KURVA NORMAL

Kurva normal adalah satu model distribusi dari sejumlah kemungkinan distribusi. Hal ini
disebabkan karena penggunaan konsep kurva normal sangat luas dan dijadikan sebagai alat yang
sangat penting dalam pengembangan suatu teori, konsep kurva normal juga memberikan status
khusus dalam pengembangan kaidah-kaidah ilmiah.
Kurva normal bukan hanya satu kurva, melainkan mempunyai sejumlah kurva yang tidak
terbatas yang mungkin dapat dibuat, dan semua itu dideskripsikan dengan suatu persamaan
aljabar berikut.

Persamaan di atas dapat membuat para pelajar menjadi panik dan/atau mengalami kesulitan
untuk memahami konsep kurva normal. Secara umum, pemahaman atas persamaan aljabar ini
tidak menjadi kebutuhan atau diperlukan untuk mengapresiasi dan menggunakan kurva normal.
Namun demikian persamaan ini perlu dijelaskan untuk memahami bagaimana konsep dan
aplikasi suatu kurva normal.

Pertama, penggunaan simbol-simbol dalam persamaan ini dimaksudkan untuk menyederhanakan

proses perhitungan. Simbol-simbol itu termasuk 2". p, dan e. Lambang e untuk
menunjukkan adanya perhitungan dengan bilangan irasional atau untuk menunjukkan batasan
yang sangat panjang. Hal ini dimungkinakn untuk menunjukkan sejumlah keunikan, dalam
kasus e ini, yang menunjukkan kekuatan khusus

Kedua, adanya sekumpulan simbol yang menjadi kepedulian termasuk simbol X, yaitu
melambangkan variabel responden untuk suatu skor nilai. Tinggi dari suatu kurva pada satu titik
merupakan fungsi dari X (fx).

Ketiga, dua simbol terakhir dalam persamaan adalah mu () lambang dari rata-rata dan sigma
() lambang dari stadar deviasi kedua lambang ini disebut dengan parameter atau nilai-nilai.
Kedua parameter ini memberikan kemungkinan pembuatan kurva normal menjadi tidak terbatas,
yaitu dengan menghubungkan kedua parameter ini. Dalam hal ini konsep parameter menjadi
sangat penting dan perlu diperhatikan secara sungguh-sungguh.

Keluarga Distribusi
Kurva normal merupakan salah satu bentuk (anggota keluarga) dari sekian banyak (tidak
terbatas) pola distribusi. Model setiap anggota keluarga ditentukan oleh seperangkat parameter
( dan ) dengan nilai (perhitungan) khusus. Sebab parameter dapat ditempatkan pada suatu
nilai, posisitf atau negatif, dan parameter mempunyai nilai posisitf, hubungan dari kedua
parameter ini membuat keluarga kurva normal menjadi luas sekali yang mempunyai anggota
anggota tidak terbatas. Atas dasar itu, kurva normal diusulkan menjadi suatu model umum,
karena asumsi kurva normal mampu menjelaskan sejumlah besar fenomena yang terjadi secara
alami, mulai dari skor tes sampai ke fenomena bintang-bintang di langit.

Kesamaan Anggota Keluarga Kurva Normal

Anggota keluarga kurva normal sangat bervariasi mempunyai perbedaan, akan tetapi mempunyai
sejumlah sifat-sifat umum yang sama, sifat-sifat umum ini disebut juga dengan kesamaan
anggota keluarga kurva normal. Kesamaan (sifat-sifat umum ini) mencakup: bentuk simetri,
mendekat ke ujung tetapi tidak pernah bersentuhan dengan sumbu X (asimtot), dan mempunyai
wilayah di bawah kurva.

Dalam hal bentuk, semua anggota keluarga kurva normal mempunyai kesamaan yaitu berbentuk
lonceng, kemudian sumbu X mempunyai kesamaan skala yang tepat. Sebagian besar wilayah
di bawah kurva berada di sekitar titik tengan atau rata-rata. Ujung garis distribusi mendekat ke
sumbu X tetapi tidak pernah menyentuh, dan luas wilayah di bawah kurvanya sangat kecil

Kesamaan dalam hal simetris, semua anggota keluarga kurva normal berada pada dua sisi sejajar
dan simetris. Artinya, jika satu kurva normal digambarkan pada permukaan kertas dua dimensi,
maka jika kertas itu dilipat pada garis tengahnya (garis rata-rata) maka kedua sisi kurva normal
itu harus tepat sama. Keadaan simetris ini juga tergambar dalam struktur tubuh manusia, secara
umum dalam posisi sejajar atau mendekati simetris antara sisi kiri dan kanan. Begitu juga dalam
perkembangan kehidupan manusia baik individual maupun sosial.

Semua keluarga kurva normal mempunyai ekor mendekati sumbu X, tetapi tidak pernah
menyentuhnya. Implikasinya, dibagian manapun suatu titik yang berada pada kurva (arah positif
atau negatif) tetap saja mempunyai wilayah yang berada di bawah kurva normal. Oleh karena itu,
gambar dari satu kurva normal harus mempunyai panjang garis yang tidak berhingga. Sehingga
untuk mengeahui luas wilayah yang berada di bawah kurva normal harus dilihat dari suatu
rentang yang dibatasi oleh sejumlah garis, hanya sebagaian kecil dari segmen garis yang
digambarkan untuk kurva normal khusus.

Semua anggota keluarga kurva normal mempunyai total wilayah di bawah kurva sama dengan
satu (1.00) , seperti yang terjadi pada model-model kemungkinan atau distribusi frekuensi. Sifat
ini, menjadi tambahan pada sifat simetri, implikasinya bahwa wilayah pada setiap setengah dari
distribusi adalah 0,50 atau setengah.

Mengenal Kurva Normal Dalam Ilmu Statistik

Secara sederhana, kurva normal adalah kurva yang berasal dari data-data yang terdistribusi
normal. Ciri-ciri data terdistribusi normal terdapat keseimbangan simpangan antara sisi kiri dan
sisi kanan, sehingga sigma total dari data keselurhan adalah nol.

Bentuk Kurva Normal

Kurva normal adalah suatu bentuk kurva yang sudah direncanakan, ordinatnya menunjukkan
frekuensi dan poros absisnya memuat nilai variabel.

Jika dilihat dari bentuknya, sudah bisa dipastikan bahwa disetiap ujung-ujungnya adalah
distribusi atau sebaran dengan frekuensi (kemunculan) paling kecil. Sebaliknya, frekuensi yang
paling banyak berada pada tengah-tengah kurva.

Dari gambar diatas dapat diambil sebuah gambaran mengenai lompatan. Jika data mengenai
lompatan atlet dikatakan normal, maka sebaran tinggi lompatan dengan kategori tinggi akan
berada disekitar mean dan hanya akan ada sedikit sekali orang yang memiliki lompatan terlalu
tinggi dan terlalu rendah. Tanpa menghiraukan variabel apa saja yang mempengaruhi ketinggian
suatu lompatan. Semakin jauh nilai penyimpangan dari mean, maka semakin sedikit frekuensi
individu-individu yang memperoleh lompatan dengan kategori tinggi tersebut.

Daerah Kurva Normal

Ruang yang dibatasi oleh kurva dan absisnya disebut dengan daerah (yang diarsir). Daerah ini
biasanya dianyatakan dalam persen atau proporsi. Jika dinyatakan dalam persen, maka daerah
kurva meliputi 100%. Jika dinyatakan dalam proporsi, maka akan mencakup bilangan 100, 1000,
10000 dan seterusnya bergantung dari jumlah data awal yang diteliti.

Daerah kurva dapat ditentukan dengan melihat jarak SD (Standart Deviasi) dengan M (nilai
tengah) dari kurva yang dibuat. Dengan menggunakan patokan M dan SD kita dapat mengetahui
setiap bagian atau prosentase suatu tinggi lompatan atlet. Kita ambil contoh jika kita tarik garis
dengan jarak satu SD diatas M, maka daerah yang menjadi perhatian dalam kurva adalah daerah
antara M dan +SD. Karena kurva normal adalah kurva yang simetris, maka daerah kurva antara -
SD dan M juga merupakan bagian dari keseluruhan yang hendak dicari.

Okelah mari kita sejenak membiarkan kebingungan melanda kepala. Kita tadi mengambil sebuah
contoh mengenai loncatan. Jika sebuah data diperoleh rata-rata loncatan untuk satu orang dalam
percobaan 20 kali adalah 175 cm, maka hanya akan ada sekali atau dua kali loncatan yang
melebihi +SD dan juga dibawah -SD.

Rumus Chi Square

Chi-Square disebut juga dengan Kai Kuadrat. Chi Square adalah salah satu jenis uji komparatif non
parametris yang dilakukan pada dua variabel, di mana skala data kedua variabel adalah nominal.
(Apabila dari 2 variabel, ada 1 variabel dengan skala nominal maka dilakukan uji chi square dengan
merujuk bahwa harus digunakan uji pada derajat yang terendah).

Uji chi-square merupakan uji non parametris yang paling banyak digunakan. Namun perlu diketahui
syarat-syarat uji ini adalah: frekuensi responden atau sampel yang digunakan besar, sebab ada beberapa
syarat di mana chi square dapat digunakan yaitu:

1. Tidak ada cell dengan nilai frekuensi kenyataan atau disebut juga Actual Count (F0) sebesar 0
(Nol).
2. Apabila bentuk tabel kontingensi 2 X 2, maka tidak boleh ada 1 cell saja yang memiliki frekuensi
harapan atau disebut juga expected count ("Fh") kurang dari 5.
3. Apabila bentuk tabel lebih dari 2 x 2, misak 2 x 3, maka jumlah cell dengan frekuensi
harapan yang kurang dari 5 tidak boleh lebih dari 20%.

Rumus chi-square sebenarnya tidak hanya ada satu. Apabila tabel kontingensi bentuk 2 x 2, maka rumus
yang digunakan adalah "koreksi yates". Untuk rumus koreksi yates, sudah kami bahas dalam artikel
sebelumnya yang berjudul "Koreksi Yates".

Apabila tabel kontingensi 2 x 2 seperti di atas, tetapi tidak memenuhi syarat seperti di atas, yaitu ada
cell dengan frekuensi harapan kurang dari 5, maka rumus harus diganti dengan rumus "Fisher Exact
Test".

Pada artikel ini, akan fokus pada rumus untuk tabel kontingensi lebih dari 2 x 2, yaitu rumus yang
digunakan adalah "Pearson Chi-Square".
Rumus Tersebut adalah:

Rumus Chi-Square

Untuk memahami apa itu "cell", lihat tabel di bawah ini:

Tabel Kontingensi Chi-Square

Tabel di atas, terdiri dari 6 cell, yaitu cell a, b, c, d, e dan f.

Sebagai contoh kita gunakan penelitian dengan judul "Perbedaan Pekerjaan Berdasarkan Pendidikan".

Maka kita coba gunakan data sebagai berikut:

 Contoh Tabulasi Untuk Uji Chi-Square

Dari data di atas, kita kelompokkan ke dalam tabel kontingensi. Karena variabel pendidikan memiliki 3
kategori dan variabel pekerjaan memiliki 2 kategori, maka tabel kontingensi yang dipakai adalah tabel 3
x 2. Maka akan kita lihat hasilnya sebagai berikut:

Contoh Tabel Kontingensi Chi-Square

Dari tabel di atas, kita inventarisir per cell untuk mendapatkan nilai frekuensi kenyataan, sebagai
berikut:
 Hitung F0 Uji Chi-Square

Langkah berikutnya kita hitung nilai frekuensi harapan per cell, rumus menghitung frekuensi harapan
adalah sebagai berikut:

Fh= (Jumlah Baris/Jumlah Semua) x Jumlah Kolom

1. Fh cell a = (20/60) x 26 = 8,667

2. Fh cell b = (20/60) x 34 = 11,333
3. Fh cell c = (24/60) x 26 = 10,400
4. Fh cell d = (24/60) x 34 = 13,600
5. Fh cell e = (16/60) x 26 = 6,933
6. Fh cell f = (16/60) x 34 = 9,067

Maka kita masukkan ke dalam tabel sebagai berikut:

Hitung Fh Chi-Square

Langkah berikutnya adalah menghitung Kuadrat dari Frekuensi Kenyataan dikurangi Frekuensi Harapan
per cell.

1. Fh cell a = (11 - 8,667)2 = 5,444

2. Fh cell b = (9 - 11,333)2 = 5,444
3. Fh cell c = (8 - 10,400)2 = 5,760
4. Fh cell d = (16 - 13,600)2 = 5,760
5. Fh cell e = (7 - 6,933)2 = 0,004
 6. Fh cell f = (9 - 9,067)2 = 0,004

Lihat hasilya pada tabel di bawah ini:

Tabel Hitung Chi-Square

Kuadrat dari Frekuensi Kenyataan dikurangi Frekuensi Harapan per cell kemudian dibagi frekuensi
harapannya:

1. Fh cell a = 5,444/8,667 = 0,628

2. Fh cell b = 5,444/11,333 = 0,480
3. Fh cell c = 5,760/10,400 = 0,554
4. Fh cell d = 5,760/13,600 = 0,424
5. Fh cell e = 0,004/6,933 = 0,001
6. Fh cell f = 0,004/9,067 = 0,000

Kemudian dari nilai di atas, semua ditambahkan, maka itulah nilai chi-square hitung. Lihat Tabel di
bawah ini:

Hasil Akhir Tabel Hitung Chi-Square

Maka Nilai Chi-Square Hitung adalah sebesar: 2,087.

Untuk menjawab hipotesis, bandingkan chi-square hitung dengan chi-square tabel pada derajat
kebebasan atau degree of freedom (DF) tertentu dan taraf signifikansi tertentu. Apabila chi-square
hitung >= chi-square tabel, maka perbedaan bersifat signifikan, artinya H0 ditolak atau H1 diterima.
DF pada contoh di atas adalah 2. Di dapat dari rumus -> DF = (r - 1) x (c-1)

di mana: r = baris. c = kolom.

Pada contoh di atas, baris ada 3 dan kolom ada 2, sehingga DF = (2 - 1) x (3 -1) = 2.

Apabila taraf signifikansi yang digunakan adalah 95% maka batas kritis 0,05 pada DF 2, nilai chi-square
tabel sebesar = 5,991.

Karena 2,087 < 5,991 maka perbedaan tidak signifikan, artinya H0 diterima atau H1 ditolak.

PENGERTIAN REGRESI & KORELASI LINIER

SEDERHANA
Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur ada atau tidaknya
korelasi antarvariabel. Jika kita memiliki dua buah variabel atau lebih maka sudah selayaknya apabila
kita ingin mempelajari bagaimana variabel-variabel itu berhubungan atau dapat diramalkan.

Analisis regresi mempelajari hubungan yang diperoleh dinyatakan dalam persamaan matematika yang
menyatakan hubungan fungsional antara variabel-variabel. Hubungan fungsional antara satu variabel
prediktor dengan satu variabel kriterium disebut analisis regresi sederhana (tunggal), sedangkan
hubungan fungsional yang lebih dari satu variabel disebut analisis regresi ganda.

Analisis regresi lebih akurat dalam melakukan analisis korelasi, karena pada analisis itu kesulitan dalam
menunjukkan slop (tingkat perubahan suatu variabel terhadap variabel lainnya dapat ditentukan).
Dengan demikian maka melalui analisis regresi, peramalan nilai variabel terikat pada nilai variabel bebas
lebih akurat pula.

Persamaan Regresi Linier dari Y terhadap X

Persamaan regresi linier dari Y terhadap X dirumuskan sebagai berikut:

Y=a+bX

Keterangan:
Y = variabel terikat
X = variabel bebas
a = intersep
b = koefisien regresi/slop
Pada persamaan tersebut di atas, nilai a dan b dapat ditentukan dengan cara sebagai berikut:
rumus regresi sederhana
Contoh latihan soal regresi sederhana
Berikut ini adalah data pengalaman kerja dan omzet penjualan dari 8 marketing pada PT Bang Toyib Gak
Pulang-pulang

contoh latihan soal regresi sederhana

Pertanyaan: 1. Tentukan nilai a dan b ! 2. Buatkan persamaan garis regresinya ! 3. Berapa perkiraan
omzet penjualan dari seorang marketing yang memiliki pengalaman kerjanya 3,5 tahun?
Penyelesaian:
tabel penolong regresiregresi linier sederhana
Dijawab:

1. nilai a = 3,25 dan b = 1,25

2. Persamaan regresi liniernya adalah

Y = a + bX
= 3,25 + 1,25X

1. Nilai duga Y , jika X = 3,5

Y = a + bX
= 3,25 + 1,25X
= 3,25 + 1,25 (3,5)
= 7,625

sumber : http://id.wikipedia.org/wiki/Regresi_Linier_Sederhana

KORELASI

Dalam teori probabilitas dan statistika, korelasi, juga disebut koefisien korelasi, adalah nilai yang
menunjukkan kekuatan dan arah hubungan linier antara dua peubah acak (random variable).

Koefisien korelasi

Korelasi tinggi Tinggi Rendah Rendah Tanpa korelasi Tak ada korelasi (acak) Tanpa korelasi Rendah Rend

-1 <-0.9 >-0.9 <-0.4 >-0.4 0 <+0.4 >+0.4 <+0.

Salah satu jenis korelasi yang paling populer adalah koefisien korelasi momen-produk Pearson, yang
diperoleh dengan membagi kovarians kedua variabel dengan perkalian simpangan bakunya. Meski
memiliki nama Pearson, metode ini pertama kali diperkenalkan oleh Francis Galton.
Koefisien korelasi momen-produk Pearson
Sifat-sifat matematis

Korelasi linier antara 1000 pasang pengamatan. Data digambarkan pada bagian kiri bawah dan koefisien
korelasinya ditunjukkan pada bagian kanan atas. Setiap titik pengamatan berkorelasi maksimum dengan
dirinya sendiri, sebagaimana ditunjukkan pada diagonal (seluruh korelasi = +1).

Korelasi X, Y antara dua peubah acak X dan Y dengan nilai yang diharapkan X dan Y dan simpangan
baku X dan Y didefinisikan sebagai:

Karena X = E(X), X2 = E(X2) E2(X) dan demikian pula untuk Y, maka dapat pula ditulis

Korelasi dapat dihitung bila simpangan baku finit dan keduanya tidak sama dengan nol. Dalam
pembuktian ketidaksamaan Cauchy-Schwarz, koefisien korelasi tak akan melebihi dari 1 dalam nilai
absolut. Korelasi bernilai 1 jika terdapat hubungan linier yang positif, bernilai -1 jika terdapat hubungan
linier yang negatif, dan antara -1 dan +1 yang menunjukkan tingkat dependensi linier antara dua
variabel. Semakin dekat dengan -1 atau +1, semakin kuat korelasi antara kedua variabel tersebut.
Jika variabel-variabel tersebut saling bebas, nilai korelasi sama dengan 0. Namun tidak demikian untuk
kebalikannya, karena koefisien korelasi hanya mendeteksi ketergantungan linier antara kedua variabel.
Misalnya, peubah acak X berdistribusi uniform pada interval antara -1 dan +1, dan Y = X2. Dengan
demikian nilai Y ditentukan sepenuhnya oleh X.

Koefisien korelasi non-parametrik

Koefisien korelasi Pearson merupakan statistik parametrik, dan ia kurang begitu menggambarkan
korelasi bila asumsi dasar normalitas suatu data dilanggar. Metode korelasi non-parametrik seperti
Spearman and Kendall berguna ketika distribusi tidak normal. Koefisien korelasi non-parametrik masih
kurang kuat bila dibandingkan dengan metode parametrik jika asumsi normalitas data terpenuhi, namun
cenderung memberikan hasil distrosi ketika asumsi tersebut tak terpenuhi.

sumber : http://id.wikipedia.org/wiki/Korelasi

KOEFISIEN PENENTU (KP) atau KOEFISIEN DETERMINASI (R2)

 Jika Koefisiensi Korelasi dikuadratkan akan menjadi koefisiensi penentu (KP) atau Koefisiensi
Determinasi, yang artinya penyebab perubahan pada variable Y yang dating dari variable X, sebesar
kuadrat Koefisien Korelasinya.

Koefisien Penentu ini menjelaskan besarnya pengaruh nilai suatu variable (variable X) terhadap naik /
turunnya (variasi) nilai variable lainnya (variable Y).

Koefisiensi Penentu dirumuskan :

[ (n) (XY) (X) (Y) ]2

______________________________________________
KP =

[ n (X2) (X)2 ] [ n (Y2) (Y)2 ]

Contoh1 :

ApabilaX = Pendapatan (puluhanribu rupiah)

Y = Konsumsi (puluhanribu rupiah)

X 40 55 60 75 87 95 120

Y 25 40 50 55 65 73 90

Hitung koefisisen determinasinya dan apa artinya!

Jawab :

X Y X2 Y2 XY

40 25 1.600 625 1.000

55 40 3.025 1.600 2.200

60 50 3.600 2.500 3.000

75 55 5.626 3.025 4.125

87 65 7.569 4.225 5.655

 95 73 9.025 5.329 6.935

120 90 14.400 8.100 10.800

532 398 44.844 25.404 33.715

{(n)(XY) (X)(Y)}2
__________________________________________
KP =

[n(X2) (X)2][n(Y2) (Y)2]

{(7)(33.715) (532)(398)}2
________________________________________________
KP =

[7(44.844) (532)2][7(25.404) (398)2]

{236.005 211.736}2
_________________________________________________
=

[313.908 283.024][177.828 158.404]

588.984.361

= ____________________

599.890.816

= 0,982

Jadi KP = 0,982 (98,2%) artinya sumbangan / pengaruh pendapatan terhadap konsumsia dalah 98,2%.

Contoh2 :

X 65 63 67 64 68 62 70 66 68 67

Y 68 64 69 65 67 66 68 65 70 67
 Tentukan :

X Y X2 Y2 XY a. Gambarkan diagram pencar!

b. Cari koefisien korelasi dan jelaskan

65 68 4.225 4.624 4.420
artinya!
63 64 3.969 4.096 4.032
c. Car ikoefisian penentu dan jelaskan
67 69 4.489 4.761 4.623 artinya!

64 65 4.096 4.225 4.160

68 67 4.624 4.489 4.556

62 66 3.844 4.356 4.092

70 78 4.900 4.624 4.760

Jawab :
66 65 4.356 4.223 4.290
a.

b.
68 70 4.624 4.900 4.760

67 67 4.489 4.489 4.489

660 669 43.688 44.789 44.182

n (XY) (X) (Y)

r(KK) = ___________________________________________

(n (X2) (X)2) (n (Y2) (Y)2)

10 (44.182) (660) (669)

= ________________________________________________________

(10 (43.618) (660)2) (10 (44.789) (669)2)

441.820 441.540

= _____________________________________________________

(436.180 435.600) (447.890 447.561)

280
_________________
=

(580) (329)

280
 ____________
=

190.820

280
___________
=

436,8295

= 0,641

Artinya korelasi positif.,rendah

c.

[ (n) (XY) (X) (Y) ]2

______________________________________________
KP =

[ n (X2) (X)2 ] [ n (Y2) (Y)2 ]

[ 10 (44.182) (660) (669) ]2

________________________________________________________
=

[ 10 (43.618) (660)2] [ 10 (44.789) (669)2 ]

[ 280 ]2
______________
=

[ 190.820 ]

78.400
_________
=
 190.820

= 0,411

Jadi KP = 0,411 (41,1%) artinya pengaruh X terhadap Y adalah 41,1%.