UJI ASOSIASI DAN UJI BEDA

Arif RakhMAN
UJI ASOSIASI
• Uji/Analisis Asosiasi adalah metoda analisis statistik
yang digunakan untuk mencari hubungan antara dua
variabel atau lebih.
• Namun bukan berarti hubungan antara variabel
tersebut menyatakan suatu hubungan sebab akbibat.
• Hal tersebut disebabkan oleh kondisi variabel yang
belum bisa dipastikan memberikan pengaruh
terhadap variabel lainnya.
Analisis Asosiasi
• Untuk mencari keterkaitan antar variabel yang
ada, terdapat beberapa pernyataan hubungan
antara variabel, diantaranya adalah:
– Dalam mengetahui keberadaan hubungan
antar variabel, maka dapat menggunakan
data yang berjenis nominal, ordinal, atau
interval rasio.
– Dalam mengetahui keeratan hubungan antar
variabel, maka dapat menggunakan data
yang berjenis nominal, ordinal, atau interval
rasio.
– Dalam mengetahui arah hubungan, maka
dapat menggunakan data yang berjenis
ordinal atau interval rasio.
– Dalam mengetahui sifat hubungan antar
variabel hanya dapat menggunakan data
yang berjenis interval rasio
• Uji statistik yang paling sering digunakan dalam
analisis asosiasi antara lain:
– Data rasio/interval: Korelasi Pearson
– Data nominal: Chi Square, Koefisien kontingensi
– Data ordinal: Spearman rank, Kendall Tau,
Gamma, Sommer d,
Korelasi Pearson:
PEARSON PRODUCT MOMENT (r)
• Asusmsi dasar:
– Hanya cocok untuk mengukur derajat hubungan
antara variabel yang terkait secara linier.
– Kedua Variabel merupakan variabel random yang
diukur dalam skala interval atau rasio.
– Kedua Variabel mempunyai distribusi normal
(analisis statistik parametrik).
Dasar Keputusan (r)
• Berdasarkan nilai signifikansi Sig. (2-tailed)
– Jika nilai signifikansi Sig. (2-tailed) < 0.05 maka
terdapat korelasi antar variabel yang dihubungkan.
Sebaliknya jika nilai signifikansi Sig. (2-tailed) >
0.05 maka tidak terdapat korelasi.
• Berdasarkan Nilai r hitung (pearson correlations)
– Jika nilai r hitung > r tabel maka ada korelasi antar
variabel. Sebaliknya jika r hitung < r tabel maka
artinya tidak ada korelasi antar variabel.
Contoh:
Langkah2:
• 1. Buka program SPSS, klik Variable
View. Selanjutnya pada bagian Name
tulis saja X1, X2, Y, pada Decimals
ubah semua angka menjadi 0, pada
bagian Label tuliskan Motivasi, Minat,
dan Prestasi. Pada bagian Measure
ganti menjadi Scale.
• 2. Setelah itu klik Data View, masukan
Motivasi (X1), Minat (X2), dan Prestasi
(Y) yang sudah dipersiapkan tadi ke
program SPSS.
• 3. Selanjutnya dari menu utama SPSS,
pilih Analyze, lalu klik Correlate, dan
klik Bivariate.
• 4. Muncul kotak dialog
dengan nama “Bivariate
Correlations”. Masukan
variabel Motivasi (X1),
Minat (X2), dan Prestasi
(Y) pada kotak Variables.
Pada kolom “Correlation
Coefficient” pilih Pearson,
lalu kolom “Test of
Significance” pilih Two-
tailed, dan centang pada
Flag Significan
Correlation, klik Ok.
• Otuput SPSS “Correlations” sebagai
berikut kemudian diinterpretasikan.
Keputusan:
• Berdasarkan nilai
signifikansi Sig. (2-
tailed)
– Nilai Sig. (2-tailed)
antara Motivasi (X1)
dengan Prestasi (Y)
adalah 0.002.
– Maka P Value (0.002) < α
0.05, yang berarti ada
hubungan antara
Variabel Motivasi
dengan Variabel Prestasi.
• Berdasarkan Nilai r
hitung (pearson
correlations)
– Nilai r hitung untuk
Hubungan Motivasi (X1)
dengan Prestasi (Y)
adalah 0.796.
– Selanjutnya menentukan
Nilai r tabel yaitu dengan
meilihat tabel distribusi
nilai r tabel.
• Berdasarkan jumlah
sampel dengan batas
kemaknaan (Level of
Significance) sebesar
5% maka r tabel adalah
0.576.
– Dapat disimpulkan
bahwa r hitung (0.796) >
r tabel (0.576), artinya
ada hubungan antara
Variabel Motivasi
dengan Variabel Prestasi.
CHI SQUARE (X2)

• Asusmsi dasar:
– Bertujuan untuk mengetahui hubungan antar
variabel yang terdapat pada baris dan kolom.
– Jenis data yang digunkan harus nominal atau
ordinal atau salah satu berskala nominal atau
ordinal.
– Merupakan analisis statistik non parametrik.
Dasar Keputusan (X2)
• Berdasarkan nilai signifikansi Asymp. Sig. (2-sided)
– Jika nilai signifikansi Asymp. Sig. (2-sided) < 0.05 maka
terdapat korelasi antar variabel yang dihubungkan.
Sebaliknya jika nilai signifikansi Asymp. Sig. (2-sided) >
0.05 maka tidak terdapat korelasi.
• Berdasarkan Nilai Chi Square (X2 hitung)
– Jika nilai X2 hitung > X2 tabel maka ada korelasi antar
variabel. Sebaliknya jika X2 hitung < X2 tabel maka
artinya tidak ada korelasi antar variabel.
Contoh:
Langkah2:
• 1. Klik Variable View. Masukan data
sesuai dengan ketentuan.
• Untuk mengisi “Values”,
klik kolom None pada
“Values” sampai muncul
kotak dialog “Values
Label”. Pada kotak Value
isikan 1 dan pada kotak
Label isikan Terlindung.
Lalu klik Add.
• Teruskan untuk Value 2
dengan Label Tidak
terlindung, dan untuk
kode-kode pada variabel
lain.
• 2. Kemudian klik Data
View, masukan skor
jawaban untuk semua
variabel sesuai dengan
kolom yang tersedia.
• Bisa dengan copy paste
dari file ms. Excel.
• 3. Pilih menu Analyse, pilih Descriptive Statistics,
pilih Crosstabs.
• 4. Setelah muncul kotak
dialog dengan nama
“Crosstabs”, masukan
variabel Sumber Air
Minum ke kotak Row(s),
sedangkan Variabel
Kejadian Diare ke kotak
Column(s).
• 5. Selanjutnya, klik
“Statistics” hingga
muncul kotak dialog
dengan nama
“Crosstabs Statistics”,
berikan tanda centang
pada bagian Chi Square,
klik Continue.
• Otuput SPSS Chi Square sebagai
berikut kemudian diinterpretasikan.
Keputusan 1:
Berdasarkan nilai signifikansi Asymp. Sig. (2-sided)
Nilai Asymp. Sig. (2-sided) adalah 0,003.
Maka P Value (0,003) < α 0,05, yang berarti Ho ditolak dan Ha diterima,
sehingga ada hubungan antara Variabel.
Keputusan 2:
Berdasarkan nilai Chi Square (X2 hitung)
Nilai X2 hitung (Pearson Chi-Square) adalah 8,889.
Selanjutnya menentukan Nilai X2 tabel yaitu dengan melihat tabel distribusi
nilai X2 tabel.
Keputusan 2:
Berdasarkan nilai Chi Square (X2 hitung)
Nilai X2 hitung (Pearson Chi-Square) adalah 8,889.
Berdasarkan df dengan batas kemaknaan sebesar 5%, maka X2 tabel adalah
3,841.
Dapat disimpulkan bahwa X2 hitung (8,889) > X2 tabel (3,841), artinya Ho
ditolak dan Ha diterima, sehingga ada hubungan antara Variabel
SPEARMAN RANK/RHO (ρ)

• Asusmsi dasar:
– Untuk menguji hubungan antar variabel pada statistik
non parametrik dengan skala ordinal.
– Dapat digunakan untuk melihat kekuatan (keeratan)
hubungan dua variabel, arah (jenis) hubungan dua
variabel, & melihat signifikansi dari hubungan
tersebut.
– Digunakan jika data antar variabel diambil dari dua
kelompok data yang berbeda (tidak berpasangan).
Kriteria Tingkat Keeratan Korelasi
Sumber: Budi, T.P. 2006. SPSS 13.0 Riset Statistik Parametrik. Penerbit C.V Andi Offset, Yogyakarta.

• Nilai koefisien korelasi sebesar 0,001 – 0,200 = hubungan

sangat lemah
• Nilai koefisien korelasi sebesar 0,201 – 0,400 = hubungan
lemah
• Nilai koefisien korelasi sebesar 0,401 – 0,600 = hubungan
cukup kuat
• Nilai koefisien korelasi sebesar 0,601 – 0,800 = hubungan
kuat
• Nilai koefisien korelasi sebesar 0,801 – 1,000 = hubungan
sangat kuat
Kriteria Arah Korelasi
• Arah korelasi dapat dilihat pada angka koefisien
korelasi sebagaimana tingkat kekuatan korelasi.
• Jika koefisien korelasi bernilai positif, maka
hubungan kedua variabel searah, artinya jika variabel
X meningkat maka variabel Y juga meningkat.
• Jika koefisien korelasi bernilai negatif , maka
hubungan kedua variabel tidak searah, artinya jika
variabel X meningkat maka variabel Y akan menurun.
Kriteria Signifikansi Korelasi
• Keeratan dan arah korelasi akan memiliki arti jika
hubungan antar variabel tersebut signifikan.
– Jika nilai signifikansi Sig. (2-tailed) < 0.05 maka
terdapat hubungan yang signifikan antar variabel.
– Sebaliknya jika nilai signifikansi Sig. (2-tailed) >
0.05 maka hubungan antar variabel tersebut tidak
signifikan atau tidak berarti.
Contoh Pengambilan Keputusan:
• P Value (0.002) < α 0.05  Ho ditolak dan Ha diterima,
sehingga ada hubungan yang signifikan.
• Nilai ρ (Correlation Coefficient) sebesar 0.838, artinya
memiliki hubungan kuat.
• Nilai ρ (Correlation Coefficient) sebesar 0.838, artinya
hubungan tersebut bersifat searah.
Spearman Rho (ρ)
• LANGKAH-LANGKAH:
• https://www.spssindonesia.com/2017/04/analisis-
korelasi-rank-spearman.html
• KENDALL’S TAU B
• https://www.spssindonesia.com/2019/01/cara-uji-
korelasi-kendalls-dengan-spss.html
• REGRESI LOGIISTIK (Multivariat)
• https://www.statistikian.com/2015/02/regresi-
logistik-dengan-spss.html
UJI BEDA
• Dipergunakan untuk mencari perbedaan, baik antara dua
sampel data atau antara beberapa sampel data.
• Uji beda parametrik yang sering digunakan:
– Independent t-test
– Paired t-test
– ANOVA
• Uji beda non parametrik yang sering digunakan:
– Mann Witney
– Wilcoxon Sign
– Kruskal Wall
PAIRED T-TEST (t)

• Asusmsi dasar:
– Merupakan uji komparaif atau uji perbandingan
dengan menggunakan data berskala interval atau
rasio.
– Digunakan untuk mengetahui perbedaan rata-rata
dua sampel (dua kelompok) yang saling
berpasangan (berhubungan).
– Merupakan analisis statitik parametrik artinya
data harus berdistribusi normal.
• Asusmsi dasar:
– Mengharuskan adanya uji normalitas terlebih
dahulu.
– Jika data tidak berdistribusi normal maka dapat
menggunakan uji non parametrik alternatifnya
yaitu Wilcoxon Signed Rank Test.
Dasar Keputusan (t)
• Berdasarkan nilai signifikansi Sig. (2-tailed)
– Jika nilai signifikansi Sig. (2-tailed) < 0.05 maka
terdapat perbedaan mean (nilai rata-rata) antar
kelompok data yang dibandingkan. Sebaliknya jika
nilai signifikansi Sig. (2-tailed) > 0.05 maka tidak
terdapat perbedaan.
• Berdasarkan Nilai t hitung
– Jika nilai t hitung > t tabel maka terdapat perbedaan
nilai rata-rata antar kelompok data yang dibandingkan.
Sebaliknya jika t hitung < t tabel maka tidak ada
perbedaan mean.
Contoh:
Uji Normalitas

• Berdasarkan uji normalitas menggunakan Shapiro-

Wilk diketahui bahwa nilai Sig. untuk Pre test sebesar
0,345 dan nila Post Test sebesar 0.114, maka lebih
besar dari 0.05 sehingga dapat disimpulkan bahwa
data berdistribusi normal  Uji paired t-test belaku.
Langkah2:
• 1. Klik Variable View. Pada bagian Name ketik
Pretest dan Posttest. Pada bagian Decimals ubah
menjadi 0. pada bagian Label ketik Pre Test dan Post
test. Pada bagian Measue pilih Scale. Kolom lain
tidak perlu diubah.
• 2. Kik Data View atau
tekan tombol CTRL+T.
Berikutnya masukan
skor yang sudah
terkumpul pada kolom
Pretest dan Posttest.
• 3. Klik Analyze, lalu pilih Compare Means, kemudian
klik Paired-Samples T Test.
4. Ketika muncul kotak dialog “Paired-Samples T Test”,
klik pada variabel Pre Test dan masukan ke kotak
sebelahnya (Paired Variables) dengan cara klik tombol
panah. Lakukan cara yang sama pada data Post test.
Jika sudah maka akan tampak seperti di atas.
• Berikutnya klik Options,
maka akan muncul
kotak dialog “Paired-
Samples T Test:
Options”. Pada
Confidence Interval
Percentage tulis 95
(artinya menggunakan
batas kemaknaan 5%),
kemudian klik Continue.
• Output “Paired-Samples T Test”
sebagai berikut:
Output:
Pada tabel output diketahui nilai Mean Pretest adalah 54.62 dan
nilai Mean Posttest adalah 67.69. Maka secara deskriptif ada
perbedaan rata-rata antara Pre-Test dan Post-Test.
Keputusan 1:
Berdasarkan nilai signifikansi Sig. (2-tailed)
P Value (0.002) < α 0.05, artinya ada perbedaan nilai rata-rata antara
Pre-Test dan Post-Test.
Berdasarkan Nilai t hitung
Berdasarkan output di atas, t hitung sebesar 3,930.
Selanjutnya tentukan nilai t tabel dengan melihat pada tabel
distribusi nilai t tabel.
• Nilai t tabel ditentukan
berdasarkan degree of
freedom atau derajat
kebebasan (df = N-1)
dan nilai signifikansi
(α/2), maka didapatkan
t tabel sebesar 2,179.
Keputusan 1:
Berdasarkan Nilai t hitung
Berdasarkan output di atas, t hitung sebesar 3,930.
Berdasarkan tabel, diketahui t tabel sebesar 2,179.
Dapat disimpulkan bahwa t hitung (3,930) > t tabel (2,179),
artinya terdapt perbedaan nilai mean antara pretest dan
posttest.
INDEPENDET T-TEST (t)

• Asusmsi dasar:
– Merupakan analisis statistik yang bertujuan untuk
membandingkan dua sampel yang tidak saling
berpasangan.
– Jumlah data untuk masing2 sampel kurang dari
30. jika lebih dari 30 maka sebaiknya
menggunakan Uji Z (Wilcoxon Rank Sum Test).
– Data yang digunakan berskala interval atau rasio.
• Asusmsi dasar:
– Data untuk kedua sampel berdistribusi normal.
Jika ada data yang tidak berdistribusi normal maka
menggunaka uji non-parametrik alternatif yaitu Uji
Mann Whitney.
– Mengharuskan dilakukannya uji normalitas data.
Independet t-test (t)
• LANGKAH-LANGKAH:
– https://www.spssindonesia.com/2015/05/cara-
uji-independent-sample-t-test-dan.html
 • WILCOXON SIGNED RANK (uji beda berpasangan)
– https://www.spssindonesia.com/2017/04/cara-uji-
wilcoxon-spss.html
• MANN-WHITNEY U TEST (uji beda 2 kelompok)
– https://www.spssindonesia.com/2017/04/uji-mann-
whitney-spss.html
• ONE WAY ANOVA (uji beda lebih dari 2 kelompok
berpasangan)
• https://www.spssindonesia.com/2017/10/analisis-anova-
satu-faktor-spss.html
END