Tutorial Mahir Uji T 2 Sampel Saling Bebas (Independent T-Test) dengan SPSS

Tutorial Melakukan Uji T sampel bebas/Independent T-test/Uji T 2 sampel bebas

Tutorial kali ini peneliti akan mencari apakah terdapat perbedaan kadar glukosa darah puasa pada kelompok yang mendapat obat A dengan kelompok yang mendapat obat B. Contoh File SPSS nya dapat didownload di sini UnpairedTtestGDP.sav

Ini adalah variabel yang ingin diteliti

♥ ♥ ♥

Buka filenya pada SPSS, akan muncul 40 data responden pada Data View. Pada kolom JenisObat dengan koding 0 untuk Obat A dan koding 1 untuk Obat B. Kolom KadarGDP adalah nilai kadar glukosa darah puasa dalam gr/dL.

Pada Variable View, bisa kita lihat nama variabelnya, tipe variabel, label variabel, value variabel, dan skala pengukurannya. JenisObat berupa data kategorik yang dapat diisikan dengan value koding 0 untuk obat A dan 1 untuk obat B, skala datanya nominal. Sedangkan skala data KadarGDP berupa Scale (rasio/interval).

♥ ♥ ♥

Sebelum melakukan uji T sampel bebas, kita akan menguji apakah asumsi yang dibutuhkan terpenuhi atau tidak. Kita akan Uji normalitas data kelompok obat A dan kelompok obat B, uji homogenisitas antara kedua kelompok, dan akan kita cek adakah data yang Outlier.

Caranya: Analyze > Descriptive Statistics > Explore

Pindahkan Kadar Glukosa Darah Puasa pada Dependent List dan JenisObat pada Factor List

Selanjutnya, Klik Plots. Akan muncul kotak dialog baru, pada BoxPlots pilih Factor Levels Together untuk melihat adanya nilai Outlier/Extreme, pada Descriptive centang Stem-and-Leaf untuk membantu melihat adanya nilai Outlier/Extreme, centang Histogram untuk melihat normalitas distribusi data secara grafik histogram, centang Normality plots with test untuk menguji normalitas distribusi data dengan uji Kolmogorov-Smirnov (KS) maupun Shapiro-Wilk. Terakhir, pada Spread vs Level with Levene Test (Uji Levene) pilih Power estimation untuk menguji homogenisitas data antar kelompok. Selanjutnya klik Continue, kemudian klik OK untuk menganalisis.

♥ ♥ ♥

Tabel Test of Normality

Pada tabel test of normality, kita dapat gunakan hasil Kolmogorov-Smirnov maupun Shapiro-Wilk. Kebanyakan orang lebih memilih hasil Kolmogorov-Smirnov, karena Shapiro-Wilk biasanya hasilnya lebih permisif (lebih mudah berdistribusi normal), selain itu beberapa literatur mengatakan bila sampel <50 gunakan Shapiro-Wilk, bila Sampel >50 gunakan Solmogorov-Smirnov.

Pada hasil analisis normalitas Kolmogorov-Smirnov, kelompok Obat A nilai p=0,106; dan Kelompok Obat B nilai p=0,200. Dengan nilai p>0,05, itu berarti data kadar glukosa darah pada kelompok Obat A dibandingkan dengan data yang berdistribusi normal tidak berbeda signifikan, sehingga dapat dikatakan data kadar glukosa darah pada kelompok Obat A berdistribusi normal. Begitupun pada Kelompok Obat B. Untuk terpenuhinya asumsi distribusi normal untuk menggunakan uji T sampel bebas, kedua kelompok harus berdistribusi normal, tidak bisa hanya salah satunya saja. Bila data tidak berdistribusi normal, jangan khawatir, kita masih bisa coba transformasikan data, bila setelah upaya transformasi data masih juga tidak berdistribusi normal maka dapat menggunakan uji nonparametrik dengan Uji Mann-Whitney.

Dari hasil uji normalitas ini, asumsi data setiap kelompok berdistribusi normal terpenuhi.

Grafik Histogram

Dari grafik histogram kita juga bisa menilai distribusi. Pada gambar di bawah tampak distribusi data pada Kelompok Obat A dan Kelompok Obat B mengikuti pola kurva distribusi normal (yah walaupun ga keliatan normal-normal amat, yang penting secara uji statistik distribusinya normal ). Pada grafik juga kita bisa lihat jumlah sampel untuk kelompok Obat A dan Obat B (N), rata-rata kadar glukosa darah puasa untuk Kelompok obat A dan Kelompok  Obat B (Mean), dan standar deviasinya (Std. Dev).

Tabel Test of Homogeneity of Variance

Selanjutnya melihat homogenisitas data kadar glukosa darah yang dapat kita lihat pada tabel Test of Homogeneity of Variance dengan Levene Test. Hasilnya bisa kita lihat pada nilai Sig dari Based on Mean. Nilai p=0,202 yang artinya p>0,05, sehingga dapat kita katakan bahwa variasi datanya tidak berbeda signifikan alias homogen. Untuk syarat homogen, tidak mutlak harus terpenuhi/data harus homogen, karena ada modifikasi yang dapat dilakukan dan akan langsung otomatis dihitung oleh program SPSS, sehingga di akhir analisis Uji T sampel bebas kita tinggal memilih nilai p pada data yang homogen atau yang tidak homogen.

♥ ♥ ♥

Stem-and-Leaf Plot dan BoxPlot

Selanjutnya kita lihat apakah ada data Outlier. Data outlier adalah data yang jomplang (timpang, mencelat, sangat jauh diluar dari nilai data yang lain). Untuk memeriksa apakah ada data yang nilainya Outlier/ekstrim kita dapat lihat pada Stem-and-Leaf Plots.

Pada gambar di atas tidak terdapat keterangan nilai ekstrim, sehingga dapat dikatakan setiap kelompok tidak terdapat nilai outlier. Sehingga asumsi tidak ada data yang outlier terpenuhi.

Untuk melihat apakah ada data yang outlier juga bisa dilakukan dengan menggunakan BoxPlot. Hasil BoxPlot dapat dilihat bahwa tidak terdapat data yang keluar dari kotak. Sehingga dapat dikatakan data kelompok obat A dan kelompok obat B tidak ada outlier. Asumsi setiap kelompok tidak ada data  outlier terpenuhi.

∴ Catatan ∴

Seperti apa sih Stem-and-Leaf Plot dan BoxPlot yang memberikan keterangan adanya data outlier? coba dilhat pada contoh gambar di bawah ini

Pada contoh gambar di atas terlihat adanya keterangan Extremes. Data yang ekstrim bernilai ≤112 dan ≥350. Jadi ada dua data yang outlier.

Pada contoh gambar BoxPlot di atas, terlihat pada kelompok Obat A terdapat plot lingkaran dengan angka 8, artinya responden nomor 8 pada data input SPSS adalah outlier, datanya letaknya di bawah Box berarti nilainya sangat kecil dibanding yang lain. Kemudian di atas boks bisa kita temukan plot dengan tanda * dengan bernomor 1, artinya responden nomor 1 pada input data SPSS nilainya extreme, datanya letaknya di atas Box berarti nilainya sangat lebih tinggi dibanding yang lain.
Apa yang sebaiknya dilakukan bila terdapat sampel yang nilainya outlier? lebih baik disingkirkan karena akan mempengaruhi nilai rata-rata keseluruhan kelompok sampel tersebut, nilai rata-rata jadi tidak menggambarkan nilai kelompok. Misalnya dari 4 sampel gula darahnya 120, 114, 126, dan 350, maka nilai rata-ratanya menjadi 177,5 dimana nilai ini jauh menggambarkan nilai mayoritas kelompok. Bila sampel dengan nilai 350 kita sisihkan, maka rata-rata gula darah pada kelompok tersebut adalah (120+114+126)/3=120. Untuk itu perlu untuk menambah jumlah sampel sebagai cadangan untuk berjaga-jaga apabila ada outlier.

∴ Akhir Catatan ∴

 

Setelah semua asumsi terpenuhi dari uji-uji yang telah kita lakukan di atas, maka kita boleh melakukan uji T sampel bebas (independet T-test).

Klik Halaman Selanjutnya untuk melanjutkan

Like
Like Love Haha Wow Sad Angry
71
6 Comments

Tinggalkan Balasan

error: Content is protected !!