Uji kebaikan suai

Uji Kecocokan atau Uji Kebaikan Suai (Goodness of Fit) digunakan untuk mengetahui ada
tidaknya kesesuaian (kecocokan) model sebaran yang diasumsikan, atau ada tidak kecocokan
antara frekuensi yang teramati (terobservasi) dengan frekuensi harapan.

Keterangan :

oi = Frekuensi Observasi

ei = Frekuensi Harapan

db–X 2 = (k – g – 1)

k = banyaknya kategori atau kelas interval

g = banyaknya parameter yang ditaksir.

Kriteria pengujian adalah Tolak H 0 jika X2 > X2. Bila frekuensi teramati (oi) dekat dengan
frekuensi harapan (ei), maka nilai X 2 akan kecil, menunjukkan adanya kesuaian yang baik.
Kesuaian yang baik membawa pada penerimaan H0.

Contoh : Eksperimen genetika menunjukkan bahwa semacam karakteristik diturunkan menurut

perbandingan 1:3:3:9, untuk kategori A, B, C dan D. Dari 160 pengamatan terdapat 5 kategori A,
B = 23, C =32 dan D = 100. Dengan taraf nyata 5%, apakah data tersebut menguatkan teori
genetika ?

Penyelesaian :

Teori ≡ A:B:C:D=1:3:3:9

Observasi ≡ A: B: C: D = 5:23:32:100.

H0 ≡ Oi = Ei lawan H1 ≡ Oi ≠ Ei

Taraf Nyata α = 5 % = 0,05

Uji Statistik : X2

Wilayah Kritik : X2 > X20,05(k–1)

Menentukan Nilai Harapan ei : A : B : C : D = 1 : 3 : 3 : 9 = 16

1
e 1= x160=10
16

3
e 2= x160=30
16

3
e 3= x160=30
16

9
e 4= x160=90
16

Karena nilai (X2 = 5,18) < (X20,05(3) = 7,81) maka H0 diterima artinya tidak ada alasan untuk
menolak teori genetika tersebut.

KORELASI RANK SPEARMAN

Korelasi Rank Spearman atau yang biasanya disebut dengan Spearman Rank Correlation
Coefficient merupakan salah satu penerapan koefisien korelasi dalam msetode analisis data
statistik non parametrik. Statistik non parametrik ini merupakan suatu ukuran asosiasi atau
hubungan yang dapat digunakan pada kondisi satu atau kedua variabel yang diukur adalah skala
ordinal (berbentuk ranking) atau kedua variabel adalah kuantitatif namun kondisi normal tidak
terpenuhi. Statistik nonparametrik mengasumsikan statistik yang digunakan ketika data tidak
memiliki informasi parameter, data tidak berdistribusi normal atau data diukur dalam bentuk
ranking.

Pembuatan ranking dapat dimulai dari nilai terkecil atau nilai terbesar tergantung
permasalahannya. Bila ada data yang nilainya sama, maka pembuatan ranking didasarkan pada
nilai rata-rata dari ranking-ranking data tersebut. Apabila proporsi angka yang sama tidak besar,
maka formula diatas masih bisa digunakan. Berbeda dengan Korelasi Pearson, korelasi ini tidak
memerlukan asumsi normalitas, maka korelasi rank spearman cocok juga digunakan untuk data
dengan sampel kecil. Korelasi Rank Spearman menghitung korelasi dengan menghitung ranking
data terlebih dahulu. Artinya korelasi dihitung berdasarkan orde data. 

Syarat Uji Korelasi Spearman

1. Skala pengukuran berskala ordinal, bisa juga interval atau rasio

2. Data analisis merupakan pengamatan berpasangan yang berasal dari subjek/individu yang
sama
3. Kedua variabel mempunyai hubungan monotonic. Artinya ketika nilai variabel pertama
meningkat, maka nilai variabel kedua juga akan meningkat atau menurun (tergantung arah
korelasinya).

Apabila tidak terdapat peringkat yang “kembar/sama” (“tied rank”). Rumus yang digunakan
untuk menghitung korelasi Spearman tanpa peringka sama adalah

Contoh 1:

Sebuah perusahaan sedang melakukan rekrutmen pegawai. Pimpinan perusahaan ingin

mengetahui apakah ada hubungan antara nilai ujian tertulis dengan jumlah barang yang dijual
oleh masing-masing salesman yang baru direkrut tersebut. Di bawah ini adalah data mengenai
ranking nilai ujian tertulis dan ranking hasil penjualan dari sampel 10 orang salesman yang baru
direkrut.
Pembahasan:

Hipotesis:

H0: Tidak ada hubungan antara ranking nilai ujian tertulis salesman dengan rangking jumlah
penjualan oleh salesman di tingkat populasi

H1: Ada hubungan antara ranking nilai ujian tertulis salesman dengan rangking jumlah penjualan
oleh salesman di tingkat populasi

Tingkat Signifikansi: alpha = 5%

Statistik uji:

Data yang sudah di ranking.

Kemudian, dari tabel korelasi Spearman diperoleh nilai r s(0,05;10)=0,648). Keputusan:Karena r s
hit < r stabel (0,41 < 0,648) maka diputuskan gagal tolak H0.

Kesimpulan: Dengan tingkat signifikansi 5% belum cukup bukti untuk mengatakan terdapat

hubunganketerkaitan ranking nilai ujian tertulis dengan ranking jumlah penjualan.

Contoh 2:

Sebuah penelitian dilakukan untuk mengetahui apakah pemahaman siswa terhadap mata
pelajaran Matematika dan mata pelajaran Fisika memiliki hubungan atau tidak. Peneliti
melakukan penelitian pada 10 siswa SMA untuk mengetahui hubungan tersebut. Sepuluh siswa
ini didata nilai ujian untuk mata pelajaran Fisika dan Matematika, datanya adalah sebagai
berikut:
Berdasarkan data di atas, ujilah apakah ada hubungan antara pemahaman siswa terhadap mata
pelajaran Matematika dan mata pelajaran Fisika? Ujilah dengan tingkat signifikansi 5%.

Pembahasan:

Hipotesis:

H0: Tidak ada hubungan antara pemahaman siswa terhadap mata pelajaran matematika dan mata
pelajran fisika di tingkat populasi.

H1: Ada hubungan antara pemahaman siswa terhadap mata pelajaran matematika dan mata
pelajaran fisika di tingkat populasi.

Tingkat Signifikansi: alpha = 5%

Statistik uji:

Data yang sudah di ranking.

Karena terdapat ranking yang kembar, maka kita gunakan rumus penghitungan korelasi
Spearman dengan kondisi terdapat rank kembar. Berikut hasil yang diperoleh:
Kemudian, dari tabel korelasi Spearman diperoleh nilai r s(0,05;10)=0,648 .Keputusan: Karena r s
hit > r stabel (0,744 < 0,648) maka diputuskan tolak H0. Kesimpulan: Dengan tingkat signifikansi
5% cukup bukti untuk mengatakan ada hubungan antara pemahaman siswa mata pelajaran
matematika dan mata pelajaran fisika di tingkat populasi.