RINGKASANMETODESTATISTIKA

Dewasa ini metode statistika sudah berkembang sangat luas, untuk

mengakomodasi berbagai kondisi data. Karena dalam aplikasinya hampir
tidakbisalepasdariperanankomputer,sebagianbesarmetodetersebuttelah
diimplementasikandalamberbagaipaketstatistika.
Untuk memberikan gambaran umum tentang metode statistika, terutama
yang telah banyak diimplementasikan pada paketpaket komputer, pada
akhir bab ini diberikan ringkasan metode statistika elementer yang banyak
dipergunakan di kalangan peneliti dan semuanya tersedia pada R hanya
beberapametodetidaktersediadalammenuRCommander(lihatBab1).
Berdasarkan asumsi sebaran yang dipergunakan, metode statistika dapat
dibedakanmenjadiduabagianutamayaitu:
1. StatistikaParametrik:yaituanalisisyangdidasarkanatasasumsibahwa
data memiliki sebaran tertentu (diskrit atau kontinu, normal atau tidak
normal) dengan parameter yang belum diketahui. Fungsi metode
statistika adalah untuk meramal parameter, melakukan uji parameter,
atausematamatamelakukaneksplorasiberdasarkaninformasiyangada
padadata.
2. Statistika Nonparametrik: yaitu analisis yang tidak didasarkan atas
asumsi distribusi pada data. Umumnya teknikini dipakai untuk data
dengan uuran kecil sehingga tidak cukupkuat untuk mengasumsikan
distribusitertentupadadata.
Selainduakelompokmetodediatas,belakanganini,dengankemajuanpesat
dibidangkomputasi,telahberkembangmetodestatistikaberbasissimulasi.
Karenalebihbanyakbergantungpadakomputer,metodeiiniseringdisebut
sebagaiCIS(ComputerIntensiveStatistics)

RingkasanMetodeStatistika2/27

1 STATISTIKAPARAMETRIK
Sebagian besar metode statistika diturunkan secara analitik dan deduktif
berdasarkan asumsi fungsi kepadatan. Oleh karena itu, untuk bisa
memanfaatkanmetodetersebutdenganbenar,dataharusmengikutisebaran
tertentu (misalnya Binomial, Poisson, Normal, Eksponensial, Gamma dan
sejenisnya). Persoalan yang dihadapi pada umumnya adalah menduga atau
menguji partemeter yang belum diketahui dari distribusi tertentu yang
dianggap sesuai dengan kondisi data. Metode statistika yang diturunkan
seperti ini disebut metode parametrik. Namun tidak semua metode
parametrik melakukan uji parameter (uji hipotesis), beberapa diantaranya
hanya melakukan eksplorasi informasi yang melaporkan kesimpulan yang
diperolehdarieksplorasitersebut.

1.1 STATISTIKADENGANUJIHIPOTESIS
Dalambeberapakondisi,penelititelahmemilikigambaran(dugaan)tentang
populasi (bisa berdasarkan kajian teori, atau hasil penelitian terkait
sebelumnya). Dalam hal ini, tujuan utama peneliti adalah membuktikan,
dengan alat statistika, apakah dugaan yang yang dimilikidapat

RingkasanMetodeStatistika3/27
dibuktikanbenar atau sebaliknya. Ada dua kelopok besar yang dapat
dilakukandenganujihipotesisyaitu:
1. Ujihipotesisterkaitujireratayaituuntukmengujiataumengestimasi
besarnya rerata 1 kelompok, menguji beda dua kelompok atau lebih,
denganberbagaikondisikelompok(salingbebasatauberpasangan/
tidaksalingbebas).
2. Uji hubungan baik terbatas pada besarnya derajat asosiasi (uji
korelasi)ataumencaribentukhubunganfungsionalbeberapavariabel
(uji regresi). Uji regresi saat ini juga telah berkembang sangat luas
tergantungdistribusivariabelresponyangdihadapi.

UJIRERATA
Dalam statistika parametrik, salah satu parameter yang banyak menarik
perhatian untuk diuji atau diramal adalah parameter rerata (mean). Untuk
data dengan 1 subpopulasi atau 2 subpopulasi (sering juga disebut
kelompokdengansatuatauduakategori,)ujiyangdipakaiadalahujiZatau
T.SedangkanuntuksubpopulasilebihdariduadipergunakanujiFataulebih
dikenaldengananalisivariansi(ANAVA)

UJITDANZ(KELOMPOKDENGANSATU DUAKATEGORI)

Misalkan kita memiliki data dengan kelompok terdiriatas 12 kategori atau

subpopulasi(misalnyakelompokkayamiskin,lakiperempuan,eksperimen
kontrol). Dalam hal ini ada beberapa tujuan dan kondisi data yang
berpengaruh pada pemilihan uji statistika yang dapat dilakukan. Beberapa
kondisiyangbisainidiantaranya:

RingkasanMetodeStatistika4/27
1. Kita ingin menguji apakah rerata keseluruhan populasi sama dengan
angkatertentu.Dalamhaliniadaduaujistatistikayangdapatdilakukan
yaitu:
a. UjiTsatukelompokjikaukuransampelkecildanvariansipopulasi
tidakdiketahui.
b. UjiZsatukelompokjikaukuransampelcukupbesaratauvariansi
populasidiketahui.
2. Kita ingin menguji apakah rerata dua kelompok (yang ada secara
alamiah, misalnya lakiperempuan, dalam kotaluar kota) sama atau
berbeda. Dengan kata lain apakah suatu atribut (jenis kelamin, status
sosial,tempattinggal)berpengaruhterhadapsuatukondisiyangmenjadi
perhatian.
a. Uji T dua kelompok saling bebas jika ukuran sampel kecil dan
variansipopulasitidakdiketahui.
b. UjiZduakelompoksalingbebasjikaukuransampelcukupbesar
atauvariansipopulasidiketahui.
3. Kita ingin menguji apakah rerata dua kelompok (yang muncul dari
rekayasa, misalnya kelompok eksperimenkontrol) sama atau berbeda.
Dengankatalainapakahsuatueksperimenmemberidampaksepertiyang
diperkirakan. Dalam hal ini dua subpopulasi yang terbentuk merupakan
subpopulasiyangtidaksalingbebasataubahkan(satukelompokdengan
dua atribut, pre & post treatment/test atau dua subpopulasi yang saling
berpasangan,eksperimenkontrol)
a. Uji T dua kelompok berpasangan jika ukuran sampel kecil dan
variansipopulasitidakdiketahui.
b. UjiZduakelompokberpasanganjikaukuransampelcukupbesar
atauvariansipopulasidiketahui.

RingkasanMetodeStatistika5/27

UJIF/ANAVA(KELOMPOKDENG ANKATEGORIATAULEBIH)

Jika banyaknya subpopulasi lebih dari dua (tiga atau lebih), maka uji yang
dapat dilakukan adalah uji ANAVA/ANOVA (Analisis variansi/analysis of
variance). Pada umumnya uji anava dibatasi pada subpopulasi yang saling
bebasyaitusubpopulasisatudenganlainnyabukanmerupakansubpopulasi
yang sama, juga bukan merupakan subpopulasi yang berpasangan. Uji
ANAVAdibedakanmenjadiduamacamyaitu:
1. ANAVA satu arah (jika hanya ada satu pengelompokan yang menjadi
perhatian,misalnyastatussosial:kaya,menengah,miskin)
2. ANAVA multi arah (jika hanya ada lebih dari satu pengelompokan yang
menjadi perhatian, misalnya beda ratarata tekanan darah penduduk
dilihatdaristatussosial(kaya,menengah,miskin)danpendidikan(dasar,
menengah, tinggi), atau yang lainnya (suku bangsa: jawa, bali dan
lainnya)
3. MANAVA/MANOVA*) 1 (Multivariat Anava) yaitu ANAVA untuk respon
yangtidaksalingbebas(multivariat).Datamultivariatiniterjadiapabila
kelompok yang sama diamati untuk lebih dari dua atribut (misalnya
untukmahasiswadilihatnilaiTugas,NilaiUjianMiddanNilaiUjianAkhir,
atausatuatributdiamatilebihdariduakali(tekanandarahpasienpagi,
siang dan malam hari). Uji MANOVA kadangkadang disebut juga uji
profil.

Uji dengan tanda *) menunjukkan termasuk metode tingkat menengah atau lanjut

(advanced statistical method) yang diberikan pada tingkat S2/S3. Sedangkan ujiuji lainnya
termasukmetodestatistikadasaryangdiberikanditingkatS1

RingkasanMetodeStatistika6/27

A . UJIPROPORSI

UJIHUBUNGAN
Selain melakukan uji beda rerata beberapa kelompok, kadangkadang kita
inginmengujiapakah duapeubah (atributmasyarakat)salingberhubungan
atau tidak. Dalam hal ini ada dua hal yang umum dilakukan yaitu (i) hany
ainginmengetahuiderajatasosiasi(apakahduavariabelberhubunganpositif
ataunegatif),(ii)inginmengetahuihubunganfungsionalantaraduavariabel
ataulebih.

UJIKORELASI

Uji korelasi hanya ingin mengetahui besarnya derajat asosiasi antara

beberapa variabel (misalnya, antara berat badan, tinggi badan, tekanan
darah dan lainnya). Koefisien korelasi yang biasa dihitung untuk data
berdistribusiNormaladalahkoefisienkorelasiporodukmomenKarlPearson
dariBesarnyaderajatasosiasidinyatakandenganbilanganrdengankisaran
nilai 1 r 1 .

UJIREGRESI

Berbeda dengan uji korelasi, dengan uji regresi kita lebih tertarik pada
hubungan fungsional antara suatu peubah (misalnya y) dengan beberapa
peubahlainnya(misalnya x1 , x2 ,... )yangdinyatakandalambentuk

y = f ( x1 , x2 , ) + e .

RingkasanMetodeStatistika7/27
Variabelydisebutvariabelrespon(terikat)danxidisebutvariabelbebasatau
variabel penjelas. Dari bentuk umum di atas diperoleh beberapa bentuk
analisisregresikhususyangdilihatdarijenisdistribusidatanya.
A. REGRESINORMAL(NORMAL LINEARMODEL),
yaituregresidengandatarespon(y)berdistribusiNormaldansalingbebas.
B. REGRESINORMALCAMPURAN(NORMALMIXEDMODEL)*,
yaituregresiuntukdataresponberdistribusinormaltetapimerupakandata
tidak saling bebas (bisa berasal dari pengamatan berulang, seperti tekanan
darahdalamtigawaktuberbeda)
C. REGRESITERGENERALISIR(GENERALIZEDLINEARMODEL)*,
yaituregresidengandataresponyangtidakberdistribusinormal(misalnya
Binomial,Poisson,Eksponensial).Termasukdalamjenisiniadalahanalisis
probitataulogitatauregresilogistik(untukdataberdistribusiBinomial)dan
analisisloglinieruntukdataberdistribusiPoisson.
D. REGRESICAMPURANTERGENERALISIR(GENERALIZEDLINEAR
MIXEDMODEL)*,
yaitu regresi untuk data yang tidak berdistribusi normal juga tidak bebas.
Termasuk dalam analisi ini adalah GEE (Generalized Estimating Equation),
GLMM, HGLM (Hierarchical Generalized Linear Model), GRASP untuk data
bersipatspasial.
E. REGRESIDENGANMULTIKOLINIERITAS
Selain berdasarkan distribusi sebaran, dalam penerapannya analisis regresi
jugabervariasijikadilihatkompleksitasvariabelpenjelas xi,misalyaapakah
diantaranya ada variabel kategorik berupa kelompok atau faktor (misalnya
jeniskelamin,etnikdansejenisnya),demikianjugaapakahdiantaravariabel

RingkasanMetodeStatistika8/27
penjelas ada yang saling berkorelasi satu dengan lainnya (ada tidaknya
multikolinieritas).
F. REGRESINONLINIER(ADITIF)
Regresiregresi(model)diatasdikelompokkandalamregresi(model)linier
karenamasukknyaparameterkedalammodel,khususnyakaitannyadengan
peubah penjelas. Berupa hubungan linier

x
j =1

ij

yang selanjutnya

dihubungkandenganberbagaifungsilink, g ( ) = xij j .Untukregresinon

j =1

linier khususnya regresi aditif (GAM) bentuk hubungannya adalah

g ( ) = f ( xij j )

G. REGRESIDENGANPENGHALUSAN(SEMIPARAMETRIK)
Adakalanyaselainmembentukfungsinonlinierdenganparameter j ,dapat
jugadikombinasikandengankomponenpenghalusyangbiasadisebutfungsi
nonparametrik.

Keduanya

menghasilkan

regresi

semiparametrik

g ( ) = f ( xij j ) + s ( ) .

H. REGRESIDENGANDIRISENDIRI(ANALISISDERETWAKTU/TIME
SERIES)*.
Sering peneliti tertarik melihat tren dari suatu fenomena dari waktu ke
waktudalamjangkawaktuyangrelatiflama.Misalnyahargarataratabarang
perbulan dalam jangka waktu 23 tahun, biaya listrik ataupun tilpun
perbulan selama 23 tahun. Analisis deret waktu (time series) berkembang
cukup luas dan telah menjadi bidang kajian tersendiri yang banyak
aplikasinyadalambidangekonomi(ekonometrik).

RingkasanMetodeStatistika9/27
1.2 EKSPLORATIF(ANALISISEKSPLORASIDATA)
Tidak semua analsis statistika bertujuan menguji atau meramal parameter.
Ada beberapa analisis, umumnya untuk data multi variabel, lebih bersifat
eksploratif dan hanya melaporkan hasil eksplorasi tanpa harus didahului
olehpendugaanparameter.Namun,analisisinidisisilainmasihdidasarkan
atasasumsibahwaresponyangdiamatimengikutisebarannormal.Beberapa
analisis multivariat (peubah ganda) yang termasuk dalam kelompok ini
diantaranyaadalahanalisisgerombol,analisidiskriminan,analisiskomponen
utama.
5

ANALISISKOMPONENUTAMA

Analisis komponen utama (AKU) disebut juga PCA (Principal Components

Analysis). Jika kita berhadapan dengan data yang memiliki sangat banyak
variabel, sangat mungkin beberapa variabel yang ada saling berhubungan
satu dengan lainnya sehingga jumlah variabel yang sangat banyak tersebut
dapatdireduksimenjadibeberapakomponenyangpenting.Reduksidimensi
variabel ini sangat membantu dalam representasi grafik (yang umumnya
berdimenasi2atau3).Selainitudalamanalisisregresipenggunaananalisis
komponenutamainidapatmenghindarkanadanyapersoalankondisiburuk
akibatadanyamatriksingulerataumendekatisinguler.Kondisiburukakibat
adanya matrik singuler atau mendekati singuler, dapat berakibat tidak
konvergennya pendugaan parameter dalam analisis regresi, sehingga
analisis regresi menjadi tidak menghasilkan estimasi atau menghasilkan
estimasiyangsesungguhnyatidakbenar.

ANALISISGEROMBOL(CLUSTERANALYSIS)*

Jika kita menghadapi populasi dengan sangat banyak atribut (misalnya

potensi daerah suatu kabupaten yang terdiri atas banyak variabel potensi
wilayah),kitamungkininginmengetahuipengelompokanwilayahatasdasar

RingkasanMetodeStatistika10/27
kedekatan potensi sehingga memudahkan pemerintah daerah membuat
kebijakanyang

sesuai

dengan

wilayah

tersebut.

Analisis

untuk

pengelompokkansepertiinidisebutanalisisgerombol.Analisisgerombolini
adayangbersifathirarkis(bertingkat)adajugayangtidak.

ANA LIS ISDISK RI MINAN

Berbeda

dengan

kondisi

sebelumnya

dimana

pada

dasarnya

pengelompokkan belum ada dan peneliti ingin mengelompokkan suatu

populasi menjadi beberapa kelompok yang relatif homogin. Dalam analisis
diskriminan pengelompokan telah ada (misalnya jurusan pada suatu
fakultas) dan tugas peneliti adalah merumuskan fungsi yang membedakan
(diskriminan) masingmasing kelompok yang ada berdasarkan variabel
variabel yang dimiliki kelompok yang ada (misalnya dalam hal
pengelompokan jurusan dapat dilihat nilai NEM, NilaiUjian SPMB atau Nilai
IP Semester untuk bidang MIPA, Matematika, Fisika, Biologi, Kimia). Hal ini
bermanfaat untuk melakukan pengelompokan ulang yang lebih sesuai atau
pengelompokkananggotabarukedalamsalahsatukelompokyangtelahada.

RingkasanMetodeStatistika11/27

2 STATISTIKANONPARAMETRIK
Statistika nonparametrik tidak didasarkan atas asumsi distribusi pada data.
Oleh karena itu analisis ini sering disebut sebagai analisis statistika bebas
distribusi (distribution free statistical anaysis). Kondisi ini biasanya
diberlakukan pada data dengan ukuran kecil dan dengan skala pengukuran
yang jauh dari skala interrval. Karena ukuran data yang kecil, ukuran
pemusatanyangmenjadifokustidaklagiratarataataurerata,tetapimedian.

2.1 UJIKELOMPOK SA LINGBEBAS

Uji ini bertujuan untuk menguji adanya beda median antara dua kelompok
yang saling bebas. Uji ini ekuivalen dengan uji beda mean untuk kelompok
salingbebaspadaujiparametrikdenganmenggunakanujiZatau ujiT.Ada
dua uji nonparametrik (keduanya sesungguhnya ekuivalen) yang dapat
dilakukanyaitu:
1. UjiUManWhitney
2. UjiWilcoxonuntukkelompoksalingbebas.

RingkasanMetodeStatistika12/27
2.2 UJIKELOMPOKBERPASANGAN
UjiiniekuivalendenganujiZatauujiTuntuksampelberpasanganpadauji
parametrik. Bedanya terletak pada kondisi sebaran data yang juga terkait
dengan sekala pengukuran data. Uji yang dapat dipergunakan adalah Uji
Wilcoxonuntukdataberpasangan.
2.3 UJILEBIH DARIDUAKELOMPOKSALINGBEBAS
Uji ini ekuivalen dengan uji ANAVA pada uju parametrik. Bedanya terletak
padakondisisebarandatayangjugaterkaitdengansekalapengukurandata.
UjiyangdapatdipergunakanadalahujiHKruskalWalis.
2.4 KORELASI RANK SPEARMAN DAN REGRESI TEGAR
(ROBUST)
Analisis ini ekuivalen dengan analsis korelasi produk momen untuk uji
parametrik.Untukujinonparametrik,karenadatanyapadaumumnyapada
skalarankorder,korelasiyangdihitungadalahkorelasirankdariSpearman.
Untuk data yang tidak bersebaran normal yang ditandai dengan adanya
beberapa pencilan analisis regresi yang dapat dipakai diantaranya adalah
regresitegar/robust.Adabeberapapendekatanuntukregresitegar.

RingkasanMetodeStatistika13/27

3 METODE
SIMULASI

STATISTIKA

BERBASIS

Pada dasarnya metode statistika berbasis simulasi ini diaplikasikan untuk

data dengan ukuran relatif kecil, sehingga tidak cukup informasi untuk
mengasumsikan distribusi pada data. Pada metode nonparametrik,
perhitungan dilakukan berdasar ukuran pemusatan data yang sedikit yang
umumnya merupakan sekala rank, sehingga memungkinkan dilakukan
perhitungan secara manual. Belakangan berkembang metode dengan
merekonstruksi data baru dari data yang telah ada yang dilakukan secara
berulangulang, Selanjutnya interval keyakinan dari parameter yang
diestimasi dapat diperoleh dari interval persentil statistik emperik yang
dihasilkandariperhitunganberulangulangtadi.
3.1 BOOTSTRA P &JACKNIFE
Metode statistika berbasis simulasi, merekonstruksi data artifisial dalam
ukuran relatif besar dan sangat banyak sekali baik dengan cara resampling
(bootstrap), yaitu mengambil sampel yang ada secara berulangulang dan
tiap pengambilan sampel merupakan sampel dengan pengembalian.
Sedangkan dengan jacknife sampling dilakukan berulangulang dengan
mengeluarkansalahsatudatapadasampelawalsampel.

RingkasanMetodeStatistika14/27
3.2 MCMC(MCMC:MARKOVCHAINEDMONTECARLO)
Merekonstruksi sampel baru dengan karakteristik yang sesuai. Selanjutnya
estimasi dan uji keseluruhan dilakukan berdasarkan informasi yang
diperolehestimasipadamasingmasingdatasimulasitadi.

RingkasanMetodeStatistika15/27

4 PAKETSTATISTIKAR
PaketstatistikaRdapatdiaksesdenganduacaraumumyaitumelaluimenu
untuk metode statistika yang umum, salah satu menu (Rgui) yang populer
adalah Rcommander. Cara lain adalah dengan mrelalui skrip pemrograman
(CLI). Informasi lebih lanjut dapat dicari pada Situs R (http://www.r
project.org) Untuk informasi awal berbahasa Indonesia dapat dicari pada
SituRdiUnej(http://r.unej.ac.id)
4.1 STRUKTURMENURCOMMANDER

Panel-----|-|-|-|-|--

Data set aktif

Edit data set
Lihat data set
Model aktif
Submit (Eksekusi)

Menu
Data ------|--Data set Baru
|--Impor data --------|--Dari Teks
|--Dari SPSS
|--Dari Minitab
|--Data pada R -------|--Daftar data
|--Data dari paket aktif
Statistika-|--Ringkasan ---------|--Data set aktif
|--Numerik
|--Matriks korelasi
|--Tabel kontingensi -|--Satu arah

RingkasanMetodeStatistika16/27
|--Multi arah
|--Analisis dua arah
|--Proporsi ----------|--Sampel Tunggal
|--Sampel ganda
|--Variansi ----------|--Uji F beda variansi
|--Uji Bartlett
|--Uji Levene
|--Nonparametrik -----|--Uji Wilcoxon sampel tunggal
|--Uji Wilcoxon sampel ganda
|--Uji Kruskal Walis
|--Regresi -----------|--Regresi Sederhana
|--Model Linier
|--Model Linier Tergeneralisir
(GLM)
|--Uji Beda ----------|--Uji
|--Uji
|--Uji
|--Uji
|--Uji

t sampel tunggal
t sampel ganda
t sampel berpasangan
anava satu faktor
anava multi faktor

|--Analisis ---------|--Reliabilitas skala

dimensional
|--Analisis Komponen Utama
(RKU/PCA)
|--Analisis faktor
|--Analisis klaster
Grafik-----|--Grafik indeks
|--Histogram
|--Boxplot
|--QQplot
|--Diagram kuantil-kuantil
|--Diagram pencar
|--Matriks diagram Pencar
|--Grafik garis
|--Diagram rata-rata
|--Grafik batang
|--Grafik lingkaran
|--Grafik 3D
Distribusi-|--Distribusi Kontinu--|--Distribusi
|--Distribusi
|--Distribusi
|--Distribusi
|-- ...
|--Distribusi

Normal
t
Chi-kwadrat
Seragam
Gumbel

-|--Distribusi Diskrit--|--Distribusi Binomial

|--Distribusi Poisson
|-- ...
|--Distribusi Hipergeometrik

RingkasanMetodeStatistika17/27
Alat ------|--Aktifkan paket
|--Aktifkan Plug-in
|--Pilihan
Bantuan ---|--Bantuan Commander
|--Pengantar RCommander
|--Bantuan data (jika ada)
|--Tentang Rcmdr

RingkasanMetodeStatistika18/27

5 OUTPUTRCOMMANDER
BerikutadalahbeberapacontohkeluarananalisisdenganRCommander.
5.1 UJIBEDA
Berikutadalahcontohkeluarandenganhipotesisalternatifduaarahdengan
penjelasannya(nomorbarisditambahkanuntukmemudahkanpembahasan)
1. One Sample t-test
2. data:

ContohData$NMat

3. t = 3.7437, df = 79, p-value = 0.0003426

4. alternative hypothesis: true mean is not equal to 70
5. 95 percent confidence interval:
6. 72.34711 77.67638
7. sample estimates:
8. mean of x
9. 75.01174

Keterangankeluaran
1. Judul/namauji,dalamhaliniujitsatusampel(onesampletest)
2. Nama data danvariabel yang diuji, dalam contoh ini datanya adalah
ContohData,variabelnyaadalahMat.

RingkasanMetodeStatistika19/27
3. Hasil perhitungan thitung yaitu 3,74, derajat kebebasan (df= degree of
freedom),yaitu79dannilaipatau(pvalue),yaitu0,00034.
4. Rumusanhipotesisalternatif,dalamcontohinimenggunakanHaduaarah.
5. Judulintervalkeyakinanyangdihitung(dalamhalini,intervalkeyakinan
99%)
6. Besarnya batas bawah dan batas atas interal keyakinan, dalam hal ini
(72,35;77,68).
7. Judulpendugasampel
8. Statistiksampelyangdihitung(dalamhalinirataratasampel,meanofX)
9. Besarnyastatistiksampelyangdimaksud(rataratasampel=75,01).

Denganhipotesisalternatifduaarah(reratakeduakelompoktidaksamaatau
selisihreratakeduakelompoktidaksamadengannol),danasumsivariansi
sama,diperolehhasilberikut
1. Two Sample t-test
2. data:

NMat by JKelamin

3. t = 1.1171, df = 78, p-value = 0.2674

4. alternative hypothesis: true difference in means is not
equal to 0
5. 95 percent confidence interval:
-2.335705

8.308270

6. sample estimates:
mean in group L mean in group P
76.50488

73.51860

Keterangankeluaran
1. Judulanalisis(Ujitduasampel)
2. Namadata(Nmat)danfaktorpengelompokan(JenisKelamin)

RingkasanMetodeStatistika20/27
3. Nilaithitung(t = 1,1171) ,derajatkebebasan(df = 78), dannilai
p(p-value = 0,2674).
4. Rumusan hipotesis alternatif (Beda rerata yang sebenarnya tidak sama
dengannol)
5. Intervalkeyakinan95%daribedareratakelompokLakidanPerempuan
yaitu(2,34;8,31).
6. Pendugarerata(rataratamasingmasingkelompoLakidanPerempuan),
yaitumasingmasingL:76,5danP:73,52

5.2 UJIKORELASI

1. Pearson's product-moment correlation

2. data:

DataSim$NFis and DataSim$NMat

3. t = 12.4323, df = 78, p-value < 2.2e-16

4. alternative hypothesis: true correlation is not equal
to 0
5. 95 percent confidence interval:
0.7254628 0.8777313
6. sample estimates:
cor
7. 0.8152343

Keterangan

RingkasanMetodeStatistika21/27
1. JudulujiyaituUjikorelasprodukmomendariPearson
2. Nama data dan variabel yang korelasinya diuji, yaitu data DataSim
varianelNFisdanNMat.
3. Besarnya nilai t hitung (12,43), derajat kebebasan (78) dan nilai
peluangp(<1%,yangberartisangatsignifikan).
4. Rumusanhipotesisalternatif(yaitukorelasitidaksamadengan0)
5. Intervalkeyakinan95%darikorelasipopulasiyaitu[0,73;0,88].
6. Korelasisampel(cor),yaitu0,82.

RingkasanMetodeStatistika22/27

5.3 UJIREGRESI
Keluarandariprogramtersebutadalahsepertiberikutini.Keluarantersebut
diberinomoruntukmemudahkanpenjelasan.
1. lm(formula = NFis ~ NMat, data = DataSim)
2. Residuals:
Min

1Q

Median

3Q

Max

-29.4726

-2.6436

-0.5996

1.0129

34.2166

3. Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept)

8.55473

5.12003

1.671

NMat

0.83811

0.06741

12.432

0.0988 .
<2e-16 ***

--4. Signif. codes:

0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

5. Residual standard error: 7.175 on 78 degrees of freedom

6. Multiple R-Squared: 0.6646,

Adjusted R-squared: 0.6603

7. F-statistic: 154.6 on 1 and 78 DF,

p-value: < 2.2e-16

Keterangankeluaran
1. Menunjukkan fungsi R yang dipanggil dengan data dan variabel terkait.
Pada contoh di atas data diambi dari DataSim dengan bentuk model
NFis=f(NMat), yaitu variabel respon NFis dan variabel penjelas NMat.
Dalamkonteksinipenelitiinginmemperolehhubunganfungsionalantara
NilaiUjianFisikadenganNilaiUjianMatematika.
2. Menunjukkan sebaran (statistik ringkas) dari kesalahan (sisa), yaitu
penyimpanganantaradugaangarisregresidengandata.
3. Menunjukkan hasil pendugaan koefisien dan uji signifikansinya. Pada
contohdiatasdiperoleh

RingkasanMetodeStatistika23/27
a. Intercept (titk potong/konstanta) a=8,55 dengan nilai p = 0,099.
Angkainimenunjukkanbahwakonstantaregresitidaksignifikan.
Walaupunnilainyacukupbesar(8,55)tetapisecarastatistikdapat
dianggap0.Dengankatalainmodelyanglebihtepatadalahmodel
Y=bX. Ini juga menunjukkan bahwa pada saat tingkat nilai X=0,
maka Y juga cenderung 0. Namun kusus untuk uji konstanta
(intercept), nilai 9% dapat dianggap sebagai nilai marjinal
(dekatdengan5%),olehkarenaitukonstantacenderungdibiarkan
padamodel.
b. Koefisien regresi untuk variabel NMat, b,besarnya 0,83 dengan
nilai p <2e-16. Ini menunjukkan bahwa koefisien ini sangat
signifikan (walaupun secara matematis nominalnya jauh lebih
kecildibandingkonstanta).
4. Menunjukkan tingkat signifikansi yang diperoleh (0%, 0,1%, 1%, 5%,
10%dan100%)
5. Menunjukan kesalahan baku dan derajat kebebasan (besarnya n2) dari
sisa.
6. Menunjukkankoefisiendeterminasidankoefisiendeterminasiyangtelah
disesuaikan. Koefisien determinasi yang baik adalah yang mendekati 1.
Semakin mendekati 1, semakin baik. Koefisien determinasi yang rendah
menunjukkan banyak data yang pemyebar jauh dari garis regresi.
Besarnya koefisien determinasi berbanding terbalik dengan besarnya
kesalahan baku sisa. Jika kesalahan baku besar, koefisien determinasi
cenderungkecil(Lihatcontohkeluaranberikutnya).
7. MenunjukkanujisignifikansisecarakeseluruhanyangmenggunakanujiF
padaderajatkebebasan(1dann2).Padacontohinihasilnyasignifikan.

RingkasanMetodeStatistika24/27
5.4 GRAFIK
ILUSTRASIUJIBEDA1SAMPEL

t-tab:
2.05
|t-hit|:
9.6
Sebaran Sampel

p-val
0

54
58.88
59.92
57.84
Interval Keyakinan Mean
52

54

56

58

60

62

0.95
64

66

UJIBEDA2KELOMPOK

RingkasanMetodeStatistika25/27

Sebaran Sampel

p-val
t-tab:
2.0017
|t-hit|:
11.5291

49.07
64.15
Rata-rata Sampel

IK Beda Mean(M-B)

-12.46
-17.7

0.95
40

50

60

70

80

DIAGRAMPENCARDENGANVARIABELKELOMPOK

RingkasanMetodeStatistika26/27

JKelamin

70
50

60

NFis

80

90

L
P

50

60

70

80

90

NMat

MATRIKSDIAGRAMPENCARDENGANVARIABELKELOMPOK

RingkasanMetodeStatistika27/27

100 150 200 250

30

40

50 60

70

100 150 200 250

| || || | || ||||| |||||||||||| | |||| |

120

160

200

y1

||

y2

| | | ||||||||||||| ||| || ||||| | | |||| | | |

70

| | | |||||| || ||||||||| ||||||| |

-20 -10

10

y3

60

x1

30 40

50

L
P

| | | |||||||| ||||||||| ||| ||| | | | | |

120

160

200

-20 -10

10