STATISTIKA DESKRIPTIF, PARAMETRIK &

NON PARAMETRIK

Dr. Yuwono, dr., M.Biomed.

Fakultas Kedokteran Universitas Sriwijaya
E-Mail: yuwono@fk.unsri.ac.id

Disampaikan oleh Arie Kusumaningrum pada kuliah metodologi riset

Unsri.

1
 Statistika & Metode Ilmiah

METODE ILMIAH :
Adalah salah satu cara mencari kebenaran yang bila ditinjau dari segi
penerapannya, resiko untuk keliru paling kecil.

LANGKAH-LANGKAH DALAM METODE ILMIAH :

1. Merumuskan masalah
2. Melakukan studi literatur
3. Membuat dugaan-dugaan, pertanyaan-pertanyaan atau hipotesis

4. Mengumpulkan dan mengolah data, menguji hipotesis, atau

menjawab pertanyaan
5. Mengambil kesimpulan

INSTRUMEN

SAMPEL
PERAN STATISTIKA
SIFAT DATA

VARIABEL

METODE ANALISIS
2
 Pengertian Statistika

Metode yang berhubungan dengan penyajian dan

penafsiran kejadian yang bersifat peluang dalam
suatu penyelidikan terencana atau penelitian ilmiah.

Dalam statistika tercakup dua pekerjaan penting,

yaitu : Penyajian dan penafsiran data
 Fungsi Statistik

Teknik statistik mampu melakukan tiga tugas penting dalam

ilmu pengetahuan, yaitu menerangkan gejala, meramalkan
kejadian dan mengontrol keadaan.

Statistik deskriptif merupakan bagian statistik yang memikul

tugas untuk menerangkan suau gejala.

Statistik inferensia merupakan bagian lain dari statistik yang

membuat ramalan dan mengontrol kejadian.
 Metode Statistika

Metode Statistika adalah prosedur-prosedur atau cara-cara penyajian dan

penafsiran data.

Statistika Deskriptif (Descriptive Statistics): Metode pengumpulan,

peringkasan dan penyajian data Descriptive : bersifat memberi gambaran.
Contoh: Tabulasi data, diagram, grafik perkembangan harga komputer dari
tahun-ke tahun

Statistika Inferensia = Statistika Induktif (Inferential Statistics): Metode

analisis, peramalan, pendugaan dan penarikan kesimpulan Inferential:
bersifat melakukan generalisasi (penarikan kesimpulan). Contoh:
Pendugaan parameter, pengujian hipotesis, peramalan dengan
regresi/korelasi.
 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)
6
 Istilah dalam Statistika
Subyek/Obyek
Benda hidup atau mati yg diuji unsur-unsur, sifat dan kelakuannya melalui pengamatan, pengukuran
dan penilaian guna mendapat info atau nilai-nilai yg berguna mengenai benda tsb.
VARIABEL
Suatu sifat dari obyek atau unsur dari obyek yg dpt diamati atau diukur shg menghasilkan nilai, ukuran
atau kriteria lain yg dpt bervariasi
VARIATE
Angka/nilai ukuran/kriteria lain yg dicapai suatu variabel pada suatu individu atau unit statistik
VARIASI
Adanya perbedaan antar nilai/variate/ukuran dll dari suatu variabel pada populasi atau sampel
VARIABILITAS
Kemungkinan utk bervariasi dari nilai suatu variabel pada suatu populasi atau sampel
PARAMETER
Suatu variabel terukur yg digunakan sbg kriteria utk mengevaluasi suatu populasi atau sistem
NILAI PARAMETRIK
Suatu nilai dari suatu parameter yg diperoleh dari perhitungan atau data sensus, masih harus di
analisis.
NILAI STATISTIK
Suatu nilai dari suatu parameter yg diperoleh dari perhitungan atau data sensus. 7
 Jenis-Jenis Data
Berdasarkan sumber-nya:
Data primer: data yg didapatkan atau dikumpulkan sendiri, misal dgn melakukan
wawancara, observasi atau penelitian lapangan/laboratorium
Data sekunder: data yg didapat dari pihak lain, misal dari data providers seperti :
BPS, LIPI, dll
Berdasarkan jenisnya:
Data Numerik (kuantitatif): dinyatakan dalam besaran numerik (angka), Misalnya :
Data pendapatan per kapita, pengeluaran, harga, jarak, dll.
Data Kategorik (Kualitatif): diklasifikasikan berdasarkan kategori/kelas tertentu
Misalnya :
Kategori Mahasiswa Berprestasi dan Tidak Berprestasi,
Kategori kota kecil, sedang dan besar,
Kategori pendukung partai politik A, B, C, dll.

Himpunan nilai/variate/datum atau informasi lain yg diperoleh dari observasi,

pengukuran dan penilaian) thd suatu obyek atau lebih
Berdasarkan sifat angka :
Data kontinu, angka-angkanya mrpk deretan angka yg sambung-menyambung,
misal data BB (kg).
Data diskrit, yaitu data statistik yg tidak mgk berbentuk pecahan, misal jml buku
perpust (buah)

Berdasarkan bentuk angkanya :

Data tunggal, yaitu data statistik yg angka-angkanya mrpk satu unit atau satu
kesatuan, tdk dikelompokkan
Data kelompok, yaitu data statistic tiap unitnya terdiri dari sekelompok angka misal;
80 84, 75 79

Berdasarkan waktu pengumpulannya :

Data seketika, yaitu data statistik yg mencerminkan keadaan pada suatu waktu saja,
misal: pada semester gasal 2009/2010
Data urutan waktu, yaitu data statistik yg mencerminkan keadaan dari waktu ke
waktu secara berurutan, misal jumlah mahasiswa yg lulus dari tahun 1996 - 2006
9
 Skala Pengukuran
Nominal: Tidak ada urutan, urutan tidak menunjukkan tingkatan
(rangking) Tidak ada titik awal Tidak ada perbedaan, misalnya: Apa
warna favorit anda? Ungu, abu-abu,coklat dsb
Ordinal: Ada urutan yang menunjukkan tingkatan (rangking), misalnya :
Bagaimana prestasi belajar anda semester lalu?
1. Sangat Baik
2. Baik
3. Sedang-sedang saja
4. Buruk
5. Sangat Buruk

Skala Nominal dan Ordinal digunakan berkaitan dengan data

kategorik/kualitatif.
 Contoh Pertanyaan

1. Berbelanja di toko ini lebih sering lebih baik, supaya dapat harga diskon untuk
produk-produk tertentu :
[ ] sangat setuju [ ] setuju [ ] netral
[ ] tidak setuju [ ] sangat tidak setuju
2. Sebutkan gerai ritel modern yang sering anda kunjungi: ...................
3. Sebutkan alasan kenapa anda memilih gerai tersebut : .......................

Pertanyaan di atas mempunyai jawaban dalam bentuk kata atau kalimat,

meskipun pernyataan nomor satu sudah menyediakan pilihan jawaban.
Jawaban untuk ketiga pertanyaan tersebut harus dikodekan terlebih dahulu.
Pengkodean jawaban pada nomor 1 harus mengikuti skala ordinal, sedangkan
nomor 2 dan 3 mengikuti skala nominal.
 Skala Pengukuran

Interval: Ada urutan, ada perbedaan tetapi tidak ada titik awal (nol mutlak),
misalnya: suhu 0C bukan berarti tidak mempunyai suhu, tangga nada, IQ.

Rasio: Ada urutan, ada perbedaan, ada titik awal, misalnya: Pendapatan Rp.
135 245,23 per bulan: Pendapatan Rp. 0 berarti tidak ada.

Skala Interval dan Rasio digunakan berkaitan dengan data numerik/kuantitatif.

 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
13
 Data

DATA terbagi atas DATA KUALITATIF dan DATA KUANTITATIF

DATA KUALITATIF : DATA KUANTITATIF :

Data yang dinyatakan dalam Data yang dinyatakan dalam
bentuk bukan angka. bentuk angka
Contoh : jenis pekerjaan, status Contoh : lama bekerja, jumlah
marital, tingkat kepuasan kerja gaji, usia, hasil ulangan

DATA

KUALITATIF JENIS KUANTITATIF

DATA

NOMINAL INTERVAL
ORDINAL RASIO

14
 PROSEDUR PENGGUNAAN TABEL & GRAFIK

Data
Data Kualitatif Data Kuantitatif

Metode Metode Metode Metode

Tabel Grafik Tabel Grafik

Grafik Distr. Frekuensi Plot Titik

Distr. Frekuensi Histogram
Batang Distr. Frek. Relatif
Distr. Frek. Relatif
% Distr. Frek. Grafik Distr. Frek. Kum. Ogive
Tabulasi silang Lingkaran Distr. Frek. Relatif Kum. Diagram
Diagram Batang-Daun Scatter
Tabulasi silang

15
 30
30

20
20

10
10

Jumlah
Count

0
0
administrasi personalia produksi marketing keuangan
administrasi personalia produksi marketing keuangan

bidang pekerjaan
bidang pekerjaan

800000
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
16
 Frekuensi

FREKUENSI : banyaknya data untuk satu kelompok/klasifikasi

KELOMPOK FREKUENSI
Kelompok ke-1 f1
Kelompok ke-2 f2 Pendidikan Frekuensi
Kelompok ke-3 f3
Kelompok ke-i fi S1 62
Kelompok ke-k fk S2 19
k S3 9
n = fi 90
i=1

k
n = fi = f1 + f2 + f3 +.. + fi + + fk
i=1
17
 Distribusi Frekuensi

DISTRIBUSI FREKUENSI : mengelompokkan data interval/rasio dan menghitung banyaknya

data dalam satu kelompok/klasifikasi

USIA FREKUENSI Membuat distribusi frekuensi :

20 5 1. Mencari sebaran (range) yakni selisih antara data paling besar
dengan data paling kecil) 35 20 = 15
21 6
2. Menentukan banyak kelas dengan rumus k = 1 + 3,3 log n 7
22 13 3. Menentukan panjang kelas dengan rumus p = sebaran /
23 4 banyak kelas 15/7 = 2
24 7
25 7
26 7 KELOMPOK USIA FREKUENSI
27 5 20 21 11
28 3 22 23 17
29 4 24 25 14
30 15 26 27 12
31 3 28 29 7
33 5 30 31 18
35 1 32 - 33 5
34 - 35 1
18
 Ukuran Tendensi Sentral

RATA-RATA : suatu bilangan yang bertindak mewakili sekumpulan bilangan

RATA-RATA HITUNG (RERATA) : jumlah bilangan dibagi banyaknya

X1 + X2 + X 3 + + X n n
X= n Xi
i =1

Bila terdapat sekumpulan bilangan di mana masing-masing bilangannya memiliki frekuensi,

maka rata-rata hitung menjadi :
k
X1 f1 + X2 f2 + X3 f3 + + Xkfk X if i
X= i =1
f1 + f 2 + f3 + + fk

k
fi
i =1
Cara menghitung :

Bilangan (Xi) Frekuensi (fi) Xi fi

70 3 210
Maka : X= 695 = 69.5
63 5 315 10
85 2 170
Jumlah 10 695
19
 Median

MEDIAN : nilai tengah dari sekumpulan data setelah diurutkan yang fungsinya
Membantu 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 ?

Jika nilai ulangan tersebut adalah : 10 10 8 7 7 6 5 5 5 5 4,

maka rata-rata hitung = 6.55, median = 6
Kesimpulan : nilai 7 termasuk kategori baik sebab berada di atas rata-rata
hitung dan median (kelompok 50% atas)

Jika nilai ulangan tersebut adalah : 8 8 8 8 8 8 7 5 5 4 3,

maka rata-rata hitung = 6.55, median = 8
Kesimpulan : nilai 7 termasuk kategori kurang sebab berada di bawah median (kelompok
50% bawah)

Jika sekumpulan data banyak bilangannya genap (tidak mempunyai bilangan tengah) Maka
mediannya adalah rerata dari dua bilangan yang ditengahnya.
Contoh : 1 2 3 4 5 6 7 8 8 9 maka median (5+6) : 2 = 5.5

20
 Modus

MODUS : bilangan yang paling banyak muncul dari sekumpulan bilangan,

yang fungsinya untuk melihat kecenderungan dari sekumpulan bilangan tersebut.

Contoh : nilai ulangan 10 10 8 7 7 6 5 5 5 5 4

Maka : s = 6 ; k = 3 ; p =2
rata-rata hitung = 6.55 ; median = 6
modus = 5 ; kelas modus = 5 - 7

Nilai Frekuensi Nilai Frekuensi

10 2 8 10 3
8 1 57 7
7 2 24 1
6 1 Jumlah 11
5 4
4 1
- +
Jumlah 11
Mo X Me

Kurva positif apabila rata-rata hitung > modus / median

Kurva negatif apabila rata-rata hitung < modus / median
21
 Ukuran Penyebaran

UKURAN YANG MENYATAKAN HOMOGENITAS / HETEROGENITAS :

1. RENTANG (Range)
2. DEVIASI RATA-RATA (Average Deviation)
3. VARIANS (Variance)
4. DEVIASI STANDAR (Standard Deviation)

Rentang (range) : selisih bilangan terbesar dengan bilangan terkecil.

Sebaran merupakan ukuran penyebaran yang sangat kasar, sebab hanya bersangkutan
dengan bilangan terbesar dan terkecil.

Contoh : A : 100 90 80 70 60 50 40 30 20 10
B : 100 100 100 100 100 10 10 10 10 10 X = 55
C : 100 100 100 90 80 30 20 10 10 10 r = 100 10 = 90

Rata-rata

22
Deviasi Rata-rata : penyebaran Deviasi rata-rata
Berdasarkan harga mutlak simpangan
Kelompok A Kelompok B
bilangan-bilangan terhadap rata-ratanya.
Nilai X X-X |X X| Nilai X X-X |X X|
100 45 45 100 45 45
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|
DR =
Rata-rata n
i=1

Makin besar simpangan,

makin besar nilai deviasi rata-rata
23
 Varians & Deviasi Standar

Varians : penyebaran berdasarkan Kelompok A Kelompok B

jumlah kuadrat simpangan bilangan-
Nilai X X -X (XX)2 Nilai X X -X (X X)2
bilangan terhadap rata-ratanya ;
melihat ketidaksamaan sekelompok data 100 45 2025 100 45 2025
90 35 1225 100 45 2025
80 25 625 100 45 2025
n
s = (Xi X)
2
2 70 15 225 90 35 1225
i=1 n-1 60 5 25 80 25 625
50 -5 25 30 -25 625
40 -15 225 20 -35 1225

Deviasi Standar : penyebaran 30 -25 625 10 -45 2025

berdasarkan akar dari varians ; 20 -35 1225 10 -45 2025
menunjukkan keragaman kelompok data 10 -45 2025 10 -45 2025
Jumlah 8250 Jumlah 15850

8250 15850
n s= 9 = 30.28 s= 9 = 41.97
2
s= (Xi X)
i=1 n-1
Kesimpulan :
Kelompok A : rata-rata = 55 ; DR = 25 ; s = 30.28
Kelompok B : rata-rata = 55 ; DR = 39 ; s = 41.97
Maka data kelompok B lebih tersebar daripada kelompok A

24
 KUARTIL, DESIL, PERSENTIL
Kuartil
Kelompok data yang sudah diurutkan
(membesar atau mengecil) dibagi empat
bagian yang sama besar.
Ada 3 jenis yaitu kuartil pertama (Q1) atau
kuartil bawah, kuartil kedua (Q2) atau kuartil
tengah, dan kuartil ketiga (Q3) atau kuartil
atas.
Desil
Kelompok data yang sudah diurutkan
(membesar atau mengecil) dibagi sepuluh
25
bagian yang sama besar.
 Pengolahan Data

MULAI

Statistik NOMINAL Jenis INTERVAL Statistik

Non Parametrik ORDINAL Data ? RASIO Parametrik

Analisis SATU DUA / LEBIH Analisis

Univariat Jumlah Multivariat
Variabel ?

26
 Pengolahan Data

PROSEDUR PENGOLAHAN DATA :

A. PARAMETER : Berdasarkan parameter yang ada statistik dibagi menjadi

Statistik PARAMETRIK : berhubungan dengan inferensi statistik yang membahas parameter-

parameter populasi; jenis data interval atau rasio; distribusi data normal atau mendekati
normal.

Statistik NONPARAMETRIK : inferensi statistik tidak membahas parameter-parameter

populasi; jenis data nominal atau ordinal; distribusi data tidak diketahui atau tidak normal

B. JUMLAH VARIABEL : berdasarkan jumlah variabel dibagi menjadi

Analisis UNIVARIAT : hanya ada 1 pengukuran (variabel) untuk n sampel atau beberapa
variabel tetapi masing-masing variabel dianalisis sendiri-sendiri. Contoh : korelasi motivasi
dengan pencapaian akademik.

Analisis MULTIVARIAT : dua atau lebih pengukuran (variabel) untuk n sampel di mana
analisis antar variabel dilakukan bersamaan. Contoh : pengaruh motivasi terhadap
pencapaian akademik yang dipengaruhi oleh faktor latar belakang pendidikan orang tua,
faktor sosial ekonomi, faktor sekolah.

27
 Populasi : keseluruhan pengamatan. Sampel = Contoh = sample:
himpunan bagian populasi. Ukuran Populasi = N = banyak anggota
populasi. Ukuran Sampel = n = banyak anggota sampel. Parameter: nilai
yang menyatakan ciri populasi. Statistik (Statistic): nilai yang menyatakan
ciri sampel

Ciri Parameter Statistik

Rata-rata = myu x
Standar = sigma s
Deviasi,Simpangan Baku

Ragam, Variance s

proporsi p atau p

Bias suatu sampel: perbedaan ciri sampel dengan ciri populasi tempat sampel diambil.
Sampel yang baik adalah sampel dengan bias minimal. Cara mendapatkan sampel dengan
bias minimal adalah dengan mengambil secara randon (acak).
 Pengolahan Data

Pengolahan Data dengan statistika mensyaratkan bentuk data

numerik, untuk itu data kategorik terlebih dahulu harus diubah
ke bentuk numerik dengan memberi bobot pada setiap kategori.

Salah satu alasan diperlukannya statistik adalah generalisasi

akan parameter suatu populasi yang dapat diambil dengan
hanya meneliti sebagian kecil anggota populasi (sampel).
Generalisasi ini bukan tanpa kesalahan, tetapi secara statistik,
kesalahan generalisasi dan hal lain yang berhubungan dengan
sampel, pengambilan data, rumus (perhitungan) dan lain-lain
selalu dapat diprediksi.
Statistika Parametrik:
Membutuhkan pengukuran kuantitatif dengan data interval atau rasio
Mempertimbangkan jenis sebaran/distribusi data, yaitu apakah data menyebar
normal atau tidak.
Contoh metode statistika parametrik: uji-z (1 atau 2 sampel), uji-t (1 atau 2
sampel), korelasi pearson, Perancangan Percobaan (1 or 2-way ANOVA
parametrik), dll.

Statistika Nonparametrik
Membutuhkan data dengan data ordinal dan nominal
Merupakan statistika bebas sebaran (tdk mensyaratkan bentuk sebaran
parameter populasi, baik normal atau tidak).
Contoh metode Statistika non-parametrik: Binomial test, Chi-square test,
Median test, Friedman Test, dll.

30
 Statistik Parametrik dan Non Parametrik
Statistik Parametrik : digunakan untuk menguji parameter populasi melalui
statistik , atau menguji ukuran populasi melalui data sampel.
Pengertian parameter populasi adalah data yang diperoleh dengan mencatat
semua elemen yang menjadi obyek penelitian dan merupakan nilai yang
sebenarnya (true value). Sedangkan pengertian statistik disini adalah data
yang diperoleh dari sampel dan merupakan nilai perkiraan (estimated value).
Parameter populasi antara lain meliputi : rara-rata (), simpangan baku (),
varians (). Sedangkan statistiknya adalah : rata-rata (x bar), simpangan baku
(s) dan varians (s).
Uji Hipotesis Statistik : ialah pengujian parameter melalui statistik (data
sampel). Oleh karena itu penelitian yang berhipotesis statistik adalah
penelitian yang menggunakan data sampel.
Statistik Non Parametrik : tidak menguji parameter populasi, tetapi menguji
distribusi.

31
 Statistik Parametrik dan Non Parametrik

Penggunaan statistik Parametrik dan Non Parametrik tergantung pada asumsi dan
jenis data yang akan dianalisis.
Statistik Parametrik memerlukan terpenuhi banyak asumsi, antara lain asumsi
yang utama adalah data yang dianalisis harus berdistribusi normal, selanjutnya
dalam penggunaan salah satu test mengharuskan data homogin, dalam regresi
harus terpenuhi asumsi linieritas.
Statistik Non Parametrik tidak menuntut terpenuhi banyak asumsi, misalnya data
yang dianalisis tidak harus berdistribusi normal. Oleh karena itu statistik non
parametrik sering disebut sebagai distribusi bebas (free distribution)
Statistik Parametrik banyak digunakan untuk menganalisis data interval dan rasio.
Sedangkan Statistik Non Parametrik banyak digunakan untuk untuk menganalisis
data nominal dan ordinal.

32
 t-test ; Korelasi Product Moment

Dalam Statistik Parametrik diperlukan syarat bahwa data yang akan dianalisis harus berdistribusi
normal. Untuk itu perlu dilakukan pengujian normalitas data.
T-test : 1) untuk menguji hipotesis deskriptif satu sampel bila datanya berbentuk interval dan ratio
, maka digunakan t-test satu sampel.
2) untuk menguji hipotesis komparatif dua sampel berpasangan bila datanya berbentuk
interval dan ratio, digunakan t-test sampel berpasangan.
t = x - 0
s/n
di mana : t = nilai t yang dihitung , x = rata-rata , 0 =nilai yang dihipotesiskan
s = simpangan baku sampel , n = jumlah anggota sampel.

33
 t-test, Korelasi Product Moment

Korelasi : menunjukkan adanya hubungan antara dua variabel atau lebih serta menunjukkan
besarnya (kuat/lemahnya) hubungan antara dua variabel tersebut.
Koefisien Korelasi ( r ) merupakan kriteria untuk mengukur hubungan antar variabel secara
kuantitatif yang nilainya terletak antara 1 dan 1
r = 1 , hubungan variabel X dan Y adalah sangat kuat dan positif
r = - 1 , hubungan variabel X dan Y adalah sangat lemah dan negatif
r = 0 , hubungan variabel X dan Y lemah sekali atau tidak ada hubungan.
Berikut ini adalah rumus Karl Pearson (Product Moment) :
r = n . XY - X . Y .
n.X - (X). n.Y - (Y)
Koefisien Determinasi (Kd) : menunjukkan berapa persen fluktuasi atau variasi variabel Y
yang disebabkan oleh variabel X , dengan rumus :

Kd = r

34
 POLA HUBUNGAN PADA DIAGRAM SCATTER

y y y

x x
x

Hubungan Positif
Hubungan Negatif Tidak ada hubungan
Jika X naik, maka
Jika X naik, maka antara X dan Y
Y juga naik dan
Y akan turun dan
jika X turun, maka
jika X turun, maka
Y juga turun
Y akan naik

35
 Analisis Regresi Linear Sederhana

Analisis Regresi : suatu proses melakukan estimasi untuk memperoleh suatu hubungan fungsional
antara variabel X dengan variabel Y.
Analisis Regresi Linear Sederhana : adalah analisis regresi antara satu variabel X dan satu variabel
Y.
Persamaan Regresi Linear Sederhana : Y = a + bX ,
di mana : Y = Nilai Y prediksi , a = Intercept atau nilai Y pada saat X = 0
b = Slope / kemiringan , X = Independent Variable (variabel bebas).
Untuk menghitung nilai a dan b digunakan rumus :

b = n(XY) (X) (Y)

n (X) (X)

a = Y - b. X
n n

36
 Normalitas, Hipotesis, Pengujian

Distribusi Normal : kurva berbentuk bel, simetris, simetris terhadap sumbu yang
melalui nilai rata-rata

Kurtosis = keruncingan

Skewness = kemiringan

+3s +2s -s +s +2s +3s

68%
95%
99%
Lakukan uji normalitas

Rasio Skewness & Kurtosis berada 2 sampai +2

nilai
Rasio =
Standard error

Jika tidak berdistribusi normal, lakukan uji normalitas non parametrik

(Wilcoxon,Mann-White, Tau Kendall) 37
 Normalitas, Hipotesis, Pengujian

Hipotesis : uji signifikansi (keberartian) terhadap hipotesis yang dibuat ;

berbentuk hipotesis penelitian dan hipotesis statistik (H0) ;
hipotesis bisa terarah, bisa juga tidak terarah ;
akibat dari adanya Ho, maka akan ada Ha (hipotesis alternatif) yakni
hipotesis yang akan diterima seandainya Ho ditolak

HIPOTESIS TERARAH TIDAK TERARAH

Hipotesis Siswa yang belajar bahasa lebih Ada perbedaan keseriusan siswa
Penelitian serius daripada siswa yang antara yang belajar bahasa dengan
belajar IPS yang belajar IPS
Hipotesis Nol Siswa yang belajar bahasa tidak Tidak terdapat perbedaan
(Yang diuji) menunjukkan kelebihan keseriusan belajar siswa antara
keseriusan daripada yang belajar bahasa dan IPS
IPS
Ho : b < i Ho : b = i
Ha : b > i Ha : b I

38
 Normalitas, Hipotesis, Pengujian

Pengujian : bila Ho terarah, maka pengujian signifikansi satu pihak

bila Ho tidak terarah, maka pengujian signifikansi dua pihak

Pengujian signifikansi satu arah (hipotesis terarah):

Siswa yang belajar bahasa tidak menunjukkan kelebihan keseriusan daripada yang belajar IPS
Ho : b < i
Jika Ho ditolak, maka Ha diterima ; daerah penolakan berada di sebelah kanan

5% 2.5% 2.5%

Daerah penerimaan hipotesis Daerah Daerah Daerah penerimaan hipotesis Daerah

penolakan penolakan penolakan
hipotesis hipotesis hipotesis

Pengujian signifikansi dua arah (hipotesis tidak terarah):

Tidak terdapat perbedaan keseriusan belajar siswa antara bahasa dan IPS

Ho : b = i
Jika Ho ditolak, maka Ha diterima ; daerah penolakan bisa berada di sebelah kiri atau kanan 39
 Uji t

Uji t : menguji apakah rata-rata suatu populasi sama dengan suatu harga tertentu atau
apakah rata-rata dua populasi sama/berbeda secara signifikan.
( - )
t =
1. Uji t satu sampel s / n
Menguji apakah satu sampel sama/berbeda dengan rata-rata populasinya

hitung rata-rata dan std. dev (s)

df = n 1

tingkat signifikansi ( = 0.025 atau 0.05)
pengujian apakah menggunakan 1 ekor atau 2 ekor
diperoleh t hitung ; lalu bandingkan dengan t tabel : jika t hitung > t tabel Ho ditolak
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

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
40
 Uji t

2. Uji t dua sampel bebas

Menguji apakah rata-rata dua kelompok yang tidak berhubungan sama/berbeda

(X Y) (x2 + y2) (1/nx + 1/ny)

t= Di mana Sx-y =
Sx-y (nx + ny 2)

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

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

41
 Uji t

3. Uji t dua sampel berpasangan

Menguji apakah rata-rata dua sampel yang berpasangan sama/berbeda

D
t= Di mana D = rata-rata selisih skor pasangan
sD

D2 (D)2
sD = d2 d2 =
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
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

42
 Uji Keterkaitan

Korelasi : hubungan keterkaitan antara dua atau lebih variabel.

Angka koefisien korelasi ( r ) bergerak -1 r +1

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
43
 Uji Keterkaitan

1. KORELASI PEARSON :
apakah di antara kedua variabel terdapat hubungan, dan jika ada hubungan bagaimana
arah hubungan dan berapa besar hubungan tersebut.
Digunakan jika data variabel kontinyu dan kuantitatif

NXY (X) (Y) Di mana : XY = jumlah perkalian X dan Y

r= X2 = jumlah kuadrat X
NX2 (X)2 x NY2 (Y)2 Y2 = jumlah kuadrat Y
N = banyak pasangan nilai

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
X X2 Y Y2 XY
44
 Uji Keterkaitan

2. KORELASI SPEARMAN (rho) dan Kendall (tau) :

Digunakan jika data variabel ordinal (berjenjang atau peringkat). Disebut juga korelasi
non parametrik

6d2 Di mana : N = banyak pasangan

rp = 1-
N(N2 1) d = selisih peringkat

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 d2
45
 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
O = skor yang diobservasi
X2 = Di mana
E = skor yang diharapkan (expected)
E

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
O E (O-E) (O-E)2 (O-E)2/E
a b
Fasih a 20 (a+b)(a+c)/N

c d b 10 (a+b)(b+d)/N
Tidak fasih
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
46
 Uji Chi-Square (X2)

Chi-Square dengan menggunakan SPSS

KASUS : apakah ada hubungan pendidikan dengan status marital responden
Ho = tidak ada hubungan antara baris dengan kolom atau tidak ada hubungan pendidikan
dengan status marital
H1 = 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 Asymp. Sig.

Value df (2-sided)
S1 S2 S3 Total
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
janda 5 3 2 10 3,070 1 ,080
Association
duda 4 4 0 8 N of Valid Cases
Total 62 19 9 90 90

Value Approx. Sig.

Nominal by Nominal Contingency Coefficient ,308 ,151
N of Valid Cases 90

Hasil : tingkat signifikansi = 5% ; df = 6 ; X2 tabel = 9.431 ; X2 hitung = 12.592 ;

asymp. sig = 0.000 ; contingency coeff. = 0.526
Karena : X2 hitung < X2 tabel maka Ho diterima
asymp. Sig > 0.05 maka Ho diterima
Artinya tidak ada perbedaan tingkat pendidikan berdasarkan status maritalnya
dan hal ini diperlihatkan dengan kuatnya hubungan yang hanya 30.8%

47
 Uji Anova

Anova : menguji rata-rata satu kelompok / lebih melalui satu variabel dependen / lebih
berbeda secara signifikan atau tidak.

ONE WAY ANOVA

Satu variabel dependen (kuantitatif) dan satu kelompok (kualitatif)
Contoh : apakah pandangan siswa tentang IPS (kuantitatif) berbeda berdasarkan jenjang pendidikannya (kualitatif : SD,
SLTP, SMU)

Satu variabel dependen tetapi kelompok berbeda

UNIVARIAT ANOVA Contoh : apakah rata-rata ulangan berbeda berdasar
kan klasifikasi sekolah dan kelompok penelitian

Variabel dependen lebih dari satu tetapi

kelompok sama
Contoh : apakah rata-rata ulangan dan pandangan siswa terhadap IPS
berbeda untuk tiap daerah

MULTIVARIAT ANOVA
Variabel dependen lebih dari satu dan kelompok berbeda
Contoh : apakah rata-rata ulangan dan pandangan siswa terhadap IPS
berbeda berdasarkan klasifikasi Sekolah dan kelompok penelitian

48
 Uji Anova

ONE WAY ANOVA

RJKa k J2j J2 Di mana :

JKa = -
F= nj N J = jumlah seluruh data
RJKi j=1 N = banyak data
k nj k J2j k = banyak kelompok
Jki = X2ij - nj = banyak anggota kelompok j
nj Jj = jumlah data dalam kelompok j
j=1 i=1 j=1

Contoh :
Apakah terdapat perbedaan pandangan terhadap IPS siswa SD, SLTP, SMU ?
Ho : 1 = 2 = 3 (tidak terdapat perbedaan sikap)

212 + 72 + 152 432

X1 X2 X3 Jka = - = 19.73
5 15
3 1 2
212 + 72 + 152
4 1 2 Jki = 32 + 42 + 52 - = 10
5
5 2 3
Jka
4 1 3 RJKa = = 19.73/2 = 9.865
F = 9.865 / 0.833
5 2 5 k-1
= 11.838
21 7 15 Jki
RJKi = = 10/15-3 = 0.833
x 4.2 1.4 3
N-k
49
 SELAMAT MENELITI

TERIMA KASIH

50
 Notes: Inferensial

Hipotesis nol, adalah hipotesis yang akan diuji

Hipoteisis alternatif atau hipotesis kerja/penelitian/deklaratif
Hipotesis 1 ekor kanan, kiri atau dua ekor
Signifikan alfa adalah kekeliruan tipe 1, misalnya alfa= 0,001 artinya ada 1
kesalahan dlm 1000 kali observasi/eksperimen
Derajat kebebasan, tingkat kebebasan utk bervariasi shg tidak terjadi salah tafsir
Normalitas sebaran data menentukan uji apa yang mau dipakai, misal siswa
dikumpulakan random akan ada yang bodoh, sedang, cerdas (distribusi normal).
Jika tidak terdistribusi normal bisa dengan non parametrik
Tes normalitas dgn kai kuadrat
Uji Z adl uji hipotesis data presentase
Uji t satu kelompok misal beda laki-laki dan perempuan dalam menyelesaikan soal
psikotes

51
 korelasi
Spearman/rank order: Bdsr kedudukan skor bukan
pengukuran sebenarnya eg IQ dan MTK
Pearson: Variabel brp gejala kontinu eg bhs arab skor iain,
Sampel homogen atau dekati homogen
Korelasi phi: Dikotomi misal pria -wanita
Korelasi poin biserial: Menilai variabel kontinu dg diskrit eg
nilai ujian dengan validitas mcq (bnr slh)
Regresi linear

52
 komparatif
t test: Parametrik-bdgkn mean
X kuadrat: Beda frekuensi
Multivariat
Anava- misal korelasi 4 teknik membaca dgn skor kecepatan membaca,
efektivitas PR dg LKS dan Buku Paket
- Korelasi- regresi multiple
- Komparasi-anova-ankova, gab analisis regresi dan anava. Variabel y
bertambah setelah terpengaruh suatu perlakuan yang berhubungan linear
dgn variabel lainnya, misal efektivitas media iklan radio, sk, tv utk fast food
. Msg msg pada 5 restoran dari 15 rest dipilih random dlm wkt
bersamaan. Jika y adl profit dan x-kovariat adl byknya karyawan, bgmn
efektivitas setiap jenis media berdasarkan rerata keuntungan yg didapat
menurut jumlah karyawan yang dimiliki.

53