Uji t-test

One sample t-test

One sample t-test merupakan uji yang dilakukan untuk mengetahui apakah suatu populasi
memiliki nilai yang sama atau tidak sama, lebih tinggi atau tidak lebih tinggi, lebih rendah atau
tidak lebih rendah. Hal itu dapat disimpulkan dari hasil pembandingan sampel yang diambil dari
populasi tersebut dengan suatu nilai yang digunakan sebagai nilai pembanding (test value) .
1. Menyusun H0 dan H1
H0 : μ = 0
H1 : μ ≠ 0
2. Menghitung statistik yaitu:
X−π
t= s
√n
dengan
x = rata – rata
μ = nilai pembanding
s = simpangan baku
n = banyak data
3. Menentukan level of signification (aӧ)
4. Menentukan peraturan-peraturan pengujiannya/ kriterianya
 H0 diterima apabila

( ) (
-t a ; n−1 ≤ t ≤ t a ; n−1
2 2 )
H0 ditolak apabila

(
t < -t a ; n−1
2 ) (
atau
a
2
; n−1 < t )
5. Buat kesimpulan dengan membandingkan antara nilai t hitung dengan kriteria hitung
sebagaimana pada langkah 4.

Contoh:
Misalkan akan diuji, Apakah pengepakan suatu produk barang di PT xyz sudah sesuai
dengan ukurannya sebesar 50 kg. kemudian diambil data sebanyak 10 data sebagai
berikut.
49.9
50.1
50.1
50.2
49.8
49.4
49.7
49.4
49.1
49.3

Langkah yang dilakukan adalah:

langkah pengujian pada dasarnya sama dengan sampel besar, kecuali pada kriteria
pengujian dan perhitungan nilai t hitung.
1. H0 : rata-rata berat barang sama dengan 50 Kg.
H1 : rata-rata berat barang tidak sama dengan 50 Kg.
 2. Menghitung t
497
̅x= = 49,7
10
s = √∑ ¿ ¿ ¿ ¿

s=
√ 1.32
9
= 0,383

x−μ
t= s
√n
49.7−50
t = 0.383 = -2,48
√ 10
3. Dengan level of signification 0,05 dan derajatb bebas = degree of freedom = n-1 = 9
serta bentuk uji dua sisi maka nilai t tabel adalah 2,26.

4. H0 diterima apabila: ( ) (
-t a ; n−1 ≤ t ≤ t a ; n−1
2 2 )
atau

-2,26 < t < 2,26 dan

H0 ditolak apabila: (
t < t a ; n−1
2 )
atau ( )
t a ; n−1 < t
2

Atau t < -2,26 atau t > 2,26

5. Dengan membandingkan nilai perhitungan yaitu t = -2,48 dengan kriteria di atas,
tampak bahwa t=2,48 berada di daerah penolakan H 0. Sehingga dapat disimpulkan
bahwa H0 ditolak.

ANOVA
1. Pengertian
Pada dasarnya dapat dikelompokkan menjadi dua kelompok yaitu:
a. seluruh sampel, baik yang berada pada kelompok pertama sampai dengan yang ada di
kelompok lain, berasal dari populasi yang sama. untuk kondisi ini hipotesis nol terbatas
pada tidak ada efek dari treatment (perlakuan).
b. Sampel yang ada di kelompok satu berasal dari populasi yang berbeda dengan populasi
sampel yang ada di kelompok lainnya untuk kondisi ini hipotesis nol dapat berbunyi:
tidak ada perbedaan efek treatment antar kelompok.

Mengingat ANOVA berkaitan dengan pengujian hipotesis yang multiple (ganda), maka
perhitungan lebih kompleks daripada t-test. pada saat melakukan pengujian hipotesis
(perbedaan rata-rata) dengan menggunakan t-tes selalu menanggung kesalahan Tipe 1
sebesar Alpha untuk ANOVA kesalahan Tipe 1 disebut dengan eksperimen wise alpha level
yang besarnya:

1 – ( 1 – α )N

N merupakan banyaknya tes jika menggunakan t-tes (dilakukan satu persatu).

Misalnya untuk menguji perbedaan rata-rata dari 5 kelompok sampel. Jika diambil Alpha
sebesar 0,05, maka dengan penggunan t-tes besarnya resiko kesalahan tipe 1 untuk sekali
pengujian adalah 0,05 dan untuk 10 kali pengujian berarti menanggung kesalahan Tipe 1
sebesar 0,50. Apabila kita menggunakan ANOVA kesalahan Tipe 1 yang harus ditanggung
adalah:

1 – ( 1 – 0,05 )10 = 0,40

“ANOVA mempunyai kemampuan membedakan antara banyak kelompok dengan resiko

kesalahan yang kecil, juga dapat memberi informasi tentang ada tidaknya interaksi antar
variabel bebas sehubungan dengan pengukuran terhadap variabel terikat” (Agus
Irianto,1988:261). Oleh karena perbedaan yang merupakan sasaran utama dalam analisis
ANOVA maka data categorical untuk variabel bebas merupakan kondisi yang sesuai titik
jika variabel bebas berdistribusi kontinum atau berskala interval rasio, maka langkah awal
yang harus dilakukan peneliti adalah mengubah data tersebut menjadi data categorical.
walaupun langkah ini mem mengandung resiko pengelompokan yang tidak adil tetapi
dituntut untuk dilakukan. hipotesis dalam Anova akan membandingkan rata-rata dari
beberapa populasi yang diwakili oleh beberapa kelompok sampel secara bersama-sama
sehingga hipotesis matematikanya ( untuk 5 kelompok) adalah:

H0 : μ1 = μ2 = μ3 = μ4 = μ5
 H1 : Salah satu dari μ tidak sama..

Bunyi hipotesis alternatif seperti tersebut di atas, merupakan hipotesis yang fleksibel,
karena tidak menyebutkan secara μ mana yang berbeda dengan yang lainnya. Hal ini
mempunyai arti bahwa μ mana yang tidak sama bukan merupakan masalah dalam penolakan
hipotesis nol.

2. Macam-macam ANOVA
Pada dasarnya Anova dapat dibagi menjadi dua kelompok besar yaitu:
a. Beberapa kelompok yang dihadapi merupakan pembagian dari satu independen
variabel (variabel bebas) kondisi ini yang sering disebut dengan single factor
eksperimen analisis varians satu arah.
b. Beberapa kelompok yang dihadapi merupakan pembagian dari beberapa independen
variabel (variabel bebas) kondisi seperti ini sering disebut dengan two factor
eksperimen (analisis variance dua arah) untuk mempermudah memahami konsep
pengelompokan ANOVA dalam dua bagian besar, perlu kiranya kita lihat suatu
contoh model ANOVA yang mungkin ditemui.
1. Single factor experiment :
Metode Mengajar

A B C D
Sample Sample Sample Sample

2. Two factor experiment :

Metode Mengajar

Jenis L Sample Sample Sample

Kelamin P Sample Sample Sample

Melalui pengamatan model di atas, jelas bahwa dalam dua faktor eksperimen
pengelompokan dipengaruhi oleh lebih dari satu variabel. Untuk memperoleh data
pada setiap sel, maka pengelompokan itu dilakukan pada saat pengambilan sampel.
Oleh karena itu model ini lebih cocok untuk penelitian eksperimental dimana dari
 awal sampel-sampel tersebut telah di kota-kotakkan. Melalui kontrol yang baik maka
perembesan informasi antar kelompok dapat ditanggulangi. Walaupun demikian tidak
menutup kemungkinan ANOVA diterapkan pada penelitian survey.
3. Variabilitas dalam Anova dan pengujiannya
Perhitungan dalam ANOVA didasarkan pada varians, walaupun tujuannya adalah
menguji beberapa perbedaan rata-rata. hal ini sebenarnya telah di singgung di muka ( pada
saat membicarakan perbedaan rata-rata dua populasi). kita baru bisa mengatakan bahwa rata-
rata tersebut berbeda apabila telah dilihat pula variabilitasnya. ukuran yang baik untuk
melihat variabilitas adalah simpangan baku maupun varians. Oleh karena itu pengujian
didasarkan pada variance. Pengukuran total variabilitas atas data yang ada dapat
dikelompokkan menjadi tiga (3) bagian:
a. Variabilitas antar kelompok treatment variability, merupakan variansi rata-rata
kelompok sampel terhadap rata-rata keseluruhannya. variansi disini lebih terpengaruh
oleh adanya perbedaan perlakuan ( treatments) antar kelompok, disingkat SSb.
b. Variabilitas dalam kelompok treatment variability merupakan variasi yang ada dalam
masing-masing kelompok. banyaknya variansi akan tergantung pada banyaknya
kelompok dan variansi disini tidak tergantung atau tergantung oleh perbedaan
perlakuan antarkelompok, disingkat SSw.
c. Jumlah kuadrat penyimpangan total Total sum of squares, merupakan jumlah kuadrat
selisih antar skor individual dengan rata-rata totalnya, disingkat sst.
Setelah konsep variabilitas dapat kita pahami, maka langkah selanjutnya adalah mencari
atau menghitung variabilitas tersebut.

Jumlah kuadrat antar kelompok (SSb) dapat dicari dengan rumus

SSb = n
[ ∑ x 2−
( ∑ ❑ ̅ x ) 2❑
k ]
Atau
2 2
SSb = ∑ Tn - G
N
Keterangan :
K adalah banyaknya kelompok.
T adalah total X masing-masing kelompok.
G adalah total X keseluruhan
n adalah jumlah sample masing-masing kelompok.
N adalah jumlah sample keseluruhan.

Untuk mwnghitung jumlah kuadrat dalam kelompok digunakan rumus

SSw = SSmk
Keterangan:
SSmk adalah jumlah kuadrat simpangan masing-masing kelompok.

Selanjutnya untuk menghitung jumlah kuadrat total dapat digunakan rumus

2
G
SSt = ∑ x -
2
N
Apabila kita telah mengetahui besarnya SSb dan SSw, maka SSt dapat dihitung dengan
mudah, yaitu dengan menggunakan rumus:
SSt = SSb + SSw.

Mengamati skor pada masing-masing kelompok dan ternyata ada perbedaannya,

maka tidak boleh puas dengan kondisi tersebut. Langkah selanjutnya adalah
mempertanyakan kenapa terjadi perbedaan antara data. Untuk itu disajikan sebuah
ilustrasi: pengukuran skor ujian siswa di kelas pagi dan kelas sore. Ternyata Dari hasil
ujian diperoleh informasi bahwa hasil ujian siswa yang masuk pagi lebih baik daripada
hasil ujian siswa yang masuk sore hari.
Dalam kondisi ini ada beberapa kemungkinan yang menyebabkan terjadinya
perbedaan antara skor siswa pagi dan sore yaitu:
1. Hasil ujian memang dipengaruhi oleh waktu ujian titik kondisi ini sering disebut
dengan treatment efek.
2. Siswa-siswa pagi secara individual berbeda dengan siswa-siswa sore. Perbedaan
individual ini berkemungkinan berpengaruh terhadap hasil ujian. Hasil ujian memang
 bisa dipengaruhi oleh perbedaan individual ( individual difference), karena pengujian
memang merupakan pengukuran terhadap individu dan masing-masing individu
tersebut merupakan variabel bebas.
3. Pengukuran yang salah; karena lemahnya alat ukur, kurangnya perhatian ( tidak adanya
keseriusan subjek penelitian dan menjawab pertanyaan), atau kesalahan dalam
melakukan prediksi dapat mengakibatkan terjadinya perbedaan skor antara kelompok
satu dengan kelompok lainnya.

Setelah kita membahas sebuah ilustrasi yang memberi gambaran pola sumber-
sumber perbedaan yang mungkin muncul, maka jelas bahwa peneliti perlu melakukan
kontrol yang baik terhadap sumber-sumber tersebut, sehingga hasil kesimpulan yang
diambil dapat bermanfaat.

Contoh Soal: Hasil penelitian tentang hasil belajar siswa yang diajar dengan metode yang
berbeda : A, B, C :
Metode A Metode B Metode C
8 1 5
6 7 7
7 8 8
5 6 4
9 9 6

Berdasarkan data di atas marilah hitung SSt, SSb, SSw

Jawab :

Untuk memperoleh perhitungan, data di atas perlu disusun kembali dengan kolom yang
lebih lengkap:
 XA XA2 XB XB2 XC XC2
8 64 10 100 5 25
6 36 7 49 6 36
7 49 8 64 8 64
5 25 6 36 4 16
9 81 9 81 7 49
35 255 40 330 30 190

Dari tabel diatas dapat diambil beberapa faktor yang diperlukan perhitungan lebih lanjut yaitu:
TA = 35 Tb = 40

nA = 5 nB = 5

G = 105
N = 15

∑ x2 = 225 + 330 + 190 = 745

Selanjutnya marilah kita hitung jumlah kuadrat masing-masing:

2
G
SSSt = ∑x - 2
N

2
105
= 775 -
15

= 775 - 735

= 40

2 2
T G
SSb = -
n n

2 2 2 2
35 40 30 105
= 5
+
5
+
5
+
15

1225+1600+900 11025
= 5
- 15
 = 745 - 735

= 10

SSt = SSb + SSw

= 40 - 10

= 30

Langkah di atas merupakan langkah yang lebih singkat dari pada langkah yang lainnya.
Walaupun demikian pemakai bebas dalam menentukan langkah yang ingin diikuti. Untuk itu
perlu dibuktikan kecocokannya jika menggunakan langkah rumus yang lainnya .

ANALISIS KOVARIANS

Perhatikan suatu studi tentang variabel Y yang menjadi variabel respon akibat efek faktor
atau faktor-faktor lain. Dalam bab yang lalu, variabel ini dianggap hanya terjadi semata-mata
sebagai efek faktor atau faktor-faktor (termasuk interaksinya) yang kita perhatikan ditambah
efek-efek umum dan kekeliruan yang kesemuanya diperhitungkan melalui suatu model
matematis tertentu. akan tetapi, ada kenyataan nilai-nilai variabel Y yang yang bisa berubah-
ubah oleh karena ada variabel lain, Katakanlah X, disamping y merupakan akibat efek faktor-
faktor yang dipelajari. jadi, kecuali Faktor atau faktor-faktor memberikan Efek terhadap Y masih
ada variabel (atau barangkali variabel-variabel) yang berubah-ubah seiring dengan terjadinya
perubahan variabel Y. Variabel atau variabel variabel X ini sering tidak mungkin dapat dikontrol
selama kita melakukan eksperimen, akan tetapi masih dapat diukur bersama-sama dengan
variabel Y. Variabel X akan bersifat demikian dinamakan variabel iringan atau variabel
konkomitan.

Dengan adanya hal seperti ini, maka untuk melakukan analisis mengenai variabel respon
Y sebagai efek Faktor atau efek faktor-faktor, maka perlu lah terlebih dahulu "menyingkirkan
pengaruh X terhadap Y baru lalu kemudian melakukan analisis terhadap Y yang sudah
dimurnikan untuk melihat efek faktor-faktor yang dipelajari. analisis seperti ini dinamakan
analisis kovarian, disingkat ANAKOVA.
Contoh
Untuk mempelajari efek beberapa metode mengajar berhitung kepada anak-anak SD
kelas VI misalnya, sebelum metode tersebut digunakan, terlebih dahulu anak-anak diberi tes
awal setelah metode mengajar selesai diberikan, pada akhir pelajaran diberikan tes akhir yang
isinya sama dengan tes awal. hasil tes ini, kita bisa menentukan variabel respon Y sebagai selisih
nilai tes akhir dan nilai tes awal untuk tiap anak. Jika nilai tes awal kita sebut X, maka dalam hal
lain hal ini ada kemungkinan bahwa respon y dipengaruhi oleh variabel x sehingga tidak semata-
mata dikarenakan oleh efek metode mengajar yang digunakan dalam hal ini, sebelum diteliti
mengenai Y sebagai efek metoda mengajar dengan menggunakan anava, maka perlu dilakukan
dahulu analisis regresi Y atas X. Dengan kata lain, untuk ini perlu dilakukan analisis kovarians.
Dari uraian dan contoh diatas mudah ditangkap bahwa pada dasarnya analisis kovarian
merupakan perkawinan antara analisis regresi dan analisis varians.

Multiple Analisis Of Variance (MANOV)

Analisis multivariat: sebagai pengembangan lanjut dari analisis regresi, menjelaskan

hubungan yang komplek antar variabel. Sedangkan analisis regresi hanya menjelaskan hubungan
tunggal antar variable
Variabel dibagi dua:
1. Variabel dependen (dependent variable): Variabel yang nilainya ditentukan oleh oleh
variabel yang lain yaitu variabel independen
2. Variabel independen (independent variable): Variabel yang digunakan untuk
mengestimasi atau memprediksi nilai variabel lain yaitu variabel dependen
Menurut jenis data baik variabel dependen maupun independen dalam
analisis multivariat, variabel dibagi menjadi dua:
1. Variabel kuantitatif:
Def: Variabel yang dilaporkan dalam bentuk angka atau metrik (metric number), disebut
variabel data metrik
Contoh: harga mobil, keuntungan perusahaan, harga saham, berat badan seseorang, dsb.
2. Variabel kualitatif: Def: Variabel yang dilaporkan tidak dalam bentuk angka atau non
metrik (non-metric number), melainkan dalam bentuk atribut atau karakteristik suatu
variabel, disebut variabel data non-metrik
 Contoh: jenis kelamin, tingkat pendidikan, kesehatan, jenis hotel, dsb.
Penelitian dengan analisis multivariat didasarkan pada data sampel dari data populasi.
Karakteristik populasi yang diteliti hanya didasarkan pada karakteristik sampel yang diambil
secara random atau acak dari populasi. Kesimpulan penelitian dengan analisis multivariat
didasarkan pada statistika inferensi. Statistika inferensi sebagai alat pembuat keputusan harus
ditentukan tingkat kesalahan yang dapat diterima atau derajat kepercayaan karena adanya
kesalahan sampling atau pengambilan sampel (sampling error). Penarikan kesimpulan tentang
karakteristik (parameter) populasi berdasarkan sampel harus dibuat hipotesis. Hipotesis dibagi
dua:
•Hipotesis nol (Ho):
Nilai numerik dari nilai parameter populasi. Secara teoritis hipotesis nol dianggap
benar sampai akhirnya dapat dibuktikan
salah berdasarkan data sampel
• Hipotesis alternatif (Ha):
Kebalikan dari hipotesis nol, hipotesis alternatif harus bernilai benar ketika
hipotesis nol mampu dibuktikan salah.

Penentuan besarnya tingkat kesalahan yang dapat diterima digunakan

tingkat tipe kesalahan I (type I error) yang disebut alpha (a). Tipe kesalahan I atau a merupakan
probabilitas menolak hipotesis nol (Ho) yang benar. Pada penentuan besarnya a juga harus secara
otomatis ditentukan besarnya kesalahan jenis lain yang terkait yaitu tipe kesalahan II yang
disebut beta (ß). • Tipe kesalahan II atau ß merupakan probabilitas menerima hipotesis nol (Ho)
yang salah.• Berkaitan dengan ß, sering digunakan probabilitas 1- ß yang menunjukkan kekuatan
statistik inferensi (statistical power). Probabilitas 1- ß merupakan probabilitas menolak hipotesis
nol yang salah. Hubungan antara kedua probabilitas a (kesalahan tipe I) dan ß (kesalahan tipe II)
dapat dilihat pada tabel kesalahan dalam uji hipotesis.