MAKALAH METODOLOGI PENELITIAN

ANALISIS UNIVARIAT DAN BIVARIAT

Disusun Oleh:
Kelompok 3

Ririen Dwi Ratna Ningsih I1F01801 Naafi Wijayanti I1B016074

3
Sofi Rahmawati I1F01801 Dinda Sesylia O. I1B016075
4
Endang Kusuma Wardani I1F01801 Nonah Suciati I1B016076
5
Rusyanto I1F01800 Cindy Ferista T. I1B016077
3
Yogi Dwi Cahyanto I1F01801 Nuraida Tri D S I1B016078
6
Erman I1F01801 Rizky Ayu R. I1B016079
7
 KEMENTERIAN RISET TEKNOLOGI DAN PENDIDIKAN TINGGI
UNIVERSITAS JENDERAL SOEDIRMAN
FAKULTAS ILMU-ILMU KESEHATAN
JURUSAN KEPERAWATAN
2019
BAB I
PENDAHULUAN

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:

Untuk menghitung sekelompok data sederhana, dapat digunakan rumus

tersebut secara langsung. Contoh 1: Berikut ini adalah data nilai ulangan
10 siswa kelas enam: 75, 88, 68, 82, 86, 90, 100, 94, 88, 77. Hitunglah rata-
ratanya!
Jawab:
Banyak data = 10
Jumlah data = 75+88+68+82+86+90+100+94+88+77 = 848
Mean = 848:10 = 84,8
c. Median
Median dari himpunan pengukuran x1, x2, x3, x4, ..... xn didefinisikan
sebagai nilai dari x yang jatuh ditengah-tengah jika pengukuran-pengukuran
disusun sesuai urutan besarnya. Jika jumlah pengukuran genap, kita pilih
median sebagai nilai x yang terletak di tengah antara dua pengukuran-
pengukuran tengah. Contoh: tinjaulah pengukuran-pengukran sampel sbb: 9,
2, 7, 11, 14. Jika disusun dalam urutan besarnya 2, 7, 9, 11, 14. Maka dipilih
9 sebagai median.
d. Modus
Modus (mode) dari himpunan n pengukuran-pengukuran x1, x2, x3,
x4, ..... xn didefinisikan sebagai nilai dari x yang tampil dengan frekuensi
tertinggi. Contoh: tinjaulah pengukuran-pengukran sampel sbb: 9, 2, 7, 11,
14. 7, 2, 7. Karena 7 tampil tiga kali (paling banyak), maka modus adalah 7.
e. Rentang (range)
Rentang merupakan selisisih antara pengukuran terbesar dengan pengukuran
terkecil. Contoh:
Nilai Ujian Frekuensi
75 12
80 20
85 7
90 2

Range: 90-75 = 15
f. Nilai maksimum dan minimum
Minimum: nilai terendah dari suatu data. Maksimum: nilai tertinggi dari
suatu data. Contoh:

Nilai Ujian Frekuensi

75 12
80 20
85 7
90 2

Minumum: 75; Maksimum: 90

g. Proporsi
Proporsi adalah perbandingan antara suatu kategori dengan kategori lain
yang dinyatakan dalam pembilang dan penyebut. Pembilangnya merupakan
bagian dari penyebut.
x
Proporsi ¿ ×k (1)
y
 Contoh: Laki-laki 28, perempuan 40. Berapa proporsi laki-laki di kelas?
28
Proporsi laki-laki =
68
h. Standar Deviasi
Standar deviasi adalah nilai statistik yang digunakan untuk menentukan
bagaimana sebaran data dalam sampel, dan seberapa dekat titik data individu
ke mean atau rata-rata nilai sampel. Langkah-langkah menghitung standar
deviasi:
 Menghitung nilai rata-rata.
 Menghitung penyimpanan setiap titik data dari rata-rata (mengurangkan
nilai dari nilai rata-rata).
 Dikuadratkan dan di cari penyimpanan kuadrat individu rata-rata hasilnya
disebut varians.
 Varians tersebut kemudian di akar kuadratkan sehingga menjadi standar
deviasi.

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%).

Tabel 2 Distribusi Responden Berdasarkan Pola Makan Pada Ibu Hamil

di Puskesmas X Tahun 2009
Variabel Jumlah Persentase
Pola Makan:
Tidak Baik 12 40,0
Baik 18 60,0
Jumlah 30 100
Berdasarkan tabel 2 diketahui bahwa distribusi responden berdasarkan pola
makan tidak merata, proporsi responden yang pola makannya baik lebih banyak
(60%) dibandingkan responden yang pola makannya tidak baik (40%).
b. Contoh Penyajian Data: Analisis Univariat Data Numerik
Tabel Distribusi Statistik Responden Berdasarkan Umur di Puskesmas X Tahun
2009
VARIABEL MEAN- STANDAR MIN - MAKS 95% CI
MEDIAN DEVIASI
UMUR 29,23 7,45 18 - 42 26,45 – 32,02

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

2. Macam-Macam Analisis Bivariat

a. Analisis Komparasi
Analisis Komparasi adalah membandingkan kondisi dua kelompok atau
lebih. Melihat adanya perbedaaan, pengaruh, efektivitas. Misalnya:
Perbandingan hasil belajar antara mahasiswa pria dan wanita, Perbedaan
harga sembako sebelum dan sesudah kenaikan harga BBM, Efektivitas
model pembelajaran kontekstual dalam meningkatkan pemahaman
mahasiswa.
b. Analisis Korelasi
Analisis Korelasi adalah mengidentifikasi hubungan atau pengaruh satu
variabel dengan variabel lain. Misalnya: Hubungan antara motivasi belajar
dengan prestasi belajar, Pengaruh kualitas pelayanan terhadap loyalitas
konsumen, Pengaruh modal dan penggunaan tenaga kerja terhadap
produktivitas perusahaan.
3. Pengujian Hipotesis Komparatif
Pengujian hipotesis komparatif berarti pengujian parameter populasi yang
berbentuk perbandingan melalui ukuran sampel yang juga berbentuk
perbandingan. Bila Ho dalam pengujian diterima berarti nilai perbandingan dua
sampel atau lebih tersebut dapat digeneralisasikan untuk seluruh populasi dimana
sampel-sampel diambil dengan taraf kesalahan tertentu. Desain penelitian masih
menggunakan variabel mandiri (satu variabel) seperti halnya dalam penelitian
deskriptif, tetapi variabel tersebut berada pada populasi dan sampel yang berbeda,
atau pada populasi dan sampel yang sama tetapi pada waktu yang berbeda.
Terdapat dua model komparasi, yaitu komparasi antara dua sampel dan komparasi
antara lebih dari dua sampel (k sampel).

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).

1. Uji Hipotesis Komparatif Numerik Berpasangan

a. Uji T Berpasangan
Uji t berpasangan merupakan uji beda secara parametric yang
menguji adakah perbedaan nilai rata-rata antara 2 kelompok/sampel yang
berpasangan. Contoh: peneliti ingin mengetahui adakah perbedaan kadar
glukosa darah puasa sebelum mengkonsumsi ekstrak daun kemangi dan
setelah mengkonsumsi ekstrak daun kemangi. Data berasal dari individu
yang sama namun dilakukan dua kali pengukuran (kondisi sebelum dan
sesudah konsumsi ekstrak daun kemangi).
Uji dilakukan terhadap dua kelompok atau sampel berpasangan.
Bila ada lebih dari dua sampel yang berpasangan (misal: pengukuran
sebelum dilakukan, 1 jam setelah dan 2 jam setelah konsumsi ekstrak
kemangi) juga dapat dilakukan berulang kali sesuai dengan kombinasi
yang mungkin dari 3 kondisi tersebut.
b. Syarat uji T berpasangan
1. Selisih kedua data bersitribusi normal. Bila selisih tidak berdistribusi
normal, uji beda dapat dilakukan secara non-parametrik dengan
menggunakan uji Wilcoxon.
2. Variabel terikat berskala rasio/interval.
c. Hasil uji T berpasangan
 Penelitian ini untuk mengetahui adakah perbedaan kadar glukosa
darah puasa sebelum mengkonsumsi ekstrak daun kemangi dan setelah
mengkonsumsi ekstrak daun kemangi. Data berasal dari individu yang
sama namun dilakukan dua kali pengukuran (kondisi sebelum dan
sesudah konsumsi ekstrak daun 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.

Pada variabel view, dapat dilihat ada 2 variabel yaitu awal dan
sesudah dengan skala data rasio/interval (scale lambang penggaris)

Jika skala data sudah dalam skala rasio/interval, maka selanjutnya

kita harus memeriksa apakah selisih nilai antara kadar awal dengan kadar
 sesudah 4 minggu konsumsi ekstrak daun kemangi berdistribusi normal
atau tidak. Dengan cara klik Transform lalu Compute Variable.

Lalu keluar tabel Compute Variable.

1. Pada kolom target variabel isi dengan kata selisih

2. Pada kolom numeric expression, bisa dimasukan variabel awal (gula
darah awal), kemudian memberi tanda negatif (-), kemudian klik
variabel sesudah (gula darah setelah diberi ekstrak daun kemangi. Lalu
klik ok.

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

Setelah keluar tabel eksplore,

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).

Pada output lihat tabel test of normality, karena sampel yang

berjumlah kurang dari 50, lihat shapiro-wilk. Nilai p = 0,152. Dengan alfa
5% atau 0,05, maka nilai p > 0,05 yang artinya tidak terdapat perbedaan
signifikan antara distribusi data kita dengan distribusi data teoritis. Artinya,
data selisih kita berdistribusi normal, maka kita bisa lakukan uji beda
secara parametrik dengan uji T berpasangan.
Pengaplikasian Uji T berpasangan

Dengan cara klik analyze > compare means > paired-samples T test

Setelah tabel paired-samples T test keluar. Lakukan langkah berikut

1. Pindahkan variabel awal dan variabel akhir ke dalam kotak paired

variables. Catatan tambahan: apabila ada lebih dari 2 variabel
(misalnya sebelum, 1 jam sesudah, dan 2 jam sesudah) maka kita bisa
juga analisis dengan uji T berpasangan dengan cara cek satu persatu
dengan memasukkan semua kombinasi pasangan yang mungkin, asal
selisih datanya berdistribusi normal (memenuhi syarat untuk uji T
Berpasangan). Apabila jumlah variabel terlalu banyak sehingga
merepotkan untuk melakukan uji T berulang satu persatu pada semua
kombinasi pasangan yang mungkin, bisa dilakukan uji repeated anova.
2. Klik ok.
Pada output dapat dilihat hasil perhitungan T test berpasangan

Berdasarkan hasil spss untuk menguji ke valid dalam uji paired T

test berdasarkan nilai signifikan

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.

Berdasarkan output diatas, diketahui bahwa nilai Sig. (2-tailed)

sebesar 0,00 lebih kecil dari 0,05 maka dapat disimpulkan bahwa
 penggunaan kemangi pada gula darah setelah konsumsi kemangi
menghasilkan hasil yang signifikan.

b. Uji Wilcoxon Signed Rank Tes

Wilcoxon Signed Rank Test adalah uji non-parametrik untuk mengukur

signifikansi perbedaan antara 2 kelompok data berpasangan berskala ordinal
atau interval tetapi berdistribusi tidak normal. Uji Wilcoxon Signed Rank Test
merupakan uji alternatif dari uji pairing t test atau t paired apabila tidak
memenuhi asumsi normalitas. Uji ini dikenal juga dengan istilah Wilcoxon
Match Pair Test.

Sebagai contoh uji Wilcoxon Signed Rank Test yaitu mengukur

signifikansi perbedaan nilai ujian siswa sebelum dan sesudah pelajaran. Dari ini
kita bisa mengetahui bahwa terdapat 2 variabel, antara lain: 1 variabel bebas
yaitu pelajaran dengan 2 kelompok (sebelum pelajaran dan sesudah pelajaran),
1 variabel terikat yaitu nilai ujian. Perhatikan bahwa kelompok sebelum dan
sesudah adalah kelompok yang berpasangan, sebab sampel atau subjeknya
adalah individu atau observasi yang sama. Masing-masing sampel yaitu
masing-masing siswa memiliki 2 atribut yaitu nilai ujian sebelum pelajaran dan
nilai ujian sesudah pelajaran. Untuk lebih jelasnya perhatikan
ilustrasi dalam gambar bawah ini!
 Perlu dibedakan uji ini dari uji yang lain tapi mirip namanya, yaitu
uji Wilcoxon Rank Sum Test. Uji Wilcoxon Rank Sum Test merupakan uji
beda non-parametris 2 kelompok data yang tidak berpasangan atau disebut data
bebas/independen.

Asumsi Wilcoxon Signed Rank Test

1. Variabel dependen berskala data ordinal atau interval/rasio tetapi berdistribusi

tidak normal. Oleh karenanya anda perlu melakukan uji normalitas terlebih
dahulu pada selisih antara kedua kelompok. Selisih yang dimaksud adalah
misal: nilai pretest atau sebelum pelajaran dikurangi nilai posttest atau setelah
pelajaran. Apabila memenuhi asumsi normalitas maka sebaiknya
menggunakan uji parametris yang sesuai yaitu uji paired t test. Dan apabila
tidak memenuhi maka uji Wilcoxon Signed Rank Test dapat digunakan
sebagai alternatif.
2. Variabel independen terdiri dari 2 kategori yang bersifat berpasangan. Seperti
yang sudah dijelaskan di atas, berpasangan artinya subjek sebagai sumber data
adalah 1 individu atau observasi yang sama. Apabila subjeknya beda, misal
nilai ujian kelas A dan kelas B, maka uji yang tepat apabila memenuhi asumsi
 normalitas adalah uji Independen T Test. Dan apabila tidak memenuhi asumsi
normalitas, maka uji yang tepat adalah Mann Whitney U Test atau yang
disebut juga Wilcoxon Rank Sum Test.
3. Bentuk dan sebaran data antara kedua kelompok yang berpasangan adalah
simetris. Jika tidak memenuhi asumsi ini maka gunakanlah alternatif uji yang
lain, yaitu uji Sign Test.

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

Uji Friedman merupakan metode non parametric yang digunakan untuk

rancangan acak kelompok lengkap. Tujuan uji Friedman adalah untuk melihat ada
atau tidaknya perbedaan pengaruh antara perlakuan. Ketika pengaruh perlakuan-
perlakuan memiliki pengaruh yang berbeda, respon dari subjek yang diberi
perlakuan lainnya, setelah pengaruh mengelompokkan peubah dihilangkan.
Sehingga, uji ini analog dengan prosedur parametric analisis ragam dua arah.
Rancangan data untuk uji Feriedman ditampilkan dalam tabel dibawah, dimana
baris mewakili kolom untuk perlakuan. Istilah perlakuan memiliki makna luas,
misalnya status sosial ekonomi atau latar belakang pendidikan.

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.

Asumsi uji Friedman

a. Data terdiri dari b kelompok saling bebas dengan ukuran k perlakuan
b. Ubah yang bersifat diamati bersifat kontinu
c. Tidak ada interaksi antara kelompok dan perlakuan
d. Pengamat dalam setiap kelompok dapat diperingatkan bersarnya
Hipotesis

H0 : M1 = M2 = …Mk atau yang diperlukan memiliki median yang sama

H1 : Ada minimal satu MI ≠ Mj dimana i ≠ j san I, j = 1, 2, …, k

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.

Karena X2r > X2(α=0,5, db=2), H0 ditolak

2. Uji Hipotesis Komparatif Numerik Tidak Berpasangan

a. Uji T tidak berpasangan (Statistik Parametrik)

Uji t sampel tidak berpasangan digunakan pada saat analisis dilakukan

terhadap 2 sampel dengan subjek yang berbeda dan mengalami perlakuan yang
berbeda, gunanya untuk mengetahui apakah ada perbedaan secara signifikan
kelompok A dengan kelompok B.

Langkah-langkah uji t sampel tidak berpasangan setelah data sudah

terkumpul dan ingin diolah menggunakan SPSS sebagai berikut:

1. Data sudah terkumpul.

2. Uji asumsi harus terpenuhi yaitu data harus berdistribusi normal
(wajib).
3. Bila uji asumsi sudah terpenuhi maka gunakanlah uji t tidak
berpasangan. Dengan syarat dimana nilai sig > 0.05 (pada ouput spss
bisa dilihat dalam tabel Shapiro-Wilk bila banyak anggota sampel <=
50, bila anggota sampel >= 50 lihat disisi Kolmogorov-Smirnov)
4. Bila uji asumsi tidak terpenuhi yaitu dimana nilai sig < 0.05 untuk
sampel <= 50 (pada ouput spss bisa dilihat dalam tabel Shapiro-Wilk)
dan bila anggota sampel >= 50 lihat disisi Kolmogorov-Smirnov, maka
coba tranformasi dulu datanya.
5. Bila data sudah ditranformasi coba lagi uji normalitasnya seperi pada
langkah 2.
6. Bila hasil tranformasi juga tidak berdistribusi normal yaitu dimana nilai
sig masih < 0.05 (pada ouput spss bisa dilihat dalam tabel Shapiro-Wilk
dan Kolmogorov-Smirnov) maka pakailah uji non-parametrik
Kolmogorov-Smirnov khusus untuk sampel yang berpasangan.
b. Uji Mann-Whitney

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.

Tetapi beberapa ahli tetap menyatakan bahwasanya uji Mann Whitney U

Test tidak hanya menguji perbedaan median, melainkan juga menguji mean.
Mengapa seperti itu? karena dalam berbagai kasus, median kedua kelompok
bisa saja sama, tetapi nilai p value hasilnya kecil yaitu < 0,05 yang berarti ada
perbedaan. Penyebabnya adalah karena mean kedua kelompok tersebut berbeda
secara nyata. Maka dapat disimpulkan bahwa uji ini bukan hanya menguji
perbedaan median, melainkan juga perbedaan mean.

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.

Tujuan Uji Mann Whitney

Berdasarkan pemahaman pendapat-pendapat di atas, maka kesimpulannya
adalah:
Seseorang akan melakukan uji Mann Whitney U Test apabila menemui kasus:
Diketahui dengan jelas bahwa terdapat perbedaan median, bentuk dan sebaran
data sama, tetapi tidak diketahui secara pasti apakah perbedaan median tersebut
bermakna atau tidak. Untuk lebih jelasnya silahkan lihat gambar di bawah ini:

Histogram Mann Whitney U

Mann Whitney U Test

Perhatikan dua histogram di atas, di mana bentuk lebar dan ketinggian

keduanya sama, yang berarti bentuk dan sebaran data kedua kelompok sama,
tetapi median keduanya berbeda. Lihat bahwa histogram yang di atas lebih ke
kanan dari pada yang di bawah, yaitu dengan median 18 sedangkan yang di
bawah dengan median 15. Maksud dari peneliti melakukan uji Mann Whitney
U Test adalah menguji apakah perbedaan median tersebut bermakna atau tidak.
Bagaimana jika bentuk dan sebaran dari histogram tidak sama? Apakah masih
bisa dilakukan uji ini? Jawabannya adalah “Ya”, tetapi peneliti tidak lagi
menguji perbedaan median dan mean, melainkan menguji perbedaan mean saja.
Sensitivitas Mann Whitney U Test
Maka dapat diartikan bahwa uji Mann Whitney U Test (MWU) sangat
sensitif terhadap perubahan median. Sebagai pilihan lain adalah Uji
Kolmogorov Smirnov Z (KS-Z) untuk uji dua sampel bebas. Uji KS-Z ini
berbeda dengan MWU, di mana KS-Z bukan hanya menguji perbedaan median
dan mean, melainkan juga perbedaan Variances. Maka oleh karena itu, jika
asumsi homogenitas dalam uji MWU tidak terpenuhi, maka KS-Z dapat
menjadi alternatif. kelebihan dari uji KS-Z adalah tidak begitu sensitif pada
Median, melainkan sensitif pada Mean dan Variance.
Mengapa MWU dan KS-Z berbeda? Jawabannya adalah karena keduanya
bekerja dengan cara yang berbeda. MWU menguji perbedaan rerata peringkat
sehingga menghasilkan nilai U yang kemudian dapat dikonversi menjadi nilai
Z. Sedangkan uji KS-Z menguji perbedaan pada distribusi kumulatif. Oleh
karena itu, sebelum anda memilih uji mana yang tepat, sebaiknya anda pahami
lebih dalam kedua uji ini dan sesuaikan dengan hipotesis penelitian anda.
Karena uji ini merupakan bentuk non parametris dari uji independen t test,
maka varians kedua kelompok haruslah sama.
Asumsi Mann Whitney
Berdasarkan uraian di atas, maka dapat disimpulkan Asumsi yang harus
terpenuhi dalam Mann Whitney U Test, yaitu:
a. Skala data variabel terikat adalah ordinal, interval atau rasio. Apabila skala
interval atau rasio, asumsi normalitas tidak terpenuhi. (Normalitas dapat
diketahui setelah uji normalitas).
b. Data berasal dari 2 kelompok. (Apabila data berasal dari 3 kelompok atau
lebih, maka sebaiknya gunakan uji Kruskall Wallis).
c. Variabel independen satu dengan yang lainnya, artinya data berasal dari
kelompok yang berbeda atau tidak berpasangan.
d. Varians kedua kelompok sama atau homogen. (Karena distribusi tidak
normal, maka uji homogenitas yang tepat dilakukan adalah uji Levene’s
Test. Di mana uji Fisher F diperuntukkan bila asumsi normalitas
terpenuhi).
e. Asumsi point 1,2 dan 3 tidak memerlukan uji tersendiri. Sedangkan point 4
jelas perlu sebuah uji yang dapat menentukan apakah kedua kelompok
memiliki varians yang sama atau tidak, yaitu disebut dengan uji
homogenitas.
c. One-Way ANOVA

Anova merupakan singkatan dari “analysis of varian”. Analysis of Varian

adalah salah satu uji komparatif yang digunakan untuk menguji perbedaan
mean (rata-rata) data lebih dari dua kelompok. Misalnya kita ingin mengetahui
apakah ada perbedaan rata-rata IQ antara siswa kelas SMP kelas I, II, dan III.
Ada dua jenis Anova, yaitu analisis varian satu faktor (one way anova) dan
analisis varian dua faktor (two ways anova). Pada artikel ini hanya akan dibahas
analisis varian satu faktor.

Asumsi Uji ANOVA

a. Sampel berasal dari kelompok yang independen.

b. Varian antar kelompok harus homogen.
c. Data masing-masing kelompok berdistribusi normal (pelajari juga tentang uji
normalitas).
d. Asumsi yang pertama harus dipenuhi pada saat pengambilan sampel yang
dilakukan secara random terhadap beberapa (>2) kelompok yang
independen, yang mana nilai pada satu kelompok tidak tergantung pada nilai
di kelompok lain.
e. Pemenuhan terhadap asumsi kedua dan ketiga dapat dicek jika data telah
dimasukkan ke komputer. Jika asumsi ini tidak terpenuhi dapat dilakukan
transformasi data.
f. Apabila proses transformasi tidak juga dapat memenuhi asumsi ini maka uji
Anova tidak valid untuk dilakukan, sehingga harus menggunakan uji non-
parametrik misalnya Kruskal Wallis.

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.

Interprestasi Uji ANOVA: Post Hoc

a. Jika hasil uji menunjukan Ho gagal ditolak (tidak ada perbedaan), maka uji
lanjut (Post Hoc Test) tidak dilakukan.
b. Jika hasil uji menunjukan Ho ditolak (ada perbedaan), maka uji lanjut (Post
Hoc Test) harus dilakukan.
c. Karena hasil uji Anova menunjukan adanya perbedaan yang bermakna, maka
uji selanjutnya adalah melihat kelompok mana saja yang berbeda.
d. Untuk menentukan uji lanjut mana yang digunakan, maka kembali kita lihat
tabel Test of Homogeneity of Variances, bila hasil tes menunjukan varian
sama, maka uji lanjut yang digunakan adalah uji Bonferroni. Namun bilai
hasil tes menunjukan varian tidak sama, maka uji lanjut yang digunakan
adalah uji Games-Howell.
e. Dari Test of Homogeneity menghasilkan bahwa varian ketiga kelompok
tersebut sama, maka uji lanjut (Post Hoc Test) yang digunakan adalah Uji
Bonferroni.

d. Uji Kruskal Wallis

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.

Uji kruskal Wallis merupakan perluasan uji 2 sampel wilcoxon untuk k >

2 sampel, umumnya digunakan untuk menguji hipotesis nol (H₀) bahwa sampel
bebas sebesar k tersebut berasal dari populasi yang identik. Uji kruskal wallis
merupakan uji alternatif untuk uji F dan uji one way Anova untuk pengujian
kesamaan beberapa nilai Tengah dan analisis ragam yang dapat kita gunakan
jika asumsi kenormalan tidak terpenuhi.
 Kegunaan Uji Kruskal Wallis

1. Uji Kruskal-Wallis biasa digunakan sebagai alternatif untuk uji one

way Anova, dimana asumsi kenormalan tidak terpenuhi.
2. Digunakan untuk membuat perbandingan antara dua atau lebih
variabel kuantitatif berbentuk ranking dimana sampelnya merupakan
sampel independen, dan asumsi kenormalan tidak terpenuhi.
3. Merupakan uji pengembangan dari Mann Whitney Test, dimana
variabel yang digunakan pada uji ini berjumlah lebih dari pada dua
variabel.

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.

Diingatkan kembali bahwa uji non parametrik digunakan untuk melakukan

uji statistik terhadap kelompok data yang tidak memenuhi kriteria untuk
dilakukan uji parametrik. Sehingga tidak perlu dilakukan pengujian normalitas
seperti syarat wajib untuk uji parametrik.

Contoh Populasi Untuk Uji Kruskal Wallis

Uji ini digunakan untuk beberapa kelompok populasi. Sebagai contoh
seorang peneliti ingin melakukan penelitian dengan melakukan perbandingan
antara lima kelompok ayam dengan mengamati massa berat daging ayam
potong yang diberikan pakan berbeda selama 60 hari.
1. Ayam potong dengan pakan pelet pabrikan
2. Ayam potong dengan pakan jagung
3. Ayam potong dengan pakan campuran dedak dan ampas tahu
4. Ayam potong dengan pakan pelet buatan sendiri
5. Ayam potong dengan pakan nasi sisa
Untuk kasus populasi seperti di atas dan tujuan penelitian yang sama,
biasanya digunakan uji one way Anova. Namun apabila setelah dilakukan
pengujian ternyata berat badan ayam Dari keempat kelompok populasi ayam
tersebut tidak berdistribusi normal maka peneliti tidak dapat melakukan
pengujian dengan One Way Anova. Uji kruskal Wallis dapat digunakan sebagai
alternatif one way Anova untuk kasus di mana masing-masing populasi tidak
berdistribusi normal atau asumsi kenormalan tidak terpenuhi.

Hipotesis Uji Kruskal Wallis

Hipotesis yang digunakan untuk uji kruskal Wallis adalah ada tidaknya
perbedaan dari beberapa kelompok populasi yang diamati. Katakanlah satu
variabel mewakili satu populasi sehingga terdapat beberapa populasi yang
diamati. Maka Pengujian hipotesis nya terhadap populasi ke-k. Contoh
hipotesis uji kruskal Wallis:

H₀ = median dari k populasi adalah sama

H₁ = median dari k populasi tidak sama

 Contoh lain,

H₀ = semua populasi berasal dari tempat asal yang sama

H₁ = semua populasi berasal dari tempat asal yang tidak sama

Jumlah komparatif numeric tidak berpasangan lebih dari dua kelompok

satu kali pengukuran
1. Analisis
 bila sebaran normal dan varian sama, gunakan uji one way anova
dengan post hoc bonferroni
 bila sebaran normal dan varian berbeda, gunakan uji one way anova
dengan post hoc Tamhanes
 bila sebaran tidak normal, lakukan transformasi. Analisis yang
dilakukan bergantung pada sebaran dan varian hasil transformasi
 bila sebaran tidak normal, gunakan uji kruskal-walls dengan post hoc
mann-whitney

e. Uji General Linear Model

Analisis regresi seringkali digunakan untuk mengetahui bentuk hubungan

antara variabel respon dengan satu atau lebih variabel prediktor. Analisis
regresi yang umumnya digunakan adalah analisis regresi klasik, dimana
variabel responnya merupakan data kontinu yang mengikuti distribusi normal.
Namun dalam perkembangannya model regresi klasik ini tidak mampu
mengatasi permasalahan-permasalahan dimana variabel respon berupa data
diskrit dan tidak berdistribusi normal. Solusi untuk mengatasi masalah tersebut
adalah dengan menggunakan model linier tergeneralisir atau biasa disebut
Generalized Linear Model (GLM). Uji asumsi yang diterapkan pada GLM tidak
mengharuskan asumsi kenormalan dari variabel respon dan juga tidak
mengharuskan kehomogenan dari variansinya (de Jong dan Heller, 2008).
 Seluruh model dalam Generalized Linear Models (GLM) memiliki tiga
komponen yaitu:

1. Komponen Acak: Diidentifikasi oleh variabel respon (Y) dan diasumsikan

memiliki distribusi.
2. Komponen sistematik: Meliputi variabel-variabel penjelas dari model.
3. Fungsi penghubung (link function): yaitu suatu fungsi yang
menghubungkan ekspektasi respon (Y) dengan variabel-variabel penjelas
melalui persamaan linier. g(μ) = β0 + β1X1 + … + βkXk Fungsi
penghubung akan menentukan model yang akan digunakan dalam GLM.
Fungsi penghubung paling sederhana adalah g(μ) = μ disebut sebagai
penghubung identitas (identity link) merupakan model regresi linier
dengan respon kontinu. Fungsi penghubung yang lain akan
menghubungkan μ secara nonlinier terhadap prediktor.

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.

3. UJI HIPOTESIS KOMPARATIF KATEGORIK TIDAK BERPASANGAN

(TABEL B x K)

a. Uji Chi Square

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.

Aplikasi Perhitungan dan SPSS

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:

1. Berikan kode numerik untuk variabel Pendidikan yaitu 1 = pendidikan SLTA

ke bawah dan 2 = pendidikan perguruan tinggi. Untuk bank, beri kode 1 = bank
pemerintah dan 2 = bank swasta.
2. Persiapkan worksheet dengan cara seperti contoh-contoh sebelumnya.

Pada baris pertama, isikan kolom Name dengan Pendidikan, Measure =

Ordinal, dan kolom Values dengan 1 = SLTA, 2 = PT. (Cara menginput Values,
lihat pembahasan sebelumnya) Pada baris kedua isikan, kolom Name dengan
 Bank, Measure = Nominal dan kolom Values dengan 1 = Pemerintah, 2 =
Swasta. Kolom lainnya diabaikan (mengikuti default dari program).
3. Kembali ke muda data dengan mengklik Data View. Selanjutnya input data
pendidikan dan pilihan bank.
4. Setelah menginput data, untuk menghitung Chi Square, klik Analyze >
Descriptive Statistics > Crosstabs. Akan muncul tampilan 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.

kasus 1. jika salah satu sel 0

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.

4. Pengujian Hipotesis Korelasi

Korelasi adalah istilah statistic yang menyatakan derajat hubungan linear

antara dua variable atau lebih, yang ditemukan oleh Karl Pearson pada awal 1900
oleh itu terkenal dengan sebutan korelasi Pearson Product Moment (PPM).
Korelasi adalah salah satu teknik analisis statistic yang paling banyak digunakan
oleh para peneliti karena peneliti pada umumnya tertarik terhadap peristiwa-
peristiwa yang terjadi dan mencoba untuk menghubungkannya. Misalnya kita
ingin menghubungkan antara tinggi badan dan berat badan, antara umur dan
tekanan darahnya, antara motivasi dan prestasi belajar atau bekerja dan seterusnya.
Hubungan antara dua variable didalam teknik korelasi bukanlah dalam arti
hubungan sebab akibat melainkan hanya hubungan searah saja.
A. Macam Uji Korelasi
Uji korelasi terdiri dari uji korelasi Pearson (product moment), Rank
Spearman, dan Kendall.
a. Korelasi Pearson
Korelasi Pearson merupakan salah satu ukuran korelasi yang
digunakan untuk mengukur kekuatan dan arah hubungan linier dari dua
variabel. Dua variabel dikatakan berkorelasi apabila perubahan salah satu
variabel disertai dengan perubahan variabel lainnya, baik dalam arah yang
sama atau pun arah yang sebaliknya. Harus diingat bahwa nilai koefisien
korelasi yang kecil (tidak signifikan) bukan berarti kedua variabel
tersebut tidak saling berhubungan. Mungkin saja dua variabel mempunyai
keeratan hubungan yang kuat namun nilai koefisien korelasinya
mendekati nol, misalnya pada kasus hubungan non linier. Koefisien
korelasi hanya mengukur kekuatan hubungan linier dan tidak pada
hubungan non linier (Usman,2006). Harus diingat pula bahwa adanya
hubungan linier yang kuat di antara variabel tidak selalu berarti ada
hubungan kausalitas, sebab-akibat.
Manfaat Korelasi Pearson Product Moment:
1. Untuk menyatakan ada atau tidaknya hubungan antara variabel X
dengan variabel Y. 
2. Untuk menyatakan besarnya sumbangan variabel satu terhadap yang
lainnya yang dinyatakan dalam persen. 
Menurut bukunya (Hidayat,2011) metode PPM termasuk teknik
statistik parametrik yang menggunakan data interval dan ratio
(kuantitatif) dengan persyaratan tertentu antara lain:
1. Data dipilih secara random
2. Data berdistribusi normal
3. Data yang dihubungkan berpola linear
4. Data yang dihubungkan mempunyai pasangan yang sama sesuai
dengan subjek yang sama
b. Korelasi Rank Spearman
Korelasi Spearman merupakan alat uji statistik yang digunakan
untuk menguji hipotesis asosiatif dua variabel bila datanya berskala
ordinal (ranking) atau variabel dengan data interval yang tidak
berdistribusi normal (fungsinya sperti uji korelasi product moment). Nilai
korelasi ini disimbolkan dengan rho. Karena digunakan pada data
berskala ordinal, untuk itu sebelum dilakukan pengelolahan data, data
kuantitatif yang akan dianalisis perlu disusun dalam bentuk ranking.
(Sukawana, 2008).
c. Korelasi Kendall
Koefisien korelasi Kendall merupakan pengembangan dari
koefisien korelasi rank Spearman. Uji kendall termasuk dalam uji statistik
non parametrik. Kelebihan dari uji statistik non parametrik yaitu
perhitungan sederhana dan cepat, data dapat berupa data kualitatif
(nominal atau ordinal), distribusi data tidak harus normal. Kelemahan uji
non parametrik yaitu tidak memanfaatkan semua informasi dari sampel
(tidak efisien), kelemahan dapat diperbaiki dengan menambah ukuran
sampel. Uji kendall ini digunakan untuk mengetahui (hasil penilaian dari
sekelompok penilai terhadap sekelompok objek) dapat digunakan untuk
menilai kesepakatan (diukur dengan koefisien W) antar penilai.
Syarat dalam penggunaan uji statistik kendall W ini data
berdistribusi tidak normal dan skala data yang digunakan ordinal. Ukuran
skala ordinal dapat menunjukkan persamaan dan perbedaan juga bisa
menunjukkan adanya urutan, ranking dan tingkatan. (Siegel,1985)
Korelasi Rank Spearman dan Kendall's Tau digunakan untuk mengetahui
ada tidaknya hubungan dua variabel, yaitu variabel bebas dan variabel
tergantung yang berskala ordinal. Skala ordinal mempunyai tingkatan
yang lebih tinggi dibandingkan dengan skala nominal. Skala ordinal
misalnya; preferensi sikap: senang, cukup senang, tidak senang, tingkat
pengetahuan: tinggi, sedang, kurang. Korelasi Rank Spearman dan
Kendall's Tau termasuk dalam uji nonparametrik.
d. Pengapliasian Uji Korelasi Pada SPSS
a. Uji Pearson, Kendall’s tau-b, Spearman

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

Arikunto, Suharsimi. (2002). Prosedur Penelitian, Suatu Pendekatan Praktek. Edisi

Revisi 5. Jakarta : Rineka Cipta
Notoadmojo, Soekidjo. (2012). Metodologi Penelitian Kesehatan. Edisi Revisi.
Jakarta : Rineka Cipta
Saryono. (2011). Metodologi Penelitian Keperawatan. Purwokerto : UPT. Percetakan
dan Penerbitan UNSOED.
Saryono, Anggraeni, Mekar Dwi. (2017). Metodologi Penelitian Kualitatif Dan
Kuantitatif Dalam Bidang Kesehatan. Yogyakarta : Nuha Medika
Sarwono, Jonathan. 2006. Metode Penelitian Kuantitatif dan Kualitatif. Yogyakarta :
Graha

Sugiyono. (2015). Statistika Untuk Penelitian. Bandung : Alfabeta

Sugiyono. 2010. Metode Penelitian Kombinasi. Bandung: Alfabeta

Wahyulis, Tri. 2010. Analisis Data. Malang: Tidak diterbitkan