Oleh:
2022
Uji Signifikansi
Uji signifikansi adalah salah satu tahap terpenting dalam sebuah riset, khususnya riset yang
bermetodologi kuantitatif. Uji ini yang akan menentukan simpulan hasil riset. Uji signifikansi
menentukan apakah hipotesis yang dibuat di awal riset akan diterima atau ditolak. Karena peran
pentingnya itulah, para ahli mencari cara terbaik yang dapatmembedakan hasil pengamatan
secara meyakinkan. Tingkat keyakinan yang memadai untuk dapat menerima suatu hipotesis
tersebut yang kerap disebut dengan istilah signifikansi statistic (statistical significance)
A. Statistik Parametrik
Berhubungan dengan inferensi (pengambilan keputusan atau masalah tertentu) yang
membahas parameter populasi, seperti rata-rata, proporsi, dan sebagainya.
Ciri parametik adalah jenis data interval atau rasio, serta distribusi data (populasi) adalah
normal atau mendekati normal.
B. Jenis Uji Statistik Parametik
Setelah mengetahui pengertian dari uji statistik parametrik, kita perlu mengenali uji statistik
parametrik apa saja yang cukup sering digunakan, antara lain:
a Uji-T, digunakan untuk menguji signifikansi dalam satu atau dua kelompok sampel.
Uji T (Test T) adalah salah satu test statistik yang dipergunakan untuk menguji
kebenaran atau kepalsuan hipotesis yang menyatakan bahwa diantara
dua buah mean sampel yang diambil secara random dari populasi yang sama, tidak
terdapat perbedaan yang signifikan. T-statistics merupakan suatu nilai yang
digunakan guna melihat tingkat signifikansi pada pengujian hipotesis dengan cara
mencari nilai T-statistics melalui prosedur bootstrapping. Pada pengujian hipotesis
dapat dikatakan signifikan ketika nilai T-statistics lebih besar dari 1,96, sedangkan
jika nilai T-statistics kurang dari 1,96 maka dianggap tidak signifikan.
b ANOVA, digunakan untuk menguji signifikansi perbedaan dua rerata atau lebih
Anova adalah sebuah analisis statistik yang menguji perbedaan rerata antar grup.
Grup disini bisa berarti kelompok atau jenis perlakuan. Anova ditemukan dan
diperkenalkan oleh seorang ahli statistik bernama Ronald Fisher.
Anova merupakan singkatan dari Analysis of variance. Merupakan prosedur uji
statistik yang mirip dengan t test. Namun kelebihan dari Anova adalah dapat menguji
perbedaan lebih dari dua kelompok. Berbeda dengan independent sample t test yang
hanya bisa menguji perbedaan rerata dari dua kelompok saja.
Definisi regresi adalah metode statistik yang digunakan dalam keuangan, investasi,
dan disiplin ilmu lain. Gunanya untuk mencoba menentukan kekuatan dan karakter
hubungan antara satu variabel dependen (biasanya dilambangkan dengan Y) dan
serangkaian variabel lain (dikenal sebagai variabel independen).
Regresi itu bisa membantu manajer investasi dan keuangan untuk menilai aset dan
memahami hubungan antara variabel. Seperti harga komoditas dan saham bisnis yang
berurusan dengan komoditas tersebut.
Dua jenis dasar regresi yaitu regresi linier sederhana dan regresi linier berganda,
meskipun ada metode regresi non-linier untuk data dan analisis yang lebih rumit.
Regresi linier sederhana menggunakan satu variabel independen untuk
menjelaskan atau memprediksi hasil dari variabel dependen Y, sedangkan
Regresi linier berganda menggunakan dua atau lebih variabel independen
untuk memprediksi hasil.
Korelasi adalah salah satu metode analisis dalam statistik yang dapat digunakan untuk
mencari antara dua variabel dengan sifat kuantitatif.
Sedangkan statistik korelasi ialah metode atau cara guna mengetahui ada atau
tidaknya hubungan linier antar variabel. Jika pada nantinya ditemukan hubungan,
maka perubahan-perubahan yang terjadi pada salah satu variabel (X) akan
menyebabkan terjadinya perubahan pada variabel yang lain (Y).
Korelasi adalah salah satu metode analisis dalam statistik yang dapat digunakan untuk
mencari antara dua variabel dengan sifat kuantitatif.
Sedangkan statistik korelasi ialah metode atau cara guna mengetahui ada atau
tidaknya hubungan linier antar variabel. Jika pada nantinya ditemukan hubungan,
maka perubahan-perubahan yang terjadi pada salah satu variabel (X) akan
menyebabkan terjadinya perubahan pada variabel yang lain (Y).
Jenis Korelasi
Korelasi terbagi menjadi tiga jenis. Antara lain seperti berikut:
Korelasi Sederhana, merupakan suatu teknik statistik yang dipergunakan
untuk mengukur kekuatan hubungan antara 2 variabel dan juga untuk dapat
mengetahui bentuk di antara keduanya dengan hasil bersifat kuantitatif.
Kuatnya hubungan yang dimaksud antara 2 variabel ini adalah apakah
hubungan tersebut lemah, erat atau tak erat. Sedangkan bentuk hubungannya
apa berbentuk korelasi linier positif atau negatif.
Korelasi Parsial, merupakan suatu metode yang digunakan untuk mengukur
tentang adanya keeratan antara hubungan variabel bebas dengan variabel tak
bebas. Sehingga pada nantinya akan dapat dengan mudah guna melakukan
kontrol dari salah satu variabel tersebut.
Korelasi Ganda, adalah korelasi yang bentuknya akan digunakan guna melihat
hubungan antara tiga atau lebih variabel (dua atau lebih variabel independen
dan satu variabel dependent). Korelasi ganda akan memiliki kaitan dengan
interkorelasi variabel independen, sebagaimana korelasi mereka dengan
variabel dependen.
e Analisis Jalur, digunakan untuk menguji hubungan sebab akibat yang didapatkan
melalui kajian teori yang telah dirumuskan
Analisis jalur merupakan perluasan dari model regresi, yang digunakan untuk
menguji matriks korelasi pada model kausal yang dibandingkan oleh peneliti. Seperti
halnya regresi, analisis jalur mempunyai manfaat prediktif. Model disajikan dengan
panah berarah tunggal yang menyatakan sebab akibat. Pembobotan regresi diprediksi
oleh model yang dibandingkan dengan matriks korelasi dari data teobservasi dan
kemudian dihitung kecocokan modelnya (goodness of fit). Selanjutnya model terbaik
dipilih oleh peneliti untuk pengemabangan teori. Analisis jalur dikembangkan sebagai
metode untuk mempelajari pengaruh (efek) secara langsung dan secara tidak langsung
dari variable bebas terhadap variable tergantung. Analisis ini merupakan salah satu
pilihan dalam rangka mempelajari ketergantungan sejumlah variable dalam model.
Analisis ini merupakan metode untuk menerangkan dan mencari hubungan kausal
antar variable. Analisis jalur digunakan untuk menelaah hubungan antara model
kausal yang telah dirumuskan peneliti atas dasar pertimbangan teoretis dan
pengetahuan tertentu. Hubungan kausal selain didasarkan pada data, juga didasarkan
pada pengetahuan, perumusan hipotesis, analisis logis. Dengan demikian analisis jalur
dapat digunakan untuk menguji seperangkat hipotesis kausal serta menafsirkan
hubungan tersebut.
Ada beberapa asumsi yang harus dipenuhi pada analisis jalur, yakni
- Hubungan antar variabel dalam model adalah linear, artinya perubahan terjadi
pada variabel merupakan fungsi perubahan linear dari variabel lain yang bersifat
kausal.
- Variabel yang diamati bersifat aditif
- Variabel residu tidak berkorelasi dengan variabel yang lain
- Variabel yang diamati berskala interval atau rasio.
C. Cara menggunakan Uji Statistik Parametrik
D. Uji Sampel Tunggal
Sampel Tunggal (Single Sampling)
Sampel Tunggal adalah keputusan untuk menerima atau menolak hanya berdasarkan satu
sampel saja. Uji statistik nonparametrik yang dapat digunakan untuk menguji hipotesis
yang berasal dari satu sampel tunggal.Berikut gambaran mengenai sampel tunggal yaitu :
Ada empat cara pengujian untuk menentukan sampel tunggal. Ada tiga jenis
pengujian yang merupakan uji kecocokan atau goodness of fit,yaitu Uji Binomial, Uji Chi
Kuadrat (c2) Sampel Tunggal, Uji Kolmogorov-Smirnov Sampel Tunggal. Dan Uji Deret
atau Run Test disebut sebagai uji keacakan atau randomness.
Salah satu cara untuk mengatasi kesulitan mengisolasi variabel lain yang tidak
diteliti yang akan berpengaruh terhadap perbedaan kedua kelompok pengamatan adalah
menggunakan uji dua sampel berhubungan (berpasangan). Kita dapat memasangkan
(match) atau menghubungkan kedua sampel yang dipelajari. Pemasangan ini dapat
dilakukan dengan menggunakan setiap subyek sebagai pengontrol dirinya sendiri, atau
dengan memasangkan subyek dan kemudian menghadapkan setiap anggota pasangan
kepada dua perlakuan yang berbeda. Subyek yang berfungsi sebagai "pengontrol dirinya
sendiri" mendapatkan kedua perlakuan pada waktu yang berbeda. Jika metode
"pemasangan" yang digunakan, maka tujuannya adalah memilih pasangan subyek yang
memiliki kemiripan dari semua variabel lain diluar yang diteliti yang mungkin akan
mempengaruhi hasil penelitian.
Dalam contoh kasus di atas, metode pemasangan dilakukan dengan memilih
sejumlah pasangan mahasiswa. Setiap pasangan terdiri dari dua mahasiswa yang
memiliki kemampuan dan motivasi yang sama. Salah satu anggota dari setiap pasangan
dipilih secara random dan diberikan metode pembelajaran A dan partner pasangannya
diberi metode pembelajaran B.
Teknik statistik parametrik yang biasanya digunakan untuk menganalisis data dari
dua sampel berpasangan atau berhubungan adalah uji beda rata-rata t-test. Uji t
mengasumsikan bahwa perbedaan skor secara independen didapat dari distribusi normal
yang berarti pengukuran variabel paling tidak dengan skala interval. Kadang-kadang uji
tidak tepat oleh kaerna asumsinya tidak terpenuhi atau peneliti menemukan kondisi
sebagai berikut :
Oleh karena itu dalam kondisi seperti ini, maka statistik yang digunakan atau
yang sesuai adalah statistik Non Parametrik dengan kasus dua sampel berhubungan.
Adapun uji statistiknya meliputi:
1. McNemar Change Test: Uji perubahan McNemar adalah uji statistik yang dapat
digunakan untuk data nominal berpasangan. Ini dapat menguji perbedaan pada
variabel dependen dikotomis antara dua kelompok terkait. Untuk variabel
dependen dikotomis, beberapa orang suka menganggapnya mirip dengan uji t
berpasangan
2. The Sign Test: uji tanda membandingkan ukuran dua kelompok. Ini adalah
pengujian non-parametrik atau "bebas distribusi", yang berarti pengujian tidak
mengasumsikan data berasal dari distribusi tertentu, seperti distribusi normal. Uji
tanda merupakan alternatif dari uji t satu sampel atau uji t berpasangan. Ini juga
dapat digunakan untuk data kategorikal yang diurutkan (diperingkat).
3. The Wilcoxon Signed Ranks Test: Uji peringkat bertanda Wilcoxon adalah uji
hipotesis statistik non-parametrik yang digunakan baik untuk menguji lokasi suatu
populasi berdasarkan sampel data, atau untuk membandingkan lokasi dua
populasi menggunakan dua sampel yang cocok.
G. Analisis Bivariate
Pada bab ini akan dibahas analisis korelasi sederhana dengan metode Pearson atau
sering disebut Product Moment Pearson. Nilai korelasi (r) berkisar antara 1 sampai -1,
nilai semakin mendekati 1 atau -1 berarti hubungan antara dua variabel semakin kuat,
sebaliknya nilai mendekati 0 berarti hubungan antara dua variabel semakin lemah. Nilai
positif menunjukkan hubungan searah (X naik maka Y naik) dan nilai negatif
menunjukkan hubungan terbalik (X naik maka Y turun).
I. Non Parametrik
Statistik non parametrik merupakan uji statistik yang dilakukan dengan tanpa
adanya pendugaan sebelumnya pada nilai populasi. Uji statistik non [parametrik ini
digunakan untuk melihat perbedaan antara rata-rata nilai tengah 2 kelompok daratan yang
sudah diberi ranking. Selain itu, uji ini dapat digunakan untuk melihat perbedaan antara
nilai mediannya. Keuntungan menggunakan uji statistik non parametrik adalah kita tidak
membutuhkan asumsi normalitas. Adapun kekurangannya adalah hasil dari uji metode ini
tidak dapat digunakan untuk mengestimasi karakter populasi
J. Jenis Statistik Non Parametrik
Pada bagian sebelumnya kita telah mengenali apa itu statistik parametrik dan
nonparametrik serta contoh jenis uji statistik parametrik. Pada bagian ini kita akan
mengenali beberapa jenis uji statistik non parametrik, antara lain:
Uji Binomial,
Run Test
Goodness of Fit Kolmogorov Smirnov
Uji Mc nemar
Wilcoxon sampel berpasangan
Uji tanda dua sampel dependen
Uji median Mann-Whitney
Rank Spearman
Uji korelasi Kendall-Tau
Uji Chi-Square
1. Uji Binomial
Uji Binomial bisa digunakan untuk data berskala nominal yang hanya memiliki
dua kategori. Uji ini dapat dipakai untuk sampel berukuran kecil dimana tidak memenuhi
syarat untuk melakukan pengujian c2. Fungsi Uji Binomial adalah untuk menguji
perbedaan proporsi populasi yang hanya memiliki dua buah kategori/ jenjang berdasarkan
proporsi yang berasal dari sampel tunggal.
- Fungsi Pengujian: Untuk menguji perbedaan proporsi populasi yang hanya memiliki
dua buah kategori berdasarkan proporsi sampel tunggal.
- Persyaratan Data: Dapat digunakan untuk data berskala nominal yang hanya memiliki
dua kategori.
Prosedur Pengujian:
Untuk menguji signifikansi setiap perubahan yang diobservasi dengan metode ini,
kita perlu membentuk suatu tabel frekuensi yang berbentuk segi empat.
Karena A+D menunjukkan jumlah total individu yang berubah, maka ½ (A+D)
adalah frekuensi yg diharapkan berada di bawah H0.
5. Uji Wilcoxon adalah uji yang dipergunakan untuk menguji perbedaan dua sampel yang
saling berkorelasi tetapi tidak memenuhi asumsi normalitas. Jika asumsi normalitas
terpenuhi maka dipergunakan Paired Test. Penggunaan Paired Test memerlukan
normalitas pada kedua datanya. Jika salah satu (atau keduanya tidak normal, maka
menggunakan Uji Wilcoxon. Berikut adalah simulasi Uji Wilcoxon dengan dua pasang
data sebagai berikut:
Tampak bahwa nilai Signifikansi untuk Sebelum dan Sesudah di bawah 0,05 yang
menunjukkan bahwa kedua sampel tidak memenuhi asumsi normalitas. Tentu saja, bisa
dilakukan transformasi data, trimming data atau pun menambah data agar memenuhi
asumsi normalitas. Tetapi ini contoh untuk data tidak normal sehingga menggunakan Uji
Wilcoxon.
Prinsip dasarnya adalah dengan membandingkan mana yang lebih besar. Akan
tetapi yang dibandingkan bukan nilai itu sendiri, tetapi rangkingnya. Jadi masing-masing
sampel di rangking, lalu rangking itulah yang dibandingkan. Baris pertama Negative
Ranks adalah sebesar 15 (dengan kode superscript a) yang berarti bahwa terdapat 15
buah pasangan data di mana nilai Sesudah < Sebelum. Sehingga dengan prinsip yang
sama diperoleh Positive Ranks 12 (superscript b) yang berarti bahwa terdapat 12
pasangan data di mana nilai pada Sesudah > Sebelum. Terakhir ada 8 pasang data yang
sama. Ini sangat mudah dimengerti.
Setelah itu, selisih dari kedua pasang data diranking sehingga diperoleh Mean
Rank dan juga Sum of Ranks. Sedangkan untuk melihat signifikansi menggunakan output
sebagai berikut:
Sama dengan uji yang lain, tampak bahwa nilai signifikansi adalah sebesar 0,672
> 0,05 yang berarti tidak terdapat perbedaan yang signifikan antara sampel sebelum
dengan sesudah. Nilai Z yang negatif bisa Anda interpretasikan dengan petunjuk ada
superscript b, yang intepretasinya sama dengan interpretasi pada tabel sebelumnya.
Uji Wilcoxon bukan satu-satunya uji untuk dua sampel berkorelasi non-
parametrik. Setidaknya ada uji McNemar, Uji Tanda (sign test) dan juga Marginal
homogeneity.
6. Uji Statistik Dua Sampel Dependen (Saling Berhubungan)
Uji Tanda Untuk Dua Sampel Berhubungan Asumsi-asumsi
a) Data terdiri atas sampel acak yang berisi n pasangan hasil pengamatan (X1 ,
Y1), (X2 , Y2) …, (Xn , Yn), yang masing-masing pasangan pengukurannya
dilakukan terhadap yang sama atau subjek yang telah dipasangkan menurut
suatu variabel atau lebih.
b) Ke-n pasangan hasil pengukuran itu saling bebas.
c) Skala pengukuran di masing-masing pasangan sekuarang-kurangnya ordinal.
d) Variabel yang diminati kontinu.
Hipotesis-hipotesis
a) (Dua Sisi)
H0 : Median populasi beda-beda (Xi – Yi = Di) sama dengan nol.
H1 : Median populasi beda-beda tidak sama dengan nol.
b) (Satu Sisi)
H0 : Median populasi beda-beda lebih kecil daripada atau sama
dengan nol.
H1 : Median populasi beda-beda lebih besar daripada nol.
c) (Satu Sisi)
H0 : Median populasi beda-beda lebih besar daripada atau sama
dengan nol.
H1 : Median populasi beda-beda lebih kecil daripada nol.
Taraf Nyata (α) Statistik Uji
a) Untuk masing-masing pasangan (Xi , Yi), catatlah tanda selisih akibat pengurangan Yi
terhadap Xi . Dengan kata lain, tulislah sebuah tanda positif bila Xi – Yi > 0, dan sebuah
tanda negatif bila Xi – Yi < 0. Sedangkan untuk Xi = Yi , maka pasangan data ini
disingkirkan dari analisis uji tanda ini, sehingga akibatnya banyaknya data n berkurang.
b) Kemudian hitung banyaknya tanda positif (T+) dan tanda negatif (T-).
c) Menentukan statistik uji untuk uji tanda : Untuk A (Dua Sisi) : Sebagai statistik ujinya (T)
adalah banyaknya tanda yang paling kecil/sedikit antara tanda positif (T+) dan tanda
negatif (T-). Untuk B (Satu Sisi) : Sebagai statistik ujinya (T) adalah banyaknya tanda
negatif (T-). Untuk C (Satu Sisi) : Sebagai statistik ujinya (T) adalah banyaknya tanda
positif (T+).
d) Setelah itu, hitunglah dengan menggunakan Tabel 1. Distribusi Peluang Binomial untuk
menentukan besarnya peluang dari P( K ≤ T | n , 0.50 ).
7. Mann Whitney U Test disebut juga dengan Wilcoxon Rank Sum Test.
Merupakan pilihan uji non parametris apabila uji Independent T Test tidak dapat
dilakukan oleh karena asumsi normalitas tidak terpenuhi. Tetapi meskipun bentuk non
parametris dari uji independent t test, uji Mann Whitney U Test tidak menguji perbedaan
Mean (rerata) dua kelompok seperti layaknya uji Independen T Test, melainkan untuk
menguji perbedaan Median (nilai tengah) dua kelompok.
Tetapi beberapa ahli tetap menyatakan bahwasanya uji Mann Whitney U Test tidak
hanya menguji perbedaan Median, melainkan juga menguji Mean. Mengapa seperti itu?
karena dalam berbagai kasus, Median kedua kelompok bisa saja sama, tetapi nilai P Value
hasilnya kecil yaitu < 0,05 yang berarti ada perbedaan. Penyebabnya adalah karena Mean
kedua kelompok tersebut berbeda secara nyata. Maka dapat disimpulkan bahwa uji ini bukan
hanya menguji perbedaan Median, melainkan juga perbedaan Mean.
Tujuan Uji Mann Whitney
Berdasarkan pemahaman pendapat-pendapat di atas, maka kesimpulannya adalah:
Seseorang akan melakukan uji Mann Whitney U Test apabila menemui kasus: Diketahui
dengan jelas bahwa terdapat perbedaan median, bentuk dan sebaran data sama, tetapi tidak
diketahui secara pasti apakah perbedaan median tersebut bermakna atau tidak. Untuk lebih
jelasnya silahkan lihat gambar di bawah ini:
Perhatikan dua histogram di atas, di mana bentuk lebar dan ketinggian keduanya
sama, yang berarti bentuk dan sebaran data kedua kelompok sama, tetapi median keduanya
berbeda. Lihat bahwa histogram yang di atas lebih ke kanan dari pada yang di bawah, yaitu
dengan median 18 sedangkan yang di bawah dengan median 15. Maksud dari peneliti
melakukan uji Mann Whitney U Test adalah menguji apakah perbedaan median tersebut
bermakna atau tidak. Bagaimana jika bentuk dan sebaran dari histogram tidak sama? apakah
masih bisa dilakukan uji ini? Jawabannya adalah “Ya”, tetapi peneliti tidak lagi menguji
perbedaan Median dan Mean, melainkan menguji perbedaan Mean saja.
Sensitivitas Mann Whitney U Test
Maka dapat diartikan bahwa uji Mann Whitney U Test (MWU) sangat sensitif
terhadap perubahan Median. Sebagai pilihan lain adalah Uji Kolmogorov Smirnov Z
(KS-Z) untuk uji dua sampel bebas. Uji KS-Z ini berbeda dengan MWU, di mana KS-Z
bukan hanya menguji perbedaan Median dan Mean, melainkan juga perbedaan Variances.
Maka oleh karena itu, jika asumsi homogenitas dalam uji MWU tidak terpenuhi, maka
KS-Z dapat menjadi alternatif. kelebihan dari uji KS-Z adalah tidak begitu sensitif pada
Median, melainkan sensitif pada Mean dan Variance.
Mengapa MWU dan KS-Z berbeda? Jawabannya adalah karena keduanya bekerja
dengan cara yang berbeda. MWU menguji perbedaan rerata peringkat sehingga
menghasilkan nilai U yang kemudian dapat dikonversi menjadi nilai Z. Sedangkan uji
KS-Z menguji perbedaan pada distribusi kumulatif. Oleh karena itu, sebelum anda
memilih uji mana yang tepat, sebaiknya anda pahami lebih dalam kedua uji ini dan
sesuaikan dengan hipotesis penelitian anda.
Karena uji ini merupakan bentuk non parametris dari uji independen t test, maka
varians kedua kelompok haruslah sama.
Asumsi Mann Whitney
Berdasarkan uraian di atas, maka dapat disimpulkan Asumsi yang harus terpenuhi
dalam Mann Whitney U Test, yaitu:
1. Skala data variabel terikat adalah ordinal, interval atau rasio. Apabila skala interval
atau rasio, asumsi normalitas tidak terpenuhi. (Normalitas dapat diketahui setelah uji
normalitas).
2. Data berasal dari 2 kelompok. (Apabila data berasal dari 3 kelompok atau lebih, maka
sebaiknya gunakan uji Kruskall Wallis).
3. Variabel independen satu dengan yang lainnya, artinya data berasal dari kelompok
yang berbeda atau tidak berpasangan.
4. Varians kedua kelompok sama atau homogen. (Karena distribusi tidak normal,
maka uji homogenitas yang tepat dilakukan adalah uji Levene’s Test. Di mana
uji Fisher F diperuntukkan bila asumsi normalitas terpenuhi).
Asumsi point 1,2 dan 3 tidak memerlukan uji tersendiri. Sedangkan point 4 jelas
perlu sebuah uji yang dapat menentukan apakah kedua kelompok memiliki varians yang
sama atau tidak, yaitu disebut dengan uji homogenitas.
9. 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:
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
Sampel Besar
Jika sampel berukuran lebih dari 10, maka terapkan aproksimasi sampel besar
dengan menganggap bahwa distribusi sampel mendekati distribusi normal (z). Dengan
demikian, kaidah pengambilan keputusan untuk analisis korelasi kendall tau sebagai
berikut:
1. Hipotesis dua arah: tolak Ho jika Z hitung > Z tabel atau Z hitung ≤ -Z tabel untuk n
dan tingkat signifikansi α.
2. Hipotesis satu sisi: tolak Ho jika nilai Z hitung > nilai Z tabel untuk n dan tingkat
signifikansi α.
3. Hipotesis satu sisi: tolak Ho jika nilai Z hitung < -Z tabel untuk n dan tingkat
signifikansi α.
di mana:
Uji chi square merupakan uji non-parametris yang paling banyak digunakan.
Namun perlu diketahui syarat-syarat uji ini adalah: frekuensi responden atau sampel yang
digunakan besar, sebab ada beberapa syarat di mana chi square dapat digunakan yaitu:
1. Tidak ada cell dengan nilai frekuensi kenyataan atau disebut juga Actual Count (F0)
sebesar 0 (Nol).
2. Apabila bentuk tabel kontingensi 2 X 2, maka tidak boleh ada 1 cell saja yang
memiliki frekuensi harapan atau disebut juga expected count (“Fh”) kurang dari 5.
3. Apabila bentuk tabel lebih dari 2 x 2, misak 2 x 3, maka jumlah cell dengan frekuensi
harapan yang kurang dari 5 tidak boleh lebih dari 20%.
Jenis Uji Chi Square
Rumus chi-square sebenarnya tidak hanya ada satu. Apabila tabel kontingensi
bentuk 2 x 2, maka rumus yang digunakan adalah “koreksi yates”. Untuk rumus koreksi
yates, sudah kami bahas dalam artikel sebelumnya yang berjudul “Koreksi Yates“.
Apabila tabel kontingensi 2 x 2 seperti di atas, tetapi tidak memenuhi syarat
seperti di atas, yaitu ada cell dengan frekuensi harapan kurang dari 5, maka rumus harus
diganti dengan rumus “Fisher Exact Test”.
Rumus Pearson Chi Square