Anda di halaman 1dari 76

STATISTIK TERAPAN

MUH. DARMAWAN BASOKA


081 514 035

1
Peranan Statistika
Dalam kehidupan sehari-hari.
Seperti : Tiap bulan habis Rp.50.000
untuk keperluan rumah tangga.
Dalam dunia penelitian atau riset

2
Apakah setiap penelitian harus
menggunakan statistik ?
Apakah statistika itu?
Statistika merupakan pengetahuan yang
memberikan prosedur ilmiah untuk
pengumpulan, pengorganisasian, peringkasan,
penganalisaan berdasarkan kumpulan data dan
penganalisaan yang dilakukan.
Statistik hanyalah alat bantu. Kita harus pandai-
pandai memilih alat bantu yang sesuai.
3
Kapan statistik digunakan ?
Jika menghadapi data yang komplek
Jika ingin melakukan generalisasi (meneliti
sedikit kesimpulannya untuk yang banyak)

Dalam bidang apa saja statistik digunakan
?
Ilmu Perilaku (pendidikan, psikologi, sosiologi)
Bidang yang lain (kimia, biologi, pertanian, fisika,
ekonomi, kedokteran, dll.
4
Guru ingin menarik kesimpulan manakah metode
pengajaran yang lebih unggul dari beberapa metode
Psikolog ingin menentukan ketepatan
pengukurannya tentang kecenderungan tertentu
Sosiolog ingin meyakinkan tentang peristiwa-
peristiwa anti sosial.
Ahli medis ingin menentukan obat yang paling
efektif
Ahli pertanian ingin mengetahui pupuk yang paling
efektif untuk jenis tanaman tertentu
Statistik Deskriptif
Mempelajari cara penyusunan dan penyajian data
yang dikumpulkan. Teknik ini memungkinkan kita
untuk menggambarkan dengan tepat suatu
kumpulan informasi kuantitatif, menyajikannya
dalam bentuk yang lebih ringkas dan menyenangkan
daripada kumpulan data aslinya, memfasilitasi kita
yang ingin mengkomunikasikan dan memberikan
interpretasi secara rapi daripada menyajikannya
dalam bentuk data yang tak terorganisir.
Sebagai contoh skore hasil suatu tes terhadap
sejumlah besar siswa dapat diringkaskan dengan
menunjukkan rata-rata, distribusi frekuensi, grafik
distribusi tersebut.
Termasuk dalam statistik deskriptif a.l. rata-rata,
simpangan baku, median dsb.
5
Statistik Inference (inferensial)/
Statistik induktif
Mempelajari tata cara penarikan kesimpulan mengenai
populasi berdasarkan data yang ada pada sampel.
Teknik ini memungkinkan peneliti untuk
menggambarkan kesimpulan dan generalisasi dari
sampel ke populasi, dari individu-individu yang
berpartisipasi langsung dalam penelitian kepada
individu-individu yang tidak terlibat langsung dalam
penelitian. Yang ingin diteliti sebenarnya populasi,
namun karena berbagai alasan maka yang diteliti
sampel.
Statistik inference telah digambarkan sebagai a
collection of tools for making the possible decisions in
the face of uncertainty
Termasuk di sini a.l. Uji t, anava, regresi dan korelasi
sederhana, regresi dan korelasi multiple, anacova dan
analisis multivariat
6
Apakah Variabel itu ?
Diartikan sebagai konstruk atau sifat-sifat yag
diteliti.
Sesuatu yang menggolongkan anggota ke dalam
beberapa golongan.
Sesuatu yang memiliki beberapa nilai. Jika hanya
memilki satu nilai maka disebut konstanta.
Traits, which are capable of variation from person
to person a called variable
Ada dua golongan besar: variabel kualitatif (jenis
kelamin, anak minum asi dan tak minum asi, kidal
dan tidak kidal, kawin tak kawin) and variabel
kuantitatif (IQ, EQ, Keingintahuan, memori,
prestasi belajar, kelancaran berbahasa inggris)
7
Variabel dapat digolongkan menjadi
diskrit dan kontinu
Variabel deskrit: hanya ada satu nilai, tidak
fraksional, datanya diperoleh dengan mencacah.
Contoh jenis kelamin, afiliasi politik, jumlah anak
dalam kelas, agama. Data yang
menggambarkan variabel deskrit disebut data
deskrit.
Variabel kontinu: dapat mempunyai nilai
fraksional, diperoleh melalui suatu pengukuran.
Contoh: tinggi badan, kecakapan berbicara, IQ.
Hasil pengukuran var. Kontinu kadang
dinyatakan dalam angka bulat, IQ seseorang =
115, sebenarnya antara 114.5 s/d 115.5.
8
Adakah kaitan deskrit-kontinu dan
kualitatif-kuantitatif?
Variabel kontinu selalu kuantitatif
Variabel deskrit dapat berbentuk kualitatif
(afiliasi politik, agama, ) atau berbentuk
kuantitatif (jumlah siswa dalam kelas, jumlah
siswa yang lulus EBTA)
Variabel kontinu kadang-kadang dinyatakan
dalam deskrit, contoh: IQ dikelompokkan
menjadi gifted, normal dan retarded; kreativitas
dikelompokkan menjadi tinggi, sedang, rendah;
motivasi berprestasi dikelompokkan menjadi
tinggi dan rendah
9
Skala pengukuran
Skala nominal:
skala pengukuran paling rendah, menggolongkan
hasil pengamatan ke dalam kategori. Contoh: jenis
kelamin (laki-laki dan perempuan), mahasiswa dan
bukan mahasiswa; suatu populasi guru SMA dapat
digolongkan menjadi guru matematik, guru IPA dsb.
Skala noninal sifatnya deskrit dan kualitatif.

10
Skala ordinal:
skala yang mempunyai dua karakteristik yaitu 1)
dapat dilakukan klasifikasi pengamatan dan 2) dapat
dilakukan pengurutan.
Skala ini sering disebut juga rank order
Contoh variabel yang skalanya ordinal:ranking
dalam memainkan piano. Seorang musisi profesional
dapat menyusun ranking terhadap 3 orang pemain
piano walaupun tidak dapat menjelaskan seberapa
lebih baik satu dengan yang lain. Contoh lain:
tingkat pendidikan dosen, pangkat dan golongan
pegawai negeri.
Skala ordinal mungkin deskrit , contoh variabel
tingkat pendidikan (SD, SMP, SMA, PT), atau
kontinu, contoh ranking guru atas dasar besarnya
kontribusi terhadap profesinya( kurang, cukup, baik,
sangat baik).
Teknik statistik yang disusun untuk skala nominal
dan ordinal disebut statistik nonparametrik.
11
Skala interval:
skala ini mempunyai karakteristik 1) dapat
dilakukan klasifikasi pengamatan, 2) dapat
dilakukan pengurutan pengamatan, 3) terdapat-
nya satuan pengukuran.
Skala interval benar-benar kuantitatif.
Tidak ada hasil pengukuran yang berskala interval
yang hasilnya benar-benar 0. Contoh skala interval
adalah IQ, tidak ada orang yang IQ nya = 0.
Orang dengan IQ= 100 tidak dapat diartikan
kemampuannya 2 kali orang yang mempunyai IQ=
50.
Sebagian besar tes psikologi hasil pengukurannya
berskala interval, seperti achivement motivation,
spatial ability, numerical ability, curiousity,
creativity, attitude toward matematic dll.
12
Skala rasio:
Skala ini mempunyai semua sifat skala interval
ditambah satu sifat adanya pengukuran yang
nilainya zero.
Contoh: tinggi, berat badan, umur, besarnya kuat
arus, besarnya tahanan listrik.
Teknik statistik yang dikembangkan untuk data
yang skalanya interval dan rasio disebut statistik
parametrik.
13
Statistik inferensial
Secara umum hanya ada dua, yaitu uji beda dan
uji hubungan.
Contoh Uji beda: studi komparasi, studi
efektivitas, studi pengaruh.
Contoh uji hubungan: studi korelasi, studi
hubungan, studi sumbangan, studi kontribusi.
Hampir semua teknik statistik dalam penelitian
kuantitatif dapat dikelompokkan ke dalam kedua
uji tersebut.

14
Populasi dan Sampel
Populasi adalah himpunan individu atau
obyek yang benyaknya terbatas atau tidak
terbatas.
Misalnya jumlah pepohonan dalam suatu
kawasan hutan
sampel adalah sebagian dari obyek atau
individu-individu yang mewakili suatu
populasi.
15
Menentukan taraf signifikansi (o)
Sebagian besar behavioral research dilakukan
dengan taraf signifikansi 0.05 dan 0.01. Untuk
exploratory research digunakan taraf signifikansi
0.10 dan 0.20. Dalam pengujian obat digunakan
taraf signifikansi yang sangat kecil, misal 0.0001.
Demikian juga pengujian atas ketepatan stir
pesawat terbang digunakan o yang sangat kecil.
Bila kita mengambil taraf signifikansi 5 % artinya
kita sudah mengantisipasi bahwa kita akan 5 kali
menolak hipotesis yang sebenarnya benar dari 100
kali pengujian
Apa yang mendasari pemilihan angka taraf
signifikansi tersebut?
16
Uji t dan Uji Z
Uji t digunakan bila berhadapan dengan
pengujian dua rataan, yang simpangan
baku populasinya tak diketahui.
Uji Z digunakan bila berhadapan dengan
pengujian dua rataan, yang simpangan
baku populasinya diketahui.
Dalam kedua uji tersebut ada uji dua
pihak dan uji satu pihak (pihak kanan atau
pihak kiri)
17
Pengujian kesamaan dua rataan (Uji dua pihak)
Ho: 1 = 2
H1: 1 2
Kedua populasi
normal,
o1=o2=o dan
diketahui
Uji Z
Daerah penerimaan
Z
(1-o)
<Z< Z
(1-o)

Ho: 1 = 2
H1: 1 2
Kedua populasi
normal,
o1=o2=o dan
tak diketahui
Uji t
Daerah penerimaan
t
(1- o)
<t< t
(1- o)
Ho: 1 = 2
H1: 1 2
Kedua populasi
normal,
o1 o2 dan o
tak diketahui
Uji t , Daerah
penerimaan
18
Pengujian perbedaan dua rataan (Uji satu pihak)
Ho: 1 2
H1: 1 > 2
Kedua populasi
normal,
o1=o2=o dan
diketahui
Uji Z
Daerah penerimaan
Z

< Z
(1- o)

Ho: 1 2
H1: 1 > 2
Kedua populasi
normal,
o1=o2=o dan
tak diketahui
Uji t
Daerah penerimaan
t< t
(1- o)
Ho: 1 2
H1: 1 > 2
Kedua populasi
normal,
o1 o2 dan o
tak diketahui
Uji t , Daerah
penerimaan
19
Sampel besar (>30) pakai uji t apa
uji Z
Ada yg berpendapat bahwa untuk sampel besar
diasumsikan simpangan baku sampel mewakili
simpangan baku populasi, maka digunakan uji Z.
20
Apakah rumus untuk uji t bagi
independent samples dan related
samples berbeda?
Rumusnya berbeda, namun persyaratannya sama,
yaitu populasi-populasi harus normal.
Contoh penelitian dengan
independent samples
Seorang guru mendesain dua metode mengajar
dan ingin mengetahui mana yang lebih efektif,
diambil dua kelas yang berbeda untuk penerapan
kedua metode tersebut, kemudian mengetes
hasilnya dengan instrumen yang sama.
Seorang dosen ingin melihat apakah hasil belajar
statistika mahasiswa prodi matematika berbeda
dengan mahasiswa prodi fisika. PBM dan intrumen
tesnya sama.
Seorang guru ingin mengetahui mana pendekatan
belajar yang lebih baik antara yang langsung
melihat lingkungan dengan yang hanya melihat
rekaman lingkungan untuk materi pencemaran
lingkungan

21
Contoh penelitian dengan related
samples
Seorang guru telah menyelesaikan pokok bahasan
tertentu, dia tidak puas lalu menambah materi
dalam bentuk media interaktif dalam komputer,
kemudian mengetes hasilnya dengan instrumen
yang sama.
Seorang dosen ingin melihat apakah ada
peningkatan kemampuan penalaran formal pada
sekelompok siswa setelah diberi pelatihan berpikir
abstrak. Intrumen tes penalaran formal yang
digunakan sama.
Seorang guru ingin mengetahui pengaruh
pemutaran film tentang penerapan berbagai
bioteknologi terhadap perubahan sikap siswa
terhadap pelajaran biologi.

22
Uji normalitas populasi sebagai
syarat uji t
Dengan chi kwadrat.
Cara ini digunakan untuk data yang berupa distribusi
frekuensi. Buat tabel kerja untuk menghitung rataan
dan simpangan baku.
Buat tabel kerja untuk menghitung frekuensi
harapan.
Hitung harga _2.
Lihat daerah penerimaan
Jika _2 (obsevasi/ hitung)> _2 tabel berarti populasi
berdistribusi normal.
23
Dengan metode Lilliefors
Digunakan untuk data yang tidak berbentuk
distribusi frekuensi.
Buat tabel untuk mencari L maks.
Hitung (angka baku, z
i
) untuk masing-masing nilai
Hitung peluang F(z
i
) dgn rumus F(z
i
)=(0.5 luas
untuk harga z
i
yang bersangkutan-untuk z negatif).
Jika z positif, maka F(z
i
)=(0.5 + luas untuk harga z
i

Hitung S(z
i
) dengan rumus S(z
i
) = banyaknya
cacah nilai dibagi n
Hitung harga F(z
i
) S(z
i
), lihat harga
maksimumnya (inilah harga L maks hitung/
observasi. Cocokkan dengan harga L tabel
Jika L
hitung
> L
o, n
maka populasi berdist. normal
24
Anava (Analisis Variansi)
Anova (Analysis of Variance)
Teknik analisis ini digunakan jika berhadapan dengan
pengujian kesamaan beberapa rataan (lebih dari dua).
Untuk menguji dua rataan cukup dengan uji t. Namun
demikian Anava dapat juga digunakan untuk menguji
dua rataan.
Teknik ini dapat digunakan untuk melihat pengaruh
satu variabel bebas terhadap suatu variabel terikat.
Teknik analisis disini disebui Anava satu jalan (one
way classification). Disebut juga the simple analysis of
variance. (Variabel bebas terdiri dari beberapa
kategori ).
Contoh peneliti ingin mengetahui apakah ada
pengaruh waktu belajar (pagi, siang dan sore)
terhadap prestasi belajar.
25
Data prestasi belajar



Teknik ini dapat digunakan untuk melihat pengaruh
dua variabel bebas terhadap suatu variabel terikat.
Teknik anava untuk ini disebut Anava dua jalan (two
way analysis of Variance). Jika masing-masing variabel
bebas terdiri dari dua dan tiga kategori, maka disebut
Anava dua jalan 2 x 3.
Contoh: Studi pengaruh penggunaan metode
kooperatif (Jigsaw dan STAD) dan keingintahuan
(tinggi, sedang, rendah) terhadap prestasi belajar
fisika Siswa SMA kelas X
26
Pagi Siang Sore












Data prestasi belajar






Teknik ini dapat digunakan untuk melihat pengaruh
tiga variabel bebas terhadap suatu variabel terikat.
Teknik anava untuk ini disebut Anava tiga jalan (Three
way analysis of Variance). Jika masing-masing variabel
bebas terdiri dari dua kategori, maka disebut Anava
tiga jalan 2 x 2 x 2.







Teknik ini dapat digunakan untuk melihat pengaruh
dua variabel bebas terhadap suatu variabel terikat.
Teknik anava untuk ini disebut Anava dua jalan (two
way analysis of Variance). Jika masing-masing variabel
bebas terdiri dari dua dan tiga kategori, maka disebut
Anava dua jalan 2 x 3.
Contoh: Studi pengaruh penggunaan metode
kooperatif (Jigsaw dan STAD) dan keingintahuan
(tinggi, sedang, rendah) terhadap prestasi belajar
fisika Siswa SMA kelas X
27
Metode
koopereatif
Jigsaw STAD
Keingin-
tahuan
Tinggi
Sedang
Rendah
Contoh: Studi pengaruh penggunaan metode
kooperatif (Jigsaw dan STAD) , jenis kelamin (laki-laki,
perempuan) dan keingintahuan (tinggi, sedang,
rendah) terhadap prestasi belajar fisika Siswa SMA
kelas X






Anava tidak hanya terbatas tiga jalan tetapi dapat
lebih banyak lagi
28
Metode koopreatif
Jigsaw STAD
Jenis kelamin Pria Wanita Pria Wanita
Keingin-
tahuan
Tinggi
Sedang
Rendah
Persyaratan Analisis variansi
Setiap sampel diambil secara random dari
populasinya.
Masing-masing populasi saling independen dan
masing-masing data amatan saling independen
dalam satu kelompoknya
Jika ingin melihat pengaruh waktu mengajar(pagi,
siang dan sore), maka harus dijaga agar tidak ada
saling mempengaruhi antara siswa yang diajar pagi,
siang dan sore. Data amatan hasil belajar harus
diperoleh masing-masing siswa secara independen,
bukan saling mencontek.

29
Setiap populasi berdistribusi normal
Dalam konteks analisis variansi, masing-masing
kelompok merupakan sampel dari populasinya
sendiri-sendiri. Uji normalitas dilakukan terhadap
masing-masing kelompok data (sel).
Populasi-populasi mempunyai variansi yang sama.
(diuji dengan uji homogenitas varians). Uji
homogenitas varians dilakukan dengan uji BartLet.
Untuk Anava dua jalan dan seterusnya, dikenal
istilah interaksi. Pengertian interaksi (profil efek
bersama akan dijelaskan dengan contoh penelitian.
30
Uji lanjut pasca anava
Jika dari pengujian diperoleh bahwa ada efek
perlakuan, maka dilanjutkan untuk mencari mana
yang paling baik, apakah ada yang sama, digunakan
uji Scheffe. Uji ini menggunakan tabel F. Uji lain dapat
digunakan seperti uji Dunnett yang menggunakan
tabel t.
31
Konsep Interaksi dalam Anava
Dari penerapan 3 strategi pembelajaran, rataan
hasil belajar siswa pria dan wanita dapat
digambarkan dalam bentuk profil sbb:







Tampak bahwa rataan hasil belajar wanita
selalu lebih tinggi daripada pria baik dengan
strategi A, B maupun C.
32
8.3
6.7
5.3
5.0
2.3
A B C
Wanita
Pria
Profil tersebut dapat untuk menduga ada tidaknya
interaksi antara variabel independet strategi
pembelajaran dengan variabel independen jenis
kelamin. Jika tidak berpotongan maka diduga tidak
ada interaksi. Jika berpotongan mungkin ada
interaksi, namun demikian yang dipegang tetap
hasil pengujian.
33
Score
Normal
motivational
Hyper
motivational
Complex
Skill
Simple
Skill
Apakah gambar di
samping ini
menunjukkan
adanya interaksi
antara pemberian
motivasi dengan
jenis skill terhadap
prestasi olah raga
Anacova (Analysis of covariance)
Keberhasilan peneliti dalam membandingkan
beberapa perlakuan sangat bergantung
bagaimana peneliti mengontrol penelitiannya.
Pengontrolan dilakukan terhadap variabel-variabel
yang diperkirakan akan mempengaruhi hasil
perlakuan.
Pengontrolan dapat dilakukan dengan mengatur
desain penelitian, seperti menyamakan
menyamakan subyek-subyek penelitian atas dasar
NEM, nilai cawu sebelumnya, IQ dll.
Anacova adalah teknik pengontrolan non
eksperimen, atau disebut pengontrolan secara
statistik.
34
Seorang peneliti ingin membandingkan dua metode
pembelajaran di SMA. Dia yakin bahwa materi yang
akan dipelajari sangat terkait dengan pemahaman
IPA di SMP (yang diwakili nilai NEM), oleh karena itu
peneliti menempatkan NEM sebagai kovarian.
Nilai NEM dibiarkan apa adanya tanpa digolongkan
tinggi rendah, dimasukkan dalam perhitungan. Jika
NEM dijadikan pengontrol tetapi digolongkan
menjadi tinggi rendah, maka peneliti menggunakan
desain Anava.
Dengan memasukkan NEM sebagai kovarian
diharapkan perbedaan hasil benar-benar karena
perbedaan metode pembelajaran, bukan karena
pengaruh pengetahuan IPA di SMP (NEM).
35
36
Korelasi
Jika peneliti memasangkan dua hasil pengamatan
terhadap suatu obyek, maka peneliti berhadapan
dengan masalah korelasi. Seorang peneliti
mengukur IQ dan prestasi belajar siswanya. Data
IQ dan Prestasi belajar dipasangkan kemudian
dihitung koefisien korelasinya.
Ada beberapa macam cara menghitung korelasi
bergantung pada jenis datanya.
Korelasi menunjukkan derajat hubungan dua
variabel. Besarnya korelasi dinyatakan sebagai
koefisien korelasi.
Harga koef. Korelasi: dari 1 s/d + 1 Harga +1
menunjukan hubungan positif sempurna. Harga 0
menunjukan tidak ada hubungan.

37
1. Pearson Product Moment Correation :
Rumus-rumus
Dari perhitungan diperoleh r = 0.85
Koefisien korelasi ini menunjukkan bahwa
harga X makin tinggi maka harga Y makin
kecil.
Rumus ini digunakan untuk data interval.
X Y
2
3
3
4
5
5
5
7
8
8
8
7
8
5
4
5
3
5
3
2

SS =
Sum of
Square
SP =
Sum of
Product
38
Interpretasi koef. Korelasi product moment:
Biasanya harga koef. korelasi antara 0.30 s/d
0.70 dikatakan korelasi moderat, di bawah 0.30
dikatakan korelasi rendah, di atas 0.70 dikatakan
tinggi. Pernyataan tersebut tidak benar, sebab
koef. korelasi adalah fungsi dari ukuran sampel.
Mana yang lebih baik korelasinya antara koef.
Korelasi tinggi tetapi sampelnya sedikit dengan
koef. Korelasi rendah tetapi sampelnya banyak.
Cara yang benar untuk menilai koef. Korelasi
yang benar adalah dengan menguji signifikan
tidaknya harga r, atau melihat harga krtitik r
product moment.
39
KOfisien Determinasi:- dinyatakan dengan r
2
Jika diperoleh koef. Korelasi antara IQ dengan prestasi
belajar sebesar 0.50 artinya 25 prosen variasi skore
prestasi belajar disumbang oleh IQ. Sumbangan 75
prosen diberikan oleh variabel-bariabel lain.
2. Sperman Rank Correlation Coefficient
Korelasi ini digunakan untuk dua data yang berskala
ordinal. Data diurutkan atas dasar ranking.

r
s

=
6 Edi
2

--------
N
3
- N
di = perbedaan ranking pada
dua variabel untuk masing-
masing individu.
40
Contoh penggunaan korelasi Spearman Rank:
hubungan antara tingkat kecantikan dengan
kemampuan bekerjasama; hubungan antara sifat
toleransi dengan tingkat kesadaran terhadap hak
azazi.
3. Point Biserial Correlation Coefficient
Korelasi ini digunakan untuk dua data, yang satu
kontinyu dan yang satu lagi dikotomi. Data dikotomi
diasumsikan diskrit. Contoh hitungan lihat Roscoe, 85




r
phi

=
M
1
M
0
----------- \pq
ox
Contoh dikotomi: succesful
or unseccessful, graduates
or ungraduates, kawin atau
tidak kawin
41
4. Phi Coefficient.
Korelasi ini digunakan untuk dua data, yang kedua-
duanya dikotomi. Contoh hitungan lihat Roscoe. 1969:
86-87



5. Biserial Coefficient Correlation
Korelasi ini digunakan untuk dua data, keduanya
kontinyu namun yang satu diperlakukan dikotomi.
Contoh hitungan lihat Roscoe. 1969: 87-88
Masih ada korelasi lain seperti tetrachoric correlation
coefficient , contingensi coefficient.

|


=
bc - ad

------------------------------
\(a+b)(c+d)(a+c)(b+d)
42
Data apa yang harus dikumpulkan, apa
instrumennya dan apa teknik analisis datanya?
1. Hubungan antara sikap terhadap mata pelajaran IPA
dengan perilaku sehat siswa SMP ...
2. Hubungan antara performance guru dengan prestasi
belajar siswanya di Kodya ...
3. Hubungan antara lama waktu menghafal anatomi
tubuh dalam bahasa latin dengan prestasi belajar
anatomi
4. Hubungan antara tingkat penalaran formal dengan
kemampuan problem solving
5. Hubungan antara latar belakang pekerjaan orang
tua (swasta , negeri) dengan tingkat keberanian
memilih pekerjaan beresiko tinggi

43
REGRESI DAN
KORELASI
44
Pengertian Regresi dan Korelasi
Regresi menunjukkan bentuk hubungan antara
variabel bebas dan variabel terikat. Bentuk
hubungan bisa linear, kuadratik atau lainnya.
Bentuk hubungan dinyatakan dalam bentuk
persamaan regresi (contoh Y = a + bx, Y = b
o

+b
1
X
1
+ b
2
X
2
+

b
3
X
3
+ .. )
Korelasi menunjukkan besarnya hubungan
antara variabel bebas dengan variabel terikat.
Besarnya hubungan dinyatakan dengan
koefisien korelasi (contoh r
yx
= 0.80, R
Y.12
= 0.6)
45
sehat
sakit
Kadar besi
46
Regresi dan korelasi sederhana
Jika kita hanya memperhatikan hubungan
antara satu variabel bebas dengan satu variabel
terikat maka kita berbicara tentang regresi dan
korelasi sederhana.
Variabel sering disebut juga peubah. Variabel
terikat disebut juga variabel respon atau variabel
tergantung, sedang variabel bebas disebut juga
variabel prediktor atau variabel pendahulu.
Regresi (bentuk hubungan) antara dua variabel
bisa berbentuk linear atau non linear. Regresi
sederhana yang biasa dibicarakan adalah
regresi linear sederhana.
47
REGRESI LINEAR SEDERHANA Y ATAS X
Jika variabel bebas dilambangkan dengan X dan
variabel terikat dilambangkan denga Y, maka regresi
linear sederhana Y atas X dituliskan:
Y = a + bX
Persamaan regresi ini diperoleh dari data
pengamatan, yaitu pasangan data X
i
dengan Y
i

Jika pasangan data X
i
dan Y
i
didgambarkan dalam
bentuk grafik, Y sebagai sumbu tegak, X sebagai
sumbu datar, maka akan tampak kumpulan titik-titik.
Sehingga grafik ini sering disebut diagram pencar.
^
48
Selanjutnya akan dibicarakan regresi linear saja.
Y = a + bX
Bagaimana menghitung a dan b dapat digunakan
rumus berikut:
^
49
Rumus
Tabel yang diperlukan untuk menghitung a dan b
50
Contoh: lihat Sudjana, Teknik Analisis Regresi
dan Korelasi, 2005, hal 314-318.
Diperoleh = 8.24 + 0.68 X
a = 8.24 disebut konstanta regresi
b = 0.68 disebut bobot regresi, yang
menyebabkan apakah garis regresi sejajar
sumbu atau miring tajam atau landai.
Jika populasi mempunyai bentuk regresi :
= + X maka dapat ditaksir dari b,
s
X
dengan rumus bobot regresi = b ----
s
y
^
Y
^
Y
51
Persyaratan-persyaratan untuk
Korelasi dan Regresi
1. Linearitas regresi
2. Keberartian regresi / koefisien arah regresi
Syarat lain:
a. Sampel diambil secara acak
b. Untuk setiap kelompok harga prediktor X yang
diberikan, respon-respon Y independen dan
berdistribusi normal
c. Untuk setiap kelompok X yang diketahui,
varians
2
y.x
sama.
d. Galat taksiran (Y - )berdistribusi normal
dengan rata-rata sama dengan nol.
^
Y
52
Korelasi dalam regresi linear sederhana
Korelasi hanya dihitung setelah regresi teruji
linear dan berarti.
Ada beberapa rumus untuk menghitung harga
koefisien korelasi (r).

( Y )
2
r
2
= 1 --------------------
( Y )
2
^
Y
( Y )
2
( Y )
2
r
2
= -----------------------------------------
(Y )
2

Y

Y

Y
^
Y
53
JK(TD) JK(S)
r
2
= -------------------------
JK(TD)
n XY (X)(Y)
r
2
= ---------------------------------------------
{ n X
2
(x)
2
} {n Y
2
(Y)
2
}
54
Pengujian Koefisien Korelasi
Koefisien korelasi juga harus diuji keberartiannya.
Rumus : r (n 2)
t = -----------------
1 r2
Jika diperoleh r = 0.8759 (atau dibulatkan 0.88) maka
0.88 (30 2)
t = ---------------------- = 9.80.
1 (0.88)
2
t tabel untuk =0.05 dan dk = 28 adalah 2.05.
Dengan demikian hipotesis nol r = 0 ditolak,
Kesimpulan : koef. korelasi berarti.
55
Penafsiran koefisien korelasi
Penafsiran dilakukan apabila telah dilakukan
pengujian keberartian regresi dan koef. korelasi.
Jika regresi Y (prestasi belajar) atas X (motivasi)
adalah = 8.24 + 0.68 X dan harga koefisien
korelasinya adalah r = 0.8759 , maka apa arti koef.
korelasi tersebut ?
Koef. korelasi dikuadratkan diperoleh koefisien
determinasi sebesar 0,7674.
Jadi r = 0.8749 artinya sebesar 76.74 % variasi
yang terjadi dalam kecenderungan berprestasi (Y)
terjelaskan oleh motivasi (X) melalui regresi
= 8.24 + 0.68 X
^
Y
^
Y
56
REGRESI LINEAR GANDA
Jika beberapa variabel bebas dihubungkan dengan
satu variabel terikat, maka kita menggunakan
regresi ganda. Persamaan regresinya ditulis:
= b
o
+ b
1
x
1
+ b
2
x
2
..b
k
X
k

Untuk dua variabel bebas, harga b
o
, b
1
, b
2
:
b
o
= b
1
+ b
2

(x
2
2

) (x
1
y) ((x
1
x
2
)(x
2
y)
b
1
= -----------------------------------------------
(x
1
2

) (x
2
2

) (x
1
x
2
)
2

(x
1
2

) (x
2
y) ((x
1
x
2
)(x
1
y)
b
2
= -----------------------------------------------
(x
1
2

) (x
2
2

) (x
1
x
2
)
2
^
Y
_
Y
_
X
2
_
X
1
57
Dengan ketentuan:

y
2
= Y
2


x
2
= X
2


x
i
y = (X
i
Y)

x
i
x
y
= X
i
X
j




(X)
2
-------
n
(X
i
) (Y)

-------------
n
(X
i
) (X
j
)

-------------
n
(Y)
2
-------
n
58
KORELASI PARSIL DAN SEMI PARSIL
Hubungan peubah bebas X1, X2, ..Xk dengan
peubah terikat Y yang sudah dipelajari adalah
regresi dan korelasi ganda.
Bila dalam hubungan ini hanya dipelajari hubungan Y
dengan salah satu X dan X lainnya tetap atau
dikontrol maka hubungan ini disebut korelasi parsil.
Contoh: korelasi antara hasil ujian masuk (X
1
) dan
skor kecerdasan (X2) dengan Prestasi belajar (Y).
Jika Prestasi belajar (Y) hanya ditinjau dari hasil tes
masuk saja (X
1
) dan dalam hal ini X2 (kecerdasan)
dikontrol. Dikontrol artinya dihilangkan pengaruhnya,
dengan cara hanya mengambil yang memiliki IQ
tertentu, misal yang IQ nya 100.

59
Bila selama proses belajar terjadi , kecerdasan(X2)
diyakini berpengaruh terhadap prestasi belajar (Y),
tetapi tidak berpengaruh terhadap hasil tes masuk
maka tinjauan terhadap Y atas X
1
di sini adalah
korelasi semi parsil. Kecerdasan (X2) di sini bersifat
tetap terhadap (X
1
) tetapi berubah terhadap
prestasi belajar (Y).
Rumus koef. Korelasi parsil:
ry
1
r
y
2
r
12
r
y1.2
= -----------------------
(1 r
2
y2
)(1 r
2
12
)
r
y2
r
y1
r
12
r
y2.1
= -----------------------
(1 r
2
y1
)(1
r
2
12
)

60
ANALISIS JALUR
Korelasi dan regresi yang telah dipelajari tidak
membicarakan hubungan kausal.
Tidak ada teknik statistik yang dapat digunakan
untuk menjelaskan arah hubungan kausal.
Analisis jalur tidak digunakan untuk menentukan
mana variabel penyebabnya.
Analisis jalur digunakan untuk mencek model
kausal yang sudah disusun oleh peneliti atas dasar
teori-teori yang telah dipelajarinya.
Jika data konsisten dengan model yang diusulkan
bukan berarti teori telah dibuktikan, namun
hanyalah bahwa data tersebut bersifat mendukung
model yang diturunkan dari teori-teori yang
digunakan.
61
DIAGRAM JALUR
Secara grafis sangat membantu untuk melukiskan
pola hubungan kausal antara peubah.
Peubah eksogenus: peubah yang variabilitasnya
diasumsikan terjadi oleh karena penyebab-
penyebab di luar model kausal. Konsekwensinya
penentuan peubah eksogenus tidak termasuk
dalam model, tidak ada maksud peneliti untuk
menjelaskan hubungan antara peubah eksogenus.
Peubah endogenus: peubah yang variasinya
terjelaskan oleh variabel eksogenus atau variabel
endogenus lainnya dalam sistem.

62
X1 dan X2 merupakan peubah eksogenus Korelasi
antara kedua eksogenus ini dilukiskan oleh busur
beranak panah pada kedua ujungnya. Busur demikian
memberi petunjuk bahwa peneliti tidak membayangkan
peubah yang satu disebabkan atau penyebab peubah
lain.
63
Peubah-peubah X3 dan X4 adalah peubah
endogenus. Jalur berupa garis beranak panah tunggal
pada ujungnya. Kedua jalur yang ditarik dari X1 dan
X2 kepada X3 menyatakan bahwa X3 merupakan
peubah tak bebas bagi peubah-peubah X1 dan X2
Sementara itu peubah X3 bersama-sama dengan
peubah X1dan X2, nampak pula menjadi peubah
bebas bagi peubah X4.
Model dalam diagram jalur di atas disebut model
rekursif; artinya adalah bahwa arus kausal dalam
model bersifat eka-arah. Dikatakan dengan cara lain,
berarti bahwa pada saat yang sama sebuah peubah
tidak dapat menjadi penyebab bagi dan akibat dari
peubah lain
64
Ada peubah residual, R1 dan R2 untuk
menunjukkan peubah-peubah yang tidak
masuk dalam model.
Asumsi-asumsi dalam analisis jalur:
Hubungan antara peubah-peubah dalam
model adalah linear, aditif dan kausal
Peubah-peubah residual dalam model tidak
berkorelasi dengan peubah-peubah yang
mendahuluinya
Dalam sistem hanya terjadi arus kausal
searah
Peubah-peubah diukur dalam skala interval.
65
Koefisien jalur:
Koefisien jalur menunjukkan akibat langsung
dari sebuah peubah yang diambil sebagai
penyebab terhadap peubah lain yang diambil
sebagai akibat.
Koef. Jalur disimbulkan Pij, dalam pengertian i
menyatakan peubah tak bebas (terikat) dan j
menyatakan peubah bebas. P32 artinya
koefisien jalur dari X2 ke X3.
Koefien jalur dihitung dari harga-harga koef.
Korelasi yang diketahui dari variabel-variabel
yang dipelajari dan model yang disusun oleh
peneliti

66
Misalkan elah dihitung koef korelasi r
12
= 0.50 . r
23
=
0.50 , r
13
= 0.25 , sehingga dapat dibuat matrik
korelasi sbb: X
1
X
2
X
3

X
1
1 0.50 0.25
X
2
1 0.50
X
3
1

Contoh:
Seorang peneliti menyusun suatu model sbb:
X
2
X
3
X
1
P
21
P
31
P
32
R
~
67
Dari model dapat disusun persamaan-persamaan:
r
12
= P
21
r
13
= P
31
+ P
32
r
12
r
23
= P
32
+ P
31
r
12

Jika harga-harga koef. Korelasi dimasukkan,
diperoleh P
21
= 0.50 ; P
31
= 0 ; P
32
= 0.50 , karena
P
31
= 0 , jalur langsung dari X
1
ke X
3
dapat
dihilangkan sehingga diperoleh modelmodel yang
lebih sederhana sbb:
X
2
X
3
X
1
Gb.XIII.4
P
21
P
32
68
Dalam model ini tampak bahwa tidak ada efek
langsung dari X
1
ke X
3
. Apakah dengan model ini
telah dihasilkan matriks korelasi yang sama
dengan: X1 X2 X3
X1 1 0.50 0.25
X2 1 0.50
X3 1
Dari model yang baru kita buat persamaan:
r
12
= P
21
r
13
= P
32
r
12
r
23
= P
32
+ P
31
r
12
Dengan memasukkan koef jalur kita peroleh: r
12

=
0.50 : r
13
= (0.50)(0.50) = 0.25 ; r
23
= 0.50. Semua
korelasi ini menghasilkan matrik yang sama
dengan Jadi model sederhana tersebut
didukung oleh data.
R
~
R
~
69
Adakah model lain yang bisa menjadi tandingan
model yang sudah diambil?
X
2
X
3
X
1
P
32
P
21
Dari model XIII.5 tampak bahwa X
2
merupakan
penyebab baik bagi X
2
maupun X
3.
Dari model ini
dapat dibuat persamaan:
r
12
= P
21
r
13
= P
32
r
12
r
23
= P
32

Jika harga-harga koef. Jalur dimasukkan maka r
12
=
0.5 ; r
13
= (0.5)(0.5) = 0.25; r
23
= 0.5

Gb. XIII.5
70
Koefisien korelasi tersebut menghasilkan
matriks yang sama dengan model sebelumnya.
Mana model yang akan dipilih?
Jika dua model atau lebih semuanya didukung
oleh data, maka pilihan dikembalikan kepada
teori-teori yang digunakan untuk menyusun
model tersebut. Sudah tentu peneliti akan
memilih model yang menurut keyakinannya
paling sesuai dengan teori yang dianutnya.

Mann-Whitney U-Test

Tes ini merupakan analisis non parametrik sebagai
alternatif dari t test untuk dua sampel independen.
Data untuk tes ini minimal ordinal.
Data tidak berdistribusi normal dan variannya tidak
homogen.
Sangat berguna untuk sampel kecil yang pada
umumnya persyaratan normal dan homogen sulit
terpenuhi.
Pengukuran terhadap dua sampel harus
menggunakan instrumen yang sama.

Wilcoxon Mathed-pairs Sign Rank
Test
Tes ini digunakan untuk dua sampel berpasangan,
normalitas distribusi dan homogenitas varians tak
terpenuhi. Cara ini merupaka alternatif untuk t-tes
data berpasangan atau related sample
Contoh sudjana 2005 hal 450.
Penelitian menyimpulkan bahwa tak ada perbedaan
yang signifikan hasil perlakuan dua metode.
Kesimpulan ini sesuai dengan analisis mengunakan
uji t (bila data berdistribusi normal dan homogen)
Mana analisis yang sesuai sebenarnya harus diuji
dulu normalitas distribusi data dan homogenitas
variannya lebih dulu. Jika tidak berdistribusi normal
dan variannya tak homogen maka tidak bisa
menggunakan uji t.

Chi-square Tests of Independence.
Tes ini digunakan untuk menguji apakah dua
data nominal (atau yang levelnya lebih tinggi)
mempunyai hubungan (tidak independent).
Kolmogorov-Smirnov Two Sample Test
(statistik non parametrik)
Tes ini digunakan untuk dua sampel independen
Lebih sesuai dari chi square bila digunakan untuk
sampel yang lebih kecil.
Kruskal-Wallis one way analysis of
variance
Tes ini digunakan jika berhadapan dengan uji
beda rerata beberapa sampel, dimana syarat-
berdistribusi normal dan varian homogen tak
terpenuhi dan lebih dari dua perlakuan.
Data minimal ordinal.
Banyaknya sampel tiap kelompok perlakuan jika
kurang dari 5 maka tes ini unsatisfactory
76