*

Statistik inferensial  alat

bantu mengolah data untuk
penelitian dengan variabel
lebih dari 1 / multivariat.
Bayangkan kejadian di bawah ini:
Anda datang ke rumah teman Anda. Anda melihat
lampu di rumah teman Anda menyala dan
terdengar suara televisi. Anda kemudian
menekan bel berkali-kali, namun teman Anda
tidak juga membukakan pintu.

Asumsi apa yang muncul di pikiran Anda??

* Teman saya membenci saya sehingga dia tidak
membukakan pintu

Ternyataaa...
Bel rumah teman saya rusak
 Kesimpulan yang salah dari asumsi yang salah.
Dalam statistik terdapat beberapa asumsi yang
harus dipenuhi agar suatu data memenuhi
kriteria untuk pengambilan
kesimpulan/kenyataan yang tepat.

Jika suatu data telah memenuhi asumsi dari

suatu teknik statistik barulah pengolahan data
dengan teknik statistik tersebut dapat dilakukan
* Data parametrik adalah data yang bersifat
numerik/interval yang memiliki persebaran
skor cukup luas dan berdasarkan pada distribusi
normal.
* Sebagian besar teknik statistik didasarkan pada
tes parametrik asumsi harus terpenuhi
sebelum analisis dilakukan
* Teknik statistik yang tergolong parametric:
Korelasi pearson, t-test, anova, regresi, dll.

*
* Data terdistribusi normal
* Varians data homogen
* Data berskala minimal interval
* Independence

*
* Uji hipotesis dalam penelitian dibangun
berdasarkan logika distribusi normal
* Data dari sampel yang terdistribusi normal
diasumsikan mewakili data populasi (sampel
cukup representatif)
* Semakin besar sampel, semakin besar
kemungkinan data terdistribusi normal

*
 *

Interpretasi:
Data nilai ujian SPSS ditemukan tidak signifikan, D (26) =
0,10, p > .05 sedangkan data waktu ditemukan signifikan,
D(26) = 0.23, p < .05 sehingga dapat disimpulkan bahwa
data nilai ujian SPSS terdistribusi normal sedangkan data
waktu tidak terdistribusi normal.
2. Homogenitas varians
Persebaran skor setara pada kelompok atau
level data yang berbeda

*
 *

Interpretasi:
Data nilai ujian SPSS ditemukan tidak signifikan, F (1, 98) =
2,58, p > .05 sedangkan data numeracy ditemukan
signifikan, F(1, 98) = 7.36, p < .05 sehingga dapat
disimpulkan bahwa data nilai ujian SPSS memiliki varians
yang homogen sedangkan data numeracy memiliki varians
yang heterogen
* Data harus bersifat kontinu (skor) tidak boleh
berskala nominal atau ordinal

*
* Data dari satu responden independen dengan
responden lain  hasil ukur satu responden
tidak mempengaruhi hasil responden lain
* Contoh: pengambilan data terhadap 2
responden di lokasi yang sama, respon
responden 1 dapat mempengaruhi respon
responden 2  tidak independen

*
KORELASI
Practice makes
perfect
 Semakin banyak latihan, hasil kerja
semakin baik  +
 Semakin banyak latihan, hasil kerja
semakin buruk  -
 Semakin banyak latihan, hasil kerja
konstan/tidak ada perubahan  x
Apakah Korelasi itu?
 Hubungan antara dua variabel (variabel
x dan variabel y)

 Pada contoh sebelumnya hubungan

variabel latihan dan variabel hasil kerja

 Contoh lain??
 Hubungan kebiasaan olah raga dengan
tekanan darah
 Hubungan pengetahuan tentang operasi
dengan kecemasan pasien praoperasi
Contoh:
Koefisien Korelasi
 Angka yang menggambarkan sejauh
mana hubungan antara dua variabel,
bagaimana variasi pada satu variabel
diikuti oleh variasi pada variabel yang
lain.

 Koefisien korelasi: r atau rxy

Koefisien Korelasi
Memberikan informasi tentang:
1. Magnitude/kekuatan hubungan dari
variabel yang dikorelasikan (The degree
of the relationship)
 Ditunjukkan oleh nilai absolut koefisien
korelasi
 Range: 0 s.d. ±1
 Makin ke arah 0 menunjukkan kekuatan
hubungan semakin kecil, makin ke arah 1
kekuatan hubungan makin besar.
Koefisien Korelasi
Memberikan informasi tentang:
2. Arah hubungan (the direction of the
relationship)
 Ditunjukkan oleh tanda (+) atau (-) yang
diperoleh
 Korelasi positif menunjukkan hubungan antara
kedua variabel searah (kenaikan variabel x
diiringi dengan kenaikan variabel y, begitu juga
sebaliknya)
 Dalam scatter diagram terlihat arah dari kiri
bawah ke kanan atas
 Korelasi negatif menunjukkan hubungan
kedua variabel berlawanan arah
(kenaikan variabel x diiringi dengan
penurunan variabel y, atau kenaikan
variabel y diiringi dengan penurunan
variabel x
 Dalam scatter diagram terlihat arah dari
kiri atas ke kanan bawah
Arah hubungan
Koefisien Korelasi
Memberikan informasi tentang:
3. Bentuk hubungan (The form of the
relationship)
 Hubungan bersifat linear (berbentuk garis
lurus)  yang paling banyak digunakan
(Pearson Correlation)
 Hubungan bersifat curvilinear  special
correlation
Bentuk hubungan
 Contoh hubungan LINEAR:
 Hubungan antara dosis obat valium (mg)
dengan skor tes kecemasan
 Contoh hubungan KURVE LINEAR:
 Hubungan antara usia dengan tahapan
perkembangan psikomotor
 Usia dengan reaction time  grafik
perkembangan usia berbentuk “U”
Jenis Korelasi
 Korelasi Bivariat  hubungan 2 variabel
 Pearson product moment (r)
 Spearman’s rho (rs)
 Kendall’s (t)
 Poin biserial
 Biserial
 Korelasi
Parsial  hubungan 2 variabel
sambil mengontrol pengaruh dari 1 atau
lebih variabel lain
Pearson product moment
correlation
 Syarat untuk melakukan korelasi:
 Dua variabel yang dikorelasikan datanya
harus diperoleh dari paired observation
pada sejumlah individu atau objek.
 Variabel yang dikorelasikan merupakan
variabel kontinu (skala interval atau ratio)
 Hubungan antara kedua variabel bersifat
linear, bukan curvilinear
 Data harus terdistribusi normal
Korelasi Pearson di SPSS
 Judul penelitian hubungan dukungan
keluarga dan kecemasan pasien dalam
menghadapi kemoterapi
 Variabel dukungan keluarga diukur
menggunakan kuesioner yang menghasilkan
data berupa skor dengan rentang 14-60 
data berskala interval
 Variabel kecemasan diukur menggunakan
kuesioner yang menghasilkan data berupa
skor dengan rentang 14-52  data berskala
interval
 Correlations

Dukungan_ Tingkat_
keluarga kecemasan
Dukungan_keluarga Pearson Correlation 1 -,336*
Sig. (2-tailed) ,032
N 42 42
Tingkat_kecemasan Pearson Correlation -,336* 1
Sig. (2-tailed) ,032
N 42 42
*. Correlation is significant at the 0.05 level (2-tailed).

Interpretasi: Ada hubungan yang

signifikan antara dukungan
keluarga dan kecemasan pasien
yang menjalani kemoterapi,
r=-.336, p < .05
Spearman’s rho
 Termasuk statistik non parametrik 
digunakan jika data tidak terdistribusi normal,
data tidak berskala interval atau ratio
 Data diurutkan sesuai ranking kemudian
diaplikasikan pada persamaan Pearson
 Contoh: hubungan status gizi (diukur dengan
IMTskala interval) dengan konsentrasi
(diukur dengan tes intelegensi dengan hasil
berupa rentang skor 1-18 skala interval)
mahasiswa, namun data tidak terdistribusi
normal asumsi pearson tidak terpenuhi
 IMT Tingkat
Konsentrasi
Correlation 1.000 .191*
Spearman's IMT
Coefficient
rho Sig. (2-tailed) . .018
N 154 154
Tingkat Correlation .191* 1.000
Konsentrasi Coefficient
Sig. (2-tailed) .018 .
N 154 154

Interpretasi: Ada hubungan

yang signifikan antara status
gizi dan konsentrasi
mahasiswa, rs=.191, p < .05
Kendall’s
 Termasuk statistik nonparametrik
 Lebih cocok digunakan pada sampel
yang kecil dibandingkan spearman’s rho
 Contoh: hubungan kreativitas (skala
interval) dengan peringkat (skala ordinal)
dalam kompetisi melukis
 Kreativitas Peringkat dalam
lomba melukis
Correlation 1.000 -.300
Kreativitas
Coefficient
Kendall’s
Sig. (1-tailed) . .001
N 68 68
Peringkat dalam Correlation -.300* 1.000
lomba melukis Coefficient
Sig. (1-tailed) .001 .
N 68 68

Interpretasi: Ada hubungan yang

signifikan antara kreativitas dan
peringkat dalam lomba melukis,
t =-.300, p < .01
Biserial dan Poin Biserial
 Digunakan ketika salah satu dari 2
variabel yang diteliti merupakan variabel
dikotomi (bersifat nominal/kategorikal
dengan 2 kategori)
 Poin biserial  variabel murni dikotomi
(mis. Hamil-tidak hamil, hidup-mati, laki2-
perempuan)
 Biserial  variabel tidak murni dikotomi
(stres-tidak stres, lulus-tidak lulus)
 Contoh:hubungan pemberian obat (data berskala
nominal dengan 2 kategori: diberi-tidak diberi obat)
dengan respiration time (skala interval)

Interpretasi: Ada hubungan yang

signifikan antara pemberian obat
dengan respiration time,
rpb=.378, p < .01
Biserial
𝑟𝑝𝑏 𝑝𝑞
rb=
𝑦
Ket:
rb= korelasi biserial
rpb= korelasi poin biserial
p= proporsi responden pada kategori yang lebih
besar
q=proporsi responden pada kategori yang lebih kecil
y=titik ordinat pada distribusi normal yang diapit nilai
p dan q (lihat tabel)
 Misalnya pada contoh korelasi poin
biserial sebelumnya, ada kucing yang
dikebiri, sehingga jenis kelamin tidak lagi
menjadi variabel yang murni dikotomi
 Pada penelitian tersebut ditemukan
proporsi kucing perempuan (p) sebanyak
53.3% sedangkan 46.67% merupakan
proporsi kucing laki2 (q)
z Larger Smaller y
portion portion
.00 .50000 .50000 .3989
.01 .50399 .49601 .3989
.02 .50798 .49202 .3989
.03 .51197 .48803 .3988
.04 .51595 .48405 .3986
.05 .51994 .48006 .3984
.06 .52392 .47608 .3982
.07 .52790 .47210 .3980
.08 .53188 .46812 .3977
.09 .53586 .46414 .3973
 𝑟𝑝𝑏 𝑝𝑞
 rb=
𝑦
(0.378) 0.5333 𝑥 0.467
 rb=
0.3977
 rb= 0.475
Interpretasi Koefisien Korelasi
1. Nilai r tidak membentuk suatu skala
linear dengan satuan jarak yang konstan
 r = 0,50 TIDAK menandakan dua kali r =
0,25
 Kenaikan dari r = 0,40 menjadi 0,60 tidak
dapat disamakan dengan kenaikan dari
r = 0,70 menjadi r = 0,90
Interpretasi Koefisien Korelasi
3. Signifikansi nilai r
 Suatu r harus signifikan (bermakna), artinya
suatu korelasi tidak diperoleh secara
kebetulan. Hubungan x dan y harus bisa
dibuktikan.
Interpretasi Koefisien Korelasi
4. r dalam istilah varians
koefisien korelasi tidak hanya
menggambarkan hubungan antara
variabel namun juga merupakan indeks
yang menggambarkan proporsi individual
differences dari satu variabel yang dapat
diasosiasikan dengan individual
differences pada variabel lain.
Interpretasi Koefisien Korelasi
 r2 (coefficient of determination)
Menggambarkan proporsi dari total varians Y
yang dapat diasosiasikan dengan varians X
 Contoh:
rxy antara dukungan keluarga dan kecemasan = -
.336  r2 = 0,113 artinya terdapat 11.3% proporsi
varians kecemasan yang diasosiasikan dengan
varians dukungan keluarga (sebaliknya)
Atau
11.3% kebervariasian kecemasan
diasosiasikan/berhubungan dengan bervariasinya
dukungan keluarga
Warning!!
Dalam korelasi tidak dapat diperoleh informasi
tentang hubungan sebab akibat, karena:
 Adanya kemungkinan variabel lain yang
tidak diteliti
Contoh: pada penelitian hubungan suhu dengan
frekuensi makan, meskipun ditemukan hubungan
yang positif dan signifikan, namun tidak dapat
dikatakan suhu tubuh menyebabkan frekuensi
makan meningkat, karena peningkatan frekuensi
makan mungkin dipengaruhi oleh faktor lain, mis.
Kondisi fisik, aktivitas, dll.
Warning!!
 Koefisien
korelasi tidak menunjukkan arah
hubungan
Koefisien korelasi menunjukan bahwa variasi
dari satu variabel diikuti oleh variabel lain,
namun tidak diketahui mana variabel yang
menjadi sebab atau akibat.
Dalam contoh sebelumnya, tidak dapat
ditentukan apakah suhu yang menyebabkan
frekuensi makan meningkat, atau sebaliknya.
Rule of thumb besarnya nilai r
 0,9 – 1,0 = sangat tinggi
 0,7 – 0,9 = tinggi
 0,5 – 0,7 = sedang
 0,3 – 0,5 = rendah
 0,0 – 0,3 = sangat rendah (atau bisa saja
tidak ada)
(Hinkle, Wiersma, & Jurs, 1988 hlm 118)
Chi-square
Pearson’s chi-square
 Statistik
non parametrik
 Digunakan pada penelitian dengan 2
variabel nominal/kategorikal yang terdiri
dari 2 kategori.
 Contoh: hubungan jenis kelamin dengan
kejadian hipertensi
Jenis kelamin laki-laki dan perempuan
Hipertensi  ada dan tidak ada
 Hipertensi Tidak hipertensi
Laki-laki a B
Perempuan C d

Analisis dilakukan dengan perhitungan

frekuensi responden yang jatuh pada
tiap kelompok kategori
Asumsi dalam Pearson’s Chi
Square
 Independence 1 kasus/responden
hanya boleh termasuk dalam 1 kategori
 Frekuensi yang diharapkan (expected
frequency) dalam setiap kategori harus
lebih besar dari 5
Chi Square di SPSS
Judul  hubungan perilaku merokok a b x
dengan kejadian kanker paru-paru
merokok * kankerparu Crosstabulation
kankerparu Total
tidak ya
Count 25 10 35
tidak
merokok % within
71,4% 28,6% 100,0%
merokok
merokok
Count 14 51 65
merokok % within
21,5% 78,5% 100,0%
merokok
Count 39 61 100
Total % within
39,0% 61,0% 100,0%
merokok
c d y
 Chi-Square Tests
Value df Asymp. Sig. Exact Sig. (2- Exact Sig. (1-
(2-sided) sided) sided)

Pearson Chi-Square 23,802a 1 ,000

Continuity Correctionb 21,751 1 ,000

Likelihood Ratio 24,140 1 ,000

Fisher's Exact Test ,000 ,000

Linear-by-Linear
23,564 1 ,000
Association

N of Valid Cases 100

a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 13,65.

b. Computed only for a 2x2 table

OR (Effect Size)
𝑎𝑥𝑑
OR=
𝑏𝑥𝑐
𝑎/𝑥
RR (tidak)=
𝑐/𝑦
𝑏/𝑥
RR (ya)=
𝑑/𝑦
 Risk Estimate
Value 95% Confidence Interval

Lower Upper

OR
Odds Ratio for merokok (tidak
9,107 3,550 23,363
merokok / merokok)

For cohort kankerparu = tidak 3,316 1,993 5,518

For cohort kankerparu = ya ,364 ,212 ,624

N of Valid Cases 100

RR (ya) RR (tidak)
 Melaporkan Chi Square
Tidak kanker Total OR Pearson’s P
kanker chi square value
N % N % N %
Tidak 25 71,4 10 28,6 35 100 9,11 23,80 .000
merokok
merokok 14 21,5 51 78,5 65 100

Interpretasi:
Ada hubungan yang signifikan antara perilaku merokok
dengan kejadian kanker paru-paru χ2 = 23.80, p < .001
dan berdasarkan nilai OR, kejadian tidak kanker 9,11x
lebih banyak terjadi pada orang yang tidak merokok,
atau kejadian kanker 0,11x (1/9,11) lebih banyak terjadi
pada orang yang merokok.
Interpretasi RR
RR (tidak) = 3,316  orang yang tidak
merokok memiliki peluang untuk tidak
mengalami kanker paru-paru sebanyak
3,316 kali lebih besar dibandingkan orang
yang merokok
RR (ya) = 0,364  orang yang tidak merokok
memiliki peluang untuk mengalami kanker
paru-paru sebanyak 0,364 kali lebih kecil
dibandingkan orang yang merokok
 Pearson  data kedua variabel berskala
interval, terdistribusi normal
 Spearman  salah satu variabel tidak berskala
interval, tidak terdistribusi normal
 Kendall  sama dg Spearman tapi untuk
sampel yang lebih kecil
 Poin biserial  satu variabel berskala interval
dan variabel lain berskala nominal dengan
dua kategori yang murni dikotomi
 Biserial  satu variabel berskala interval dan
variabel lain berskala nominal dengan dua
kategori yang tidak murni dikotomi
 Chi square  melihat hubungan 2 variabel
berskala nominal dengan 2 kategori
Rambu-rambu memilih teknik
statistik dalam penelitian
 Teknik statistik dipilih pada step terakhir
pembuatan proposal
 Teknik yang dipilih harus konsisten dengan
masalah dan tujuan penelitian
Gambaran/profil  mean, distribusi frekuensi
Hubungan korelasi, chi square, regresi
Perbandingan  t-tes, anova
 Teknik statistik yang dipilih harus sesuai dengan
data dari masing-masing variabel penelitian
Perhatikan skala data, jika data berskala interval/rasio
jangan dipaksakan menjadi nominal atau ordinal
hanya karena ingin memakai teknik statistik tertentu.