Pengujian Hipotesis

Edy Sucipto, SKM, M.Si

 Macam Statistik
 Statistik deskriptif  statistik yg digunakan utk
mengambarkan atau menganalisis suatu statistik hasil
penelitian, tetapi tdk digunakan utk membuat kesimpulan
yg lebih luas (generalisasi/inferensi)
 Statistik inferensial  Statistik yg digunakan utk
menganalis data sampel dan hasilnya akan
digeneralisasikan (diinferensikan)
 Statistik inferensial terdiri dari statistik parametrik dan
statistik non parametrik
 Statistik parametrik  digunakan utk menganalisis data
interval dan rasio yg diambil dari populasi yg berdistribusi
normal
 Statistik nonparametrik  digunakan utk menganalisis
data nominal dan ordinal dari populasi yg bebas distribusi
 Macam-macam statistik

Deskriptif

Statistik Parametrik

Data Rasio dan Interval

Distribusi Normal
Inferensial

Nonparametrik

Data Nominal dan Ordinal

Bebas Distribusi
 Tahap Kegiatan Statistik

 Pengumpulan data
– sumber data
– metode pengumpulan data
– alat ukur yg digunakan
 Pengolahan data
– Editing (memeriksa data)
– Coding (memberi kode)
– Tabulating (menyusun data)
 Tahap Kegiatan Statistik
 Penyajian data
– tulisan
– tabel
– grafik
 Analisis data (pengujian hipotesis)
 Penarikan kesimpulan
PENGUJIAN HIPOTESIS DESKRIPTIF
 Pengujian hipotesis deskriptif  proses pengujian
generalisasi hasil penelitian yg didasarkan pada satu
sampel
 Kesimpulan yg dihasilkan  apakah hipotesis yg diuji
dpt digeneralisasikan atau tidak
 Bila Ho diterima berarti dapat digeneralisasikan
 Variabel penelitian bersifat mandiri dan sampelnya
hanya 1
 Hipotesis penelitian tidak berbentuk perbandingan
ataupun hubungan antar dua variabel atau lebih
 Terdapat dua macam pengujian hipotesis deskriptif,
yaitu uji dua fihak (two tail test) dan uji satu fihak (one
tail test) yg terdiri dari uji fihak kiri dan uji fihak kanan
 Jenis uji mana yg akan digunakan tergantung pada bunyi
kalimat hipotesis
PENGUJIAN HIPOTESIS KOMPARATIF
 Pengujian hipotesis komparatif  proses pengujian
parameter populasi yg berbentuk perbandingan melalui
ukuran sampel
 Kesimpulan yg dihasilkan  menguji kemampuan
generalisasi yg berupa perbandingan keadaan variabel
dari dua sampel atau lebih
 Bila Ho diterima berarti nilai perbandingan dua sampel
atau lebih tersebut dpt digeneralisasikan utk seluruh
populasi
 Desain penelitian masih menggunakan variabel mandiri
(satu variabel) seperti dlm penelitian deskriptif tetapi
variabel tsb berada pada populasi dan sampel yg
berbeda
 Jenis uji mana yg akan digunakan tergantung pada bunyi
kalimat hipotesis
PENGUJIAN HIPOTESIS ASOSIATIF
 Pengujian hipotesis asosiatif  dugaan adanya
hubungan antar variabel dalam populasi/sampel
 Kesimpulan yg dihasilkan  menguji koefesien korelasi
yang ada pada sampel utk diberlakukan kepada seluruh
populasi dimana sampel itu diambil
 Jenis uji mana yg akan digunakan tergantung pada bunyi
kalimat hipotesis
 Uji-t (t-test)
Jenis uji-t :
1. Uji-t satu sampel
2. Uji-t sampel bebas
3. Uji-t sampel berpasangan
 Uji-t Satu Sampel
Fungsi Uji :
Untuk mengetahui perbedaan sekumpulan
data dengan suatu standart tertentu

Asumsi :
Data berskala minimal interval
Data berdistribusi Normal
 Uji-t Satu Sampel
Hipotesis :
Satu arah
1. H0 :  ≤ 0 2. H0 :  ≥ 0
Ha :  > 0 H a :  < 0
Dua arah
3. H0 :  = 0
H a :   0
 Uji-t Satu Sampel
Statistik Uji :

X  0
t hit 
s/ n
Dimana :
X = rata-rata sample
n = ukuran sample
s = simpangan baku sample
0 = rata-rata populasi yang dihipotesiskan (nilai standar tertentu)
 Uji-t Satu Sampel
Pengambilan keputusan :
Untuk menarik kesimpulan (apakah H0 diterima
atau ditolak ), digunakan table t-student dengan
derajat bebas (n –1) dan tingkat signifikansi .

Ho ditolak jika,

| thit | > t tabel

 CONTOH SOAL …..
 Nilai Biostatistik mahasiswa S1
Keperawatan Bhamada Slawi adalah 80,
maka dosen melakukan pengujian apakah
betul nilainya 80 atau tidak pada 10
mahasiswa yang ternyata hasilnya :
60 70 65 80 70 65 75 80
70 75
Ho : µ = 80, Ha : µ ≠ 80
 Jawaban….
No. Nilai Simpangan Simpangan Kuadrat
(Xi – X) (Xi – X)2
1 60 - 11 121
2 70 -1 1
3 65 -6 36
4 80 9 81
5 70 -1 1
6 65 -6 36
7 75 4 16
8 80 9 81
9 70 -1 1
10 75 4 16
Jml X 710 : 10 = 71 0 390
 Jawaban …
 Simpangan baku …

X  0
∑ (Xi – X)2
t hit 
S=
√ (n – 1) s/ n
(390) 71 80
t hit 
S=
√ 9
= 6,2
6,2 / 10
| thit | > t tabel ?
DK = n - 1
 CONTOH SOAL …..
 Usia Akseptor KB di Puskesmas Slawi
adalah 30, maka peneliti melakukan
pengujian apakah betul usianya kurang dari
30 pada 10 akseptor yang ternyata hasilnya
:
20 30 35 40 20 25 35 15
20 25
Ho : µ ≥ 30, Ha : µ < 30
 Uji-t Sampel Bebas dan
Berpasangan
Statistik Uji :
X1  X 2
t hit 
2 2
s1 s2

Dimana :
n1 n2
X = rata-rata sample
n = ukuran sample
s = simpangan baku sample
 CONTOH SOAL UJI T BERPASANGAN

 Nilai Biostatistik mahasiswa stikes Bhamada Slawi

kelas A dan kelas B, maka dosen melakukan
pengujian apakah betul ada perbedaab atau tidak
pada 10 mahasiswa yang ternyata hasilnya :
A = 60 70 65 80 70 65 75 80 70 75
B = 80 90 55 75 60 90 90 80 85 75

Ho : µ1 = µ2, Ha : µ1 ≠ µ2
CONTOH SOAL UJI T BERPASANGAN

 Usia Akseptor KB di Puskesmas Slawi dan

Pusk.Adiwerna, maka peneliti melakukan
pengujian apakah betul usia akseptor KB di Pusk
Slawi kurang dari atau sama dengan di
Pusk.Adiwerna pada 10 akseptor yang ternyata
hasilnya :
A = 20 30 25 40 30 25 35 40 30 35
B = 40 50 25 35 40 40 45 30 35 25

Ho : µ1 ≥ µ2, Ha : µ1 < µ2
 STATISTIK NON PARAMETRIK (Chi-Square)
Tidak mengharuskan distribusi normal
Dapat dipakai untuk level data seperti nominal dan ordinal
Cederung lebih sederhana dan mudah dimengerti

Salah satu uji yang sering dipakai dalam praktek adalah Uji Chi-
Square. Uji ini dipakai untuk menguji apakah data sebuah sampel
yang diambil menunjang hipotesis yang menyatakan bahwa populasi
asal sampel tsb. mengikuti distribusi yang telah ditetapkan
(menyatakan perbedaan).

X2 = Chi Kuadrat
2 =  [(fo-ft)2] Fo = Frekuensi yg diobservasi
ft Ft = Frekuensi yg diharapkan
Namun dalam prakteknya, uji ini tetap mengikuti prinsip dasar pengujian
Chi-Square yaitu membandingkan antara frekuensi-2 harapan dengan
frekuensi-2 teramati.
Contoh :
------------------------------------------------------------------------------------------------
-
Partisipasi Pendidikan Semua Tk.
dlm BIMAS TT SD Tamat SD Pendidikan
------------------------------------------------------------------------------------------------
-
fo ft (fo-ft)2 fo ft (fo-ft)2
ft ft N
Ikut BIMAS 47 39,48 1,43 35 42,52 1,32 82

Tak Ikut 5 12,52 4,52 21 13,48 4,19 26

Bimas
------------------------------------------------------------------------------------------------
Ft (1) = 52 x 82 = 39,48 Ft (1) = 56 x 82 = 42,52
108 108
Ft (3) = 52 x26 = 12,52 F t (1) = 56 x 26 = 13,48
108 108
2 =  [(fo-ft)2] = 11,46
ft
|X2hit | > X2 tabel  Ho ditolak
DK = (k – 1)(b-1)

Apakah signifikan ? dk = (k-1)(b-1) = 1

Tingkat signifikansi 0,05 (3,841) & 0,01 (5,412)
Kesimpulan ada perbedaan yang signifikan pada tingkat partisipasi petani
dalam BIMAS antara petani yang TT SD dan Tamat SD.
Contoh :

------------------------------------------------------------------------------------------------
-
Mahasiswa fo ft fo-ft (fo-ft)2 (fo-ft)2
Bhamada ft
------------------------------------------------------------------------------------------------
-
Pria 200 150 50 2500 16,67

Wanita 100 150 -50 2500 16,67

------------------------------------------------------------------------------------------------
-
Catatan : Disini frekuensi yg diharapkan (ft) untuk kelompok
Jumlah 300 300
mahasiswa pria dan 0 wanita 5000
300/2 = 150 33,33
Contoh :

------------------------------------------------------------------------------------------------
-
Partisipasi Pendidikan Semua Tk.
dlm KB TT SD Tamat SD Pendidikan
------------------------------------------------------------------------------------------------
-
fo ft (fo-ft)2 fo ft (fo-ft)2
ft ft N
Ikut KB 150 75 225

Tak Ikut 200 100 300

KB
------------------------------------------------------------------------------------------------
-
Contoh :

------------------------------------------------------------------------------------------------
-
Warna fo ft fo-ft (fo-ft)2 (fo-ft)2
Mobil ft
------------------------------------------------------------------------------------------------
-
Biru 1000
Merah 900
Putih 600
Hitam 500
------------------------------------------------------------------------------------------------
-
Catatan : Disini frekuensi yg diharapkan (ft) untuk setiap
Jumlah 3000 3000/4 = 750
katagori
 Chi-Kuadrat dua sampel
• untuk menguji hipotesis komparatif dua sampel bila datanya
berbentuk nominal dan sampelnya besar (tabel 2 x 2)

Sampel Frekuensi Pada Jumlah

Obyek I Obyek II Sampel

Sampel A a b a+b
Sampel B c d c+d
n =Jumlah
jumlah sampel a + c b+d n

2 = n[(ad-bc)-1/2n]2
(a+b) (a+c) (b+d) (c+d)
 Contoh …..
Sampel Puskesmas Jumlah
Slawi Adiwerna Sampel

Ikut KB 60 20 80
Tidak ikut KB 30 40 70
Jumlahsampel
n = jumlah 90 60 150

2 = n[(ad-bc)-1/2n]2
(a+b) (a+c) (b+d) (c+d)

2 = 150[(60x40-20x30)-1/2x150]2
(60+20) (60+30) (20+40) (30+40)
 ANALISIS ASOSIATIF
JENIS HUBUNGAN
Simetri: terdapat hubungan antar variabel dan bersifat tidak
ada yang saling mempengaruhi (analisis yang tepat adalah
korelasi)
Asimetri: hubungan antar variabel yang terjadi bersifat yang
satu mempengaruhi (independen) dan lainnya dipengaruhi
(dependen); analisis regresi dan path
Resiprok: hubungan antar variabel yang terjadi bersifat saling
mempengaruhi (pengaruh bolak-balik), analisis SEM
(structural equation modelling)
 ANALISIS ASOSIATIF
DAT A
KORELASI REGRESI
X Y
Nominal Nominal Kontingensi, C Logit, Probit, LPM
Odd Ratio Diskriminan, dummy variabel
Relative Risk Logistik, dummy variabel

Nominal Ordinal Idem Logit, Probit, LPM

Diskriminan, dummy variabel
Logistik, dummy variabel
Regresi Theil
Regresi Garis Resisten

Nominal Interval & Biserial Regresi, dummy variabel

Ratio

Ordinal Nominal Kontingansi, C Logit, Probit, LPM

Odd Ratio Diskriminan, dummy variabel
Relative Risk Logistik, dummy variabel

Ordinal Ordinal Rank Spearman Logit, Probit, LPM

Rank Kendall Diskriminan, dummy variabel
Rank Partial Kendall Logistik, dummy variabel
Rank Konkordansi Kendall Regresi Theil
Regresi Garis Resisten
Ordinal Interval & Idem
Ratio Regresi, dummy variabel

Interval Nominal Biserial Logit / Logistik, Probit, LPM

dan Diskriminan
Ratio

Interval Ordinal Rank Spearman Logit / Logistik, Probit, LPM

dan Ratio Rank Kendall Diskriminan, dummy variabel
Rank Partial Kendall Logistik, dummy variabel
Rank Konkordansi Kendall Regresi Theil
Regresi Garis Resisten

Interval Interval Product Moment Pearson Regresi

dan Dan Kanonik
Ratio Ratio
 BEBERAPA PENGERTIAN TENTANG KORELASI DAN KO-
EFIESIEN KORELASI
Bila variabel X dan Y dikorelasikan, titik2 koordinat yang terdapat dalam
diagram pencar bertendensi membentuk suatu lingkaran yang memiliki
trend. Gambar di bawah, titik asal dari sumbu X’Y’ digambarkan pada
koordinat (X,Y) yang distribusikan dlm 4 kuadran
Y’
Y II I I = X’ dan Y’ positif
X’ II = X’ neg dan Y’ pos.
O’ III = X’ dan Y’ negatif
IV = X’ pos dan Y; neg
III IV
X
 Bila X’ dan Y’ masing2 dinyatakan dalam unit deviasi standarnya, maka
diperoleh pengukuran korelasi yang bebas dari unit asal. Pengukuran
umumnya dirumuskan :
r = 1  (xi) (yi)
n s x sy

Perumusan ini seringkali dinamakan ko-efisien korelasi Pearson (product

moment co-effisient of correlation).

r = sxy/sxsy
= Cov. (X,Y)/[Var(X).Var(Y)]1/2

Secara sederhana ditulis menjadi :

r= nXY - X Y
 nX2 - (X)2  nY2 (Y)2
Nilai r dapat bervariasi dari -1 melalui 0 hingga +1, bila r =0 atau mende kati
0, maka hub. antara kedua variabel sangat lemah atau tidak ada.
1. KORELASI PEARSON :
apakah di antara kedua variabel terdapat hubungan, dan jika
ada hubungan bagaimana
arah hubungan dan berapa besar hubungan tersebut.
Digunakan jika data variabel kontinyu dan kuantitatif

NΣXY – (ΣX) (ΣY)

r=
√ NΣX2 – (ΣX)2 x√ NΣY2 – (ΣY)2

Di mana : ΣXY = jumlah perkalian X dan Y

ΣX2 = jumlah kuadrat X
ΣY2 = jumlah kuadrat Y
N = banyak pasangan nilai
Contoh :
10 orang siswa yang memiliki waktu belajar berbeda dites
dengan tes IPS
Siswa : A B C D E F G H I J
Waktu (X) : 2 2 1 3 4 3 4 1 1 2
Tes (Y) : 6 6 4 8 8 7 9 5 4 6
Apakah ada korelasi antara waktu belajar dengan hasil tes ?

Siswa X X2 Y Y2 XY

ΣX ΣX2 ΣY ΣY2 ΣXY

Siswa X Y X2 Y2 XY

A 2 6 4 36 12
B 2 6 4 36 12
C 1 4 1 16 4
D 3 8 9 64 24
E 4 8 16 64 32
F 3 7 9 49 21
G 4 9 16 81 36
H 1 5 1 25 5
I 1 4 1 16 4
J 2 6 4 36 12
ΣX = 23 ΣY = 63 ΣX2 = 65 ΣY2 = 423 ΣXY= 162
Contoh soal :
1. Untuk mengetahui ada tidaknya hubungan antara pendapatan dan
pengeluaran, untuk keperluan tsb, maka telah dilakukan pengumpulan
data terhadap 9 reponden
X = 800 700 600 700 800 900 600 500 500
Y = 300 300 200 200 200 300 100 100 100

Ho = tidak ada hubungan antara pendapatan dan pengelauaran

Ha = ada hubungan antara pendapatan dan pengeluaran

Ho : ρ = 0, Ha = : ρ ≠ 0
 Contoh menghitung validitas dengan
Rumus Korelasi Product Momen
 Sebuah instrumen penelitian/pengukuran terdiri dari 10 item dan
disebarkan pada 10 orang responden dengan hasil skor seperti
dalam tabel
 Dari tabel terlihat bahwa Responden
berjumlah 10 orang (A,B,C,……,J)
 Jumlah item adalah 10 item/pertanyaan
 perhitungan korelasi dilakukan untuk tiap
item dari item nomor 1 sampai item no 10,
 untuk contoh perhitungan akan diambil
item no 2
 X adalah item ke n (dalam contoh diambil item nomor 2)
 Y adalah total skor untuk masing-masing responden.
 Selanjutnya dibuat perhitungan
 Untuk menghitung korelasi bisa dipakai rumus
korelasi product moment

N = jumlah responden/data pengamatan

 Apabila angka-angka pada tabel
dimasukkan ke dalam rumus:
 Hasil perhitungan menggunakan Rumus
Korelasi Product Momen untuk semua item
 nilai r untuk item no 2 sebesar 0.90 kemudian
dibandingkan dengan tabel r pada baris ke N
(10) sebesar 0.632 untuk taraf signifikansi 5%,
 karena nilai r lebih besar dari nilai r tabel maka
item no 2 adalah valid.
 Untuk item lainnya bandingkan nilai r untuk tiap-
tiap item (Korelasi menunjukan nilai r untuk tiap-
tiap item) dengan r tabel, hasilnya item no 1 dan
nomor 7 tidak valid (r hitung lebih kecil dari r
tabel) sedangkan item lainnya valid. Item-item
yang valid saja yang dipergunakan dalam
penelitian sedang yang tidak valid dibuang atau
diperbaiki
 Uji-t Sampel Bebas dan
Berpasangan
Statistik Uji :
X1  X 2
t hit 
s1
2
s2  s1  s2
2

  2r   
n1 n2  n  n 
 1  2 
Dimana :
X = rata-rata sample
n = ukuran sample
s = simpangan baku sample
r = korelasi product moment
Contoh soal :
1. Untuk mengetahui ada tidaknya perbedaan nilai ujian mahasiswa antara
sebelum dan sesudah mengikuti kuliah, untuk keperluan tsb, maka telah
dilakukan pengumpulan data terhadap 10 reponden
Sebelum (X) = 75 80 65 70 75 80 65 80 90 75
Sesudah (Y) = 85 90 75 75 75 90 70 85 95 70

Ho = tidak ada perbedaan nilai sebelum dan sesudah mengikuti

kuliah

Ho : ρ = 0, Ha = : ρ ≠ 0
 Koefesien Kontingensi
 Koefesien kontingensi digunakan utk
menghitung hubungan antara variabel bila
datanya berbentuk nominal

2
C=
 2 + N
Contoh :
------------------------------------------------------------------------------------------------
-
Partisipasi Pendidikan Semua Tk.
dlm BIMAS TT SD Tamat SD Pendidikan
------------------------------------------------------------------------------------------------
-
fo ft (fo-ft)2 fo ft (fo-ft)2
ft ft N
Ikut BIMAS 47 39,48 1,43 35 42,52 1,32 82

Tak Ikut 5 12,52 4,52 21 13,48 4,19 26

Bimas
------------------------------------------------------------------------------------------------
-
52 56 108
Ft (1) = 52 x 82 = 39,48 Ft (1) = 56 x 82 = 42,52
108 108
Ft (3) = 52 x26 = 12,52 F t (1) = 56 x 26 = 13,48
108 108
2 =  [(fo-ft)2] = 11,46
ft
Apakah signifikan ? dk = (k-1)(b-1) = 1
Tingkat signifikansi 0,05 (3,841) & 0,01 (5,412)
Kesimpulan ada perbedaan yang signifikan pada tingkat partisipasi petani
dalam BIMAS antara petani yang TT SD dan Tamat SD.
Untuk melihat hubungan keeratannya dihitung :
Koefisien kontingensi :
C =  2
2 + N
= 0,31
Makin besar K makin erat (K berkisar 0-1).