1.

Uji Kruskal Wallis

Uji Kruskal Wallis merupakan uji nonparametrik berbasis peringkat yang tujuannya
untuk menentukan adakah perbedaan signifikan secara statistik antara dua atau lebih kelompok
variabel independen pada variabel dependen yang berskala data numerik (interval atau rasio) dan
skala ordinal. Oleh karena uji ini merupakan uji non parametris di mana asumsi normalitas boleh
dilanggar, maka tidak perlu lagi ada uji normalitas misal uji shapiro wilk atau lilliefors.

Sebagai ilustrasi adalah penelitian yang bertujuan untuk mengetahui adakah perbedaan
pengaruh Metode Pembelajaran terhadap nilai ujian siswa. Di mana Metode pembelajaran
sebagai variabel independen memiliki 3 kategori yaitu misal: metode A, metode B dan Metode
C. Sedangkan nilai ujian sebagai variabel dependen berskala rasio yaitu berkisar antara 0 sd 100.

Asumsi Kruskall Wallis

a. Perlu kami tekankan lagi, bahwa syarat atau asumsi uji ini adalah:
b. Variabel independen berskala kategorik lebih dari 2 kategori.
c. Variabel dependen berskala numeric (interval/rasio) atau skala ordinal.
d. Independen artinya sampel ditiap kategori harus bebas satu sama lain, yaitu tidak boleh
ada sampel yang berada pada 2 kategori atau lebih.
e. Tiap kategori memiliki variabilitas yang sama, yaitu bentuk kurve histogram atau sebaran
data yang sama (Lihat Histogram Variabilitas Sama). Apabila bentuk sebaran data sama,
maka uji kruskall wallis dapat digunakan untuk menilai perbedaan Median antar kategori.
Sedangkan jika bentuk sebaran tidak sama (Lihat Histogram Variabilitas Tidak Sama),
maka uji ini tidak dapat digunakan untuk menilai perbedaan Median, jadi hanya untuk
menilai perbedaan peringkat rata-rata.

Output spss

a. Kruskal-Wallis Test: Ini adalah bagian utama dari output yang memberikan statistik uji
Kruskal-Wallis, yang mencakup nilai H (nilai uji Kruskal-Wallis) dan nilai p yang
mengukur signifikansi dari uji ini. Nilai H yang tinggi dengan p yang rendah
menunjukkan perbedaan yang signifikan antara kelompok.
b. Output "mean rank" dalam uji Kruskal-Wallis merupakan hasil perhitungan rata-rata
peringkat (rank) dari setiap kelompok yang Anda bandingkan dalam analisis. Uji
Kruskal-Wallis adalah uji statistik non-parametrik yang digunakan untuk mengevaluasi
apakah terdapat perbedaan signifikan antara tiga atau lebih kelompok dalam satu variabel
dependen yang berskala ordinal atau interval, tetapi data tidak memenuhi asumsi
normalitas atau homogenitas varians yang diperlukan untuk uji ANOVA.vOutput "mean
rank" dalam uji Kruskal-Wallis merupakan hasil perhitungan rata-rata peringkat (rank)
dari setiap kelompok yang Anda bandingkan dalam analisis. Uji Kruskal-Wallis adalah
uji statistik non-parametrik yang digunakan untuk mengevaluasi apakah terdapat
perbedaan signifikan antara tiga atau lebih kelompok dalam satu variabel dependen yang
 berskala ordinal atau interval, tetapi data tidak memenuhi asumsi normalitas atau
homogenitas varians yang diperlukan untuk uji ANOVA.
c. Descriptive Statistics: Output ini sering mencakup ringkasan statistik deskriptif untuk
setiap kelompok, termasuk jumlah sampel (N), rata-rata, median, dan lain-lain.
d. Ranking of Groups: Dalam analisis Kruskal-Wallis, perhitungan dilakukan dengan
menggabungkan data dari semua kelompok, kemudian memberikan peringkat pada data
tersebut. Output biasanya mencakup tabel yang menunjukkan peringkat masing-masing
kelompok.
e. Post Hoc Tests: Jika terdapat perbedaan yang signifikan dalam uji Kruskal-Wallis, Anda
mungkin melihat output yang mencakup hasil uji post hoc, seperti uji Mann-Whitney U
atau uji Conover-Iman. Post hoc tests digunakan untuk menentukan perbedaan antara
kelompok-kelompok tertentu jika ada lebih dari dua kelompok.
f. Test of Homogeneity of Variance (Levene's Test): Beberapa versi SPSS juga mungkin
melaporkan hasil uji homogenitas varians (Levene's Test) sebagai bagian dari output. Ini
membantu menentukan apakah varians antara kelompok-kelompok tersebut cukup
homogen.
g. Effect Size: Output mungkin juga mencakup ukuran efek, seperti Eta-squared (η²), yang
memberikan perkiraan seberapa besar efek yang dihasilkan oleh perbedaan antara
kelompok-kelompok dalam variabel dependen.
h. Assumption Tests: Beberapa versi SPSS mungkin mencakup hasil uji asumsi, seperti uji
normalitas (Shapiro-Wilk atau Kolmogorov-Smirnov), karena Kruskal-Wallis tidak
memerlukan asumsi normalitas.

Solusi Asumsi Kruskal Wallis

Solusi apabila Asumsi dilanggar adalah:

a. Apabila kategori hanya ada maka gunakan uji Mann Whitney U Test.
b. Apabila skala data di tiap variabel tidak sesuai, maka gunakan uji yang sesuai,
misalkan skala data variabel independen dan dependen adalah nominal maka gunakan
uji Chi-Square.
c. Apabila Anggota sampel ditiap kategori sama, maka gunakan uji komparatif
berpasangan untuk skala ordinal, yaitu uji Friedman Test.

Pengertian df dan p value

Nilai p dalam uji Kruskal-Wallis adalah ukuran signifikansi statistik dari perbedaan
antara kelompok-kelompok yang Anda bandingkan dalam variabel dependen.

a) Derajat Kebebasan Antara (DF Antara): Ini mengacu pada derajat kebebasan
yang terkait dengan variasi antara kelompok atau kelompok yang
dibandingkan dalam analisis. Jumlah derajat kebebasan antara sama dengan
jumlah kelompok (k) dikurangi 1 (DF Antara = k - 1).
 b) Derajat Kebebasan Dalam (DF Dalam): Ini mengacu pada derajat kebebasan
yang terkait dengan variasi dalam setiap kelompok. DF Dalam adalah jumlah
total data (N) dikurangi jumlah kelompok (k) atau (DF Dalam = N - k).

Kedua derajat kebebasan ini digunakan dalam perhitungan statistik uji Kruskal-
Wallis

2. Regresi Logistik Ordinal

Regresi logistik ordinal merupakan salah satu analisis regresi yang digunakan untuk
menganalisa hubungan antara variabel respon dengan variabel prediktor, dimana variabel
respon bersifat polikotomus dengan skala ordinal,

A. Test of parallel lines

Test of parallel lines adalah salah satu uji statistik yang digunakan dalam analisis regresi
ordinal. Regresi ordinal adalah metode statistik yang digunakan untuk menganalisis
hubungan antara variabel prediktor (independen) dan variabel respons (dependen) yang
bersifat ordinal, yaitu variabel dengan tingkat atau kategori yang memiliki urutan tertentu
tetapi tidak memiliki jarak interval yang konstan di antara kategori-kategori tersebut.

Test of parallel lines dalam konteks regresi ordinal digunakan untuk menguji apakah
hubungan antara prediktor (misalnya, variabel independen) dan respons (variabel
dependen) adalah sejajar atau tidak, artinya apakah efek prediktor tersebut tetap konstan
atau berubah seiring perubahan dalam tingkat respons ordinal.

Tujuan utama dari uji ini adalah untuk memeriksa apakah asumsi paralelisme regresi
terpenuhi. Jika asumsi paralelisme terpenuhi, artinya efek prediktor terhadap respons
tetap konsisten di seluruh tingkat respons ordinal. Namun, jika asumsi ini tidak terpenuhi,
maka efek prediktor dapat bervariasi antara tingkat respons yang berbeda.

Chi-Square Statistic (Chi-Square Value): Nilai statistik Chi-Square yang mengukur

sejauh mana data yang diamati cocok dengan asumsi paralelisme regresi. Nilai Chi-
Square yang lebih tinggi menunjukkan bahwa asumsi paralelisme tidak terpenuhi.

a. Degrees of Freedom (DF): Derajat kebebasan untuk nilai Chi-Square. Ini adalah
informasi teknis yang digunakan dalam perhitungan statistik.

b. Asymptotic Significance (Sig.): Nilai p-value yang menunjukkan signifikansi

statistik dari uji Chi-Square. Jika nilai Sig. sangat rendah (biasanya kurang dari
0,05), maka Anda mungkin memiliki cukup bukti untuk menolak asumsi
paralelisme. Jika nilai Sig. cukup tinggi, maka asumsi paralelisme mungkin
terpenuhi.
 c. Test of Parallel Lines Assumption: Output ini seringkali mencakup pernyataan
yang menyatakan apakah asumsi paralelisme diterima atau ditolak berdasarkan
hasil uji Chi-Square. Ini membantu Anda dalam menafsirkan apakah efek
prediktor tetap konsisten atau tidak di seluruh tingkat respons ordinal.

B. Model fitting information

Model fitting information adalah istilah yang digunakan dalam statistik dan analisis data
untuk merujuk pada berbagai ukuran atau informasi yang digunakan untuk mengevaluasi
sejauh mana model statistik cocok dengan data yang diamati. Informasi ini membantu
peneliti atau analis statistik dalam menentukan seberapa baik model mereka menjelaskan
data atau seberapa baik model tersebut sesuai dengan data yang ada.

Beberapa contoh ukuran model fitting information yang umum digunakan dalam berbagai
jenis analisis statistik termasuk:

a. R-squared (R^2): Ini adalah ukuran yang sering digunakan dalam regresi linear
dan model linier lainnya. R-squared mengukur sejauh mana variasi dalam respons
(variabel dependen) dapat dijelaskan oleh prediktor-prediktor dalam model. Nilai
R-squared berkisar antara 0 hingga 1, di mana nilai yang lebih tinggi
menunjukkan penjelasan yang lebih baik oleh model.

b. Akaike Information Criterion (AIC): AIC adalah ukuran yang digunakan untuk
membandingkan kualitas relatif antara beberapa model statistik yang berbeda.
Model dengan nilai AIC yang lebih rendah dianggap lebih baik. AIC
memperhitungkan trade-off antara sejauh mana model cocok dengan data dan
seberapa sederhana model tersebut.

c. ayesian Information Criterion (BIC): BIC mirip dengan AIC dan digunakan untuk
perbandingan model. Seperti AIC, model dengan nilai BIC yang lebih rendah
dianggap lebih baik. BIC juga mempertimbangkan kompleksitas model.s

C. Pseudo R-square

Pseudo R-square adalah ukuran kualitas penyesuaian model yang umum digunakan
dalam konteks regresi logistik di SPSS. Namun, penting untuk dicatat bahwa SPSS tidak
selalu menghasilkan pseudo R-square dengan nama yang sama pada setiap output. Output
 dan informasi yang ditampilkan bisa berbeda tergantung pada versi SPSS yang digunakan
dan konfigurasi analisis Anda. Berikut beberapa contoh output atau istilah yang mungkin
digunakan terkait dengan pseudo R-square di SPSS:

a) Cox & Snell R-squared: Ini adalah salah satu bentuk pseudo R-square yang sering
digunakan dalam analisis regresi logistik. Nilai Cox & Snell R-squared berkisar
antara 0 (model tidak menjelaskan variasi) hingga 1 (model menjelaskan semua
variasi). Cox & Snell R-squared mengukur sejauh mana model regresi logistik
memperbaiki model nol (model tanpa prediktor).
b) Nagelkerke R-squared: Nagelkerke R-squared adalah bentuk lain dari pseudo R-
square yang juga sering digunakan dalam analisis regresi logistik di SPSS. Nilai
Nagelkerke R-squared juga berkisar antara 0 hingga 1 dan mengukur peningkatan
penjelasan model regresi logistik terhadap model nol. Nagelkerke R-squared
seringkali lebih konservatif daripada Cox & Snell R-squared.

c) McFadden's R-squared: McFadden's R-squared adalah ukuran kualitas

penyesuaian model yang digunakan dalam analisis regresi logistik. Nilai
McFadden's R-squared berkisar antara 0 (model tidak menjelaskan variasi) hingga
1 (model menjelaskan semua variasi). McFadden's R-squared mengukur sejauh
mana model regresi logistik memperbaiki model nol.

D. Goodness-of-Fit
Goodness-of-Fit adalah konsep yang penting untuk mengukur sejauh mana model
sesuai dengan data yang diamati
Output:
a) Deviance adalah salah satu ukuran Goodness-of-Fit yang digunakan dalam
regresi logistik. Ini mengukur sejauh mana model regresi logistik
memperbaiki model nol (model yang hanya berisi intercept, tanpa variabel
prediktor).
b) Pearson Chi-Square adalah ukuran lain yang digunakan dalam analisis regresi
logistik. Statistik ini mengukur sejauh mana data yang diamati cocok dengan
prediksi model. Ini adalah perbedaan antara frekuensi yang diharapkan
(berdasarkan model) dan frekuensi yang diamati, dikuadratkan dan dibagi oleh
frekuensi yang diharapkan. Pearson Chi-Square yang rendah menunjukkan
bahwa model cocok dengan data dengan baik, sedangkan nilai yang tinggi
menunjukkan adanya perbedaan yang signifikan antara data yang diamati dan
yang diharapkan.
3. Uji Chisquare
Uji chi-square adalah uji statistik yang digunakan untuk menguji hubungan antara
dua variabel kategori atau nominal dalam tabel kontingensi. Data ordinal juga
merupakan jenis data kategori, tetapi dengan tingkat penilaian atau rangking yang
memiliki urutan tertentu.

Secara umum, uji chi-square tidak sesuai untuk data ordinal karena data ordinal
memiliki informasi tambahan tentang urutan atau tingkat penilaian yang hilang
dalam data nominal. Uji chi-square tidak mempertimbangkan urutan atau tingkat
penilaian ini, sehingga dapat menghasilkan analisis yang kurang akurat atau tidak
relevan untuk data ordinal.

Untuk data ordinal, lebih baik menggunakan metode statistik yang dirancang khusus
untuk jenis data ini, seperti uji korelasi Spearman atau uji korelasi Kendall untuk
menguji hubungan dan korelasi antara dua variabel ordinal. Uji ini
mempertimbangkan urutan atau tingkat penilaian dalam analisisnya.

Output Uji chi Square

a) Statistik Chi-Square adalah hasil dari uji Chi-Square dan mengukur sejauh
mana data yang diamati cocok dengan distribusi yang diharapkan. Nilai ini
digunakan untuk menilai apakah ada hubungan antara dua variabel kategori.
b) Derajat kebebasan (DF) adalah derajat kebebasan yang terkait dengan
statistik Chi-Square. Ini mengukur tingkat variabilitas yang diizinkan dalam
hasil uji.
c) Nilai p adalah nilai signifikansi statistik yang mengindikasikan apakah hasil
uji Chi-Square signifikan secara statistik. Nilai p yang rendah (biasanya
kurang dari tingkat signifikansi yang telah ditentukan, seperti 0,05)
menunjukkan bahwa ada hubungan yang signifikan antara dua variabel.
Sebaliknya, nilai p yang tinggi menunjukkan bahwa tidak ada hubungan yang
signifikan.