BAB I.

UJI NORMALITAS

Chi Square

Uji normalitas dengan menggunakan uji Chi Kuadrat disebut juga Uji Goodness of Fit.
Menggunakan pendekatan penjumlahan penyimpangan data observasi tiap kelas dengan
nilai yang diharapkan. Uji normalitas datanya disajikan secara berkelompok. Data
berbentuk nominal atau ordinal.

Ciri-Ciri Distribusi Chi Kuadrat

a. Selalu positif
b. df = k – 1, dimana k adalah jumlah kategori (variabel). Jadi bentuk distribusi chi-
kuadrat tidak ditentukan banyaknya sampel, melainkan banyaknya derajat bebas.
c. Bentuk distribusi chi-kuadrat menjulur positif. Semakin besar derajat bebas, semakin
mendekati distribusi normal. 

Rumus umum :

Keterangan :

Oi        = frekuensi hasil pengamatan pada klasifikasi ke-i

Ei         = frekuensi yang diharapkan pada klasifikasi ke-i
X2        = Nilai Chi-Kuadrat

Kegunaaan pengujian chi square :

 1. Untuk mengetahui kesesuaian antara frekuensi observasi variable tertentu dengan
frekuensi harapan teoritis
2. Untuk mengetahui independensi antara variabel satu dengan variabel lainnya.

Persyaratan Metode Chi Square (Uji Goodness of fit Distribusi Normal)

1. Data tersusun berkelompok atau dikelompokkan dalam tabel distribus frekuensi.
2. Cocok untuk data dengan banyaknya angka besar ( n > 30 )

Uji normalitas dengan menggunakan Chi-Kuadrat dapat dilakukan dengan langkah-langkah

sebagai berikut :
1. Mencari nilai terbesar dan terkecil
2. Mencari nilai rentang
3. Mencari banyak kelas
4. Mencari panjang kelas interval (i)
5. Membuat tabel distribusi frekuensi
6. Mencari rata-rata (mean)
7. Mencari simpangan baku (standar deviasi)
8. Membuat daftar frekuensi yang diharapkan dengan cara sebagai berikut :
a. Menentukan batas kelas, yaitu ujung bawah kelas interval dikurangi 0.5 dan
kemudian ujung atas kelas interval ditambah 0.5
b. Mencari nilai Z menggunakan batas bawah dan batas atas kelas interval dengan
rumus:

c. Mencari luas 0-Z dari Tabel Kurva Normal dari 0-Z dengan menggunakan Z hitung.
d. Mencari selisih luas tiap kelas interval dengan cara mengurangkan nilai-nilai 0-Z
tepi bawah dengan tepi atas.
9. Mencari frekuensi yang diharapkan  dengan cara mengalikan luas tiap interval dengan
jumlah responden.
10.  Mencari Chi-Kuadrat hitung

11.  Membandingkan nilai X2  hitung dengan X2  tabel      

Jika X2 hitung < X2 tabel maka H0 diterima dan untuk hal lainnya H0 ditolak.
Kolmogorov Smirniov
1. Konsep dasar dari uji normalitas
Kolmogorov Smirnov adalah dengan membandingkan distribusi data (yang akan
diuji normalitasnya) dengan distribusi normal baku. Metode Kolmogorov-Smirnov tidak
jauh beda dengan metode Lilliefors. Langkah-langkahpenyelesaian dan penggunaan rumus
sama, namun pada signifikansi yang berbeda. Signifikansimetode Kolmogorov-Smirnov
menggunakan tabel pembanding Kolmogorov-Smirnov, sedangkanmetode Lilliefors
menggunakan tabel pembanding metode Lilliefors.
2. Persyaratan
a. Data berskala interval atau ratio (kuantitatif)
b. Data tunggal / belum dikelompokkan pada tabel distribusiFrekuensi
c. Dapat untuk n besar maupun n kecil.

3. Hipotesis uji

nilai terbesar | ft - Fs | dibandingkan dengan nilai tabel Lilliefors.

a. Jika Lhitung < Ltabel, maka :
1) Ho diterima
2) H1 ditolak.

b. Jika Lhitung > Ltabel , maka :

1) Ho ditolak
2) H1 diterima

FT = Probabilitas komulatif normal

FS = Probabilitas komulatif empiris
Dhitung = | ft - Fs |

Dtabel = D(α,n) dilihat pada tabel kolmogorof smirnov

Table Nilai kritis uji Kolmogorov Smirnov :
UJI LILIEFORS

Uji liliefors digunakan untuk menguji apakah data itu berdistribusi normal atau tidak.
Tedapat persyaratan untuk menggunakan mettode liliefors ini, yaitu:
a. Data berskala interval atau ratio (kuantitatif).
b. Data tunggal atau belum dikelompokkan pada tabel distribusi frekuensi.
c. Dapat untuk n besar maupun n kecil.

HIPOTESIS UJI :
H0 : Data populasi berdistribusi normal
H1 : Data populasi berdstribusi tidak normal

SIGNIFIKANSI UJI :
nilai terbesar | F(zi) - S(zi) | dibandingkan dengan nilai tabel Lilliefors.
1. Jika Lhitung < Ltabel liliefors , maka :
a. Ho diterima
b. H1 ditolak.
2. Jika Lhitung > Ltabel liliefors , maka :
a. Ho ditolak
b. H1 diterima
F(Zi) = P(Zi ≤ Ztabel (peluang)
S(Zi) = proporsi Z1 , Z2 , Z3 , Z4 , ... Zn yang ≤ Zi .
Lhitung = | F(zi) - S(zi) |
Ltabel liliefors = dilihat pada tabel liliefors
TABEL NILAI KRITIS L UNTUK UJI LILIEFORS :

LANGKAH-LANGKAH PENGUJIAN :

Contoh : misalkan sampel dengan data : 23, 27, 33, 40, 48, 48, 57, 59, 62, 68, 69, 70 telah
diambil dari sebuah opulasi.
Hipotesis Uji :
H0 = Sampel berasal dari populasi yang berdistribusi normal.
H1 = Sampel berasal dari populasi yang berdistribusi tidak normal
1. Urutkan data dari yang terkecil ke yang terbesar lalu cari rata-rata, simpangan baku
(standar deviasi) dari sampel data.
3. Mencari (Ztabel ) pada tabel distribusi normal
BAB II UJI HIPOTESIS
A. UJI HIPOTESIS KORELASI
1. Chi Square
Uji Chi Square atau dikenal juga di Indonesia sebagai uji Kai Kuadrat, adalah
salah satu cara yang digunakan untuk menyampaikan atau menunjukkan
keberadaan hubungan (ada atau tidaknya) antara variabel yang diteliti.

Misalkan kita sebagai peneliti hendak melakukan uji terhadap perilaku

mahasiswa. Karakter yang akan diuji adalah perilaku mahasiswa yang
dikategorikan menjadi dua kategori. Kategori tersebut adalah mahasiswa yang
mendukung program kampus dan acuh terhadap program kampus.

Kondisi tersebut memungkinkan kita untuk melakukan uji hipotesis mengenai

perbedaan perilaku mahasiswa tersebut dilihat dari frekuensinya.

Penggunaan Uji Chi Square (Kai Kuadrat)

Uji Chi Square sangat cocok digunakan untuk menganalisis data seperti kasus
diatas. Secara umum, uji Chi square dapat digunakan untuk menguji:

Uji Ⅹ² untuk ada tidaknya hubungan antara dua variabel (Independency test).
Uji Ⅹ² untuk homogenitas antar- sub kelompok (Homogenity test).
Uji Ⅹ² untuk Bentuk Distribusi (Goodness of Fit)
Chi square Ⅹ² dan Goodness of Fit
Uji Chi square merupakan salah satu teknik yang termasuk dalam tipe Goodness
of fit.

Goodness of Fit adalah suatu teknik yang menunjukkan bahwa suatu tes dapat
digunakan untuk menguji apakah terdapat perbedaan yang signifikan antara
objek yang diamati dengan objek yang dikategorikan sebagai harapan
berdasarkan hipotesis nol (H₀).

Ciri-Ciri Model Uji Chi Square

Distribusi Chi Square apabila digambarkan membentuk julur positif.
Uji Chi Square selalu menghasilkan nilai yang positif.
Distribusi Chi Square terdiri dari beberapa kelompok atau keluarga, yakni
distribusi Chi Square dengan nilai DK 1, 2, 3 dan seterusnya.
Syarat Model Uji Chi Square
Syarat yang perlu dipahami sebelum melakukan uji Chi square adalah sampel
yang digunakan harus berukuran besar dan memenuhi ketentuan berikut:

a. Tidak ada cell dengan nilai frekuensi amatan atau observasi bernilai 0
(Nol).
b. Apabila bentuk tabel kontingensinya adalah 2 X 2, maka tidak boleh ada 1
cell pun dari frekuensi harapan yang bernilai kurang dari 5.
c. Apabila bentuk tabel lebih dari 2 x 2, misalkan 2 x 3, maka jumlah cell
frekuensi harapan yang bernilai kurang dari 5 tidak boleh lebih dari 20%
dari keseluruhan cell.
Apabila jumlah sampel yang digunakan terlalu kecil, hal ini akan
mengakibatkan fekuensi harapan yang tercipta pun menjadi kecil. Padahal
dalam uji Pearson Chi Square disyaratkan bahwa frekuensi harapan yang
tercipta harus minimal 5 atau lebih.

Dalam melakukan uji chi square, terdapat beberapa syarat sampel lainnya yang
wajib dipenuhi yaitu:
a. Penentuan Sampel untuk observasi harus dipilih secara acak Semua
pengamatan dilakukan dengan independen
b. Setiap sel hanya berisi 1 (satu) frekuensi harapan.
c. Besar sampel sebaiknya > 40 (Cochran, 1954)

Formula Uji Chi Square:

x2 = ∑(Hasil yang diamati – Hasil yang diharapkan)2)/Hasil yang
diharapkan

χ2=∑(Oi−Ei)2Ei
atau dalam text book yang lain, formula chi square dapat
dirumuskan sebagai berikut:

χ2c=∑(F0−Fe) Fe 2

Keterangan:

χ2 = Nilai Chi Square

 c = degree of freedom (df/dk)

Oi = f = Frekuensi hasil yang diamati (observed value)

Ei = fe = Frekuensi yang diharapkan (expected value)

Frekuensi yang diharapkan merupakan nilai frekuensi yang

diinginkan apabila hipotesis awal bernilai benar. Model Chi
Kuadrat merupakan salah satu dari jenis kurva yang bergantung
kepada derajat kebebasan. Berikut cara menentukan daerah
penolakan chi square dan angka derajat kebebasannya (derajat
kebebasan: dk atau degree of freedom: df sama saja).

Daerah Penolakan χ2

Dalam Uji Chi square pengambilan keputusan didasarkan kepada

Chi square hitung dan Chi square tabel. Chi square tabel dalam
buku statistik non parametrik disebut juga tabel C.

Penentuan nilai Chi square tabel didasarkan pada besar nilai α dan
derajat bebasnya.

Derajat Bebas (df – degree of freedom)

Berikut cara mennentukan nilai derajat kebebasan untuk masing-

masing model Chi Square:

Untuk tabel satu arah, maka nilai derajat kebebasan sama dengan r-
1.

Untuk tabel dua arah, maka nilai derajat kebebasan sama dengan
(r-1)(c-1)

2. Spearman rho
Korelasi spearman rho adalah metode statistik yang digunakan untuk menguji
dugaan tentang adanya hubungan antara variabel apabila datanya berskala
ordinal (rangking) atau berskala rasio/interval namun tidak memenuhi asumsi
normalitas. Pada uji ini, nilai korelasi tidak dihitung berdasarkan nilai aktual
data, melainkan melalui peringkat yang sudah diberikan pada data. Koefisien
korelasi ini digunakan untuk mengukur derajat erat tidaknya hubungan antar
satu variabel terhadap variabel lainnya dimana pengamatan pada masing-masing
variabel tersebut didasarkan pada pemberian peringkat tertentu yang sesuai
dengan pengamatan serta pasangannya. Uji Korelasi Spearman juga merupakan
salah satu uji statistik non paramateris yang digunakan apabila ingin mengetahui
hubungan antara 2 subjek dengan sumber data yang berasal dari subjek yang
berbeda.

Rumus Perhitungan
Diberikan (x1,y1),(x2,y2),(x3,y3),...,(xn,yn) adalah sampel yang berukuran n
data yang saling berpasangan. Untuk menghitung koefisien korelasi spearman
terlebih dahulu disusun peringkat dari seluruh sampel berpasangan Xi dan Yi
kemudian koefisien korelasi Spearman dihitung menggunakan rumus :

Dengan :
rs : Koefisien korelasi Spearman
d : selisih antar rangking
n : banyaknya data pengamatan

Untuk mengetahui apakah koefisien korelasi signifikan atau tidak maka

dilakukan pengujian pengamatan n ≥ 25 dapat diasumsikan bahwa distribusi dari
populasi tersebut normal dengan mean sama dengan nol dan standard deviasinya
sama dengan \frac{1}{\sqrt{n-1}} sehingga statistik uji Zs untuk rs dapat
dihitung dengan :

Z_{s}=\frac{r_{s}}{\frac{1}{\sqrt{n-1}}}

Dengan tingkat signifikansi α=5%, koefisien korelasi Spearman akan signifikan

jika Zs > 1,96 atau Zs < -1,96. Atau jika menggunakan p-value, korelasi
Spearman akan signifikan jika p-value < α=5%.

Tabel Tingkat Hubungan Antar Variabel

Arti R Interval R
 Negatif Sempurna -1
Negatif Kuat -1 < r < - 0.9
Negatif Moderat - 0.9 < r < - 0.5
Negatif Lemah - 0.5 < r < 0
Tidak Berkorelasi 0
Positif Lemah 0 < r < 0.5
Positif Moderat 0.5 < r < 0.9
Positif Kuat 0.9 < r < 1
Positif Sempurna 1
Sudarno, 2017

3. Pearson
Uji Pearson Product Moment adalah salah satu dari beberapa jenis uji korelasi
yang digunakan untuk mengetahui derajat keeratan hubungan 2 variabel yang
berskala interval atau rasio, di mana dengan uji ini akan mengembalikan nilai
koefisien korelasi yang nilainya berkisar antara -1, 0 dan 1. Nilai -1 artinya
terdapat korelasi negatif yang sempurna, 0 artinya tidak ada korelasi dan nilai 1
berarti ada korelasi positif yang sempurna.

Rentang dari koefisien korelasi yang berkisar antara -1, 0 dan 1 tersebut dapat
disimpulkan bahwa apabila semakin mendekati nilai 1 atau -1 maka hubungan
makin erat, sedangkan jika semakin mendekati 0 maka hubungan semakin
lemah.

Koefisien Korelasi Pearson Product Moment

Berikut Tabel klasifikasi nilai koefisien korelasi r pearson:

Berdasarkan tabel di atas, dapat kami jelaskan tentang nilai koefisien korelasi uji
pearson product moment dan makna keeratannya dalam sebuah analisis statistik
atau analisis data. Berikut penjelasannya:
1. Nilai koefisien 0 = Tidak ada hubungan sama sekali (jarang terjadi),
2. Nilai koefisien 1 = Hubungan sempurna (jarang terjadi),
3. Nilai koefisien > 0 sd < 0,2 = Hubungan sangat rendah atau sangat lemah,
4. Nilai koefisien 0,2 sd < 0,4 = Hubungan rendah atau lemah,
5. Nilai koefisien 0,4 sd < 0,6 = Hubungan cukup besar atau cukup kuat,
6. Nilai koefisien 0,6 sd < 0,8 = Hubungan besar atau kuat,
7. Nilai koefisien 0,8 sd < 1 = Hubungan sangat besar atau sangat kuat.
8. Nilai negatif berarti menentukan arah hubungan, misal: koefisien korelasi antara
penghasilan dan berat badan bernilai -0,5. Artinya semakin tinggi nilai
penghasilan seseorang maka semakin rendah berat badannya dengan besarnya
keeratan hubungan sebesar 0,5 atau cukup kuat (lihat tabel di atas).

Rumus Uji Pearson Product Moment

Agar anda bisa menghitung uji pearson product moment secara manual, maka
kenali rumus uji pearson product moment terlebih dahulu. Berikut adalah rumus
uji pearson product moment tersebut:

Uji Pearson Product Moment

Di mana:

 rxy: koefisien korelasi r pearson

 n: jumlah sampel/observasi
 x: variabel bebas/variabel pertama
 y: variabel terikat/variabel kedua.
 Signifikansi Atau P Value Uji Pearson Product Moment

Pengujian lanjutan untuk menentukan apakah koefisien korelasi yang didapat

bisa digunakan untuk generalisasi atau mewakili populasi, maka digunakan uji
signifikansi dari uji t. Maka nilai r pearson yang didapat digunakan untuk
menghitung nilai t hitung. Berikut rumusnya:

Nilai t hitung yang di dapat nantinya kita bandingkan dengan nilai t tabel.
Apabila t hitung > t tabel pada derajat kepercayaan tertentu, misal 95 % maka
berarti signifikan atau bermakna.

Asumsi Klasik Uji Pearson Product Moment

Syarat atau Asumsi klasik untuk uji pearson antara lain: Linearitas, Normalitas,
Heteroskedastisitas. Untuk mengerti asumsi klasik di atas, silahkan baca artikel
kami yang relevan dengan asumsi tersebut.

4. Gamma

Uji Gamma adalah salah satu dari uji Asosiatif Non Parametris. Gamma
mengukur hubungan antara 2 variabel berskala ordinal yang dapat dibentuk ke
dalam tabel kontingensi. Uji ini mengukur hubungan yang bersifat symmetris
artinya variabel A dan variabel B dapat saling mempengaruhi. Dalam bahasan
ini, kami akan sampaikan artikel tentang rumus uji korelasi gamma atau disebut
juga dengan istilah rumus koefisien gamma.

Berikut adalah Rumus Uji Korelasi Gamma:

Rumus Uji Korelasi Gamma

Gamma = Concordant-Discordant/Concordant+Discordant.

Kelemahan dari uji Gamma adalah tidak memperhatikan adanya TIES atau bias,
yaitu banyaknya pasangan yang bisa dibentuk. Ties kalau diartikan secara
mudah adalah banyaknya responden pada peringkat yang sama. Contoh:
Peringkat Pengetahuan baik, respondennya ada 23 sampel dan peringkat
pengetahuan kurang ada 12 sampel. Itulah yang disebut TIES.
5. Etta

Uji Eta adalah uji korelasi antara dua variabel yang digunakan apabila skala data
kedua variabel tidak sama, dimana variabel yang pertama berskala data nominal,
sedangkan variabel yang kedua berskala data interval. Dalam artikel ini kita akan
membahas rumus uji eta, cara perhitungannya, indikasi penggunannya dan cara
membaca hasil analisis serta cara menjawab hipotesisnya.

Rumus Koefisien Korelasi ETA

Koefisien Korelasi eta ini dipergunakan untuk mengukur hubungan atau asosiasi
antara variabel interval dan variabel nominal. Formula atau rumus uji eta adalah
sebagai berikut:

Keterangan:

n1 dan n2 = sampel 1 dan sampel 2.

6. Kendal tau
Korelasi Kendall Tau merupakan statistik nonparametrik dengan skala pengukuran
data sekurang-kurangnya data ordinal. Korelasi kendall tau digunakan untuk
mengukur tingkat kesesuaian yakni apakah ada perbedaan tingkat kesesuain ranking
antara 2 variabel yang diamati.
Metodologi
Rumus yang digunakan untuk mengukur koefisien korelasi kendall tau adalah:

Jika ada ranking yang sama, maka rumus di atas dilengkapi dengan faktor
koreksi rank yang sama, yaitu:

di mana:

Keterangan:

S: statistik untuk jumlah konkordansi dan diskordansi

C: banyaknya pasangan konkordansi (wajar)

D: banyaknya pasangan diskordansi (tidak wajar)

n: jumlah pasangan X dan Y

Tx : faktor koreksi ranking X yang sama

Ty : faktor koreksi ranking Y yang sama

7. Odds ratio
Odds Ratio (OR) adalah ukuran asosiasi paparan (faktor risiko) dengan kejadian
penyakit; dihitung dari angka kejadian penyakit pada kelompok berisiko
(terpapar faktor risiko) dibanding angka kejadian penyakit pada kelompok yang
tidak berisiko (tidak terpapar faktor risiko).

Sebagai contoh, kita ambil sebuah kasus yaitu: “Pengaruh Rokok Terhadap
Penyakit Kanker Pada Pria Usia Di Atas 50 Tahun”.
Odds Ratio yang dimaksud dalam contoh di atas adalah: seberapa besarkah
pengaruh rokok terhadap Penyakit Kanker pada pria usia di atas 50 tahun. Maka
jawabannya bisa jadi 2 kali lipat, 3 kali lipat atau 5,5 kali lipat. Nilai kali lipat
inilah yang disebut sebagai “odds ratio”.
Berdasar contoh di atas, nilai OR bisa sebesar 2 atau 3 atau 5,5. Artinya: pria
dengan usia di atas 50 yang merokok memiliki resiko sebesar 2 kali lipat untuk
dapat menderita kanker dibandingkan dengan pria di atas 50 tahun yang tidak
merokok. Dalam hal ini perlu diketahui: Rokok adalah paparan atau faktor
resiko sedangkan kanker adalah kejadian efek atau penyakit.

Rumus Odds Ratio

Rumus dari OR adalah: ad/bc.

Di mana: “a” adalah cell a, “b” adalah cell b, “c” adalah cell c dan “d” adalah
cell d.
Manfaat Odds ratio
OR juga hanya boleh dilakukan pada penelitian dengan pendekatan Case
Control. Sedangkan untuk penelitian dengan pendekatan kohort, maka disebut
Relatif Risk. Ada sedikit perbedaan antara OR dan Relatif Risk (RR), namun
dalam bahasan artikel kali ini, kita hanya fokus pada OR.
 Berdasar rumus di atas, tampak seolah uji OR sangatlah mudah, tetapi
sesungguhnya tidak semudah itu. Seperti uji inferensial lainnya, maka
diperlukan nilai signifikansi atau yang disebut juga P Value. P Value pada odds
ratio artinya, apakah nilai odds ratio yang didapat dari penelitian yang
menggunakan sampel, apakah bisa diberlakukan bagi keseluruhan populasi atau
yang disebut juga bisa dijadikan generalisasi. Maka kita juga akan
memperhatikan taraf signifikansi, pada batas kepercayaan berapa? apakah 95 %
atau 99 % atau yang lain?

B. UJI HIPOTESIS KOMPARASI

1. Paired T-Test
Paired T-Test merupakan uji parametrik yang dapat digunakan pada dua data
berpasangan. Tujuan dari uji ini adalah untuk melihat apakah ada perbedaan rata-
rata antara dua sampel yang saling berpasangan atau berhubungan. Karena
berpasangan, maka data dari kedua sampel harus memiliki jumlah yang sama atau
berasal dari sumber yang sama. Misalkan jika kedua sampel tidak saling
berhubungan ataupun tidak memiliki jumlah data yang sama, maka dapat
menggunakan Uji Independent Sample T-Test.
Baca juga : Data Analisis : 2 Jenis Metode yang Penting Untuk Kamu Tahu dalam
Analisis Data

Syarat Paired T-Test

Paired T-Test merupakan bagian dari analisis parametrik sehingga hal yang harus
diperhatikan pertama kali adalah datanya harus berdistribusi normal. Tentu untuk
mengetahui apakah data yang digunakan telah berdistribusi normal atau belum
maka harus dilakukan uji kenormalan atau uji normalitas terlebih dahulu. Jika
seandainya uji normalitas tidak terpenuhi, maka alternatif yang dapat digunakan
adalah uji Wilcoxon yang merupakan analisis statistik non parametrik.

Contoh Paired T-Test

Contoh Paired T-Test adalah ketika peneliti ingin menguji apakah ada perbedaan
tinggi tanaman sebelum diberikan obat anti hama dan setelah diberikan perlakuan
(obat anti hama). Dalam hal ini tentu saja objek yang akan diteliti merupakan objek
yang sama, karena kita sebagai peneliti perlu mengukur apakah ada perbedaan rata-
rata nilai sebelum dan setelah diberikan perlakuan. Setelah diuji kenormalannya,
data yang digunakan telah normal, maka data ini bisa diuji menggunakan metode
Paired T-Test.
2. Independen t test
 Independen T Test adalah uji komparatif atau uji beda untuk mengetahui adakah
perbedaan mean atau rerata 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.

Asumsi Independen T Test

Asumsi yang harus dipenuhi pada independen t test antara lain:

a. Skala data interval/rasio.

b. Kelompok data saling bebas atau tidak berpasangan.

c. Data per kelompok berdistribusi normal.

d. Data per kelompok tidak terdapat outlier.

e. Varians antar kelompok sama atau homogen.
3. Uji Wilcoxon
Wilcoxon Signed Rank Test adalah uji nonparametris untuk mengukur
signifikansi perbedaan antara 2 kelompok data berpasangan berskala ordinal
atau interval tetapi berdistribusi tidak normal. Uji Wilcoxon Signed Rank Test
merupakan uji alternatif dari uji pairing t test atau t paired apabila tidak memenuhi
asumsi normalitas. Uji ini dikenal juga dengan istilah Wilcoxon Match Pair Test.

Sebagai contoh uji Wilcoxon Signed Rank Test yaitu mengukur signifikansi
perbedaan nilai ujian siswa sebelum dan sesudah pelajaran. Dari ini kita bisa
mengetahui bahwa terdapat 2 variabel, antara lain: 1 variabel bebas yaitu pelajaran
dengan 2 kelompok (sebelum pelajaran dan sesudah pelajaran), 1 variabel terikat
yaitu nilai ujian. Perhatikan bahwa kelompok sebelum dan sesudah adalah
kelompok yang berpasangan, sebab sampel atau subjeknya adalah individu atau
observasi yang sama. Masing-masing sampel yaitu masing-masing siswa memiliki 2
atribut yaitu nilai ujian sebelum pelajaran dan nilai ujian sesudah pelajaran.

4. Uji mann whitney

 Uji Mann Whitney atau Mann Whitney U Test merupakan uji non-parametris yang
dipakai sebagai perbandingan dua mean populasi yang berasal dari populasi yang
sama. Tes ini juga digunakan untuk mengetahui perbandingan median 2 kelompok
bebas dalam skala data variabel terikatnya ialah ordinal atau interval / ratio namun
tidak berdistribusi normal.
Berdasarkan penjelasan di atas, Uji Mann Whitney atau Mann Whitney U Test
mewajibkan data dalam skala ordinal, interval atau ratio. Jika terdapat data interval
atau ratio, maka pendistribusian dikatakan tidak normal. Sumber data disini adalah
2 kelomok yang berbeda. Contohnya, kelas A dan kelas B dengan komposisi
individu atau objek yang diteliti berbeda satu sama lain.
Nama lain dari Uji Mann Whitney atau Mann Whitney U Test adalah Wilcoxon
Rank Sum Test. Uji atau tes ini adalah pilihan uji atau tes non-parametris dengan
syarat uji Independent T tidak dapat dilakukan dengan alasan asumsi normalitas
tidak terpenuhi.
Meskipun dikategorikan sebagai bentuk non-parametris dari uji Independent T, Uji
Mann Whitney tidak menguji perbedaan antara mean (rata-rata) 2 kelompok seperti
uji Independent T pada umumnya, melainkan dipergunakan untuk menguji
perbedaan median (nilai tengah) antara dua kelompok.
Namun, beberapa ahli berpendapat bahwa Uji Mann Whitney tidak hanya menguji
perbedaan dalam median, tetapi juga menguji mean yang ada. Dalam beberapa
kasus penelitian, median kedua kelompok memiliki kesamaan, namun nilai P value
hasilnya kecil, yakni <0.05, yang berarti ditemukan adanya perbedaan. Hal ini
dikarenakan mean kedua kelompok berbeda secara nyata. Maka, kesimpulannya
adalah uji ini tidak hanya menguji perbedaan median, namun juga perbedaan mean.

BAB III MENGENAL APLIKASI SPSS

 A. LATIHAN

Uji Pearson Chi-square: 

Uji pearson Chi-square digunakan untuk menguji keterkaitan antar dua variabel katagori
dimana asumsinya nilai harapan untuk setiap sel minimal 5 atau lebihy, dengan kata lain
data yang terlibat dalam uji Pearson Chi-square harus lah banyak, berikut contoh data
yang memenuhi asumsi dari uji Pearson Chi-square: Data dibawah digunakan untuk
melihat hubungan antara tipe sekolah dengan gender, apakah ada kecenderungan
sekolah swasta lebih banyak murid perempuan jika dibandingkan dengan sekolah negeri.

 Data

 Prosedur Analisa

 Masukan Variabel :
 

 Klik Statistics..
Continue

Kemudian Klik Cells..

 
 

Continue

Kemudian Klik OK

 OUTPUT

 Tabel Kontingensi

 
Informasi mengenai proporsi jumlah Laki-laki dan Perempuan berdasarkan Katagori
Sekolah. Terlihat persentasi/proporsi jumlah LAKI-LAKI di sekolah NEGERI dan SWASTA
relatif sama, begitu pula dengan siswa PEREMPUAN..

Uji Chi-Square

Terlihat dari hasil uji Pearson Chi-square di dapat nilai signifikan (p-value) = 0,828
sehingga keputusan yang kita ambil adalah menerima Ho yang berarti bahwa tidak ada
perbedaan yang signifikan  proporsi LAKI-LAKI dan PEREMPUAN antara sekolah Negeri
dengan sekolah SWASTA.

B. TUGAS

Mahasiswa membuat kasus mencari prevalensi kejadian diare di wilayah kerja

puskesmas kemudian analisis menggunakan uji Odds ratio
 DAFTAR PUSTAKA

Dixon WMF. Pengantar Analisis Statistik. Edisi IV.

Soejoeti Z, editor. Yogyakarta: Gajahmada University Press; 1991. 76-77 p.
Siregar, N Kemal et al. Biostatistik. Jakarta: Jurusan Kependudukan dan Biostatistik,
Fakultas Kesehatan Masyarakat, Universitas Indonesia; 1984. 72 p.
Budiyono. Statistika Untuk Penelitian. Surakarta: Sebelas Maret University Press; 2004.
108 p.
Widhiarso. Uji Normalitas [Internet]. [cited 2016 Jun 17]. Available from:
http://widhiarso.staf.ugm.ac.id/files/Uji Normalitas.pdf
Santoso I. Manajemen Data Untuk Analisis Data Penelitian Kesehatan. Yogyakarta:
Gosyen Publishing; 2013. 54-55 p.
Elevania HR. Uji Normalitas Kolmogorov-Smirnov [Internet]. 2015 [cited 2016 Jun 15].
Available from: http://tu.laporanpenelitian.com/ 2015/05/63.html
Skripsi D. Cara Melakukan Uji Normalitas Melalui KolmogorovSmirnov atau Grafik Q-Q
Plot [Internet]. [cited 2016 Jun 15]. Available from: http://bimbingan-skripsi-
malang.blogspot.co.id/2015/05/caramelakukan-uji-normalitas-melakukan.html
Herawati L. Model parent educator pada pencegahan perilaku merokok remaja. Bantul
Propinsi Daerah Istimewa Yogyakarta; 2016.
Raharjo S. Cara Melakukan Uji Normalitas Kolmogorov-Smirnov dengan SPSS [Internet].
SPSS Indonesia, Olah Data Statistik dengan SPSS. 2014 [cited 2016 Jun 15].
Available from: http:// www.spssindonesia.com/2014/01/uji-normalitas-
kolmogorov-smirnovspss.html
Duwi Concultant. Uji Normalitas [Internet]. 2011 [cited 2016 Jun 15]. Available from:
http://duwiconsultant.blogspot.co.id/2011/11/ujinormalitas.html
Santoso S. Statistik NonParametrik. Jakarta: PT Alex Media Komputindo; 2001. 94-95 p.