Rangkuman Buku Statistik Bab 1 Bab 14

BAB 1
1. Pengenalan Statistika
1.1. Statistika, Science, dan Observasi
1.1.1. Definisi Statistika
Seperangkat prosedur matematis untuk mengatur, meringkas, dan menafsirkan
informasi. Pada bab ini statistika digunakan sebagai seperangkat prosedur matematis
untuk menghitung dan mengumpulkan informasi pada penelitian Psikologi, sebagai
contoh, adegan kekerasan pada TV akan mempengaruhi perilaku pada anak. Peneliti
akan mengumpulkan informasi melalui pengukuran IQ, hasil skor perilaku, waktu
reaksi, dan sebagainya (data kuantitatif).
1.1.2. Tujuan Statistika
1.1.2.1.
Mengatur dan meringkas informasi sehingga peneliti dapat menarik
kesimpulan dari hasil penelitiannya.
1.1.2.2.
Membantu peneliti menjawab pertanyaan penelitian dengan
menentukan apakah kesimpulan sesuai dengan hasil data yang didapatkan.
1.2. Populasi dan Sampel
1.2.1. Populasi
Seperangkat keseluruhan individu dari ketertarikan suatu penelitian. Karena populasi
di dunia ini sangat banyak dapat dispesifikan, sebagai contoh, jumlah populasi wanita
yang menyukai menonton sinetron.
1.2.2. Sampel
Seperangkat individu yang dipilih dari suatu populasi atau yang mewakilkan
populasi di penelitian tersebut. Sebagai contoh, dari jumlah populasi sebanyak
100 wanita yang menyukai sinetron diambil 10 dari 100 data tersebut sebagai
perwakila mereka.
1.2.3. Variabel dan Data
1.2.3.1.
Variabel
Suatu karakteristik atau kondisi yang dapat berubah atau memiliki nilai
yang berbeda untuk setiap individu.
1.2.3.2.
Data
Adalah suatu pengukuran atau observasi yang dapat berupa keseluruhan
dan satuan pengukuran atau observasi.
1.2.4. Parameter dan Statistik
1.2.4.1.
Parameter
Nilai numerik yang menggambarkan suatu populasi.
1.2.4.2.
Statistik
Nilai numerik yang menggambarkan suatu sampel.

1.2.5. Metode Statistik

1.2.5.1.
Deskriptif Statistik
Prosedur statistik yang digunakan untuk merangkum, mengatur dan
meringkas data.
1.2.5.2.
Inferential Statistik
Teknik yang memperbolehkan kita mempelajari sample-sample dan
mengeneralisasikannya ke dalam suatu populasi yang sudah dipilih.
1.3. Struktur Data, Metode Penelitian, dan Statistika
1.3.1. Metode Korelasional
Adalah metode yang menelaah hubungan antara variabel dengan mengukur dua
variabel yang berbefa dari setiap individu tanpa menjelaskan hubungan sebab
akibat.
1.3.2. Metode Eksperimental
Adalah metode yang menelaah hubungan antara variabel dengan memanipulasi
independent variabel untuk mempengaruhi dependent variabel dan menghasilkan
kondisi yang berbeda yang dapat menjelaskan hubungan sebab akibat. Didalam
metode ini terdapat kelompok manipulasi dan kelompok kontrol.
1.3.2.1.
Independent Variabel (IV)
Variabel yang mempengaruhi DV dan dapat dimanipulasi untuk
mendapatkan hasil data yang diinginkan.
1.3.2.2.
Dependent Variabel (DV)
Variabel yang dipengaruhi IV yang menunjukkan adanya pengaruh.
1.3.2.3.
Kelompok Eksperimen
Kelompok yang dimanipulasi untuk mendapatkan hasil data yang
diinginkan.
1.3.2.4.
Kelompok Kontrol
Kelompok yang tidak diberi treatment untuk melihat perbandingan hasil
data.
1.4. Skala Pengukuran
1.4.1. Skala nominal
Sakala yang digunakan untuk menggolongkan individu kedalam beberapa
kategori yang memiliki nama yang berbeda namun tidak berkaitan secara
sistematik. Contoh: laki-laki digolongkan 0 dan wanita digolongkan 1, sebagai
proses pengkodean saja.
1.4.2. Skala Ordinal
Seperangkat kategori yang mengatur ukuran ranking atau istilah besaran dan
ukuran. Contoh: Ranking 1,2, dan 3, Ukuran baju S, M, atau L, Kelas Ekonomi
rendah, menengah, dan tinggi.
1.4.3. Skala Interval dan Rasio
1.4.3.1.
Skala Interval
Pengkategorian yang memiliki perbedaan yang setara diantara skala dan

besaran. Namun, nilai nol tidak mutlak, contohnya: Suhu, meskipun ada
suhu 0o F tidak berarti tidak ada suhu pada ukuran tersebut
1.4.3.2.
Skala Rasio
Skalaa interfal yang memiliki 0 mutlak didalamnya. Contoh: Berat badan
44,51,49, dan lain-lain, apabila ada berat badan 0 artinya tidak memiliki
berat sama sekali. Tinggi badan 160,180, dan 190.
1.5. Notasi Statistika
1.5.1. X, digunakan untuk menggambarkan nilai dari variabel.
1.5.2. Y, digunakan untuk menggambarkan nilai lain dari variabel.
1.5.3. N, digunakan untuk menggambarkan nilai jumlah dari suatu populasi.
1.5.4. n, digunakan untuk menggambarkan nilai jumlah dari suatu sampel.
1.5.5. (sigma), digunakan untuk hasil dari penjumlahan.
BAB 2
FREKUENSI DISTRIBUSI
2. Frekuensi Distribusi
2.1. Definisi Frekuensi Distribusi
Pengolahan angka dari setiap individu yang dilokasikan pada setiap kategori dari
skala pengukuran. Atau megatur skor tertingi hingga skor terendah dari suatu hasil.
2.2. Tabel Frekuensi Distribusi
Didapatkan suatu data, N = 20 dari 10 poin statistika, skor nya adalah sbb:
X
10
9
8
7
6
5
4

f
2
5
7
3
2
0
1

Tabel tersebut mengatur skor menjadi lebih tertata. Seperti skor

10 ada 2 kali muncul, 9 ada 5 kali muncul dan seterusnya.
Banyaknya skor yang muncul ini disebut dengan frekuensi (f).
Dari notasi statistik
X= 8+9+8+7+10+9+6+4+9+8+7+8+10+9+8+6+9+7+8+8 =
158

2.3. Grafik Frekuensi Distribusi

Di dalam suatu grafik, garis vertikal disebut sebagai Y-axis atau oridinate dan garis
horizontal disebut sebagai X-axis. Untuk pengukuran dengan skala rasio atau
interval, menggunakan grafik histogram atau poligon.
2.3.1. Grafik Histogram
Mengggambarkan sketsa dari frekuensi distiribusi yang berbentuk batang pada
setiap skornya.

Frekuensi

Nilai Kuis

Nilai Kuis
Frekuensi
2.3.2.
Grafik Poligon
Grafik ini dapat menggambarkan pengukuran rasio dan interval melalui titik-titik
dari setiap skor antara hubungan X-axis dengan Y-axis.

Tipe Kepribadian

Tipe Kepribadian

2.3.3.
Grafik Batang
Grafik ini digunakan untuk pengukuran nominal atau skala ordinal. Grafik
batang sebenarnya sama dengan histogram, namun memiliki ruang antara skala
dan kategori.

2.3.4. Grafik untuk Populasi dan Distribusi

Semua jenis grafik yang sudah diabarkan diaas dapat digunakan untuk
menjabarkan frekuensi dan populasi. Pada grafik tersebut melibatkan 2 faktor
spesial, yaitu frekuensi relatif dan smooth curves.
2.4. Bentuk Frekuensi Distribusi
Terdapat tiga karakterisitik yang menjabarkan distribusi: bentuk, central tendency,
dan variabilitas. Central Tendency mengukur distribusi secara terpusat. Varibalitias
menjelaskan skor yang tersebar di dalam jangka luas atau muncul bersamaan.Terdaat
dua jenis distribusi,
2.4.1. Distribusi Simetris
menggambarkan garis vertikal menuju bagian tengah sehingga salah satu bagian
distribusi mencerminkan bagian lainnya.
2.4.2. Distribusi Tidak Simetris
nilai terlihat menumpuk pada satu bagian dari pengukuran. Bagian yang ada
tanda bintang disebut sebagai tail distribusi.

Positif

Negatif

2.5. Persentil, Tingkat Persentil, dan Interpolasi

2.5.1. Tingkat persentil
adalah skor yang menjelaskan persentase setiap individu di dalam distribusi
dengan nilai seimbang atau kurang dari nilai tertentu.
2.5.2. Persentil
nilai yang dijabarkan dari tingkat persentil.
2.5.3. Frekuensi Kumulatif dan Persentase Kumulatif
Nilai yang mewakili akumulasi dari setiap individu pada skala tertentu.
2.6. Stem and Leaf
Teknik mengatur data yang merupakan cara alternatif untuk mengelompokkan grafik
atau tabel frekuensi distribusi. Dibagi menjadi dua bagian yaitu nilai stem dan leaf.
Data
Steam dan Leaf
83 82 63
3 23
62 93 78
4 26
71 68 33
5 6279
76 52 97
6 283
85 42 46
7 1643846
32 57 59
8 3521
56 73 74
9 37
74 81 76
Pada angka X=85 nilai stem adalah 8 dan leaf adalah 5.
Pada data diatas angka yang berawalan (nilai stem) 3 memiliki nilai leaf 2 dan 3,
angka yang berawalan 4 (nilai stem) 4 memiliki nilai leaf 2 dan 6 dan seterusnya.

BAB 3
CENTRAL TENDENCY
3. Central Tendency
3.1. Pengenalan Central Tendency
Central tendency adalah pengukuran statistika unutk menjabarkan nilai-nilai yang
respentatif di dalam suatu grup. Central tendency terdiri dari mean, median, dan
modus.

3.2. Mean
Adalah rata-rata suatu data yang dihasilkan dari menambahkan seluruh nilai distriusi
dan membaginya dengan jumlah nilai yang ada.
Formula untuk Mean populasi:
=

Formula untuk Mean sampel:

M=

Contohnya apabila terdapat suatu data sebagai berikut,

Partisipan
A
B
C
D
E
F
Jumlah data (n) = 6

Nilai Non mnemonic

4
2
3
3
2
3
X = 17

Maka,

M = 2.83

Nilai mnemonic
6
4
5
5
4
5
X = 29
M = 4.83

3.3. Median
Adalah nilai tengah dari rata-rata distribusi yang dibagi dengan dua nilai di dalam
suatu grup. Sebagai contoh, apabila kita memiliki seperangkat nilai N=5,
3, 5, 8, 10, 11, nilai tengahnya adalah X = 8 dengan cara membagi N= 5 dengan 2
yang hasilnya 2,5 di dalam data angka 8 berada diantara nilai tersebut.
Atau, apabila kita memiliki N = 6 dengan data 1, 1, 4, 5, 7, 8, maka median
didapatkan dengan 4+5/2 = 4,5.
3.4. Modus
Adalah nilai yang paling sering muncul di dalam data frekuensi distribusi.
Contohnya,
Restoran
Sederhana
Pagi Sore
Hospitality
Hoka bento
Yoshinoya
Luigi

f
5
16
42
18
7
12

Maka, modus dari data tersebut berada di dara ketiga

dengan nilai frekuensi 42.

3.5. Memilih Nilai Pengukuran dalam Central Tendency

Pada data distribusi simetris, mean setara dengan median, sehingga apabila hanya ada
satu nilai yang paling sering muncul berarti memiliki nilai yang sama pula seperti
pada contoh berikut ini.

Mean
Median
Modus
Pada data distribusi non-simetris, posisi modus berada di depan nilai yang bertumpuk,
dan mean berada di depan nilai tail. Posisi median biasanya berada di antara kedua
nilai ini.

Mean

Median

Modus

BAB 4
VARIABILITAS
4. Pengenalan Variabilitas
4.1. Definisi Variabilitas
Pengukuran kuantitatif yang membedakan nilai-nilai yang ada di dalam distribusi.
Variabilitas mencakup range,standar deviasi dan varians.
4.2. Range
Adalah jarak nilai tertinggi dengan nilai terendah di dalam nilai distribusi. Sebagai
contoh, apabila kita memiliki data nilai 1-5 maka range nya adalah 5,5-0,5 = 5.

Sehingga daapt diamabil kesimpulan bahwa range dapat diperoleh dari

Xmax - Xmin + 1.
4.3. Standar Deviasi dan Varians untuk Populasi
4.3.1. Definisi
Deviasi adalah jarak dari mean. (X - )
Standar Deviasi adalah akar dari variasi dan memberikan pengukuran dari
standar, rata-rata dan jarak dari mean. Standar deviasi =
Standar Deviasi =

SS
N

varians

Sum of Square (SS) adalah rata-rata dari akar deviasi. (X - ) atau

X - (X)
N
4.3.2. Contoh Soal
Hitunglah varians dan standar deviasi dai data populasi berikut, N = 5, 1, 9, 5, 8,
7. X = 30 ; = 30/5 = 6
Score
X
1
9
5
8
7

Deviasi
Akar dari Deviasi
(X - )
X-
-5
25
3
9
-1
1
2
4
1
1
Jumlah dari akar deviasi (SS)=
40
Variasi = 40/N = 8
Standar Deviasi = 8 = 2,83

4.4. Standar Deviasi dan Varians untuk Sampel

4.4.1. Pengenalan
Pada sampel terdapat nilai df (degrees of freedom) yang dikenal dengan (n 1).
Nilai df ini dapat digunakan untuk mencari varians, dengan rumus
s =

ss
n1

Standar Deviasi untuk sampel adalah s =

ss
df

BAB 5
Z- SCORES
5. Z- Scores: Penempatan Nilai dan Distribusi
5.1. Pengenalan Z-Score
Z-Score digunakan untuk mengindentifikasi dan menjabarkan keseluruhan nilai

dsitribusi. Nilai Z-Score adalah nilai standar deviasi yang berada diantara X dan .
Z-Score dapat digunakan untuk menguji hipotesis penelitian apabila standar deviasi

) diketahui. Z-score berfungsi untuk membandingkan 2 skor yang berasal dari

distribusi yang berbeda dan menentukan posisi suatu nilai distribusi, dapat berupa
nilai yang positif atau negatif.
5.1.1. Membandingkan 2 skor yang berasal dari distribusi yang berbeda
Contoh, David mendapatkan nilai X=60 pada ujian psikologi dan skor X = 56
pada ujian biologi. Apabila nilai psikologi memiliki =50 ; =10 dan biologi

= 4 ; = 48. Nilai ujian manakah yang lebih baik?

Pada nilai ujian psikologi,

z =X - = 60-50 = +1.0

10
Pada nilai ujian biologi,
z = 56 48 = = +2.0
4
Sehingga, nilai ujian yang lebih baik adalah nilai ujian biologi.

5.2. Cara Menggunakan Z-Score

Ada dua formula Z-score yaitu Z-Score untuk populasi dan sampel.
Z-Score untuk Populasi, z = X -

Z- Score untuk Sampel, z = X M

s
Contohnya, diketahi mean dari sampel adalah 60 dan standar deviasinya 5. Berapa
nilai X apabila z = -3.00?
Untuk menyelesaikan soal ini, dapat menggunakan definisi sesungguhnya dari Zscore yaitu, X = + z
Maka, X = 60 15 = 45.
5.3. Menggunakan Z-Score untuk Membakukan Distribusi
5.3.1. Shape
Terdapat beberapa bentuk ilai distribusi yaitu nilai negatif dan positif.
5.3.2. Mean
Di dalam Z-score nilai akan selalu = 0.
5.3.3. Standar Deviasi
Standar deviasi pada Z-Score akan selalu = 1.

5.4. Z-Score dalam Inferensial Statistik

Z-score menjabarkan metode objektif dalam menjelaskan seberapa baik skor tersebut
mencerminkan populasi. Z-core yang mendekati nilai 0 mengindikasikan skor
tersebut representatif. Apabila nilai z-score diaantara +2.00 atau -2.00
mengindikasikan skor tersebut ekstrim dan sangat terlihat perbedaannya dari skor
yang lain.

BAB 6
PELUANG
6. Preview
6.1. Peluang dan Distribusi Normal
Pada pendistribusian normal, peluang dapat ditemukan di dalam tabel. Tabel ini
memiliki daftar proporsi distribusi yang bekaitan dengan z-score.
6.2. Pengenalan Peluang
Probability digunakan untuk memprediksi sampel apa yang akan didapatkan dari
suatu populasi, yang berarti probability menghubungkan antara popuilasi dan sampel
yang digunakan untuk membuat kesimpulan atas suatu populasi.
Formula Probability adalah,
angka A
total angka yang mungkin muncul

p(A) =

Sebagai contoh, Dalam kartu bridge (52 kartu) terdapat 4 buah kartu King, berapakah
peluang kartu King itu akan muncul?
p(A) =

4
52
34,13%

13,59%

2,28%

-2

-1

+1

+2

Sebagai contoh, Distribusi dari sebuah populasi dengan = 500 dan

= 100.

Diketahui proporsi distribusi ini normal sehingga kita dapat menentukan peluang
tersebut. Berapakah peluang daari individu yang memiliki nilai SAT lebih dari 700?
p(X > 700) = ?
z = X - = 700 500 = 2

100

Maka, nilai SAT dari X= 700 memiliki 2 standar deviasi yang mana z = +2.00.Maka
proporsi menjadi p(z > 2.00). Nilai 2.00 memiliki distribusi normal 2,28% sehingga
p (X > 7-00) = p(z > 200) = 2,28%
6.3. Distribusi Binomial
Digunakan pada saat prosedur pengukuran mengelompok individu ke dalam 2
kateogri. Kedua kategori diindentifikasi sebgai A dan B, dengan peluang
p(A) = p dan p(B) = q
Distribusi Binomaial memberilak nilai peluang X yang setara fengan angka kejadian
A dan jumlah (n). Sebagai contoh, X setara dengan nilai koin kepala n = 10 lalu ditos.
pn dan qn akan didistribusikan menjadi = pn = npq atau di dalam zscore menjadi, z =

X pn
npq

Dengan menggunakan z-score dan tabel normal distribusi, kita dapt menemukan nilai
peluang pada asetaip nilai X.

BAB 7
PELUANG DAN SAMPEL: PENDISTRIBUSIAN MEAN SAMPEL
7. Preview
7.1. Sampel dan Populasi
Di dalam distribusi, sampel diartikan sebagai seperangkat Ms yang dapat diperoleh
secara acak di dalam populasi. Menurut teori central limit, parameter distribusi
diikuti,
7.1.1. Bentuk
Mean sampel dinyatakan normal apabila salah satu dari 2 kondisi memiliki
populasi yang normal dan ukuran sampelnya relatif luas (n=30 atau lebih).
7.1.2. Central Tendency
Mean dari distribusi sampel disebut sebagai M.
7.1.3. Varabilitas
Standar deviasi pada distribusi disebut sebagai standar error dan M memiliki
formula,

atau

Standar error mengukur jarak antara mean sampel dengan mean populasi.
7.2. Perbedaan antara Standar Deviasi dengan Standar Error
Standar Deviiasi mengukur jarak antara nilai dengan mean populasi, X - . Pada nilai

distribusi standar deviasi adalah nilai yang tepat untuk mengukur variabilitas.
Sedangkan standar error mengukuran jarak antara mean sampel dengan mean
populasi M - . Ketika kita ragu dengan nilai sampel, standar error adalah nilai yang
tepat untuk mengukur variabilitas.
7.3. Perbedaan Konsep Sampling Error dengan Standard Error
7.3.1. Sampling Error
Secara umum, sampling error adalah sampel yang tidak memiliki nilai yang
akurat dari populasinya. Secara spesifik, terdapat kesalahan (error) diantara
sampel dengan parameter populasi.
7.3.2. Standar Error
Apabila mean sampel hampir mendekati mean populasi yang memiliki nilai
akurat dari suatu populasi itu disebut sebagai standar error. Secara singkat,
standar error menyediakan cara untuk mengukur rata-rata atau standar diantara
mean populasi dan mean sampel.
7.4. Standar Error Sebagai Pengukur Reabilitas
Istilah reabilitas adalah prosedur pengukuran yang terkait dengan perbedaan
pengukuran pada suatu hal yang sama atau identik. Nilai-nilai yang digunakan untuk
menghitung standar error.
7.4.1. Nilai yang ada di dalam suatu sampel, apabila hanya ada 2 atau 3 nilai didalam
suatu sampel, maka hana ada beberapa nilai yang memiliki pengaruh besar
terhadap mean sampel.
7.4.2. Besaran nilai standar deviasi dalam populasi, ketika standar deviasi besar
berarti nilai tersebut memiliki range yang luas yang memungkinkan terdapat 1
atau 2 skor yang memiliki perbedaan yang sangat ekstrem yang dpat
mempengaruhi mean sampel.

BAB 8
PENGENALAN UJI HIPOTESIS
8. Preview
8.1. Logika Uji Hipotesis
Uji Hipotesis adalah metode statistika yang digunakan untuk mengevaluasi dugaan
sementara terhadap populasi.Prosedur melakukan uji hipotesis adalah,
8.1.1. Nyatakan hipotesis dengan parameter. Ada dua jenis hipotesis yang dapat kita
buat yaitu H0 dan H1.
8.1.1.1.
H0 (null hipotesis) adalah dugaan yang menyatakan tidak terdapat
suatu pengaruh atau hubungan didalam eksperimen.
8.1.1.2.
H1 (alternatif hipotesis) adalah dugaan yang menyatakan terdapat
suatu pengaruh atau hubungan didalam eksperimen.
8.1.2. Sebelum memilih sampel, gunakan dugaan sementara untuk memprediksi
karakteristik sampel yang harus dimiliki. Dengan menggunakan kriteria nilai
alpha () yaitu nilai peluang di dalam uji hipotesis dapat bernilai .05 atau .01 dan
area kritis yang menentukan hipotesis diterima atau tidak.

8.1.3. Membandingkan data sampel yang kita dapatkan dengan prediksi yang sudah
kita buat melalui hipotesis. Dengan cara melakukan penghitungan menggunakan
z-score z = M - , M diperoleh dari mean data sampel
M
8.1.4. Menentukan kesimpulan, kesimpulan dapat diperoleh dengan melihat apakah
nilai z yang didapat berada di dalam atau di luar area kritis. Apabila nilai z
berada didalam area kritis maka H0 dinyatakan ditolak dan H1 diterima.
8.2. Jenis-Jenis Error di dalam Uji Hipotesis
8.2.1. Error Tipe 1
Kesalahan ini terjadi ketika hasil data menunjukan oenolakan terhadap
kebenaran H0. Hal ini disebabkan kesalahan melakukan treatment.
8.2.2. Error Tipe 2
Kesalahan ini terjadi ketika hasil data menolak kesalahan H0.
8.3. Jenis Kurva Tail pada Uji Hipotesis
One-tailed test digunakan dalam uji hipotesis karena dapat menunjukkan peningkatan
atau penurnan dalam mean populasi. Ada dua jenis kurva tail yaitu One tailed dan
Two Tailed. One tail digunakan pada saat hipotesis menunjukkan adanya peningkatan
atau penurunan, sedangkan two tailed digunakan apabila belum jeas terdapat
penurunan atau peninggkatan.

One tailed decreased

One tailed increased

Two tailed

Untuk menggunakan uji hipotesis sebagai uji evaluasi efek signifikan terhadap suatu
treatment, disarankan peneliti juga mengukuran besar efeknya. Dengan
menggunakan Cohens d yang merupakan pengukuran perbedaan mean dengan
membagikan perbedaan mean dengan stanar deviasinya.
8.4. Power Hipotesis
Peluang yang menunjukkan penolaka terhadap null hipotesis (H0). Untuk
menjabarkan power hipotesis, pertama indentifikasi perlakukan dan distribusi null.
Lalu, spesifikasikan besaran efek pada treatment. Kemudian, lokasikan area kritis
dengan distribusi null. Power hipotesis berada di antara nilai kritis dengan area kritis.
Apabila besar efek treatment meningkat maka statistial power juga meningkat. Power
dipengaruhi oleh bebrapa faktor yang dapat dikontrol oleh peneliti. Ketika nilai alpha
meningkat maka power juga meningkat, One-tailed test memiliki kekuatan yang
lebih dari two-tailed test, Hasil sampel yang bear akan memiliki pengaruh
dibangingkan hasil sampel yang kecil.

8.5. Contoh Soal

Diketahui seorang peneliti ingin melihat pengaruh stimulus terhadap peingkatan berat
badan. Diketahui bayi yang berumur 2 buan memiliki berat badan yang rata-ratanya
13 kg. Data ini diperoleh dari departemen kesehatan dengan standar deviasi, 10 kg.
Peneliti mengambil 5 sampel bayi. Ibu dari kelima bayi tersebut dilatih untuk
memberi stimulus selama 2 minggu. Lalu setelah ditimbang kembali diketahui rataratanya 16 kg. Buat dan ujilah hipotesis penelitian terebut!
Diketahui, = 13 kg ;

= 10 kg ; N = 5 ; m = 16 kg

a. Hipotesis
H0= tidak terdapat pengaruh yang signifikan stimulus terhadap berat badan bayi.
b. Kriteria
Karena alpha tidak diketahui maka digunakan ketetapan = .05, karena di dalam
hipotesis tidak diketahui pengaruh yang meningkat atau menurun maka digunakan
two-tailed curves. Sehingga nilai alpha dibagi dua menjadi 2,5%

-.025

+.025 z = 1,96(lihat tabel distribusi z-scr)

c. Hitung Data
z=M-
M
Standar Error =
Z=

1613
4,5

10

= 5

= 4,5

= 0,67

d. Kesimpulan
0,67, berada di luar area kritis, sehingga H0 diterima.
Area kritis

-.025

+.025

BAB 9
PENGENALAN t STATISIK
9. Preview
9.1. Nilai t Statistik: Aternatif dari z
t Statistik digunakan untuk menguji hipotesis apabila standar deviasi ( ) tidak
dikettahui. Untuk menggunakan t-statistik, kita harus menghitung varians atau
pengganti standar deviasi untuk mengetahui nilai populasi.
SS
df

Formula Sample Varians, s =

Setelah itu adala formula standar error di dalam t Statistik, SM =

s
n

Sehingga t statistik digunakan dengan membagikan standar error, karena varians

populasi atau standar deviasi tidak diketahui rumus t Statistik adalah,
t=
Persentase besaran efek r2 =

t
t +df
2

M
SM
, digunakan untuk mengukur persentase

variabilitas yang dihitung dengan efek dari perlakuan eksperimen.

T equation, = m t(SM) , merupakan metode alternatif untuk menjabarkan ukuran
dari efek perlakuan apabila mean populasinya tidak diketahui.
t Statistik juga memiliki tabel distribusi seperti z- Score, secara umum langkahlangkah menguji hipotesis dengan z score relatif sama dengan t Statistik, yang
membedakan adalah standar deviasi menjadi standar error, dan tabel distribusi yang
memiliki nilai yang berbeda. Di dalam t Statistik juga terdapat degrees of freedom
(df = n -1) yang digunakan untuk menghitung varians. Selain itu yang membedakan t
statistik dengan z-Score adalah bentuk kurva two tailed nilai alpha tidak perlu dibagi
dua lagi karena sudah tersedia di tabel distribusi t Statistik.
9.2. Uji Hipotesis dengan t Statistik
Sebagai contoh, peneliti ingin meihat efek obat flu terhadap kecepatan reaksi obat.
Diketahui dalam kondisi umum kecepatan waktu rekasi berdistribusi normal dengan
rata-rata kecepatan = 200. Sebuah sampel dengan n=4 partisipan diberi obat flu
tersebut dan didapat rata-rata kecepatan waktu reaksi M = 215 dan SS = 300.
Berdasarkan data tersebut lakukan uji hipotesis untuk melihat efek obat terhadap
kecpatan reaksi.

a. Hipotesis
H0 = tidak terdapat pengaruh signifikan antara efek obat flu terhadap kecepatan
reaksi obat.
b. Kriteria area kritis t
= .05
df = n-1 = 4-1 = 3
t critical = 3,182 (lihat tabel distribusi t Statistik)

-3,182

0 +3,182

c. Hitung data
1. S

ss
n1

2. SM =

s
n

10
4

3. t

M
SM

300
3

= 10

=5

215200
5

=3

d. Kesimpulan

3, berada di luar area kritis sehingga H0 diterima

Area kritis
-3,182

Tabel distribusi t Statistik

+3,182

BAB 10
t TEST UNTUK DUA INDEPENDENT SAMPEL
10. Preview
10.1.
Pengenalan Pengukuran Independent
Pengukuran t statistik untuk 2 data sampel yang berbeda untuk menggambarkan
kesimpulan perbedaan mean diantara dua populasi atau dua perlakuan yang berbeda.
Terdapat dua penelitian pada umumnya:
a.
Data yang memiliki 2 kelompok yang sangat berbeda, contohnya antara
kelompok laki-laki dan perempuan atau antara kelompok yang memiliki laptop
dengan kelompok yang tidak memiliki laptop.
b.
Data yang didapatkan dari kelompok yang sama, contohnya nilai yang
diperoleh pada saat sebelum dan sesudah dilakukan perlakuan.
10.2.
Struktur untuk t Statistik Pengukuran Independent
10.2.1. Hipotesis
H0 : 1 2=0 (Tidak ada perbedaan diantara mean populasi)
H1 : 1 2 0 (Terdapat perbedaan)
10.2.2. Formula untuk menghitung independent measure
Secara dasar t statistik memiliki persamaan dengan single-sampel hipotesis.

t=

sampel statistik parameter hipotesis populasi

standar error

Lalu secara garis besar formula t statistik adalah,

t=

M
Sm

Karena independent measure menggunakan dua kelompok data yang berbeda

maka formula sesungguhnya adalah,

t=

( M 1M 2 )( 1 2)
S (M 1M 2)

Secara umum ketika H0 itu tepat, maka selalu 0

Untuk menghitung total standar error independent- measure t statistik(SM),
diperoleh formula sebagai berikut,
S(M1-M2) =

s p+ s p
n 1n 2

Namun, tidak selamanya jumlah data pada kelompok populasi itu sama, apabila
jumlah data kelompok populasi 1 dan 2 berbeda maka digunakan pooled
variance (sp).

sp =

SS 1+ SS 2
df 1+df 2

10.3.
Uji Hipotesis
Seorang peneliti melakukan survey terhadap orang tua murid untuk mendapatkan
informasi tentang kebiasaaan murid menonton TV ketika berumur 5 tahun terhadap
prestasi mereka di SMA saat ini. Berdasarkan hasil survey, peneliti memilih sampel n
Data adalah Anak-anak SMA
Menonton Sesame Street
Tidak nonton Sesame Street
86 99
90 79
87 97
89 83
91 94
82 86
97 89
83 81
98 92
85 92
n = 10
n = 10
M = 93
M = 85
SS= 200
SS =160
= 10 dengan pengalaman menonton Sesame Street dan 10 sampel lain tidak
menonton Sesame Street.
1.

Hipotesis
H0 : 1 2=0

(Tidak ada perbedaan diantara mean populasi)

H1 : 1 2 0 (Terdapat perbedaan), apabila = .01

2. Area Kritis
df = df1 + df2
(n1 + n2 1) = 18
Maka nilai t = 2,878 (Lihat tabel distribusi)

-2,878

+2,878

3. Hitung data
sp =

SS 1+ SS 2
df 1+df 2

S(M1-M2) =

s p+ s p
n 1n 2

200+ 160
9+ 9

= 20

20+20
10 10

=2

Kemudian, hitung nilai t statistik

( M 1M 2 )( 1 2)
S (M 1M 2)

t=

( 9385 )0
2

=4

4.
Kesimpulan
Bandingkan nilai t hitung yang didaptkan dengan nilait tabel. Nilai t hitung = 4 dan
nilai t tabel = 2,878. Dapat disimpulkan nilai t hitung berada di dalam area kritis
sehingga H0 ditolak.

t = 4 (Berada di dalam area kritis)

area kritis
-2,878

+2,878

10.4.
Nilai Besaran Efek
Ketika uji hipotesis memberikan perbedaan yang signifikan, Anda harus memasukan
pengukuran di dalam besaran efek. Salah satu pengukutan besaran efek adalah
Cohens d yang merupakan standar pengukuran t- statistik.
M 1M 2
s p
Selain itu dapat digunakan persentase varians, r =

t
t +df

BAB 11
t TEST UNTUK 2 RELATED SAMPEL
11. Preview

11.1.
Pengenalan Repeated Measure
Pada perhitungan statistik ini, individu di dalam sampel saling berhubungan satu
Partisipan
Nilai Pertama
Nilai Kedua
1
12
15
2
10
14
3
15
17
4
17
17
5
12
18
sama lain. Terdapat satu kelompok sampel yang dibandingkan pada saat sebelum dan
sesudah diberikan perlakuan.

Nilai kedua pada data ini berasal dari partisipan yang sama tetapi merupakan nilai dari
perlakuan yang berbeda.

11.2.
Bentuk t Statistik pada Repeated Measure
Nilai difference digunakan pada data repeated measure, nilai ini digunakan untuk
Partisipan
1
2
3
4
5
MD =

Nilai Pertama
15
10
15
17
16
D
15
=
n
5

Nilai Kedua
12
24
17
17
18

D (X2-X1)
-3
14
2
0
2
D = 15

=3

menghitung perbedaan data yang dihasilkan pada treatmen sebelum dan sesudah
atapun treatment 1 dan treatment 2.
MD = Mean untuk skor D
Formula t Statistik Repeated Measure
t=

MDD
SMD

Formula standar error pada t Statistik Repeated Measure

SMD =

s
n

11.3.
Uji Hipotesis
Penelitian mendapatkan bahwa warna merah meningkatkan daya tarik wanita
terhadap pria. Untuk membuktikan studi tersebut peneliti menyiapkan 30 foto wanita
Partisipan

Latar warna
putih
6
8
7
7
8
6
5
10
8
MD = 27/9 = 3

A
B
C
D
E
F
G
H
I

SS = D -

D
n

= 99 -

Latar warna
merah
9
9
10
11
11
9
11
11
11

27
9

3
1
3
4
3
3
6
1
3
D = 27

9
1
9
16
9
9
36
1
9
D = 99

= 99 81 =

18
dengan latar warna putih dan latar warna merah. Diambil 9 sampel dari populasi
tersebut, dan diperoleh hasil sebagai berikut.

1.

Hipotesis
H0 : 1 2=0

(Tidak ada perbedaan diantara mean populasi)

H1 : 1 2 0 (Terdapat perbedaan), apabila = .01

2.
Area kritis
df = n- 1 = 9 1 = 8 dan = .01, maka t = 3.355 (lihat tabel distribusi)

-3,355

+3. 355

3.
Hitung Data
Diketahui bahwa nilai MD = 3 dan nilai SS = 18
varians, s =

SS
df

18
8

= 2,25

SMD

4.

s
n

2,25
9

MDD 30
=
SMD
0,5

= 0,5

=6

Kesimpulan

area kritis
6 (berada di dalam area kritis)
-3,355 0 +3,355
Karena nilai t hitung berada di dalam area kritis maka H0 ditolak.

11.4.
Penggunaan dan Asumsi Repeated Measure t Test
Keuntungan menggunakan repeated measure,
11.4.1. Number of Subjects, menggunakan sedikit subjek dibandingkan independent
measure karena partisipan yang digunakan sama dengan perlakuan yang
berbeda.
11.4.2. Study Changes Overtime, cocok digunakan untuk pembelajaran,
pengembangan yang dapat berubah kapan saja.
11.4.3. Individual diffrerence, perbedaan individu seperti IQ, gender, dan
keperibadian dapat diindentifikasi dengan leih mudah karena ada dua data
berbeda dari 1 partisipan.

BAB 12
PENGENALAN ANALISIS VARIANS (ANOVA)
12. Preview
12.1.
Pengenalan
Analisis Varians (ANOVA) adalah pengujian hipotesis yang digunakan untuk
mengevaluasi perbedaan diantara 2 atau lebih perlakuan (populasi). ANOVA
sangatlah berbeda dengan t Test karena t test hanya dapat menganalisis 2 populasi
saja. Uji statistik pada NAOVA adalah rasio dari 2 varians yang disebut F-ratio.
Varians dari F-ratio disebut sebagai nilai MS. MS =

F-ratio =

MS between
MS within

Varians ANOVA dibagi menjadi 2 bagian, yaitu:

SS
df

12.1.1. Between-Treatments Variance

Adalah hasil skor yang diperoleh dari perbedaan umum kondisi perlakuan. Dapat
disebabkan efek treatment yang sistematis dan faktor tidak sistematik.
12.1.2. Within-Treatments Variance
Adalah hasil skor yang diperoleh dari masing-masing perbedaan kondisi
perlakuan. Dapat disebebkan faktor tidak sistematik.
Secara umum anova dibagi menjadi dua bagian yaitu:
12.1.3. Anova One Way Factor
Adalah penghitungan statistik yang Dependent Variabel (DV) dipengaruhi oleh
satu variabel Independent (IV). One way dibagi lagi menjadi Independent
Measure dan Repeated Measure.
Contoh, Pengaruh warna piring terhadap nafsu makan anak-anak.
12.1.4. Anova Two Way Factor
Adalah penghitungagn statistik yang Dependent Variabel (DV) dipengaruhi oleh
dua variabel Independent (IV). Two way dibagi lagi menjadi 3 bagian, yaitu
Independent measure, repeated measure, dan mixture anova.
Contoh, Pengaruh warna piring dan lauk makanan terhadap nafsu makan anak.
12.2.

Notasi dan Formula ANOVA

Treatment 1
4
3
6
3
4

Treatment 2
0
1
3
1
0

Treatment 3
1
2
2
0
0

12.2.1. Notasi ANOVA

12.2.1.1. k, jumlah treatment pada percobaan. Pada tabel diatas jumlah
percobaan (k) = 3.
12.2.1.2. n, jumlah nilai pada setiap treatment. Pada tabel diatas jumlah nilai
adalah(n) = 5.
12.2.1.3. N = kn, adalah total nilai pada seluruh treatment atau sesuai dengan
tabel diatas 3(5) = 15.
12.2.1.4. T, Total nilai pada treatment atau dikenal dengan X. Pada tabel diatas
nilai T2 adalah 5.
12.2.1.5. G, adalah nilai keseluruhan treatment atau T. Pada tabel diatas nilai G
adalah 30.
12.2.2. Formula ANOVA
12.2.2.1. Sum of Squares (SS)
SS Total

= X -

G2
N

SS Within
SS between
12.2.2.2.

Degrees of Freedom (DF)

df total
df within
df between
12.2.2.3.

12.3.

= SS setiap treatment
= SS Total SS Within

=N1
= df setiap treatment
=k1

Varians (MS) dan F-Ratio

MS between

SS between
df between

MS within

SS within
df within

F- ratio

MS between
MS within

Uji Hipotesis ANOVA

9 kaki
3
0
2
0
0
T=5
SS = 8

Hipotesis
H0 : 1 2=0

12 kaki
4
3
1
1
1
T = 10
SS = 8

15 kaki
7
6
5
4
3
T = 25
SS = 10

18 kaki
6
3
4
3
4
T = 20
SS = 6

1.

(Tidak ada perbedaan diantara mean populasi)

H1 : 1 2 0 (Terdapat perbedaan), apabila = .05

2.
Area kritis
df total
= N 1 = 20 1
= 19
df between
=k1=41
=3
df within
= df
= 16
F ( df between, df within)
F ( numerator, denominator)
F (3,16) = lihat tabel distribusi maka F-ratio = 3,24
3.

F-Ratio

N = 20
G = 60
X = 262

G
N

= 262 -180 = 82

SS total

= X -

SS within
SS between

= SS = 8+8+10+6 = 32
= 82-32 = 50

MS between =

SS between
df between

MS within

SS within
df within

F. Ratio

MS between
MS within

50
3

32
16

= 16,67
=2

16,67
2

= 8,33

4.
Kesimpulan
Karena nilai F hitung = 8,33 dan berada di dalam area kritis maka H0 ditolak. Selain
itu nilai (p < .05) sehingga H0 ditolak.

Area kritis (3,24)

8,33
1

12.4.
Hubungan Antara ANOVA dan t Test
Hubungannya adalah F = t , ada beberapa poin perbandingan t score dan F ratio,
12.4.1. Cara uji hipotesis yang serupa yaitu, H0 : 1 2=0 ; H1 : 1 2 0
12.4.2. Degree of Freedom (df) yang identik.
12.4.3. Adanya hubungan F = t. Apabila t-test memiliki nlai df = 18 dan F ratio
memiliki df = 1, 18 maka setiap nilai t negatif yang di akar akan menjadi nilai
yang positif yang membuat distribusi menjadi tidak simetris.

BAB 13
REPEATED MEASURE ANOVA
13. Preview
13.1.
Pengenalan Repeated Measure Anova
Perhitungan ini digunakan untuk mengevaluasi perbedaan mean yang diperoleh dari
penelitian yang membandingkan dua atau lebih treatment dari satu kelompok yang
memiliki treatment yang berbeda. Pada uji statistik ini F-ratio memiliki variance
(difference) yang membedakannya dengan Independent Measure ANOVA.
13.2.

Uji Hipotesis Repeated Measure ANOVA

Partisipan
Treatment 1
Treatment 2
A
3
5
B
4
14
C
5
7
D
4
6
Nilai P adalah total dari treatment 1 dan 2
Hipotesis
H0 : 1 2=0

P
8
18
12
10

1.

(Tidak ada perbedaan diantara mean populasi)

H1 : 1 2 0 (Terdapat perbedaan), apabila = .05

2.
Area kritis
df total
= N 1 = 8-1
=7
df between
= k 1 = 2 -1
=1
df within
= df
=6
df between subject = n 1 = 4 -1
=3
df error
= df with. df betw. subject = 3
F ( df between, df between subject)
F ( numerator, denominator)
F (1,3) = lihat tabel distribusi maka F-ratio = 10,13
3.

F-Ratio
2

G
N

SS total

= X -

SS within
SS between

= SS
= 84 52

= 84
= 52
= 32

SS between sub =
SS error

P G

k
N

= ss within ss between sub. = 24

= 28

G = 48
X = 372
N=8

MS between =

SS between
df between

32
1

= 32

MS error

SS within
df within

24
3

=8

F. Ratio

MS between
MS error

32
8

=4

4.
Kesimpulan
Karena nilai F hitung tidak berada di area kritis maka H0 diterima.

nilai F = 4
area kritis
0

10,13

13.3.
Repeated Measures t Test
Inilah beberapa dasar perbedaan Repeated Measures ANOVA dengan t Test,
13.3.1. Two test selalu memperoleh kesimpulan yang sama terhadap H0.
13.3.2. Hubungan dasar diantara ANOVA dan t Test adlah F = t.
13.3.3. Nilai df untuk t statistik indentik dengan nilai ANOVA.
13.3.4. Ketika Anda mengakarkan nilai kritis t test akan terlihat hubungan F = t.
Partisipan
Treatment 1
Treatment 2
P
MD = 4
A
3
5
8
SSD = 48
B
4
14
18
C
5
7
12
D
4
6
10
n = 4 dan = .05 sehingga nilai t = 3,182 (nilai area kritis). Perbedaan mean
MD = 4 , sehingga
t=

MDD
S MD

40
2

=2

Maka, terbukti hubungan F = t , bahwa hasil F dari ANOVA 4 merupakan 4 =

2.
13.4.
Besaran Efek ANOVA
Diukur degan menggunakan persenase varians yang dihitung dari efek setiap
treatment. Formulanya adalah,
=

SS between
SS totalSs between subject

SS between treatments
SS between treatment + SS error
Ketika nilai F-ratio yang diperoleh signifikan (H0 ditolak), itu menandakan ada
perbedaan yang signifikan diantara kondisi 2 treatment, untuk membuktikan dimana
perbedaan tersebut, post hoc test adalah solusinya.

BAB 14
TWO FACTOR ANALISIS VARIANS (ANOVA)
INDEPENDENT MEASURE
14. Preview
14.1.
Pengenalan Two Factor ANOVA Independent Measure
Penelitian dengan dua Independent Variabel (IV) disebut sebagai two way factor
design. Sehingga terdapat dua faktor yang mempengaruhi yaitu faktor A dan faktor
B.
14.2.

Notasi dan Formula Two Way ANOVA

Factor B
Arousal Level

Easy
Factor A
Task Difficulity

Difficult

Low
3
1
1
6
4
M=3
T = 15
SS = 18
0
2
0
0
3
M=1
T=5
SS = 8

Medium
1
4
8
6
6
M=5
T = 25
SS = 28
2
2
2
2
M=3
T = 15
SS = 20

High
10
10
14
7
9
M = 10
T = 50
SS = 26
1
7q
1
6
1
M=2
T = 10
SS = 20

T.Col 1= 20

T. Col 2 = 40

T.Col 3 = 60

T.Row1 = 90
N= 30
G = 120
X= 860
T.Row2 = 30

14.2.1. Notasi
14.2.1.1. Factor A, mendefinisikan baris matrix.
14.2.1.2. Factor B mendefinisikan kolom matrix.
14.2.1.3. Interaksi ( A x B ), mengevaluasi perbedaan mean antar treatment.

14.2.2. Formula
14.2.2.1. Within- treatment Variabilitas
SS Within = SS setiap treatment
df within = df setiap treatment
14.2.2.2. Between-treatment Variabilitas
SS between = SS total SS within
T

G
N

df between = jumlah cells 1

14.2.2.3. Faktor
2

SSA

G
N

T row
= n row
T
= n

G
N

df between = jumlah cells 1

14.2.2.4. Faktor A
=

SSA

T 2 row

n row

G
N

dfA
= jumlah baris 1
14.2.2.5. Faktor B
=

SSB

T 2 col

n col

G
N

dfB
= jumlah kolom 1
14.2.2.6. Interaksi (A x B)
SS A x B
= SS between SSA - SSB
df A x B
= df between dfA - dfB
14.2.2.7. Mean Square (MS)
MS within

SS within
df within

MS A

SS A
df A

MS A x B

SS AxB
df AxB

14.2.2.8.
FA

F-Ratio
=

MS A
MS Within

MS B
MS Within

FB

F Ax B

MS AxB
= MS Within

14.2.2.9.

Besaran Efek
2 =

SS A
SS totalSS BSS AxB

2 A=
2

B=

SS A
SS A +Ss within

SS B
SS B+ Ss within

AxB=

SS AxB
SS AxB+Ss within