BAB 1

PERAN STATISTIKA DALAM PENELITIAN

Statistika digunakan untuk menunjukkan tubuh pengetahuan (body of
knowledge) tentang cara-cara pengumpulan data, analisis dan penafsiran data.
A. Fungsi statistika
Statistik menggambarkan data dalam bentuk tertentu
Statistik dapat menyederhanakan data yang kompleks menjadi data yang mudah
dimengerti
Statistik merupakan teknik untuk membuat perbandingan
Statistik dapat memperluas pengalaman individu
Statistik dapat mengukur besaran dari suatu gejala
Statistik dapat menentukan hubungan sebab akibat
B. Kegunaan Statistika
Membantu penelitian dalam menggunakan sampel sehingga penelitian dapat bekerja
efisien dengan hasil yang sesuai dengan obyek yang ingin diteliti
Membantu penelitian untuk membaca data yang telah terkumpul sehingga peneliti
dapat mengambil keputusan yang tepat
Membantu peneliti untuk melihat ada tidaknya perbedaan antara kelompok yang satu
dengan kelompok yang lainnya atas obyek yang diteliti
Membantu peneliti untuk melihat ada tidaknya hubungan antara variabel yang satu
dengan variabel yang lainnya
Membantu peneliti dalam menentukan prediksi untuk waktu yang akan datang
Membantu peneliti dalam melakukan interpretasi atas data yang terkumpul (M.Subana
dkk, 2000;14)
Pemerintah menggunakan statistika untuk menilai hasil pembangunan masa lalu dan
merencanakan masa mendatang
Pimpinan menggunakannya untuk pengangkatan pegawai baru, pembelian peralatan
baru, peningkatan kemampuan karyawan, perubahan sistem kepegawaian, dsb.
Para pendidik sering menggunakannya untuk melihat kedudukan siswa, prestasi
belajar, efektivitas metoda pembelajaran, atau media pembelajaran.
Para psikolog banyak menggunakan statistika untuk membaca hasil pengamatan baik
melalui tes maupun obserbasi lapangan.
C. Peranan Statistika
Di dalam penelitian, statistika berperan untuk:

 Memberikan informasi tentang karakteristik distribusi suatu populasi tertentu, baik diskrit
maupun kontinyu. Pengetahuan ini berguna dalam menghayati perilaku populasi yang
sedang diamati
Menyediakan prosedur praktis dalam melakukan survey pengumpulan data melalui
metode pengumpulan data (teknik sampling). Pengetahuan ini berguna untuk
mendapatkan hasil pengukuran yang terpercaya
Menyediakan prosedur praktis untuk menduga karakteristik suatu populasi melalui
pendekatan karakteristik sampel, baik melalui metode penaksiran, metode pengujian
hipotesis, metode analisis varians. Pengetahuan ini berguna untuk mengetahui ukuran
pemusatan dan ukuran penyebaran serta perbedaan dan kesamaan populasi.
Menyediakan prosedur praktis untuk meramal keadaan suatu obyek tertentu di masa
mendatang berdasarkan keadaan di masa lalu dan masa sekarang. Melalui metode
regresi dan metode deret waktu. Pengetahuan ini berguna memperkecil resiko akibat
ketidakpastian yang dihadapi di masa mendatang.
Menyediakan prosedur praktis untuk melakukan pengujian terhadap data yang bersifat
kualitatif melalui statistik non parametrik.
Sementara menurut Sugiyono (2003:12), statistika berperan untuk:
Alat untuk menghitung besarnya anggota sampel yang diambil dari suatu populasi,
sehingga jumlah sampel yang dibutuhkan akan lebih dapat dipertanggungjawabkan
Alat untuk menguji validitas dan reliabilitas instrumen sebelum instrumen tersebut
digunakan dalam penelitian
Sebagai teknik untuk menyajikan data, sehingga data lebih komunikatif, misalnya
melalui tabel, grafik, atau diagram
Alat untuk menganalisis data seperti menguji hipotesis yang diajukan dalam penelitian.
Jenis Data
Data ialah sekumpulan informasi yang diperoleh dari suatu pengamatan. Adapun
yang dimaksud dengan datum adalah elemen-elemen dalam data.
Data yang diperoleh dari suatu sampel dan populasi dapat dibedakan menjadi dua jenis,
yaitu :
a.
Data kualitatif yakni data yang bukan berupa angka (non numerik) biasa disebut
dengan istilah atribut. Data kualitatif dibagi menjadi dua:

Nominal adalah Data yang paling rendah dalam level pengukuran data.
Contoh : Jenis kelamin, tgl dan tempat lahir seseorang
Ordinal ada tingkatan data. Contoh : Sangat setuju, Setuju, kurang setuju, tidak setuju
b.
Data kuantitatif: data yang berupa angka (numerik). Data jenis ini dibedakan
menjadi dua bagian, yaitu data diskrit dan kontinyu. Selain itu Ddata kuantitatif dibagi
menjadi dua:
o Data Interval, Contoh : Interval temperatur ruang adalah sbb :

Cukup panas jika antara 50C-80 C

Panas jika antara 80 C-110 C
Sangat panas jika antara 110 C-140 C

Data Rasio tingkat pengukuran paling tinggi ; bersifat angka dalam arti
sesungguhnya. Beda dengan interval mempunyai titik nol dalam arti sesungguhnya.
Selain pembagian tersebut, ada yang membagi data menjadi data primer dan data
sekunder. Data primer adalah data yang diperoleh langsung dari sumbernya, misal
melalui wawancara, penyebaran kuesioner, pengukurn langsung, dan lain lain.
Sedangkan data sekunder adalah data yang diambil/ disadur dari pihak lain, misal
diambil dari koran, jurnal, penelitian/ publikasi pihak lain, dan lain-lain.

Skala Pengukuran
Skala pengukuran : cara mengukur suatu varibel. Terdapat 4 jenis skala pengukuran,
yakni :
a. Skala Nominal : angka yang diberikan pada objek/ variabel pengukuran hanya memiliki
arti sebagai label saja (asal bisa dibedakan). Tidak memiliki tingkatan.
Contoh skala nominal :
No.

Jenis Kendaraan

Jumlah (Unit)

1.

Peugeuot

1,367

2.

Toyota

68,638

3.

Isuzu

20,521

4.

Daihatsu

15,721

5.

BMW

1,515

b. Skala Ordinal : angka yang diberikan pada objek/ variabel pengukuran mengandung
pengertian tingkatan.
Contoh skala ordinal
Jenis Kendaraan
1.

Toyota

Jumlah (Unit)
68,638

2.

Isuzu

20,521

3.

Daihatsu

15,721

4.

BMW

1,515

5.

Peugeuot

1,367

c. Skala Interval : angka yang diberikan pada objek/ variabel pengukuran mengandung
sifat ordinal ditambah sifat jarak/ interval.
Contoh skala interval :
Suhu udara dapat berkisar antara -4 hingga 40 C. Jika termometer menunjukkan 0 C,
bukan berarti tidak ada suhu, tetapi hanya sebagai penunjuk bahwa suhu saat itu
tergolong rendah.
d. Skala Rasio : angka yang diberikan pada objek/ variabel pengukuran mengandung
sifat interval ditambah sifat yang mampu memberikan keterangan tentang nilai absolut
variabel yang diukur. Artinya apabila menunjuk angka 0 (nol), maka berarti benar-benar
nol, tidak ada, atau kosong.
Contoh skala rasio :
Jumlah komponen mesin yang diproduksi per batch adalah 1.000.000 komponen. Bila
dalam suatu batch menunjukkan angka produksi 0, maka artinya adalah pada saat itu
tidak dilakukan proses produksi sehingga tidak ada output produks

BAB 2
Cara penyajian data
Ada dua cara penyajian data yang sering dilakukan, yaitu
a) daftar atau tabel,
b) grafik atau diagram.
1. Penyajian Data dalam Bentuk Tabel
Misalkan, hasil ulangan Bahasa Indonesia 37 siswa kelas XI SMA 3 disajikan dalam tabel di
samping. Penyajian data pada Tabel 1.1 dinamakan penyajian data sederhana. Dari tabel 1.1,
Anda dapat menentukan banyak siswa yang mendapat nilai 9, yaitu sebanyak 7 orang. Berapa
orang siswa yang mendapat nilai 5? Nilai berapakah yang paling banyak diperoleh siswa? Jika
data hasil ulangan bahasa Indonesia itu disajikan dengan cara mengelompokkan data nilai siswa,

diperoleh tabel frekuensi berkelompok seperti pada Tabel 1.2. Tabel 1.2 dinamakan Tabel

Distribusi Frekuensi.

2. Penyajian Data dalam Bentuk Diagram

Kerapkali data yang disajikan dalam bentuk tabel sulit untuk dipahami. Lain halnya jika data
tersebut disajikan dalam bentuk diagram maka Anda akan dapat lebih cepat memahami data itu.
Diagram adalah gambar yang menyajikan data secara visual yang biasanya berasal dari tabel
yang telah dibuat. Meskipun demikian, diagram masih memiliki kelemahan, yaitu pada
umumnya diagram tidak dapat memberikan gambaran yang lebih detail.
a. Diagram Batang
Diagram batang biasanya digunakan untuk menggambarkan data diskrit (data cacahan). Diagram
batang adalah bentuk penyajian data statistik dalam bentuk batang yang dicatat dalam interval
tertentu pada bidang cartesius. Ada dua jenis diagram batang, yaitu
1) diagram batang vertikal, dan
2) diagram batang horizontal.
b. Diagram Garis
Pernahkah Anda melihat grafik nilai tukar dolar terhadap rupiah atau pergerakan saham di TV?
Grafik yang seperti itu disebut diagram garis. Diagram garis biasanya digunakan untuk
menggambarkan data tentang m keadaan yang berkesinambungan (sekumpulan data kontinu).
Misalnya, jumlah penduduk setiap tahun, perkembangan berat badan bayi setiap bulan, dan suhu
badan pasien setiap jam.Seperti halnya diagram batang, diagram garis pun memerlukan sistem
sumbu datar (horizontal) dan sumbu tegak (vertikal) yang saling berpotongan tegak lurus. Sumbu
mendatar biasanya menyatakan jenis data, misalnya waktu dan berat. Adapun sumbu tegaknya

menyatakan frekuensi data. Langkah-langkah yang dilakukan untuk membuat diagram garis
adalah sebagai berikut.
1) Buatlah suatu koordinat (berbentuk bilangan) dengan sumbu mendatar menunjukkan waktu
dan sumbu tegak menunjukkan data pengamatan.
2) Gambarlah titik koordinat yang menunjukkan data pengamatan pada waktu t.
3) Secara berurutan sesuai dengan waktu, hubungkan titiktitik koordinat tersebut dengan garis
lurus.
c. Diagram Lingkaran
Untuk mengetahui perbandingan suatu data terhadap keseluruhan, suatu data lebih tepat disajikan
dalam bentuk diagram lingkaran. Diagram lingkaran adalah bentuk penyajian data statistika
dalam bentuk lingkaran yang dibagi menjadi beberapa juring lingkaran. Langkah-langkah untuk
membuat diagram lingkaran adalah sebagai berikut.
1. Buatlah sebuah lingkaran pada kertas.
2. Bagilah lingkaran tersebut menjadi beberapa juring lingkaran untuk menggambarkan kategori
yang datanya telah diubah ke dalam derajat.
3. Tabel Distribusi Frekuensi, Frekuensi Relatif dan Kumulatif, Histogram, Poligon
Frekuensi, dan Ogive
a. Tabel Distribusi FrekuensiData yang berukuran besar (n > 30) lebih tepat disajikan dalam
tabel distribusi frekuensi, yaitu cara penyajian data yang datanya disusun dalam kelas-kelas
tertentu. Langkah-langkah penyusunan tabel distribusi frekuensi adalah sebagai berikut.
Langkah ke-2 menentukan banyak interval (K) dengan rumus "Sturgess" yaitu: K= 1 + 3,3 log
n dengan n adalah banyak data. Banyak kelas harus merupakan bilangan bulat positif hasil
pembulatan.
Langkah ke-3 menentukan panjang interval kelas (I) dengan menggunakan rumus:

Langkah ke-4 menentukan batas-batas kelas. Data terkecil harus merupakan batas bawah
interval kelas pertama atau data terbesar adalah batas atas interval kelas terakhir. Langkah ke-5
memasukkan data ke dalam kelas-kelas yang sesuai dan menentukan nilai frekuensi setiap kelas
dengan sistem turus. Menuliskan turus-turus dalambilangan yang bersesuaian dengan banyak
turus.
b. Frekuensi Relatif dan Kumulatif
Frekuensi yang dimiliki setiap kelas pada tabel distribusi frekuensi bersifat mutlak. Adapun
frekuensi relatif dari suatu data adalah dengan membandingkan frekuensi pada interval kelas itu
dengan banyak data dinyatakan dalam persen. Contoh: interval frekuensi kelas adalah 20. Total

data seluruh interval kelas = 80 maka frekuensi relatif kelas ini adalah

Frekuensi relatif dirumuskan sebagai berikut.

Frekuensi kumulatif kelas ke-k adalah jumlah frekuensi pada kelas yang dimaksud dengan
frekuensi kelas-kelas sebelumnya. Ada dua macam frekuensi kumulatif, yaitu
1) frekuensi kumulatif "kurang dari" ("kurang dari" diambil terhadap tepi atas kelas)
2) frekuensi kumulatif "lebih dari" ("lebih dari" diambil terhadap tepi bawah kelas).

c. Histogram dan Poligon Frekuensi

Histogram merupakan diagram frekuensi bertangga yang bentuknya seperti diagram batang.
Batang yang berdekatan harus berimpit. Untuk pembuatan histogram, pada setiap interval kelas
diperlukan tepi-tepi kelas. Tepi-tepi kelas ini digunakan unntuk menentukan titik tengah kelas
yang dapat ditulis sebagai berikut.

Poligon frekuensi dapat dibuat dengan menghubungkan titik-titik tengah setiap puncak
persegipanjang dari histogram secara berurutan. Agar poligon "tertutup" maka sebelum kelas
paling bawah dan setelah kelas paling atas, masing-masing ditambah satu kelas.
d. Ogive (Ogif)
Grafik yang menunjukkan frekuensi kumulatif kurang dari atau frekuensi kumulatif lebih dari
dinamakan poligon kumulatif. Untuk populasi yang besar, poligon mempunyai banyak ruas garis
patah yang menyerupai kurva sehingga poligon frekuensi kumulatif dibuat mulus, yang hasilnya
disebut ogif. Ada dua macam ogif, yaitu sebagai berikut.
a. Ogif dari frekuensi kumulatif kurang dari disebut ogif positif.
b. Ogif dari frekuensi kumulatif lebih dari disebut ogif negatif.

BAB 3
UKURAN PEMUSATAN
Ukuran pemusatan memberikan gambaran pemusatan pada data.
1.Rataan (Mean)
Adalah jumlah semua nilai pengamatan dibandingkan dengan banyaknya pengamatan.
2.Nilai Tengah (Median)

Adalah sebuah nilai pengamatan yang berada di tengah-tengah nilai pengamatan

keseluruhan yang telah diurutkan.
Untuk data dengan n ganjil maka median adalah
Untuk data dengan n genap maka median adalah
3.Modus
Adalah data pengamatan yang paling sering muncul di keseluruhan data pengataman.
Suatu data pengamatan mungkin memiliki modus atau tidak. Dan mungkin memiliki
modus lebih dari satu.
4.Quartil
Adalah pembagian data menjadi empat bagian yang sama besar banyak datanya.
Terdiri dari kuartil bawah, tengah dan atas. (Jumlah data > 4).
5.Desil
Adalah pembagian data menjadi sepuluh bagian yang sama besar banyak datanya.
(Jumlah data > 10).

Dalam distribusi normal, kedua ukuran ini sangat dibutuhkan. Nilai rata-rata
(mean) untuk ukuran pemusatan, hal ini berguna untuk mengetahui nilai tengah
dari kurva normal dan nilai simpangan baku untuk ukuran penyebaran, hal ini
berguna untuk mengetahui lebar dari kurva normal tersebut.
Ada namanya Statistik Lima Serangkai , yaitu

Perlakuan pada ukuran pemusatan dapat mengakibatkan, sebagai berikut :

Setiap perlakuan data awal : (+) ; (-) ; (x) ; (:) dengan suatu
bilangan k maka akan mengubah ukuran pemusatan awal dengan memberikan
perlakuan : (+) ; (-) ; (x) ; (:) sebesar bilangan k tersebut kepada ukuran
pemusatan awal.
Perlakuan pada ukuran penyebaran dapat mengakibatkan, sebagai berikut :


Setiap perlakuan data awal : (+) atau (-) dengan suatu bilangan k maka
ukuran penyebaran data awal tidak akan berubah.

Setiap perlakuan data awal : (x) atau (:) dengan suatu bilangan k maka
akan mengubah ukuran penyebaran data awal dengan memberikan perlakuan : (x)
atau (:) sebesar bilangan k tersebut kepada ukuran penyebaran awal.
Contoh :
Suatu sekolah memiliki nilai hasil UN dengan rata-rata 40, median 45 dan
simpangan kuartil 10.
Karena rata-rata terlalu rendah maka semua nilai dikalikan dengan 2 kemudian
dikurangi 15. Akibatnya adalah :
Ukuran pemusatan dalam kasus ini adalah rata-rata dan median.
Semua perlakuan tidak akan mengubah ukuran pemusatannya. Sehingganilai rata-rata
tetap 40 dan nilai median tetap 45.
Ukuran penyebaran dalam kasus di atas adalah simpangan baku.
Jika simpangan baku dikalikan dengan dua, maka ukuran penyebaran yang baru
akan dikalikan dua jadi simpangan bakunya adalah 20, dan selanjutnya dikurangi
15, hal ini tidak akan berpengaruh. Sehingga nilai simpangan baku adalah 20.

UKURAN PENYIMPANGAN
PENGUKURAN PENYIMPANGAN
Pengukuran penyimpangan adalah suatu ukuran yang menunjukkan tinggi rendahnya perbedaan data yang
diperoleh dari rata-ratanya. Ukuran penyimpangan digunakan untuk mengetahui luas penyimpangan data
atau homogenitas data. Dua variabel data yang memiliki mean sama belum tentu memiliki kualitas yang
sama, tergantung dari besar atau kecil ukuran penyebaran datanya. Ada bebarapa macam ukuran
penyebaran data, namun yang umum digunakan adalah standar deviasi.
Macam-macam ukuran penyimpangan data adalah :
1.
Jangkauan (range)
2.

Simpangan rata-rata (mean deviation)

3.

Simpangan baku (standard deviation)

4.

Varians (variance)

5.

Koefisien variasi (Coefficient of variation)

1. Jangkauan (range)
Range adalah salah satu ukuran statistik yang menunjukan jarak penyebaran data antara nilai terendah
(Xmin) dengan nilai tertinggi (Xmax). Ukuran ini sudah digunakan pada pembahasan daftar distribusi
frekuensi. Adapun rumusnya adalah

Contoh :
Berikut ini nilai ujian semester dari 3 mahasiswa

A = 60 55 70 65 50 80 40
B = 50 55 60 65 70 65 55
C = 60 60 60 60 60 60 60
Dari data diatas dapat diketahui bahwa
A = memiliki Xmax=80, Xmin= 40 , R = 40 , meanya 60
B = memiliki Xmax=70, Xmin= 50 , R = 20 , meanya 60
C = memiliki Xmax=60, Xmin= 60 , R = 0 , meanya 60
Dari contoh di atas dapat disimpulkan bahwa :
a. Semakin kecil rangenya maka semakin homogen distribusinya
b. Semakin besar rangenya maka semakin heterogen distribusinya
c. Semakin kecil rangenya, maka meannya merupakan wakil yang representatif
d. Semakin besar rangenya maka meannya semakin kurang representatif
2. Simpangan Rata-rata (mean deviation)
Simpangan rata-rata merupakan penyimpangan nilai-nilai individu dari nilai rata-ratanya. Rata-rata bisa
berupa mean atau median. Untuk data mentah simpangan rata-rata dari median cukup kecil sehingga
simpangan ini dianggap paling sesuai untuk data mentah. Namun pada umumnya, simpangan rata-rata
yang dihitung dari mean yang sering digunakan untuk nilai simpangan rata-rata.

Data tunggal dengan seluruh skornya berfrekuensi satu

dimana xi merupakan nilai data

Data tunggal sebagian atau seluluh skornya berfrekuensi lebih dari satu

dimana xi merupakan nilai data

Data kelompok ( dalam distribusi frekuensi)

dimana xi merupakan tanda kelas dari interval ke-i dan fi merupakan frekuensi interval ke-i
Contoh :
Dari tabel diperoleh

3. Simpangan Baku (standard deviation)

Standar deviasi merupakan ukuran penyebaran yang paling banyak digunakan. Semua gugus data
dipertimbangkan sehingga lebih stabil dibandingkan dengan ukuran lainnya. Namun, apabila dalam
gugus data tersebut terdapat nilai ekstrem, standar deviasi menjadi tidak sensitif lagi, sama halnya
seperti mean.
Standar Deviasi memiliki beberapa karakteristik khusus lainnya. SD tidak berubah apabila setiap unsur pada
gugus datanya di tambahkan atau dikurangkan dengan nilai konstan tertentu. SD berubah apabila setiap
unsur pada gugus datanya dikali/dibagi dengan nilai konstan tertentu. Bila dikalikan dengan nilai konstan,
standar deviasi yang dihasilkan akan setara dengan hasilkali dari nilai standar deviasi aktual dengan
konstan.
Rumus Simpangan Baku untuk Data Tunggal

untuk data sample menggunakan rumus

untuk data populasi menggunkan rumus

Contoh
:
Selama 10 kali ulangan semester ini sobat mendapat nilai 91, 79, 86, 80, 75, 100, 87, 93, 90,dan 88.
Berapa simpangan baku dari nilai ulangan sobat?
Jawab
Soal di atas menanyakan simpangan baku dari data populasi jadi menggunakan rumus simpangan baku
untuk populasi.
Kita cari dulu rata-ratanya
rata-rata = (91+79+86+80+75+100+87+93+90+88)/10 = 869/10 = 85,9

Kita masukkan ke rumus

Rumus Simpangan Baku Untuk Data Kelompok

untuk sample menggunakan rumus

untuk populasi menggunakan rumus

Contoh :Diketahui data tinggi badan 50 siswa samapta kelas c adalah sebagai berikut

hitunglah berapa simpangan bakunya

1. Kita cari dulu rata-rata data kelompok tersebut

2. Setelah ketemu rata-rata dari data kelompok tersebut kita bikin tabel untuk memasukkannya ke rumus
simpangan baku

4. Varians (variance)
Varians adalah salah satu ukuran dispersi atau ukuran variasi. Varians dapat menggambarkan bagaimana
berpencarnya suatu data kuantitatif. Varians diberi simbol 2 (baca: sigma kuadrat) untuk populasi dan
untuk s2 sampel.
Selanjutnya kita akan menggunakan simbol s2 untuk varians karena umumnya kita hampir selalu berkutat
dengan sampel dan jarang sekali berkecimpung dengan populasi.
Rumus varian atau ragam data tunggal untuk populasi

Rumus varian atau ragam data tunggal untuk sampel

Rumus varian atau ragam data kelompok untuk populasi

Rumus varian atau ragam data kelompok untuk sampel

Keterangan:
2 =
varians
atau
ragam
untuk
populasi
S2 =
varians
atau
ragam
untuk
sampel
fi =
Frekuensi
xi =
Titik
tengah
x
=
Rata-rata
(mean)
sampel
dan

=
rata-rata
populasi
n = Jumlah data
5. Koefisien variasi (Coefficient of variation)
Koefisien variasi merupakan suatu ukuran variansi yang dapat digunakan untuk membandingkan suatu
distribusi data yang mempunyai satuan yang berbeda. Kalau kita membandingkan berbagai variansi atau
dua variabel yang mempunyai satuan yang berbeda maka tidak dapat dilakukan dengan menghitung
ukuran penyebaran yang sifatnya absolut.
Koefisien variasi adalah suatu perbandingan antara simpangan baku dengan nilai rata-rata dan dinyatakan
dengan persentase.

Besarnya koefisien variasi akan berpengaruh terhadap kualitas sebaran data. Jadi jika koefisien variasi
semakin kecil maka datanya semakin homogen dan jika koefisien korelasi semakin besar maka datanya
semakin heterogen.
Daftas Pustaka :
Suharyadi, & Purwanto. (2009). In Statistika untuk Ekonomi dan Keuangan Modern. Jakarta: Salemba
Empat.

Moment Kemiringan dan Kutosis

Ukuran penyebaran (Measures of Dispersion) atau ukuran keragaman pengamatan dari nilai
rata-ratanya disebut simpangan (deviation/dispersi). Terdapat beberapa ukuran untuk
menentukan dispersi data pengamatan, seperti jangkauan/rentang (range), simpangan
kuartil (quartile deviation), simpangan rata-rata (mean deviation), dan simpangan
baku (standard deviation).
Ukuran tendensi sentral (mean, median, mode) merupakan nilai pewakil dari suatu distribusi
frekuensi, tetapi ukuran tersebut tidak memberikan gambaran informasi yang lengkap mengenai
bagaimana penyebaran data pengamatan terhadap nilai sentralnya. Ukuran tendensi sentral saja
tidak cukup untuk menggambarkan distribusi frekuensi. Selain itu kita harus memiliki ukuran
persebaran data pengamatan.
Sebagai contoh, kita mempunyai distribusi hasil panen dua varietas padi (kg per plot), masingmasing terdiri dari 5 plot. Andaikan distribusi datanya sebagai berikut:
Varietas I : 45 42 42 41 4
Varietas II : 54 48 42 36 30
Varietas III : 45 40 44 41 40

Kita dapat melihat bahwa nilai mean varietas I dan II bernilai sama, 42 kg, namun apabila kita
perhatikan, keragaman kedua varietas tersebut berbeda. Varietas I mungkin lebih dipilih karena
lebih konsisten. Hal ini terlihat dari data hasil pada varietas I lebih seragam dibandingkan dengan
Varietas II. Pada Varietas I, hasilnya tidak terlalu jauh dari nilai pusatnya, 42 kg, sedangkan pada
Varietas II, sebaran datanya sangat beragam (perhatikan gambar berikut).

Pada contoh tersebut, jelas bahwa ukuran tendensi sentral saja tidak cukup untuk
menggambarkan distribusi frekuensi. Selain itu kita harus memiliki ukuran persebaran data
pengamatan. Ukuran penyebaran atau ukuran keragaman pengamatan dari nilai rata-ratanya
disebut simpangan (deviation/dispersi). Terdapat beberapa ukuran untuk menentukan dispersi
data pengamatan, seperti jangkauan/rentang (range), simpangan kuartil (quartile deviation),
simpangan rata-rata (mean deviation), dan simpangan baku
(standard deviation).

BAB 6
DISTRIBUSI NORMAL, DISTRIBUSI F DAN
DISTRIBUSI T
Distribusi normal merupakan salah satu distribusi
probabilitas yang penting dalam analisis statistika. Distribusi ini memiliki parameter
berupa mean dansimpangan baku. Distribusi normal dengan mean = 0 dan simpangan
baku = 1 disebut dengan distribusi normal standar. Apabila digambarkan dalam grafik,
kurva distribusi normal berbentuk seperti genta (bell-shaped) yang simetris. Perhatikan
kurva distribusi normal normal standar berikut:

Sumbu X (horizontal) memiliki range (rentang) dari minus takhingga () hingga positif
takhingga (+). Kurva normal memiliki puncak pada X = 0. Perlu diketahui bahwa luas kurva
normal adalah satu (sebagaimana konsep probabilitas). Dengan demikian, luas kurva normal
pada sisi kiri = 0,5; demikian pula luas kurva normal pada sisi kanan = 0,5.

Dalam analisis statistika, seringkali kita menentukan probabilitas kumulatif yang dilambangkan
dengan notasi P (X<x). Sebagai contoh, P (X<1), apabila diilustrasikan dengan grafik
adalah luas kurva normal dari minus takhingga hingga X = 1.

Secara matematis, probabilitas distribusi normal standar kumulatif dapat dihitung dengan
menggunakan rumus:

Akan tetapi, kita lebih mudah dengan bantuan tabel distribusi normal. Berikut adalah tabel
distribusi normal standar, untuk P (X < x), atau dapat diilustrasikan dengan luas kurva
normal standar dari X = minus takhingga sampai dengan X = x.
Distribusi F,
Jika uji t digunakan untuk pengujian dua sampel, uji F atau Anova digunakan untuk
pengujian lebih dari dua sampel.
Distribusi F digunakan untuk menguji hipotesis, apakah variansi dari sebuah populasi normal
sama dengan variansi dari populasi normal lainnya. Satu variansi sampel yang lebih besar
ditempatkan pada pembilang, sehingga rasio minimalnya adalah 1,00. Distribusi F juga
digunakan untuk menguji asumsi-asumsi bagi beberapa statistik uji.
Berdasarkan pendapat Douglas A. Lind (2005, p387-388), Distribusi F memiliki ciri-ciri
sebagai berikut:
1. Terdapat suatu keluarga distribusi F.
Suatu anggota keluarga distribusi F di tentukan berdasarkan dua parameter : derajat
kebebasan pada pembilang dan derajat kebebasan pada penyebut.
2. Distribusi F bersifat kontinu.

3. Distribusi F tidak dapat bernilai negatif.

4. Bentuknya tidak simetris.
5. Bersifat Asimtotik (Asymptotic).
Distribusi F memberikan sebuah perangkat untuk menjalankan suatu uji variansi dari dua
populasi normal. Menentukan validasi sebuah asumsi untuk suatu statistik uji, mula-mula
kita tetap harus menentukan hipotesis nolnya. Hipotesis nolnya adalah bahwa variansi dari
suatu populasi (1), sama dengan variansi dari populasi normal lainnya ( 2). Hipotesis
alternatifnya dapat berupa perbedaan variansi tersebut.

Distribusi t merupakan salah satu pengembangan dari Distribusi z. Secara prinsip

penggunaan Distribusi t digunakan untuk membandingkan rata-rata dari dua sampel. Ratarata dua sampel tersebut dibandingkan untuk mengetahui apakah dua data tersebut
mempunyai beda. Distribusi biasanya digunakan untuk data yang banyak sampelnya
kurang dari sama dengan 30.

TUGAS STATISTIKA
PENGUJIAN HIPOTESIS
BAB VII
Dosen Pengampu
Mata Kuliah

: Utary Cahyani, SE. MM

: Statistika

Disusun Oleh :
M.KHAERUDIN(2213044)

Kelas : Akuntansi B

SEKOLAH TINGGI ILMU EKONOMI

SELAMAT SRI KENDAL
TAHUN 2013 / 2014

BAB I
PENDAHULUAN
Ketika kita menggunakan statistika untuk menguji hipotesis maka muncullah dua macam
hipotesis berupa hipotesis penelitian dan hipotesis statistika. Tepatnya hipotesis penelitian kita

rumuskan kembali menjadi hipotesis statistika yang sepadan. Hipotesis statistika harus
mencerminkan dengan baik maksud dari hipotesis penelitian yang akan diuji.
Dalam memebuat keputusan mengenai populasi atas informasi dari sampel, dibutuhkan
asumsi-asumsi mengenai populasi yang bersangkutan, yang disebut sebagai Hipotesa Statistik
yang umumnya merupakan pernyataan mengenai sebaran peluang dari populasi. Hipotesa
statistik dirumuskan dengan tujuan untuk menolaknya.
Hipotesis yang bersifat statistik sebenarnya dapat diartikan sebagai suatu asumsi
mengenai parameter fungsi frekuensi variable random. Berdasarkan penaksiran, lalu kesimpulan
dibuat bagaimana atau berapa besar harga parameter tersebut.

BAB II
PEMBAHASAN
2.1. Pengertian Pengujian Hipotesis
Hipotesis adalah pernyataan tentang sesuatu yang perlu dibuktikan atau diuji
kebenarannya (Kuswadi, 2004). Asumsi atau dugaan mengenai sesuatu hal yang dibuat untuk
menjelaskan hal itu yang sering dituntut untuk melakukan penegcekkannya. Jika asumsi atau
dugaan itu dikhususkan mengenai populasi, maka hipotesis tersebut merupakan hipotesis
statistik. Setiap hipotesis bisa benar atau tidakbenar dan karenanya perlu diadakan penelitian
sebelum hipotesis itu diterima atau ditolak. Langkah atau prosedur untuk menentukan apakah
hipotesis tersebut diterima atau ditolak disebut dengan pengujian hipotesis. Telah kita ketahui
bahwa suatu penduga pada umumnya tidaklah harus sama dengan nilai parameter yang
sebenarnya.
Misalnya, distribusi probabilita yang merupakan model bagi distribusi X, katakanlah hasil
penstensilan kertas koran dalam n percobaan penstensilan demikian dinyatakan sebagai :
F(x) = (NCx) px (1-p)n-x
Jika p = dan n= 500, maka
F(x) =

500!
X!(500-x)

(1/4)x(3/4)500-x

Parameter p diatas merupakan probabilita kerusakan pada setiap penstensilan sedemikian

itu dan dapat merupakan suatu asumsi yang memiliki karakteristik hipotesis statistik karena p =
merupakan parameter fungsi frekuensi vareiable random p.

Andaikan kita meragukan hipotesis diatas, maka kita dapat mengujinya secara statistik
pula jika sekali lagi jika datanya dapat dukumpulkan dan dianalisa dalam cara yang memenuhi
ketentuan asas-asas statistik. Pengujian hipotesis diatas dianggap sebagai suatu prosedur guna
menentukan apakah hipotesis diatas sebaiknya diterima atau ditolak andaikan keraguan kita
mengenai p = di atas disebabkan oleh adanya kemungkinan p = meskipun kita yakin bahwa
kemungkinan p = lebih besar dari pada p = . maka, hipotesis yang akan kita uji dapat
dinyatakan sebagai berikut. H0 : p = dan H1 : p
H0 merupakan hipotesis nol dan merupakan hipotesis yang akan diuji danyang nantinya
akan diterima atau ditolak tergantung pada hasil eksperimen atau pemilihan sampelnya.
H1 merupakan hipotesis alternatif atau hipotesis tandingan. Pengujian diatas membutuhkan
observasi atau hasil pemilihan sampel yang bersifat random tentang frekuensi kerusakan X/n
hasil penstensilan itu sendiri. Observasi pemilihan sampel sedemikian itu dapat dilakukan secara
berulang-ulang kali atau sekali saja.atas dasar nilai statistik sampel, keputusan diambil untuk
menentukan apakah H0 tersebut sebaiknya diterima atau ditolak. Jika H 0 diterima, maka sama
artinya dengan H1ditolak dan sebaliknya jika H0 ditolak maka H1 diterima.
Dalam melakukan pengujian hipotesis, ada dua macam kekeliruan yang dapat terjadi,
dikenal dengan nama-nama :
a.

Kekeliruan tipe I : adalah kekeliruan karena menolak hipotesis (H 0) padahal hipotesis tersebut
benar. Kekeliruan ini disebut kekeliruan ..

b. Kekeliruan tipe II : adalah kekeliruan menerima hipotesis (H 0) padahal hipotesis tersebut salah.
Kekeliruan ini disebut .
Uji hipotesis atau peraturan pengambilan keputusan dilakukan dengan baik agar
kesalahan pengambilan keputusan dapat diminimalisir. Cara untuk mengurangi kedua tipe
kekeliruan tersebut adalah dengan memperbesar ukuran sampel, yang mungkin atau tidak
mungkin dilakukan (Spiegel, 1992).
2.2. Prosedur Dasar Pengujian Hipotesis
Pengujian hipotesis statistik memiliki prosedur yang harus diikuti tergantung pada
hipotesisnya yang distribusi populasi. Prosedur umum yang harus diikuti tergantung pada
hipotesisnya dan distribusi populasi. Prosedur umum yang harus diikuti dapat dibagi dalam
beberapa langkah :

a) Rumuskan dengan baik hipotesis penelitian agar dapat dihitung statistik sampelnya, seperti ratarata, seperti :
Pengujian hipotesis dapat dilakukan terhadap satu populasi untuk pengujian hipotesis rata-rata
dua populasi. Misalnya, rata-rata tekanan darah sapi Ongole sama dengan tekanan darah sapi
Brahman.
H0 : =
= rata-rata tekanan darah sapi Ongole
= rata-rata tekanan darah sapi Brahman
Rata-rata tekana darah sampel sapi Ongole dan sapi Brahman adalah x1 dan x2.
b) Tentukan derajat kemaknaan atau kesalahan tipe 1 yang akan digunakan. Penentuan ini harus
dilakukan pada saat perencanaan.
c) Tentukan kesalahan tipe 2 atau . Biasanya penentuan ini dilakukan pada saat menghitung
besarnya sampel.
d) Tentukan distribusi yang akan digunakan dalam perhitungan. Tentukan metode statistik yang
akan digunakan untuk menghitung statistik sampel.
e) Tentukan kriteria menerima atau menolak hipotesis nol pada derajat kemaknaan yang telah
ditentukan.
f)

Buatlah kesimpulan yang tepat pada populasi yang bersangkutan.

Ilusrasi 1. Prosedur Pengujian Hipotesis

2.3. Uji Z = Pengujian untuk Sampel Besar
Pengujian hipotesa dapat menggunakan rumus-rumus untuk variabel normal baku (Z)
atau t dan sesuai dengan tingkat nyata yang dipilih () dan jenis pengujian yang dipilih (dua sisi,
satu sisi kanan atau satu sisi kiri). Menggunakan (Z) jika datanya berdistribusi atau mempunyai
fungsi normal (data sampel 30)dan menggunakan uji t jika data sampel kecil (<30).
Nilai Z dihitungkan dengan rumus : Z =
Untuk pengujian dua sisi :
Ho diterima, jika Z /2 atau Z < Z /2
Ho ditolak, jika Z > Z /2 atau Z < -Z /2
Untuk pengujian sisi kanan :
Ho diterima, jika Z < Z /2
Ho ditolak, jika Z > Z /2
Untuk pengujian sisi kiri :
Ho diterima, jika Z > -Z /2
Ho ditolak, jika Z < -Z /2
2.3.1. Pengujian Parameter Rata-rata, Ho: =0 dimana 2Tidak Diketahui
Nilai Z dihitungkan dengan rumus : Z =
Untuk pengujian dua sisi :
Ho diterima, jika Z /2 atau Z < Z /2
Ho ditolak, jika Z > Z /2 atau Z < -Z /2
Untuk pengujian sisi kanan :
Ho diterima, jika Z < Z /2
Ho ditolak, jika Z > Z /2
Untuk pengujian sisi kiri :
Ho diterima, jika Z > -Z /2
Ho ditolak, jika Z < -Z /2
Contoh :
Jumlah kunjungan di Peternakan A dan jumlah kunjungan di Peternakan B mempunyai varian
yang sama, yaitu 25 dan akan diuji apakah terdapat perbedaan. rata-rata jumlah pengunjung di
Peternakan A dan Peternakan B berada pada derajat kemaknaan 0,05. Dari Peternakan A dan
Peternakan B diambil sampel sebesar 50 dan 60 hari kerja hingga diperoleh rata-rata 62 dan 60
kunjungan.
Jawab :
Hipotesis statistik:
Diketahui:

H0 : 1 = 2
Ha :1 2
= 0,05

n1 = 50
= 62
12 = 25

n2 = 60
2 = 60
22= 25

=
= 51/50 + 1/60

= 0,957

Interval konfidensi: 1 = 2 = 0
0 - 1,96 x 0,957 = -1,87
0 + 1,96 x 0,957 = 1,87
H0 akan diterima bila selisih rata-ratanya terletak antara -1,87 dan +1,87. Selisih sampel 62-60=2
Hipotesis nol ditolak pada 0,05 atau p<0,05
Kesimpulannya, kita 95% percaya bahwa terdapat perbedaan antara rata-rata sampel pada derajat
kemaknaan 0,05 atau p<0,05
Grafik
pengujian
hipotesis

perbedaan

jumlah

kunjungan

peternakan

Penyelesaian soal ini dapat dilakukan dengan menghitung nilai Z, seperti berikut:
Z
=()/
= 62 - 60 / 0,957= 2,09
H0 akan diterima bila selisih rata-ratanya terletak antara -1,96 dan +1,96 Hipotesis nol ditolak
karena terletak diluar daerah penerimaan pada derajat kemaknaan 0,05 atau p<0,05
Grafik pengujian hipotesis perbedaan jumlah kunjungan Peternakan
Z = 2,09

2.3.2. Pengujian H0 : 1 = 2 Dimana p2 Diketahui dan 12= 22

Dalam bidang tertentu kita sering dihadapkan dengan masalah yang membutuhkan penarikan
kesimpulan, apakah parameter dua populasi memang berbeda atau perbedaan yang tampak hanya
desebabkan oleh faktor kebetulan. Dalam hal ini, kita berhadapan dengan perbedaan antara dua
populasi. Salah satu macam pengujian hipotesis perbedaan dua parameter populasi adalah
pengujian perbedaan rata-rata dua pihak dengan sampel besar dimana kesalahan baku kedua
populasi sama dan diketahui. Pengujian hipotesis tersebut bisa dihitung dengan menggunakan
rumus berikut :
Statistik uji Z =
Dimana =
Contoh soal :
Dua orang teknisi melakukan observasi secara sendiri-sendiri mengenai hasil rata-rata per jam
dari penggunaan suatu mesin pemotong bulu domba teknisi (A): 12 obervasi dan memperoleh
hasil rata-rata 120 kilogram. Sedangkan teknisi (B): 8 observasi rata-rata 115 kilogram.
Pengalaman menunjukkan bahwa 2 = 40 kilogram. Apakah kedua teknisi yakin bahwa beda
antara kedua hasil rata-rata tersebut diatas betul-betul nyata, bukan karena faktor kebetulan?
Jawab :
1.

H0 : 1= 2 dan H1 : 1 2

2.

= 0,05

3.

Z=

4.

Daerah kritis (terima H1) dengan = 0,05 secara 2 arah

a.

Z > Z dan Z < - Z

b.
5.

Z > 1,96 dan Z < - 1,96

Z = = 1,73358

6.

Karena 1,73358 < 1,96 maka H0 diterima, beda rata-rata hanya disebabkan faktor kebetulan dan
tidak nyata serta 1= 2.
2.4.

Uji-t Pengujian untuk Sampel Kecil

Uji beda dua mean dapat dilakukan dengan menggunakan uji Z atau uji T. Uji Z dapat

digunakan bila standar deviasi populasi () diketahui dan jumlah sample besar (lebih dari 30).
Apabila kedua syarat tersebut tidak terpenuhi, maka di lakukan uji T. Pada umumnya nilai sulit
diketahui, sehingga uji beda dua mean biasanya menggunakan Uji T (T - Test). Untuk varian
yang sama, bentuk ujinya adalah sebagai berikut.
T = X1 X2
Sp (1/n1) + (1/n2

SP2 = (n1-1) S12 + (n2-1) S22

n1 + n2 - 2
df = n1 + n2 2
Keterangan :
N1 atau n2 = jumlah sampel kelompok 1 atau 2
S1 atau S2 = standar deviasi sampel kelompok 1 dan 2
2.4.1. Pengujian H0 : = 0 Dimana 2 Tidak Diketahui
Contoh :
Nilai rata-rata ujian statistika di Fakultas Peternakan tahun lalu adalah 76 dan tahun ini
diperkirakan nilai rata-rata tersebut akan sama dengan tahun lalu (H o). Setelah selesai ujian tahun
ini, diambil 40 mahasiswa sebagai sampel dan nilai rata-rata = 73 dengan simpangan baku (S) =
6. Dengan menggunakan = 5%, apakah Hoditerima atau ditolak?
Jawab: Ho : Nilai rata-rata ujian statistika = = 76
H1 : Nilai rata-rata ujian statistika = 76
Dipergunakan pengujian dua sisi.
Ho diterima, jika Z /2 < Z < Z /2
Ho ditolak, jika Z > Z /2 atau Z < -Z /2
Untuk = 5%, nilai Z /2 = 1,96 (lihat table luas kurva normal, angka 95%/2 atau 0,4750 ada
pada koordinat 1,9 dan 0,06 atau 1,96)
Data dari sapel seperti tersebut diperoleh:
Z = = = = -3,16
Oleh karena itu Z /2 ( -1,96) < Z ( -3,16) Z /2 (1,96), maka kesimpulannya H o diterima.
Atau, dengan kata lain, nilai ujian rata-rata statistika tahun ini sama dengan tahun lalu.
2.4.2. Pengujian Ho : 1 = 2 atau 1 - 2 = 0, Jika 2 tidak diketahui dan

12 = 22

Apabila simpangan baku tidak diketahui dan sampelnya kecil maka digunakan distribusi t
(Budiarto, 2002). Statistik t dirumuskan sebagai berikut :
t=

(X1- X2)
Sp 1 / n1 + 1/n2

Simpangan baku biasanya ditaksir dari simpangan baku sampel, tetapi karena tidak diketahui,
maka harus dihitung dahulu simpangan baku gabungannya (Budiarto, 2002). Rumusnya adalah
sebagai berikut :

Sp2 = (n1-1)S12 + (n2-1)S22

n1 + n2 2
Keterangan :
n1 atau n2 = jumlah sampel kelompok 1 atau 2
S1 atau S2 = standar deviasi sampel kelompok 1 atau 2
Statistik uji t memiliki distribusi t dengan derjat bebas (n1 + n2 - 2). Daerah kritis
(menerima H1) pengujian untuk populasi tak terbatas :
(X1 X2)

> t (1/2 : n1 + n2 2) dan (X1 X2)

Sp/ 1/n1 + 1/n2

< - t (1/2 : n1 + n2 2)

Sp/ 1/n1 + 1/n2

Contoh :
Dua macam obat penambah bobot badan diberikan pada unggas untuk jangka waktu 3 bulan.
Obat 1 diberikan pada 10 unggas, sedangkan obat kedua diberikan kepada 9 unggas. Ingin diuji
apakah terdapat perbedaan dalam sistem kerja pada kedua macam obat tersebut dengan derajat
kemaknaan 0,05.
Obat ke-1 dapat menambah produksi daging 9,6 kg dan obat ke-2 menambah produksi daging 10
kg.
Diketahui :
X1 = 9,6 kg
2

S1 = 16
n1 = 10

X2 = 10 kg
S22 = 9
n2 = 9

Hipotesis statistik:
H0 : 1 = 2
Ha : 1 2
= 0,05
dk = 17
Ditanyakan :
Apakah terdapat perbedaan antara keduanya?
Penyelesaian :
Sp2 = (n1-1)S12 + (n2-1)S22
n1 + n2 2
Sp2 = (10-11) 6 + (9-1) 9 = 12,7
17
S = 3,56
S (X1-X2) = S1/n1 +1/n2
=3,561/10+1/9 = 1,636

t=

(X1- X2)
Sp 1 / n1 + 1/n2

(9,6- 10)
1,64

= - 0,244
t, dk 17 = 2,11
H0 akan diterima apabila hasil perhitungan t terletak antara -2,11 & + 2,11. Kesimpulannya
H0 diterima pada 0,05atau p > 0,05 atau tidak terdapat perbedaan antara 2 macam obat
penambah bobot badan tersebut.
2.4.3. Pengujian Ho : 1 = 2 atau 1 - 2 = 0, Jika 2 tidak diketahui dan
12 22
Statistik t dirumuskan sebagai berikut :
t = (X1- X2) - (1 - 2)
S12 / n1 + S22/n2
db = (S12/n1) + (S2 / n2)2
(S12/ n1)2 + (S22 / n2)2
n1 + 1

n2+2

Bila populasi berdistribusi normal atau mendekati normal maka varian populasinya dapat
ditaksir dari varian sampel. Rumus t tidak dapat langsung digunakan karena hanya ini
merupakan pendekatan saja, tetapi t harus dihitung dahulu menggunakan rumus berikut :
t0,05 = t1 (S12 / n1) + t2 (S22 / n2)
S12 / n1 + S22 / n2
t =

w1t1 + w2t2
w1 + w2

dimana: w1 = S12 / n1
w2 = S22 / n2

t1 = t (1/2 ; n1 1)
t2 = t (1/2 ; n2 1)

sehingga kriteria test untuk uji 2 arah :

- w1t1 + w2t2 < t < w1t1 + w2t2
w1 + w2
Contoh :

w1 + w2

Sepuluh ayam broiler yang diare diberi kloramfenikol 3 x 500 mg per hari dengan kesembuhan
rata-rata 7 hari dengan deviasi standar 1,5 hari. Lima ayam broiler yang diare diberi tetrasiklin 3
x 500 mg dengan rata-rata kesembuhan 6 hari dengan deviasi standar 1,5 hari.
Jika ingin diuji apakah terdapat perbedaan antara efek kloramfenikol dan tetrasiklin terhadap
penyakit diare pada derajat kemaknaan 0.05 maka bagaimanakah hasilnya ?
Diketahui:
n1 = 10

n2 = 15

S1 = 2

S2= 1,5

dk = 9

dk = 14

H0 : 1 = 2
Ha : 1 2
= 0,05
t=

7-6

= 1,35

4/10 + 2,25/15
t dk 9 = 2,262
t dk 14 = 2,145
t0,05 = (2,62 x 4/10 + 2,145 x 2,25/15) / (4/10 +2,25/15)
= 2,23
Ternyata, t < t0,05. Jadi, hipotesis diterima pada derajat kemaknaan 0,05. Kesimpulannya, tidak
ada perbedaan antara kloramfenikol dan tetrasiklin dalam pengobatan diare pada ayam broiler.

BAB III
KESIMPULAN
Hipotesis adalah perumusan sementara mengenai sesuatu hal yang dibuat untuk
menjelaskan hal itu dan untuk menuntun atau mengarahkan penyelidikan selanjutnya. Dalam
melakukan hipotesis, ada dua macam kekeliruan yang dapat terjadi, dikenal dengan nama-nama,
yaitu kekeliruan tipe I adalah menlolak hipotesis yang seharusnya diterima dan kekeliruan tipe II
adalah menerima hipotesis yang seharusnya ditolak. Prosedur pengujian hipotesis, yaitu
merumuskan hipotes, menentukan taraf nyata, menentukan uji statistik, menentukan daerah
keputusan dan mengambil keputusan, sehingga kita dapat menarik kesimpulan sesuai dengan
prosedur hipotesis.

DAFTAR PUSTAKA
Budiarto, E. 2002. Biostatistika untuk Kedokteran dan Kesehatan Masyarakat. Jakarta: Penerbit
Buku Kedokteran EGC.
Chandra, B. 2009. Biostatik Untuk Kedokteran dan Kesehatan. Jakarta: Penerbit
Buku Kedokteran.
Dajan, A. 1991. Pengantar Metode Statistik Jilid II. Jakarta: Lembaga Penelitian,
Pendidikan dan Penerangan Ekonomi dan Sosial.
Kuswadi dan E. Mutiara. 2004. Statistik Berbasis Komputer untuk Orang-Orang Non Statistik.
Jakarta: PT Elex Media Komputindo.
Spiegel, M. R. 1992. Statistik Versi SI (Metrik). Jakarta: Penerbit Erlangga. Diterjemahkan oleh I
Nyoman Susila dan Ellen Gunawan.

Analisis Varians
A. Pendahuluan
Hasil pengamatan mengenai suatu vareabel atau data yang terkumpul secara berkelompok
seperti : skor hasil belajar siswa, berat bayi yang baru lahir, gaji pegawai di suatu perusahaan,
hasil padi setiap hektarnya, nilai datanya bervariasi dari yang satu dengan yang lainya. Adanya
ragam variasi data maka perlu diadakan analisis varians. Analisis varians biasanya digunakan
untuk menarik kesimpulan mengenai populasi secara diskriptif maupun indukatif, analisis
varians juga digunakan untuk menguji hipotesis. Analisis varians sering disingkat dengan
ANAVA.
B. Pembahasan
a. Jenis jenis Varians
Secara umum varians dapat dibedakan menjadi varian sistematik dan varians galat.
1. Varians Sistematik
Varians sistematik adalah variasi pengukuran karena adanya pengaruh yang menyebabkan skor
atau nilai data lebih condong ke satu arah tertentu dibandingkan kea rah lain. Setiap pengaruh
alami atau buatan manusia yang menyebabkan terjadinya peristiwa dapat diduga atau diramalkan
dalam arah tertentu, merupakan pengaruh sistematik sehingga menyebabkan terjadinya varians
sistematik. Misalnya seorang anak yang memperoleh makanan cukup bergizi secara sistematik
akan mempengaruhi pertumbuhan yang lebih baik dibandingkan dengan anak yang kekurangan
gizi.
Salah satu varians sistematik dalam kumpulan data hasil penelitian adalah varians antar
kelompok atau kadang kadang disebut pula varians eksperimental. Varians ini menggambarkan
adanya perbedaan atau variasi sistematik antara kelompok kelompok hasil
pengukuran.ndengan demikian varians ini terjadi karena adanya perbedaan perbedaan antara
kelompok kelompok individu.

Contoh: misalkan ada empat kelas siswa, tiap kelas banyak muridnya sama, sedang blajar
bahasa inggris,masing-masing kelas diajar oleh seorang guru dan tiap guru menggunakan metoda
mengajar yang berbeda, sebut A,B,C dan D. nilai hasil ujian akhir proses belajar untuk tiap
metoda, rata-ratanya seperti berikut:
Metode
A
B
C
D
Rata-rata
67,3
76,5
56,9
63,7
Anggap rata-rata ini sebagai data biasa lalu hitung variansnya,diperoleh varians antar kelompok
A, B, C dan D. besarnya dihitung sebagai berikut. Karena tiap kelas banyak muridnya sama,
maka;
( 67,3 + 76,5 + 56,9 + 63,7 ) = 66,1
Jumlah kuadrat (JK) dikoreksi, yaitu setiap data dikurangi rata-ratanya lalu dikuadratkan, dan
kemudian dijumlahkan, adalah
(67,3 66,
+ (76,5 - 66,
+ (56,9 - 66,
+ (63,7 - 66,
= 200
2. Varians Galat
Varians galat adalah varians yang terdapat di dalam kelompok data. Penghitungan Varians
galat biasa digunakan untuk menganalisis dua atau beberapa perlakuan / percobaan terhadap
suatu objek (berupa benda/hewan/tumbuhan/manusia)[1][1]
B. Analisis varians satu arah
Analisisvarianssatuarahdipergunakandengansyarat data yang berdistribusi :independen,
normal dan homogeny.
Untuk menghitung analisis varian satu arah dilakukan dengan cara cara sebagai berikut :
1. Membuat disain/diskripsi data
Tabel 1.1
Disain/Diskripsi Data ANAVA SatuArah
Kelompok

D
A
T
A

N
?

2
X21
X22
X23
X24

X31
X32
X33
X34

X1n1

X2n2

N1
X1

X2

....

X11
X12
X13
X14

N4
X2
1

X1

X3

Xk1
Xk2
Xk3
Xk4

...
...
...
...
.
.
.

X3n3

..

Xknk

N3
X3
2

...
...

.
.
.

...
...
...

Nk
Xk

Xk

Xk

X2
X1

X2
X2

X3
X3

...

Xk
X3

Xk
X1

2. Hipotesis Statistik
H1 :ada tidak sama dengan (paling tidak)
3. Menghitung jumlah kuadrat (untuk mengetahui Ho)
a. Total Direduksi (dikoreksi)
JKTR = X21 = X21b. AntarKelompok
JKA = X21 {

}-{

=
c.

+...+

DalamKelompok
JKD = ( X1)2
=

+...+

JKTR = JKA + JKD

4. Tabel ANAVA Satu Arah

Tabel 1.2
Model Tabel ANAVA Satu Jalan
Sumber
Variasi
Rata rata

Db

Antar
Dalam

k-1
n-k

JKA
JKD

Total

F Varians Antar kelompok

F=
Variansdalamkelompok
=

Jk

RJK

F(hitung)

F(tabel)

JikaFh>dari Ft maka Ho ditolak,

berarti ada perbedaan yang signifikan
Ft = F (a db) dengan derajat kebebasan
Pembilang k-1 dan derajat kebebasan penyebut n-

ContohAnalisisVariansSatuArah
Dibawah ini adalah hasil data hasil belajar matematika terhadap 4 kelompok siswa yang
masing-masing terhadap mereka diberikan perlakuan yang berbeda-beda yaitu penggunaan
metode: ceramah, Tanya jawab, diskusi danpemberian tugas dengan daftar nilai sebagai berikut :
TABEL 1.3
Model Tes Matematika 4 Kelompok Mahasiswa
No

Ceramah
X1
69
69
90
73
74
79
79
93
85
89
85
85
94
84
79
88
80
73
89
75

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Diskusi
X2
74
86
79
79
89
71
81
73
70
86
79
85
66
89
72
72
67
85
67
66

P. Tugas
X3
75
79
69
64
71
69
56
77
67
82
65
62
63
76
72
87
82
81
72
72

T. Jawab
X4
76
72
72
64
74
71
79
65
73
73
82
69
69
76
76
81
78
79
87
84

Dari data di atas maka kita mulai menghitung dengan langkah langkah yang telah
jabarkan di atas sebagai berikut:
Table 1.4
Diskripsi Data HasilTesMatematika 4 KelompokMahasiswa

di

NO

1
2
3
4
5
6

Cerama
h
X1
69
69
90
73
74
79

Diskusi
X2
74
86
79
79
89
71

P.
Tugas
X3
75
79
69
64
71
69

T.
Jawab
X4
76
72
72
64
74
71

X12

X22

X32

X42

4761
4761
8100
5329
5476
6241

5476
7396
6241
6241
7921
5041

5625
6241
4761
4096
5041
4761

5776
5184
5184
4096
5476
5041

7
8
9
10
11
12
13
14
15
16
17
18
19
20
?

79
93
85
89
85
85
94
84
79
88
80
73
89
75
1632

81
73
70
86
79
85
66
89
72
72
67
85
67
66
1536

56
77
67
82
65
62
63
76
72
87
82
81
72
72
1441

79
65
73
73
82
69
69
76
76
81
78
79
87
84
1500

81,6

76,8

72,05

6241
8649
7225
7921
7225
7225
8836
7056
6241
7744
6400
5329
7921
5625
134306

6561
5329
4900
7396
6241
7225
4356
7921
5184
5184
4489
7225
4489
4356
119172

3136
5929
4489
6724
4225
3844
3969
5776
5184
7569
5724
6561
5184
5184
10502
3

6241
4225
5329
5329
6724
4761
4761
5776
5776
6561
6084
6241
7569
7056
113190

Table 1.5
Diskripsi Data Dalam Bentuk Bingkasan Basil Tes
Matematika 4 kelompok mahasiswa
Kelompok
N
?x
?

1
20
1632

2
20
1536

3
20
1441

4
20
1500

Jumlah
80
6109

134306

119172

105023

113190

471691

81, 6

76,8

72,05

Jumlah kuadrat (JK)

a. Total

= 471691
b. Rata
(

= (6109

= 466498.51

80
c.

Total direduksi
JKTR =

= 471691 466498,51
= 5192, 49

- (

d. Antar kelompok
JKA = {(

} - (

=(

+(

+(

+(

-(

= (163,2

+ (1536

+ (1441) + (1500

- (6103

20
20
20
20
80
= 133171,2 + 117964,8 + 103824,05 + 112500 465582,61
= 1877,44
e. Dalam kelompok
JKD = (
=

= 134306 - (

- (

+
2

2 -

-(
+ 119172 - (

+ 105023 -

= 1134,8 + 1207,2 + 1198,95 + 690

= 4230,95
JKTR

= JKA + JKD
= 1877,44 + 4230,95
= 6108,39

Tabel 1.6
Table ANAVA Satu Jalan Untuk Nilai 4 Kelompok Mahasiswa
=

= 625,81

= 55,67

= 11,24

+ + 113190 (

- (

Sumber
Variasi
Rata rata
Antar
Dalam

Db

JK

1
4-1 =
3

466498,51
1877,44
4230,95

80-4 =
76
80

Total

RJK

F(hitung)

F(table)

625,81

3,98 (jk/db)

55,67

55,67(jk/db)

472606,9

2,73
(lihat
table f
dengan
db 3/76 )
-

5. Kriteria Pengujian :
Karena Fh = 3,98 > 2,73 = Ft = 0,05 dan db 3/76, maka Ho ditolak Artinya terdapat
perbedaan perbedaan antara keempat kelompok hasil belajar mahasiswa dengan menggunakan
metode ceramah, diskusi, Tanya jawab dan pemberian tugas.
6. Uji Tukey (Uji Lanjut)
Karena ada perbedaan maka dia adkan uji lanjut dengan uji tuqey(Q)
a. Hipotesis Statistik
1)
:
=
:
4)

>
>

>

5)

= 0,74

c. Perhitungan
1) Qa = 81,6 76,8 = 6,48 > 3,96
0,74
2) Qb = 81,6 72,05 = 12,90 > 3,96
0,74
3) Qc = 81,6 75
= 9 > 3,96
0,74
4) Qd = 76,8 72,05 = 6,41 > 3,96
0,74
5) Qe = 76,8 75
= 2,43 < 3,96
0,74
6) Qf = 72,05 75
= 3,98 > 3,96

3)

>
:

>
:

b. Rumus Q
Q=
1 -

Q=

2)

>

5)

>
:

>

>

0,74
7. KESIMPULAN
Karena ada yang lebih kecil dari table Q yaitu perhitungan ke 6 Q hitung lebih dari Q table
yaitu 2,43 < 3,96 maka Ho diterima. Artinya tidak terdapat perbedaan berarti antara hasil belajar
matematika keempat kelompok mahasiswa dengan penggunaan metode ceramah , diskusi , taya
jawab dan pemberian tugas.

DAFTAR PUSTAKA
1. Supardi, Dkk .pengantar statistic pendidikan,Haja mandiri:Jakarta,2011
2. Sudjana, Metoda Statistika.Tarsito: Bandung.1995
3. www.http//aguskitoworddpress.com.

ANALISIS REGRESI DAN KOLERASI

A. ANALISIS REGRESI
Analisis Regresi mempelajari bentuk hubungan antara satu atau lebih
peubah/variabel bebas (X) dengan satu peubah tak bebas (Y). dalam penelitian peubah bebas
( X) biasanya peubah yang ditentukan oleh peneliti secara bebas misalnya dosis obat, lama
penyimpanan, kadar zat pengawet, umur ternak dan sebagainya. Disamping itu peubah bebas
bisa juga berupa peubah tak bebasnya, misalnya dalam pengukuran panjang badan dan berat
badan sapi, karena panjang badan lebih mudah diukur maka panjang badan dimasukkan kedalam
peubah bebas (X), sedangkan berat badan dimasukkan peubah tak bebas (Y). Sedangkan peubah
tak bebas (Y) dalam penelitian berupa respon yang diukur akibat perlakuan/peubah bebas (X).
misalnya jumlah sel darah merah akibat pengobatan dengan dosis tertentu, jumlah mikroba
daging setelah disimpan beberapa hari, berat ayam pada umur tertentu dan sebagainya.
B. ANALISIS KORELASI
Analisis Korelasi : metode statistik yang digunakan untuk menentukan kuat tidaknya (derajat)
hubungan linier antara 2 variable atau lebih.
Analisa korelasi sederhana,meneliti hubungan dan bagaimana eratnya itu,tanpa melihat bentuk
hubungan. Jika kenaikan didalam suatu variable diikuti dengan kenaikan variable yang lain,maka
dapat dikatakan bahwa kedua variable tersebut mempunyai korelasiyang positif.Tetapi jika
kenaikan didalam suatu variable diikuti penurunan variable yang lain maka kedua variable
tersebut mempunyai korelasi negatif.Jika tidak ada perubahan pada suatu variable ,meskipun
variable yang lain mengalami perubahan ,maka kedua variable tersebut,tidak mempunyai
hubungan (uncorrelated).

ANALISIS REGRESI DAN KORELASI SEDERHANA

Analisis regresi digunakan untuk mengetahui besarnya pengaruh satu variabel bebas atau lebih
terhadap satu variabel tidak bebas.

Data yang dianalisis dengan regresi merupakan data kuantitatif yang memiliki skala pengukuran
minimal interval.

Analisa korelasi digunakan untuk mengetahui keeratan hubungan dua variabel acak yang
memiliki skala pengukuran minimal interval dan berdistribusi normal bivariat.

ANALISIS REGRESI
Tentukan dulu variabel bebas (independent variable) disimbolkan dengan X dan variabel tidak
bebas (dependent variable) disimbolkan Y

Berdasarkan jumlah variabel bebas dan pangkat dari variabel bebas, analisa regresi terdiri dari :
Regresi linear sederhana

Regresi linear
Regresi linear multipel (berganda)

Regresi
Regresi non linear
Regresi non linear sederhana

Regresi non linear multipel (berganda)

REGRESI LINEAR SEDERHANA

Model persamaan regresi linear sederhana :
Y = + X +
(model populasi)
Y = a + bX + e
(model sampel)
a dan b adalah estimate value untuk dan
a adalah kontanta, secara grafik menunjukkan intersep

b adalah koefisien regresi yang menunjukkan besarnya pengaruh X terhadap Y, secara grafik
menunjukkan slope (kemiringan garis regresi).
Jika data hasil observasi terhadap sampel acak berukuran n telah tersedia, maka untuk
mendapatkan persamaan regresi Y = a + bX, perlu dihitung a dan b dengan metode kuadrat
kekeliruan terkecil (least square error methods).
ANALISIS KORELASI
Untuk menunjukkan besarnya keeratan hubungan antara dua variabel acak yang masing-masing
memiliki skala pengukuran minimal interval dan berdistribusi bivariat, digunakan koefisien
korelasi yang dirumuskan sebagai berikut:

Koefisien korelasi yang dirumuskan seperti itu disebut koefisien korelasi Pearson atau koefisien
korelasi product moment.
Besar r adalah 1 rxy + 1
Tanda + menunjukkan pasangan X dan Y dengan arah yang sama, sedangkan tanda
menunjukkan pasangan X dan Y dengan arah yang berlawanan.
rxy yang besarnya semakin mendekati 1 menunjukkan hubungan X dan Y cenderung sangat
erat. Jika mendekati 0 hubungan X dan Y cenderung kurang kuat.

rxy = 0 menunjukkan tidak terdapat hubungan antara X dan Y

INDEKS DETERMINASI (R2)

Dalam analisis regresi, koefisien korelasi yang dihitung tidak untuk diartikan sebagai ukuran
keeratan hubungan variabel bebas (X) dan variabel tidak bebas (Y), sebab dalam analisis regresi
asumsi normal bivariat tidak terpenuhi.
Untuk itu, dalam analisis regresi agar koefisien korelasi yang diperoleh dapat diartikan maka
dihitung indeks determinasinya, yaitu hasil kuadrat dari koefisien korelasi:
Indeks determinasi yang diperoleh tersebut digunakan untuk menjelaskan persentase variasi
dalam variabel tidak bebas (Y) yang disebabkan oleh bervariasinya variabel bebas (X). Hal ini
untuk menunjukkan bahwa variasi dalam variabel tak bebas (Y) tidak semata-mata disebabkan
oleh bervariasinya variabel bebas (X), bisa saja variasi dalam variabel tak bebas tersebut juga
disebabkan oleh bervariasinya variabel bebas lainnya yang mempengaruhi variabel tak bebas
tetapi tidak dimasukkan dalam model persamaan regresinya.

PENGUJIAN HIPOTESIS KOEFISIEN REGRESI LINEAR SEDERHANA

Selanjutnya dilakukan pengujian hipotesis secara statistis terhadap koefisien regresi yang
diperoleh tersebut. Ada dua jenis pengujian yaitu uji t dan uji F.
Uji t digunakan untuk menguji koefisien regesi secara individual atau untuk menguji ada
tidaknya pengaruh variabel bebas (X) terhadap variabel tidak bebas (Y).

Uji F digunakan untuk menguji koefisien regresi secara simultan serentak atau untuk menguji
keberartian model regresi yang digunakan.
UJI t
Hipotesis statistiknya:
Ho : = 0 (X tidak berpengaruh terhadap Y)
H1 : 0 (X berpengaruh terhadap Y)
Statistik uji:
Kriteria uji: Tolak H0 jika thit ttab atau thit ttab atau terima H0 jika ttab< thit < ttab
Dengan
UJI F
Hipotesis statistiknya:
Ho : = 0 (model regresi Y terhadap X tidak berarti)
H1 : 0 (model regresi Y terhadap X memiliki arti)
Statistik uji:
Kriteria uji: Tolak H0 jika Fhit Ftab
Ftab = F(v1,v2) dimana v1 = 1 dan v2 = n 2
PENGUJIAN KOEFISEN KORELASI

Hipotesis statistiknya:
Ho: XY = 0 (Tidak terdapat hubungan antara X dan Y)
H1: XY 0 (Terdapat hubungan antara X dan Y)
Statistik uji:
Kriteria uji: Tolak H0 jika thit ttab atau thit ttab atau terima H0 jika ttab< thit < ttab
Dengan
CONTOH SOAL ANALISIS REGRESI LINEAR
Contoh
:
Berdasarkan hasil pengambilan sampel secara acak tentang pengaruh lamanya belajar (X)
terhadap nilai ujian (Y) adalah sebagai berikut :
(nilai ujian)
X (lama belajar)
X2
XY
40
4
16
160
60
6
36
360
50
7
49
350
70
10
100
700
90
13
169
1.170
2
Y = 310
X = 40
X = 370
XY = 2.740
Dengan menggunakan rumus di atas, nilai a dan b akan diperoleh sebagai berikut :
a
=
[(Y .
X2)

(X
.
XY)]
/
[(N
.
X2)

(X)2]

[(310

370)

b
b

=
[N(XY)

= [(5 . 2.740)

(40

(X
(40

2.740)]

Y)]
310]

[(5
/

[(N
[(5 .

370)

402]

.
X2)

370) 402]

20,4

(X)2]
= 5,4

Sehingga persamaan regresi sederhana adalah Y = 20,4 + 5,2 X

Berdasarkan hasil penghitungan dan persamaan regresi sederhana tersebut di atas, maka dapat
diketahui bahwa :
1) Lamanya belajar mempunyai pengaruh positif (koefisien regresi (b) = 5,2) terhadap nilai
ujian, artinya jika semakin lama dalam belajar maka akan semakin baik atau tinggi nilai
ujiannya;
2) Nilai konstanta adalah sebesar 20,4, artinya jika tidak belajar atau lama belajar sama dengan
nol, maka nilai ujian adalah sebesar 20,4 dengan asumsi variabel-variabel lain yang dapat
mempengaruhi dianggap tetap.
CONTOH SOAL ANALISIS KORELASI
Tabel berikut menunjukkan hasil pengamatan terhadap sampel acak yang terdiri dari 15 usaha
kecil di suatu kecamatan mengenai omzet penjualan dan laba (dalam juta rupiah).
Obs
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Omzet
Penjuala
n
34
38
34
40
30
40
40
34
35
39
33
32
42
40
42

Laba
32
36
31
38
29
35
33
30
32
36
31
31
36
37
35

a. Hitunglah koefisien korelasi Pearson

b. Ujilah koefisien korelasi yg diperoleh dalam a) dengan menggunakan level of signifikans =
1%
INDEKS DETERMINASI

 Dalam analisis regresi, koefisien korelasi yang dihitung tidak untuk diartikan sebagai ukuran
keeratan hubungan variabel bebas (X) dan variabel tidak bebas (Y), sebab dalam analisis regresi
asumsi normal bivariat tidak terpenuhi.
Asumsi dalam analisis regresi berkaitan dengan distribusi probabilitas dari kekeliruan (e), dalam
hal ini variabel acak (e) diasumsikan berdistribusi normal. Dalam analisis regresi, variabel bebas
(X) merupakan fixed variable, sedangkan variabel bebas (Y) merupakan variabel acak, sehingga
uji kenormalan dalam analisis regresi dapat dilakukan terhadap Y, mengingat e adalah variabel
acak yang unobservable. Jadi dalam analisis regresi, asumsi distribusi normal berkaitan dengan
variabel acak Y semata-mata, sehingga asumsi kenormalan merupakan distribusi normal
univariat.
Untuk itu, dalam analisis regresi agar koefisien korelasi yang diperoleh diartikan dalam bentuk
ukuran determinasi, yaitu hasil kuadrat dari koefisien korelasi:
Indeks determinasi yang diperoleh tersebut digunakan untuk menjelaskan persentase variasi
dalam variabel tidak bebas (Y) yang disebabkan oleh bervariasinya variabel bebas (X). Hal ini
untuk menunjukkan bahwa variasi dalam variabel tak bebas (Y) tidak semata-mata disebabkan
oleh bervariasinya variabel bebas (X), bisa saja variasi dalam variabel tak bebas tersebut juga
disebabkan oleh bervariasinya variabel bebas lainnya yang mempengaruhi variabel tak bebas
tetapi tidak dimasukkan dalam model persamaan regresinya.
Contoh II:
Sampel yang diambil secara acak dari 5 mahasiswa, didapat data nilai Statistik dan Matematika
sebagai berikut :
Sampel X (statistik)
Y (matematika)
XY
X2
Y2
1
2
3
6
4
9
2
5
4
20
25
16
3
3
4
12
9
16
4
7
8
56
49
64
5
8
9
72
64
81
Jumlah
25
28
166
151
186
r = [(N . XY) (X . Y)] / {[(N . X2) (X)2] . [(N . Y2) (Y)2]}
r = [(5 . 166) (25 . 28) / {[(5 . 151) (25)2] . [(5 . 186) (28)2]} = 0,94
Nilai koefisien korelasi sebesar 0,94 atau 94 % menggambarkan bahwa antara nilai statistik dan
matematika mempunyai hubungan positif dan hubungannya erat, yaitu jika mahasiswa
mempunyai nilai statistiknya baik maka nilai matematikanya juga akan baik dan sebaliknya jika
nilai statistik jelek maka nilai matematikanya juga jelek.
C. STANDAR DEVIASI

Angka indeks yg digunakan utk mengukur ketepatan suatu penduga atau mengukur jumlah
variasi titik-titik observasi di sekitar garis regresi.

Jika semua titik observasi berada tepat pada garis regresi, selisih taksir standar sama dengan
nol. Menunjukkan pencaran data.
Selisih taksir standar berguna mengetahui batasan seberapa jauh melesetnya perkiraan dalam
meramal data.
Rumus

Keterangan :
Sy/x = Selisih taksir standar
Sx/y = Selisih taksir standar
Y
= nilai variabel sebenarnya
X
= nilai variabel sebenarnya
Y = nilai variabel yang diperkirakan
X = nilai variabel yang diperkirakan
n = jumlah frekuensi
Tugas 1
Index Harga
(x)
Hasil
Penjualan (y)

74,5

82,8

90,4

108,7 119,5 135,0

150,5

81,2

75,5

59,6

48,8

15,5

37,5

25,0

A. Gambarkan diagram pencar

B. Cari koefisien korelasi (r) dan artinya
C. Cari koefisien determinasi dan artinya
Penyelesaian
A)

B)
X
y

Y
xy

XY

74,5
81,2
5550,25
1036.84
-1101,24
82,8
75,5
6855,84
702,25
-686,35
90,4
59,6
8172,16
112,36
-193,98
108,7
48,8
11815,69
0,04
0
119,5
37,5
14280,25
132,25
- 124,2
135,0
25,0
18225
625
-657,5
150,5
15,5
22650,25
1156
-1421,2
761,4
3764,74

6593,44

6049,4

-34,2

32,2

1169,64

5700,25

6251,4

-25,9

26,5

670,81

3552,16

5387,84

-18,3

10,6

334,89

2381,44

5304,56

-0,2

1406,25

4481,25

10,8

-11,5

116,64

625

3375

26,3

-25

691,69

240,25

2332,75

41,8

-34

1747,24

343,1
87549,44 20498,79
-4184,47

33182,2

4730,91

r (kk) = -0,991
artinya : korelasi tersebut merupakan korelasi negatif , karena apabila index harga meningkat
maka hasil penjualan akan cenderung ikut meningkat atau akan menurun.
C)

kp = 0,982 (98,2%)
artinya pengaruh index harga terhadap hasil penjualan adalah 98,2%

KORELASI LINEAR BERGANDA

Korelasi dan Regresi Linear Berganda
Hubungan Linear lebih dari dua variabel.Pada hubungan linear lebih dari dua variabel ini,
perubahan satu variabel dipengaruhi oleh lebih dari satu variabel lain.
Secara fungsional Y = f (X1, X2, X3, ..., Xk) atau dalam persamaan matematis dituliskan
Y = a + b1X1 + b2X2 + b3X3 + ... + bkXk
rumus :
Koefisien Korelasi Linier Berganda
Merupakan indeks atau angka yang diigunakan untuk mengukur keeratan hubungan antara 3
variabel/lebih. Koefisien korelasi berganda dirumuskan :
Ry1.2 =
Keterangan :
Ry1.2 : koefisien linier 3 variabel
ry1
: koefisien korelasi y dan X1
ry2
: koefisien korelasi variabel y dan X2
r1.2
: koefisien korelasi variabel X1 dan X2
dimana :
ry1 =
ry2 =
r1.2 =
Ry1.2 =
Koefisien Korelasi Parsial
Koefisien korerasi parsial adalah indeks atau angka yang digunakan untuk mengukur
keeratan hubungan antara 2 variabel, jika variabel lainnya konstan, pada hubungan yang
melibatkan lebih dari 2 variabel. Koefisien korelasi parsial untuk 3 variabel dirumuskan sebagai
berikut :
1.

Koefisien korelasi parsial antara Y dan X1 apabila X2konstanta.

ry1.2 =

2.

Koefisien korelasi parsial antara Y dan X2 apabila X1konstanta

ry2.1 =

3.

Koefisien korelasi parsial antara X1 dan X2 apabila Y konstanta

r2.1Y =