-9-

ANALISIS NON PARAMETRIK

Analisis non parametrik adalah analisis yang tidak menggunakan

parameter seperti data harus terdistribusi normal, dan parameter-
parameter lainnya seperti data harus homogeny, linier dsb. Analisis non
parametrik biasanya digunakan untuk melakukan analisis pada data
berjenis nominal atau ordinal, tetapi juga dapat digunakan untuk data
berjenis interval atau rasio sebagai alternatif analisis jika asumsi
parametrik tidak terpenuhi seperti data tidak normal.
Uji non parametric yang akan dibahas di buku ini adalah uji yang
sering digunakan yaitu uji Pearson Chi Square, uji Kolmogorov Smirnov
untuk uji normalitas data, Two Independent Samples Test (sebagai
alternatif Independent Samples T Test), Two Related Samples Test
(sebagai alternatif Paired Samples T Test), K Independent Samples Test
(sebagai alternatif One Way ANOVA), dan analsisi korelasi Spearman
dan Kendall Tau (sebagai alternatif analisis korelasi Pearson).
Berikut ini akan dibahas berbagai macam analisis non parametrik
dan pengujian normalitas data.

A. Uji Pearson Chi Square dalam analisis Crosstabs

Uji Pearson Chi Square dalam analisis Crosstabs digunakan untuk
menguji hubungan antara variabel kolom dan baris, apakah ada
hubungan atau tidak secara signifikan. Data variabel kolom dan baris
berjenis nominal (atau bisa ordinal tetapi tidak diukur tingkatannya).
Contoh kasus:
Seorang mahasiswa ingin meneliti apakah ada hubungan antara jenis
kelamin dengan sikap konsumen terhadap produk makanan merk
‘Nikmat’. Atau ingin diketahui apakah apakah ada perbedaan sikap
konsumen terhadap produk makanan merk ‘Nikmat’ jika dilihat dari
jenis kelamin. Penelitian menggunakan kuisioner dengan jumlah sampel
sebanyak 20 responden. Data-data yang didapat ditabulasikan sebagai
berikut:
 Jenis kelamin Sikap konsumen terhadap
Subjek produk makanan
1 1 4
2 1 4
3 2 3
4 1 3
5 2 1
6 2 2
7 2 3
8 1 2
9 1 3
10 1 4
11 2 2
12 1 3
13 2 3
14 1 4
15 2 1
16 2 3
17 2 1
18 1 2
19 2 3
20 1 4

Keterangan:
- Jenis kelamin : 1 = Laki-laki, 2 = Perempuan
- Sikap konsumen : 1 = Tidak puas, 2 = Kurang puas, 3 = Puas, 4
= Sangat puas

Langkah-langkah analisis data sebagai berikut:

1. Buka program SPSS, pada kotak dialog SPSS for Windows, klik
Cancel (karena ingin membuat data baru).
2. Pada halaman SPSS yang terbuka, klik Variable View. Selanjutnya
membuat variabel, langkah sebagai berikut:
- Pada kolom Name baris pertama ketikkan Jenis_kelamin, pada
Decimals ganti menjadi 0, pada Label ketik Jenis kelamin. Pada
 Values, buatlah value yaitu 1 = Laki-laki, 2 = Perempuan. Pada
Measure pilih Nominal. Sedangkan untuk kolom-kolom lainnya
biarkan isian default.
- Pada kolom Name baris kedua ketikkan Sikap, pada Decimals ganti
menjadi 0, pada Label ketik Sikap konsumen. Pada Values, buatlah
value yaitu 1 = Tidak puas, 2 = Kurang puas, 3 = Puas, 4 = Sangat
puas. Pada Measure pilih Nominal. Sedangkan untuk kolom-kolom
lainnya biarkan isian default.
Berikut gambar hasil pembuatan variabel:

Hasil pembuatan variabel

3. Langkah selanjutnya memasukkan data di halaman Data View,

dengan ini klik tab Data View. Isikan data pada variabel
Jenis_kelamin dan Sikap (Anda juga dapat membuat data terlebih
dahulu di program Ms Excel, selanjutnya tinggal di copy paste di
halaman Data View pada SPSS). Berikut gambar hasil memasukkan
data:
 Hasil memasukkan data

4. Selanjutnya melakukan analisis data, pada menu bar klik Analyze >>
Descriptive Statistics >> Crosstabs

Langkah memilih alat analisis

5. Selanjutnya terbuka kotak dialog Crosstabs. Pindahkan variabel Jenis
kelaminke kolom Rows(s) dan variabel Sikap konsumen ke kotak
Column(s).

Kotak dialog Crosstabs

6. Selanjutnya klik tombol Statistics. Untuk melakukan uji Pearson Chi

Square, beri tanda centang pada Chi-square. Kemudian klik tombol
Continue.
 Kotak dialog Crosstabs: Statistics

7. Jika sudah klik tombol OK, maka hasil output sebagai berikut:
 Output uji Pearson Chi Square

Analisis output:
Pada output pertama menjelaskan tentang ringkasan data. Untuk
data jenis kelamin dan sikap konsumen yang valid berjumlah 20 dan
tidak ada data yang hilang (missing) dengan prosentase 100%. Pada
output kedua menjelaskan tentang tabulasi silang antara variabel jenis
kelamin dengan sikap konsumen. Dari output dapat diketahui bahwa
jenis kelamin laki-laki dengan sikap tidak puas tidak ada, kurang puas
ada 2 orang, puas 3 orang, dan sangat puas 5 orang. Sedangkan untuk
jenis kelamin perempuan dengan sikap tidak puas sebanyak 3 orang,
kurang puas 2 orang, puas 5 orang, dan yang yang menjawab sangat
tidak puas tidak ada. Di sini dapat dilihat bahwa jumlah subjek laki-laki
sebanyak 10 orang dan perempuan juga 10 orang. Sedangkan output
ketiga menjelaskan tentang uji statistic Chi square, prosedur pengujian
sebagai berikut:
Uji Pearson Chi square dimaksudkan untuk menguji hubungan antar dua
variabel yaitu antara jenis kelamin dengan sikap konsumen.
Langkah-langkah pengujian sebagai berikut:
1. Merumuskan hipotesis
Ho : Tidak ada hubungan antara jenis kelamin dengan sikap
konsumen
Ha : Ada hubungan antara jenis kelamin dengan sikap konsumen
2. Menentukan Chi square hitung dan Chi square tabel
- Nilai Chi square hitung adalah 8,500
 - Nilai Chi Square tabel dapat dicari pada tabel statistik pada
tingkat signifikansi 0,05, dan df = 3, didapat Chi square tabel
adalah 7,815.
Cara lain mencari Chi Square tabel yaitu menggunakan program
Ms Excel. Pada sel kosong ketik chiinv(0.05,3) kemudian tekan
Enter.
3. Kriteria pengujian
- Jika Chi square hitung ≤ Chi square tabel maka Ho diterima
- Jika Chi square hitung > Chi square tabel maka Ho ditolak
4. Membuat kesimpulan
Dari output dapat diketahui nilai Chi square hitung > Chi
squaretabel (8,500 > 7,815) maka Ho ditolak. Jadi dapat
disimpulkan bahwa ada hubungan antara jenis kelamin dengan
sikap konsumen. Atau dapat diartikan bahwa ada perbedaan sikap
konsumen terhadap produk makanan merek ‘Nikmat’ jika dilihat
dari jenis kelamin. Perbedaan terletak dari jumlah laki-laki lebih
cenderung bersikap lebih puas daripada perempuan (dapat dilihat
pada output Crosstabulations).

Pengambilan keputusan berdasar Signifikansi

1. Menentukan hipotesis nol dan hipotesis alternatif
Ho : Tidak ada hubungan antara jenis kelamin dengan sikap
konsumen
Ha : Ada hubungan antara jenis kelamin dengan sikap konsumen
2. Menentukan signifikansi
Dari output dapat diketahui signifikansi sebesar 0,037.
3. Pengambilan keputusan
Signifikansi > 0,05 jadi H0 diterima
Signifikansi ≤ 0,05 jadi H0 ditolak
4. Kesimpulan
Dapat diketahui bahwa nilai signifikansi < 0,05 (0,037 < 0,05) maka
H0 ditolak. Jadi dapat disimpulkan bahwa ada hubungan antara
jenis kelamin dengan sikap konsumen. Atau dapat diartikan
bahwa ada perbedaan sikap konsumen terhadap produk makanan
merk ‘Nikmat’ jika dilihat dari jenis kelamin.
B. One Sample Kolmogorov Smirnov Test untuk uji normalitas data
One Sample Kolomogorov-Smirnov Test atau uji satu sampel
Kolmogorov Smirnov, digunakan untuk mengetahui distribusi data,
apakah mengikuti distribusi secara teoritis (distribusi normal, poisson,
uniform, atau exponential). Uji One Sample Kolmogorov-Smirnov ini
biasanya digunakan untuk menguji normalitas data berskala interval atau
rasio. Pada pembahasan ini akan dibahas penggunaan uji One Sample
Kolmogorov Smirnov untuk uji normalitas data.
Uji normalitas sendiri digunakan untuk mengetahui apakah data
terdistribusi dengan normal atau tidak, hal ini sebagai prasyarat
digunakannya analisis parametrik.
Contoh kasus:
Untuk contoh kasus menggunakan kasus pada analisis korelasi Pearson
pada bab sebelumnya. Dalam contoh kasus tersebut sebelum dilakukan
analisis korelasi Pearson dilakukan uji normalitas data terlebih dahulu.
Data-data ditabulasikan sebagai berikut:

No Kecemasan Masa Depan (X) Optimisme (Y)

1 75 145
2 84 152
3 92 168
4 81 135
5 85 138
6 87 136
7 85 128
8 75 118
9 77 134
10 82 141
11 83 137
12 78 125
13 82 128
14 89 137
15 90 133
16 87 128
17 85 122
18 89 137
 19 84 130
20 95 146
21 94 142
22 86 134
23 82 129
24 82 132
25 95 145
26 91 136
27 94 146
28 86 142
29 83 136
30 87 139

Berikut akan dilakukan uji One Sample Kolmogorov Smirnov

untuk mengetahui apakah data ‘Kecemasan masa depan’ dan
‘Optimisme’ berdistribusi normal atau tidak.
Langkah-langkah analisis data sebagai berikut:
1. Buka program SPSS, pada kotak dialog SPSS for Windows, klik Cancel
(karena ingin membuat data baru).
2. Pada halaman SPSS yang terbuka, klik Variable View. Selanjutnya
membuat variabel, langkah sebagai berikut:
- Pada kolom Name baris pertama ketikkan Kecemasan, pada
Decimals ganti menjadi 0, pada Label ketik Kecemasan. Untuk
kolom-kolom lainnya biarkan isian default.
- Pada kolom Name baris kedua ketikkan Optimisme, pada Decimals
ganti menjadi 0, pada Label ketik Optimisme. Untuk kolom-kolom
lainnya biarkan isian default.
Berikut gambar hasil pembuatan variabel:

Hasil pembuatan variabel

3. Langkah selanjutnya memasukkan data di halaman Data View, dengan
ini klik tab Data View. Isikan data pada variabel Kecemasandan
Optimisme (Anda juga dapat membuat data terlebih dahulu di
program Ms Excel, selanjutnya tinggal di copy paste di halaman Data
View pada SPSS). Berikut gambar hasil memasukkan data:

Hasil memasukkan data

4. Selanjutnya melakukan analisis data, pada menu bar klik Analyze >>
Nonparametrics Tests >> Legacy Dialogs >> 1-Sample K-S
 Langkah memilih alat analisis

5. Selanjutnya terbuka kotak dialog One Sample Kolmogorov Smirnov

Test. Pindahkan variabel Kecemasan dan Optimisme ke kolom Test
Variable List. Pada Test Distribution biarkan terpilih Normal (karena
ingin diuji distribusi normal).

Kotak dialog One Sample Kolmogorov Smirnov Test

6. Selanjutnya klik tombol OK, maka hasil output sebagai berikut:

Output uji normalitas dengan One Sample Kolmogorov Smirnov

Analisis output:
Metode pengambilan keputusan untuk uji normalitas sebagai
berikut:
- Jika nilai signifikansi (Asym.Sig) > 0,05 maka data berdistribusi normal
- Jika nilai signifikansi (Asym.Sig) ≤ 0,05 maka data tidak berdistribusi
normal
Dari output dapat diketahui bahwa data ‘Kecemasan’ nilai
Asymp.sig (2-tailed) sebesar 0,942 dan data ‘Optimisme’ sebesar 0,796.
Karena nilai signifikansi lebih dari 0,05 maka dapat disimpulkan bahwa
data Kecemasandan Optimisme berdistribusi normal.

C. Two Independent Samples Test dengan uji Mann Whitney

Two Independent Samples Tests atau uji 2 sampel bebas, digunakan
untuk mengetahui ada tidaknya perbedaan antara dua kelompok data
yang independen. Uji ini dapat digunakan sebagai alternatif pengganti
dari analisis parametrik yaitu Independent Sample T Test jika data tidak
terdistribusi normal dengan uji Mann Whitney. Analisis ini termasuk non
parametrik sehingga tidak mensyaratkan data berdistribusi normal.
Analisis ini dapat mengukur data berjenis ordinal, interval, dan rasio.
Contoh kasus:
Untuk contoh kasus menggunakan kasus pada analisis Independent
Samples T Test pada bab sebelumnya, dengan asumsi data tidak normal
sehingga dilakukan Two Independent Samples Test dengan uji Mann
Whitney.
Data-data ditabulasikan sebagai berikut:

SMU Nilai kelulusan

1 86.74
1 77.42
1 75.82
1 74.92
1 66.60
1 77.11
1 87.38
1 75.64
1 65.52
1 75.88
1 77.43
1 68.05
1 86.50
1 86.29
1 77.41
2 86.95
2 85.80
2 94.38
2 84.92
2 77.38
2 97.52
2 98.21
2 86.47
2 96.85
2 96.44
 2 88.12
2 84.92
2 95.05
2 86.87
2 85.77

Keterangan:
1 = SMU swasta
2 = SMU negeri

Berikut akan dilakukan Two Independent Samples Test dengan uji

Mann Whitney untuk mengetahui apakah ada perbedaan nilai kelulusan
siswa antara SMU swasta dengan SMU negeri di Yogyakarta.
Langkah-langkah analisis data sebagai berikut:
1. Menggunakan input data pada analisis Independent Samples T Test
pada bab sebelumnya. Atau jika ingin membuat data baru, langkah-
langkahnya sama dengan Independent Samples T Test.
2. Untuk melakukan analisis data, pada menu bar klik Analyze >>
Nonparametric Tests >> 2 Independent Samples
 Langkah memilih alat analisis

3. Selanjutnya terbuka kotak dialog Two Independent Samples Tests.

Pindahkan variabel SMU ke kolom Grouping Variable dengan cara
klik variabel SMU kemudian klik tombol tanda penunjuk pada
Grouping Variable. Selanjutnya pindahkan variabel Nilai kelulusan
ke kolom Test Variable List dengan cara klik variabel Nilai kelulusan
kemudian klik tombol tanda penunjuk pada Test Variable List.
 Kotak dialog Two Independent Samples Tests

4. Selanjutnya klik tombol Define Groups, pada Group 1, isikan angka 1

dan Group 2, isikan angka 2. Selanjutnya klik tombol Continue.

Kotak dialog Define Groups

5. Pada kotka dialog sebelumnya, klik tombol OK, maka hasil output
sebagai berikut:
 Output Two Independent Samples Test

Analisis output:
Output pertama menjelaskan tentang deskripsi rangking data.
Untuk jumlah data (N) untuk SMU Swasta adalah 15, Mean Rank 9,87,
dan Sum of Ranks adalah 148. Sedangkan jumlah data (N) untuk SMU
Negeri adalah 15, Mean Rank 21,13, dan Sum of Ranks adalah 317.
Sedangkan pada output kedua menjelaskan tentang uji statistic Mann
Whitney, berikut prosedur pengujiannya:
1. Menentukan hipotesis
H0 : Tidak ada perbedaan nilai kelulusan antara SMU swasta
dengan SMU negeri di Yogyakarta.
Ha : Ada perbedaan nilai kelulusan antara SMU swasta dengan
SMU negeri di Yogyakarta.
2. Menentukan taraf signifikansi
Taraf signifikansi menggunakan 0,05.
3. Pengambilan keputusan
Jika Signifikansi (Asym Sig) ≤ 0,05 maka Ho ditolak
 Jika Signifikansi (Asym Sig) > 0,05 maka Ho diterima
3. Membuat kesimpulan
Diketahui nilai signifikansi (Asymp Sig) adalah 0,000. Karena
Signifikansi < 0,05 maka Ho ditolak. Jadi dapat disimpulkan
bahwa ada perbedaan nilai kelulusan antara SMU swasta dengan
SMU negeri di Yogyakarta. Dari output Ranks dapat diketahui
bahwa nilai kelulusan SMU negeri lebih tinggi dari SMU swasta.

D. Two Related Samples Test dengan uji Wilcoxon

Two Related Samples Tests atau uji dua sampel berhubungan,
digunakan untuk mengetahui ada tidaknya perbedaan antara dua
kelompok sampel yang berpasangan. Uji ini dapat digunakan sebagai
alternatif pengganti dari analisis parametrik yaitu Paired Sample T Test
jika data tidak terdistribusi normal dengan uji Wilcoxon. Analisis ini
termasuk non parametrik sehingga tidak mensyaratkan data berdistribusi
normal. Analisis ini dapat mengukur data berjenis ordinal, interval, dan
rasio.
Contoh kasus:
Untuk contoh kasus menggunakan kasus pada analisis Paired Samples T
Test pada bab sebelumnya, dengan asumsi data tidak normal sehingga
dilakukan Two Related Samples Test dengan uji Wilcoxon.
Data-data ditabulasikan sebagai berikut:

Karyawan Volume Penjualan

Sebelum training Sesudah training
1 325 353
2 334 368
3 327 364
4 313 356
5 322 354
6 315 353
7 326 362
8 322 374
9 315 386
 10 318 367
11 309 352
12 321 315
13 305 343
14 313 343
15 337 308

Berikut akan dilakukan Two Related Samples Test untuk

mengetahui apakah ada perbedaan volume penjualan dari bagian
marketing antara sebelum melakukan training dengan sesudah training.
Langkah-langkah analisis data sebagai berikut:
1. Menggunakan input data pada analisis Paired Samples T Test pada
bab sebelumnya. Atau jika ingin membuat data baru, langkah-
langkahnya sama dengan Paired Samples T Test.
2. Untuk melakukan analisis data, pada menu bar klik Analyze >>
Nonparametric Tests >> Legacy Dialogs >> 2 Related Samples

Langkah memilih alat analisis

3. Selanjutnya terbuka kotak dialog Two Related Samples Tests.
Pindahkan variabel Sebelum training ke kolom Test Pairs dengan
cara klik variabel Sebelum training kemudian klik tombol tanda
penunjuk. Selanjutnya pindahkan variabel Sesudah training ke kolom
Test Pairs dengan cara yang sama. Untuk Test Type biarkan terpilih
Wilcoxon.

Kotak dialog Two Related Samples Tests

6. Jika sudah klik tombol OK, maka hasil output sebagai berikut:
 Output Two Related Samples Tests

Analisis output:
Output pertama menjelaskan tentang statistik kelompok sampel
berpasangan yang berupa jumlah data (N), peringkat rata-rata, dan
jumlah peringkat (Sum of Ranks). Dapat diketahui bahwa jumlah data
untuk Negatif Ranks ada 2, artinya ada 2 nilai sebelum training lebih
tinggi dari sesudah training. Sedangkan jumlah data untuk Positif Ranks
ada 13, artinya ada 13 nilai sesudah training lebih tinggi dari sebelum
training, da Ties nilainya 0, artinya tidak ada nilai yang sama antara
sebelum dengan sesudah training.
Pada output kedua menjelaskan hasil uji statistik dengan Two
Related Samples Test. Berikut prosedur pengujiannya:
a. Menentukan hipotesis nol dan hipotesis alternatif
H0 : Tidak ada perbedaan volume penjualan dari bagian marketing
antara sebelum melakukan training dengan sesudah training.
 Ha : Ada perbedaan volume penjualan dari bagian marketing antara
sebelum melakukan training dengan sesudah training.
b. Menentukan taraf signifikansi
Taraf signifikansi menggunakan 0,05
c. Pengambilan keputusan
- Jika Signifikansi ≤ 0,05 maka Ho ditolak
- Jika Signifikansi > 0,05 maka Ho diterima
d. Kesimpulan
Dapat diketahui bahwa signifikansi (Asym Sig) sebesar 0,001 jadi H0
ditolak. Dapat disimpulkan bahwa ada perbedaan volume penjualan
dari bagian marketing antara sebelum melakukan training dengan
sesudah training. Dari nilai mean rank dapat diketahui bahwa rata-
rata peringkat sesudah training lebih tinggi dari pada sebelum
training, dengan ini maka dapat disimpulkan pula bahwa adanya
training dapat meningkatkan volume penjualan pada bagian
marketing.

E. K Independent Samples Test dengan uji Kruskal Wallis

K Independent Samples Test atau uji beberapa sampel bebas,
digunakan untuk mengetahui ada tidaknya perbedaan tiga atau lebih
kelompok sampel bebas. Uji ini dapat digunakan sebagai alternatif
pengganti dari analisis parametrik yaitu One Way ANOVA jika data
tidak terdistribusi normal dengan uji Kruskal Wallis. Analisis ini
termasuk non parametrik sehingga tidak mensyaratkan data berdistribusi
normal. Analisis ini dapat mengukur data berjenis ordinal, interval, dan
rasio.
Contoh kasus:
Untuk contoh kasus menggunakan kasus pada analisis One Way
ANOVA pada bab sebelumnya, dengan asumsi data tidak normal
sehingga dilakukan K Independent Samples Test dengan uji Kruskal
Wallis.
Data-data ditabulasikan sebagai berikut:
 Penambahan berat
No Merek obat badan (Kg)
1 1 2
2 1 3
3 1 0
4 1 3
5 1 4
6 1 2
7 1 4
8 1 4
9 1 3
10 1 0
11 2 2
12 2 4
13 2 5
14 2 0
15 2 2
16 2 0
17 2 3
18 2 4
19 2 5
20 2 2
21 3 0
22 3 5
23 3 4
24 3 5
25 3 3
26 3 4
27 3 5
28 3 3
29 3 5
30 3 5

Keterangan: 1 = Obat merek X

2 = Obat merek Y
3 = Obat merek Z
 Berikut akan dilakukan analisis K Independent Samples Test untuk
mengetahui apakah ada perbedaan penambahan berat badan antara
orang yang diberi obat penambah berat badan merek X, Y, dan Z.
Langkah-langkah analisis data sebagai berikut:
1. Menggunakan input data pada analisis One Way ANOVA pada bab
sebelumnya. Atau jika ingin membuat data baru, langkah-langkahnya
sama dengan One Way ANOVA.
2. Untuk melakukan analisis data, pada menu bar klik Analyze >>
Nonparametric Tests >> K Independent Samples

Langkah memilih alat analisis

3. Selanjutnya terbuka kotak dialog Tests for Several Independent

Samples. Pindahkan variabel Penambahan berat badan ke kolom
Test Variable List dengan cara klik variabel ‘Penambahan berat
badan’ kemudian klik tombol tanda penunjuk pada Test Variable List.
Selanjutnya pindahkan variabel Merek obat ke kolom Grouping
Variable dengan cara klik variabel ‘Merek obat’ kemudian klik
tombol tanda penunjuk pada Grouping Variable.
 Kotak dialog Tests for Several Independent Samples

4. Kemudian klik tombol Define Range,

Pengisian ada Grouping Variable

5. Isikan nilai jarak data untuk variabel Merek, pada Minimum isikan 1,
dan Maximum isikan 2. Lalu klik tombol Continue.
6. Selanjutnya klik tombol OK, maka hasil output sebagai berikut:.
 Output K Independent Samples Test

Analisis output:
Output pertama menjelaskan tentang statistik peringkat yang
berupa jumlah data (N) dan peringkat rata-rata (Mean Rank). Dapat
diketahui bahwa jumlah data Penambahan berat badan untuk Merek X
ada 10 dengan rata-rata peringkat 12,25. Merek Y ada 10 dengan rata-rata
peringkat 13,75, dan Merek Z ada 10 dengan rata-rata peringkat 20,50.
Pada output kedua menjelaskan hasil uji statistik dengan K Independent
Samples Test. Berikut prosedur pengujiannya:
1. Menentukan hipotesis nol dan hipotesis alternatif
H0 : Tidak ada perbedaan penambahan berat badan antara orang
yang diberi obat penambah berat badan merek X, Y, dan Z.
Ha : Ada perbedaan penambahan berat badan antara orang yang
diberi obat penambah berat badan merek X, Y, dan Z.
2. Menentukan taraf signifikansi
Taraf signifikansi menggunakan 0,05.
3. Pengambilan keputusan
- Jika Signifikansi (Asym Sig) ≤ 0,05 maka Ho ditolak
- Jika Signifikansi (Asym Sig) > 0,05 maka Ho diterima
4. Kesimpulan
Dapat diketahui bahwa signifikansi (Asym Sig) sebesar 0,074 jadi H0
diterima. Dengan ini maka dapat disimpulkan bahwa tidak ada
perbedaan rata-rata penambahan berat badan antara orang yang
diberi obat penambah berat badan merek X, Y, dan Z.

F. Analisis Korelasi Spearman dan Kendall tau

Analisis Korelasi Spearman dan Kendall tau digunakan untuk
mengukur hubungan antara dua variabel berdasarkan peringkat-
peringkat. Uji ini dapat digunakan sebagai alternatif pengganti dari
analisis parametrik yaitu korelasi Pearson jika data tidak terdistribusi
normal. Analisis ini termasuk non parametrik sehingga tidak
mensyaratkan data berdistribusi normal. Analisis ini dapat mengukur
data berjenis ordinal, interval, dan rasio.
Contoh kasus:
Untuk contoh kasus menggunakan kasus pada analisis korelasi Pearson
pada bab sebelumnya, dengan asumsi data tidak normal sehingga
dilakukan korelasi Spearman dan Kendall tau.
Data-data ditabulasikan sebagai berikut:

No Kecemasan Masa Depan (X) Optimisme (Y)

1 75 145
2 84 152
3 92 168
4 81 135
5 85 138
6 87 136
7 85 128
8 75 118
9 77 134
10 82 141
11 83 137
12 78 125
13 82 128
 14 89 137
15 90 133
16 87 128
17 85 122
18 89 137
19 84 130
20 95 146
21 94 142
22 86 134
23 82 129
24 82 132
25 95 145
26 91 136
27 94 146
28 86 142
29 83 136
30 87 139

Berikut akan dilakukan analisis korelasi Spearman dan Kendall tau

untuk mengetahui keeratan hubungan, arah hubungan, dan signifikansi
hubungan antara usia dengan tekanan darah sistolik. Uji dilakukan 2 sisi
dengan tingkat signifikansi 0,05.
Langkah-langkah analisis data sebagai berikut:
1. Menggunakan input data pada analisis korelasi Spearman pada bab
sebelumnya. Atau jika ingin membuat data baru, langkah-langkahnya
sama dengan korelasi Pearson.
2. Untuk melakukan analisis data, pada menu bar klik Analyze >>
Correlate >> Bivariate
 Langkah memilih alat analisis

3. Selanjutnya terbuka kotak dialog Bivariate Correlations. Pindahkan

variabel Kecemasan ke kolom Variables dengan cara klik variabel
‘Kecemasan masa depan’ kemudian klik tombol tanda penunjuk.
Selanjutnya pindahkan variabel ‘Optimisme’ ke kolom Variables
dengan cara yang sama. Pada Correlation Coefficients, beri tanda
centang pada Kendall’s tau-b dan Spearman, dan hilangkan tanda
centang pada Pearson.
 Kotak dialog Bivariate Correlations

4. Selanjutnya klik tombol OK, maka hasil output sebagai berikut:

Output Korelasi Spearman dan Kendall tau

Analisis output:
Untuk pedoman analisis korelasi, jika nilai koefisien korelasi
mendekati 1 atau -1 maka hubungan semakin erat atau kuat, jika
mendekati 0 maka hubungan semakin lemah. Atau dapat menggunakan
pedoman yang dikemukakan oleh Sugiyono (2007). Pedoman untuk
memberikan interpretasi koefisien korelasi sebagai berikut:

Rentang nilai korelasi Keputusan

0,00 - 0,199 Sangat rendah
0,20 - 0,399 Rendah
0,40 - 0,599 Sedang
0,60 - 0,799 Kuat
0,80 - 1,000 Sangat kuat

Untuk melihat hubungannya positif atau negatif maka dapat dilihat

pada angka koefisien korelasi, jika angka positif maka hubungan positif
artinya jika variabel kecemasan masa depan naik naik maka variabel
optimisme akan meningkat, jika angka negatif maka hubungan negatif
artinya jika variabel kecemasan masa depan naik maka variabel
optimisme akan menurun. Sedangkan untuk pengujian hubungan,
apakah hubungan signifikan atau tidak maka bisa menggunakan
signifikansi 0,05. Artinya jika signifikansi ≤ 0,05 maka terjadi hubungan
yang signifikan, sendangkan jika signifikansi > 0,05 maka tidak ada
hubungan yang signifikan.
a) Hasil analisis korelasi Spearman
Dari output dapat diketahui bahwa korelasi antara variabel
kecemasan masa depan dengan optimisme didapat nilai koefisien
korelasi sebesar 0,484. Angka korelasi positif, menunjukkan terjadi
hubungan positif, artinya semakin tinggi kecemasan masa depan maka
optimisme juga semakin meningkat. Nilai 0,484 menunjukkan besarnya
koefisien korelasi, dan dapat disimpulkan bahwa hubungan sedang
karena berada pada rentang 0,40 - 0,599.
Nilai signifikansi kurang dari 0,05 (0,007 < 0,05), artinya ada
hubungan yang signifikan antara kecemasan masa depan dengan
optimisme. Untuk prosedur pengujian secara lengkap sebagai berikut:
 1. Menentukan hipotesis nol dan hipotesis alternatif
H0 : Artinya tidak ada hubungan antara kecemasan masa depan
dengan optimisme.
Ha : Artinya ada hubungan antara kecemasan masa depan
dengan optimisme.
2. Menentukan signifikansi. Dari output dapat diketahui signifikansi
adalah 0,007
3. Pengambilan keputusan
Signifikansi > 0,05 jadi H0 diterima
Signifikansi ≤ 0,05 jadi H0 ditolak
4. Kesimpulan
Dapat diketahui bahwa Signifikansi kurang dari 0,05 (0,007 < 0,05)
maka H0 ditolak. Dapat disimpulkan bahwa ada hubungan yang
signifikan antara kecemasan masa depan dengan optimisme.

b) Hasil analisis korelasi Kendall tau

Dari output dapat diketahui bahwa korelasi antara variabel
kecemasan masa depan dengan optimisme didapat nilai koefisien
korelasi sebesar 0,358. Angka korelasi positif, menunjukkan terjadi
hubungan positif, artinya semakin tinggi kecemasan masa depan maka
optimisme juga semakin meningkat. Nilai 0,358 menunjukkan besarnya
koefisien korelasi, dan dapat disimpulkan bahwa hubungan rendah
karena berada pada rentang 0,20 - 0,399.
Nilai signifikansi kurang dari 0,05 (0,007 < 0,05), artinya ada
hubungan yang signifikan antara kecemasan masa depan dengan
optimisme. Untuk prosedur pengujian secara lengkap sebagai berikut:
1. Menentukan hipotesis nol dan hipotesis alternatif
H0 : Artinya tidak ada hubungan antara kecemasan masa depan
dengan optimisme.
Ha : Artinya ada hubungan antara kecemasan masa depan
dengan optimisme.
2. Menentukan signifikansi. Dari output dapat diketahui signifikansi
adalah 0,007
3. Pengambilan keputusan
Signifikansi > 0,05 jadi H0 diterima
 Signifikansi ≤ 0,05 jadi H0 ditolak
4. Kesimpulan
Dapat diketahui bahwa Signifikansi kurang dari 0,05 (0,007 < 0,05)
maka H0 ditolak. Dapat disimpulkan bahwa ada hubungan yang
signifikan antara kecemasan masa depan dengan optimisme.