Anda di halaman 1dari 33

Penuntun BAB III

Hipotesa Komparatif
Variable Numerik Dua Kelompok
Latihan 1. Uji t Tidak Berpasangan
• Uji Hipotesa Komparatif
• Variable Numeric
• Data Berdistribusi Normal
• Dua Kelompok Tidak Berpasangan
Uji Distribusi Data (Uji Normalitas)

• IBM => Varible view=> Data view ... ISI (contoh file
unfired_t_test pendampingan suami dan ancietas )
• Analyze => Descriptive Statics=> Explore
• Masukkan varibel ancietas ke dlm Dependent list
dan suami ke dlm faktor list
• Plots=>Factor level tegether=>Histogram
• Normality plots with test
• Continue
• OK
Tests of Normality

Didampingi Kolmogorov-Smirnova Shapiro-Wilk


suami
Statisti df Sig. Statisti df Sig.
c c
didampingi ,068 147 ,098 ,993 147 ,656
suami
Score ansietas
tidak didampingi ,037 103 ,200* ,988 103 ,459
suami

*. This is a lower bound of the true significance.


a. Lilliefors Significance Correction

N sampel = 50 => lihat pada Kolmogorov – Smirnov


Sig = 0.098 dan 0,200 => lebih besar 0,05
Data berdistribusi NORMAL
Cocok utk uji t tidak berpasangan (un pired test)
Melakukan Uji t tidak Berpasangan

• IBM => Varible view=> Data view ... ISI (contoh file
unfired_t_test pendampingan suami dan ancietas )
• Analyze => Compare Means=>Independent – Sample
t
• Masukkan score ancietas ke dlm kotak Test Variable
dan suami ke dlm Grouping Variable
• Define Group => isi 1 pad group 1 dan 2 pada group
2
• Continue
• OK
Independent Samples Test

Levene's Test t-test for Equality of Means


for Equality of
Variances

F Sig. t df Sig. Mean Std. 95%


(2- Differe Error Confidence
tailed) nce Differe Interval of the
nce Difference
Lower Upper

Equal - - - -
variances 38,18 248 ,000 1,313
assumed 33,353 ,000 9 50,125 52,711 47,540
Score
ansietas Equal - 150,2 - - -
variances 34,98 ,000 1,433
49 50,125 52,956 47,295
not assumed 8
Group Statistics

Didampingi suami N Mean Std. Std. Error


Deviation Mean

didampingi suami 147 20,90 7,607 ,627


Score ansietas
tidak didampingi 103 71,03 13,071 1,288
suami

Rerata score ansietas :


• Didampingi suami = 20,90
• Tidak didampingi suami = 71,03
• yg didampingi suami lebih rendah
• Pada kotak Levens test =>Sig= 0,000=> lebih kecil
0,05 => varians kedua kelompok tdk sama
• Maka hasil uji t dilihat pada baris kedua (equal
varians assumed) :
– Sig. = 0,000
– Perbedaan rerata (mean different) – 50,13
– Nilai IK 95% antara -52,96 sampai -47,29
– Karena nilai p < 0,05 => terdapat perbadaan rerata
score ansietas antara yg didampingi suami dan yg
tidak didampingi suami, atau ansietas yg didampingi
suami lebih rendah dari yg tidak didampingi suami
Latihan 2. Uji t Berpasangan
• Uji Hipotesa Komparatif
• Variable Numeric
• Data Berdistribusi Normal
• Dua Kelompok Berpasangan
Uji Distribusi Data (Uji Normalitas)

• IBM => Varible view=> Data view ... ISI (contoh file
fired_t_test bmi pra dan post penyuntikan progesteron)
• Analyze => Descriptive Statics=> Explore
• Masukkan varibel bmi pra dan bmi post ke dlm
Dependent list
• Plots=>Factor level tegether=>Histogram
• Normality plots with test
• Continue
• OK
Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.


Bodi mass index
sebelum ,123 50 ,055 ,965 50 ,143
penyuntikan
testosteron

Body mass index


setelah penyuntikan ,123 50 ,058 ,983 50 ,695
testosterone

a. Lilliefors Significance Correction

N sampel < 50 => lihat pada Shapiro-Wilk


Sig = 0.143 dan 0,695=> > 0,05
Data berdistribusi normal
Cocok utk uji t berpasangan ( pired test)
Melakukan Uji Paired Test
• IBM => Varible view=> Data view ... ISI (contoh file
fired_t_test bmi pra dan post
• Analyze => Compare Means=>paired – Sample T Test
• Masukkan variable bmi pra ke dlm kotak paired
Variable 1 dan variable bmi post ke dlm kotak paired
Variable 2
• Define Group => isi 1 pad group 1 dan 2 pada group 2
• Continue
• OK
Paired Samples Test

Paired Differences

95% Confidence t df Sig.


Interval of the (2-
Mean Std. Std. Difference tailed)
Deviati Error
on Mean
Lower Upper
Bodi mass
index sebelum
penyuntikan
Pair testosteron -
-5,6040 1,0880 ,1539 -5,9132 -5,2948 -36,423 49 ,000
1 Body mass
index setelah
penyuntikan
testosterone
• Kolom Sig.(2 tailed )=> Significancy 0,000
=> lebih kecil 0,05
• Terdapat perbedaan rerata bmi yg bermakna
sebelum dan sesudah penyuntikan testosteron
• Nilai IK 95% => antara -5,913 sampai – 5,295
Latihan 3. Uji Mann-Whitney
• Uji Hipotesa Komparatif
• Variable Numeric
• Data Berdistribusi Tidak Normal
• Dua Kelompok Tidak Berpasangan
Uji Distribusi Data (Uji Normalitas):
• IBM => Varible view=> Data view ... ISI (contoh
bmi class ekonomi tinggi dan rendah
• Analyze => Discriptive statics=>Explore
• Masukkan variable bmi ke dlm dependent list dan
class ke dlm factor list
• Polts=> Factor level tegether =>Histogram =>
Normalitiy ploth with tests
• Continue
• OK
Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk
tingkat
ekonomi Statisti df Sig. Statisti df Sig.
c c

tinggi ,187 44 ,001 ,940 44 ,025


body mass
index
rendah ,172 56 ,000 ,951 56 ,023

a. Lilliefors Significance Correction

N sampel class ekonomi tinggi < 50 => lihat pada Shapiro –wilk
N sampel class ekonomi rendah > 50 => lihat pada Kolmogorov-Smirnov
Sig = 0.025 dan 0,000=> lebih kecil 0,05
Data berdistribusi tidak normal
Lakukan Transformasi data
Transformasi Data
• Lanjutkan file wkt uji normalitas
• Transform => Compute variable (klik)
• Ketik trans_bmi
• All (pd fuction group) => LG10 ((function and special
variable) =>klik tanda panah arah atas shg LG10 masuk
ke dalam numeric ekspression
• Pindahkan bmi ke dlm numeric ekspression (tertulis
LG10(bmi)
• OK
• Buka data view ( ada tambahan trans_bmi)
Lakukan uji normalitas lagi dg variabel
baru trans_bmi dan class ekonomi
• IBM => Varible view=> Data view ... ISI (contoh bmi
class ekonomi tinggi dan rendah
• Analyze => Discriptive statics=>Explore
• Masukkan variable trans_bmi ke dlm dependent
list dan class ke dlm factor list
• Polts=> Factor level tegether =>Histogram =>
Normalitiy ploth with tests
• Continue
• OK
Tests of Normality

tingkat Kolmogorov-Smirnova Shapiro-Wilk


ekonomi
Statisti df Sig. Statisti df Sig.
c c

tinggi ,184 44 ,001 ,943 44 ,031


Trans_bmi
rendah ,176 56 ,000 ,950 56 ,021

a. Lilliefors Significance Correction

N sampel class ekonomi tinggi < 50 => lihat pada Shapiro –Wilk
N sampel class ekonomi rendah > 50 => lihat pada Kolmogorov-Smirnov
Sig = 0.031 dan 0,000=> <0,05
Data berdistribusi tidak normal
Cocok dg Uji Mann-Whthney
Melakukan Uji Mann-Whitney
• IBM => Varible view=> Data view ... ISI (contoh mann-
whithney bmi class ekonomi tinggi dan rendah
• Analyze => Non parametric test=> 2 Independen samples
• Masukkan bmi ke dlm Test variable list
• Masukkan class ke dlm Grouping variable
• Aktipkan Uji Mann-Whitney
• Define Group=> 1 (class ekonomi rendah) pd group 1 dan
2 (class ekonomi tinggi) pd group 2
• Continue
• OK
Test Statisticsa
body mass index

Mann-Whitney U 973,000
Wilcoxon W 1963,000
Z -1,807
Asymp. Sig. (2-tailed) ,071
a. Grouping Variable: tingkat ekonomi

Sig. (2=tiled) = 0,071 => lebih besar 0,05


Tidak ada perbedaan bermakna antara BMI ekonomi rendah dan
ekonomi tingi
Latihan.4 Uji Wilcoxon
• Uji Hipotesa Komparatif
• Variable Numeric
• Data Berdistribusi Tidak Normal
• Dua Kelompok Berpasangan
Uji Distribusi Data (Uji Normalitas):
• IBM => Varible view=> Data view ... ISI (contoh file uji
wicoxon pre pengetahuan dan post pengetahuan
• Analyze => Discriptive statics=>Explore
• Masukkan variable prepeng ke dlm dependent list
dan postpeng ke dlm Label cases by
• Polts=> Factor level tegether =>Histogram =>
Normalitiy ploth with tests
• Continue
• OK
Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

Pengetahuan ,156 100 ,000 ,933 100 ,000


sebelum penyuluhan

a. Lilliefors Significance Correction

N > 50 => lihat Sig. Pada Kolmogorov-Smirnov = 0,000 = lebih kecil


0,05
Data berdistribusi tidak normal
Lakukan Transformasi data
Melakukan Transformasi Data
• Lanjutkan file wkt uji normalitas
• Transform => Compute variable (klik)
• Ketik trans_prepenge
• All (pd fuction group) => LG10 ((function and special
variable) =>klik tanda panah arah atas shg LG10 masuk
ke dalam numeric ekspression
• Pindahkan peng ke dlm numeric ekspression (tertulis
LG10(prepeng)
• OK
• Buka data view ( ada tambahan trans_prepeng)
• Lakukan uji normalitas lagi dg variabel baru
trans_prepeng dan postpeng
– IBM => Varible view=> Data view ... ISI (contoh file
uji wicoxon trans_prepeng dan post pengetahuan
– Analyze => Discriptive statics=>Explore
– Masukkan variable trans_prepeng ke dlm
Dependent list dan postpeng ke dlm Label cases by
– Polts=> Factor level tegether =>Histogram =>
Normalitiy ploth with tests
– Continue
– OK
Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

trans_prepeng ,188 100 ,000 ,910 100 ,000

a. Lilliefors Significance Correction

N > 50 => lihat Sig. Pada Kolmogorov-Smirnov = 0,000 =


lebih kecil 0,05
Data berdistribusi tidak normal
Cocok utk Uji Wilcoxon
Melakukan Uji Wilcoxon
• IBM => Varible view=> Data view ... ISI (contoh file
uji wicoxon pre pengetahuan dan post
pengetahuan
• Analyze=> Nonparametric test => Related samples
• Masukkan prepeng dan postpeng ke dlm Test
paired List
• Wilcoxon
• Continue
• OK
Test Statisticsa

Pengetahuan setelah
penyuluhan - Pengetahuan
sebelum penyuluhan

Z -3,377b
Asymp. Sig. (2-tailed) ,001
a. Wilcoxon Signed Ranks Test
b. Based on negative ranks.

Sig.(2-tailed) = 0,001 => lebih kecil 0,05


Terdapat perbedaan pengetahuan yg bermakna antara
sebelum dan sesudah penyuluhan