografi, artikel, dan sebagainya.
Pekerjaan analisis data dalam hal ini ialah mengatur, mengurutkan,
mengelompokkan, memberikan kode, dan mengategorikannya. Pengorganisasian
dan pengelolaan data tersebut bertujuan menemukan tema dan hipotesis kerja
yang akhirnya diangkat menjadi teori substantif oleh karena itu, analisis data
merupakan bagian yang amat penting karena dengan analisislah suatu data dapat
diberi arti dan makna yang berguna untuk masalah penelitian. Data yang telah
dikumpulkan oleh peneliti tidak akan ada gunanya apabila tidak dianalisis
terlebih dahulu. Dalam proses analisis data dimulai dengan menelaah seluruh
data yang tersedia dari berbagai sumber, yaitu dari wawancara, pengamatan yang
sudah dituliskan dalam catatan lapangan, dokumen pribadi, dokumen resmi,
gambar, foto, dan sebagainya (Moleong, 2007 dalam Wahyulis, 2010).
Walaupun begitu penting dalam dunia pendidikan, analisis data merupakan
suatu kegiatan yang membutuhkan kemampuan dan pemahaman tertentu untuk
dapat menyelesaikannya. Menurut Nasution (dalam Sugiyono, 2010: 88)
“melakukan analisis adalah pekerjaan yang sulit, memerlukan kerja keras.
Analisis memerlukan daya kreatif serta kemampuan intelektual yang tinggi tidak
ada cara tertentu yang dapat diikuti untuk mengadakan analisis sehingga setiap
peneliti harus mencari sendiri metode yang dirasakan cocok dengan sifat
penelitinya. Bahan yang sama bisa diklasifikasikan lain oleh peneliti yang
berbeda”. Dari paparan diatas, dapat dikatakan bahwa analisis data memang
memerlukan kemampuan khusus dalam melaksanakannya. Tidak semua orang
dapat melakukan penganalisisan data dengan baik. Tergantung tingkat
pemahaman dan kemampuan intelegensi yang dimilikinya. Melihat kondisi ini,
selaku mahasiswa yang nantinya akan melakukan kegiatan penelitian yang akan
dilakukan, tentu menjadi hal yang penting dalam memahami konsep analisis
data.
B. Tujuan
1. Mahasiswa mampu mengetahui berbagai macam analisa data penelitian.
2. Mahasiswa mampu mengetahui berbagai jenis analisa data univariat.
3. Mahasiswa mampu mengetahui cara membaca hasil analisa univariat.
4. Mahasiswa mampu mengetahui cara menuliskan hasil analisa univariat dalam
laporan penelitian.
5. Mahasiswa mampu mengetahui menentukan teknik analisa data yang sesuai
dengan penelitian.
6. Mahasiswa mampu mengetahui cara memilih teknik analisa data yang sesuai
dengan penelitian.
7. Mahasiswa mampu mengetahui cara membaca hasil uji.
8. Mahasiswa mampu mengetahui cara menuliskan hasil uji pada laporan
penelitian.
BAB II
ANALISIS DATA
A. Analisis Univariat
1. Pengertian Analisis Univariat
Analisis univariat adalah suatu teknik analisis data terhadap satu variabel
secara mandiri, tiap variabel dianalisis tanpa dikaitkan dengan variabel lainnya.
Analisis univariat biasa juga disebut analisis deskriptif atau statistik deskriptif.
Analisis univariat merupakan metode analisis yang paling mendasar terhadap
suatu data. Hampir dipastikan semua laporan yang menggambarkan suatu
fenomena menggunakan analisis univariat.
Model analisis univariat dapat berupa menampilkan angka hasil
pengukuran, ukuran tendensi sentral, ukuran dispersi/deviasi/variability,
penyajian data ataupun kemiringan data. Analisis ini bertujuan untuk
menjelaskan atau mendiskripsikan karakteristik setiap variabel penelitian.
Analisis univariat berfungsi untuk meringkas kumpulan data hasil pengukuran
sedemekian rupa sehingga kumpulan data tersebut berubah menjadi informasi
yang berguna. Peringkasan tersebut dapat berupa ukuran statistik, tabel, dan
grafik. Analisis univariat dilakukan untuk menganalisis tiap variabel dari hasil
penelitian (Notoadmojo, 2005).
2. Macam-Macam Analisis Univariat
Berdasarkan banyaknya variabel bebasnya, analisis univariat dibagi menjadi
tiga kelompok yaitu:
a. Analisis Variansi Univariat Satu Jalan
Analisis ini digunakan jika suatu eksperimen mempunyai satu variabel
terikat dan satu variabel bebas.
b. Analisis Variansi Univariat Dua Jalan
Analisis ini digunakan jika suatu eksperimen mempunyai satu variabel
terikat dan dua variabel bebas.
c. Analisis Variansi Univariat Tiga Jalan
Analisis ini digunakan jika suatu eksperimen mempunyai satu variabel
terikat dan tiga variabel bebas.
3. Manfaat Analisis Univariat
Analisis ulnivariat mempunyai banyak manfaat, antara lain:
a. Untuk mengetahui apakah data yang akan digunakan untuk analisis sudak
layak atau belum.
b. Untuk mengetahui gambaran data yang dikumpulkan.
c. Untuk mengetahui apakah data telah optimal jika dipakai untuk analisis
berikutnya.
d. Mendeskripsikan suatu kejadian yang baik.
e. Perincian/ gambaran besarnya suatu kejadian.
f. Petunjuk pemecahan masalah.
g. Persiapan analisis bivariat atau multivariat.
4. Penerapan Perhitungan Analisis Univariat
Berikut disajikan contoh analisis univariat dari beberapa perhitungan distribusi
frekuensi, kecenderungan tengah, dan normalitas.
a. Distribusi frekuensi
Distribusi frekuensi merupakan hasil penghitungan jumlah kasus dalam
masing-masing kategori. Contoh: Distribusi frekuensi sampel menurut usia
Kumulatif
Usia Frekuensi Persen Valid persen
persen
< 40 22 44,0 44,0 44,0
th 28 56,0 56,0 100,0
≥ 40
th
Tota
50 100,0 100,0
l
Dari tabel di atas dapat di lihat bahwa frekuensi sampel yang berusia < 40
tahun sebanyak 22 orang (44,0%) dan sampel yang berusia ≥ 40 th sebanyak
28 orang (56,0%).
b. Mean
Nilai rata-rata (mean) merupakan jumlah dari sekelompok data dibagi
banyaknya data. Untuk mencari rata-rata pada suatu data, digunakan rumus
berikut:
Range: 90-75 = 15
f. Nilai maksimum dan minimum
Minimum: nilai terendah dari suatu data. Maksimum: nilai tertinggi dari
suatu data. Contoh:
Rumus varian
n
S = ∑ ¿¿ 2
2
i=i
n
S=∑ ¿ 1 √ v 1− x ¿ ¿ 2
i n−1
Contoh: BB 50, 45, 40
I xi Xi2
1 50 2500
2 45 2025
3 40 1600
∑¿ 155 6125
N = 3 ; n-1 = 2
n
}
{∑ x 1 2=¿ ¿1352=18225
i=1
S2 ¿ ( 3 ) ( 6125 )−¿ ¿
Standar deviasi = √ 144=12
i. Inter Quartil Range (IQR)
IQR merupakan selisih antara kuartil atas (25% teratas) dengan kuartil
bawah (25% terbawah) dari sekumpulan data kuartil bawah = Q1, kuartil
atas = Q3.
IQR = Q1 - Q3
Contoh = 2, 4, 6, 8, 8, 10, 11, 12. Maka IQR = 10 - 6 = 4
5. Membaca Hasil Analisa Univariat
Analisis univariat bertujuan untuk menjelaskan atau mendeskripsikan
karakteristik setiap variabel penelitian. Bentuk dari analisis univariat tergantung
dari jenis datanya. Untuk data numerik digunakan nilai mean atau rata-rata,
median dan standar deviasi. Pada umumnya dalam analisis ini hanya
menghasilkan distribusi frekuensi dan persentase dari tiap variabel. Misalnya
distribusi frekuensi responden berdasarkan : umur, jenis kelamin, tingkat
pendidikan dan sebagainya. Demikian juga penyebaran penyakit-penyakit yang
ada didaerah tertentu, distribusi pemakaian jenis kontrasepsi, distribusi kasus
malnutrisi pada anak balita dan sebagainya (Notoadmojo, 2012).
Pada analisa univariat, data yang diperoleh dari hasil pengumpulan dari
hasil pengumpulan dapat disajikan dalam bentuk tabel distribusi frekuensi,
ukuran tendensi sentral atau grafik. Jika data mempunyai distribusi normal,
maka mean dapat sebagai ukuran pemusatan dan standar deviasi (SD) sebagai
ukuran ukuran penyebaran. Jika distribusi data tidak normal maka sebaiknya
menggunakan median sebagai ukuran pemusatan dan minimum-maksimum
sebagai ukuran penyebaran (Saryono, 2017).
a. Contoh Penyajian Data: Analisis Univariat Data Kategorik
Tabel Distribusi Responden Berdasarkan Kejadian Anemia Pada Ibu Hamil
di Puskesmas X Tahun 2009
Variabel Jumlah Persentase
Kejadian Anemia:
Anemia 14 46,7
Tidak Anemia 16 53,3
Jumlah 30 100
Berdasarkan tabel 1 diketahui bahwa distribusi responden berdasarkan kejadian
anemia hampir merata, proporsi responden yang anemia lebih sedikit (46,7%)
dibandingkan responden yang tidak anemia (53,3%).
29,00
Berdasarkan tabel 2 diketahui bahwa rata-rata (mean) umur responden adalah
29,23 tahun (95% CI: 26,46 – 32,02), median 29 tahun dan standar deviasi
sebesar 7,45 tahun. Umur termuda 18 tahun dan tertua 42 tahun. Dari hasil
estimasi interval disimpulkan bahwa 95% diyakini rata-rata umur responden
berada antara 26,45 tahun sampai dengan 32,02 tahun.
6. Menuliskan Hasil Analisa Univariat Dalam Laporan Penelitian
Setiap peneliti harus dapat menyajikan data yang telah diperoleh, baik yang
diperoleh melalui observasi, wawancara, kuesioner (angket) maupun
dokumentasi. Prinsip dasar penyajian data adalah komunikatif dan lengkap,
dalam arti data yang disajikan dapat menarik perhatian pihak lain untuk
membacanya dan mudah memahami isinya. Penyajian data yang komunikatif
dapat dilakukan dengan penyajian data dibuat berwarna dan bila data yang
disajikan cukup banyak maka perlu bervariasi penyajiannya (tidak hanya
dengan tabel saja).
Penyajian data dengan pictogram, (yang dapat menggambarkan realitas
yang sebenarnya) merupakan penyajian data yang paling komunikatif, tetapi
sulit membuatnya dan mahal. Tetapi setelah ada peralatan komputer,
pembuatan pictogram dan berbagai model penyajian data menjadi sangat
mudah. Beberapa cara penyajian data yang akan dikemukan di sini adalah
penyajian dengan tabel, grafik, diagram lingkaran dan pictogram (Sugiyono,
2015).
1. Tabel
Penyajian data hasil penelitian dengan menggunakan tabel merupakan
penyajian yang banyak digunakan, karena lebih efisien dan cukup
komunikatif. Terdapat dua macam tabel, yaitu tabel biasa dan tabel distribusi
frekuensi. Setiap tabel berisi judul tabel, judul setiap kolom, nilai data dalam
setiap kolom, dan sumber data darimana data tersebut diperoleh.
2. Grafik
Selain dengan tabel, penyajian data yang cukup populer dan
komunikatif adalah dengan grafik. Pada umumnya terdapat dua macam
grafik yaitu: grafik garis (polygon) dan grafik batang (histogram). Grafik
batang ini dapat dikembangkan lagi menjadi grafik balok (tiga dimensi).
B. Analisis Bivariat
1. Pengertian Analisis Bivariat
Analisis bivariat adalah analisis yang digunakan untuk mengetahui
hubungan antara variabel bebas dengan variabel terikat dengan menggunakan
uji statististik. Terdapat uji parametrik dan non parametrik pada analisis
bivariat. Beberapa syarat uji parametrik diantaranya:
1) Skala pengukuran variabel harus berupa variabel numerik.
2) Distribusi/sebaran data harus normal.
3) Varians data:
a) Kesamaan varians tidak menjadi syarat uji pada kelompok berpasangan.
b) Varians boleh sama, boleh tidak, pada uji 2 kelompok tidak berpasangan.
c) Varians harus sama pada uji lebih dari 2 kelompok berpasangan.
Jika data dengan skala numerik tidak memenuhi syarat untuk uji parametrik
(sebaran data tidak normal) maka dilakukan uji non parametrik yang merupakan
alternatif uji parametriknya. Jika skala pengukuran berupa kategorikal (ordinal
dan nominal) maka diuji dengan uji non parametrik.
Beberapa metode untuk mengetahui suatu data mempunyai distribusi
normal atau tidak, yaitu:
Metode Alat Ukur Kriteria distribusi data
dikatakan normal
Deskriptif Deskriptif varians Perbandingan standar deviasi dan
mean (SD/mean x 100%)
Nilai koefisiensi varians <30%
Rasio skewness Perbandingan antara skewness dan
standar error of skewness
Nilai rasio skewness -2 sd 2
Rasio kurtosis Nilai rasio kurtosis -2 sd 2
Histogram Simetris, tidak miring dan tidak
terlalu tinggi/rendah
Box plot Simetris, median tepat ditengah,
tidak ada nilai ekstrim (out lier)
Normal Q-Q plot Data menyebar sekitar garis
Detrended Q-Q plot Data menyebar disekitar garis
pada nilai 0
Analitik Kolmogorof-Smirnov Untuk sampel besar menggunakan
Shapiro-Wilk uji kolmogorof-smirnov dan untuk
sampel kecil memakai uji saphiro-
wilk
Nilai kemaknaan (p) > 0,05
Selanjutnya setiap model komparasi sampel dibagi menjadi dua jenis yaitu
sampel yang berkorelasi dan sampel yang tidak berkorelasi (sampel independen).
Sampel yang berkorelasi biasanya terdapat dalam desain penelitian eksperimen.
Sebagai contoh dalam membuat perbandingan kemampuan kerja pegawai sebelum
dilatih dengan yang sudah dilatih, membandingkan nilai pretest dan postest serta
membandingkan kelompok eksperimen dan kelompok kontrol (pegawai yang
diberi latihan dan yang tidak). Sampel independen adalah sampel yang tidak
berkaitan satu sama lain, misalnya akan membandingkan kemampuan kerja
lulusan SMU dan SMK, membandingkan penghasilan petani, nelayan dan
sebagainya. Uji yang digunakan untuk dua kelompok berpasangan dapat
menggunakan Uji T berpasangan (Paired t-test) dan dua kelompok tidak
berpasangan yaitu dengan Uji T tidak berpasangan (Independent t-test).
Pada variabel view, dapat dilihat ada 2 variabel yaitu awal dan
sesudah dengan skala data rasio/interval (scale lambang penggaris)
Maka akan muncul kolom baru yang merupakan nilai selisih anatara
kondisi awal dengan kondisi sesudah konsumsi ekstrak daun kemangi.
Nilai selisih inilah yang akan kita cek normalitas distribusinya.
Lalu klik analyze > descriptive statistics > explore
1. Masukan selisih ke kolom dependent list dengan cara klik panah biru.
Klik tabel yang both. Lalu klik plots.
2. Setelah klik keluar tabel explore: plots. Centang pada histogram (bila
ingin melihat distribusi secara histrogramnya).
Dengan cara klik analyze > compare means > paired-samples T test
1. Jika nilai probabilitas atau Sig. (2-tailed) < 0,05, maka terdapat
perbedaan yang signifikan antara gula darah sebelum dan sesudah
diberi ekstrak kemangi.
2. Jika nilai probabilitas atau Sig. (2-tailed) > 0,05, maka tidak ada
perbedaan yang signifikan antara gula darah sebelum dan sesudah
diberi ekstrak kemangi.
Data view yang berisi 2 kolom, kolom pertama adalah data kadar glukosa
darah awal dan kolom kedua adalah glukosa darah sesudah 4 minggu
mengkonsumsi ekstrak daun kemangi.
Cara pengaplikasian
Setelah dilakukan cara uji T test berpasangan maka bisa langsung dihubungi
ke uji wilcoxon. Untuk uji Wilcoxon klik Analyze > Non Parametric Tests > 2
paired samples
Lalu masukan gula darah awal ke variable 1 dan masukan gula darah
konsumsi kemangi ke variabel 2. Centang pada kolom Wilcoxon. Lalu klik
ok.
Berdasarkan output diatas, diketahui Asymp. Sig. (2-tailed) bernilai
0,000 dan lebih kecil dari pada 0,05, maka dapat disimpulkan bahwa ada
pengaruh penggunaan daun kemangi pada gula darah. hasilnya: signifikan ≤
0,05 dan ≥ 0,05 tidak signifikan.
c. Uji Friedman
Ada perbedaan dalam hal pemeringkatan antara uji Kruskal-Wallis dan uji
Friedman. Dalam uji Kruskal-Wallis pengamatan-pengamatan dari seluruh contoh
yang telah digabungkan akan diperingkatkan relatif satu sama lain. Namun pada
uji Friedman pengamatan-pengamatan dalam setiap kelompok diperingatkan
secara terpisah, sehingga setiap kelompok akan memiliki gugus data peringkat,
dengan k adalah banyaknya perlakuan.
Statistik Uji
Statistik uji Friedman dapat ditentukan melalui prosedur berikut:
1. Urutkan pengamatan-pengamatan dalam setiap kelompok terpisah,
2. Jika terdapat ties (nilai yang sama) dalam kelompok, beri peringkat tengah (mid
rank)
3. Statistik uji Friedman dapat diperoleh melalui rumus:
Table A.14 dengan k=3 dan b=10 menunjukan peluang untuk mendapatkan
sebuah nilai W yang sama besar atau lebih besar dari 0,39 ketika H 0
BENAR ADALAH 0.018. konsekuensinya, H0 ditolak pada taraf nyata 5%
sehingga dapat disimpulkan bahwa tiga jenis segel tidak mempunyai
kemmpuan menahan korosi yang sama. Dengan menggunakan pendekatan
khi-kuadrat, nilai X2r yang ekuivalen dengan W=0,39 adalah X2r (3-1)
(0.39)= 7.80. berdasarkan Tabel A.11 X2(α=0,5, db=2) = 5.991.
Mann Whitney U Test disebut juga dengan Wilcoxon Rank Sum Test.
Merupakan pilihan uji non parametris apabila uji Independent T Test tidak
dapat dilakukan oleh karena asumsi normalitas tidak terpenuhi. Tetapi
meskipun bentuk non parametris dari uji independent t test, uji Mann Whitney
U Test tidak menguji perbedaan mean (rerata) dua kelompok seperti layaknya
uji Independen T Test, melainkan untuk menguji perbedaan median (nilai
tengah) dua kelompok.
Mann Whitney U Test adalah uji non parametris yang digunakan untuk
mengetahui perbedaan median 2 kelompok bebas apabila skala data variabel
terikatnya adalah ordinal atau interval/ratio tetapi tidak berdistribusi normal.
Berdasarkan definisi diatas, uji Mann Whitney U Test mewajibkan data
berskala ordinal, interval atau rasio. Apabila data interval atau rasio, maka
distribusinya tidak normal. Sumber data adalah 2 kelompok yang berbeda,
misal kelas A dan kelas B di mana individu atau objek yang diteliti adalah
objek yang berbeda satu sama lain.
Prinsip ANOVA
Prinsip Uji Anova adalah melakukan analisis variabilitas data menjadi dua
sumber variasi yaitu variasi di dalam kelompok (within) dan variasi antar
kelompok (between). Bila variasi within dan between sama (nilai perbandingan
kedua varian mendekati angka satu), maka berarti tidak ada perbedaan efek dari
intervensi yang dilakukan, dengan kata lain nilai mean yang dibandingkan tidak
ada perbedaan. Sebaliknya bila variasi antar kelompok lebih besar dari variasi
didalam kelompok, artinya intervensi tersebut memberikan efek yang berbeda,
dengan kata lain nilai mean yang dibandingkan menunjukkan adanya perbedaan.
Tutorial Uji ANOVA
Langkah-langkah: Analyze -> Compare Means -> One way ANOVA ->
Dependent List (pengetahuan) -> Factor (pendidikan) -> Options -> Homogeneity
of variance test -> Continue -> OK
Output kita lihat pada Lavene’s Statistics, kolom Significant, apabila p > 0,05
maka data tersebut homogen.
Uji kruskal Wallis adalah salah satu uji statistik non parametrik yang
dapat digunakan untuk menguji apakah ada perbedaan yang signifikan antara
kelompok variabel independen dengan variabel dependennya. Karena untuk
melihat perbedaan yang signifikan antar kelompok, uji ini jelas digunakan
untuk melihat perbandingan lebih dari 2 kelompok populasi dengan data
berbentuk ranking. Umumnya Uji ini juga disebut sebagai uji kruskal-wallis H,
atau H-test.
Catatan: apabila jumlah kelompok variabel hanya 2 maka, uji Kruskal Wallis
sama dengan uji Mann Whitney. Umumnya jika terdapat dua kelompok
variabel yang saling bebas maka uji yang lebih cenderung digunakan adalah uji
mann-whitney.
Tabel 1.
Tabel ini menunjukkan kelompok faktor yang dianalisis, dalam kasus ini
variabel menu scenarios terdiri atas 6 kelompok sampel yang berbeda.
Tabel 2.
Pada tabel ini, bertujuan untuk mengetahui kehomogenan varian tiap
kelompok
Ho : varian tiap kelompok sama
Ha : varian tiap kelompok berbeda
karena sig. alfa = 0,533 lebih besar (>) dari alfa = 0,05 maka kesimpulan
terima Ho.
Tabel 3.
Pada tabel ini terlihat bahwa terdapat interaksi antara scrid dan BT. Dibagian
ini kita akan mencari apakah terdapat interaksi srcid (menu scenario) dengan
buttered toast (nilai sebelum diterapkan menu scenarios). Berikut
hipotesisnya
Ho: tidak terdapat interaksi scrid dan BT
Ha: terdapat interaksi scrid dan BT
karena sig. alfa = 0,579 lebih besar dari alfa = 0,05 maka kesimpulan terima
Ho.
Tabel 4.
Pada tabel ini, yang akan dihipotesiskan yaitu:
Ho: tidak terdapat pengaruh scrid terhadap variabel dependen
Ha: terdapat pengaruh scrid terhadap variabel dependen
karena sig. alfa = 0,898 lebih besar (>) dari alfa = 0,05 maka kesimpulan
terima Ho. Jadi tidak terdapat pengaruh sama sekali.
Prosedur X2 Test (Uji Chi Square) berdasarkan tabel silang ini adalah
menabulasi (menyusun dalam bentuk tabel) suatu variabel dalam kategori dan
menguji hipotesis bahwa frekuensi yang diobservasi (data yang diamati) tidak
berbeda dari frekuensi yang diharapkan (frekuensi teoritis). Uji goodness-of-fit
dari chi-square membandingkan antara frekuensi yang diobservasi dan frekuensi
yang diharapkan (expected) pada masing-masing kategori untuk menguji bahwa
semua kategori mengandung proporsi nilai yang sama atau menguji bahwa
masing-masing kategori mengandung proporsi nilai tertentu.
Asumsi yang digunakan adalah data berasal sampel random. Frekuensi yang
diharapkan untuk masing-masing kategori harus lebih besar dari 1. Frekuensi yang
diharapkan yang bernilai kurang dari 5 tidak boleh lebih dari 20 % dari kategori.
Pada bagian ini, akan dibahas lebih lanjut aplikasi perhitungan Chi-Square
dengan menggunakan paket program statistik SPSS. Kasus yang digunakan adalah
kasus pada bahasan sebelumnya. Dalam aplikasi SPSS, untuk perhitungan Chi
Square tersebut melalui tahapan sebagai berikut:
Isikan
kotak
Row(s)
dengan
variabel
Bank
dan
kotak Column(s) dengan variabel Pendidikan. Selanjutnya klik Statistics, akan
muncul tampilan berikut:
b. Uji Pasti Fisher
Uji Fisher Exact digunakan sebagai uji alternatif Kai Kuadrat untuk
tabel silang (kontingensi) 2 x 2 dengan ketentuan:
Sampel kurang atau sama dengan 40 dan terdapat sel yang nilai harapan (E)
kurang dari 5
Uji Fisher Exact juga dapat digunakan untuk sampel kurang dari 20 dalam
kondisi apapun (baik terdapat sel yang nilai E-nya kurang dari 5 ataupun
tidak).
Asumsi dari uji ini adalah data yang akan diuji mempunyai skala
pengukuran nominal
Contoh:
Sebuah studi kasus kontrol ingin melihat ada tidaknya mahasiswa yang
rawan DO dengan depresi mahasiswa tersebut. Hasil yang seperti Tabel
berikut:
Dalam menghitung probailitas Fisher seperti tabel di atas akan mudah
dilakukan, dikarenakan salah satu sel-nya ada yang bernilai "0 (nol)".
Sehingga kita tdk perlu lagi menghitung nilai deviasi ekstrim-nya.
Kesimpulan.
Karena nilai α=0,05< P = 0,114 maka H0 diterima pada uji satu sisi
Karena nilai α=0,05< P = 2 x 0,114=0,228 maka H0 diterima pada uji
dua sisi
Pada Uji satu sisi maupun dua sisi, kita menyimpulkan tidak ada perbedaan
yang bermakna antara mahasiswa yang rawan DO maupun tidak dengan
tingkat depresi.
1. Klik Analyze
2. Klik Correlate
3. Klik Bivariate
4. Kemudian muncul Bar seperti dibawah ini
5. Pindahkan data yang akan di uji korelasinya. Untuk percobaan ini
kami akan melakukan uji korelasi Pearson. Oleh karena itu data yang
dipilih adalah data numeric normal. Sedangkan untuk data numeric
tidak normal menggunakan uji spearman, dan kendall’s tau-b untuk
data ordinal tidak normal.
6. Klik Pearson
7. Klik Two-tailed
8. Klik Flag significant
9. Klik OK
10. Lalu akan muncul hasil seperti dibawah ini
BAB III
PENUTUP
A. Kesimpulan
Berdasarkan uraian tentang analisis statistik univariat dapat
disimpulkan bahwa analisis statistik univariat adalah analisis statistik terhadap
satu variabel untuk mengetahui karakteristik data, distribusi frekuensi,
kecenderungan tengah (central tendency) dan penyebaran data (dispersion).
Analisa univariat berfungsi untuk meringkas kumpulan data hasil pengukuran
atau pengamatan yang sedemikian rupa sehingga kumpulan data tersebut
berubah menjadi informasi yang berguna. Peringkasan tersebut dapat berupa
ukuran statistik tabel dan grafik.
B. Saran
Berdasarkan pembahasan tersebut diatas maka disarankan :
a. Sebelum melangkah lebih jauh tentang uji hipotesis, maka perlu dipahami
dahulu statistk deskriptif / analisis statistik univariat.
b. Masing-masing cara memiliki tingkat ketelitian dan pemakaiannya dapat
disesuaikan dengan tujuan sebuah penelitian.
DAFTAR PUSTAKA