Uji T independen digunakan untuk mengetahui perbedaan rata-rata antara dua kelompok data independen yang berdistribusi normal. Dokumen menjelaskan cara melakukan uji T independen secara manual dan menggunakan program SPSS, dengan contoh menguji pengaruh status merokok ibu hamil terhadap berat bayi lahir.

1. Uji T Independen
Uji ini untuk mengetahui perbedaan rata-rata dua populasi/kelompok data yang independen.
Contoh kasus suatu penelitian ingin mengetahui hubungan status merokok ibu hamil dengan
berat badan bayi yang dilahirkan. Respondan terbagi dalam dua kelompok, yauti mereka yang
merokok dan yang tidak merokok.
Uji T independen ini memiliki asumsi/syarat yang mesti dipenuhi, yaitu :
1. Datanya berdistribusi normal.
2. Kedua kelompok data independen (bebas)
3. variabel yang dihubungkan berbentuk numerik dan kategorik (dengan hanya 2
kelompok)
Secara perhitungan manual ada dua formula (rumus) uji T independen, yaitu uji T yang
variannya sama dan uji T yang variannya tidak sama.
Untuk varian sama gunakan formulasi berikut :
Dimana Sp :
KETERANGAN :
Xa = rata-rata kelompok a
Xb = rata-rata kelompok b
Sp = Standar Deviasi gabungan
Sa = Standar deviasi kelompok a
Sb = Standar deviasi kelompok b
na = banyaknya sampel di kelompok a
nb = banyaknya sampel di kelompok b
DF = na + nb -2
Sedangkan untuk varian yang tidak sama gunakan formulasi berikut :

2. Untuk DF (degrre of freedom) uji T independen yang variannya tidak sama itu berbeda
dengan yang di atas (DF= Na + Nb -2), tetapi menggunakan rumus :
Nah... untuk menentukan apakah varian sama atau beda, maka menggunaka rumus :
Bila nilai P > α , maka variannya sama, namun bila nilai P <= α, berati variannya berbeda.
Contoh perhitungan secara manual, saya tidak akan berikan disini...capek...hehe. Mungkin
akan saya berikan dalam aplikasi di SPSS atau STATA (lebih mudah tidak perlu pake
kalkulator).

3. Uji T Independen dengan SPSS
Kesempatan ini akan saya gunakan untuk memberikan contoh penerapan Uji T (T-test)
independen di SPSS. Sebagaimana diketahui bahwa uji ini digunakan, bila kita memiliki data
kategorik dan numerik.
Sebagai contoh misalnya kita ingin mengetahui apakah ada pengaruh ibu yang merokok dan
ibu yang tidak merokok (status merokok merupakan data kateorik) terhadap berat bayi yang
dilahirkan (berat bayi lahir merupakan data numerik).Kebetulan saya memiliki filenya, jadi
file ini akan saya gunakan untuk tutorial kali ini.
Langkahnya sebagi berikut :
Buka/aktifkan SPSS anda. Kemudian pada menu utama klik File --> Open --> Data, sampai
muncul layar seperti di bawah ini :
Pilih file "bbay.sav" dan klik open, akan muncul layar di bawah ini :

4. Yang perlu diperhatikan pada layar di atas adalah variabel "rokok" dan "bbayi". Karena
kedua variabel ini yang akan kita uji.
Selanjutnya klik pada menu utama SPSS anda Analyze --> Compare Means--
>Independent-Samples-T Test :
Lalu akan muncul layar seperti ini :
Pilih variabel "bbayi" dengan cara mengklik variabel tersebut.
Kemudian klik tanda segitiga paling atas untuk memasukan variabel tersebut ke kotak Test
variable(s).
Klik variabel "rokok' dan masukan ke kotak Grouping variable.
Kemudian klik tombol Define Group, dan isi angka "0" pada kotak Group 1 dan angka "1"
pada kotak Group 2. Lalu klik Continue.

5. Klik OK untuk menjalankan prosedur. Pada layar output akan nampak hasil seperti berikut :
Dari tabel Group Statistics, terlihat bahwa rata-rata berat bayi yang dilahirkan oleh ibu yang
tidak merokok adalah 3054,96 gram, sedangkan berat bayi yang dilahirkan oleh ibu yang
perokok sebesar 2773,24 gram. Namun apakah perbedaan ini berbeda juga secara statistik ?
Untuk melihat perbedaan ini kita lihat pada tabel Independent Samples Test. Pada tabel
tersebut ada dua baris (sel), sel pertama dengan asumsi bahwa varian kedua kelompok
tersebut sama, sedangkan pada sel kedua dengan asumsi bahwa varians kedua kelompok
tersebut tidak sama. Untuk memilih sel mana yang akan kita gunakan sebagai uji, maka kita
lihat pada kolom uji F, jika Signifikansinya > 0,05 maka asumsinya varian sama sebaliknya
jika Sig. <=0,05 maka variannya tidak sama. Dari uji F menunjukan kalau varian kedua
kelompok tersebut sama (P-value = 0,221), sehingga sel akan dibaca adlah sel pertama.
Dari kolom uji T menunjukan bahwa nilai P = 0,009 untuk uji 2-sisi . Karena P-value lebih
kecil dari
α = 0,05 yang berarti Ho ditolak, sehingga dapat kita simpulkan bahwa secara statistik ada
perbedaan yang bermakna rata-rata berat bayi yang dilahirkan oleh ibu yang merokok dengan
ibu yang tidak merokok dengan kata lain ada pengaruh merokok terhadap berat bayi lahir.
Uji tersebut di atas adalah uji 2-sisi, bagaimana kalau uji 1-sisi ? Bila uji yang kita lakukan
adalah uji 1-sisi maka nilai P harus dibagi 2 sehingga menjadi P-value = 0,0045.

6. Klik OK untuk menjalankan prosedur. Pada layar output akan nampak hasil seperti berikut :
Dari tabel Group Statistics, terlihat bahwa rata-rata berat bayi yang dilahirkan oleh ibu yang
tidak merokok adalah 3054,96 gram, sedangkan berat bayi yang dilahirkan oleh ibu yang
perokok sebesar 2773,24 gram. Namun apakah perbedaan ini berbeda juga secara statistik ?
Untuk melihat perbedaan ini kita lihat pada tabel Independent Samples Test. Pada tabel
tersebut ada dua baris (sel), sel pertama dengan asumsi bahwa varian kedua kelompok
tersebut sama, sedangkan pada sel kedua dengan asumsi bahwa varians kedua kelompok
tersebut tidak sama. Untuk memilih sel mana yang akan kita gunakan sebagai uji, maka kita
lihat pada kolom uji F, jika Signifikansinya > 0,05 maka asumsinya varian sama sebaliknya
jika Sig. <=0,05 maka variannya tidak sama. Dari uji F menunjukan kalau varian kedua
kelompok tersebut sama (P-value = 0,221), sehingga sel akan dibaca adlah sel pertama.
Dari kolom uji T menunjukan bahwa nilai P = 0,009 untuk uji 2-sisi . Karena P-value lebih
kecil dari
α = 0,05 yang berarti Ho ditolak, sehingga dapat kita simpulkan bahwa secara statistik ada
perbedaan yang bermakna rata-rata berat bayi yang dilahirkan oleh ibu yang merokok dengan
ibu yang tidak merokok dengan kata lain ada pengaruh merokok terhadap berat bayi lahir.
Uji tersebut di atas adalah uji 2-sisi, bagaimana kalau uji 1-sisi ? Bila uji yang kita lakukan
adalah uji 1-sisi maka nilai P harus dibagi 2 sehingga menjadi P-value = 0,0045.