Konsep Statistika
STATISTIKA :
Kegiatan untuk :
KEGUNAAN
• mengumpulkan data
• menyajikan data
• menganalisis data dengan metode tertentu ?
• menginterpretasikan hasil analisis
Melalui fase
STATISTIKA DESKRIPTIF :
Berkenaan dengan pengumpulan, pengolahan, dan penyajian sebagian
atau seluruh data (pengamatan) tanpa pengambilan kesimpulan
dan fase
STATISTIKA INFERENSI :
Setelah data dikumpulkan, maka dilakukan berbagai metode statistik untuk
menganalisis data, dan kemudian dilakukan interpretasi serta diambil kesimpulan.
Statistika inferensi akan menghasilkan generalisasi (jika sampel representatif)
2. Statistika & Metode Ilmiah
METODE ILMIAH :
Adalah salah satu cara mencari kebenaran yang bila ditinjau
dari segi penerapannya, resiko untuk keliru paling kecil.
5. Mengambil kesimpulan
INSTRUMEN
SAMPEL
SIFAT DATA
PERAN STATISTIKA
VARIABEL
METODE ANALISIS
3. Data
DATA
NOMINA INTERVA
L L
ORDINA RASIO
L
4. Data
DATA NOMINAL :
Data berskala nominal adalah data yang diperoleh dengan cara kategorisasi atau
klasifikasi.
CIRI : posisi data setara
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH : jenis kelamin, jenis pekerjaan
DATA ORDINAL :
Data berskala ordinal adalah data yang dipeoleh dengan cara kategorisasi atau
klasifikasi, tetapi di antara data tersebut terdapat hubungan
CIRI : posisi data tidak setara
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH : kepuasan kerja, motivasi
DATA INTERVAL :
Data berskala interval adalah data yang diperoleh dengan cara pengukuran, di mana
jarak antara dua titik skala sudah diketahui.
CIRI : Tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : temperatur yang diukur berdasarkan 0C dan 0F, sistem kalender
DATA RASIO :
Data berskala rasio adalah data yang diperoleh dengan cara pengukuran, di mana
jarak antara dua titik skala sudah diketahui dan mempunyai titik 0 absolut.
CIRI : tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : gaji, skor ujian, jumlah buku
5. Pengolahan Data
MUL
AI
TABEL
Tabel 1.1 Bidang Pekerjaan berdasarkan Latar Belakang Pendidikan
Count
pendidikan
SMU Akademi Sarjana Jumlah
bidang administrasi 1 8 6 15
pekerjaan personalia 1 7 8
produksi 4 3 5 12
marketing 2 14 11 27
keuangan 3 4 6 13
Jumlah 10 30 35 75
bidang pekerjaan
GRAFIK administrasi
personalia
produksi
marketing
keuangan
TABEL : memberikan informasi secara rinci. Terdiri atas kolom dan baris
Jenis Grafik :
4
• Grafik Batang (Bar)
3
• Grafik Garis (line)
Sumbu
2
tegak
20 20
10 10
Jumlah
Count
0 0
administrasi personalia produksi marketing keuangan administrasi personalia produksi marketing keuangan
keuangan
administrasi
700000
600000
personalia
500000
Mean gaji perbulan
Jenis kelamin
400000
marketing
laki-laki
produksi
300000 w anita
sangat jelek jelek cukup baik baik sangat baik
prestasi kerja
11. Frekuensi
k
n = Σ fi = f1 + f2 + f3 +….. + fi + …… +
fk
i=1
12. Distribusi Frekuensi
n
X + X2 + X3 + … +
X= 1 Σ Xi
Xn i =1
n n
Bila terdapat sekumpulan bilangan di mana masing-masing bilangannya memiliki frekuen
maka rata-rata hitung menjadi :
k
X f + X2 f2 + X3 f3 + … + Σ Xifi
X= 1 1
Xkfk i =1
f1 + f2 + f3 + … + fk k
Σ fi
Cara menghitung : i =1
MEDIAN : nilai tengah dari sekumpulan data setelah diurutkan yang fungsinya memban
memperjelas kedudukan suatu data.
Contoh : diketahui rata-rata hitung nilai ulangan dari sejumlah siswa adalah 6.55.
Pertanyaannya adalah apakah siswa yang memperoleh nilai 7
termasuk istimewa, baik, atau biasa-biasa saja ?
Contoh :A : 100 90 80 70 60 50 40 30 20 10
X = 55
B : 100 100 100 100 100 10 10 10 10 10
r = 100 – 10 = 90
C : 100 100 100 90 80 30 20 10 10 10
Rata-rata
17. Deviasi rata-rata
Deviasi Rata-rata :
penyebaran Kelompok A Kelompok B
Berdasarkan harga mutlak Nilai X X - X |X – X| Nilai X X - X |X – X|
simpangan
100 45 45 100 45 45
bilangan-bilangan terhadap rata-
ratanya. 90 35 35 100 45 45
80 25 25 100 45 45
70 15 15 90 35 35
60 5 5 80 25 25
Rata-rata 50 -5 5 30 -25 25
40 -15 15 20 -35 35
30 -25 25 10 -45 45
20 -35 35 10 -45 45
10 -45 45 10 -45 45
Jumlah 0 250 Jumlah 0 390
DR = 250 = 25 DR = 390 = 39
10 10
n
|Xi – X|
Rata-rata DR = Σ
n
i=
1
Skewness = kemiringan
5% 2.5% 2.5%
Uji t : menguji apakah rata-rata suatu populasi sama dengan suatu harga tertentu atau
apakah rata-rata dua populasi sama/berbeda secara signifikan.
Contoh :
Peneliti ingin mengetahui apakah guru yang bekerja selama 8 tahun
memang berbeda dibandingkan dengan guru lainnya.
Ho : p1 = p2
Diperoleh rata2 = 17.26 ; std. Dev = 7.6 ; df = 89 ; t hitung = 11.55
α
Berdasarkan tabel df=89 dan = 0.05 diperoleh t tabel = 1.987
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
guru yang bekerja selama 8 tahun secara signifikan berbeda
dengan
guru lainnya
23. Uji t
2. Uji t dua sampel bebas
Menguji apakah rata-rata dua kelompok yang tidak berhubungan sama/berbeda
Contoh :
Peneliti ingin mengetahi apakah ada perbedaan penghasilan (sebelum
sertifikasi) antara guru yang lulusan S1 dengan yang lulusan S3
Ho : Pb = Pk
Diperoleh : rata2 x = 1951613 ; y = 2722222 ; t hitung = - 7.369
α
Berdasarkan tabel df=69 dan = 0.025 diperoleh t tabel = 1.994
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
Rata-rata penghasilan guru yang S1 berbeda secara signifikan
dengan
penghasilan guru yang S3
24. Uji t
D
t= s Di mana D = rata-rata selisih skor pasangan
D ΣD2 – (ΣD)2
√
sD = Σ d2 Σd =
2
N(N-1) N
Contoh :
Seorang guru ingin mengetahui efektivitas model pembelajaran diskusi.
Setelah selesai pembelajaran pertama, ia memberikan tes dan setelah selesai
pembelajaran kedua kembali ia memberikan tes. Kedua hasil tes tersebut
dibandingkan dengan harapan adanya perbedaan rata-rata tes pertama
dengan kedua.
Ho : Nd = Nc
α
Diperoleh rata2d = 66.28 ; rata2c = 73.84 ; t hitung = -8.904
Berdasarkan tabel df=163 dan = 0.05 diperoleh t tabel = 1.960
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
Terdapat perbedaan yang signifikan antara hasil tes pertama
dengan
hasil tes kedua, sehingga ia menyimpulkan model diskusi efektif
meningkatkan hasil belajar siswanya
25. Uji Keterkaitan
POSITIF NEGATIF
makin besar nilai variabel 1 makin besar nilai variabel 1
menyebabkan makin besar menyebabkan makin kecil
pula nilai variabel 2 nilai variabel 2
Contoh : makin banyak waktu contoh : makin banyak waktu
belajar, makin tinggi skor bermain, makin kecil skor
Ulangan korelasi positif Ulangan korelasi negatif
antara waktu belajar antara waktu bermain
dengan nilai ulangan dengan nilai ulangan
NOL
tidak ada atau tidak menentunya hubungan dua
variabel
contoh : pandai matematika dan jago olah raga ;
pandai matematika dan tidak bisa olah raga ; tidak
pandai matematika dan tidak bisa olah raga
korelasi nol antara matematika dengan olah
raga
26. Uji Keterkaitan
KORELASI PEARSON :
akah di antara kedua variabel terdapat hubungan, dan jika ada hubungan bagaimana
h hubungan dan berapa besar hubungan tersebut.
unakan jika data variabel kontinyu dan kuantitatif
Contoh :
10 orang siswa yang memiliki waktu belajar berbeda dites dengan tes IPS
Siswa : A B C D E F G H I J
Waktu (X) : 2 2 1 3 4 3 4 1 1 2
Tes (Y) : 6 6 4 8 8 7 9 5 4 6
Apakah ada korelasi antara waktu belajar dengan hasil tes ?
Siswa X X2 Y Y2 XY
A
B
ΣX ΣX2 ΣY ΣY2 ΣXY
27. Uji Keterkaitan
Contoh :
10 orang siswa yang memiliki perilaku (sangat baik, baik, cukup, kurang) dibandingkan
dengan tingkat kerajinannya (sangat rajin, rajin, biasa, malas)
Siswa : A B C D E F G H I J
Perilaku : 2 4 1 3 4 2 3 1 3 2
Kerajinan : 3 2 1 4 4 3 2 1 2 3
Apakah ada korelasi antara perilaku siswa dengan kerajinannya ?
Siswa A B C D
Perilaku
Kerajinan
d
d2 Σd2
28. Uji Chi-Square (X2)
Chi-Square (tes independensi) : menguji apakah ada hubungan antara baris dengan
kolom pada sebuah tabel kontingensi. Data yang digunakan adalah data kualitatif.
(O – E)2
X2 = Σ E
Di mana
O = skor yang diobservasi
E = skor yang diharapkan (expected)
Contoh :
Terdapat 20 siswa perempuan dan 10 siswa laki-laki yang fasih berbahasa Inggris, serta
10 siswa perempuan dan 30 siswa laki-laki yang tidak fasih berbahasa Inggris.
Apakah ada hubungan antara jenis kelamin dengan kefasihan berbahasa Inggris ?
Ho = tidak ada hubungan antara baris dengan kolom
H1 = ada hubungan antara baris dengan kolom
P L Σ O E (O-E) (O-E)2 (O-E)2/E
a b a 20 (a+b)(a+c)/N
Fasih
c d b 10 (a+b)(b+d)/N
Tidak fasih
Σ c 10 (c+d)(a+c)/N
d 30 (c+d)(b+d)/N
df = (kolom – 1)(baris – 1)
Jika X2 hitung < X2 tabel, maka Ho diterima
Jika X2 hitung > X2 tabel, maka Ho ditolak
29. Uji Chi-Square (X2)
hi-Square dengan menggunakan SPSS
SUS : apakah ada hubungan pendidikan dengan status marital responden
o = tidak ada hubungan antara baris dengan kolom atau tidak ada hubungan pendidikan
dengan status marital
1 = ada hubungan pendidikan dengan status marital
Dasar pengambilan keputusan :
1. X2 hitung < X2 tabel Ho diterima ; X2 hitung > X2 tabel Ho ditolak
2. probabilitas > 0.05 Ho diterima ; probabilitas < 0.05 Ho ditolak
pendidikan terakhir Total Value df Asymp. Sig. (2-
sided)
S1 S2 S3
Pearson Chi-Square 9,431 6 ,151
status belum kawin 21 3 1 25
perkawinan Likelihood Ratio 9,541 6 ,145
kawin 32 9 6 47
Linear-by-Linear 3,070 1 ,080
janda 5 3 2 10
Association
duda 4 4 0 8
N of Valid Cases 90
Total 62 19 9 90
N of Valid Cases 90
Anova : menguji rata-rata satu kelompok / lebih melalui satu variabel dependen / lebih
berbeda secara signifikan atau tidak.
k
J2j J2 Di mana :
RJKa JKa
F= Σ n - J = jumlah seluruh data
RJKi = j=1 N
N = banyak data
k nj j k J2j
Jki = Σ Σ X k = banyak kelompok
2
- Σ
j=1 i=1
ij
j=1 n nj = banyak anggota kelompok j
j Jj = jumlah data dalam kelompok j
Contoh :
Apakah terdapat perbedaan pandangan terhadap IPS siswa SD, SLTP, SMU ?
Ho : μ1 = μ2 = μ3 (tidak terdapat perbedaan sikap)
Σ 21 7 15 Jki = 11.838
x 4.2 1.4 3 RJKi = = 10/15-3 = 0.833
N-k
32. Uji Anova
Sumber Jumlah Derajat Rata-rata F
adanya Kuadrat (JK) Kebebasan Jumlah Kuadrat
perbedaan (df) (RJK)
Antar kelompok 19.73 k–1=2 9.865 11.838
ANOVA
Test of Homogeneity of Variances penghasilan sesudah lulus sertifikasi
penghasilan sesudah lulus sertifikasi Sum of df Mean Square F Sig.
Levene df1 df2 Sig. Squares
Statistic Between Groups 7824832915 4195620822890,5 2,272 ,068
62,238 60
Within Groups 7318072263 8586094967811,68
1,263 4 85 ,291 993,310 7
Total 8100555555 89
555,550
Ho : varians populasi
F hitung < F tabel maka Ho diterima
identik
Probabilitas > 0.05 Ho penghasilan tidak berbeda
diterima Berdasarkan asal wilayah
33. Uji Anova
MULTIVARIAT ANOVA dengan menggunakan SPSS
Kasus : apakah status marital mempunyai pengaruh yang signifikan terhadap
dana dikeluarkan & usia
Variabel dependen adalah dana yang dikeluarkan & usia ;
Faktor (kelompok) adalah status marital
Ho diterima
Varians tiap variabel identik Ho diterima
Varians populasi identik
34. Uji Anova
Multivariate Tests©
F hitung > F tabel maka Ho tolak rata2 vektor sampel tidak identik
Prob < 0.05 Ho ditolak
Kesimpulan : status perkawinan mempunyai pengaruh terhadap dana yang
dikeluarkan dan usia
Artinya :
Ada kemungkinan responden yang sudah kawin atau pernah kawin
mengeluarkan dana yang berbeda dibandingkan dengan yang belum kawin
dan
kemungkinan usia responden berpengaruh terhadap status perkawinan,
artinya makin tua usia responden kemungkinan sudah menikah makin
besar
Perbedaan dapat dilihat jika dilakukan pengujian lanjutan dengan post hoc