1

PENGGUNAAN STATISTIK UNTUK ANALISIS DATA PENELITIAN

Deskriptif: - central tendency (mean, median, modus)

Gambaran tentang sebuah variabel di suatu kelompok, - frekuensi/persentase,
tanpa ada tujuan generalisasi. - kategori (misal: tinggi, sedang, rendah),
(tidak perlu uji hipotesis) - grafik,
Misal: bagaimana gambaran kesejahteraan psikologis - variabilitas (varians, SD, dll), dsb
pada mahasiswa baru prodi Psikologi?
1. Hipotesis deskriptif:
Dugaan tentang nilai suatu variabel.
Statistik
2. Hipotesis asosiatif:
Inferensial: Dugaan tentang hubungan (korelasional)
Hipotesis
Data sampel untuk menyimpulkan antara 2 atau lebih variabel.
statistik
populasi (generalisasi).
(perlu uji hipotesis).
3. Hipotesis komparatif:
dugaan yang menyatakan perbedaan 1 variabel
pada 2 atau lebih kelompok.

4. Hipotesis kausal:
dugaan yang menyatakan pengaruh 1 atau lebih
IV terhadap 1 DV.
Dalam pengujian hipotesis, yang diuji adalah hipotesis nol (null hypothesis; H0), meskipun yang kita susun adalah hipotesis alternatif (Ha).
Penentuan teknik analisis statistik untuk pengujian hipotesis ditentukan oleh skala/jenis data (nominal, ordinal, atau interval/rasio). Untuk jenis
data nominal atau ordinal, menggunakan statistik non-parametrik. Untuk data interval/rasio dapat menggunakan statistik parametrik apabila
memenuhi asumsi normalitas; bila asumsi normalitas tidak terpenuhi, maka harus menggunakan statistik non-parametrik dengan menurunkan/
mengubah jenis datanya (menjadi ordinal atau nominal). Hipotesis juga harus ditentukan apakah bersifat berarah (directional hypothesis; one-tail
hypothesis) atau tidak berarah (non-directional hypothesis; two-tail hypothesis). Hipotesis berarah maksudnya hipotesis secara spesifik
menyatakan “lebih tinggi”, “lebih rendah”, “positif”, “negatif”, dsb; sedangkan hipotesis tidak berarah menyatakan “ada hubungan”, “ada
pengaruh”, “ada perbedaan”, dsb. Ada atau tidaknya arah hipotesis ini akan menentukan keputusan untuk menerima atau menolak H0.

Aries Yulianto – April 2019, revisi 3

 2

Jenis data Contoh Hipotesis Analisis Statistik

- Hipotesis two-tail:
Ha: mean IQ mahasiswa baru berbeda secara signifikan
interval/rasio* dengan 90. (μ ≠ 90) One-sample
- Hipotesis one-tail: t-test
Ha: mean IQ mahasiswa baru lebih tinggi secara signifikan dari
90. (μ > 90)

1. Hipotesis Ordinal Ha: urutan pilihan dalam memilih cuti melahirkan bersifat Run-test
deskriptif random.

- Hipotesis two-tail:
Ha: jumlah mahasiswa berbeda secara signifikan dengan jumlah
mahasiswi di prodi psikologi.
Nominal One-sample
- Hipotesis one-tail:
Ha: jumlah mahasiswa lebih sedikit secara signifikan chi-square
dibandingkan dengan jumlah mahasiswi di prodi psikologi.

* perlu uji normalitas

Aries Yulianto – April 2019, revisi 3

 3

Jenis data Contoh Hipotesis Analisis Statistik

- Hipotesis two-tail:
Ha: ada hubungan yang signifikan antara konsep diri dan
prestasi akademik pada mahasiswa prodi Psikologi. Korelasi
interval/rasio* - Hipotesis one-tail: Pearson
Ha: ada hubungan positif yang signifikan antara konsep
diri dan prestasi akademik pada mahasiswa prodi
Psikologi.
2. Hipotesis
Asosiatifa - Hipotesis two-tail:
Ha: ada hubungan yang signifikan antara ranking di
Korelasi
Ordinal raport dan inteligensi pada mahasiswa prodi Psikologi.
Spearman
- Hipotesis one-tail:
Ha: ada hubungan positif yang signifikan antara ranking
di raport dan prestasi akademik pada mahasiswa prodi
Psikologi.

- Hipotesis two-tail:
Ha: ada hubungan yang signifikan antara kelulusan kuliah
statistik dan jenis kelamin pada mahasiswa prodi Psikologi.
Nominal - Hipotesis one-tail: chi-square
Ha: ada hubungan negatif yang signifikan antara kelulusan (ꭓ2)
kuliah statistik dan jenis kelamin pada mahasiswa prodi
Psikologi.
* perlu uji normalitas
a
Apabila kedua variabel memiliki jenis data yang berbeda, maka gunakan jenis data yang paling rendah (ubah data). Misal, hubungan jenis data
interval dan jenis data ordinal, maka gunakan korelasi Spearman (ubah data interval menjadi data ordinal). Pengecualian untuk data interval dan
data nominal dikotomi, misal hubungan inteligensi dan jenis kelamin; maka gunakan korelasi point biserial (variasi dari korelasi Pearson, untuk
data berisi 0 dan 1).
Hipotesis asosiatif hanya menunjukkan adanya hubungan korelasional tanpa menunjukkan kausalitas/sebab-akibat/pengaruh.

Aries Yulianto – April 2019, revisi 3

 4

Membandingkan koefisien korelasi dari dua kelompok berbeda.

Contoh: hubungan penerimaan teman sebaya dan prestasi pada remaja laki-laki dan remaja perempuan.

Pada penelitian di atas akan diperoleh 2 koefisien korelasi dari 2 kelompok berbeda, yaitu korelasi di remaja laki-laki dan korelasi di remaja
perempuan. Langkah berikutnya, tentukan signifikansi pada masing-masing korelasi. Bila hanya salah satu korelasi yang signifikan (misal, hubungan
penerimaan teman sebaya dan prestasi pada remaja laki-laki), maka dengan mudah kita dapat katakan hubungan penerimaan teman sebaya dan
konsep diri hanya terjadi pada remaja laki-laki, dan tidak terjadi hubungan kedua variabel pada remaja perempuan. Namun, apabila kedua korelasi
signifikan, yang harus dilakukan selanjutnya adalah menentukan apakah perbedaan kedua korelasi tersebut signifikan, sehingga kita dapat katakan
hubungan kedua variabel pada remaja laki-laki lebih besar (atau lebih kecil) dibandingkan pada remaja perempuan. Apabila tidak ditemukan
perbedaan nilai korelasi yang signifikan, maka dapat dikatakan bahwa kedua korelasi sama besar.

Langkah yang dilakukan menurut Field (2009) hlm. 191:

1. Agar dapat dibandingkan, ubah masing-masing r menjadi zr dengan formula:

Formula di atas dapat dihitung dengan bantuan Ms. Excel dengan function “=fisher(r)”, dimana r adalah nilai korelasi yang akan diubah
menjadi zr.

2. hitung perbedaan z antara kedua r (zdiff), dengan formula:

Dimana: zr1 = nilai z dari korelasi di kelompok 1; zr2 = nilai z dari korelasi di kelompok 2;
N1 = jumlah anggota kelompok 1; N2 = jumlah anggota kelompok 2.
3. untuk taraf signifikansi 5%, maka dapat dikatakan signifikan bila zdiff > 1,96. Abaikan apabila diperoleh nilai negatif, karena negatif hanya
menunjukkan bahwa nilai korelasi kedua (r2) lebih besar dari korelasi pertama (r1).

Contoh:

Diketahui korelasi pada 52 remaja laki-laki, rlaki-laki = -0,506; sedangkan korelasi pada 51 remaja perempuan, rperempuan = -0,381; kedua korelasi ini
signifikan pada taraf 5% (p < 0,05). Oleh karena itu perlu diketahui manakah hubungan yang lebih besar, meskipun dari angka korelasinya diketahui
hubungan pada remaja laki-laki lebih besar. Dengan kata lain, ingin diketahui apakah ditemukan perbedaan nilai korelasi yang signifikan diantara
kedua kelompok.

Aries Yulianto – April 2019, revisi 3

 5

1. ubah masing-masing r menjadi zr.

rlaki-laki = -0,506  zr = -0,557
rperempuan = -0,381  zr = -0,401

2. Diperoleh nilai zdiff sebesar = -0,768.

−0,557 − (−0,401)
= = −0,768
1 1
+
52 − 3 51 − 3
3. Dengan zdiff sebesar = 0,768 (abaikan nilai negatif) maka dapat dikatakan tidak ada perbedaan yang signifikan pada taraf signifikansi 5% (zdiff <
1,96). Artinya korelasi yang terjadi pada remaja laki-laki sama seperti korelasi pada remaja perempuan.

Untuk melakukan perhitungan ini, dapat mengundah aplikasi Ms. Excel:

https://www.surrey.ac.uk/psychology/current/statistics/ChrisCalcv1_4.xls
pada tab: correlation(1)

Aries Yulianto – April 2019, revisi 3

 6

Jenis data Contoh Hipotesis Analisis Statistik

- Hipotesis two-tail:
Ha: ada perbedaan mean IQ yang signifikan antara
mahasiswa dengan mahasiswi. (μ1 ≠ μ2)
Ha: ada perbedaan mean skor agresitivas antara subjek Independent
interval/rasio*
yang ditayangkan film agresif dengan subjek yang samples t-
ditayangkan film komedi. (μ1 ≠ μ2) testc
- Hipotesis one-tail:
A. 2 kelompok Ha: mean IQ mahasiswa lebih tinggi secara signifikan
diperbandingkan dibandingkan mahasiswi. (μ1 > μ2)
Ha: mean skor agresivitas pada subjek yang ditayangkan
film agresivitas lebih tinggi secara signifikan
dibandingkan subjek yang ditayangkan film komedi.
3. Hipotesis (μ > μ )
komparatif - Hipotesis:
Mann-Whitney
Ordinal Ha: ada perbedaan ranking di raport yang signifikan
U test
antara siswa dan siswi.

- Hipotesis two-tail:
Ha: ada perbedaan keputusan melanjutkan studi S2 yang
signifikan antara mahasiswa dengan mahasiswi lulusan
Independent
Nominal prodi psikologi.
sample chi-
- Hipotesis one-tail:
square (ꭓ2)
Ha: mahasiswa lebih banyak secara signifikan dalam
memutuskan untuk melanjutkan studi S2 dibandingkan
mahasiswi lulusan prodi psikologi.
* perlu uji normalitas
c
perlu uji homogeneity/equality of variances
Hipotesis komparatif digunakan untuk:
1. membandingkan 2 atau lebih kelompok subjek dalam satu variabel tertentu.

Aries Yulianto – April 2019, revisi 3

 7

2. membandingkan satu variabel tertentu dari 2 waktu berbeda pada sebuah kelompok subjek.
Pertimbangan jenis data berdasarkan variabel yang dibandingkan. Hipotesis komparatif digunakan pada penelitian komparatif (membandingkan
kelompok subjek sudah terkategorisasi) maupun penelitian eksperimen (membandingkan beberapa perlakuan). Untuk analisis statistik yang
digunakan juga ditentukan oleh banyaknya yang diperbandingkan (2 atau lebih dari 2).

Aries Yulianto – April 2019, revisi 3

 8

Jenis data Contoh Hipotesis Analisis Statistik

- Hipotesis two-tail:
Ha: ada perbedaan mean IQ yang signifikan antara mahasiswa
interval/rasio* prodi psikologi, komunikasi, dan DKV. One-way
Ha: ada perbedaan mean skor atensi yang signifikan antara subjek ANOVA F
yang diperdengarkan musik klasik, musik rock, dan musik pop. testc
3. Hipotesis - Hipotesis one-tail: d
Ha: mean IQ mahasiswa prodi psikologi lebih tinggi secara
komparatif signifikan dibandingkan mahasiswa prodi komunikasi dan DKV.
Ha: subjek yang tidak diperdengarkan musik memiliki mean skor
atensi yang lebih tinggi secara signifikan dibandingkan subjek
B. >2 kelompok yang diperdengarkan musik klasik dan musik rock.
diperbandingkan

- Hipotesis:
Ordinal Ha: ada perbedaan ranking di raport yang signifikan antara Kruskal-Wallis
siswa jurusan IPA, IPS, dan kejuruan. H test

- Hipotesis two-tail:
Ha: ada perbedaan jumlah kelulusan kuliah statistik yang
Independent
Nominal signifikan antara mahasiswa prodi psikologi, komunikasi,
sample chi-
dan akuntansi.
square (ꭓ2)
- Hipotesis one-tail:
Ha: jumlah mahasiswa prodi psikologi yang lulus kuliah
statistik lebih banyak secara signifikan dibandingkan
mahasiswa prodi komunikasi dan akuntansi.
* perlu uji normalitas
c
perlu uji homogeneity of variance
d
menggunakan planned comparison/contrast.

Aries Yulianto – April 2019, revisi 3

 9

Jenis data Contoh Hipotesis Analisis Statistik

- Hipotesis two-tail:
Ha: ada perbedaan mean IQ yang signifikan pada
mahasiswa prodi Psikologi ketika di semester 1
dibandingkan di semester 8.
Ha: ada perbedaan mean skor agresitivas pada subjek
interval/rasio* sebelum mengikuti anger management dibandingkan dependent
setelah mengikuti anger mangement. /paired
- Hipotesis one-tail: samples t-test
Ha: mean IQ mahasiswa prodi Psikologi lebih tinggi
C. Dua data dari 1 secara signifikan di semester 8 dibandingkan ketika di
kelompok semester 1.
Ha: mean skor agresitivas pada subjek sesudah
mengikuti anger management lebih tinggi secara
3. Hipotesis signifikan dibandingkan sebelum mengikuti anger
mangement.
komparatif
Ordinal - Hipotesis: Wilcoxon
Ha: ada perbedaan ranking di raport yang signifikan signed-rank test
pada siswa ketika di semester 1 dan ketika di
semester 2.

- Hipotesis two-tail:
Ha: ada perbedaan kategori kepuasaan pelanggan PT X
sebelum dan sesudah menghubungi customer care. McNemar
Nominal - Hipotesis one-tail: test
Ha: ada peningkatan jumlah pelanggan PT X yang puas
sesudah menghubungi customer care dibandingkan
sebelum menghubungi customer care.

Aries Yulianto – April 2019, revisi 3

 10

Jenis data Contoh Hipotesis Analisis Statistik

- Hipotesis two-tail:
Ha: ada perbedaan mean IQ yang signifikan pada
mahasiswa prodi Psikologi ketika di semester 1,
semester 5, dan semester 8.
Ha: ada perbedaan mean skor agresitivas yang signifikan
interval/rasio* pada subjek saat tidak diperdengarkan musik, Repeated
diperdengarkan musik klasik, dan diperdengarkan measures
musik rock. ANOVAf
- Hipotesis one-tail:c
D. >2 data dari 1 Ha: mean IQ mahasiswa prodi Psikologi di semester 8
kelompok lebih tinggi secara signifikan dibandingkan ketika di
semester 1 dan semester 5.
Ha: mean skor agresitivas subjek ketika diperdengarkan
3. Hipotesis musik rock lebih tinggi secara signifikan dibandingkan
ketika tidak diperdengarkan musik dan ketika
komparatif diperdengarkan musik klasik.

- Hipotesis:
Friedman test
Ordinal Ha: ada perbedaan ranking di raport yang signifikan
pada siswa SMP ketika di kelas VII, kelas VIII, dan kelas

- Hipotesis two-tail:
Ha: ada perbedaan keputusan melanjutkan studi S2 yang
signifikan antara mahasiswa dengan mahasiswi lulusan
Nominal prodi psikologi.
Chi-square
- Hipotesis one-tail:
test (ꭓ2)
Ha: mahasiswa lebih banyak secara signifikan dalam
memutuskan untuk melanjutkan studi S2 dibandingkan
* perlu uji normalitas mahasiswi lulusan prodi psikologi.
c
menggunakan planned comparison/contrast.
f
perlu uji sphericity

Aries Yulianto – April 2019, revisi 3

 11

Jenis data IV Contoh Hipotesis Analisis Statistik

interval/ Simple linear

1 IV Ha: ada pengaruh IQ yang signifikan terhadap
rasio
IPK pada mahasiswa prodi Psikologi. regressiong

A. DV interval/
rasio*
Ha: ada pengaruh ranking raport di SMA yang
ordinal/ signifikan terhadap skor konsep diri Simple linear
nominal mahasiswa baru. regressionh
4. Hipotesis Ha: ada pengaruh jenis kelamin yang signifikan
kausal terhadap skor konsep diri mahasiswa baru.

Interval,
2 atau rasio, Ha: ada pengaruh IQ, suku bangsa, dan konsep
multiple linear
lebih IV ordinal, diri yang signifikan terhadap IPK pada
regressiong
nominal mahasiswa prodi Psikologi.

Interval,
1 atau rasio, Ha: ada pengaruh IQ dan suku bangsa yang Logistic
B. DV nominal
lebih IV ordinal, signifikan terhadap kelulusan seleksi CPNS. regression
nominal

Pengujian hipotesis kausal menggunakan analisis regresi. Jenis analisis regresi ditentukan oleh:
1. jenis data DV
2. jumlah IV yang terlibat
Tujuan regresi adalah menghasilkan persamaan regresi dan mengetahui besarnya kontribusi IV (sendiri ataupun bersama-sama).

Aries Yulianto – April 2019, revisi 3

 12

* perlu uji normalitas

g
perlu uji linearitas.
h
menggunakan dummy coding. Dummy coding (kode 1 - 0) perlu dibuat untuk IV berjenis ordinal/nominal karena linear regression hanya
digunakan untuk IV berjenis scale (interval/rasio). Dummy coding adalah membuat (seolah-olah) variabel baru (disebut ‘variabel dummy’) yang
hanya berisi data 1 atau 0, dimana variabel baru ini berjumlah = k – 1; dimana k = jumlah kelompok.
Misal “pengaruh jenis kelamin terhadap kesejahteraan psikologis”, maka untuk jenis kelamin ‘variabel dummy’-nya hanya 1 (= k – 1 = 2 – 1), dimana
saat input data tuliskan 1 (= laki-laki) atau 0 (=perempuan). Dummy coding ini hanya berlaku untuk IV berbentuk dikotomi.
Untuk IV berbentuk politomi, dummy coding dibuat banyak. Misal “pengaruh suku bangsa (Jawa, Sunda, Minang, dan Batak) terhadap
kesejahteraan psikologis”, karena k = 4, maka perlu dibuat 3 variabel dummy. Berikut caranya:
Suku d1 d2 d3
Jawa 1 0 0
Sunda 0 1 0
Minang 0 0 1
Batak 0 0 0
Oleh karena itu, jangan hanya membuat 1 variabel input data untuk suku bangsa, tapi buatlah 3 variabel dummy (d1, d2, dan d3). Bila subjek
bersuku Jawa, maka input datanya pada ketiga variabel tersebut: 1, 0, 0; Sunda = 0, 1, 0, dsb.
Langkah dummy coding ini berlaku untuk simple regression dan multiple regression, bila salah satu atau beberapa IV-nya berbentuk
ordinal/nominal.

Aries Yulianto – April 2019, revisi 3

 13

Membandingkan koefisien regresi dari dua kelompok berbeda.

Persamaan regresi:
- Simple linear regression: Y = b0 + b1X; dimana Y adalah DV dan X adalah IV.
- Multiple linear regression: Y = b0 + b1X1 + b2X2; dimana Y adalah DV, X1 adalah IV pertama, dan X2 adalah IV kedua.

Contoh: pengaruh psychological well-being terhadap konsep diri pada remaja laki-laki dan remaja perempuan.

Pada penelitian di atas akan diperoleh 2 koefisien regresi (b) dari 2 kelompok berbeda, yaitu koefisien regresi psychological well-being di remaja
laki-laki dan korelasi di remaja perempuan. Langkah berikutnya, tentukan signifikansi pada masing-masing koefisien regresi. Bila hanya salah satu
koefisien regresi yang signifikan (misal, pengaruh psychological well-being pada remaja laki-laki), maka dengan mudah kita dapat katakan
psychological well-being terhadap konsep diri hanya ada pada remaja laki-laki, dan tidak ada pengaruhnya pada remaja perempuan. Namun,
apabila kedua koefisien regresi signifikan, yang harus dilakukan adalah menentukan apakah perbedaan kedua koefisien regresi tersebut signifikan,
sehingga kita dapat katakan bahwa pengaruh psychological well-being pada remaja laki-laki lebih besar (atau lebih kecil) dibandingkan pada remaja
perempuan. Apabila tidak ditemukan perbedaan nilai koefisien regresi yang signifikan, maka dapat dikatakan bahwa pengaruh psychological well-
being pada kedua kelompok sama besar.

Langkah yang dilakukan untuk membandingkan koefisien regresi dari dua kelompok berbeda:
1. Pada masing-masing kelompok, dapatkan koefisien regresi (b) dan Standard Error (SE) untuk pengaruh sebuah IV yang akan dibandingkan.

2. hitung perbedaan z antara kedua koefisien regresi (zdiff) dari IV tersebut, dengan formula:
−
=
+
Dimana: b1 = koefisien regresi IV1 pada kelompok 1, b2 = koefisien regresi IV1 pada kelompok 2,
SEb1 = Standard Error koefisien regresi IV1 pada kelompok 1, SEb2 = koefisien regresi IV1 pada kelompok 2.

3. untuk taraf signifikansi 5%, maka dapat dikatakan signifikan bila zdiff > 1,96. Abaikan apabila diperoleh nilai negatif.

Contoh:
Berikut hasil analisis regresi pengaruh psychological well-being terhadap konsep diri pada remaja laki-laki dan remaja perempuan:

Aries Yulianto – April 2019, revisi 3

 14

Remaja laki-laki:
Coefficients
Model Unstandardized Standard Error Standardized t p
1 (Intercept) 14.78 3.66 4.04 < .001
PWB 1.04 0.07 0.90 13.99 < .001

Remaja perempuan:
Coefficients
Model Unstandardized Standard Error Standardized t p
1 (Intercept) 13.72 3.40 4.03 < .001
PWB 1.03 0.07 0.87 14.71 < .001

1. Pada remaja laki-laki, koefisien regresi psychological well-being, b1 = 1,04; dan Standard Error-nya, SEb1 = 0,07. Pada remaja perempuan,
koefisien regresi psychological well-being, b2 = 1,03; dan Standard Error-nya, SEb2 = 0,07.

2. perbedaan z antara kedua koefisien regresi (zdiff):

1,04 − 1,03
= = 0,10
0,07 + 0,07

3. dengan zdiff = 0,10, maka dapat dikatakan tidak ada perbedaan yang signifikan pada pengaruh psychological well-being di remaja laki-laki dan
remaja perempuan. Dengan kata lain, pengaruh psychological well-being terhadap konsep diri di remaja laki-laki sama besar dengan di remaja
perempuan.

Untuk melakukan perhitungan ini, dapat mengundah aplikasi Ms. Excel:

https://www.surrey.ac.uk/psychology/current/statistics/ChrisCalcv1_4.xls
pada tab: Regression

Aries Yulianto – April 2019, revisi 3

 15

Catatan:
1. Uji normalitas = untuk mengetahui apakah distribusi sampling dari populasi berbentuk normal. Hanya dilakukan untuk statistik inferensial
dengan data interval/rasio serta analisis statistik parametrik (seperti: korelasi Pearson, linear regression, dsb). Seperti kutipan berikut: “a
reason for implementing normality tests is that many statistical procedures require or are optimal under the assumption of normality, and it
is therefore of interest to know whether or not this assumption is fulfilled” (Steinskog, Tjøstheim, & Kvamstø, 2007, hlm 1151). Oleh karena
itu, bila asumsi normalitas terpenuhi (hasil uji tidak signifikan), maka analisis statistik parametrik dapat digunakan. Bila asumsi normalitas
tidak terpenuhi (hasil uji signifikan), maka gunakan analisis statistik untuk data ordinal/nominal.
Untuk pengujian normalitas, sebaiknya menggunakan Shapiro–Wilk test dibandingkan Kolmogorov–Smirnov test. Alasan:
a. “The Shapiro-Wilk test is based on the correlation between the data and the corresponding normal scores and provides better power than
the K-S test even after the Lilliefors correction. Power is the most frequent measure of the value of a test for normality—the ability to
detect whether a sample comes from a non-normal distribution. Some researchers recommend the Shapiro-Wilk test as the best choice
for testing the normality of data” (Ghasemi, & Zahediasl, 2012, hlm 487). For this reason, it is a good test to use with small samples
(Hinton, 2014, hlm 102).
b. “Standard KS goodness-of-fit test is not recommended when parameters are estimated from the data (usually the case), regardless of
sample size. It should also be noted that the term “KS test” does not necessarily mean the same test in different software packages”
(Steinskog, Tjøstheim, & Kvamstø, 2007, hlm 1156). Sering kali uji normalitas pada SPSS dilakukan menggunakan menu: Analyze 
Nonparametric Tests  1-sample K-S…, dimana cara ini sebenarnya tidak tepat. Seharusnya menggunakan menu: Analyze  Descriptive
statistic  Explore… (selengkapnya lihat tabel di bawah).

3. Untuk hipotesis komparatif, bagaimana bila jumlah anggota kelompok yang diperbandingkan berbeda?
Untuk t-test dan Anova F-test hal ini tidak menjadi masalah asalkan asumsi equality of variance (Levene’s Test) terpenuhi (dengan akta lain,
tidak signifikan).

4. Hipotesis two-tail: dugaan mengenai sama atau berbedanya nilai suatu variabel, tanpa menyatakan arahnya. Dibuat apabila belum ada
penelitian-penelitian sebelumnya tentang variabel yang sama, atau bila hasil penelitian-penelitian sebelumnya saling berlawanan (ada yang
menyatakan lebih tinggi, hasil yang lain lebih rendah).
Hipotesis one-tail: dugaan yang sudah menyatakan arah nilai suatu variabel. Dibuat apabila penelitian-penelitian sebelumnya ataupun teori
sudah menyatakan secara jelas bagaimana nilai suatu variabel.

Aries Yulianto – April 2019, revisi 3

 16

Analisis statistik di SPSS dan JASP

Analisis SPSS JASP (https://jasp-stats.org/download/)

Deskriptif:
- frekuensi Analyze  descriptive statistics  Frequencies …  Descriptives  descriptive statistics  frequency tables
display frequency tables
- central tendency Analyze  descriptive statistics  Frequencies …  Descriptives  descriptive statistics  Statistics 
(mean, median, statistics central tendency
modus)
- grafik Analyze  descriptive statistics  Frequencies …  Descriptives  descriptive statistics  distribution plots
charts (hanya histogram dan bar chart)
- variabilitas (min, Analyze  descriptive statistics  descriptives …  Descriptives  descriptive statistics  Statistics 
max, range, standar Options  Dispersion dispersion
deviasi, variance)
Normalitas Analyze  descriptive statistics  explore: ... T-test  One sample T-Test  Assumption check 
Dependent list: ....., Plots  Normality plots with tests Normality
(hanya Shapiro-Willk test)
One-sample t-test Analyze  compare means  one sample T Test…  (isi T-test  One sample T-Test  Tests: Student  (isi test
test value dengan nilai hipotesis) value dengan nilai hipotesis)  pilih hypothesis (two
tail atau one-tail)
Run Test (wilcoxon) Analyze  Nonparametric tests  Legacy dialogs  T-test  One sample T-Test  Tests: Wilcoxon signed
Runs… rank  (isi test value dengan nilai hipotesis)  pilih
hypothesis (two tail atau one-tail)
(Run test tidak ada di JASP; padanannya menggunakan
Wilcoxon signed rank)
One-sample chi- Analyze  Nonparametric tests  Legacy dialogs  chi- Frequencies  multinominal test
square square …
Independent sample Analyze  Compare means  Independent Samples T- T-tests  Independent Samples T-Test  Tests: Student
t-test Test
homogeneity of Independent sample t-test: pada output Lihat nilai T-tests  Independent Samples T-Test  Assumption
variance ‘Levene's Test for Equality of Variances’, bila p > 0,05 Checks: Equality of variances.
maka asumsi terpenuhi. Anova  Anova  Assumption Checks: Homogeneity
One-way Anova F test: options… checklist homogeneity tests.
of variance. bila p > 0,05 maka asumsi terpenuhi.

Aries Yulianto – April 2019, revisi 3

 17

Analisis SPSS JASP (https://jasp-stats.org/download/)

Mann-Whitney U test Analyze  Nonparametric tests  Legacy dialogs  2 T-tests  Independent Samples T-Test  Tests: Mann-
independent samples …  Mann-Whitney Test Whitney
Independent sample Analyze  Descriptive Statistics  Cross-tabs…  Frequencies  Contingency tables  Statistics  ꭓ2
chi-square Statistics…  Chi-square
Dependent/paired Analyze  Compare means  Paired Sample T-Test… T-tests  Paired Samples T-Test  Tests: Student
sample t-test
One-way Anova F test Analyze  Compare means  One-way Anova  ANOVA  Assumption checks  Homogeneity tests &
Options  Statistics: Descriptive & Homogeneity of Q-Q plot of residuals  Additional Options 
variance. Descriptive statistics.
(post-hoc untuk hipotesis two-tail, contrast untuk (post-hoc untuk hipotesis two-tail, contrast untuk
hipotesis one-tail) hipotesis one-tail)
Repeated Measures Analyze  General Linear Model  Repeated ANOVA  Repeated Measure ANOVA
ANOVA Measures…
Friedman Test Analyze  Nonparametric tests  Legacy dialogs  K ANOVA  Repeated Measure ANOVA 
related samples …  Test type: Friedman Nonparametrics
Kruskall-Wallis H test Analyze  Nonparametric tests  Legacy dialogs  K ANOVA  Nonparametrics  (pindahkan variabel ke
independent samples …  Test type: Kruskall-Wallis kanan menggunakan panah).
Pearson Correlation Analyze  Correlate  Bivariate…  Correlate Regression  Correlation Matrix  Correlate
Coefficients: Pearson Coefficients: Pearson
(untuk Point Biserial Correlation, data nominal dikotomi (untuk Point Biserial Correlation, data nominal dikotomi
harus diinput 1 atau 0) harus diinput 1 atau 0)
Spearman Correlation Analyze  Correlate  Bivariate…  Correlate Regression  Correlation Matrix  Correlate
Coefficients: Spearman Coefficients: Spearman
Simple & Multiple Analyze  Regression  Linear… Regression  Linear Regression
Linear Regression
Logistic regression (DV dengan 2 kategori) Analyze  Regression  Binary Regression  Logistic Regression
Logistic… (untuk Binary logistic, data DV nominal dikotomi harus
(DV dengan >2 kategori) Analyze  Regression  diinput 1 atau 0)
Multinomial Logistic…
(untuk Binary logistic, data DV nominal dikotomi harus
diinput 1 atau 0)

Aries Yulianto – April 2019, revisi 3

 18

PENENTUAN JUMLAH SAMPEL

Jumlah sampel berkaitan dengan sejauh mana hasil

penelitian dapat digeneralisasikan; semakin banyak jumlah
sampel, makin baik. Untuk menentukan jumlah sampel (n)
yang akan diambil, perlu diketahui jumlah populasi (N).
Misalnya: gambaran kecerdasan emosional siswa SLTA di
Jakarta. Maka perlu dicari data jumlah siswa SLTA di Jakarta
sebagai populasinya (misal dari kemendikbud;
http://referensi.data.kemdikbud.go.id/index11.php?kode
=010000&level=1).
Setelah mendapatkan jumlah populasi, maka
jumlah sampel minimal yang perlu diambil dapat dihitung.
Banyak cara untuk menghitung jumlah sampel. Salah satu
yang paling mudah adalah menggunakan nomogram Harry
King (Sugiyono, 2016) apabila populasi berjumlah hingga
2000. Atau mengunakan tabel Isaac dan Michael (Sugiyono,
2016) untuk populasi 10 hingga tidak terhingga.

Langkah menggunakan Nomogram Harry King:

1. identifikasi N,
2. Tentukan tingkat kesalahan (0,3% – 15%),
3. Tentukan taraf kepercayaan (80%, 85%, 95%, atau 99%).
4. Tarik garis lurus dari ukuran populasi (N) ke tingkat
kesalahan, lanjut ke garis paling kiri (%). Nilai ini
menunjukkan berapa persen dari populasi yang harus
diambil menjadi sampel.
4. Jumlah sampel = (N x %) x multification factor dari taraf
kepercayaan.
Contoh: populasi (N) = 200, tingkat kesalahan 5%, taraf
kepercayaan 95%.
Jumlah sampel = (200 x 58%) x 1,195 = 138,62
Sampel yang harus diambil (n) = 139.

Aries Yulianto – April 2019, revisi 3

 19

Cara lain menghitung jumlah sampel adalah

menggunakan Tabel Isaac dan Michael.

Langkah menggunakan Tabel Isaac dan

Michael:

1. identifikasi N,

2. Tentukan taraf kesalahan/signifikansi

(1%, 5%, atau 10%),

3. Lihat angka di kolom taraf kesalahan

yang sesuai dengan N,

4. Angka tersebut adalah jumlah sampel

yang harus diambil (n).

Contoh: populasi (N) = 200, tingkat

kesalahan 5%.
Sampel yang diambil (n) = 127.

Tabel Isaac dan Michael:

https://bit.ly/2Pu6Hw0

Nomogram Harry King:

https://bit.ly/2D90Ars

Aries Yulianto – April 2019, revisi 3

 20

Penulisan hasil statistik berdasarkan A.P.A

 Uji normalitas:

Output di atas ditulis sebagai berikut:

“Asumsi normalitas diuji menggunakan Shapiro-Wilk test. Hasil uji menunjukkan Kepuasaan kerja tidak berbeda secara signifikan dengan
distribusi normal, SW(483) = 0,997, p > 0,05.”

 Korelasi Pearson:

Output di atas ditulis sebagai berikut:

“Prestasi dan IQ tidak memiliki hubungan yang signifikan, r(8) = 0,103, p > 0,05.”

Aries Yulianto – April 2019, revisi 3

 21

 Independent sample t-test:

Output di atas ditulis sebagai berikut:

“Hasil uji Levene’s test menunjukkan varians kedua kelompok tidak setara, F(1, 25) = 7,718, p < 0,05. Oleh karena itu, akan digunakan
independent sample t-test yang tidak mengasumsikan kesetaraan varians. Tidak ada perbedaan yg signifikan dalam skor pengungkapan diri
antara remaja Jawa (M = 74,42; SD = 10,681) dengan remaja Madura (M = 72,20; SD = 6,721), t(17,679) = 0,627, p > 0,05.”

Aries Yulianto – April 2019, revisi 3

 22

 Regression

Pengaruh SAT terhadap IPK.

Linear Regression
Model Summary
Model R R² Adjusted R² RMSE
1 0.252 0.063 0.059 0.756
ANOVA
Model Sum of Squares df Mean Square F p
1 Regression 8.583 1 8.583 15.017 < .001
Residual 126.880 222 0.572
Total 135.463 223
Coefficients
Model Unstandardized Standard Error Standardized t p
1 (Intercept) 1.284 0.352 3.642 < .001
satm 0.002 5.859e -4 0.252 3.875 < .001

Output di atas ditulis sebagai berikut:

“Regresi linear sederhana digunakan untuk mengetahui apakah TPA dapat mempengaruhi (memprediksi) IPK. Hasil regresi
menunjukkan bahwa TPA dapat menjelaskan 6,3% varians IPK, R2=0,063; F(1, 222) = 15,017, p < 0,001. TPA secara signifikan
berpengaruh (memprediksi) secara positif terhadap IPK, b = 0,002, p < 0,001. Oleh karena itu dapat dibuat persamaan regresi
untuk memprediksi IPK dari TPA sebagai berikut:
IPK = 1,284 + 0,002(TPA)
Dari persamaan regresi tersebut dapat dikatakan bila seorang subjek memiliki skor TPA sebesar 0, maka IPK-nya diprediksi
sebesar 1,284. Pertambahan TPA sebesar 1 skor, meningkatkan IPK sebesar 0,002.”

Aries Yulianto – April 2019, revisi 3

 23

REFERENSI:

Field, A. (2009). Discovering statistics using SPSS. London: Sage Publications, Ltd.
Ghasemi, A., & Zahediasl, S. (2012). Normality tests for statistical analysis: A guide for non-statisticians. International Journal Endocrinology &
Metabolism, 10(2), 486-489.
Hinton, P. R. (2014). Statistic explained. New York: Routledge.
Steinskog, D. J., Tjøstheim, D. B., & Kvamstø, N. G. (2007). A cautionary note on the use of the Kolmogorov–Smirnov test for normality. Monthly
Weather Review, 135(3), 1151-1157.
Sugiyono (2016). Statistik untuk penelitian. Bandung: Penerbit Alfabeta.

Aries Yulianto – April 2019, revisi 3