Statistik Parametrik.pptx

Ema Pristi Yunita, M.Farm.Klin., Apt.
STATISTIK PARAMETRIK

Learning Outcomes
Pada akhir kuliah ini,
diharapkan mahasiswa
akan mampu:
Membedakan teknik analisis
data Statistik Parametrik dan
Statistik Non Parametrik
Mendemonstrasikan Teknik
analisis data dengan Statistik
Parametrik

STATISTIKA kegiatan untuk:
• Mengumpulkan data
• Menyajikan data
• Menganalisis data dengan metode tertentu
• Menginterpretasikan hasil analisis
Konsep Statistika
Melalui fase
STATISTIKA DESKRIPTIF:
Berkenaan dengan pengumpulan, pengolahan, dan penyajian sebagian
atau seluruh data (pengamatan) tanpa pengambilan kesimpulan
dan fase
STATISTIKA INFERENSI:
Setelah data dikumpulkan, maka dilakukan berbagai metode statistik utk
menganalisis data, dan kemudian dilakukan interpretasi serta diambil
kesimpulan.
Statistika inferensi akan menghasilkan generalisasi (jika sampel
representatif).

Statistika & Metode Ilmiah
METODE ILMIAH:
Adalah salah satu cara mencari kebenaran yg bila ditinjau
dari segi penerapannya, risiko utk keliru paling kecil
LANGKAH-LANGKAH DALAM METODE ILMIAH:
1. Merumuskan masalah
2. Melakukan studi literatur
3. Membuat dugaan-dugaan, pertanyaan-pertanyaan atau hipotesis
4. Mengumpulkan & mengolah data, menguji hipotesis,
atau menjawab pertanyaan
5. Mengambil kesimpulan
PERAN STATISTIKA
INSTRUMEN
SAMPEL
VARIABEL
SIFAT DATA
METODE ANALISIS

DATA
NOMINAL
ORDINAL
INTERVAL
RASIO
KUANTITATIF
KUALITATIF JENIS
DATA
DATA
DATA KUALITATIF:
Data yang dinyatakan
dalam bentuk bukan
angka
Contoh: jenis pekerjaan,
status pernikahan, tingkat
kepuasan kerja
DATA KUANTITATIF:
Data yang dinyatakan
dalam bentuk angka
Contoh: lama bekerja,
jumlah gaji, usia, hasil
ujian
DATA terbagi atas DATA KUALITATIF dan DATA KUANTITATIF

DATA NOMINAL:
Data berskala nominal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi
CIRI: posisi data setara/sederajat/tdk bertingkat
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH: variabel jenis kelamin (kategori laki-laki & perempuan)
DATA ORDINAL:
Data berskala ordinal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi, tetapi
diantara data tersebut terdapat hubungan
CIRI: posisi data tdk setara/tdk sederajat/kategori yg bertingkat
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH: variabel tingkat pendidikan (kategori pendidikan rendah, pendidikan menengah,
pendidikan tinggi)
DATA INTERVAL:
Data berskala interval adalah data yang diperoleh dengan cara pengukuran, dimana jarak antara
dua titik skala sudah diketahui, variabel tdk mempunyai nilai nol alami
CIRI: tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH: suhu badan (nol derajat skala Celcius berbeda dgn nol derajat skala Fahrenheit)
DATA RASIO:
Data berskala rasio adalah data yang diperoleh dengan cara pengukuran, dimana jarak antara dua
titik skala sudah diketahui dan variabel mempunyai titik 0 (nol) absolut/alami
CIRI: tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH: berat badan, tinggi badan, kadar glukosa darah, kadar kolesterol
DATA

Pengolahan Data
PROSEDUR PENGOLAHAN DATA :
A. PARAMETER : Berdasarkan parameter yang ada, statistik dibagi menjadi
• Statistik PARAMETRIK : berhubungan dengan inferensi statistik yang
membahas parameter-parameter populasi; jenis data interval atau rasio; distribusi
data normal atau mendekati normal
• Statistik NONPARAMETRIK : inferensi statistik tidak membahas parameter-
parameter populasi; jenis data nominal atau ordinal; distribusi data tidak
diketahui atau tidak normal
B. JUMLAH VARIABEL : berdasarkan jumlah variabel, statistik dibagi menjadi
• Analisis UNIVARIAT : hanya ada 1 pengukuran (variabel) untuk n sampel atau
beberapa variabel tetapi masing-masing variabel dianalisis sendiri-sendiri.
• Analisis BIVARIAT : analisis secara simultan dari 2 variabel
• Analisis MULTIVARIAT : pengukuran lebih dari 2 variabel untuk n sampel
dimana analisis antar variabel dilakukan bersamaan. Contoh : pengaruh motivasi
terhadap pencapaian akademik yang dipengaruhi oleh faktor latar belakang
pendidikan orang tua, faktor sosial ekonomi, faktor sekolah

Pengolahan Data
Analisis
Univariat
SATU Analisis
Multivariat
DUA / LEBIH
Jumlah Variabel ???
Statistik
Non Parametrik
NOMINAL
ORDINAL
Statistik
Parametrik
INTERVAL
RASIO
MULAI
Jenis Data ???
Dilakukan Uji
Normalitas

TABEL UJI HIPOTESIS BIVARIAT
Masalah skala
pengukuran
Jenis hipotesis (asosiasi)
Komparatif Korelatif
Tidak berpasangan Berpasangan
Numerik 2 kelompok > 2 kelompok 2 kelompok > 2 kelompok Pearson*
Uji t tidak
berpasangan
One way ANOVA Uji t
berpasangan
Repeated
ANOVA
Kategorik (Ordinal) Mann Whitney Kruskal-Wallis Wilcoxon Friedman Spearman
Somers’d
Gamma
Kategorik
(Nominal/Ordinal)
Chi-Square
Fisher
Kolmogorov-Smirnov
(tabel B x K)
McNemar, Cochran
Marginal Homogeneity
Wilcoxon, Friedman
(prinsip P x K)
Koefisien
Kontingensi
Lambda
• Metode komparatif  digunakan kata hubungan atau perbandingan
• Metode korelatif  digunakan kata korelasi

UJI HIPOTESIS BIVARIAT
KETERANGAN:
1. Uji dengan tanda * merupakan uji parametrik
2. Tanda panah ke bawah menunjukkan uji alternatif jika
syarat uji parametrik tidak terpenuhi
3. Untuk hipotesis komparatif numerik, perlu diperhatikan
banyaknya kelompok
4. Untuk hipotesis komparatif kategorik tidak
berpasangan, pemilihan uji menggunakan “tabel B x
K”
5. Untuk hipotesis komparatif kategorik berpasangan,
pemilihan uji menggunakan “prinsip P x K”

Langkah-Langkah Penggunaan
Tabel Uji Hipotesis Bivariat
1. Menentukan variabel yg dihubungkan
2. Menentukan jenis hipotesis
3. Menentukan masalah skala pengukuran
4. Menentukan berpasangan/tidak
berpasangan
5. Menentukan jumlah kelompok atau
menentukan jenis tabel
Bila jenis hipotesis komparatif numerik, tentukan
banyaknya kelompok.
Bila jenis hipotesis komparatif kategorik tidak
berpasangan, tentukan jenis tabel B x K.
Bila jenis hipotesis komparatif kategorik berpasangan,
tentukan jenis “prinsip P x K.”

Pahami Istilah-Istilah Berikut Ini untuk Dapat
Menggunakan Tabel Uji Hipotesis Bivariat
1. Skala pengukuran: kategorik atau
numerik
2. Jenis hipotesis: komparatif atau korelatif
3. Masalah skala pengukuran: numerik atau
kategorik
4. Pasangan: berpasangan atau tidak
berpasangan
5. Jumlah kelompok: 2 kelompok atau > 2
kelompok
6. Syarat uji parametrik dan non parametrik
7. Prinsip tabel B x K dan P x K

Istilah pertama:
Skala pengukuran variabel
Skala pengukuran kategorik
(nominal-ordinal)
Skala pengukuran numerik
(rasio-interval)
KESEPAKATAN:
Kategorik  kualitatif
Numerik  nonkategorik & kuantitatif
Program SPSS:
Digunakan istilah scale utk istilah
nonkategorik & kuantitatif

SKALA PENGUKURAN VARIABEL
SKALA PENGUKURAN
KATEGORIK / KUALITATIF NUMERIK /
NON KATEGORIK / KUANTITATIF
Nominal Interval
Contoh: Jenis Kelamin
- Laki-laki
- Perempuan
Contoh: Suhu tubuh
Ordinal Rasio
Contoh:
Tingkat Pendidikan
- Pendidikan rendah
- Pendidikan menengah
- Pendidikan tinggi
Contoh:
- Berat badan
- Tinggi badan
- Kadar glukosa darah
- Kadar kolesterol
Klasifikasi kadar kolesterol:
- Rendah
- Normal
- Tinggi

NOMINAL & ORDINAL (KATEGORIK)
Variabel nominal & variabel ordinal disebut variabel kategorik
krn variabel tsb mempunyai kategori variabel
CONTOH:
Jenis kelamin  variabel
“laki-laki” dan “perempuan”  kategori variabel
CONTOH:
Klasifikasi kadar kolesterol  variabel
‘baik’, ‘sedang,’ ‘buruk’  kategori
Variabel nominal punya kategori yg sederajat/tdk bertingkat,
ex: variabel jenis kelamin dgn kategori laki-laki & perempuan
Variabel ordinal punya kategori yg tidak sederajat/kategori yg
bertingkat, ex: variabel kolesterol dgn kategori baik, sedang,
buruk

RASIO & INTERVAL (NUMERIK)
Variabel rasio & interval disebut variabel numerik krn variabel tsb
tidak punya kategori variabel
Cara membedakan variabel rasio & interval:
Berdasarkan nilai “nolnya”
Variabel Rasio:
Variabel punya nilai nol alami, ex: TB, BB, jarak
Variabel Interval:
Variabel tidak punya nilai nol alami, ex: suhu (nol derajat pd skala
Celcius berbeda dgn nol derajat pd skala Fahrenheit)

Istilah kedua:
Jenis hipotesis
• Pahami antara uji hipotesis, hipotesis komparatif,
dan hipotesis korelatif
• Uji hipotesis: metode utk mengetahui hubungan
(association) antara variabel yg bisa dilakukan
dengan 2 cara, yaitu secara komparatif
(comparation) dan korelatif (correlation)
• Utk menunjukkan bahwa metode yg dipakai utk
mencari hubungan antarvariabel adalah metode
komparatif  digunakan kata hubungan atau
perbandingan
• Utk menunjukkan bahwa metode yg dipakai utk
mencari hubungan antarvariabel adalah metode
korelatif  digunakan kata korelasi

Istilah kedua:
Jenis hipotesis
1. Pertanyaan penelitian utk hipotesis komparatif
• Apakah terdapat perbedaan rerata kadar glukosa antara
kelompok yg mendapat pengobatan glibenklamid &
kelompok plasebo?
• Apakah terdapat hubungan antara kadar glukosa darah
dengan jenis pengobatan yg diterima (glibenklamid &
plasebo)?
• Apakah terdapat perbedaan terjadinya kanker paru
antara perokok & bukan perokok?
• Apakah terdapat hubungan antara perilaku merokok &
terjadinya kanker paru?
2. Pertanyaan penelitian utk hipotesis korelatif
• Berapa besar korelasi antara kadar trigliserida dan kadar
glukosa darah?

Apakah perbedaan hipotesis komparatif dengan
korelatif?
• Perbedaan mendasar pada kedua uji tsb adalah pada output
yg ingin diperoleh.
• Bila peneliti ingin mengetahui asosiasi itu dengan parameter
koefisien korelasi (r)  gunakan hipotesis korelatif.
• Bila parameter yg diinginkan bukan koefisien korelasi tetapi
“parameter yg lain”  gunakan hipotesis komparatif.

Istilah ketiga:
Masalah skala pengukuran numerik atau
kategorik
Untuk hipotesis komparatif:
 Yang dimaksud dgn masalah skala kategorik adalah bila
variabel yg dicari asosiasinya adalah variabel kategorik
dgn variabel kategorik.
 Yang dimaksud dgn masalah skala numerik adalah bila
variabel yg dicari asosiasinya adalah variabel kategorik
dgn variabel numerik.
Untuk hipotesis korelatif:
 Yang dimaksud dgn masalah skala kategorik adalah bila
salah satu variabel yg dicari asosiasinya adalah variabel
kategorik.
 Yang dimaksud dgn masalah skala numerik adalah bila
variabel yg dicari asosiasinya adalah variabel numerik
dgn variabel numerik.

Mengidentifikasi Jenis Analisis Bivariat dengan
Menentukan Skala Pengukuran Variabel
Jenis hipotesis Variabel yg dicari asosiasinya Istilah
Variabel 1 Variabel 2
Hipotesis
komparatif
Kategorik Kategorik Komparatif kategorik
Kategorik Numerik Komparatif numerik
Numerik Numerik -
Hipotesis korelatif Kategorik Kategorik Korelatif kategorik
Kategorik Numerik Korelatif kategorik
Numerik Numerik Korelatif numerik

Istilah keempat & kelima:
Pasangan dan jumlah kelompok
Ilustrasi satu: dua kelompok tidak berpasangan
 Anda mengukur tekanan darah subjek
penelitian. Subjek penelitian tsb berasal dari 2
kelompok, yaitu kelompok daerah rural &
kelompok daerah urban.
 Data TD kelompok rural adalah satu kelompok
data sedangkan data TD kelompok urban
adalah kelompok data yg lain.
 Dari segi jumlah  didapat 2 kelompok data.
 Dari segi pasangan  didapat kelompok data
yg tidak berpasangan krn individu dari kedua
kelompok data tsb berbeda.

Ilustrasi dua: dua kelompok berpasangan
 Ada sekelompok mahasiswa yg diukur BB nya
sebanyak 2 kali, yaitu pada Jan 2015 & Feb
2015.
 Data BB mahasiswa pd Jan  satu kelompok
data.
 Data BB mahasiswa pd Feb  sekelompok
data lagi.
 Dari segi jumlah  didapat 2 kelompok data
(yaitu BB mahasiswa pd Jan & Feb).
 Dari segi berpasangan  didapat kelompok
data yg berpasangan krn individu dari kedua
kelompok data adalah individu yg sama.

Ilustrasi tiga: kelompok berpasangan karena matching
 Ilustrasi sama dengan ilustrasi pertama. Anda
mengukur TD subjek penelitian yg berasal dari
2 kelompok, yaitu kelompok daerah rural &
kelompok daerah urban.
 Dalam prosedur pemilihan subjek penelitian,
Anda melakukan proses matching, yaitu setiap
subjek dari kelompok rural dicarikan
pasangannya yg punya karakteristik yg sama
dengan subjek dari kelompok urban.
 Dari segi jumlah  didapat 2 kelompok data.
 Dari segi berpasangan  didapat kelompok
data yg berpasangan krn ada proses matching.

Ilustrasi empat: kelompok berpasangan karena desain
cross over
 Jenis data kelompok berpasangan bisa juga
diperoleh pada suatu uji klinis yg menggunakan
desain cross over.
 Pada desain ini, pada periode tertentu subjek
penelitian akan menerima obat A.
 Setelah menyelesaikan obat A, subjek penelitian
akan menerima obat B selama periode tertentu.
 Dengan cara ini, akan diperoleh data ketika subjek
penelitian menggunakan obat B.
 Data obat A dengan data obat B dikatakan
berpasangan karena data tsb diperoleh dari
individu yg sama.

Berpasangan &
Tidak Berpasangan
Dua atau lebih kelompok data
dikatakan berpasangan
Apabila data tsb dari individu
yg sama
Baik krn pengukuran berulang,
proses matching, atau krn
desain cross over
Dua atau lebih kelompok data
dikatakan tidak berpasangan
Apabila data berasal dari
subjek yg berbeda
Tanpa prosedur matching

Istilah keenam:
Syarat uji parametrik & nonparametrik
Uji Parametrik
Tiga syarat
yg perlu
diperhatikan
Skala
pengukuran
variabel
Distribusi
data
Varians
data
1. Masalah skala pengukuran variabel: Skala pengukuran
variabel harus variabel numerik.
2. Distribusi data: distribusi data harus normal.
3. Varians data:
a. Kesamaan varians tidak menjadi syarat utk uji kelompok yg
berpasangan.
b. Kesamaan varians adalah syarat tidak mutlak utk 2 kelompok
tidak berpasangan, artinya varians data boleh sama boleh
juga berbeda.
c. Kesamaan varians adalah syarat mutlak utk > 2 kelompok
tidak berpasangan artinya varians data harus/wajib sama.

Istilah keenam:
Syarat uji parametrik & nonparametrik
Uji Nonparametrik
Uji nonparametrik digunakan utk keadaan sbb:
1. Jika masalah skala pengukuran variabel adalah kategorik (ordinal &
nominal).
2. Jika data dengan masalah skala pengukuran numerik tetapi tdk
memenuhi syarat utk uji parametrik (misalnya distribusi data tidak
normal), maka dilakukan uji nonparametrik yg merupakan alternatif
dari uji parametriknya (Lihat tanda panah pada tabel uji
hipotesis).
• Uji Wilcoxon
Alternatif uji t
berpasangan
• Uji Mann-Whitney
Alternatif uji t tidak
berpasangan
Alternatif uji repeated
ANOVA
• Uji Kruskal-Wallis
Alternatif uji one way
ANOVA
• Uji Friedman

Metode untuk Mengetahui Suatu Set Data Memiliki
Distribusi Normal atau Tidak
Metode Parameter Kriteria sebaran data
dikatakan normal
Keterangan
Deskriptif Koefisien varian Nilai koefisien varians < 30% [SD/mean] x 100%
Rasio skewness Nilai rasio skewness -2 s/d 2 S kewness
SE Skewness
Rasio kurtosis Niali rasio kurtosis -2 s/d 2 Kurtosis
SE Kurtosis
Histogram Simetris tidak miring kiri
maupun kanan, tidak terlalu
tinggi atau terlalu rendah
Box plot Simetris median tepat di
tengah, tidak ada outlier atau
nilai ekstrim
Normal Q-Q plots Data menyebar sekitar garis
Detrended Q-Q plots Data menyebar sekitar garis
pada nilai 0
Analitik Kolmogorov-Smirnov Nilai kemaknaan (p) > 0,05 Utk sampel besar (> 50)
Shapiro-Wilk Nilai kemaknaan (p) > 0,05 Utk sampel kecil (≤ 50)

Metode untuk Mengetahui Dua Buah Data atau Lebih
Mempunyai Varians Sama atau Tidak
Uji varians (Levene’s test) digunakan
utk mengetahui apakah dua atau lebih
kelompok data punya varians yg sama
atau tidak
Jika uji varians
menghasilkan nilai p > 0,05
Maka varians dari data yg
diuji adalah sama

Istilah ketujuh:
Tabel B x K
 B adalah singkatan dari baris dan K dari kolom.
 Pada baris (B)  diletakkan variabel
independent / bebas.
 Pada kolom (K)  diletakkan variabel
dependent / terikat.
 Jenis tabel ditentukan oleh jumlah baris &
kolomnya.
 Jika jumlah baris ada 3 dan kolom 3  disebut
tabel 3x3.

Istilah ketujuh:
Tabel B x K
Tingkat pengetahuan Total
Rendah Sedang Tinggi
Tingkat
pendidikan
Rendah a b c a+b+c
Sedang d e f d+e+f
Tinggi g h i g+h+i
Total a+d+g b+e+h c+f+i N
Contoh Tabel Silang 3x3
 Tabel di atas disebut tabel 3x3  jumlah baris ada 3 dan jumlah kolom ada 3
 Baris ada 3  tingkat pendidikan dibagi menjadi 3 kategori (rendah, sedang,
tinggi)
 Kolom ada 3  tingkat pengetahuan dibagi menjadi 3 kategori (rendah, sedang,
tinggi)
 Persilangan antara satu kategori dengan kategori lain  SEL
 Pada tabel 3x3, terdapat 9 sel yg diberi nama mulai dari sel a s.d sel i
 Variabel tingkat pendidikan & tingkat pengetahuan merupakan variabel kategorik
 Hubungan antara 2 buah variabel ordinal tsb dapat disajikan dlm bentuk tabel
silang (tabel BxK)

Istilah ketujuh:
Prinsip P x K
 P adalah singkatan dari pengulangan dan K
dari kategori.
 Jenis prinsip P x K ditentukan oleh jumlah
pengulangan dan kategori.
 Jika jumlah pengulangan ada 2 dan kategori
ada 2  prinsip tsb disebut 2 x 2.

Istilah ketujuh:
Prinsip P x K
Pengetahuan sesudah penyuluhan
Baik Buruk
Pengetahuan
sebelum
penyuluhan
Baik a b a+b
Buruk c d c+d
a+c b+d N
Contoh Prinsip 2x2
 Tabel di atas sbg contoh prinsip 2x2  jumlah pengulangan ada 2 dan jumlah
kategori ada 2
 Pengulangan ada 2  pengetahuan diukur 2 kali, yaitu saat sebelum & setelah
penyuluhan
 Kategori ada 2  variabel pengetahuan dikelompokkan menjadi 2 kategori, yaitu
baik & buruk
 Dengan demikian:
1.Bila pengukuran dilakukan sebanyak 3 kali & kategori variabel sebanyak 2 kategori 
prinsip P x K yg terjadi adalah 3 x 2
2.Bila pengukuran dilakukan sebanyak 2 kali & kategori variabel sebanyak 3 kategori 
prinsip P x K yg terjadi adalah 2 x 3

RESUME ANALISIS BIVARIAT
Resume hipotesis komparatif skala
pengukuran numerik
Resume hipotesis komparatif skala
pengukuran ordinal
Resume hipotesis komparatif skala pengukuran
kategorik tdk berpasangan dlm bentuk B x K
Resume hipotesis komparatif skala pengukuran
kategorik berpasangan dlm bentuk P x K
Resume hipotesis korelatif

Masalah skala
pengukuran
Jenis hipotesis asosiatif
Komparatif
Numerik 2 kelompok > 2 kelompok 2 kelompok > 2 kelompok
Uji t tidak
berpasangan
One way ANOVA Uji t berpasangan Repeated ANOVA
Mann-Whitney Kruskal-Wallis Wilcoxon Friedman
Tabel uji hipotesis:
alur menuju pemilihan uji hipotesis komparatif variabel numerik
(1) Resume Uji Hipotesis Komparatif
Variabel Numerik

Variabel Numerik
Diagram Alur Uji Hipotesis Variabel Numerik
Sebaran Normal?
TIDAK
YA
Varians?
Jumlah
kelompok?
Varians?
Sama Berbeda
UJI PARAMETRIK
YANG SESUAI
Sama
Berbeda
Hipotesis komparatif
Variabel numerik
Berpasangan Tidak
Berpasangan
UJI NON
PARAMETRIK
2 Kelompok
> 2 Kelompok

Variabel Ordinal
Masalah skala
pengukuran
Jenis hipotesis asosiatif
Komparatif
Kategorik
(Ordinal)
2 kelompok > 2 kelompok 2 kelompok > 2 kelompok
Mann-Whitney Kruskal-Wallis Wilcoxon Friedman
alur menuju pemilihan uji hipotesis komparatif variabel ordinal
Uji komparatif untuk data ordinal seringkali menjadi alternatif
uji hipotesis untuk data numerik yg tidak memenuhi syarat
untuk uji parametrik

Kategorik Tidak Berpasangan dalam Bentuk Tabel B x K
alur menuju pemilihan uji hipotesis variabel kategorik tidak berpasangan
Masalah skala pengukuran Jenis hipotesis asosiatif komparatif
Tidak berpasangan
Kategorik (Nominal/Ordinal) Chi-Square
Fisher
Kolmogorov-Smirnov
(Tabel B x K)

Diagram Alur Uji Hipotesis Variabel Kategorik
Kelompok Tidak Berpasangan
TABEL B x K
TABEL 2 x 2 TABEL 2 x K TABEL SELAIN 2 x 2
DAN 2 x K
Syarat uji Chi-Square terpenuhi
Uji Fisher Uji
Kolmogorov-Smirnov
Penggabungan Sel
Tidak terpenuhi Tidak terpenuhi Tidak terpenuhi

KETERANGAN
Diagram Alur Uji Hipotesis Variabel Kategorik Kelompok Tidak Berpasangan
1. Semua hipotesis utk kategorik tidak berpasangan menggunakan uji Chi-
Square, bila memenuhi syarat uji Chi-Square.
2. Syarat uji Chi-Square adalah sel yg mempunyai nilai expected kurang
dari 5, maksimal 20% dari jumlah sel.
3. Jika syarat uji Chi-Square tidak terpenuhi, maka dipakai uji alternatifnya.
a. Alternatif uji Chi-Square utk tabel 2 x 2 adalah uji Fisher.
b. Alternatif uji Chi-Square utk tabel 2 x K adalah uji Kolmogorov-
Smirnov.
c. Alternatif uji Chi-Square utk tabel selain 2 x 2 dan 2 x K adalah
penggabungan sel. Setelah dilakukan penggabungan sel akan
terbentuk suatu tabel B x K yg baru. Uji hipotesis yg dipilih sesuai
dengan tabel B x K yg baru tsb.

Contoh output SPSS untuk tabel 2 x 2 dengan menampilkan nilai observed dan nilai
expected-nya
Hubungan antara perilaku merokok dengan status fertilitas
Status Fertilitas Total
Fertil Infertil
Perilaku merokok Tidak merokok Count 35 15 50
Expected count 27.5 22.5 50.0
Merokok Count 20 30 50
Total Count 55 45 100
KETERANGAN
Pada sel a, nilai observed-nya (lihat pada lajur count) adalah 35 sedangkan nilai expected-nya (lihat
pada lajur expected count) adalah 27,5.
Pada sel b, nilai observed-nya adalah 15 sedangkan nilai expected-nya adalah 22,5 dan seterusnya
untuk sel lainnya.

Nilai expected dihitung dengan persamaan:
Total Baris x Total Kolom
Total Sampel
Sebagai contoh:
Nilai expected sel a = Total Baris x Total Kolom = 50 x 55 = 27,5
Total Sampel 100
Nilai expected sel d = Total Baris x Total Kolom = 50 x 45 = 22,5
Total Sampel 100
Pada tabel ini, dapat digunakan uji Chi-Square karena syarat uji Chi-
Square terpenuhi, yaitu tidak ada nilai expected yg kurang dari 5.
Nilai Observed (O) adalah nilai observasi yg didapatkan pada subjek
penelitian.
Nilai Expected (E) adalah nilai yg diperoleh apabila hipotesis nol benar.

Variabel Kategorik Berpasangan (Prinsip P x K)
alur menuju pemilihan uji hipotesis variabel kategorik berpasangan
Masalah skala pengukuran Jenis hipotesis asosiatif
Komparatif
Berpasangan
Kategorik (Nominal/Ordinal) McNemar, Cochran
Marginal Homogeneity
Wilcoxon, Friedman
(tabel P x K)

Diagram Alur Uji Hipotesis Variabel Kategorik
Kelompok Berpasangan
Jumlah kategori?
(> 2) x 2
Cochran
(> 2) x (> 2)
Friedman
2 kategori > 2 kategori
2 kategori
2 x 2
McNemar
> 2 kategori
2 x (> 2)
Marginal
Homogeneity
Wilcoxon
2
Jumlah pengulangan?
> 2
Hipotesis komparatif
Kategorik berpasangan
(prinsip P x K)

KESIMPULAN:
1. Jika jumlah pengulangan 2 dan jumlah kategori 2 maka uji yg
digunakan adalah uji McNemar.
2. Jika jumlah pengulangan 2 dan jumlah kategori > 2 maka uji
yg digunakan adalah uji Marginal Homogeneity atau Wilcoxon.
3. Jika jumlah pengulangan > 2 dan jumlah kategori 2 maka uji
yg digunakan adalah uji Cochran.
4. Jika jumlah pengulangan > 2 dan jumlah kategori > 2 maka uji
yg digunakan adalah uji Friedman.

(5) Resume Hipotesis Korelatif
Tabel pemilihan hipotesis korelatif
Variabel 1 Variabel 2 Uji Korelasi yg dipilih
Nominal Nominal Koefisien kontingensi, Lambda
Nominal Ordinal Koefisien kontingensi, Lambda
Ordinal Ordinal Spearman, Gamma, Somer’d
Ordinal Numerik Spearman
Numerik Numerik Pearson
KETERANGAN:
Korelasi utk variabel numerik, memakai uji Pearson dengan uji
Spearman sbg alternatifnya

(5) Resume Hipotesis Korelatif
Diagram Alur Pemilihan Uji Hipotesis Korelatif utk
Variabel Numerik
Uji parametrik
Pearson
Uji nonparametrik
Spearman
YA TIDAK
Hipotesis korelatif variabel numerik
Sebaran normal?
KETERANGAN:
Tanda panah melengkung menunjukkan usaha yg dilakukan utk menormalkan
distribusi data dari tidak normal menjadi normal (proses transformasi data).

ANALISIS MULTIVARIAT
• Bila variabel
terikatnya berupa
variabel kategorik
Regresi
logistik
• Bila variabel
terikatnya berupa
variabel numerik
Regresi
linier

LATIHAN
Kasus 1
Apakah terdapat perbedaan rerata Indeks Massa Tubuh (IMT) antara kelompok
status ekonomi tinggi dibandingkan kelompok ekonomi rendah?
JAWAB:
Langkah-langkah utk menjawab pertanyaan tsb adalah sbb:
Langkah Jawaban Uji yg mungkin
1 Menentukan variabel yg
dihubungkan
Variabel yg dihubungkan
adalah IMT (numerik) dgn
kelompok ekonomi
(kategorik)
2 Menentukan jenis hipotesis Komparatif Semua uji komparatif
3 Menentukan masalah skala
variabel
Numerik Uji t tidak berpasangan,
uji t berpasangan, one way ANOVA
4 Menentukan pasangan/tdk
berpasangan
Tidak berpasangan Uji t tidak berpasangan, one way ANOVA
5 Menentukan jumlah
kelompok
Dua kelompok Uji t tidak berpasangan
Kesimpulan:
Uji yg digunakan adalah uji t tidak berpasangan (uji parametrik) jika memenuhi syarat. Jika tdk
memenuhi syarat, maka digunakan uji alternatifnya yaitu uji Mann-Whitney (uji nonparametrik).

LATIHAN
Kasus 2
Apakah terdapat hubungan antara jenis kelamin (laki-laki dan perempuan)
dengan asupan makanan (kurang, cukup, lebih)?
JAWAB:
dihubungkan
adalah jenis kelamin
(kategorik) dgn asupan
makanan (kategorik)
2 Menentukan jenis hipotesis Komparatif Semua uji komparatif
variabel
Kategorik Chi-Square, Fisher, Kolmogorov-Smirnov,
McNemar, Marginal Homogeneity,
Cochran, Wilcoxon, Friedman
4 Menentukan pasangan/tdk
berpasangan
Tidak berpasangan Chi-Square, Fisher, Kolmogorov-Smirnov
5 Menentukan jenis tabel B x K 2 x 3 Chi-Square, Kolmogorov-Smirnov
Kesimpulan:
Jenis tabel pd soal ini adalah 2x3. Uji yg digunakan adalah Chi-Square jika memenuhi syarat. Jika tdk
memenuhi syarat, maka digunakan uji alternatifnya yaitu Kolmogorov-Smirnov.

LATIHAN
Kasus 3
Apakah terdapat korelasi antara kadar radikal bebas dengan total jumlah rokok
yg dihisap selama satu hari?
JAWAB:
dihubungkan
adalah kadar radikal bebas
(numerik) dgn jumlah rokok
per hari (numerik)
2 Menentukan jenis hipotesis Korelatif Semua uji korelatif
variabel
Numerik Pearson
Kesimpulan:
Uji yg digunakan adalah uji korelasi Pearson (uji parametrik) jika memenuhi syarat. Jika tdk
memenuhi syarat, maka digunakan uji alternatifnya yaitu uji korelasi Spearman (uji nonparametrik).

Nilai Probabilitas (p) & Interval Kepercayaan (IK)
Ada 2 cara utk melakukan inferensi (penarikan kesimpulan):
1. Dengan menghitung nilai p
2. Dengan menghitung nilai IK
No. Nama Uji Makna jika p < 0,05 (hipotesis nol ditolak,
hipotesis alternatif diterima)
1. Uji normalitas Kolmogorov-Smirnov
dan Shapiro-Wilk
Distribusi data tidak normal
2. Uji varians Levene’s test Distribusi beberapa set data yg dibandingkan
mempunyai varians yg berbeda
3. Uji t berpasangan Terdapat perbedaan rerata yg bermakna
antara dua kelompok data
4. Uji t tidak berpasangan
5. Uji ANOVA Paling tidak terdapat dua kelompok data yg mempunyai
perbedaan rerata yg bermakna  utk mengetahui
kelompok mana yg berbeda secara bermakna, harus
dilakukan analisis Post-Hoc
6. Uji Pearson Terdapat korelasi yg bermakna antara variabel
A dengan variabel B
Panduan interpretasi hasil uji hipotesis bila nilai p < 0,05

Nilai probabilitas (p)
1. Hipotesis (H) adalah pernyataan sbg jawaban
sementara atas pertanyaan penelitian yg harus
dijawab secara empiris.
2. Hipotesis nol (Ho) adalah hipotesis yg
menunjukkan tidak ada perbedaan antar
kelompok atau tidak ada hubungan antar variabel
atau tidak ada korelasi antar variabel.
3. Hipotesis alternatif (Ha) adalah hipotesis
kebalikan dari hipotesis nol, yg akan disimpulkan
bila hipotesis nol ditolak.
4. Interpretasi yg lengkap utk nilai p adalah sbb:
“Besarnya kemungkinan hasil yg diperoleh atau
hasil yg lebih ekstrem diperoleh karena faktor
peluang, bila hipotesis nol benar.”

Interval kepercayaan (IK)
1. IK menunjukkan tafsiran rentang
nilai pada populasi yg dihitung
dengan nilai yg diperoleh pada
sampel.
2. Seperti menghitung nilai p,
perhitungan IK mempunyai rumus
tersendiri utk masing-masing uji
hipotesis.

Hubungan nilai p dengan IK
1. Nilai p dengan IK menghasilkan kesimpulan yg konsisten.
Bila nilai p menghasilkan kesimpulan yg bermakna, maka IK
akan memberikan kesimpulan yg bermakna juga. Demikian
juga sebaliknya. Hanya saja, informasi yg diberikan keduanya
berbeda.
2. Konsistensi nilai p dengan IK adalah sbb:
a. Bila pd uji hipotesis komparatif (perbedaan proporsi
atau perbedaan rerata) perhitungan nilai p < 0,05 (yg
berarti secara statistik bermakna) maka pd perhitungan
IK, nilai 0 tidak akan tercakup di dalam nilai intervalnya
(juga berarti secara statistik bermakna).
b. Bila pd perhitungan rasio odds (RO) atau risiko relatif (RR)
perhitungan nilai p < 0,05, maka pd perhitungan IK, nilai 1
tidak akan tercakup di dlm intervalnya.
3. Nilai p memberi informasi peluang utk memperoleh hasil yg
diobservasi bila hipotesis nol benar, sedangkan IK memberi
informasi perkiraan rentang nilai parameter pd populasi.

Latihan 1
Memasukkan Data
Kasus
Anda memperoleh data sbb. Anda ingin memasukkan data ke dalam program
SPSS.
No. Nama Jenis Kelamin Umur Nilai
1. Ahmad Laki-laki 23 Baik
2. Budi Laki-laki 22 Sedang
3. Cecep Laki-laki 18 Buruk
4. Dadang Laki-laki 21 Buruk
5. Ely Perempuan 23 Baik
6. Farah Perempuan 17 Baik
7. Gita Perempuan 16 Sedang
8. Hendi Laki-laki 19 Sedang
9. Indah Perempuan 25 Baik
Bagaimana memasukkan data ke dalam program SPSS?

Latihan 1
Memasukkan Data
1. Mengisi Variable View

Tampilan Variable View
Tampilan Variable View Keterangan
Name • Kata yg mewakili nama variabel
• Biasanya diisi dengan kata yg mudah diingat yg berkaitan dengan
nama variabelnya, ex. “sex” utk variabel jenis kelamin responden
Type • Tipe data yg dimasukkan
• Pilihan yg paling umum adalah numeric (krn semua proses uji dlm
SPSS bisa dilakukan dlm bentuk numeric) & string (kalau yg mau
dimasukkan adalah huruf/kata/kalimat)
Width Jumlah digit data yg mau dimasukkan
Decimals Jumlah digit di belakang titik
Labels • Penjelasan rinci dari kolom name
• Misalnya, dlm kolom name diketik sex, labels-nya adalah ‘jenis
kelamin responden’
Values • Kode yg diberikan jika variabel merupakan variabel kategorik
(nominal & ordinal)
• Misalnya, kode 1 utk kategori perempuan, kode 2 utk kategori laki-
laki
Column Width Lebar kolom
Alignment Pilihan tampilan variabel (rapat kiri, kanan, atau tengah)
Measures • Skala pengukuran variabel (nominal, ordinal, scale)
• Dlm SPSS, variabel interval & rasio disebut variabel scale

Latihan 1
Memasukkan Data
Dari kasus yg diberikan, Anda diminta utk
memasukkan 4 variabel yaitu:
• String
Nama
• Kategorik nominal
Jenis Kelamin
• Kategorik ordinal
Nilai
• Numerik
Umur

Pengisian Variable View untuk variabel nama
Tampilan Variable View Cara Pengisian
Name Ketik “nama”
Type Aktifkan pilihan “string”
Width Isi dengan 15 (utk keseragaman). Pemilihan lebar
kolom tergantung dari berapa karakter nama
terpanjang
Decimals Tidak aktif
Labels Ketik “nama responden”
Values Tidak diisi
Column Width 8 (utk keseragaman)
Alignment Terserah Anda
Measures Pilih “nominal”

Pengisian Variable View untuk variabel jenis kelamin
Name Ketik “sex”
Type Pilih numeric
Width Isi dengan 8 (utk keseragaman)
Decimals Pilih 0
Labels Isi dengan jenis kelamin responden
Values Klik kotak kecil pd sisi kanan kolom values, akan
terlihat tampilan sbb
 Ketik 1 pd kotak value
 Ketik perempuan pd kotak value
label
 Klik add
 Ketik laki-laki pd kotak value label
 Klik add
 Proses telah selesai

Pengisian Variable View untuk variabel jenis kelamin lanjutan .....
Column Width Terserah Anda
Measures Pilih nominal
Akan terlihat tampilan sbb:

Pengisian Variable View untuk variabel umur
Name Isi dengan umur
Type Aktifkan pilihan “numeric”
Width Isi dengan 8 (utk keseragaman).
Decimals Isi dengan nol
Labels Ketik “umur responden”
Values Tidak diisi (krn variabel umur tdk punya kategori)
Column Width 8 (utk keseragaman)
Measures Pilih scale

Pengisian Variable View untuk variabel nilai
Name Isi dengan nilai
Type Aktifkan pilihan “numeric”
Width Isi dengan 8 (utk keseragaman)
Decimals Isi dengan nol
Labels Ketik “nilai responden”
Values Klik kotak kecil pd sisi kanan kolom values, akan
terlihat tampilan sbb
 Ketik buruk pd kotak value label
 Klik add
 Ketik sedang pd kotak value label
 Klik add
 Ketik baik pd kotak value label
 Klik add
 Proses telah selesai

Pengisian Variable View untuk variabel nilai lanjutan .....
Column Width Terserah Anda
Measures Pilih ordinal

Bila yg Anda pilih pada menu view adalah view labels, maka
tampilan yg akan muncul adalah sbb:

Latihan 1
Memasukkan Data
2. Mengisi Data View
 Aktifkan data view  isilah sesuai dengan data
pd kasus yg diberikan
 Jika sudah selesai, simpan file dengan nama:
Latihan 1(file  save as  latihan 1)
 Bila Anda mengisi dengan benar, pada data
view, Anda akan memperoleh hasil sbb:
 Bila yg Anda pilih pd menu view adalah view
labels, maka tampilan yg akan muncul adalah
sbb:

Latihan 2
Melakukan Perubahan Data dari
Satu Skala ke Skala Lain
Kasus
Dari data yg telah diperoleh pada latihan 1, Anda ingin mengategorikan umur
responden yg berumur < 20 thn, 20-22 thn, dan > 22 thn (Anda merubah
variabel numerik menjadi variabel ordinal)
Bagaimana langkah yg dilakukan dengan program SPSS?
Perubahan data dilakukan apabila:
1. Merubah dari skala pengukuran numerik ke skala ordinal atau
2. Penggabungan sel (alternatif pada uji Chi-Square)

Latihan 2
Langkah – Langkah:
1. Buka file latihan 1
2. Aktifkan data view
3. Lakukan langkah-langkah sbb:
 Transform  Recode  Recode into Different Variables
 Masukkan variabel umur ke dlm Input Variable
 Ketik umur_1 ke dlm Output Variable
 Ketik ‘klasifikasi umur’ ke dlm label
 Klik kotak Change
 Setelah proses ini, Anda akan melihat tampilan sbb:
 Klik old and new values
 Isilah kotak old value dan kotak new
value (selanjutnya ikuti logika
berpikir)

Latihan 2
Logikanya adalah:
 Semua data < 20 thn diubah menjadi kode 1
 Semua data 20 – 22 thn diubah menjadi kode 2
 Semua data > 22 thn diubah menjadi kode 3
Dengan logika tsb, isilah old value dan new value sbb:
o Old value: range lowest through 19, new value: 1, klik Add
o Old value: range 20 through 22, new value: 2, klik Add
o Old value: 23 through highest, new value: 3, klik Add
Sampai tahap ini, Anda akan memperoleh tampilan sbb:
 Proses telah selesai, klik kotak continue
 Klik OK dan lihat hasilnya

Latihan 2
Pada data view akan terdapat kolom baru
dengan variabel baru bernama umur_1
o Selanjutnya, lakukan pengisian variable
view utk variabel umur_1
o Bila pd value, Anda mengisi sbb:
Kode 1 utk < 20 thn
Kode 2 utk 20-22 thn
Kode 3 utk > 22 thn
o Pada data view, Anda akan melihat
tampilan sbb:

Latihan 3
Membuat Deskripsi Variabel Kategorik
Prinsip utama:
“Know your data! What kind of data you have!”
Langkah membuat tabel frekuensi & grafik merupakan langkah yg sangat penting
agar Anda mengetahui karakteristik data variabel kategorik.
Kasus
Anda melakukan penelitian serta sudah mengumpulkan & memasukkan data
ke SPSS. Salah satu variabel adalah jenis kelamin. Karena Anda mengetahui
bahwa skala pengukuran variabel jenis kelamin adalah nominal, maka Anda
ingin mengetahui distribusi jenis kelamin dlm bentuk tabel & grafik.

Latihan 3
1. Buka file frequency
 Analyze  Descriptive statistics  Frequencies
 Masukkan variabel jenis kelamin responden ke dlm kotak
variable(s)
 Aktifkan Display Frequency Tables

Latihan 3
 Klik kotak Charts
 Pilih bar pada Chart Type
 Pilih Percetage pada Chart Values
 Klik Continue
 Proses selesai, klik OK

Latihan 3
Output SPSS
Bagaimana hasilnya?
Interpretasi Hasil
Diketahui jumlah total subjek sebanyak 50
orang dan tidak ada data yg missing
Diketahui distribusi jenis kelamin
berdasarkan jumlah dan persentase
Diketahui grafik jenis kelamin responden

Latihan 4
Membuat Deskripsi Variabel Numerik
Prinsip utama:
“Know your data! What kind of data you have!”
Langkah membuat deskripsi variabel dengan skala pengukuran numerik merupakan langkah yg
sangat penting agar Anda mengetahui karakteristik data yg Anda miliki.
Kasus
ke SPSS. Salah satu variabel adalah jenis kelamin. Salah satu variabel yg Anda
ukur adalah variabel body mass index (BMI). Karena Anda mengetahui bahwa
BMI adalah variabel numerik, maka Anda ingin mengetahui deskripsi variabel
tsb berdasarkan ukuran pemusatan & ukuran penyebarannya serta penyajian
dlm bentuk histogram.

Latihan 4
1. Buka file deskripsi
 Analyze  Descriptive statistics  Frequencies
 Masukkan BMI ke dlm kotak variable(s)
 Pilihan Display Frequency Tables dinonaktifkan

Latihan 4
 Klik kotak Statistic
 Pilih Mean, Median, Modus pada Central Tendency (sbg ukuran pemusatan)
 Pilih Std deviation, Variance, Minimum, Maximum pada Dispersion
 Pilih Skewness dan Kurtosis pada Distribution (sebagai ukuran penyebaran)
 Klik Continue  aktifkan pilihan
Chart
 Pilih Histogram pada Chart Type
 Aktifkan kotak With normal curve
 Proses telah
selesai, klik
Continue
 Klik OK

Output SPSS
Bagaimana hasilnya?
Interpretasi Hasil
Diketahui parameter ukuran pemusatan
(mean, median, dan modus) serta ukuran
penyebarannya (standar deviation,
variance, minimum-maksimum, skewness,
dan kurtosis)
Dari histogram dapat diketahui
distribusi data yg dimiliki dengan
kurva normalnya
Latihan 4

Latihan 5
Mengetahui Suatu Data Berdistribusi Normal atau Tidak
 Utk penyajian data  bila distribusi normal  digunakan mean & standar deviasi sedangkan
bila distribusi data tidak normal digunakan median & minimum-maksimum sbg ukuran
pemusatan & penyebaran.
 Utk uji hipotesis  bila distribusi normal  digunakan uji parametrik sedangkan bila
distribusi data tidak normal digunakan uji nonparametrik.
Kasus
ke SPSS. Salah satu variabel yg Anda ukur adalah variabel umur. Di sini, Anda
ingin mengetahui apakah variabel umur responden mempunyai distribusi
normal atau tidak.

1. Buka file normalitas
2. Lihat Variable View. Bacalah keterangan variabel yg ada pada file tsb
3. Lihat Data View
4. Analyze  Descriptive Statistics  Explore. Masukkan variabel umur ke dalam Dependent List
5. Pilih Both pada display
6. Biarkan kotak Statistic sesuai default SPSS. Pilihan ini akan memberi output deskripsi
variabel.
7. Aktifkan kotak Plot  aktifkan Factor levels together pd Boxplots (utk menampilkan boxplot)
 aktifkan Histogram pd Descriptive (utk menampilkan histogram), dan Normality plots with
tests (utk menampilkan plot & uji normalitas)
8. Proses telah selesai, klik Continue, klik OK
Latihan 5

Output SPSS
Bagaimana hasilnya?
Interpretasi Hasil
Menilai Distribusi Data secara Deskriptif (menghitung & melihat)
Latihan 5
Menghitung koefisien varians
Menghitung rasio skewness
Menghitung rasio kurtosis
Melihat histogram
Melihat normal Q-Q plot
Melihat Detrended normal Q-Q plot
Melihat box plot

a. Menghitung koefisien varians
Koefisien varians = (standar deviasi/mean) x 100%
= (5,79/39,84) x 100% = 14,5%  distribusi data normal (KV <
30%)
b. Menghitung rasio skewness
Rasio skewness = skewness/standar error of skewness
= 0,569/0,141 = 4,04  distribusi data tidak normal (RS di luar
rentang -2 s.d 2)
c. Menghitung rasio kurtosis
Rasio kurtosis = kurtosis/standar error of kur tosis
= 0,429/0,281 = 1,44  distribusi data normal (RK masuk rentang
-2 s.d 2)

Dengan melihat histogram  distribusi data cenderung
miring ke kiri
H
I
S
T
O
G
R
A
M

Secara teoritis, suatu set data dikatakan mempunyai distribusi normal apabila data
tersebar di sekitar garis
Melihat Q-Q plot
Normal Q-Q Plot of umur responden
INTERPRETASI:
Terlihat bahwa data menyebar di sekitar garis, akan tetapi terdapat beberapa data yg
letaknya jauh dari garis  kemungkinan besar, distribusi data tidak normal

Secara teoritis, suatu set data dikatakan mempunyai distribusi normal apabila data
tersebar di sekitar garis (angka nol)
Melihat Detrended normal Q-Q
INTERPRETASI:
Terlihat bahwa banyak sekali data yg letaknya jauh dari garis  kemungkinan besar,
distribusi data tidak normal
Detrended Normal Q-Q Plot of umur responden

Keterangan:
 Kotak besar mengandung 50% data yaitu dari persentil 25 s.d persentil 75. Garis tebal
pd tengah kotak merupakan median (persentil 50). Wilayah ini dinamakan hspread.
 Data 1,5 hspread disebut whisker.
 Nilai > 1,5 hspread disebut data outlier (diberi tanda o).
 Nilai > 3 hspread disebut data ekstrem (diberi tanda *).
Melihat boxplot
Whisker Hspread
Nilai di atas garis adalah
nilai ekstrem atas
Nilai di bawah garis adalah
nilai ekstrem bawah
Persentil 75
Persentil 50
Persentil 25

Secara teoritis, suatu set data dikatakan mempunyai distribusi normal apabila:
1. Nilai median ada di tengah-tengah kotak.
2. Nilai whisker terbagi secara simetris ke atas & ke bawah.
3. Tidak ada nilai eksterm atau outlier.
Melihat boxplot
INTERPRETASI:
Terlihat bahwa median terletak agak ke bawah kotak, whisker relatif simetris, terdapat
data outlier  kemungkinan besar, distribusi data tidak normal
umur responden

Output SPSS
Bagaimana hasilnya?
Interpretasi Hasil
Menilai Distribusi Data Analitis
Latihan 5
• Digunakan utk sampel > 50
Uji
Kolmogorov-
Smirnov
• Digunakan utk sampel ≤ 50
Uji Shapiro-
Wilk

Uji Normalitas Kolmogorov-Smirnov
Latihan 5
 Diperoleh nilai p = 0,000
 Karena nilai p < 0,05 maka disimpulkan bahwa distribusi
umur tidak normal

Kesimpulan Distribusi Data Normal atau Tidak Berdasarkan Beberapa Parameter Penilaian
Latihan 5
Parameter Hasil Observasi Kriteria Normal Kesimpulan
Distribusi Data
Koefisien varians 14,5% < 30% Normal
Rasio skewness 4,04 -2 s.d 2 Tidak normal
Rasio kurtosis 1,12 -2 s.d 2 Normal
Histogram* Sedikit miring ke kiri Simetris, tidak miring kiri
maupun kanan, tidak
terlalu tinggi atau terlalu
rendah
Tidak normal
Boxplot* Sedikit tidak simetris
terdapat outlier
Simetris, median tepat
tengah, tdk ada outlier
atau nilai ekstrim
Tidak normal
Normal Q-Q plots* Terdapat data yg tidak
berada di sekitar garis
Data menyebar sekitar
garis
Tidak normal
Detrended Q-Q plots* Banyak data yg tidak
berada di sekitar garis
Data menyebar sekitar
garis pd nilai 0
Tidak normal
Kolmogorov-Smirnov p = 0,000 p > 0,05 Tidak normal
Uji Kolmogorov-Smirnov maupun Shapiro-Wilk adalah uji yg lebih sensitif

Latihan 6
Uji T Tidak Berpasangan (Uji Hipotesis Komparatif Variabel Numerik Berdistribusi
Normal Dua Kelompok Tidak Berpasangan)
Kasus
Anda ingin mengetahui bagaimana pengaruh kehadiran suami pd saat istri dlm proses melahirkan
thd skor ansietas istri. Anda merumuskan pertanyaan penelitian sbb: “Apakah terdapat perbedaan
rerata skor ansietas antara kelompok ibu-ibu yg proses melahirkannya didampingi suami & ibu-
ibu yg proses melahirkannya tidak didampingi suami?”
Uji hipotesis apa yg akan dipilih?
No. Langkah Jawaban
1. Menentukan variabel yg dihubungkan Variabel yg dihubungkan adalah pendampingan
kelahiran (kategorik) dengan skor ansietas
(numerik)
2. Menentukan jenis hipotesis Komparatif
3. Menentukan masalah skala variabel Numerik
4. Menentukan pasangan/tdk berpasangan Tidak berpasangan
5. Menentukan jumlah kelompok Dua kelompok
Kesimpulan:
Uji yg digunakan adalah uji t tdk berpasangan (uji parametrik) jika memenuhi syarat. Jika tdk
memenuhi syarat, maka digunakan uji alternatifnya yaitu uji Mann-Whitney (uji
nonparametrik).

Latihan 6
Langkah-langkah uji t tidak berpasangan:
1. Memeriksa syarat uji t tidak berpasangan
a. Data harus berdistribusi normal (WAJIB)
b. Varians data boleh sama, boleh juga tidak sama
2. Jika memenuhi syarat (data berdistribusi normal)  dipilih uji t tidak
berpasangan
3. Jika tidak memenuhi syarat (data tidak berdistribusi normal)  dilakukan
terlebih dahulu transformasi data
4. Jika variabel baru hasil transformasi berdistribusi normal  dipakai uji t
tidak berpasangan
5. Jika variabel baru hasil transformasi tidak berdistribusi normal  dipilih
uji Mann-Whitney

Latihan 6
Bagaimana prosedur melakukan uji t tidak berpasangan dengan SPSS?
1. Menguji distribusi data
 Bukalah file: unpaired_t_test
 Lakukanlah uji normalitas utk data skor ansietas kelompok ibu yg proses
melahirkannya ditemani suami & data skor ansietas kelompok ibu yg
proses melahirkannya tidak didampingi suami

Interpretasi Hasil:
1. Bagian pertama adalah statistik deskriptif utk variabel skor ansietas
berdasarkan masing-masing kelompok. Ingat prinsip bahwa Anda harus
selalu mempelajari deskripsi variabel sebelum melangkah pd proses
selanjutnya.
2. Digunakan uji Kolmogorov-Smirnov atau Shapiro-Wilk utk menguji apakah
distribusi data normal atau tidak. Apakah data berdistribusi normal?
 Pada uji Test of Normality Kolmogorov-Smirnov, skor ansietas ibu
yg didampingi suami (p = 0,098) sedangkan yg tidak didampingi
suami (p = 0,200)
 Nilai p > 0,05  distribusi skor ansietas ibu yg didampingi suami
maupun yg tidak didampingi suami berdistribusi normal
Uji apakah yg akan Anda pakai?
Karena syarat distribusi data normal terpenuhi, maka uji
hipotesis yg digunakan adalah uji t tidak berpasangan

2. Langkah-langkah uji t tidak berpasangan
Bukalah file: unpaired_t_test
Lakukan prosedur sbb:
 Analyze  Compare Means  Independent-Sample T Test
 Masukkan score ke dalam kotak Test Variable
 Masukkan suami ke dalam kotak Grouping Variable
 Aktifkan kotak Define Group
 Masukkan angka 1 utk kotak group 1 (sbg kode tidak didampingi suami)
 Masukkan angka 2 utk kotak group 2 (sbg kode didampingi suami)
Prosedur telah selesai. Klik Continue, klik OK

Output SPSS
Interpretasi Hasil
a. Menguji varians
Pada kotak Levene’s test (nama uji hipotesis utk menguji varians), nilai sig = 0,000. Karena nilai
p < 0,05 maka varians data kedua kelompok tidak sama. Ingat, utk variabel 2 kelompok tidak
berpasangan, kesamaan varians tidak menjadi syarat mutlak.
b. Karena varians tidak sama, maka utk melihat hasil uji t memakai hasil pada baris kedua (equal
varians not assumed).
c. Angka Significancy pada baris kedua (0,000) dengan perbedaan rerata (means difference)
sebesar -50,125.
d. Nilai IK 95% adalah antara -52,956 sampai -47,295.
e. Karena nilai p < 0,05 maka disimpulkan “terdapat perbedaan rerata skor ansietas yg
bermakna antara kelompok ibu yg proses melahirkan didampingi suami dan yg tidak
didampingi suami, dimana skor ansietas didampingi suami lebih rendah daripada tidak
didampingi suami” atau “rerata skor ansietas kelompok ibu yg proses melahirkan
didampingi suami lebih rendah secara bermakna dibandingkan tidak didampingi
suami.”

Melaporkan Hasil
n Rerata±s.b Perbedaan Rerata (IK 95%) p
Didampingi suami 147 20,9±7,6 50,1 (47,3–53,0) < 0,001
Tidak didampingi suami 103 71,0±13,1
Uji t tidak berpasangan
Tabel 1 Hasil uji t tidak berpasangan secara lengkap
n Rerata±s.b p
Didampingi suami 147 20,9±7,6 < 0,001
Tabel 2 Hasil uji t tidak berpasangan dengan melaporkan nilai p

Melaporkan Hasil
n Rerata±s.b Perbedaan Rerata (IK 95%)
Didampingi suami 147 20,9±7,6 50,1 (47,3–53,0)
Tabel 3 Hasil uji t tidak berpasangan dengan melaporkan nilai interval kepercayaan
o Penyajian terbaik adalah Tabel 1, kemudian tabel 3 dan tabel 2.
o Tabel 1 paling baik karena menyajikan informasi yg lengkap.
o Penyajian IK (tabel 3) lebih baik daripada penyajian nilai p (tabel 2) karena
informasi nilai IK lebih berguna secara klinis dibandingkan informasi nilai
p.
o Dengan mengetahui nilai IK, dapat diketahui nilai p.
o Oleh karena pada IK tidak terdapat angka nol, dapat diketahui nilai p pasti
kurang dari 0,05.

Latihan 7
Uji T Berpasangan (Uji Hipotesis Komparatif Variabel Numerik Berdistribusi Normal
Dua Kelompok Berpasangan)
Kasus
Anda ingin mengetahui bagaimana pengaruh terapi sulih testosteron thd perubahan body mass
index (BMI). Anda merumuskan pertanyaan penelitian sbb: “Apakah terdapat perbedaan rerata
BMI sebelum dan sesudah satu bulan penyuntikan testosteron?”
No. Langkah Jawaban
1. Menentukan variabel yg dihubungkan Variabel yg dihubungkan adalah BMI (numerik)
dengan waktu pengukuran (kategorik)
4. Menentukan pasangan/tdk berpasangan Berpasangan
5. Menentukan jumlah kelompok Dua kelompok
Kesimpulan:
Uji yg digunakan adalah uji t berpasangan (uji parametrik) jika memenuhi syarat. Jika tdk
memenuhi syarat, maka digunakan uji alternatifnya yaitu uji Wilcoxon (uji nonparametrik) .

Langkah-langkah uji t berpasangan:
1. Memeriksa syarat uji t untuk kelompok berpasangan
b. Varians data tidak perlu diuji karena kelompok data berpasangan
2. Jika memenuhi syarat (data berdistribusi normal)  dipilih uji berpasangan
3. Jika tidak memenuhi syarat (data tidak berdistribusi normal)  dilakukan
terlebih dahulu transformasi data
4. Jika variabel baru hasil transformasi berdistribusi normal  dipakai uji t
berpasangan
5. Jika variabel baru hasil transformasi tidak berdistribusi normal  dipilih
uji Wilcoxon
Latihan 7

Bagaimana prosedur melakukan uji t berpasangan dengan SPSS?
1. Menguji distribusi data
 Bukalah file: paired_t_test
 Lakukanlah uji normalitas utk data skor BMI sebelum dan skor BMI
setelah satu bulan penyuntikan testosteron
Latihan 7

Interpretasi Hasil:
1. Bagian pertama adalah statistik deskriptif utk variabel BMI berdasarkan masing-
masing kelompok data. Ingat prinsip bahwa Anda harus selalu mempelajari deskripsi
variabel sebelum melangkah pada proses selanjutnya.
2. Pada tes normalitas, karena jumlah sampel kecil (n = 50) dianjurkan utk memakai hasil
uji Shapiro-Wilk.
3. Dengan melihat hasil Test of Normality Shapiro-Wilk, diperoleh hasil nilai kemaknaan
utk kedua kelompok data adalah > 0,005  disimpulkan bahwa distribusi kedua
kelompok data adalah normal.
Uji apakah yg akan Anda pakai?
Karena syarat distribusi data normal terpenuhi, maka uji hipotesis
yg digunakan adalah uji t berpasangan

2. Langkah-langkah uji t test berpasangan
Bukalah file: paired_t_test
Lakukan prosedur sbb:
 Analyze  Compare Means  Paired Samples T
 Masukkan bmipre dan bmipost ke dalam kotak Paired Variables
Prosedur telah selesai. Klik Continue, klik OK

Output SPSS
Interpretasi Hasil
a. Bagian Paired Samples Statistics menggambarkan deskripsi masing-masing variabel.
b. Tabel Paired Samples Test menggambarkan hasil uji t berpasangan. Lihat kolom sig. (2 tailed).
Diperoleh nilai Significancy 0,000 (p < 0,05)  “terdapat perbedaan rerata BMI yg
bermakna sebelum dan setelah satu bulan penyuntikan testosteron.”
c. Nilai IK 95% adalah antara -5,913 sampai -5,295.

Melaporkan Hasil
n Rerata±s.b Perbedaan
Rerata±s.b
IK 95% p
BMI sebelum penyuntikan testosteron 50 18,39±0,77 5,60±1,09 5,29–5,91 < 0,001
BMI setelah penyuntikan testosteron 50 23,99±0,89
Uji t berpasangan
Tabel 1 Hasil uji t berpasangan secara lengkap
Tabel 2 Hasil uji t berpasangan dengan melaporkan nilai p
n Rerata±s.b p
BMI sebelum penyuntikan testosteron 50 18,39±0,77 < 0,001
Uji t berpasangan
Tabel 3 Hasil uji t berpasangan dengan melaporkan nilai interval kepercayaan tanpa simpang baku perbedaan rerata
n Rerata±s.b Perbedaan Rerata
(IK 95%)
BMI sebelum penyuntikan testosteron 50 18,39±0,77 5,60
(5,29–5,91)
Uji t berpasangan

Melaporkan Hasil
n Rerata±s.b Perbedaan
Rerata±s.b
IK 95%
BMI sebelum penyuntikan testosteron 50 18,39±0,77 5,60±1,09 5,29–5,91
Uji t berpasangan
Tabel 4 Hasil uji t berpasangan dengan melaporkan nilai interval kepercayaan dengan simpang baku perbedaan rerata
o Tabel 1, 2, 3, dan 4 menyajikan hasil analisis uji t berpasangan.
o Suatu tabel yg lengkap tdd jumlah subjek tiap kelompok, rerata tiap
kelompok, simpang baku tiap kelompok, perbedaan rerata tiap kelompok,
simpang baku dari perbedaan rerata, IK dari perbedaab rerata, dan nilai p.
o Penyajian terbaik adalah tabel 1 karena menyajikan informasi yg lengkap.
o Penyajian IK (tabel 3 dan 4) lebih baik dibandingkan penyajian nilai p (tabel
2) karena informasi nilai IK lebih berguna secara klinis daripada informasi
nilai p.
o Dengan mengetahui nilai IK, dapat diketahui nilai p  karena pada IK tidak
terdapat nilai nol maka dapat diketahui nilia p pasti < 0,05.

Latihan 8
One Way ANOVA (Uji Hipotesis Komparatif Variabel Numerik Berdistribusi Normal
Lebih dari Dua Kelompok)
Kasus
Anda ingin mengetahui apakah ada perbedaan kadar glukosa darah antara kelompok ekonomi
rendah, sedang, dan tinggi. Anda membuat pertanyaan penelitian sbb: “Apakah terdapat perbedaan
kadar glukosa darah antara kelompok ekonomi rendah, sedang, dan tinggi?”
No. Langkah Jawaban
1. Menentukan variabel yg dihubungkan Variabel yg dihubungkan adalah kadar glukosa darah
(numerik) dengan status ekonomi (kategorik)
4. Menentukan pasangan/tdk berpasangan Tidak berpasangan
5. Menentukan jumlah kelompok Tiga kelompok
Kesimpulan:
Uji yg digunakan adalah one way ANOVA (uji parametrik) jika memenuhi syarat. Jika tdk
memenuhi syarat, maka digunakan uji alternatifnya yaitu uji Kruskal-Wallis (uji nonparametrik) .

Langkah-langkah uji one way ANOVA:
1. Memeriksa syarat ANOVA untuk > 2 kelompok tidak berpasangan
b. Varians data harus sama (WAJIB)
2. Jika memenuhi syarat (data berdistribusi normal, varians sama)  dipilih
uji one way ANOVA.
3. Jika tidak memenuhi syarat  dilakukan terlebih dahulu transformasi
data supaya distribusi menjadi normal dan varians menjadi sama.
4. Jika variabel baru hasil transformasi tidak berdistribusi normal atau varians
tetap tidak sama  dipilih uji Kruskal-Wallis (sbg alternatif).
5. Jika pada uji ANOVA atau Kruskal-Wallis menghasilkan nilai p < 0,05 
dilanjutkan dengan melakukan analisis Post Hoc.
Latihan 8

Bagaimana prosedur melakukan uji one way ANOVA dengan SPSS?
1. Uji normalitas
 Bukalah file: ANOVA. Lihat terlebih dahulu bagian Variable View.
 Lakukanlah uji normalitas utk data kadar glukosa darah kelompok
ekonomi rendah, sedang, dan tinggi. Jangan lupa utk memasukkan
variabel tingkat ekonomi ke dalam kotak Factor List.
Latihan 8

Interpretasi Hasil:
1. Bagian pertama adalah statistik deskriptif utk variabel kadar glukosa darah
berdasarkan masing-masing kelompok data. Ingat prinsip bahwa Anda harus
selalu mempelajari deskripsi variabel sebelum melangkah pada proses
selanjutnya.
2. Pada Test of Normality, terlihat bahwa nilai Significancy utk masing-masing
kelompok semuanya > 0,05. Bagaimana kesimpulan Anda?
3. Karena nilai p utk ketiga kelompok data adalah > 0,05  disimpulkan bahwa
distribusi ketiga kelompok data adalah normal.

2. Uji varians dan melihat hasil ANOVA
Langkah-langkah melakukan uji varians
 Analyze  Compare means  One-way ANOVA.
 Masukkan variabel glukosa ke dalam Dependent List.
 Masukkan variabel obat ke dalam Factor List.
 Aktifkan kotak Options.
 Pilih Homogeneity of Variance (utk
menguji varians data).
 Klik Continue. Klik OK.

Output SPSS
Interpretasi Hasil
a. Significancy Test Homogeneity of Variances menunjukkan angka 0,000 (p < 0,05). Oleh karena p
< 0,05 disimpulkan bahwa “paling tidak terdapat dua kelompok yg mempunyai varians
data yg berbeda secara bermakna.”
b. Karena varians data data tidak sama, maka hasil uji ANOVA pada tabel berikutnya tidak valid.
Mengapa? Ingat: syarat uji one way ANOVA utk kelompok tidak berpasangan, varians data
harus sama.
c. Oleh karena varians data tidak sama, maka Anda harus melakukan transformasi data agar
varians data sama.
TIDAK VALID

3. Mencari bentuk transformasi
Langkah-langkah untuk memperoleh bentuk transformasi:
 Analyze  Descriptive statistics  Explore.
 Masukkan variabel glukosa ke dalam Dependent List.
 Masukkan variabel class ke dalam Factor List.
 Pilih Plots pada kotak Display List.
 Aktifkan kotak Plots.
 Pilih Power Estimation (utk mencari bentuk transformasi terbaik).
 Klik Continue, klik OK.

Output SPSS
Interpretasi Hasil
Nilai slope dan nilai power adalah panduan utk menentukan jenis
transformasi.

Slope Power Bentuk transformasi
-1 2 Square (kuadrat)
0 1 Tidak perlu transformasi
0,5 0,5 Square root (akar kuadrat)
1 0 Logaritma
1,5 -0,5 1/Square root
2 -1 Reciprocal (1/n)
Panduan mencari bentuk transformasi terbaik dengan memperhitungkan
faktor slope dan power
Karena nilai slope dan power yg diperoleh adalah 1,429 dan -0,429  berdasarkan tabel
di atas, bentuk anjuran transformasi yg terbaik adalah 1/Square root.
Catatan:
 Utk mentransformasi data supaya mempunyai varians yg sama, terdapat
panduan yaitu dengan memperhatikan nilai slope & nilai power.
 Utk mentransformasi data supaya mempunyai distribusi normal, tidak
terdapat panduan pasti  harus dilakukan beberapa kali percobaan
transformasi data.

4. Melakukan transformasi data
Langkah-langkah untuk transformasi data:
 Transform  Compute Variable.
 Ketik trn_glukosa pada Target Variable (sbg nama variabel baru).
 Pindahkan Sqrt dari kotak Function ke kotak Numeric Expression dengan mengklik tanda
panah.
 Tampak ada kolom berkedip.
 Masukkan variabel glukosa ke dlm kolom berkedip dengan mengklik tanda panah  tampil
Sqrt(glukosa).
 Lalu ketik 1/sebelum SQRT(glukosa)  tertulis: 1/SQRT(glukosa) yg berarti 1/square root.
 Proses telah selesai, klik OK.

Akan muncul variabel baru dengan nama trn_glukosa di kolom paling kanan
Data View.

5. Melakukan uji varians untuk variabel hasil transformasi
Langkah-langkah:
 Analyze  Compare Means  One-way ANOVA.
 Masukkan variabel tran_glukosa ke dlm Dependent List.
 Masukkan variabel class ke dlm Factor List.
 Aktifkan kotak Options.
 Pilih Homogeneity of Variance (utk menguji varians data).

Output SPSS
Interpretasi Hasil
a. Menilai varians
Pada uji varians, diperoleh nilai p = 0,142. Karena nilai p > 0,05 disimpulkan bahwa
“tidak ada perbedaan varians antara kelompok data yg dibandingkan” dengan kata
lain “varians data adalah sama.”
b. Menilai hasil uji ANOVA
Karena varians data sama, maka uji ANOVA pada tabel berikutnya adalah valid. Pada uji
ANOVA, diperoleh nilai p = 0,000 yg artinya “paling tidak terdapat perbedaan kadar
glukosa darah yg bermakna pada dua kelompok.”
VALID

6. Melakukan analisis Post Hoc
Langkah-langkah:
 Analyze  Compare Means  One-way ANOVA.
 Masukkan variabel tran_glukosa ke dlm Dependent List.
 Masukkan variabel class ke dlm Factor List.
 Aktifkan kotak Post Hoc.
 Pilih LSD pada kotak Equal Variances Assumed (memilih alaternatif manapun,
hasilnya relatif sama).
Pada kelompok manakah terdapat perbedaan yg bermakna itu ada?

Output SPSS
Interpretasi Hasil
 Dengan melihat hasil analisis Post Hoc, diperoleh hasil:
 Kelompok ekonomi tinggi dengan sedang, p = 0,000; IK 95% tidak tercakup angka 0.
 Kelompok ekonomi tinggi dengan rendah, p = 0,000; IK 95% tidak tercakup angka 0.
 Kelompok ekonomi sedang dengan rendah, p = 0,028; IK 95% tidak tercakup angka 0.
Disimpulkan:
Perbedaan kadar glukosa darah berbeda secara bermakna pada
semua kelompok tingkat ekonomi

Melaporkan Hasil
n Rerata±s.b p
Tingkat ekonomi Tinggi 100 0,061±0,005 < 0,001
Sedang 100 0,069±0,004
Rendah 100 0,070±0,005
Tabel 1 Hasil analisis one-way ANOVA
Perbedaan rerata IK95% p
Minimum Maksimum
Tinggi vs sedang -0,008 -0,009 -0,006 < 0,001
Tinggi vs rendah -0,009 -0,011 -0,008 < 0,001
Sedang vs rendah -0,002 -0,003 -0,000 0,028
Uji one-way ANOVA
Uji post-hoc LSD
Tabel 2 Hasil analisis post-hoc LSD
Tabel 1 dan 2 menyajikan hasil analisis uji one-way
ANOVA yg dilanjutkan dengan post-hoc LSD

Melaporkan Hasil
n Rerata±s.b p
Tingkat ekonomi Tinggi 100 0,061±0,005 < 0,001
Sedang 100 0,069±0,004
Rendah 100 0,070±0,005
Uji one-way ANOVA. Uji post-hoc LSD: tinggi vs sedang p < 0,001; tinggi
vs rendah p < 0,001; sedang vs rendah p = 0,028
• Alternatif lain penyajian analisis one-way ANOVA dan
post-hoc LSD adalah dengan menyingkat tabel.
• Analisis LSD tdk disajikan secara terpisah, melainkan
menjadi keterangan dari tabel one-way ANOVA.

Melaporkan Hasil
n Rerata
geometris
p
Tingkat ekonomi Tinggi 100 279,21 < 0,001
Sedang 100 205,48
Rendah 100 203,98
Uji one-way ANOVA. Uji post-hoc LSD: tinggi vs sedang p < 0,001; tinggi
vs rendah p < 0,001; sedang vs rendah p = 0,028
• Data yg disajikan pada tabel 1, 2, dan 3 merupakan data hasil transformasi kadar glukosa darah (nilai 1/akar
dua dari nilai kadar glukosa darah)  sukar dipahami secara klinis.
• Tidak terbiasa menggunakan nilai 1/akar dua dari kadar glukosa darah  disajikan rerata geometris (bisa
dihitung menggunakan Excel “GEOMEAN”).
• Rerata geometris  transformasi balik dari rerata nilai transfromasi.
• Rerata geometris tingkat ekonomi tinggi adalah transformasi balik dari 0,061 yaitu 279,21.
• Rerata geometris tingkat ekonomi sedang adalah transformasi balik dari 0,069 yaitu 205,48.
• Rerata geometris tingkat ekonomi rendah adalah transformasi balik dari 0,070 yaitu 203,98.
• Berbeda dengan rerata, nilai simpang baku hasil transformasi tidak dapat ditransformasi balik utk
memperoleh simpang baku kadar glukosa darah  tidak dapat disertakan nilai simpang baku utk rerata
geometris.

Latihan 9
Uji Korelasi Pearson (Uji Hipotesis Korelatif Variabel Numerik Berdistribusi
Normal)
Kasus
Anda ingin mengetahui korelasi antara skor depresi dengan skor ansietas. Anda membuat
pertanyaan penelitian sbb: “Adakah korelasi antara skor depresi dengan skor ansietas?”
No. Langkah Jawaban
1. Menentukan variabel yg dihubungkan Variabel yg dihubungkan adalah skor depresi
(numerik) dengan skor ansietas (numerik)
2. Menentukan jenis hipotesis Korelatif
Kesimpulan:
Uji yg digunakan adalah uji korelasi Pearson (uji parametrik) jika memenuhi syarat.
Jika tdk memenuhi syarat, maka digunakan uji alternatifnya yaitu uji korelasi Spearman (uji
nonparametrik).

Langkah-langkah uji korelasi Pearson:
1. Memeriksa syarat uji parametrik: distribusi data harus normal (WAJIB).
2. Jika memenuhi syarat (data berdistribusi normal)  dipilih uji korelasi
Pearson.
3. Jika tidak memenuhi syarat (distribusi data tidak normal)  dilakukan
terlebih dahulu transformasi data supaya distribusi menjadi normal.
4. Jika variabel baru hasil transformasi berdistribusi normal  dipilih uji
korelasi Pearson.
5. Jika variabel baru hasil transformasi berdistribusi tidak normal  dipilih uji
alernatifnya (uji korelasi Spearman).
Latihan 9
Normal)

Bagaimana prosedur melakukan uji korelasi Pearson dengan SPSS?
1. Uji normalitas
 Bukalah file: pearson.
 Lihat terlebih dahulu bagian Variable View utk mempelajari variabel yg
ada.
 Lakukan uji normalitas utk data variabel depresi dan variabel ansietas.
Latihan 9
Normal)

Interpretasi Hasil:
1. Bagian pertama adalah statistik deskriptif utk variabel skor ansietas dan skor
depresi. Ingat prinsip bahwa Anda harus selalu mempelajari deskripsi variabel
sebelum melangkah pada proses selanjutnya.
2. Pada uji Test of Normality Kolmogorov-Smirnov, baik skor ansietas maupun
skor depresi mempunyai nilai p = 0,078  nilai p > 0,005  disimpulkan
bahwa kedua kelompok data mempunyai distribusi normal.

2. Melakukan uji Pearson
 Analyze  Correlate  Bivariate.
 Masukkan depresi dan ansietas ke dlm kotak variables.
 Pilih uji Pearson pada kotak Correlation Coefficients.
 Pilih Two tailed pada Test of Significance.
 Proses telah selesai, klik OK.
Latihan 9
Normal)

Output SPSS
Interpretasi Hasil
 Diperoleh nilai sig 0,000 (nilai p)  menunjukkan bahwa korelasi antara skor
depresi dan skor ansietas adalah bermakna.
 Nilai korelasi Pearson sebesar 0,862 (nilai r) menunjukkan korelasi positif
dengan kekuatan korelasi yg sangat kuat.

Melaporkan Hasil
Skor ansietas
Skor depresi r 0,862
p < 0,001
n 348
Hasil analisis korelasi Pearson
Uji korelasi Pearson
o Tabel menyajikan hasil analisis korelasi Pearson.
o Tabel tdd koefisien korelasi (r), nilai p, dan jumlah subjek (n).
No. Parameter Nilai Interpretasi
1. Kekuatan korelasi (r) 0,00-0,199 Sangat lemah
0,20-0,399 Lemah
0,40-0,599 Sedang
0,60-0,799 Kuat
0,80-1,000 Sangat kuat
2. Nilai p p < 0,05 Terdapat korelasi yg bermakna antara dua variabel yg diuji
p > 0,05 Tidak terdapat korelasi yg bermakna antara dua variabel yg diuji
3. Arah korelasi + (positif) Searah, semakin besar nilai satu variabel, semakin besar pula nilai variabel
lainnya
- (negatif) Berlawanan arah, semakin besar nilai satu variabel, semakin kecil nilai
variabel lainnya
Panduan interpretasi hasil uji hipotesis berdasarkan
kekuatan korelasi, nilai p, dan arah korelasi

Statistik Parametrik.pptx

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Similar a Statistik Parametrik.pptx

Similar a Statistik Parametrik.pptx (20)

Último

Último (20)

Statistik Parametrik.pptx