1

MIND MAP

Interval
Nominal

Jenis Rasio
Data

Up to Ordinal
relevan
date

Analisis
Syarat
Data
data Pengambilan
data

Objektif Representatif sekunder

Pengelolaan data
Primer
Analisis
Statistik

komputer
manual

Uji
parametrik
Uji non
parametrik

STEP 5
1. Jenis data
2. Analisis statistik dan non statistik

STEP 6
Belajar mandiri
 2

STEP 7
1. Jenis Data
Data dapat digolongkan dengan berbagai cara. Penggolongan tersebut
dapat dlilihat pada tabel 1.1 berikut.1

Tabel 1.1. Penggolongan data1

Penjelasan masing-masing data adalah sebagai berikut1:
a. Data primer
Data primer adalah data yang berasal pengukuran/pengamatan atau dari
sumber pertama. Pengumpulan data umumnya menggunakan instrumen
pengumpulan data secara langsung seperti kuesioner, angket, pengukuran dengan
alat ukur, pedoman wawancara, notulen FGD, dan sebagainya. Misalnya:
1) data sikap pasien tentang kepuasan pelayanan oleh perawat yang
diperoleh langsung dari kuesioner kepuasan; atau
2) data hasil pengukuran tingkat kebisingan yang diperoleh langsung
dengan menggunakan sound level meter di lokasi. Suatu data juga dikatakan
primer jika dikumpulkan oleh peneliti (atau tim peneliti) untuk tujuan dan analisis
khusus berdasarkan standar yang ditetapkan.
Keuntungan data primer adalah dapat memperoleh data sesuai kebutuhan
peneliti karena diperoleh langsung dari sumbernya. Namun terdapat
kekurangannya yaitu memerlukan waktu, biaya, dan tenaga yang cukup besar bila
pengumpulan data primer dilakukan pada sampel yang besar dengan jangkauan
yang luas, misalnya di masyarakat.1
 3

b. Data sekunder
Data Sekunder adalah data yang tidak secara langsung didapat dari sumber
awal atau telah mengalami kompilasi/pengolahan oleh instansi atau lembaga
pengumpul data. Biasanya data dikumpulkan dengan menggunakan form/lembar
khusus baik dalam bentuk softcopy atau hardcopy, seperti Form telaah dokumen,
Ceklist kepustakaan dan langsung dari subyek sebagainya. Misalnya1:
1) data survei (SDKI, Riskesdas dsb);
2) laporan penyakit atau angka kesakitan dari Puskesmas;
3) data jumlah tenaga kesehatan di Rumah Sakit bersumber dari divisi
SDM RS; atau
4) data kunjungan pasien UGD yang bersumber dari Laporan Kinerja RS.
Data sekunder juga terbagi atas dua macam yaitu:
1) data sekunder Internal (berasal dari dalam lingkungan sendiri seperti
data dari penelitian sebelumnya, atau data rekam medis di rumah sakit);
2) data sekunder Eksternal (berasal dari lingkungan luar seperti publikasi
ilmiah, instansi, dan sebagainya).
Kebalikan dengan data primer, data sekunder memiliki keuntungan dalam
hal kebutuhan waktu, tenaga dan biaya yang relatif lebih sedikit. Disamping itu
data sekunder memiliki keluasan data terutama jika bersumber pada data hasil
survey baik nasional maupun internasional, umumnya dikumpulkan oleh para ahli
dan profesional di bidangnya. 1
Namun data sekunder memiliki kelemahan tidak dapat memperoleh data
sesuai kebutuhan dan tidak lengkap karena sumber datanya sudah baku dari
sumbernya. Disamping itu pengumpul data sekunder tidak mengetahui bagaimana
data tersebut diolah karena tidak terlibat dalam prosesnya. 1
c. Data Kualitatif
Data kualitatif berbentuk kualitas atau kualifikasi hasil pengukuran. Data
ini sering disebut dengan kategori. Contohnya adalah1:
1) sikap pasien terhadap pelayanan oleh dokter dapat berbentuk “puas,
kurang puas, dan tidak puas”; atau
 4

2) pengetahuan ibu hamil tentang kesehatan reproduksi ada yang “sangat

baik, baik, cukup, dan tidak baik”. Untuk meringkas data kualititatif tidak begitu
sulit, yaitu dengan menyatakan jumlah unit/individu pada satu kategori ke dalam
satuan yang disebut frekuensi. Bila frekuensi yang telah diperoleh dihitung
proporsi atau persentasenya terhadap total sampel maka hasilnya disebut dengan
frekuensi relatif.
d. Data Kuantitatif
Data kuantitatif berbentuk numerik atau bilangan atau angka yang
dinotifikasikan dengan angka arab 0 sampai dengan 1, dan diperoleh melalui
pengukuran. Misalnya 1) data jumlah kecelakaan kerja per bulan rata-rata 6
sampai 10; atau 2) data jumlah SD yangmenjalani program UKS adalah 12 di
lingkungan Puskesmas ABC. Meringkas data kuantitatif lebih sulit dan kompleks
dibanding meringkas data kualitatif. 1
e. Data diskrit
Data diskrit berbentuk bilangan bulat posiif yang diperloeh dari hasil
perhitungan. Data diskrit dapat dipisahkan satu dengan yang lainnya secara jelas
dan di antara dua interval data tidak dapat disisipkan angka berapapun. Misalnya:
1) jumlah anak dalam keluarga;
2) jumlah penderita ISPA; atau
3) jumlah kecelakaan di jalan raya.
Data jumlah anak memiliki karakteristik diskrit karena hasilnya selalu
positif (tidak mungkin ada jumlah anak negatif), diperoleh dengan mengitung,
dapat dipisah-pisah (misalnya sesuai pendidika, jenis kelamin, dan sebagainya),
dan tidak dapat disisipkan suatu angka (di antara jumlah anak tidak bisa disisipkan
anak ke 1,5 atau 2,5).
f. Data kontinyu
Data kontinu berbentuk rangkaian data dan dapat berbentuk angka desimal
(tergantung alat ukur yang dipakai), yang diperoleh dari hasil pengukuran. Ciri
lainnya dari data kontinyu adalah di antara dua interval data dapat disisipkan
angka berapapun hingga dua data tersebut saling berhimpitan. Misalnya:
1) ukuran lingkar pinggang 90,5 cm dan 91,00 cm;
 5

2) suhu kamar operasi 24,6oC; atau

3) indeks massa tubuh 25,6 kg/m2.
Data ukuran lingkar pinggang termasuk data kontinyu, karena berbentuk
rangkaian dan desimal, diperoleh dengan mengukur (menggunakan meteran), di
antara data ukuran lingkar pinggang bisa disisipkan angka- angka (antara data
90,5 cm dan 91,0 cm dapat disisipkan angka 90,8 atau 90,88 atau 90,888 dan
seterusnya hingga saling berhimpit).
Data kontinyu dapat dikonversi menjadi data diskrit dengan cara
mengelompokkan hasil perhitungan/pengukuran ke dalam beberapa kategori.
Misalnya data indeks massa tubuh bisa dikategorikan ke dalam Obesitas,
Overweight, Normal, atau Underweight. 1

VARIABEL
Misalnya ingin mengamati kejadian Diabetes Melitus pada pasien di
Puskemas, lalu Anda melakukan pengumpulan dan pengukuran data terhadap 100
pasien antara lain kadar gula dalam darah, usia, obesitas, jenis kelamin, dan tensi
darah. Bila nilai-nilai dari karakteristik di antara 100 pasien tersebut berbeda-beda
atau bervariasi, maka dikatakan bahwa data-data tersebut memiiliki variabilitas
sehingga disebut dengan variabel. Bila hasil pengukuran data 100 pasien tersebut
menunjukkan keseragaman nilai, misalnya seluruh pasien berjenis kelamin
Perempuan, maka tidak terjadi variabilitas data dan tidak dapat dikatakan sebagai
variabel. Dengan demikian variabel adalah sifat/ciri/karakteristik yang akan
diukur atau diamati yang nilainya bervariasi antara obyek satu dengan obyek yang
lain. 1
Bila nilai-nilai observasi pada pengukuran Diabtetes Melitus tersebut
dikumpulkan dan merupakan satu kesatuan, dengan syarat bahwa setiap nilai
observasi hanya mempunyai arti sebagai bagian dari keseluruhan tersebut, maka
kumpulan nilai itu disebut dengan Agregate. 1
 6

SKALA PENGUKURAN
Pengukuran merupakan proses yang logis dan prosedural untuk
menghasilkan ukuran. Saat melakukan pengukuran terhadap obyek misalnya
tinggi badan, maka kita akan melalui tahapan-tahapan prosedural yang sistematik
dan logik, mulai dari meminta obyek berdiri tegap dan menghadap ke depan,
menarik pita pengukur dan menempelkan ujung pita pada bagian atas kepala,
menarik pita pengukur hingga ke bagian bawah kaki, melihat angka hasil
pengukuran, dan mencatatnya pada form yang disediakan. 1
Disamping itu dalam pengukuran perlu diperhatian pula Unit Pengukuran.
Unit Pengukuran berguna untuk mengidentifikasi jenis variabel yang diukur
(misal: panjang, massa, waktu, suhu) dan untuk memberikan jarak pada skala ukur
sebagai standar perbandingan. Unit pengukuran yang umum digunakan di
Indonesia adalah metric system atau International System of Units (meter, detik,
gram). Sementara beberapa negara Eropa masih menggunakan English System
(inci, pon, detik). Dengan demikian setiap hasil ukur sebaiknya dicantumkan unit
pengukurannya untuk memperjelas data. 1
Jawaban responden terhadap kuesioner/angket atau data-data yang diperoleh baik
dengan pengukuran maupun perhitungan terhadap suatu obyek, sering bervariasi
antara satu responden/obyek dengan responden/obyek yang lain. Supaya jawaban
atau hasil ukur/hitung tersebut dapat ditempatkan sesuai dengan posisinya maka
disusunlah skala pengukuran. Skala pengukuran tersebut terdiri dari empat
tingkatan dari yang terendah hingga tertinggi yaitu skala Nominal, Ordinal,
Interval, dan Rasio. 1
1. Skala Nominal
Dikatakan skala nomimal bila peneliti menggunakan bilangan (numerik
atau alfabet) atau lambang/kelompok, untuk mengklasifikasikan obyek
pengamatan, sehingga pengukuran ini dikatakan memiliki tingkatan yang paling
lemah. Lalu setiap obyek akan dimasukkan ke dalam salah satu
bilangan/lambang/kelompok tersebut. Skala ini disebut juga skala/data kategorik,
karena data ini diperoleh dengan cara mengelompokkan/kategorisasi. 1
 7

Data skala nominal memiliki ciri-ciri antara lain posisi data setara dan
tidak dapat dilakukan operasi matematika seperti penjumlahan, pengurangan,
pembagian dan perkalian. Misalnya pada kelompok data yang dikategorisasikan
dan diberi kode sebagai berikut: pegawai = 4, wiraswasta = 3, buruh = 2, dan
tidak bekerja = 1, maka tidak dapat dikatakan pegawai (4) = wiraswasta (3) +
tidak bekerja (1); atau tidak bekerja (1) = pegawai (4) – wiraswasta (3); atau
buruh (2) = pegawai (4) : buruh (2); atau bahkan pegawai (4) = buruh (2) x buruh
(2). 1
Pengkategorisasian skala nominal bisa memiliki sifat mutually exclusive
dan totally exclusive. Pengertian mutually exclusive adalah tidak ada satu pun
obyek yang dapat dikelompokkan ke dalam lebih dari satu ketegori). Sedangkan
totally exclusive merupakan setiap obyek dapat dikelompokkan ke dalam lebih
dari satu kategori). 1
Secara statistik karena pada skala nominal satu-satunya yang bisa
dikuantifikasikan adalah jumlah unit/kasus dalam satu kelompok, maka untuk
mengukur sifat sentralitas data (tendensi sentral) hanya bisa digunakan modus,
dalam arti skala nominal tidak bisa menggunakan mean untuk menggambarkan
rata-rata. Begitu pula karena sifatnya, maka dalam skala nominal tidak bisa
mengukur sebaran data (standar devias, varian). 1
Misalnya: pada penelitian tentang kejadian DM kepada 100 pasien yang
akan mengelompokkan mereka ke dalam jenis pekerjaan Pegawai, Buruh, atau
Wiraswasta. Lalu masing-masing pasien dimasukkan ke dalam jenis pekerjaan
yang sesuai dan tidak mungkin ada overlapping atau tumpang tindih data. Bila
data hanya terdiri dari dua kelompok (misal: laki dan perempuan) maka disebut
dengan Dikotomi. 1
Dalam praktiknya, peneliti sering menggunakan label/kode untuk masing-
masing kategori yang disebut dengan coding. Misalnya kode 1 untuk laki-laki dan
kode 2 untuk perempuan. Namun hal ini tidak berarti perempuan lebih besar
dibanding laki-laki, karena angka 2 dan 1 pada data ini hanya format pengkodean
saja. 1
 8

Skala Nominal memiliki kelebihan yakni data tersebut mudah diolah dan
dijawab. Namun kekurangannya adalah informasi yang diperoleh tidak mendalam
dan tidak dapat membedakan masing-masing data secara kuantitatif, serta
perhitungan statistik yang bisa dilakukan hanyalah proporsi atau persentase. 1
2. Skala Ordinal
Kemudian bila data-data yang diamati bukan hanya dikelompokkan tetapi
juga terdapat hubungan (dalam bentuk ranking atau urutan) antara kelompok-
kelompok tersebut maka hal ini disebut dengan Skala Ordinal. Urutan/jenjang
antar data tidak mesti seragam atau sama. Dari data skala ordinal hanya dapat
diketahui bahwa kondisi satu responden lebih baik dibanding responden lain,
karena skala ini masih bersifat kualitatif. Seperti juga skala nominal, skala ordinal
diperoleh melalui pengelompokkan/kategorisasi. 1
Ciri-ciri data skala ordinal sama dengan data nominal yaitu tidak dapat
dilakukan operasi matematika, namun posisi data pada skala ordinal tidak setara
seperti pada skala nominal.
Contohnya: 1) pengelompokkan 100 pasien DM ke dalam Obesitas, Overweight,
Normal, dan Underweight; atau 2) pengelompokkan kepatuhan penggunaan Alat
Pelindung Diri pada karyawan menjadi sangat patuh, patuh, dan tidak patuh.
Sementara itu data jenis kelamin (pria dan wanita) tidak dapat dikatakan ordinal
karena tidak ada hubungan lebih besar/kecil antara keduanya. 1
3. Skala Interval
Pada skala interval, bukan hanya sifat skala ordinal yang nampak tetapi
juga terdapat jarak di antara urutan kelompok tersebut atau urutannya dapat
dinyatakan dengan angka sehingga sudah bersifat kuantitatif. Data skala interval
diperoleh dengan cara pengukuran (bukan kategorisasi). Dengan demikian ciri-ciri
data skala interval adalah tidak ada kategorisasi dan tidak dapat dilakukan operasi
matematia. 1
Misalnya: pengukuran suhu tubuh pasien dengan nilai bervariasi yakni
30,0oC; 31,2oC; 33,8oC; 35,0oC; 39,2oC. Bukan hanya ada pengelompokkan dan
urutan, namun juga antara nilai 30,0oC dengan 31,2oC terdapat jarak sebesar
1,2oC.
 9

4. Skala Rasio
Pada skala rasio, terdapat sifat tambahan selain sifat pada skala interval
yaitu tiap kelompok dapat diperbandingkan, hal ini disebabkan karena skala ini
mempunyai titik “nol mutlak”. Skala rasio mencerminkan jumlah-jumlah yang
sebenarnya dari suatu variabel. Salah satu ciri khas dari skala rasio adalah dapat
dilakukan operasi matematika, serta tidak ada kategorisasi. Skala rasio terdiri dari
rasio kontinyu dan rasio diskrit. 1
Misalnya: pada pengukuran berat badan didapat angka-angka 40 kg, 50 kg,
60 kg, dan 80 kg. Terlihat bahwa data-data tersebut dapat diperbandingkan, yakni
kelompok yang beratnya 80 kg memiliki 2 kali berat badan kelompok 40 kg.
Untuk membantu identifikasi data apakah dalam kelompok skala nominal,
ordinal, interval, atau rasio dapat digunakan bantuan tabel 1.2 berikut.
Tabel 1.2. Identifikasi Data1

2. Analisis Data
Analisis data adalah suatu metode atau cara untuk mengolah
sebuah data menjadi informasi sehingga karakteristik data tersebut
menjadi mudah untuk dipahami dan juga bermanfaat untuk menemukan
solusi permasalahan, yang tertutama adalah masalah yang tentang sebuah
penelitian. Atau analisis data juga bisa diartikan sebagai kegiatan yang
dilakukan untuk merubah data hasil dari sebuah penelitian menjadi
informasi yang nantinya bisa dipergunakan untuk mengambil sebuah
kesimpulan. 1
Tujuan dari analisis data adalah untuk mendeskripsikan sebuah
data sehingga bisa di pahami, dan juga untuk membuat kesimpulan atau
 10

menarik kesimpulan mengenai karakteristik populasi yang berdasarkan

data yang diperoleh dari sampel, yang biasanya ini dibuat dengan dasar
pendugaan dan pengujian hipotesis. 1

Gambar 1.1. Macam-macam statistik untuk analisis data2

Teknik analisis data dalam penelitian kuantitatif menggunakan statistik.
Terdapat dua statistik untuk analisis yaitu:2
1. Statistik Deskriptif, yaitu statistik yang digunakan untuk analisa data
dengan cara mendeskripsikan atau menggambarkan data yang telah
terkumpul sebagaimana adanya tanpa ada tujuan membuat kesimpulan
untuk generalisasi.
Beberapa hal yang dapat dilakukan adalah penyajian data melalui tabel,
grafik, diagram lingkaran (pie chart), pictogram, perhitungan modus,
median, mean (pengukuran tendensi sentral), desil, persentil, perhitungan
penyebaran data melalui perhitungan rata-rata dan standar deviasi,
perhitungan prosentase. Dapat juga dilakukan analisis korelasi antar
variabel, analisis regresi atau membandingkan dua nilai rata-rata
sampel/populasi. 2
2. Statistik Inferensial, yaitu statistik yang digunakan untuk menganalisis
data sampel dan hasilnya diberlakukan untuk populasi.
 11

Statistik ini cocok digunakan jika sampel diambil pada populasi yang jelas
dan pengambilan sampel secara acak. Sering disebut statistik induktif atau
statistik probabilitas karena kesimpulan yang diberlakukan pada populasi
berdasarkan pada data sampel dan kebenarannya bersifat peluang. Statistik
interferensial terdiri dari statistik parametrik dan statistik non parametrik. 2
Statistik parametrik dan statistik non parametrik
a. Statistik parametrik
Parametrik berarti parameter. Parameter adalah indikator dari suatu
distribusi hasil pengukuran. Indikator dari distribusi pengukuran berdasarkan
statistik parametrik digunakan untuk parameter dari distribusi normal. Distribusi
normal dikenal juga dengan istilah Gaussian Distribution. Distribusi normal
mengandung dua parameter, yaitu rata-rata (mean) dan ragam (varians).
Parameter-parameter ini memberikan karakteristik yang unik pada suatu distribusi
berdasarkan “lokasi”-nya (central tendency).2 Berbagai metode statistik
mendasarkan perhitungannya pada kedua parameter tersebut.
Penggunaan metode statistik parametrik mengikuti prinsip-prinsip
distribusi normal. Prinsip-prinsip dari distribusi normal adalah:3
a. Distribusi dari suatu sampel yang dijadikan obyek pengukuran
berasal dari distribusi populasi yang diasumsikan terdistribusi
secara normal.
b. Sampel diperoleh secara random, dengan jumlah sampel yang
dianggap dapat mewakili populasi.
c. Distribusi normal merupakan bagian dari distribusi probabilitas
yang kontinyu (continuous probability distribution). Implikasinya,
skala pengukuran pun harus kontinyu. Skala pengukuran yang
kontinyu adalah skala rasio dan interval. Kedua skala ini
memenuhi syarat untuk menggunakan uji statistik parametrik.
Bila syarat-syarat ini semua terpenuhi, maka metode statistik parametrik
dapat digunakan. Namun, jika data tidak menyebar normal maka metode statistik
nonparametrik dapat digunakan. Apa yang dapat dilakukan jika data tidak
menyebar normal, namun statistik parametrik ingin tetap digunakan. Untuk kasus
 12

ini data sebaiknya ditransformasikan terlebih dahulu. Transformasi data perlu

dilakukan agar data mengikuti sebaran normal. Transformasi dapat dilakukan
dengan mengubah data ke dalam bentuk logaritma natural, menggunakan operasi
matematik (membagi, menambah, atau mengali dengan bilangan tertentu), dan
mengubah skala data dari nominal menjadi interval.3
Contoh metode statistik parametrik diantaranya adalah uji-z (1 atau 2
sampel), uji-t (1 atau 2 sampel), korelasi pearson, perancang percobaan (2-way
ANOVA), dan lain-lain.
Kelebihan & Kekurangan Statistika Parametrik
Dalam kenyataan, penggunaan metode satatistik tidak terlepas dari berbagai
kelebihan dan kekurangan. Adapun kelebihan dan kekurangan statistika
parametrik sebagai berikut:3
1. Kelebihan statistika parametrik adalah:3
o Hasil analisis dapat diperoleh dengan pasti dan akurat apabila digunakan
sesuai aturan-aturan yang telah ditetapkan.
o Dapat digunakan untuk mengukur interaksi hudungan antara dua atau lebih
variabel.
o Dapat menyederhanakan realitas permasalahan yang kompleks & rumit dalam
sebuah model sederhana.
2. Kekurangan statistika parametrik adalah:3
o Asumsi tidak sesuai dengan realitas yang terjadi atau menyimpang jauh maka
kemampuannya tidak dapat dijamin bahkan menyesatkan.
o Data harus berdistribusi normal dengan skala pengukuran data yang harus
digunakan adalah Interval & Rasio.
o Dapat digunakan untuk menganalisis data yang populasi/sampelnya sama.
o Tidak dapat dipergunakan untuk menganalisis dengan cuplikan (Sampel)
yang jumlahnya sedikit (> 30)
 13

Macam-macam statistik parametrik

1) Uji Korelasi Pearson
Uji korelasi Pearson. Banyak penelitian meminati keberadaan hubungan
antara 2 atau lebih variabel. Korelasi adalah suatu ukuran hubungan linier antar
variabel. Contoh, peneliti ingin melihat apakah terdapat hubungan antara Minat
Mahasiswa atas Matakuliah Pengantar Ilmu Politik (x) dengan Minat Mahasiswa
untuk Berpolitik Praktis (y). 2
Banyak penelitian meminati keberadaan hubungan antara 2 atau lebih
variabel. Korelasi adalah suatu ukuran hubungan linier antar variabel. Contoh,
peneliti ingin melihat apakah terdapat hubungan antara Minat Mahasiswa atas
Matakuliah Pengantar Ilmu Politik (x) dengan Minat Mahasiswa untuk Berpolitik
Praktis (y). 2
Kedua variabel tersebut, x dan y, bisa berhubungan dengan salah satu dari 3 cara
berikut2:

1. Hubungan Positif. Artinya, semakin berminat seorang mahasiswa atas

Matakuliah Pengantar Ilmu Politik, semakin besar minat mereka untuk
Berpolitik Praktis.
2. Tidak Ada Hubungan. Artinya, minat mahasiswa atas matakuliah
Pengantar Ilmu Politik tetap sama kendati mereka berminat untuk
Berpolitik Praktis.
3. Hubungan Negatif. Artinya, semakin mahasiswa berminat atas matakuliah
Pengantar Ilmu Politik, semakin tidak berminat mahasiswa untuk
Berpolitik Praktis.

Cara termudah guna melihat apakah dua variabel berhubungan adalah dengan
melihat apakah mereka memiliki covarians. Pemahaman atas covarians menuntut
kita memahami konsep varians. Varians suatu variabel mewakili rata-rata
perbedaan data variabel tersebut dengan nilai Mean-nya. Rumus varians sebagai
berikut:2
 14

Mean sampel diwakili adalah nilai yang hendak dicari dan N adalah jumlah
pengamatan (sampel). Jika kita tertarik apakah kedua variabel berhubungan, maka
kita harus melihat apakah perubahan di satu variabel disusul dengan perubahan di
variabel lainnya. Kala satu variabel menyimpang dari Mean, maka kita bisa
berharap bahwa variabel lain juga menyimpang dari Mean-nya dengan cara
serupa. Agar lebih jelas, lihat data berikut:
Tabel 2.1. contoh hubungan dua variabel dan nilai mean3

Jika terdapat hubungan di antara kedua variabel, maka kala satu variabel
menyimpang dari Mean diikuti penyimpangan yang sama oleh variabel lainnya,
baik searah atau berlawanan. Rumus covarians sebagai berikut:

Menghitung covarians adalah cara yang baik guna menilai apakah 2

variabel punya hubungan. Jika nilai covarians positif maka kala satu variabel
menyimpang dari Mean diikuti oleh penyimpangan pada variabel lain secara
searah. Jika nilai covarians negatif maka kala satu variabel menyimpang dari
Mean diikuti oleh penyimpangan variabel lain secara berlawanan. Namun,
covarians ini bukan uji standar guna menentukan hubungan. 2
 15

Standardisasi
Masalah uji standar bagi hubungan antar variabel diselesaikan lewat
konversi. Artinya, covarians dikonversikan ke dalam unit yang lebih standar.
Proses ini dinamakan standardisasi. Dalam kajian statistik, ukuran standar ini
adalah Standar Deviasi. Jika kita membagi setiap penyimpangan nilai observasi
terhadap Mean dengan Standar Deviasi, maka kita akan mendapat jarak dalam
satuan Standar Deviasi.4
Singkatnya, jika kita ingin mengekspresikan covarians ke dalam unit
standar pengukuran, kita tinggal membaginya dengan Standar Deviasi. Dengan
demikian jika terdapat 2 variabel, maka akan terdapat 2 Standar Deviasi. Kini,
kala kita hendak menghitung covarians, sesungguhnya kita menghitung 2
penyimpangan lalu mengkalikan mereka. Lalu, kita melakukannya secara sama
terhadap Standar Deviasi. Kita mengkalikan mereka dan membaginya dengan
hasil perkalian ini. Covarians yang sudah distandardisasi dinamakan Koefisien
Korelasi. Rumusnya sebagai berikut:

Rumus di atas dikenal dengan nama korelasi Pearson Product-Moment

atau Pearson Correlation Coefficient dan ditemukan oleh Karl Pearson. Jenis lain
uji korelasi yang populer digunakan adalah Spearman Rank Correlation (rho). Uji
statistik korelasi ini banyak digunakan untuk statistik nonparametrik yang datanya
tidak berdistribusi normal dan diukur menggunakan skala ordinal. Tulisan ini
hanya akan membahas uji korelasi Pearson Product Moment. 5
Pearson Product Moment
Adapun rumus Pearson Product Moment (r) adalah sebagai berikut di bawah ini:
 16

Lihat tabel di bawah ini dalam perhitungan korelasi Pearson:

Tabel 2.2 Perhitungan korelasi pearson3

Cara melakukan perhitungan manual untuk uji korelasi di atas adalah sebagai
berikut2

Asumsi Uji Korelasi

Sebelum diimplementasi, uji Korelasi terlebih dulu harus memenuhi serangkaian
asumsi. Asumsi-asumsi uji Korelasi adalah sebagai berikut:6

1. Normalitas. Artinya, sebaran variabel-variabel yang hendak dikorelasikan

harus berdistribusi normal.
2. Linearitas. Artinya hubungan antara dua variabel harus linier. Misalnya
ditunjukkan lewat straight-line.
3. Ordinal. Artinya, variabel harus diukur dengan minimal skala Ordinal.
 17

4. Homoskedastisitas. Artinya, variabilitas skor di variabel Y harus tetap

konstan di semua nilai variabel X.

2) UJI T
Uji-t adalah jenis pengujian statistika untuk mengetahui apakah ada
perbedaan dari nilai yang diperkirakan dengan nilai hasil perhitungan statistika.
Uji t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel bebas
secara individual dalam menerangkan variasi variabel terikat. Uji-t menilai apakah
mean dan keragaman dari dua kelompok berbeda secara statistik satu sama lain.
Analisis ini digunakan apabila kita ingin membandingkan mean dan keragaman
dari dua kelompok data, dan cocok sebagai analisis dua kelompok rancangan
percobaan acak. Uji t digunakan untuk menguji secara parsial masing-masing
variabel. Hasil uji t dapat dilihat pada tabel coefficients pada kolom sig
(significance). Jika probabilitas nilai t atau signifikansi < 0,05, maka dapat
dikatakan bahwa terdapat pengaruh antara variabel bebas terhadap variabel terikat
secara parsial. Namun, jika probabilitas nilai t atau signifikansi > 0,05, maka
dapat dikatakan bahwa tidak terdapat pengaruh yang signifikan antara masing-
masing variabel bebas terhadap variabel terikat.2
a. Uji T Sampel Independen
Uji t untuk sampel independen merupakan prosedur uji t untuk sampel
bebas dengan membandingkan rata-rata dua kelompok kasus. Kasus yang diuji
bersifat acak. Pengujian hipotesis dengan distribusi t adalah pengujian hipotesis
yang menggunakan distribusi t sebagai uji statistik. Tabel pengujian disebut tabel
t-student.2
Kriteria data untuk uji t sampel independen :
- Data untuk dua sampel bersifat independen
- Sampel acak dari distribusi normal
Fungsi pengujian uji t :
- Untuk memperkirakan interval rata-rata.
- Untuk menguji hipotesis tentang rata-rata suatu sampel.
- Untuk mengetahui batas penerimaan suatu hipotesis.
 18

- Untuk menguji layak tidaknya sebuah pernyataan dapat dipercaya atau tidak.
b. Macam-Macam Uji t dan Perbedaannya
Dalam melakukan uji t kita sering mengalami kebingungan uji mana yang
akan kita guanakan. Berikut akan dijelaskan mengenai macam-macam Uji t dan
Perbedaannya. Salah satu cabang ilmu statistik yang digunakan untuk membuat
keputusan adalah uji hipotesis. Hipotesis adalah suatu anggapan atau pernyataan
yang mungkin benar dan mungkin juga tidak benar tentang suatu populasi.
Dengan menggunakan uji hipotesis, peneliti dapat menguji berbagai teori yang
berhubungan dengan masalah-masalah yang sedang diteliti. Salah satu metode
untuk menguji hipotesis adalah sample t-Test, dimana metode sample t-Test
dibagi menjadi tiga, yaitu one sample t-Test, paired sample t-Test dan
independent sample t-Test. Uji hipotesis t-Test adalah uji hipotesis yang
digunakan untuk mengetahui apakah ada perbedaan rata-rata dari sampel yang
diambil.2
Berikut adalah macam-macam Uji T
1. One Sample t-Test
One sample t test merupakan teknik analisis untuk membandingkan satu
variabel bebas. Teknik ini digunakan untuk menguji apakah nilai tertentu berbeda
secara signifikan atau tidak dengan rata-rata sebuah sampel. Pada uji hipotesis ini,
diambil satu sampel yang kemudian dianalisis apakah ada perbedaan rata-rata dari
sampel tersebut. Prosedur yang umum dan harus diikuti untuk melakukan uji
hipotesis ini adalah sebagai berikut :
a. Mencari hipotesis nol dan hipotesis alternatifnya.
b. Memilih tingkat kepercayaan tertentu dan menentukan besarnya sampel yang
diambil.
c. Memilih statistik uji yang sesuai sebagai dasar bagi prosedur pengujian.
d. Menentukan daerah kritisnya.
e. Mengumpulkan data sampel dan menghitung statistik sampelnya, kemudian
diubah ke dalam variabel normal standar (Z) atau t (tergantung banyaknya
sampel).
f. Menyatakan H0 diterima atau ditolak.
 19

2. Paired-sample t-Test
Analisis Paired-sample t-Test merupakan prosedur yang digunakan untuk
membandingkan rata-rata dua variabel dalam satu group. Artinya analisis ini
berguna untuk melakukan pengujian terhadap satu sampel yang mendapatkan
sutau treatment yang kemudian akan dibandingkan rata-rata dari sampel tersebut
antara sebelum dan sesudah treatment. 4
3. Independent sample t-Test
Independent sample t-Test adalah uji yang digunakan untuk menentukan
apakah dua sampel yang tidak berhubungan memiliki rata-rata yang berbeda. Jadi
tujuan metode statistik ini adalah membandingkan rata-rata dua grup yang tidak
berhubungan satu sama lain. Pertanyaan yang coba dijawab adalah apakah kedua
grup tersebut mempunyai nilai rata-rata yang sama ataukah tidak sama secara
signifikan.4
3) Uji Z

Uji Z adalah salah satu uji statistika yang pengujian hipotesisnya didekati
dengan distribusi normal. Menurut teori limit terpusat, data dengan ukuran
sampel yang besar akan berdistribusi normal. Oleh karena itu, uji Z dapat
digunakan utuk menguji data yang sampelnya berukuran besar. Jumlah sampel 30
atau lebih dianggap sampel berukuran besar. Selain itu, uji Z ini dipakai untuk
menganalisis data yang varians populasinya diketahui. Namun, bila varians
populasi tidak diketahui, maka varians dari sampel dapat digunakan sebagai
penggantinya. 2
· Kriteria Penggunaan uji Z
1. Data berdistribusi normal
2. Variance (σ2) diketahui
3. Ukuran sampel (n) besar, ≥ 30
4. Digunakan hanya untuk membandingkan 2 buah observasi.
Jadi, perbedaan dari uji t, uji f, dan uji z adalah:
- Uji Z adalah salah satu uji statistika yang pengujian hipotesisnya didekati
dengan distribusi normal. Menurut teori limit terpusat, data dengan ukuran sampel
 20

yang besar akan berdistribusi normal. Oleh karena itu, uji Z dapat digunakan utuk
menguji data yang sampelnya berukuran besar. Jumlah sampel 30 atau lebih
dianggap sampel berukuran besar. Selain itu, uji Z ini dipakai untuk menganalisis
data yang varians populasinya diketahui. Namun, bila varians populasi tidak
diketahui, maka varians dari sampel dapat digunakan sebagai penggantinya. 4
- Independen T Test adalah uji komparatif atau uji beda untuk mengetahui
adakah perbedaan mean atau rata-rata yang bermakna antara 2 kelompok bebas
yang berskala data interval/rasio. Dua kelompok bebas yang dimaksud di sini
adalah dua kelompok yang tidak berpasangan, artinya sumber data berasal dari
subjek yang berbeda. Misal Kelompok Kelas A dan Kelompok kelas B, di mana
responden dalam kelas A dan kelas B adalah 2 kelompok yang subjeknya berbeda.
Bandingkan dengan nilai pretest dan posttest pada kelas A, di mana nilai pretest
dan posttest berasal dari subjek yang sama atau disebut dengan data berpasangan.
Apabila menemui kasus yang data berpasangan, maka uji beda yang tepat adalah
uji paired t test. Uji T digunakan untuk sample 30. Jadi, uji T adalah uji yang
mengukur perbedaan dua atau beberapa mean antar kelompok. 2
- Uji F sering disebut dengan uji varians atau analisis keragaman atau analisis
varians (ANOVA = analisis of variance) adalah membandingkan nilai F hitung
dengan nilai F tabel atau F standar. Dapat pula dikatakan bahwa uji F adalah
untuk menguji kesamaan dua varians atau kesamaan dua ragam populasi. F hitung
atau F calculation adalah perbandingan varians dua kelompok data, atau
perbandingan antara varians perlakuan dengan varians residu dalam percobaan.
Uji F adalah uji yang mengukur besarnya perbedaan variance antara kedua atau
beberapa kelompok.2
b. Uji Statistik Non Parametrik
Uji statistik non parametrik ialah suatu uji statistik yang tidak memerlukan adanya
asumsi-asumsi mengenai sebaran data populasi. Uji statistik ini disebut juga
sebagai statistik bebas sebaran (distribution free). Statistik non parametrik tidak
mensyaratkan bentuk sebaran parameter populasi berdistribusi normal. Statistik
nonparametrik dapat digunakan untuk menganalisis data yang berskala nominal
atau ordinal karena pada umumnya data berjenis nominal dan ordinal tidak
 21

menyebar normal. Dari segi jumla data, pada umumnya statistik non parametrik
digunakan untuk data berjumlah kecil (n <30).
Istilah non parametrik pertama kali digunakan oleh Wolfowitz, pada tahun
1942. Istilah lain yang sering digunakan untuk statistik non parametrik adalah
statistik bebas distribusi (distribution free statistics) dan uji bebas asumsi
(assumption-free test). Statistik nonparametric banyak digunakan pada penelitian-
penelitian sosial. Data yang diperoleh dalam penelitian sosial pada umumnya
berbentuk kategori atau berbentuk rangking.2
Keunggulan Statistik Non Parametrik
a. Asumsi dalam uji-uji statistik non parametrik relatif lebih longgar. Jika
pengujian data menunjukkan bahwa salah satu atau beberapa asumsi yang
mendasari uji statistik parametrik. (misalnya mengenai sifat distribusi
data) tidak terpenuhi, maka statistik non parametrik lebih sesuai
diterapkan dibandingkan statistik parametrik.
b. Perhitungan-perhitungannya dapat dilaksanakan dengan cepat dan mudah,
sehingga hasil penelitian segera dapat disampaikan.
c. Untuk memahami konsep-konsep dan metode-metodenya tidak
memerlukan dasar matematika serta statistika yang mendalam.
d. Uji-uji pada statistik nonparametrik dapat diterapkan jika kita
menghadapi keterbatasan data yang tersedia, misalnya jika data telah
diukur menggunakan skala pengukuran yang lemah (nominal atau
ordinal).
e. Efisiensi statistik nonparametrik lebih tinggi dibandingkan dengan
metode parametrik untuk jumlah sampel yang sedikit.
Keterbatasan Statistik Non Parametrik
Disamping keunggulan, statistik non parametrik juga memiliki keterbatasan.
Beberapa keterbatasan statistik non parametrik antara lain:
a. Jika asumsi uji statistik parametrik terpenuhi, penggunaan uji non
parametrik meskipun lebih cepat dan sederhana, akan menyebabkan
pemborosan informasi.
 22

b. Jika jumlah sampel besar, tingkat efisiensi non parametrik relatif lebih
rendah dibandingkan dengan metode parametrik.
Macam-macam Uji Non Parametik
a. Uji Chi Square
b. Uji Median
c. Uji tanda
d. Uji Korelasi Peringkat Spearman
e. Uji Korelasi Kendall Tau
a) Uji Chi Square (χ2)
Uji χ2 hanya digunakan untuk data diskrit. Uji ini adalah uji independensi,
dimana suatu variable tidak dipengaruhi atau tidak ada hubungan dengan variable
lain. χ2 bukan merupakan ukuran derajat hubungan. Data yang
dianalisis pada uji chi kuadrat dapat berupa data nominal atau data ordinal.
Hipotesis nol pada uji χ2 menyatakan terjadi keselarasan antara frekuensi harapan
dan ferkuensi pengamatan. 2
Uji ini hanya digunakan untuk mengestimasi barangkali bahwa beberapa
faktor, disamping sampling error, dipandang mempengaruhi adanya hubungan.
Selama hipotesa nihil menyatakan bahwa tidak ada hubungan(variable-
variabelnya independen), uji ini hanya mengevaluasi kemungkinan bahwa
hubungan dari nilai pengamatan disebabkan oleh sampling error. Hipotesa nihil
ditolak bila nilai χ2 yang dihitung dari sampel lebih besar dari nilai χ2 dalam tebel
berdasarkan level of significance tertentu. 2
Ho diterima apabila: χ2 < χ2; derajat bebas tertentu
Ho ditolak apabila: χ2 > χ2; derajat bebas tertentu
Diketemukan nilai χ2 yang signifikan belum tentu menunjukkan adanya
hubungan sebab akibat (seperti halnya pada korelasi). Diketemukan nilai χ2 yang
signifikan menunjukkan bahwa variabel-variabelnya dependen. 2
Berikut rumus untuk menghitung nilai uji statistik chi kuadrat:
Keterangan :
fp merupakan frekuensi pengamatan
fh merupakan frekuensi harapan atau teori
 23

X2 merupakan nilai uji statistik Chi kuadrat

Nilai uji statistik chi kuadrat kemudian dibandingkan dengan dengan nilai
kritis berdasarkan tabel nilai kritis chi kuadrat. Berikut aturan keputusan
berdasarkan uji statistik chi kuadrat:

b) Uji Median
Uji median adalah metode non parametrik yang paling sederhana. Uji
median ini adalah merupakan prosedur pengujian apakah dua atau lebih populasi
dari mana sampel independen diambil mempunyai median yang sama. Untuk
menyederhanakannya hanya akan dibatasi pada dua sampel saja (sebenarnya
prosedur ini dapat dengan mudah diperluas untuk tiga sampel atau lebih). 2
Uji non parametrik ini dipergunakan untuk menentukan signifikansi
perbedaan antara median dari dua populasi yang independen. Hipotesa nihil yang
akan diuji menyatakan bahwa populasi dari mana dua sampel itu diambil
mempunyai median yang sama. Hipotesa alternatifnya menyatakan bahwa dua
populasi itu mempunyai median yang berbeda. 6
Uji median tidak memerlukan anggapan-anggapan tertentu tentang dua
populasi dari mana sampel diambil. Untuk keperluan uji median ini perlu
ditentukan/dihitung lebih dahulu median dari kombinasi distribusi sampelnya
(overall median). Kemudian untuk setiap grup dihitung frekuensi nilai yang
terletak pada/diatas overall median dan yang terletak dibawah overall median.
Bila n1 dan n2 adalah jumlah pengamatan dalam dua sample, dapatlah
dipergunakan tabel 2 x 2 sebagai berikut:

Tabel 2.3. Uji median pada pengamatan dua sampel3

Apabila hipotesa nihil benar, berarti bahwa dua populasi dari mana sampel
diambil mempunyai median yang sama, dapat diharapkan bahwa setengah dari
 24

score masing-masing sampel akan terletak diatas dan setengahnya akan jatuh
dibawah median. Dengan perkataan lain dapat diterapkan bahwa a = c = 0,5 n1
dan b = d = 0,5 n2.
Kemudian bila n = n1 + n2 lebih besar frekuensi yang diharapkan dalam
salah satu sel sekurang-kurangnya 5, dapatlah dipergunakan uji dengan uji
statistik yang dinyatakan dengan rumus sebagai berikut3:

Yang mempunyai derajat bebas 1

Kriteria keputusan pengujinya adalah:

c) Uji tanda (Sign Test)

Di dalam menggunakan t test, populasi dari mana sampel diambil harus
didistribusikan normal. Untuk pengujian perbedaan mean dari dua populasi
didasarkan pada anggapan bahwa variance populasinya harus identik/sama. Dalam
banyak hal bila salah satu atau dua anggapan tersebut tidak dapat diketahui, maka
t test tidak dapat dipergunakan. Dalam hal demikian dapatlah dipergunakan uji
non parametrik yang umum dikenal sebagai uji tanda (sign test). 4
Uji tanda didasarkan atas tanda-tanda, positif atau negatif, dari perbedaan
antara pasangan pengamatan. Bukan didasarkan pada besarnya perbedaan. Uji
tanda dapat dipergunakan untuk mengevaluasi efek dari suatu treatment tertentu.
Efek dari variabel eksperimen atau treatment tidak dapat diukur melainkan hanya
dapat diberi tanda positif atau negatif saja. Sebagai contoh misalnya: apakah
penerangan akan kebersihan dan kesehatan ada manfaatnya untuk menyadarkan
penduduk dalam hal kebersihan dan kesehatan. 4
Untuk itu perlu diamati sebelum dan sesudah beberapa
minggu diadakan penerangan. Efek penerangan kesadaran penduduk tidak dapat
diukur, tetapi hanya dapat diberi tanda positif atau negatif saja.
 25

Apabila (X-Y) menunjukkan beda dari kedua variabel random dan m

menunjukan median dari beda ini, maka uji tanda dapat dipergunakan untuk
menguji hipotesa nilil Ho : m = 0 dengan hepotesa alternatif H1 : m ≠ 0. Bila Ho
benar haruslah probabilitas untuk memperoleh suatu beda yang bertanda positif
sama dengan probabilitas untuk memperoleh beda tanda yang bertanda negatif
yaitu masing-masing sebesar 0,5. 2
Uji tanda bertitik-tolak pada kenyataan ini, karena apabila Ho benar,
dapatlah diharapkan bahwa beda yang bertanda positif kira-kira sama dengan
banyaknya beda yang bertanda negatif dari n buah beda yang diamati. Dengan
demikian dapatlah hipotesa nihil dinyatakan dengan Ho : P = 0,5, di mana P
menunjukan probabilitas untuk memperoleh beda yang bertanda positif. Hipotesa
alternatif dinyatakan dengan Ho : P ≠ 0,5 bila dipergunakan pengujian dua arah,
atau H1 : P > 0,5 bila dipergunakan pengujian satu arah.2
Bila n1 menunjukkan banyaknya beda bertanda positif dan n2 menunjukkan
beda yang bertanda negatif maka Ho benar, variabel random.

Akan menyebar menurut distribusi dengan derajat bebas 1. Pasangan

pengamatan yang menghasilkan beda sama dengan 0 tidak diikutsertakan dalam
perhitungan. 2
Berdasarkan distribusi, kriteria keputusan pengujiannya adalah:
 26

d) Uji Korelasi Peringkat Spearman

Metode korelasi jenjang ini dikemukakan oleh Carl Spearman pada tahun
1904. Metode ini diperlukan untuk mengukur keeratan hubungan antara dua
variabel. dimana dua variabel itu tidak mempunyai joint normal distribution dan
conditional variance tidak diketahui sama. Korelasi rank dipergunakan apabila
pengukuran kuantitatif secara eksak tidak mungkin/sulit dilakukan. Misalnya:
mengukur tingkat moral, tingkat kesenangan, tingkat motivasi.
Untuk mengukur tingkat rank-correlation coefficient-nya, yang dinotasikan
dengan rs, dilakukan langkah-langkah sebagai berikut:
1. Nilai pengamatan dari dua variabel yang akan diukur hubungannya diberi
jenjang. Bila ada nilai pengamatan yang sama dihitung nilai rata-ratanya.
2. Setiap pasangan jenjang dihitung perbedaannya.
3. Perbedaan setiap pasang jenjang tersebut dikuadratkan dan dihitung
jumlahnya.
4. Nilai rs (koefisien korelasi Spearman) dihitung dengan rumus:

di mana :
di menunjukkan perbedaan setiap pasang rank
n menunjukkan jumlah pasangan rank
Hipotesa nihil yang akan diuji menyatakan bahwa dua variabel yang diteliti
dengan nilai jenjangnya itu independen, tidak ada hubungan antara jenjang
variabel yang satu dengan jenjang dari variabel lainnya. 2

Kriteria pengambilan keputusannya adalah2:

Untuk n < 30 dapat dipergunakan tabel nilai t, dimana nilai t sampel dapat
dihitung dengan rumus2:
 27

e) Uji Korelasi Kendall Tau

Korelasi Kendall Tau merupakan statistik nonparametrik. Korelasi ini
digunakan pada data sama seperti data yang digunakan pada korelasi spearman
yaitu sekurang-kurangnya data ordinal. Simbol yang biasa digunakan pada ukuran

populasinya adalah (tau) dan ukuran sampelnya adalah T . Formula T adalah

sebagai berikut2:

dimana:
S adalah total skor seluruhnya (grand total), yang merupakan jumlah skor urutan
kewajaran pasangan data pada salah satu variabel. Jika urutan ranking wajar diberi
skor +1, jika urutan ranking tdk wajar diberi skor –1. N adalah banyaknya
pasangan ranking.2

Pada contoh ini, ranking pada variabel X yang diurutkan sehingga ranking pada
variabel Y mengikuti dan akan dicari nilai skor sebenarnya (S).
Mencari nilai S (lihat ranking Y) 2:
 28

Penggunaan formula korelasi kendall T dapat dikoreksi jika data yang digunakan
banyak terdapat angka sama yang berarti juga mempunyai ranking yang sama
(untuk angka sama, ranking dirata-ratakan). Formula dikoreksi menjadi2:
 29

nilai dari T dan rs tidak sama, walaupun dihitung dari pasangan ranking yang
sama, sehingga kedekatan hubungan (asosiasi) variabel tidak bisa dibandingkan
antara nilai T dan rs . nilai rs biasanya lebih besar dari nilai T. namun demikian
ada hubungan antara dua ukuran tersebut, yaitu:

contoh 3: (lihat data pada contoh korelasi spearman)

30
31
 32

DAFTAR PUSTAKA

1. Dahlan MS. Statistik Deskriptif. In: Statistik Untuk Kedokteran dan

Kesehatan: Deskriptif, Bivariat, dan Multivariat Dilengkapi Aplikasi
Menggunakan SPSS. 2014. p. 47–89.
2. Sugiyono. Metode Penelitian Pendidikan Pendekatan Kuantitatif, Kualitatif
dan R&D. Metode Penelitian Pendidikan Pendekatan Kuantitatif, Kualitatif
Dan R&D. 2014. 2012 p.
3. Suryana. Metodologi Penelitian Model Praktis Penelitian Kuantitatif. In:
Metodologi Penelitian. 2015. p. 512.
4. Burgoyne LN, O’Flynn S, Boylan GB. Undergraduate medical research:
the student perspective. Med Educ Online. 2010;15.
5. Smyth GK. Pearson’s Goodness of Fit Statistic as a Score Test Statistic. Sci
Stat A Festschrift Terry Speed [Internet]. 2003;40(March):1–12. Available
from: http://www.statsci.org/webguide/smyth/pubs/goodness.pdf
6. Mukaka M. Statistic Corner A guide to appropriate use of Corelation
coefficient in medical research.pdf. Malawi Med J.
2012;24(3)(September):69–71.