STATISTIK INDUKTIF

BAB 11

STATISTIK INDUKTIF

Uji t

Pada bagian awal dari buku ini telah disebutkan pembagian metode statistik,

yakni deskriptif dan induktif. Beberapa bab sebelumnya telah membahas

penggunaan metode statistik deskriptif, seperti mencari rata-rata data, variasi

data, atau menguji distribusi data. Pada banyak kasus, deskripsi data dilengkapi

dengan grafik atau tabel statistik.

Lalu apa kaitan antara statistik dekriptif dengan statistik induktif? Kaitan

tersebut ada pada penggunaan sampel dan populasi dalam kegiatan pengolahan

data. Seperti diketahui, sampel adalah bagian dari populasi, yang

dianggap mewakili ciri-ciri dari populasi tersebut dan diambil dengan pertimbangan

efisiensi. Jika populasi yang akan ditaksir begitu besar, seperti

jumlah penduduk di sebuah daerah, akan ditemui kesulitan untuk melakukan

penggambaran yang jelas tentang populasi dan berbagai pengambilan keputusan

sehubungan dengan ciri-ciri populasi.

Sebagai contoh, seorang Manajer Pemasaran ingin mengetahui apakah

konsumen remaja putri di Indonesia dengan usia 17 tahun ke atas (sebagai

sebuah populasi yang dijadikan target market) mengonsumsi produk kosmetik

yang dipasarkannya. Survei terhadap seluruh remaja putri di Indonesia

akan sangat sulit dilakukan karena akan menghabiskan banyak waktu dan

biaya. Untuk itu, Manajer tersebut melakukan pengambilan sampel sejumlah

tertentu dari populasi tersebut, misal survei terhadap 1000 remaja putri.

Dengan gambaran yang ada pada sampel tersebut, yang dapat dilakukan

lewat statistik deskriptif, dapat dilakukan berbagai keputusan (inferensi)

terhadap populasi, yaitu:

Melakukan perkiraan (estimasi) terhadap populasi.

Misal berapa rata-rata penggunaan kosmetik para remaja putri di Indonesia?

Berapa deviasi standarnya?

Melakukan test hipotesis terhadap parameter populasi.

Misal: jika diduga penggunaan kosmetik di kalangan remaja putri adalah

dua kali dalam sehari, apakah hasil sampel yang diperoleh dapat membenarkan

dugaan tersebut?

Dengan kata lain, dari informasi sampel yang telah ada, akan dilakukan

berbagai penggambaran dan kesimpulan terhadap isi populasi. Kegiatan

tersebut dinamakan statistik induktif atau statistik inferensi.

11.1 STATISTIK INDUKTIF (INFERENSI)

Metode statistik inferensi dalam praktek cukup beragam, dan salah satu

kriteria penting dalam pemilihan metode statistik yang akan digunakan

adalah melihat distribusi sebuah data. Jika data yang diuji berdistribusi

normal atau mendekati distribusi normal, maka selanjutnya dengan data-data

tersebut bisa dilakukan berbagai inferensi atau pengambilan keputusan

dengan metode statistik parametrik.

Namun, jika terbukti data tidak berdistribusi normal atau jauh dari kriteria

distribusi normal, maka metode parametrik tidak bisa digunakan; untuk

kegiatan inferensi sebaiknya digunakan metode statistik nonparametrik.

Gambar:

DISTRIBUSI

DATA

STATISTIK

PARAMETRIK

STATISTIK

NON-

PARAMETRIK

normal Tidak normal

Kegiatan inferensi bisa dibedakan menjadi:

Pengujian beda rata-rata, yang meliputi uji t dan uji F (Anova).

Pengujian asosiasi (hubungan) dua variabel atau lebih; alat uji yang

digunakan seperti Chi-Square (lihat bab sebelumnya), korelasi dan

regresi.

Nb: untuk uji statistik nonparametrik (kecuali Chi-Square), lihat CD KERJA.

Bab ini akan membahas uji beda rata-rata, khususnya penggunaan uji t.

Namun, uji t hanyalah sebuah alat yang digunakan dalam kegiatan yang

disebut dengan uji hipotesis, seperti akan dibahas berikut ini.

11.1.1 Uji Hipotesis

Salah satu kegiatan statistik induktif adalah menguji sebuah hipotesis

(dugaan sementara). Dalam melakukan uji hipotesis, ada banyak faktor yang

menentukan, seperti apakah sampel yang diambil berjumlah banyak atau

hanya sedikit; apakah standar deviasi populasi diketahui; apakah varians

populasi diketahui; metode parametrik apakah yang dipakai, dan seterusnya.

Berikut proses pengujian sebuah hipotesis.

PROSEDUR UJI HIPOTESIS

A. Menentukan H0 dan Hi.

H0 adalah NULL HYPOTHESIS.

Hi adalah ALTERNATIVE HYPOTHESIS.

Pernyataan pada H0 dan Hi selalu berlawanan. Sebagai contoh, jika H0

menyatakan bahwa rata-rata populasi (Omset penjualan pedagang kain di

suatu pasar seperti contoh di atas) adalah Rp20 juta per bulan, maka Hi

menyatakan alternatifnya, yaitu rata-rata omset bukan Rp20 juta. Omset

diduga bisa lebih dari Rp20 juta atau kurang dari Rp20 juta.

B. Menentukan Uji (Prosedur) Statistik yang digunakan; apakah akan

digunakan uji t, ANOVA, uji z, dan lainnya.

C. Menentukan statistik tabel.

Nilai Statistik tabel/nilai kritis biasanya dipengaruhi oleh:

Tingkat Kepercayaan.

Derajat Kebebasan (df).

Derajat kebebasan atau degree of fredom sangat bervariasi tergantung

dari metode yang dipakai dan jumlah sampel yang diperoleh.

Jumlah sampel yang didapat.

Derajat kebebasan atau degree of fredom sangat bervariasi, tergantung dari

metode yang dipakai dan jumlah sampel yang diperoleh.

D. Menentukan statistik hitung.

Nilai statistik hitung tergantung pada metode parametrik yang digunakan.

Pada pengerjaan dengan SPSS, nilai statistik hitung langsung ditampilkan

nilai akhirnya; sedangkan proses perhitungannya sampai pada nilai akhir

tersebut tidak diperlihatkan, termasuk angka-angka statistik tabel. Untuk

mengetahui proses perhitungan sampai dengan output tersebut, bisa

dilakukan dengan cara manual, atau dengan bantuan software spreadsheet

seperti Excel.

E. Mengambil keputusan.

Keputusan terhadap hipotesis di atas ditentukan dengan membandingkan nilai

statistik hitung dengan nilai kritis/statistik tabel.

SPSS hanya memberikan informasi mengenai ringkasan data dan nilai

statistik hitung. Sedangkan keputusan untuk menolak atau menerima sebuah

hipotesis tidak diberikan pada output SPSS. Buku ini membantu untuk

melakukan prosedur statistik inferensi yang benar dan mengambil keputusan

yang tepat berdasarkan ouput SPSS.

Salah satu langkah dari prosedur di atas adalah menentukan alat statistik yang

relevan, apakah pada sebuah kasus akan diuji dengan uji t, uji F (ANOVA)

atau yang lain. Sebelum menjelaskan cara pengujian, akan dibahas terlebih

dahulu cara memilih alat statistik yang relevan untuk statistik parametrik.

11.1.2 Berbagai Metode Statistik Parametrik

Berikut sistematika penggunaan metode-metode statistik parametrik untuk

diterapkan pada berbagai kasus.

A. INFERENSI TERHADAP SEBUAH RATA-RATA POPULASI

Tujuan pengujian ini adalah ingin mengetahui apakah sebuah sampel berasal

dari sebuah populasi yang mempunyai rata-rata (mean) yang sudah diketahui.

Atau, bisa juga dikatakan ingin menguji apakah rata-rata sebuah sampel

sudah bisa mewakili populasinya. Seperti jika diketahui rata-rata berat badan

sekelompok orang di sebuah kota adalah 50 kilogram, maka apakah bisa

disimpulkan bahwa rata-rata berat badan semua orang di kota tersebut

(sebagai populasi) juga 50 kilogram?

Pada inferensi ini, perlu diperhatikan ukuran sampel, apakah termasuk

sampel besar ataukah sampel kecil.

SAMPEL BESAR

Dalam kasus di mana jumlah sampel yang diambil cukup besar atau

varians populasi diketahui, maka bisa dipakai rumus (uji) z.

Yang dimaksud dengan Sampel “besar”, sebenarnya tidak ada ketentuan

yang tepat batas besar kecilnya suatu sampel. Namun, sebagai sebuah

pedoman, jumlah sampel di atas 30 sudah bisa dianggap sampel yang

besar, sedangkan di bawahnya dianggap sampel kecil.

SAMPEL KECIL

Jika sampel kecil (<30) dan varians populasi tidak diketahui, metode

parametrik yang digunakan adalah uji t (student).

B. INFERENSI TERHADAP DUA RATA-RATA POPULASI

Dalam inferensi dua populasi, tujuan utama adalah ingin mengetahui apakah

ada perbedaan antara dua rata-rata populasi. Sebagai contoh, ingin diketahui

apakah ada perbedaan antara rata-rata berat badan semua orang di kota A

dengan rata-rata berat badan semua orang di kota B? Oleh karena tidak

mungkin atau sulit untuk menghitung semua berat badan orang di dua kota

tersebut, maka akan diambil sampel sejumlah tertentu orang di kota A dan

kota B; dari kedua sampel tersebut akan diuji dengan beberapa metode

statistik.

Selain menguji dua rata-rata populasi yang independen, seperti contoh kota A

dan kota B, inferensi dua rata-rata juga dimungkinkan ada hubungan antara

kedua sampel, yang disebut dengan sampel yang dependen satu dengan

lainnya. Sebagai contoh, penggunaan obat sebelum promosi dan sesudah

promosi, nilai test sebelum diberi kursus dengan setelah diberi kursus, dan

sebagainya.

SAMPEL BESAR

Metode yang digunakan adalah z test yang dimodifikasi.

SAMPEL KECIL

Metode yang digunakan adalah:

i. t test yang dimodifikasi

Di sini sampel bisa saling berhubungan (dependen) maupun

kedua sampel tidak ada hubungannya (independen).

ii. F test

INFERENSI TERHADAP LEBIH DARI DUA RATA-RATA

POPULASI

Untuk lebih dari dua populasi, misal tiga jenis sampel, empat jenis sampel

dan seterusnya, dipakai analisis ANOVA, yang bisa terdiri atas:

ANOVA satu faktor

ANOVA dua faktor dengan replacement

ANOVA dua faktor tanpa replacement

INFERENSI UNTUK MENGETAHUI HUBUNGAN ANTARA

VARIABEL

Inferensi ini bertujuan untuk mengetahui apakah ada hubungan yang

signifikan antara dua variabel, seperti apakah ada hubungan antara jumlah

gizi yang diserap tubuh dengan nilai ujian seseorang, promosi suatu produk

dengan penjualan produk tersebut, dan sebagainya.

Beberapa alat statistik untuk mengetahui hubungan antarvariabel:

Hubungan antardua variabel, menggunakan metode korelasi dan regresi

sederhana.

Hubungan antara lebih dari dua variabel (tiga, empat, dan seterusnya),

menggunakan metode korelasi dan regresi berganda.

Sistematika dan metode-metode statistik di atas bersifat garis besar. Dalam

bab-bab selanjutnya (sebagian diakses lewat CD KERJA) akan dijelaskan

secara terperinci, baik penggunaannya maupun penafsirannya.

11.1.3 Menu Statistik Inferensi dalam SPSS

SPSS menyediakan berbagai metode parametrik untuk melakukan inferensi

terhadap data statistik. Oleh karena luasnya cakupan parametrik, maka

inferensi dengan parametrik akan dibagi dalam beberapa menu pada SPSS,

yaitu menu COMPARE MEANS, GENERAL LINEAR MODEL (GLM),

CORRELATE, dan REGRESSION.

COMPARE MEANS

Pembahasan pada COMPARE MEANS meliputi:

MEANS

Bagian ini membahas hal yang sama pada statistik deskriptif, dengan

penyajian subgrup dan ditambah dengan uji linearitas.

UJI t

Bagian ini meliputi:

Uji t satu sampel (ONE SAMPLE T-TEST).

Uji t untuk dua sampel independen (INDEPENDENT SAMPLES

T-TEST).

Uji t untuk dua sampel berpasangan (PAIRED SAMPLES

T-TEST).

ONE WAY ANOVA

Jika uji t untuk dua sampel, maka ANOVA digunakan untuk menguji

lebih dari dua sampel.

GENERAL LINEAR MODEL

GLM merupakan kelanjutan dari ANOVA, di mana pada GLM dibahas satu

variabel dependen namun mempunyai satu atau lebih faktor.

CORRELATE

Membahas uji hubungan antara dua variabel.

REGRESSION

Membahas pembuatan model regresi untuk menggambarkan hubungan dua

variabel atau lebih.

Selain menu-menu di atas, ada pula sejumlah menu yang membahas berbagai

alat statistik multivariat, seperti analisis faktor, analisis diskriminan, dan

sebagainya.

Tidak semua menu tersebut akan dibahas pada buku ini. Bab ini akan

membahas penggunaan uji t dan means, dengan masing-masing pembahasan

akan disertai kasus dan penyelesaiannya. Beberapa menu lain akan dibahas

pada bab-bab di belakang.

11.2 ONE SAMPLE t TEST

Pengujian satu sampel pada prinsipnya ingin menguji apakah suatu nilai

tertentu (yang diberikan sebagai pembanding) berbeda secara nyata ataukah

tidak dengan rata-rata sebuah sampel. Nilai tertentu di sini pada umumnya

adalah sebuah nilai parameter untuk mengukur suatu populasi.

Sebagai contoh, selama ini diduga rata-rata konsumsi sabun pada rumah

tangga di desa Telogo Sari adalah 3 batang per bulan. Jika seluruh penduduk

Telogo Sari dianggap populasi, maka angka tersebut adalah suatu parameter.

Kemudian akan dibuktikan secara statistik apakah konsumsi tersebut

memang benar demikian. Untuk itu diambil sejumlah sampel, yakni sejumlah

penduduk Telogo Sari yang dipilih dengan metode sampling tertentu, dan

pada sampel tersebut dihitung rata-rata penggunaan sabun mandi selama

sebulan. Kemudian dilakukan proses pembandingan, yang disebut sebagai uji

satu sampel (one sample test). Penggunaan uji t karena jumlah sampel yang

diambil pada uji semacam itu di bawah 30 buah.

Sekarang akan diberikan contoh kasus untuk menjelaskan proses uji t.

Kasus:

Kasus menggunakan data berat badan konsumen yang meminum obat

penurun berat badan.

Sebagai contoh, dibuat dugaan bahwa populasi rata-rata berat sebelum

minum obat adalah 84,51 kilogram. Untuk membuktikan hal tersebut,

sekelompok anak muda ditimbang, dan mereka mempunyai rata-rata berat

badan 90 kilogram. Dengan data di atas, apakah dapat disimpulkan bahwa

berat populasi rata-rata memang 84,51 kilogram?

Penyelesaian:

Kasus di atas terdiri atas satu sampel yang akan dipakai dengan nilai populasi

hipotesis, yaitu 90 kg. Di sini populasi diketahui berdistribusi normal, dan

karena sampel sedikit, dipakai uji t untuk dua sampel yang berpasangan

(paired).

1. Pemasukan Data ke SPSS

Langkah-langkah pemasukan data sama dengan pembahasan terdahulu.

Jika data sudah diinput, lakukan tahap pengolahan data.

2. Pengolahan Data dengan SPSS

Langkah-langkah:

Buka lembar file uji_t_paired.

Menu Analyze •

Compare-Means •

One Sample T test….

Klik mouse pada pilihan tersebut, maka tampak di layar:

Gambar 11.1. Kotak Dialog One Sample t test

Pengisian:

Test Variable(s) atau Variabel yang akan diuji. Masukkan

variabel sebelum.

Test Value atau nilai yang akan diuji; karena akan diuji nilai

hipotesis 90kg, maka ketik 90.

Oleh karena tidak ada data missing (hilang) dan tingkat kepercayaan

tetap 95%, abaikan pengisian pilihan OPTIONS.

Kemudian tekan OK untuk proses data.

Output SPSS dan Analisis:

Output Bagian Pertama (Group Statistics)

T-Test

One-Sample Statistics

N Mean

Std.

Deviation

Std. Error

Mean

SEBELUM 10 84.5100 6.6393 2.0995

Pada bagian pertama terlihat ringkasan statistik dari variabel SEBELUM.

Untuk berat badan sebelum minum obat, konsumen mempunyai berat ratarata

84,5100 kilogram.

Output Bagian Kedua (One Sample Test)

One-Sample Test

Test Value = 90

t df

Sig.

(2-tailed)

Mean

Difference

95% Confidence

Interval of the Difference

Lower Upper

SEBELUM -2.615 9 .028 -5.4900 -10.2395 -.7405

Hipotesis:

Hipotesis untuk kasus ini.

Ho= Berat kelompok anak muda tidak berbeda dengan rata-rata berat

populasi.

Hi = Berat kelompok anak muda berbeda dengan rata-rata berat populasi.

Pengambilan Keputusan:

Dasar Pengambilan Keputusan.

Berdasar perbandingan t hitung dengan t tabel:

Jika Statistik Hitung (angka t output) > Statistik Tabel (tabel t),

maka Ho ditolak.

Jika Statistik Hitung (angka t output) < Statistik Tabel (tabel t),

maka Ho diterima.

t hitung dari output adalah – 2,615.

Untuk statistik tabel bisa dihitung pada tabel t:

Tingkat signifikansi (a) adalah 5%; untuk uji dua sisi, menjadi

5% /2 = 2,5%.

df atau derajat kebebasan adalah n – 1 atau jumlah data – 1

sehingga df adalah 10 – 1 = 9

Uji dilakukan DUA SISI karena akan diketahui apakah rata-rata

SEBELUM sama dengan BERAT ANAK MUDA ataukah

tidak. Jadi, bisa lebih besar atau lebih kecil, karenanya dipakai

uji dua sisi.

Dari tabel t, didapat t(0,025;9) adalah 2,262.

Gambar:

Ho ditolak Ho diterima Ho ditolak

- 2,615 - 2,262 + 2,262

Oleh karena t hitung terletak pada daerah Ho ditolak, maka bisa

disimpulkan rata-rata berat badan kelompok anak muda tersebut memang

berbeda dengan rata-rata berat badan populasi.

b. Berdasar nilai Probabilitas •

untuk uji DUA SISI

Jika probabilitas/2 > 0,025, maka Ho diterima.

Jika probabilitas/2 < 0,025, maka Ho ditolak.

Keputusan:

Terlihat bahwa t hitung adalah - 2,615 dengan probabilitas 0,028.

Angka probabilitas menjadi = 0,028/2 = 0,014. Oleh karena 0,014

<0,025, maka Ho ditolak; atau berat rata-rata populasi sebelum

minum obat bukanlah 84,15 kilogram.

Nb: simpan output di atas dengan nama uji_t_one.

11.3 INDEPENDENT SAMPLE t TEST

Jika pada pembahasan sebelumnya diuraikan uji satu sampel, maka sekarang

uji akan diperluas dengan dua sampel. Pada prinsipnya, tujuan uji dua sampel

adalah ingin mengetahui apakah ada perbedaan rata-rata (mean) antara dua

populasi, dengan melihat rata-rata dua sampelnya.

Sebagai contoh, diduga ada perbedaan antara orang di desa dengan orang di

kota dalam hal lamanya mereka menonton televisi setiap harinya. Mungkin

orang desa lebih banyak menghabiskan waktu dengan menonton televisi

daripada orang kota. Untuk menguji hal tersebut, tentu tidak bisa semua

orang desa dan orang kota diobservasi karena akan memakan biaya dan

waktu. Alternatif terbaik adalah mengambil sampel di kedua kelompok

tersebut, dan dari data dua sampel tersebut akan ditarik kesimpulan untuk

populasi (semua orang kota dan orang desa).

Perhatikan kata ‘independen’ atau ‘bebas’, yang berarti tidak ada hubungan

antara dua sampel yang akan diuji. Dalam contoh, jelas orang kota akan

berbeda dengan orang desa, atau tidak mungkin seseorang secara sekaligus

menjadi orang desa dan orang kota; contoh yang lain, jenis kelamin

seseorang juga variabel yang independen, karena tidak bisa seseorang

menjadi pria dan wanita sekaligus. Hal ini berbeda dengan uji berpasangan,

di mana justru satu kasus diobservasi lebih dari sekali; dalam uji independen,

satu kasus hanya didata sekali saja.

Berikut akan dijelaskan proses pengujian sampel independen menggunakan

kasus.

Kasus:

Seorang peneliti ingin mengetahui apakah ada perbedaan antara Tinggi dan

Berat badan seorang pria dan seorang wanita. Untuk itu, 7 pria dan 7 wanita

masing-masing diukur tinggi dan berat badannya.

Berikut hasilnya (angka dalam centimeter untuk Tinggi dan kilogram untuk

Berat).

Tinggi Berat Gender

1 174.5 65.8 Pria

2 178.6 62.7 Pria

3 170.8 66.4 Pria

4 168.2 68.9 Pria

5 159.7 67.8 Pria

6 167.8 67.8 Pria

7 165.5 65.8 Pria

8 154.7 48.7 Wanita

9 152.7 45.7 Wanita

10 155.8 46.2 Wanita

11 154.8 43.8 Wanita

12 157.8 58.1 Wanita

13 156.7 54.7 Wanita

14 154.7 49.7 Wanita

Nb: pada baris 1, seorang pria dengan Tinggi Badan 174,5 cm dan Berat

Badan 65,8 kilogram. Demikian untuk data yang lain.

PERHATIKAN PENYUSUNAN DATA DI SPSS BUKAN SEPERTI INI:

Pria Wanita

1 174.5 154.7

2 178.6 152.7

3 170.8 155.8

4 168.2 154.8

5 159.7 157.8

6 167.8 156.7

7 165.5 154.7

Inputing data (Tinggi Badan) dengan membuat variabel PRIA dan WANITA

justru salah. Variabel gender harus dikodekan dalam inputing data.

Penyusunan data yang benar adalah seperti contoh di atas, di mana ada tiga

kolom, dengan variabel gender dikode dengan angka 1 dan 2.

Penyelesaian:

Kasus di atas terdiri atas dua sampel yang bebas satu dengan yang lain, yaitu

sampel bergender pria tentu berbeda dengan sampel bergender wanita. Di sini

populasi diketahui berdistribusi normal, dan karena sampel sedikit, dipakai

uji t untuk dua sampel.

Pemasukan Data ke SPSS

Pemasukan Data ke SPSS (secara ringkas)

Dari menu utama File, pilih menu New, lalu klik mouse pada Data.

Kemudian klik mouse pada sheet tab Variable View.

Pengisian variabel TINGGI

Name. Sesuai kasus, ketik tinggi.

Width. Untuk keseragaman, ketik 8.

Decimals. Untuk keseragaman, ketik 1.

Pengisian variabel BERAT

Name. Sesuai kasus, ketik berat.

Width. Untuk keseragaman, ketik 8.

Decimals. Untuk keseragaman, ketik 1.

Pengisian variabel GENDER

Name. Sesuai kasus, ketik gender.

Width. Untuk keseragaman, ketik 1.

Decimals. Ketik 0.

Label. Untuk keseragaman, klik ganda pada sel tersebut, dan

ketik gender konsumen.

Values. Pilihan ini untuk proses pemberian kode, dengan isian:

KODE LABEL

1 pria

2 wanita

Setelah selesai, klik OK untuk kembali ke kotak dialog utama.

Setelah variabel telah didefinisikan, tekan CTRL+T untuk kembali

ke DATA VIEW hingga pengisian data berikut dimungkinkan.

Mengisi Data:

Input data ke dalam SPSS DATA EDITOR untuk tinggi badan, berat badan

dan gender; untuk gender, masukkan angka sesuai kode gender yang telah

dibuat sebelumnya. Jika pengisian benar, maka terlihat data seperti pada awal

Kasus. Simpan data dengan nama uji_t_1.

3. Pengolahan Data dengan SPSS.

Langkah-langkah:

Buka lembar file uji_t_1.

Menu Analyze •

Compare-Means •

Independent-Samples T

test…. Tampak di layar:

Gambar 11.2. Kotak Dialog Independent Sample t test

Pengisian:

Test Variable(s); masukkan variabel tinggi; kemudian masukkan

juga variabel berat.

Grouping Variable atau variabel grup. Oleh karena variabel

pengelompokkan ada pada variabel gender, maka masukkan

variabel gender.

Pengisian grup:

•

Klik mouse pada Define Group… Tampak di layar:

Gambar 11.3. Kotak Dialog Define Groups

•

Untuk Group1, isi dengan 1, yang berarti Grup 1 berisi tanda 1

atau “pria”.

•

Untuk Group2, isi dengan 2, yang berarti Grup 2 berisi tanda 2

atau “wanita”.

Setelah pengisian selesai, tekan Continue untuk kembali ke menu

sebelumnya.

Kemudian tekan OK untuk mengakhiri pengisian prosedur analisis dan

memulai proses data.

Output SPSS dan Analisis:

Simpan output dengan nama uji_t_independen.

ANALISIS:

Output Bagian Pertama (Group Statistics)

Group Statistics

gender konsumen N Mean Std. Deviation

Std. Error

Mean

TINGGI pria

wanita

169,300

155,314

6,135

1,643

2,319

,621

BERAT pria

wanita

66,457

49,557

2,023

5,156

,765

1,949

Pada bagian pertama terlihat ringkasan statistik dari kedua sampel. Untuk

berat badan, gender pria (tanda 1) mempunyai berat rata-rata 66,457

kilogram, yang jauh di atas rata-rata berat badan wanita, yaitu 49,557

kilogram, sedangkan tinggi rata-rata pria adalah 169,3 cm yang juga lebih

tinggi dari rata-rata wanita yang hanya 155,314 cm. Dari data tersebut,

apakah ada perbedaan yang signifikan (jelas dan nyata) antara berat badan

pria dan wanita? Untuk itu analisis dilanjutkan pada bagian kedua output.

Output Bagian Kedua (Independent Sample Test)

Independent Samples Test

Levene's Test

for Equality of

Variances t-test for Equality of Means

95% Confidence

Interval of the

F Sig. t df Sig. (2-tailed)

Mean

Difference

Std. Error

Difference

Lower Upper

TINGGI Equal variances

assumed

Equal variances

not assumed

5,475 ,037 5,826

5,826

6,856

,000

,001

13,986

2,401

8,755

8,285

19,216

19,686

BERAT Equal variances

assumed 4,345 ,059 8,074 12 ,000 16,900 2,093 12,339 21,461

Equal variances

not assumed 8,074 7,805 ,000 16,900 2,093 12,052 21,748

Uji t dua sampel dilakukan dalam dua tahapan; tahapan pertama adalah

menguji apakah varians dari dua populasi bisa dianggap sama? Setelah itu

baru dilakukan pengujian untuk melihat ada tidaknya perbedaan rata-rata

populasi. Pada dasarnya, uji t mensyaratkan adanya kesamaan varians dari

dua populasi yang diuji; jika asumsi tersebut tidak terpenuhi, maka SPSS

akan menyediakan alternatif jawaban uji t yang lain.

Tinggi Badan

Pertama dilakukan pengujian apakah ada kesamaan varians pada data pria

dan wanita; pengujian asumsi kesamaan varians dilakukan lewat uji F.

Hipotesis:

Hipotesis untuk pengujian varians.

Ho = Kedua varians Populasi adalah identik (varians populasi tinggi badan

pria dan wanita adalah sama).

Hi = Kedua varians Populasi adalah tidak identik (varians populasi tinggi

badan pria dan wanita adalah berbeda).

Pengambilan Keputusan:

Dasar Pengambilan Keputusan (uji varians menggunakan uji satu sisi):

Jika probabilitas > 0,05, maka Ho diterima.

Jika probabilitas < 0,05, maka Ho ditolak.

Keputusan:

Terlihat bahwa F hitung untuk Tinggi Badan dengan Equal variance assumed

(diasumsi kedua varians sama atau menggunakan pooled variance t test)

adalah 5,475 dengan probabilitas 0,037. Oleh karena probabilitas < 0,05,

maka Ho ditolak, atau kedua varians benar-benar berbeda.

Perbedaan yang nyata dari kedua varians membuat penggunaan varians untuk

membandingkan rata-rata populasi dengan t test sebaiknya menggunakan

dasar Equal variance not assumed (diasumsi kedua varians tidak sama).

Setelah uji asumsi kesamaan varians selesai, selanjutnya dilakukan analisis

dengan memakai t test untuk mengetahui apakah rata-rata tinggi badan pria

dan wanita adalah berbeda secara signifikan?

Hipotesis:

Hipotesis untuk kasus ini.

Ho = Kedua rata-rata Populasi adalah identik (rata-rata populasi tinggi badan

pria dan wanita adalah sama).

Hi = Kedua rata-rata Populasi adalah tidak identik (rata-rata populasi tinggi

badan pria dan wanita adalah berbeda).

Nb: berbeda dengan asumsi sebelumnya yang menggunakan varians,

sekarang dipakai mean atau rata-rata hitung.

Oleh karena tidak ada kalimat ”lebih tinggi” atau ”kurang tinggi”, maka

dilakukan uji dua sisi.

Keputusan:

Terlihat bahwa t hitung untuk Tinggi Badan dengan Equal variance not

assumed adalah 5,826 dengan probabilitas 0,001. Untuk uji dua sisi,

probabilitas menjadi 0,001/2 = 0,0005. Oleh karena 0,0005 < 0,025, maka Ho

ditolak. Rata-rata tinggi badan pria benar-benar berbeda dengan rata-rata

tinggi badan wanita; jika dilihat dari rata-rata kedua kelompok, Pria lebih

tinggi dari wanita.

Perhatikan bahwa perubahan dari penggunaan Equal variance assumed ke

Equal variance not assumed mengakibatkan menurunnya degree of freedom

(derajat kebebasan), yaitu dari 12 menjadi 6,856 atau kegagalan mengasumsikan

kesamaan varians berakibat keefektifan ukuran sampel menjadi

berkurang sekitar 40% lebih!

Berat Badan

Pertama, analisis menggunakan F test untuk menguji kesamaan varians kedua

populasi.

Hipotesis:

Hipotesis untuk kasus ini.

Ho = Kedua varians Populasi adalah identik (varians populasi berat badan

pria dan wanita adalah sama).

Hi = Kedua varians Populasi adalah tidak identik (varians populasi berat

badan pria dan wanita adalah berbeda).

Keputusan:

Terlihat bahwa F hitung untuk Berat Badan dengan Equal variance assumed

(diasumsi kedua varians sama atau nantinya akan menggunakan pooled

variance t test) adalah 4,345 dengan probabilitas 0,059. Oleh karena

probabilitas > 0,05, maka Ho diterima, atau kedua varians sama.

Oleh karena tidak ada perbedaan yang nyata dari kedua varians membuat

penggunaan varians untuk membandingkan Rata-rata populasi (atau test

untuk Equality of Means) menggunakan t test dengan dasar Equal variance

assumed (diasumsi kedua varians sama).

Kedua, analisis dengan memakai t test untuk asumsi varians sama.

Hipotesis:

Hipotesis untuk kasus ini.

Ho = Kedua rata-rata Populasi adalah identik (rata-rata populasi berat badan

pria dan wanita adalah sama).

Hi = Kedua rata-rata Populasi adalah tidak identik (rata-rata populasi berat

badan pria dan wanita adalah berbeda).

Keputusan:

Terlihat bahwa t hitung untuk Berat Badan dengan Equal variance assumed

adalah 5,475 dengan probabilitas 0,037. Oleh karena probabilitas uji dua sisi

(0,037/2= 0,0185) < 0,025, maka Ho ditolak. Kedua rata-rata (mean) berat

badan pria dan wanita benar-benar berbeda; bisa juga dikatakan, tidak ada

bukti statistik yang bisa menyatakan bahwa rata-rata berat badan populasi

pria sama dengan rata-rata berat badan populasi wanita.

Catatan:

Ringkasan prosedur pengujian UJI t DUA SAMPEL.

Uji F test (Levene test) untuk menguji kesamaan varians dua populasi.

Jika varians dua populasi secara signifikan berbeda, maka untuk membandingkan

Means digunakan t test dengan asumsi varians tidak sama.

Jika varians dua populasi tersebut sama, maka secara otomatis pada

output SPSS tidak ada angka untuk t test Equal variance not assumed.

Oleh karena itu, test dengan uji t untuk membandingkan means langsung

dilakukan dengan Equal variance assumed.

MEAN DIFFERENCE (PERBEDAAN RATA-RATA) TINGGI BADAN

Setelah dilakukan uji dengan F test dan t test, kemudian diketahui penggunaan

Equal variance assumed dan Equal variance not assumed, dan

diketahui ada perbedaan yang nyata antara Tinggi dan Berat badan pria dan

wanita, langkah selanjutnya adalah mengetahui seberapa besar perbedaan

tersebut.

Tinggi Badan

Dari output terlihat pada baris “mean difference” untuk Tinggi Badan adalah

13,986 cm. Angka ini berasal dari:

Rata-rata Tinggi Badan Pria - Rata-rata Tinggi Badan Wanita

Atau 169,300 cm – 155,314 cm = 13,986 cm

Dari F test pada bahasan sebelumnya didapat bahwa uji perbedaan rata-rata

dilakukan dengan Equal variance not assumed, maka sekarang lihat pada

keterangan “95% Confidence Interval of Means” dan kolom Equal variance

not assumed.

Pada baris tersebut, didapat angka:

Lower (perbedaan rata-rata bagian bawah) adalah 8,285 cm.

Upper (perbedaan rata-rata bagian atas) adalah 19,686 cm.

Hal ini berarti perbedaan Tinggi Badan Pria dan Wanita berkisar antara 8,285

cm sampai 19,686 cm, dengan perbedaan rata-rata adalah 13,986 cm.

Berat Badan

Dari output terlihat pada baris “mean difference” untuk Berat Badan adalah

16,900 cm. Angka ini berasal dari:

Rata-rata Berat Badan Pria - Rata-rata Berat Badan Wanita

Atau 66,457 kg – 49,557 kg = 16,900 cm

Dari F test pada bahasan sebelumnya didapat bahwa uji perbedaan rata-rata

dilakukan dengan Equal variance assumed, maka sekarang lihat pada

keterangan “95% Confidence Interval of Means” dan kolom Equal variance

assumed.

Pada baris tersebut, didapat angka:

Lower (perbedaan rata-rata bagian bawah) adalah 12,339 kg.

Upper (perbedaan rata-rata bagian atas) adalah 21,461 kg.

Hal ini berarti perbedaan Berat Badan Pria dan Wanita berkisar antara 12,339

kg sampai 21,461 kg, dengan perbedaan rata-rata adalah 16,900 kg.

Demikian urutan pengerjaan analisis perbedaan rata-rata yang dilakukan

dengan uji t dua sampel.

11.4 UJI t DENGAN CUT POINT (Titik Potong)

Jika pada kasus terdahulu dasar pengujian pada gender (pria dan wanita),

maka sekarang faktor gender tidak digunakan; variabel gender digantikan

oleh cut point ‘titik potong’, yaitu suatu angka/data numerik yang berfungsi

sebagai “batas”.

Untuk lebih jelasnya, akan dipakai lagi data kasus di atas, yaitu Berat dan

Tinggi Badan Pria dan Wanita. Namun, di sini data akan dibagi dua grup,

yaitu mereka (tidak peduli pria atau wanita) yang mempunyai Berat Badan di

atas 50 kg dan mereka yang mempunyai berat badan di bawah 50 kg. Dari

dua grup tersebut, akan dilihat apakah mereka yang berbobot lebih dari 50 kg

mempunyai Rata-rata Tinggi Badan yang lebih (tinggi) dibandingkan mereka

yang berbobot kurang dari 50 kg.

Kasus:

Seorang peneliti ingin mengetahui apakah ada perbedaan antara mereka yang

berbobot lebih dari 50 kg, akan mempunyai Rata-Rata Tinggi Badan yang

lebih (tinggi) dibandingkan mereka yang berbobot kurang dari 50 kg?

Penyelesaian:

Kasus di atas terdiri atas dua sampel yang bebas satu dengan yang lain, yaitu

sampel yang mempunyai berat badan di atas 50 kg dan sampel yang

mempunyai berat badan di bawah 50 kg. Di sini populasi diketahui berdistribusi

normal, dan karena sampel sedikit, dipakai uji t untuk dua sampel.

1. Pemasukan Data ke SPSS

Pemasukan data sama dengan pemasukan data pada kasus pertama.

2. Pengolahan Data dengan SPSS

Langkah-langkah:

Buka file uji_t_1.

Menu Analyze •

Compare-Means •

Independent-Samples T

test…. Tampak di layar:

Gambar 11.4. Kotak Dialog Independent Sample t test

Pengisian:

Test Variable(s). Masukkan variabel tinggi.

Grouping Variable. Oleh karena variabel pengelompokan ada pada

variabel Berat Badan, maka masukkan variabel berat. Kemudian

klik mouse pada Define Group….

Tampak di layar kotak dialog DEFINE GROUP.

Di sini akan dipakai Cut point, maka klik mouse pada pilihan Cut

point, kemudian ketik 50 untuk menyatakan bahwa variabel berat

dibagi dengan batas/cut point adalah 50 (50 kg).

Setelah pengisian selesai, tekan Continue untuk kembali ke menu

sebelumnya.

Kemudian tekan OK untuk proses data.

Output SPSS dan Analisis:

Output Bagian Pertama (Group Statistics).

T-Test

Group Statistics

BERAT N Mean

Std.

Deviation

Std. Error

Mean

TINGGI >= 50.0

< 50.0

166.622

154.540

7.519

1.128

2.506

.505

Pada bagian pertama terlihat ringkasan statistik dari kedua sampel. Untuk

sampel dengan berat badan di atas 50 kg ada 9 orang (tidak perlu dirinci pria

atau wanita), yang mempunyai tinggi rata-rata 166,622 cm. Untuk sampel

dengan berat badan di bawah 50 kg ada 5 orang (tidak perlu dirinci pria atau

wanita), yang mempunyai tinggi rata-rata 154,54 cm.

Output Bagian Kedua (Independent Sample Test)

Independent Samples Test

Levene's Test for

Equality of Variances t-test for Equality of Means

95% Confidence

F Sig. t df

Sig.

(2-tailed)

Mean

Difference

Std. Error

Difference

Interval of the Mean

Lower Upper

TINGGI Equal

variances

assumed

Equal

variances

not

assumed

7.734 .017 3.509

4.726

8.633

.004

.001

12.082

3.444

2.557

4.579

6.261

19.585

17.904

Langkah pertama menguji kesamaan varians menggunakan F test.

Hipotesis:

Hipotesis untuk kasus ini.

Ho = varians populasi tinggi badan untuk orang yang mempunyai berat di atas

50 kg adalah sama dengan varians populasi tinggi badan untuk orang yang

mempunyai berat di bawah 50 kg.

Hi = varians populasi tinggi badan untuk orang yang mempunyai berat di atas

50 kg berbeda secara nyata dengan varians populasi tinggi badan untuk orang

yang mempunyai berat di bawah 50 kg.

Pengambilan Keputusan:

Terlihat bahwa F hitung untuk Tinggi Badan dengan Equal variance assumed

(diasumsi kedua varians sama atau menggunakan pooled variance t test)

adalah 7,734 dengan probabilitas 0,017. Oleh karena probabilitas < 0,05,

maka Ho ditolak, atau kedua varians benar-benar berbeda. Untuk itu, digunakan

Equal variance not assumed.

Hipotesis:

Ho = rata-rata tinggi badan orang yang mempunyai berat di atas 50 kg adalah

sama dengan rata-rata tinggi badan orang yang mempunyai berat di bawah 50

kg.

Hi = rata-rata tinggi badan orang yang mempunyai berat di atas 50 kg

berbeda secara nyata dengan rata-rata tinggi badan orang yang mempunyai

berat di bawah 50 kg.

Keputusan:

Terlihat bahwa t hitung untuk Tinggi Badan dengan Equal variance not

assumed adalah 4,726 dengan probabilitas 0,001. Oleh karena probabilitas uji

dua sisi (0,001/2=0,0005) < 0,025, maka Ho ditolak. Dapat disimpulkan ada

perbedaan yang nyata di antara mereka yang berbobot lebih dari 50 kg dan

mereka yang berbobot di bawah 50 kg. Dengan kata lain, di antara mereka

yang berbobot lebih dari 50 kg mempunyai Rata-rata Tinggi Badan yang

lebih (tinggi) dibandingkan mereka yang berbobot kurang dari 50 kg.

Simpan output dengan nama uji_t_independen2.

11.5 PAIRED SAMPLE T TEST

Uji ini dilakukan terhadap dua sampel yang berpasangan (paired); Sampel

yang berpasangan diartikan sebagai sebuah sampel dengan subjek yang sama,

namun mengalami dua perlakuan atau pengukuran yang berbeda, seperti

subjek A akan mendapat perlakukan I kemudian perlakuan II. Contoh berikut

akan menjelaskan hal di atas.

Kasus

Produsen Obat Diet (penurun berat badan) ingin mengetahui apakah obat

yang diproduksinya benar-benar mempunyai efek terhadap penurunan berat

badan konsumen. Untuk itu, sebuah sampel yang terdiri atas 10 orang

masing-masing diukur berat badannya, kemudian setelah sebulan meminum

obat tersebut, kembali diukur berat badannya.

Berikut hasilnya (angka dalam kilogram).

sebelum sesudah sebelum sesudah

1 76.85 76.22 6 88.15 82.53

2 77.95 77.89 7 92.54 92.56

3 78.65 79.02 8 96.25 92.33

4 79.25 80.21 9 84.56 85.12

5 82.65 82.65 10 88.25 84.56

Nb: pada baris 1, seorang yang sebelum mengonsumsi obat diet

mempunyai berat 76,85 kilogram. Setelah sebulan dan teratur

mengonsumsi obat, beratnya menjadi 76,22 kilogram. Demikian

untuk data yang lain.

Perhatikan ciri dari sampel berpasangan, yakni subyeknya tetap sepuluh

orang; kepada setiap orang tersebut diberikan dua kali perlakuan, yang dalam

kasus ini adalah efektivitas sebuah obat.

Penyelesaian

Kasus di atas terdiri atas dua sampel yang berhubungan atau berpasangan

satu dengan yang lain, yaitu sampel sebelum makan obat dan sampel sesudah

makan obat. Di sini populasi diketahui berdistribusi normal, dan karena

anggota sampel sedikit (hanya sepuluh orang, yang berarti jauh di bawah 30),

dipakai uji t untuk dua sampel yang berpasangan.

1. Pemasukan Data ke SPSS

Pemasukan Data ke SPSS (secara ringkas).

Dari menu utama File, pilih menu New, lalu klik mouse pada Data.

Kemudian klik mouse pada sheet tab Variable View.

Pengisian Variabel SEBELUM

Pada kotak Name. Sesuai kasus, ketik sebelum.

Pengisian Variabel SESUDAH

Pada kotak Name. Sesuai kasus, ketik sesudah.

Abaikan bagian yang lain, dan tekan CTRL+T untuk kembali ke DATA

VIEW.

Mengisi Data:

Untuk mengisi data, dari tampilan VARIABLE VIEW, tekan CTRL+T untuk

berpindah editor ke DATA VIEW hingga tampak dua nama variabel tersebut

di dua kolom pertama SPSS. Kemudian isi dengan data yang ada.

Data di atas bisa disimpan, dengan nama uji_t_paired.

3. Pengolahan Data dengan SPSS

Langkah-langkah:

Buka file uji_t_paired.

Menu Analyze •

Compare-Means. •

Paired-Samples T test….

Tampak di layar:

Gambar 11.5. Kotak Dialog Paired t test

Pengisian:

Paired Variable(s) atau Variabel yang akan diuji. Oleh karena

di sini akan diuji data “sebelum” dan “sesudah”, maka klik

mouse pada variabel sebelum, kemudian klik mouse sekali lagi

pada variabel sesudah, maka terlihat pada kolom Current

Selection di bawah, terdapat keterangan untuk variable 1 dan 2.

Kemudian klik mouse pada tanda ‘>‘ (yang sebelah atas), maka

pada Paired variables terlihat tanda sebelum .. sesudah.

Nb: variabel sebelum dan sesudah harus dipilih berbarengan. Jika

tidak, SPSS tidak bisa menginput dalam kolom Paired Variables,

dengan tanda tidak aktifnya ikon .

Untuk kolom option atau pilihan yang lain, dengan mengklik

mouse, tampak di layar:

Gambar 11.6. Kotak Dialog Options

Pengisian:

•

Untuk Confidence Interval atau tingkat kepercayaan.

Sebagai default, SPSS menggunakan tingkat kepercayaan

95% atau tingkat signifikansi 100%-95% = 5%.

•

Untuk Missing Values atau data yang hilang. Karena

dalam kasus semua pasangan data komplit (tidak ada yang

kosong), maka abaikan saja bagian ini (tetap pada default

dari SPSS, yaitu Exclude cases analysis by analysis).

Tekan tombol Continue jika pengisian dianggap selesai; sekarang

SPSS akan kembali pada kotak dialog utama uji t paired.

Kemudian Tekan OK untuk mengakhiri pengisian prosedur analisis dan

memulai proses data.

NB: simpan output diatas dengan nama uji_t_paired

Output SPSS dan Analisis

ANALISIS:

Output Bagian Pertama (Group Statistics)

T-Test

Paired Samples Statistics

Mean N

Std.

Deviation

Std. Error

Mean

Pair 1 SEBELUM

SESUDAH

84.5100

83.3090

6.6393

5.5824

2.0995

1.7653

Pada bagian pertama terlihat ringkasan statistik dari kedua sampel. Untuk

berat badan sebelum minum obat, konsumen mempunyai berat rata-rata

84,5100 kilogram, sedangkan setelah minum obat, konsumen mempunyai

berat rata-rata 83,3090 kilogram.

Output Bagian Kedua

Paired Samples Correlations

N Correlation Sig.

Pair 1 SEBELUM

SESUDAH

10 .943 .000

Bagian kedua output adalah hasil korelasi antara kedua variabel, yang menghasilkan

angka 0,943 dengan nilai probabilitas jauh di bawah 0,05 (lihat nilai

signifikansi output yang 0,000). Hal ini menyatakan bahwa korelasi antara

berat sebelum dan sesudah minum obat adalah sangat erat dan benar-benar

berhubungan secara nyata.

Output Bagian Ketiga (Paired Sample Test)

Paired Samples Test

Paired Differences

t df

Sig.

(2-tailed) Mean

Std.

Deviation

Std. Error

Mean

95% Confidence

Interval of the Difference

Lower Upper

Pair 1 SEBELUM

SESUDAH

1.2010 2.3074 .7297 -.4496 2.8516 1.646 9 .134

Hipotesis:

Hipotesis untuk kasus ini.

Ho =

Kedua rata-rata Populasi adalah identik (rata-rata populasi berat

sebelum minum obat dan sesudah minum obat adalah tidak berbeda

secara nyata).

Hi =

Kedua rata-rata Populasi adalah tidak identik (rata-rata populasi berat

sebelum minum obat dan sesudah minum obat adalah memang

berbeda secara nyata).

Pengambilan Keputusan:

Dasar Pengambilan Keputusan.

Berdasar perbandingan t hitung dengan t tabel:

Jika Statistik Hitung (angka t output) > Statistik Tabel (tabel t),

maka Ho ditolak.

Jika Statistik Hitung (angka t output) < Statistik Tabel (tabel t),

maka Ho diterima.

t hitung dari output adalah 1,646.

Untuk statistik tabel bisa dicari pada tabel t, dengan cara:

Tingkat signifikansi (a) adalah 10% untuk uji DUA SISI sehingga

masing-masing sisi menjadi 5%.

df (degree of freedom) atau derajat kebebasan dicari dengan rumus

jumlah data – 1 atau 10 – 1 = 9

Uji dilakukan DUA SISI karena akan diketahui apakah rata-rata

SEBELUM sama dengan SESUDAH ataukah tidak. Jadi, bisa lebih

besar atau lebih kecil, karenanya dipakai uji dua sisi. Perlunya Uji

dua sisi bisa diketahui pula dari output SPSS yang menyebut adanya

two tailed test.

Dari tabel t, didapat t(0,025;9) adalah 1,833.

Gambar:

Ho ditolak

Ho d

iterima

-1,833 + 1,646 + 1,833

Oleh karena t hitung terletak pada daerah Ho diterima, maka bisa

disimpulkan obat tersebut tidak efektif dalam upaya menurunkan

berat badan.

Berdasar nilai Probabilitas

Jika probabilitas > 0,05, maka Ho diterima.

Jika probabilitas < 0,05, maka Ho ditolak.

Untuk uji dua sisi, setiap sisi dibagi 2 hingga menjadi:

Angka probabilitas/2 > 0,025, maka Ho diterima.

Angka probabilitas/2 < 0,025, maka Ho ditolak.

Keputusan:

Terlihat bahwa t hitung adalah 1,646 dengan probabilitas 0,134. Untuk

uji dua sisi, angka probabilitas adalah 0,134/2=0,067. Oleh karena 0,067

> 0,025, maka Ho diterima. Dapat disimpulkan bahwa berat badan

sebelum dan sesudah minum obat relatif sama. Atau, obat penurun berat

tersebut tidak efektif dalam menurunkan berat badan secara nyata.

Pada prinsipnya, pengambilan keputusan berdasar t hitung dan t tabel

akan selalu menghasilkan kesimpulan yang sama dengan berdasar angka

probabilitas. Untuk kepraktisan, penggunaan angka probabilitas lebih

sering dipakai sebagai dasar pengambilan keputusan inferensi.

Catatan:

Dalam kasus ini, bisa juga dinyatakan bahwa terdapat perbedaan Mean

sebesar 1,2010 (lihat output SPSS). Angka ini berasal dari:

Berat sebelum minum obat – Berat sesudah minum obat

Atau 84,5100 kg – 83,3090 kg = 1,2010 kg

Perbedaan sebesar 1,2010 kg tersebut mempunyai range antara lower/

batas bawah sebesar – 0,4496 kg (tanda negatif berarti berat sebelum

minum obat lebih kecil dari sesudah minum obat) sampai upper/batas

atas 2,8516 kg.

Namun, dari uji t terbukti bahwa perbedaan 1,2010 kg dengan range >

0kg. -2,8516 kg tersebut tidak cukup berarti untuk menyatakan bahwa

obat tersebut efektif untuk menurunkan berat badan.

Jika dirasa output SPSS terlalu ‘memanjang’ ke kanan, tampilan output dapat

diubah dengan cara: klik mouse sekali pada sembarang tempat di output yang

akan diubah layout-nya, lalu klik ganda pada kotak tersebut hingga muncul

menu PIVOT. Kemudian pada menu Pivot pilih submenu Transpose Rows

and Columns. Akan terlihat isi kolom menjadi isian baris dan isi baris

menjadi isian kolom. Namun perubahan layout TIDAK MENGUBAH ISI

OUTPUT.

11.6 TIPS DAN TRIK

Pada folder BAGIAN KEDUA .. TIPS DAN TRIK BAB 11 UJI t, dibahas

menu MEANS dari SPSS. Menu ini tidak melakukan kegiatan inferensi,

hanya membandingkan means dari beberapa variabel.

Terimakasih Atas Kunjungannya
Judul: STATISTIK INDUKTIF
Ditulis oleh Belajar Online Shop
Rating Blog 5 dari 5
Item Reviewed: STATISTIK INDUKTIF
Semoga artikel STATISTIK INDUKTIF ini bermanfaat bagi saudara. Silahkan membaca artikel kami yang lain.

1 komentar:

Tukafaze said... Balas Komentar: nice post...thanks.

Vinyl Lantai Harga Murah
Toko Lantai Vinyl
Jual Lantai Vinyl
Distributor Lantai Vinyl
Vinyl Lantai Rumah Sakit
Wallpaper Dinding 3D; August 27, 2019 at 12:29 AM

STATISTIK INDUKTIF

STATISTIK INDUKTIF

Artikel Terkait

1 komentar:

Post a Comment

Labels

Link Sahabat

About Me

Blogroll