Anda di halaman 1dari 20

1

KATA PENGANTAR
Statistik Univariat dan Statistik Bivariat sangat diperlukan
sebagai bekal dasar untuk melakukan penelitian, khususnya penelitian
behavioral, termasuk penelitian pendidikan. Mahasiswa yang akan
menyusun skripsi atau tesis sangat memerlukan pengetahuan,
pemahaman, dan ketrampilan di bidang Statistik Univariat dan Bivariat.
Buku Statistik Univariat dan Bivariat disusun dengan tujuan membantu
mahasiswa untuk mempelajari teknik analisis statistik, baik secara
manual maupun dengan bantuan komputer. Pembaca yang ingin
memperdalam pengetahuan tentang statistik dipersilakan membaca buku
sumber dalam daftar pustaka.
Pembahasan dalam buku ini lebih mengutamakan pada
pengalaman praktis, sehingga lebih banyak membahas contoh penerapan
daripada membahas teori. Pembahasan didahului dengan pembahasan
secara manual, dengan harapan para mahasiswa memahami mekanisme
penerapan teknik analisis yang sedang dipelajari. Setelah itu,
pembahasan dilanjutkan dengan menggunakan paket program SPSS.
Melalui pendekatan seperti ini diharapkan mahasiswa memiliki
pemahaman yang lebih terintegrasi.
Setelah selesai mempelajari buku ini, para mahasiswa diharapkan
mampu menerapkan analisis statistik, baik untuk kepentingan penelitian
maupun untuk kepentingan pembelajaran. Proses ini diharapkan
membawa efek yang lebih jauh, yakni peningkatan kualitas pendidikan
secara umum, melalui peningkatan kualitas penelitian untuk mengkaji
inovasi-inovasi di bidang pendidikan dan pembelajaran.
Akhirnya, dengan terlebih dahulu memanjatkan puji syukur ke
hadapan Tuhan Yang Maha Esa, buku ini dipersembahkan kepada
pembaca yang budiman, semoga bermanfaat bagi dunia pendidikan.
Singaraja, Desember 2010
Penulis
2

DAFTAR ISI

KATA PENGANTAR
DAFTAR ISI
DAFTAR LAMPIRAN
BAB I

ii
iii
vii

PENDAHULUAN
1.1 Fungsi Statistik
1.2.Populasi dan Sampel
1.3 Data dan Jenisnya
1.4 Teknik Analisis Data

1
1
2
4
9

BAB II PENYAJIAN DATA


2.1.Penyajian Data dengan Tabel
2.1.1 Tabel Distribusi Frekuensi Tunggal
2.1.2 Tabel Distribusi Frekuensi Bergolong
2.2 Penyajian Data dengan Diagram
2.2.1 Histogram
2.2.2 Diagram Garis (Poligon)
2.2.3 Diagram Lingkaran
2.2.4 Diagram Batang (Bar)
2.2.5 Diagram Gambar

13
13
13
15
19
19
20
22
23
24

BAB III KECENDERUNGAN PUSAT DAN SEBARAN DATA


3.1 Mean, Median, dan Modus Data Tunggal
3.1.1 Menghitung Mean
3.1.2.Menghitung Median
3.1.3 Menghitung Modus
3.2 Mean, Median, dan Modus Data Bergolong
3.2.1 Menghitung Mean
3.2.2.Menghitung Median

25
25
25
27
27
27
28
29

3.2.3 Menghitung Modus


3.3 Varian dan Standar deviasi
3.3.1 Menghitung Varian dan Standar Deviasi Data Tunggal
3.3.2 Menghitung Varian dan Standar Deviasi
Data Bergolong
3.4 Konversi Nilai
3.4.1 Pengertian Konversi Nilai
3.4.2 Konversi Nilai dengan PAN atau PAP

31
33
33
37
40
40
42

BAB IV PENGUJIAN HIPOTESIS


4.1 Definisi Hipotesis
4.2 Dua Tipe Kesalahan
4.3 Daerah Penerimaan dan Penolakan Hipotesis
4.3.1 Uji Dua Ekor
4.3.2 Uji Satu Ekor
4.4 Ringkasan uji Hipotesis
4.5 Pengujian Perbedaan Dua Rerata
4.5.1 Uji-t untuk Sampel Independen
4.5.2 Uji-t untuk Sampel Dependen
4.6 Uji-t untuk Uji Perbedaan Dua Rerata dengan SPSS
4.5.1 Uji-t untuk Sampel Independen dengan SPSS
4.5.2 Uji-t untuk Sampel Dependen

47
47
49
52
52
53
55
56
57
66
70
70
75

BAB V ANALISIS VARIAN


5.1 Pengertian Analisis Varian
5.2 ANAVA Satu Jalur
5.3 Uji Lanjut ANAVA
5.3.1 Uji Tukey
5.3.2 Uji Tukey dengan Honestly Significance
Difference (HSD)
5.3.3 Uji Newman-Keuls
5.3.4 Uji Least Significance Difference (LSD)

80
80
82
90
91

95
97
101

5.3.5 Uji Dunnet


5.3.6 Uji Scheffe
5.4 Perbandingan Beberapa Uji Lanjut ANAVA
5.5 Uji ANAVA Satu Jalur dengan SPSS

103
106
109
110

BAB VI ANAVA Dua Jalur


6.1 Pengertian dan Perhitungan ANAVA Dua Jalur
6.2 Interaksi pada ANAVA Dua Jalur
6.2.1.Konsep Interaksi
6.2.2.Jenis Interaksi
6.3 Uji Lanjut pada ANAVA Dua Jalur
6.4 Contoh Penerapan ANAVA Dua Jalur dan Uji Lanjutnya
6.5 Uji ANAVA Dua Jalur dengan SPSS

118
118
123
123
125
128
131
142

BAB VII ANALISIS REGRESI


7.1 Pengertan Analisis Regresi
7.2 Regresi Linier Sederhana
7.2.1 Persamaan Regresi
7.2.2 Pengujian Keberartian Arah Regresi
7.2.3 Pengujian Linieritas Regresi
7.3 Korelasi Linier Sederhana
7.3.1 Definisi dan Perhitungan Korelasi Linier Sederhana
7.3.2 Pengujian Koefisien Korelasi
7.3.3 Kontribusi Variabel Bebas Terhadap Variabel Terikat
7.4 Analisis Regresi Linier Sederhana dengan SPSS

154
154
155
155
159
167
171
171
172
173
173

BAB VIII ANALISIS REGRESI GANDA


8.1 Persamaan Regresi Ganda
8.2 Pengujian Persamaan Regresi Ganda
8.3 Korelasi Ganda
8.4 Pengujian Koefisien Korelasi Ganda
8.5 Pengujian Keberatian Koefisien Regresi Ganda

184
184
192
194
197
198

8.6 Korelasi Parsiil (Partial)


8.7 Pengujian Keberartian Koefisien Korelasi Parsiil
8.8 Koefisien Korelasi Bagian atau Semi Parsiil
8.9 Regresi Ganda, Korelasi Ganda, Korelasi Parsiil,
dan Korelasi Semi Parsiil Menggunakan SPSS
8.10 Regresi dan Korelasi untuk Melakukan Prediksi
BAB IX UJI ASUMSI
9.1 Lima Asumsi Analisis Regresi
9.2.Dua Asumsi Uji-t dan ANAVA
9.3 Teknik Analisis untuk Uji Asumsi
9.3.1 Pengujian Normalitas Data
9.3.1.1 Pengujian Normalitas Data dengan Teknik
Chi Kuadrat
9.3.1.2 Pengujian Normalitas Data dengan Teknik Lilliefors
9.3.1.3 Pengujian Normalitas Data dengan Teknik
Kolmogorov-Smirnov
9.3.1.4 Pengujian Normalitas Data dengan SPSS
9.3.2 Pengujian Linieritas Data dan Keberartian
Arah Regresi
9.3.2.1 Pengujian Linieritas Data dan Keberartian
Arah Regresi Secara Manual
9.3.2.2 Pengujian Linieritas Data dan Keberartian
Arah Regresi dengan SPSS

202
205
207
210
219
220
220
222
224
224
224
228
231
234
238
238
247

9.3.3 Pengujian Multikolinieritas


9.3.3.1 Pengujian Multikolinieritas Secara Manual
9.3.3.2 Pengujian Multikolinieritas dengan SPSS

253
253
255

9.3.4 Pengujian Autokorelasi


9.3.4.1 Pengujian Autokorelasi Secara Manual
9.3.4.2 Pengujian Autokorelasi dengan SPSS

261
261
265

9.3.5 Pengujian Heterokedastisitas


9.3.5.1 Pengujian Heterokedastisitas Secara Manual
9.3.5.2 Pengujian Heterokedastisitas dengan SPSS

270
270
273

9.3.6 Pengujian Homogenitas Varian


9.3.6.1 Pengujian Homogenitas Varian Secara Manual
9.3.6.1.1 Pengujian Homogenitas Varian dengan Uji Bartlet
9.3.6.1.2 Pengujian Homogenitas Varian dengan Uji Levene
9.3.6.2 Pengujian Homogenitas Varian dengan SPSS

278
278
278
282
285

DAFTAR PUSTAKA

291

DAFTAR LAMPIRAN

Lampiran 1: Tabel Standard Normal (Z) Table


Lampiran 2: Tabel Distribusi Student t
Lampiran 3: Tabel F
Lampiran 4: Tabel Nilai Tukey (Q)
Lampiran 5: Tabel Durbin Watson
Lampiran 6: Tabel Chi Kuadrat
Lampiran 7: Tabel Lilliefors
Lampiran 8: Tabel Kolmogorov-Smirnov
Lampiran 9: Tabel Nilai Kritik Koefisien Korelasi

293
294
295
297
299
303
304
306
307

BAB I
PENDAHULUAN
1.1 Fungsi Statistik
Pengorganisasian data diperlukan di semua bidang kehidupan. Bidang
pendidikan, pertanian, peternakan, perdagangan, perbankan, prindustrian,
kependudukan, dan seterusnya setiap saat perlu mengorganisasikan data
untuk pengambilan keputusan atau penetapan suatu kebijakan. Statistik
sangat diperlukan dalam pengorganisasian dan analisis data. Byrkit
(1987) mendefinisikan statistik dengan kalimat yang amat sederhana,
yakni sebagai ilmu pengetahuan dan seni mengklasifikasikan dan
mengorganisasikan data untuk penarikan kesimpulan. Umumnya,
kesimpulan diperoleh dengan terlebih dahulu mengumpulkan data atau
informasi. Data yang diperoleh diorganisasikan dan dianalisis untuk
mendapatkan kesimpulan yang diinginkan.
Statistik merupakan cabang ilmu yang relatif baru. Aljabar sudah
diperkenalkan sejak abad ketiga oleh Diophantus. Geometri bahkan
sudah dikenal sejak sebelum masehi, antara lain oleh Phytagoras.
Kalkulus dipopulerkan oleh Newton dan Leibniz pada abad ketujuhbelas.
Sekalipun metode statistik sudah digunakan sejak abad ketujuhbelas oleh
John Graunt, namun statistik sebagai ilmu baru dikembangkan di abad
kesembilanbelas oleh Karl Gauss dan John Galton, serta dikembangkan
lagi di abad keduapuluh antara lain oleh Karl Pearson dan Ronald Fisher.
Perkembangan komputer ikut memacu perkembangan aplikasi statistik
pada berbagai bidang. Beberapa ahli tercatat telah mengembangkan
beberapa metode statistik untuk analisis data, seperti John Tukey dan
Frederick Mosteller.
Awalnya, statistik diperlukan untuk pengumpulan dan penyajian data,
baik dalam bentuk tabel maupun diagram. Statistik untuk kepentingan
tersebut dinamakan statistik deskriptif. Dalam waktu singkat statistik
9

berkembang sangat pesat mencakup berbagai metode untuk


mengorganisasikan, meringkas, dan mengklasifikasikan data. Statistik
digunakan saat itu untuk menginformasikan pertumbuhan penduduk,
indeks harga, tingkat kejahatan, pertumbuhan produksi pertanian, dan
sebagainya. Aplikasi statistik mengalami perkembangan yang amat pesat
dalam bidang keilmuan, khususnya ilmu sosial dan ilmu perilaku yang
sulit dijelaskan secara pasti seperti pada ilmu alam. Statistik banyak
digunakan dalam pengukuran kecerdasan, sikap, minat, motivasi,
prestasi, pendapatan per-kapita, pertumbuhan ekspor, dan sebagainya.
Aplikasi statistik deskriptif memang mengalami perkembangan yang
pesat ke berbagai bidang, namun ilmu atau teknik yang ditawarkan tidak
mengalami perkkembangan yang berarti sampai ratusan tahun. Ilmu atau
teknik statistik mengalami perkembangan yang fenomenal sejak
diperkenalkan statistik inferensial atau statistik induktif, yakni statistik
yang dapat diaplikasikan untuk kepentingan generalisasi, prediksi, dan
estimasi tentang keterkaitan beberapa variabel. Pada aspek statistik ini
digunakan istilah inferensial atau induktif karena adanya penarikan
kesmipulan atau inferensi tentang karakteristik yang belum diketahui
berdasarkan data atau informasi yang terbatas. Berdasarkan data yang
diperoleh dari beberapa orang perokok, dapat ditarik kesimpulan tentang
pengaruh merokok terhadap kesehatan. Demikian pula berdasarkan data
yang diperoleh dari beberap guru ya`ng sudah tersertifikasi dapat ditarik
kesimpulan tentang pengaruh sertifikasi terhadap kinerja guru.
1.2 Populasi dan Sampel
Pada statistik inferensial, kesimpulan diambil untuk populasi berdasarkan
data yang diperoleh dari sampel. Suatu kumpulan dapat dianggap sebagai
populasi apabila kumpulan tersebut memuat semua nilai yang ingin
dicari. Guru, siswa, perokok, petenis, dan petani adalah contoh populasi.
Populasi sifatnya relatif, tergantung informasi atau data yang ingin
diperoleh dan kesimpulan yang ingin dibuat. Oleh karena itu, guru
10

merupakan populasi dan guru yang tersertifikasi juga populasi. Hal ini
terjadi karena pada populasi guru ingin dikaji kinerja guru, sementara
pada populasi guru yang tersertifikasi ingin dikaji kinerja guru yang
sudah tersertifikasi. Sudah bisa dipastikan bahwa informasi yang ingin
dikumpulkan dan kesimpulan yang ingin dibuat berbeda.
Populasi akan memberikan informasi atau data lengkap tentang
karakteristik yang ingin dikaji. Realitas di lapangan menunjukkan bahwa
sangat sulit untuk mendapatkan informasi atau data dari semua anggota
populasi. Keterbatasan biaya, waktu, ketrampilan, dan sarana pendukung
dapat menjadi alasannya. Oleh karena itu, data diambil dari sebagian
anggota populasi yang dapat mewakili populasi. Sebagian anggota
populasi yang dapat mewakili populasi dinamakan sampel. Ada beberapa
persyaratan yang harus dipenuhi oleh sampel agar benar-benar mewakili
populasi. Persyaratan dimaksud antara lain mencakup ukuran sampel dan
teknik pengambilan sampel. Akan tetapi persyaratan tersebut tidak
merupakan bahasan dari buku ini.
Karakteristik numerik dari populasi dinamakan statistik parameter atau
secara singkat disebut parameter saja. Di lain sisi, karakteristik numerik
dari sampel dinamakan statistik sampel atau secara singkat disebut
sebagai statistik saja. Rerata dari populasi () dan standar deviasi
populasi () merupakan contoh statistik parameter atau parameter,
sedangkan rerata sampel ( X ) dan standar deviasi sampel (SD)
merupakan contoh statistik sampel atau statistik. Jadi statistik membantu
membandingkan atau mencari hubungan antara statistik parameter
berdasarkan statistik sampel. Perbedaan rerata kecerdasan anak yang
mengkonsumsi ikan dengan rerata kecerdasan anak yang mengkonsumsi
daging secara umum diperoleh dari perbedaan rerata kecerdasan beberapa
anak yang mengkonsomsi ikan dan rerata kecerdasan beberapa anak yang
mengkonsumsi daging yang masing-masing diambil sebagai sampel.
11

1.3 Data dan Jenisnya


Data adalah sekumpulan elemen, nilai, atau besaran bilangan pada
batasan tertentu. Berat badan anak-anak sebuah taman kanak-kanak, luas
lahan yang dimiliki warga sebuah desa, jenis mobil yang parkir di
halaman sebuah kantor, kualitas barang yang diekspor perusahaan
tertentu, dan motivasi kerja pegawai salah satu instansi merupakan
contoh data. Data dibedakan menjadi data kualitatif dan data kuantitatif.
Data kualitatif merupakan data yang sudah disortir menurut kategori
tertentu. Data kualitatif sering juga disebut data atribut, data klasifikasi
atau data kategori Setiap data akan masuk ke salah satu klasifikasi atau
kategori. Data kualitiatif dapat diperoleh melalui wawancara atau
observasi (pengamatan). Klasifikasi mobil menurut bahan bakar yang
digunakan merupakan contoh data kualitatif. Rasional yang digunakan
lulusan SMA untuk memilih jurusan di perguruan tinggi merupakan
contoh lain data kualitatif.
Data kuantitatif atau data numerik adalah data yang diperoleh dari hasil
perhitungan atau pengukuran. Banyak mahasiswa UNDIKSHA dan
banyak sepeda motor yang ada di tempat parkir merupakan data
kuantitatif hasil perhitungan. Tinggi badan mahasiswa UNDIKSHA dan
berat sepeda motor yang ada di tempat parkir merupakan data kuantitatif
hasil pengukuran. Data kuantitatif hasil perhitungan merupakan data
diskrit. Banyak orang atau banyak kendaraan pasti bulat, seperti 5, 10,
dan seterusnya. Tidak pernah ada banyak orang 4,7 atau banyak
kendaraan 5,2. Data hasil perhitungan dapat disusun sedemikian rupa,
sehingga dapat dihitung. Oleh karena itu, data kuantitatif hasil
perhitungan bersifat terhitung (countable) atau lebih populer dengan
sebutan data diskrit.
Di lain pihak, data kuantitatif hasil pengukuran merupakan data
kontinyu. Tidak pernah ada tinggi badan atau berat kendaraan yang pasti.
Sekalipun pengukuran dilakukan pada tingkat kecermatan yang amat
12

tinggi, namun tetap saja terdapat pendekatan atau pembulatan. Jika tinggi
badan seseorang diperoleh 170 cm, maka pasti sudah ada pembulatan.
Berat badan orang tersebut mungkin kurang sedikit atau lebih sedikit dari
170 cm. Pembulatan bisa ke atas atau ke bawah. Seberapa besar
pembulatan tergantung keperluan. Tinggi badan 170 dapat saja
dibulatkan dari hasil pengukuran 169,8, 169,75, 170,2 atau 170,24. Oleh
karena itu, data kuantitatif hasil pengukuran merupakan data kontinyu
karena pada data kuantitatif hasil pengukuran, untuk setiap dua data yang
berbeda selalu ada data yang lain. Di antara data 169 dan data 170
terdapat data 169,1; data 169,2; dan seterusnya. Di antara data169,1 dan
data 169,2 terdapat data 169,11; data 169,12; dan seterusnya.
Perbedaan jenis data berkonsekuensi pada perbedaan teknik analisis
statistik yang harus diterapkan untuk mendapatkan kesimpulan yang
diinginkan. Pada pengkajian gejala-gejala fisik atau gejala-gejala ilmu
alam, seperti berat badan, tinggi badan, panjang benda, suhu benda,
waktu tempuh dan sebagainya, sangat sedikit masalah atau bahkan tidak
terjadi masalah dalam hal penentuan teknik analsis data karena data
homogen dan kontinyu. Di lain sisi, pada pengkajian gejala-gejala sosial
atau gejala-gejala perilaku, pemilihan teknik analisis sangat kompleks
karena adanya perbedaan level hasil pengukuran. Ada beberapa level
data hasil pengukuran gejala sosial atau gejala perilaku, yakni data
nominal, data ordinal, data interval, dan data rasio. Perbedaan level data
hasil pengukuran tersebut berkonsekuensi pada perbedaan teknik analisis
data yang harus diterapkan.
a. Data Nominal
Data nominal adalah data yang dihasilkan dari pengklasifikasian.
Pengklasifikasian merupakan operasi yang paling sederhana dalam
berbagai cabang ilmu. Pengklasifikasian berarti pensortiran elemen atau
anggota berdasarkan karekteristik tertentu, dan membuat keputusan
elemen-eleman mana yang sama dan elemen-elemen mana yang berbeda
13

dengan yang lain. Tujuannya adalah membuat klasifikasi atau kategori


yang terdiri dari elemen-elemen yang homogen dan berbeda dengan
elemen-elemen pada klasifikasi yang lain. Contohnya, pengklasifikasian
penduduk menurut mata pencaharian dan pengklasifikasian siswa
menurut jenis rambut. Berdasarkan klasifikasi tersebut bisa dikaji tingkat
kesejahteraan penduduk menurut mata pencaharian atau kepribadian
siswa menurut jenis rambutnya. Kategori atau klasifikasi bisa diberi label
angka. Misalnya, pada klasifikasi mata pencaharian, petani diberi label 1,
pedagang diberi label 2, pegawai swasta diberi label 3, dan pegawai
negeri diberi 4; dan pada klasifikasi jenis rambut, lurus diberi label 1 dan
keriting diberi label 2. Label yang diberikan hanya merupakan simbol,
sehingga tidak dapat dikenakan operasi aritmatik, seperti penjumlahan,
pengurangan, perkalian, atau pembagian. Jadi data mata pencaharian dan
data jenis rambut merupakan data nominal.
b. Data Ordinal
Data nominal hanya mengenal klasifikasi atau kategori. Berdasarkan
karakteristik tertentu, data masuk klasifikasi yang satu, sementara data
yang lain masuk klasifikasi yang lain. Pada data tertentu, klasifikasi
memungkinkan untuk diurut berdasarkan karakteristik tertentu yang
dimiliki. Status ekonomi keluarga misalnya, dapat diklasifikasi menjadi
tinggi, menengah, dan rendah, yang mana klasifikasi tersebut sekaligus
menunjukkan tingkatan status ekonomi keluarga. Data seperti ini
dinamakan data ordinal. Jadi data ordinal selain memiliki klasifikasi juga
memiliki urutan atau tingkatan menurut karakteristik tertentu. Pada status
ekonomi keluarga, tentunya status ekonomi tinggi lebih tinggi daripada
menengah, dan menengah lebih tinggi daripada rendah. Akan tetapi,
seberapa selisih atau perbedaan dari masing-masing status ekonomi
keluarga tersebut tidak dapat ditentukan. Dengan kata lain, data ordinal
hanya mampu diurutkan menurut karakteristik tertentu.

14

Pada satu tingkatan mungkin hanya ada satu data atau data tunggal, tetapi
tidak tertutup peluang bahwa beberapa data berada pada satu tingkatan.
Sebagai contoh adalah ranking siswa di kelas. Siswa ranking satu tentu
lebih pintar dari ranking dua, tetapi seberapa kelebihannya tentu tidak
dapat ditentukan. Ranking dua mungkin ditempati oleh satu siswa, tetapi
tidak tertutup peluang beberapa siswa menduduki ranking dua tersebut.
Sama halnya dengan data nominal, data ordinal tidak dapat dikenakan
operasi aritmatik seperti penjumlahan, pengurangan, perkalian, atau
pembagian. Urutan tidak dapat dijumlah atau dikalikan. Operasi aritmatik
yang mungkin denikenakan pada data ordinal adalah lebih dari atau
kurang dari.
c. Data Interval dan Data Rasio
Data interval adalah data hasil pengukuran yang tidak hanya dapat diurut
atau diranking menurut karakteristik tertentu yang dimiliki, melainkan
juga dapat menunjukkan selisih atau jarak yang di antara data tersebut.
Data interval memerlukan satuan standar yang disepakati secara umum,
sehingga dapat digunakan sepanjang masa dengan hasil yang sama.
Panjang memiliki ukuran meter atau inchi, berat memiliki ukuran gram
atau pound, waktu memiliki satuan detik, suhu atau temperatur memiliki
satuan derajat Celcius atau derajat Fahrenheit, pendapatan memiliki
satuan rupiah. Pada data yang memiliki satuan standar memungkinkan
untuk membuat pernyataan bahwa satu sekor berbeda 20 unit dengan
sekor yang lain, atau satu sekor 10 unit lebih besar dari sekor yang lain.
Oleh karena itu, operasi aritmatik, seperti penjumlahan, pengurangan,
perkalian, atau pembagian dapat diterapkan pada data tersebut. Berat
koper dan berat tas yang dibawa seseorang dapat dijumlah untuk
mendapatkan berat barang bawaan orang tersebut. Demikian pula
pendapatan suami dan pendapatan istri dapat dijumlah untuk mengetahui
pendapatan keluarga.

15

Apabila memungkinkan untuk menempatkan nol mutlak pada data


interval, maka data tersebut memiliki level pengukuran yang lebih tinggi
daripada data interval yang disebut data rasio. Pada data rasio dapat
dilakukan perbandingan sekor berdasarkan rasionya. Oleh karena itu,
pada data rasio dapat dibuat pernyataan bahwa satu sekor besarnya dua
kali lipat dibandingkan sekor yang lain. Benda yang memiliki berat 100
kg dapat dikatakan memiliki berat dua kali lipat dari benda yang
memiliki berat 50 kg. Demikian pula benda yang tingginya 10 meter
dapat dikatakan tingginya setengah dari benda yang tingginya 20 meter.
Jadi berat dan tinggi merupakan data rasio karena kedua data tersebut
memiliki nol mutlak. Artinya, apabila benda memiliki berat atau tinggi
nol, maka benda tersebut tidak memiliki berat atau tinggi.
Dibandingkan dengan data hasil pengukuran berat atau tinggi, kondisi
yang berbeda akan terjadi pada pengukuran kecerdasan, motivasi, sikap,
prestasi, kecemasan, atau kesejahteraan. Belum ada satuan standar untuk
menjamin konsistensi hasil pengukuran terhadap gejala-gejala tersebut
yang disepakati oleh para ahli psikologi atau sosiologi. Banyak
pertanyaan yang muncul dalam pemberlakuan skala interval. Akan tetapi
perdebatan tersebut tidak disajikan dalam buku ini. Data hasil
pengukuran gejala psikologi atau sosiologi seperti di atas dianggap
sebagai data interval karena bersifat kontinyu. Penghalusan skala
dilakukan dengan memperkecil jarak antara sekor. Data dengan skala 100
lebih halus dari data dengan skala 10, data dengan skala 10 lebih halus
daripada data dengan skala 5, dan seterusnya.
Selain pembandingan lebih dari atau kurang dari, operasi aritmatik,
seperti penjumlahan, pengurangan, perkalian, dan pembagian dapat
dikenakan pada data hasil pengukuran gejala psikologi atau sosiologi
seperti di atas. Oleh karena itu, dapat dihitung sekor rata-rata prestasi
belajar, sekor maksimum motivasi kerja, sekor minimal kecemasan, atau
standar deviasi sekor kreativitas. Data hasil pengukuran gejala psikologi
16

dan sosiologi tidak memiliki nol mutlak. Siswa yang mendapat sekor
ujian nol tidak berati siswa tersebut tidak tahu apa-apa. Demikian juga
karyawan yang memperoleh sekor motivasi kerja nol bukan berarti
karyawan tersebut tidak memiliki motivasi kerja. Dengan demikian,
siswa yang memperoleh sekor ujian 90 tidak berarti dua kali lebih pintar
daripada siswa yang memperoleh sekor ujian 45. Jadi data hasil
pengukuran gejala psikologi dan sosiologi seperti di atas merupakan data
interval, tetapi tidak merupakan data rasio.
1.4 Teknik Analisis Statistik
Statistik inferensial secara garis besar dapat dibedakan menjadi dua, yaitu
uji keterkaitan atau hubungan antara beberapa variabel dan uji perbedaan
antara beberapa variabel. Baik pada uji hubungan maupun pada uji
perbedaan terdapat beberapa teknik analisis statistik yang dapat
diterapkan. Perbedaan teknik analsisis statistik pada uji hubungan dan
pada uji perbedaan dapat terjadi antara lain karena alasan perbedaan jenis
data, perbedaan sebaran atau distribusi data, perbedaan banyak variabel
yang terlibat, atau perbedaan ukuran sampel.
Uji keterkaitan atau hubungan sering juga disebut uji korelasional. Uji
korelasional mengkaji kekuatan hubungan antara variabel-variabel yang
terlibat dalam penelitian. Ada beberapa teknik analisis korelasional yang
telah dikembangkan, antara lain teknik korelasi product momment,
teknik korelasi ganda, teknik korelasi tata jenjang atau rank order, teknik
korelasi biserial, teknik korelasi point biserial, teknik korelasi
kontingensi, teknik korelasi phi, dan teknik korelasi tetrakorik.
Teknik korelasi product momment digunakan apabila dua variabel yang
dikorelasikan sama-sama merupakan variabel interval atau rasio.
Sementara itu, teknik korelasi ganda digunakan untuk mengkorelasikan
beberapa variabel bebas dengan satu variabel terikat, yang mana semua
variabel bebas dan variabel terikat merupakan variabel interval atau
rasio. Teknik korelasi rank order atau tata jenjang digunakan apabila dua
17

variabel yang dikorelasikan sama-sama merupakan variabel ordinal.


Teknik korelasi biserial dan point biserial digunakan apabila satu
variabel yang dikorelasikan merupakan variabel dikotomi dan variabel
yang lain merupakan variabel interval atau rasio. Selanjutnya, teknik
korelasi kontingensi digunakan apabila dua variabel yang dikorelasikan
sama-sama merupakan variabel nominal atau kategori. Teknik korelasi
phi dan teknik korelasi tetrakorik digunakan apabila dua variabel yang
dikorelasikan sama-sama merupakan variabel dikotomi. Bedanya, pada
korelasi tetrakorik data bersifat dikotomi buatan, sedangkan pada
korelasi phi data bersifat dikotomi murni.
Analisis korelasi terkait erat dengan analisis regresi. Jika analisis korelasi
mengkaji kekuatan hubungan antar-variabel, maka analisis regresi
mengkaji bentuk atau model hubungan antar-variabel. Regresi sederhana
mengkaji bentuk hubungan antara dua variabel yang sama-sama
merupakan variabel interval, sedangkan regresi ganda mengkaji bentuk
hubungan antara beberapa variabel bebas yang semuanya bersifat interval
dengan satu variabel terikat yang juga bersifat interval. Selain analisis
regresi, analisis yang terkait erat dengan analisis korelasi adalah analisis
kanonik dan analisis jalur (path).
Analisis kanonik mengkaji hubungan antara beberapa variabel bebas
yang semuanya bersifat interval atau rasio dengan beberapa variabel
terikat yang juga semuanya bersifat interval atau rasio. Analisis jalur
mengkaji hubungan antara beberapa variabel bebas yang semuanya
bersifat interval atau rasio dengan satu variabel terikat yang bersifat
interval atau rasio. Perbedaan analisis jalur dengan regresi ganda adalah
pada analisis jalur variabel bebas terbagi menjadi variabel eksogenus dan
variabel endogenus, sementara pada analisis regresi ganda pembagian itu
tidak ada karena semua variabel bebas dianggap setara..
Untuk uji keterkaitan atau hubungan antara beberapa variabel, buku ini
hanya membahas korelasi product momment, korelasi ganda, regresi
sederhana dan regresi ganda. Pembahasan analsisi korelasi dan regresi
18

juga dilengkapi dengan pembahasan uji persyaratan analisis, seperti uji


normalitas sebaran data serta uji linieritas dan keberartian arah regresi.
Pada analisis regresi ganda, juga disertakan uji persyaratan analisis yang
lain, yakni uji multikolinieritas, uji heterokedastisitas, dan uji autokorelasi .
Teknik korelasi tata jenjang atau rank order, teknik korelasi biserial,
teknik korelasi point biserial, teknik korelasi kontingensi, teknik korelasi
phi, dan teknik korelasi tetrakorik dibahas pad buku statistik nonparametrik. Sementara itu, analisis kanonik dan analisis jalur dikaji pada
buku analisis statistik multivariat.
Uji pembandingan atau uji beda adalah bagian yang lain pada analisis
statistik, selain uji keterkaitan atau uji hubungan. Ada banyak uji beda
yang sudah dikembangkan, antara lain uji t (t-test), uji z (z-test), uji chi
kuadrat (chi square of analysis), analisis varian disingkat ANAVA
(analysis of varians/ANOVA), analisis kovarian (analysis of covarians/
ANCOVA), analisis multi varian (multiple analysis of varians/MANOVA),
dan analisis multi kovarian (multiple analysis of covarians/MANCOVA).
Analisis varian, analisis kovarian, analisis multi varian, dan analisis multi
kovarian masing-masing memiliki variasi.
Uji t (t-test) dan uji z (z-test) digunakan untuk membandingkan sebuah
data yang bersifat interval atau rasio dari maksimum dua kelompok.
Apabila data bersifat diskrit, maka uji beda atau uji pembandingan dari
dua kelompok menggunakan chi kuadrat. Misalnya, uji beda atau uji
pembandingan dua frekuensi. Analisis varian (ANAVA) digunakan
untuk membandingkan sebuah data yang bersifat interval dari tiga
kelompok atau lebih. ANAVA dibedakan menurut banyaknya variabel
bebas. Apabila hanya ada satu variabel bebas, maka disebut ANAVA
satu jalur atau ANAVA A. Apabila variabel bebas ada dua, maka disebut
ANAVA dua jalur atau ANAVA AB. Apabila variabel bebas ada tiga,
maka disebut ANAVA tiga jalur, dan seterusnya.
Analisis kovarian digunakan untuk membandingkan sebuah data yang
bersifat interval dari dua kelompok atau lebih, disertai pengendalian satu
19

atau lebih data yang juga bersifat interval. Sama halnya dengan ANAVA,
analisis kovarian juga dibagi menjadi analisis kovarian satu jalur, dua
jalur, tiga jalur dan seterusnya menurut banyak variabel bebas. Selain
bervariasi menurut bayak variabel bebas, analisis kovarian juga
bervariasi menurut banyak variabel yang dikendalikan, sehingga dikenal
analisis kovarian dengan satu variabel kenadali, analisis kovarian dengan
dua variabel kendali dan seterusnya.
Analisis multi varian digunakan untuk membandingkan dua data atau
lebih yang semuanya bersifat interval dari dua kelompok atau lebih.
Analisis multi varian juga bervariasi menurut banyak variabel bebas,
sehingga dikenal analisis multi varian satu jalur, dua jalur, dan
seterusnya. Selain itu, analisis multi varian juga bervariasi menurut
banyak variabel terikat yang dibandingkan, sehingga ada analisis multi
varian dengan dua variabel terikat, tiga variabel terikat, dan seterusnya.
Analisis multi kovarian digunakan untuk membandingkan dua data atau
lebih yang semuanya bersifat interval dari dua kelompok atau lebih,
disertai pengendalian satu atau lebih data yang juga semuanya bersifat
interval. Analisis multi kovarian bervariasi menurut banyak variabel
bebas, sehingga ada analisis multi kovarian satu jalur, dua jalur, tiga jalur
dan seterusnya. Selain itu, analiasis multi kovarian juga bervariasi
menurut banyak variabel kendali dan banyak variabel terikat.
Buku ini hanya mengkaji uji t dan analisis varian (ANAVA). Pengkajian
ANAVA hanya terbatas pada ANAVA satu jalur dan ANAVA dua jalur.
Uji persyaratan analisis, seperti uji normalitas sebaran data dan uji
homogenitas varians pada ANAVA juga dikaji dalam buku ini. Beberapa
teknik uji lanjut (post hoc) yang umum digunakan sebagai kelanjutan dari
ANAVA juga dibahas pada buku ini, antara lain uji Tukey, uji NewmanKeuls, uji Scheffe, dan uji Dunnet.

20