STATISTIK DASAR

Metode statistika adalah metode-metode/prosedur-prosedur untuk pengumpulan,

penyajian , analisis, dan kesimpulan dari data. Metode statistika terbagi dua yaitu :
1.Statistika deskriptif yaitu berkaitan dengan kegiatan pencatatan dan peringkasan
hasil-hasil pengamatan terhadap kejadian-kejadian atau karakteristik-karakteristik
manusia, tempat dan sebagainya, secara kuantitatif

2.Statistika inferensial yaitu metode-metode untuk menganalisis sampel dari populasi

sehingga dapat ditarik kesimpulan tentang populasi dari sampel tersebut.

Populasi dan Sampel

Populasi adalah keseluruhan objek psikologis yang menjadi perhatian.

Populasi bisa populasi yang terhingga (contohnya : jumlah mahasiswa UNPAD) dan
populasi tak terhingga (contohnya : jumlah mahasiswa UNPAD dari dulu hingga
sekarang dan nantinya).
Sampel adalah himpunan bagian dari populasi.

Kita sangat akrab dengan kata “statistik” dalam kehidupan sehari-hari, bahkan di
negara kita terdapat lembaga negara yang bernama Badan Pusat Statistik (BPS). Kita
juga sering mendengar istilah “observasi”, “data”, “sensus”, “sample”, “populasi” dan
lain-lain. Mirip dengan kata statistik, terdapat kata “statistika” seperti terlihat pada judul
bab ini di atas. Berikut definisi beberapa istilah tersebut:

STATISTIKA adalah kumpulan metoda yang digunakan untuk merencanakan

eksperimen, mengambil data, dan kemudian menyusun, meringkas, menyajikan,
menganalisa, menginterpretasikan dan mengambil kesimpulan yang didasarkan pada
data tersebut.

DATA adalah hasil observasi atau pengamatan yang telah dikumpulan. Data dapat
berupa hasil pengukuran; misalnya data tinggi dan berat badan, hasil pengelompokan;
misalnya jenis kelamin, hasil jawaban responden terhadap suatu quesioner; misalnya
tingkat kepuasan.

POPULASI adalah koleksi lengkap semua elemen yang akan diselidiki. Suatu koleksi
dikatakan lengkap jika ia memuat semua subjek yang akan diselidiki.

SENSUS adalah koleksi data dari semua anggota dalam populasi.

SAMPEL adalah sebagian koleksi anggota yang dipilih dari populasi.

STATISTIKA DESKRIPTIF adalah statistika yang berkaitan dengan analisis dan

deskripsi suatu grup sebagai populasinya, tanpa melakukan penarikan kesimpulan
apapun untuk komunitas yang lebih luas dari grup tersebut.

STATISTIKA INFERENSI adalah statistika yang mencoba untuk membuat suatu

deduksi atau kesimpulan pada populasi dengan menggunakan sampel dari populasi
tersebut.

Parameter dan Statistik

Parameter adalah sembarang nilai yang menjelaskan ciri populasi

Statistik adalah sembarang nilai yang menjelaskan ciri dari sampel
Himpunan data adalah kumpulan dari fakta yang dikumpulkan untuk maksudtertentu.
Data diskrit : data yang diperoleh dari proses hitungan
Data kontinu : data yang diperoleh dari proses pengukuran

Karakteristik dari himpunan data adalah :

Anggota : sekumpulan data terdiri dari sekumpulan dari anggota-anggota untuk masing-
masing anggota informasi tentang satu atau lebih karakteristik yang diinginkan.
Variabel : sebuah karakteristik yang dapat diperoleh dari berbagai kemungkinan hasil
yang berbeda-beda.
Variabel kuantitatif : variabel yang hasilnya berupa angka
Variabel kualitatif : variabel yang hasilnya hanya atribut.
Pengamatan (observasi) : informasi tentang sebuah variabel tunggal untuk sebuah
anggota dari sekumpulan data
Statistika parametrik adalah prosedur yang pengujian yang dilakukan berlandaskan
distribusi. Salah satu karakteristiknya penggunaan prosedur ini melibatkan asumsi-
asumsi tertentu. Contoh dari statistik parametrik adalah analisis regresi, analisis
korelasi, analisis varians.
Statistika non parametrik adalah prosedur dimana kita tidak melibatkan parameter serta
tidak terlibatnya distribusi. Contoh : uji keacakan, uji kecocokan (goodness of fit),dll.
Kelebihan statistika non parametrik
•Asumsi yang digunakan dalam jumlah yang minimum maka kemungkina penggunaan
secara salah juga kecil.
•Untuk beberapa prosedur perhitungan dapat dilakukan dengan mudah secara manual.
•Konsep-konsep dari prosedur ini menggunakan dasar matematika dan statistika yang
mudah dipahami.
•Prosedur ini dapat digunakan pada skala ordinal maupun nominal.
Kelemahan dari prosedur statistika non parametrik
•Jika suatu kasus yang dapat dianalisis dengan statistika parametrik, kemudian
digunakan analisis statistika non parametrik akan menyebabkan pemborosan informasi.
•Meskipun prosedur penghitungannya sederhana, perhitungannya kadang-kadang
membutuhkan banyak tenaga dan menjemukan.
Kapan prosedur non parametrik digunakan ?
•Bila hipotesis yang harus diuji tidak melibatkan suatu parameter populasi.
•Bila skala pengukuran yang disyaratkan dalam statistika parametrik tidak terpenuhi
misalnya skala ordinal dan nominal.
Data dibedakan menurut skala yang digunakan pada saat melakukan pengukuran.
Dengan pengukuran dimaksudkan sebagai upaya memberikan angka numerik terhadap
obyek menurut aturan-aturan tertentu. Aturan yang berbeda akan menghasilkan skala
yang berlainan sehingga akan memberikan jenis pengukuran yang berbeda. Terdapat
empat macam skala pengukuran yang ada yaitu:

SKALA NOMINAL
Skala nominal merupakan skala pengukuran yang paling rendah tingkatannya di antara
ke empat skala pengukuran yang lain. Seperti namanya, skala ini membedakan satu
obyek dengan obyek lainnya berdasarkan lambang yang diberikan. Oleh karena itu data
dalam skala nominal dapat dikelompokkan ke dalam beberapa kategori, dan kepada
kategori tersebut dapat diberikan lambang yang sesuai atau sembarang bilangan.
Bilangan yang diberikan tidak mempunyai arti angka numerik artinya kepada angka-
angka tersebut tidak dapat dilakukan operasi aritmetika, tidak boleh menjumlahkan,
mengurangi, mengalikan, dan membagi. Bilangan yang diberikan hanyalah berfungsi
sebagai lambang yang dimaksudkan hanya untuk membedakan antara data yang satu
dengan data yang lainnya. Contoh : Data mengenai barang-barang yang dihasilkan
oleh sebuah mesin dapat digolongkan dalam kategori cacat atau tidak cacat. Barang
yang cacat bisa diberi angka 0 dan yang tidak cacat diberi angka 1. Data 1 tidaklah
berarti mempunyai arti lebih besar dari 0. Data satu hanyalah menyatakan lambang
untuk barang yang tidak cacat.
Kesimpulan : Bilangan dalam Skala Nominal berfungsi hanya sebagai lambang untuk
membedakan, terhadap bilangan-bilangan tersebut tidak berlaku hukum aritmetika,
tidak boleh menjumlahkan, mengurangi, mengalikan, maupun membagi.
).¹ dan =Hubungan yang membatasi adalah hubungan sama dengan dan tidak sama
dengan (
Statistik yang sesuai dengan data berskala Nominal adalah Statistik Nonparametrik.
Contoh perhitungan statistik yang cocok adalah Modus, Frekuensi dan Koefisien
Kontingensi.

SKALA ORDINAL
Skala pengukuran berikutnya adalah skala pengukuran ordinal. Skala pengukuran
ordinal mempunyai tingkat yang lebih tinggi dari skala pengukuran nominal. Dalam
skala ini, terdapat sifat skala nominal, yaitu membedakan data dalam berbagai
kelompok menurut lambang, ditambah dengan sifat lain yaitu, bahwa satu kelompok
yang terbentuk mempunyai pengertian lebih (lebih tinggi, lebih besar,…) dari kelompok
lainnya. Oleh karena itu, dengan skala ordinal data atau obyek memungkinkan untuk
diurutkan atau dirangking.
Contoh : Sistem kepangkatan dalam dunia militer adalah satu contoh dari data berskala
ordinal Pangkat dapat diurutkan atau dirangking dari Prajurit sampai Sersan
berdasarkan jasa, dan lamanya pengabdian. Jika peneliti merangking data lamanya
pengabdian maka peneliti dapat memberikan nilai 1, 2, 3, … , 4 dst masing-masing
terhadap seseorang anggota ABRI yang berpangkat Prajurit, Kopral, Sersan, dst.
Berbeda dengan skala nominal, angka yang diberikan terhadap obyek tidak semata-
mata berlaku sebagai lambang tetapi juga memperlihatkan urutan atau rangking.
Kesimpulan: Pada tingkat pengukuran ordinal, bilangan yang didapat berfungsi sebagai
:
1.lambang untuk membedakan
2.untuk mengurutkan peringkat berdasarkan kualitas yang telah ditentukan (> atau < ).
Pada tingkat pengukuran ordinal kita bisa mengatakan lebih baik/lebih buruk, lebih
besar/lebih kecil, tetapi tidak bisa menentukan berapa kali lebih besarnya/lebih
buruknya.
Statistik yang sesuai dengan data berskala Ordinal adalah Statistik Nonparametrik.
Contoh perhitungan statistik yang cocok adalah Median, Persentil, Korelasi Spearman
(rs ), Korelasi Thau-Kendall dan Korelasi Thau-Kendall (W).

SKALA INTERVAL
Skala pengukuran Interval adalah skala yang mempunyai semua sifat yang dipunyai
oleh skala pengukuran nominal, dan ordinal ditambah dengan satu sifat tambahan.
Dalam skala interval, selain data dapat dibedakan antara yang satu dengan yang
lainnya dan dapat dirangking, perbedaan (jarak/interval) antara data yang satu dengan
data yang lainnya dapat diukur. Contoh : Data tentang suhu empat buah benda A, B, C
, dan D yaitu masing-masing 20. 30, 60, dan 70 derajat Celcius, maka data tersebut
adalah data dengan skala pengukuran interval karena selain dapat dirangking, peneliti
juga akan tahu secara pasti perbedaan antara satu data dengan data lainnya.
Perbedaan data suhu benda pertama dengan benda kedua misalnya, dapat dihitung
sebesar 10 derajat, dst. Namun dalam skala interval, tidak mungkin kita melakukan
perbandingan antara satu data dengan data yang lainnya. Kita tidak dapat mengatakan
bahwa suhu 60 derajat Celcius dari benda C dan 30 derajat Celcius untuk suhu benda
B berarti bahwa benda C 2x lebih panas dari benda B. Hal ini tidak mungkin karena
skala interval tidak mempunyai titik nol yang mutlak. Titik nol yang tidak mutlak berarti :
benda dengan suhu nol derajat Celcius bukan berarti bahwa benda tersebut tidak
mempunyai panas. Kesimpulan : Bilangan pada skala interval fungsinya ada tiga yaitu :
1.Sebagai lambang untuk membedakan,
2.Untuk mengurutkan peringkat, misal, makin besar bilangannya, peringkat makin tinggi
( > atau <),
3.Bisa memperlihatkan jarak/perbedaan antara data obyek yang satu dengan data
obyek yang lainnya.
Titik nol bukan merupakan titik mutlak, tetapi titik yang ditentukan berdasarkan
perjanjian.
Statistik yang sesuai dengan data berskala Interval adalah Statistik Nonparametrik dan
Statistik Parametrik. Contoh perhitungan statistik yang cocok adalah Rata-rata,
Simpangan Baku, dan Korelasi Pearson.

SKALA RASIO
Skala rasio merupakan skala yang paling tinggi peringkatnya. Semua sifat yang ada
dalam skala terdahulu dipunyai oleh skala rasio. Sebagai tambahan, dalam skala ini,
rasio (perbandingan) antar satu data dengan data yang lainnya mempunyai makna.
Contoh : Data mengenai berat adalah data yang berskala rasio. Dengan skala ini kita
dapat mengatakan bahwa data berat badan 80 kg adalah 10 kg lebih berat dari yang 70
kg, tetapi juga dapat mengatakan bahwa data 80 kg adalah 2x lebih berat dari data 40
kg. Berbeda dengan interval, skala rasio mempunyai titik nol yang mutlak. Kesimpulan :
Bilangan pada skala Rasio fungsinya ada tiga yaitu :
1.Sebagai lambang untuk membedakan
2.Untuk mengurutkan peringkat, misal, makin besar bilangannya, peringkat makin tinggi
(> atau < ),
3.Bisa memperlihatkan jarak/perbedaan antara data obyek yang satu dengan data
obyek yang lainnya.
4.Rasio (perbandingan) antar satu data dengan data yang lainnya dapat diketahui dan
mempunyai arti. Titik nol merupakan titik mutlak.
Statistik yang sesuai dengan data berskala Rasio adalah Statistik Nonparametrik dan
Statistik Parametrik. Contoh perhitungan statistik yang cocok adalah Rata-rata kur,
Koefisien Variasi dan statistik-statistik lain yang menuntut diketahuinya titik nol mutlak.

A. PENGERTIAN STATISTIK
Sudjana (2004, dalam Riduwan dan Sunarto, 2007) mendefinisikan statistika sebagai pengetahuan
yang berhubungan dengan cara-cara pengumpulan fakta, pengolahan serta pembuatan keputusan
yang cukup beralasan berdasarkan fakta dan analisa yang dilakukan. Sementara statistic dipakai
untuk menyatakan kumpulan fakta, umumnya berbentuk angka yang disusun dalam tabel atau
diagram yang melukiskan atau menggambarkan suatu persoalan.

Lebih lanjut Sudjana (2004, dalam Riduwan dan Sunarto, 2007) menyatakan statistika adalah ilmu
terdiri dari teori dan metode yang merupakan cabang dari matematika terapan dan membicarakan
tentang : bagaimana mengumpulkan data, bagaimana meringkas data, mengolah dan menyajikan
data, bagaimana menarik kesimpulan dari hasil analisis, bagaimana menentukan keputusan dalam
batas-batas resiko tertentu berdasarkan strategi yang ada.

Singgih Santoso (2002) menyatakan, pada prinsipnya statistic diartikan sebagai kegiatan untuk
mengumpulkan data, meringkas/menyajikan data, menganalisa data dengan metode tertentu, dan
menginterpretasikan hasil analisis tersebut.

Dalam kaitannya untuk menyelesaikan masalah, pendekatan statistic terbagi dua yaitu pendekatan
statistic dalam arti sempit dan luas. Dalam arti sempit (statistic deskriptif), statistika yang hanya
mendeskripsikan tentang data yang dijadikan dalam bentuk tabel, diagram, pengukuran rata-rata,
simpangan baku, dan seterusnya tanpa perlu menggunakan signifikansi atau tidak bermaksud
membuat generalisasi.
Sementara dalam arti luas (statistic inferensi/induktif) adalah alat pengumpul data, pengolah data,
menarik kesimpulan, membuat tindakan berdasarkan analisis data yang dikumpulkan dan hasilnya
dimanfaatkan / digeneralisasi untuk populasi.

Bidang keilmuan statistika adalah sekumpulan metode untuk memperoleh dan menganalisa data
dalam pengambilan suatu kesimpulan. Meski merupakan cabang ilmu matematika, statistika
memiliki perbedaan mendasar pada logikanya. Jika matematika menggunakan logika deduktif,
sementara statistic menggunakan logika induktif.

Logika statistika, dengan demikian sering disebut dengan logika induktif yang tidak memberikan
kepastian namun member tingkat peluang bahwa untuk premis-premis tertentu dapat ditarik
kesimpulan, dan kesimpulannya mungkin benar mungkin juga tidak. Langkah yang ditempuh dalam
logika statistika adalah :

1. Observasi dan eksperimen

2. Munculnya hipotesis ilmiah
3. Verifikasi dan pengukuhan dan berakhir pada
4. Sebuah teori dan hokum ilmiah (Cecep Sumarna, 2004:98)
B. LANDASAN KERJA STATISTIK

Menurut Sutrisno Hadi (dalam Riduwan dan Sunarto, 2007) ada tiga jenis landasan kerja statistic
meliputi :

1. Variasi. Didasarkan atas kenyataan bahwa seorang peneliti atau penyelidik selalu menghadapi
persoalan dan gejala yang bermacam-macam (variasi) baik dalam bentuk tingkatan dan jenisnya
2. Reduksi, Hanya sebagian dan seluruh kejadian yang berhak diteliti (sampling)
3. Generalisasi. Sekalipun penelitian dilakukan terhadap sebagain atau seluruh kejadian yang
hendak diteliti, namun kesimpulan dan penelitian ini akan diperuntukkan bagi keseluruhan kejadian
atau gejala yang diambil.
C. KARAKTERISTIK STATISTIK

Riduwan dan Sunarto (2007:5-6) menjelaskan beberapa karakteristik pokok statistic meliputi :

1. Statistik bekerja dengan angka

Pertama, angka statistic sebagai jumlah atau frekuensi dan angka statistic sebagai nilai atau harga.
Pengertian ini mengandung arti bahwa data statistic adalah data kuantitatif. Misalnya, jumlah
kecelakaan yang terjadi dalam satu tahun, jumlah tersangka koruptor yang diproses di KPK tahun
2009, jumlah siswa SD Jakarta tahun 2009, Jumlah siswa yang lulus UAN 2010, dan seterusnya.
Angka-angka ini menyatakan nilai atau harga sesuatu

Kedua, Angka statistic sebagai nilai mempunyai arti data kualitatif yang diwujudkan dalam angka.
Contoh : nilai IQ, mutu pengajaran guru, metode pengajaran, nilai kepuasan, dan seterusnya,
2. Statistik bersifat Objektf

Statistik bekerja dengan angka sehingga mempunyai sifat objektif, artinya angka statistic dapat
digunakan sebagai alat pencari fakta, pengungkapan kenyataan yang ada dan memberikan
keterangan yang benar, kemudian menentukan kebijakan sesuai fakta dan temuannya yang
diungkapkan apa adanya.

3. Statistik bersifat Universal

Statistik tidak hanya digunakan dalam salah satu disiplin ilmu saja, tetapi dapat digunakan secara
umum dalam berbagai bentuk disiplin ilmu pengetahuan dengan penuh keyakinan.

D. MANFAAT DAN KEGUNAAN STATISTIK

Statistik dapat digunakan sebagai alat (Riduwan dan Sunarto, 2007) :

1. Komunikasi. Adalah sebagai penghubungan beberapa pihak yang menghasilkan data statistic
atau berupa analisis statistic sehingga beberapa pihak tersebut akan dapat mengambil keputusan
melalui informasi tersebut.

2. Deskripsi. Merupakan penyajian data dan mengilustrasikan data, misalnya mengukur tingkat
kelulusan siswa, laporan keuangan, tingkat inflasi, jumlah penduduk, dan seterusnya

3. Regresi. Adalah meramalkan pengaruh data yang satu dengan data yang lainnya dan untuk
menghadapi gejala-gejala yang akan datang

4. Korelasi. Untuk mencari kuatnya atau besarnya hubungan data dalam suatu peneltian

5. Komparasi yaitu membandingkan data dua kelompok atau lebih.

Dirangkum dari :

Cecep Sumarna. 2004. Filsafat Ilmu. Dari hakikat menuju nilai. Bandung : Pustaka Bani Quraisy

Riduwan dan Sunarto. 2007. Pengantar Statistika. Bandung : Alvabeta

Singgih Santoso. 2002. Statistik Parametrik. Jakarta : Elexmedia Komputindo

http://materimatakuliah.wordpress.com/2012/10/29/statistika-bab-1/

Statistika – Bab 1
October 29, 2012 · Mata Kuliah, Statistika
Print Post

 Email



Authors

 Herry Syafrial

BAB I

PENELITIAN DAN STATISTIK

A. Pengertian Penelitian

Penelitian merupakan cara ilmiah untuk mendapatkan data dengan tujuan dan kegunaan
tertentu.

Cara ilmiah, berarti penelitian itu didasarkan pada ciri-ciri keilmuan yaitu, rasional, empiris dan
sistematis.

Rasional: penelitian itu dilakukan dengan cara-cara yang masuk akal sehingga terjangkau oleh
penalaran manusia.

Empiris: cara-cara ygn digunakan dalam penelitian itu teramati oleh indera manusia.

Sistematis: proses yang dilakukan dalam penelitian itu menggunakan langkah-langkah tertentu
yang bersifat logis.

Data, harus valid, reliable dan objektif.

Valid, menunjukan derajat ketepatan antara data sesungguhnya dengan data si peneliti.

Reliabel, menunjukan derajat konsistensi (keajegan) yaitu konsistensi data dalam interval waktu
tertentu.

Objektif, menunjukan derajat persamaan persepsi antar orang (interpersonal agreement).

Tujuan penelitian, penemuan, pembuktian, dan pengembangan pengetahuan.

Penemuan, data yang diperoleh dari penelitian itu betul-betul data baru yang belum pernah
diketahui sebelumnya.
Pembuktian, data yang diperoleh itu diperlukan untuk membuktikan adanya keragu-raguan
terhadap suatu pengetahuan.

Pengembangan, data yang diperoleh dari penelitian itu digunakan untuk memperdalam dan
memperluas suatu pengetahuan.

B. Variabel Penelitian

Variabel penelitian: suatu atribut atau sifat atau nilai dari orang/objek atau kegiatan yang
mempunyai variasi tertentu yang ditetapkan oleh peneliti untuk dipelajari dan ditarik kesimpulan.

Macam-Macam Variabel:

1. Variabel independen, variabel yang mempengaruhi variabel dependen.

2. Variabel dependen, variabel yang dipengaruhi.
3. Variabel Moderator, variabel yang mempengaruhi (memperkuat atau memperlemah) hubungan
antara variabel independen dengan dependen.
4. Variabel intervening, variable yang secara teoritis mempengaruhi hubungan antara variabel
independen dengan dependen, tetapi tidak dapat diamati dan diukur.
5. Variabel kontrol, variabel yang dikendalikan atau dibuat konstan sehingga hubungan variabel
independen terhadap dependen tidak dipengaruhi oleh faktor luar yang tidak diteliti.

Penghasilan (variabel Independen) Harapan Hidup (Variabel Dependen)

Lingkungan Tempat Tinggal (Variabel Moderator)

C. Paradigma Penelitian

Paradigma Penelitian: Pola fikir yang menunjukan hubungan antara variabel yang akan diteliti
dan mencerminkan jumlah rumusan masalah yang perlu dijawab melalui penelitian, teori yang
digunakan untuk merumuskan hipotesis, jenis dan jumlah hipotesis, dan teknik analisis statistik
yang akan digunakan.

Bentuk-bentuk paradigma:

1. Paradigma Sederhana, terdiri dari satu variaben independen dan satu variable dependen.
2. Paradigma Sederhana Berurutan
3. Paradigma Ganda dengan Dua Variabel Independen
4. Paradigma Ganda dengan Tiga Variabel Independen
5. Paradigma Ganda dengan Dua Variabel Dependen
6. Paradigma Ganda dengan Dua Variabel Independen dan Dua Dependen
7. Paradigma Jalur

Contoh Paradigma Sederhana :

X = Kualitas Alat Y = Kualitas Barang yang Dihasilkan

Y
X

Berdasarkan paradigm di atas kita dapat menentukan:

1. Jumlah rumusan masalah deskriptif ada dua dan asosiatif ada satu:

1) Rumusan masalah deskriptif ada dua:

a) Bagaimana kualitas alat (X)?

b) Bagaimana kualitas barang yang dihasilkan (Y)?

2) Rumusan masalah asosiatif ada satu:

a) Bagaimanakah hubungan atau pengaruh kualitas alat dengan kualitas barang yang
dihasilkan?

1. Teori yang digunakan ada dua, yaitu teori tentang alat-alat dan tentang kualitas barang.
2. Hipotesis yang dirumuskan ada dua macam hipotesis deskriptif dan hipotesis asosiatif,

1) Dua hipotesis deskriptif:

a) Kualitas alat yang digunakan oleh perusahaan tersebut telah mencapai 70% baik

b) Kualitas barang yang dihasilkan oleh perusahaan tersebut telah mencapai 99% dari yang
diharapkan.

2) Hipotesis asosiatif:

Ada hubungan yang positif dan signifikan antara kualitas alat dengan kualitas barang yang
dihasilkan. Hal ini berarti bila kualitas alat ditingkatkan maka kualitas barang yang dihasilkan
akan menjadi semakin tinggi (kata signifikan hanya digunakan apabila hasil uji hipotesis akan
digeneralisasikan ke populasi di mana sampel tersebut diambil)

1. Teknik Analisa Data

Berdasarkan rumusan dan hipotesis tersebut, maka dapat ditentukan teknik statistic yang
digunakan untuk analisa data dan menguji hipotasis.

1) Untuk dua hipotesis deskriptif, bila datanya berbentuk interval dan ratio, maka pengujian
hipotesis menggunakan t-test one sampel.
2) Untuk hipotesis asosiatif, bila data kedua variable berbentuk interval atau ratio, maka
menggunakan teknik statistic korelasi product moment.

D. Proses Penelitian

1. Adanya Masalah
2. Rumusan Masalah
3. Pengajuan hipotesis
4. Pembuktian hipotesis
5. Kesimpulan dan Saran

E. Peranan Statistik dalam Penelitian

Peranan statistik dalam penelitian adalah sebagai berikut:

1. Alat untuk menghitung besarnya anggota sampel yang diambil dari populasi. Dengan demikian
jumlah sampel yang diperlukan lebih dapat dipertanggungjawabkan.
2. Alat untuk menguji validitas dan reliabilitas instrument.
3. Teknik-teknik untuk menyajikan data, sehingga data lebih komunikatif. Teknik-teknik penyajian
data antara lain: table, grafik, diagram lingkar, dan pictogram.
4. Alat untuk analisis data seperti menguji hipotesis penelitian yang diajukan. Dalam hal ini statistic
yang digunakan antara lain: korelasi, regresi, t-test, anova, dll.

F. Macam-Macam Statistik

1. Statistik Deskriptif, statistik yang digunakan untuk menggambarkan atau menganalisa suatu
statistik hasil penelitian, tetapi tidak digunakan untuk membuat kesimpulan yang lebih luas
(generalisasi/inferensi). Penelitian yang tidak menggunakan sampel, analisanya akan
menggunakan statistic deskriptif.
2. Statistik Inferensial, statistik yang digunakan untuk menganalisis data sampel dan hasilnya akan
digeneralisasikan untuk populasi dimana sampel diambil.

1. Statistik Parametris, untuk menganalisis data interval atau rasio yang diambil dari populasi yang
berdistribusi normal.
2. Statistik Non Parametris, untuk menganalisis data nominal dan ordinal dari populasi yang bebas
distribusi.

G. Macam-Macam Data Penelitian

1. Data Kualitatif, data yang berbentuk kalimat, kata, atau gambar.

2. Data Kuantitatif, data yang berbentuk angka, atau data kualitatif yang diangkakan (scoring).
Data kuantitatif dibagi menjadi:

1. Data Diskrit, data dari hasil menghitung. (Data nominal)

2. Data Kontinum, data dari hasil pengukuran, dibagi menjadi tiga :
i. Ordinal, data berjenjang atau berbentuk peringkat. Jarak data yang satu dengan lainnya
mungkin tidak sama. Contoh : Juara I, II, III.

ii. Interval, data yang jaraknya sama tetapi tidak mempunyai data nol absolute (mutlak). Pada
data ini, walaupun datanya nol, tetapi masih mempunyai nilai. Contoh: nol derajat celcius.

iii. Ratio, data yang jaraknya sama dan mempunya nilai nol absolut. Contoh: Ukuran panjang
/ berat. Data ini bisa dibuat penjumlahan dan perkalian.

H. Pedoman Umum Memilih Teknik Statistik

Tabel 1.1

Penggunaan Statistik Parametris dan Non Parametris untuk Menguji Hipotesis

Bentuk Hipotesis
Komparatif (lebih dari dua
Deskriptif Komparatif (dua
sampel)
(satu sampel) Asosiatif
Macam
Data variable) (hubungan)
Independen Related
Related Independen
Fisher Exact
Binominal X2 for k
Probability Contigency
X2 One Mc Nemar sampleCochr X2 for k sample
Nominal X2 two Coefficient C
Sample an Q
sample

Median
testMann-
Sign Median
Whithey U Friedman Spearman Rank
testWilcoxo ExtensionKrusk
Run Test testKolmogoro two-way CorrelationKenda
n Mached al-Wallis One
v- Anova ll Tau
Ordinal pairs Way Anova
SmirnovWald-
Woldfowitz

Pearson Product
One way One way
t-test of t-test MomentPartial
T -test AnovaTwo AnovaTwo way
Ralated independent CorrelationMulti
Interval way Anova Anova
Ratio ple Correlation

Pada perkuliahan kali ini semua akan dibahas jika mampu.

Statistika – Bab 2
October 29, 2012 · Mata Kuliah, Statistika

Print Post

 Email



Authors

 Herry Syafrial

BAB II

STATISTIK DESKRIPTIF

A. Pengertian Statistik Deskriptif

Adalah statistik yang berfungsi untuk mendeskripsikan atau memberi gambaran terhadap obyek
yang diteliti melalui data sampel atau populasi sebagaimana adanya, tanpa melalukan analisis
dan membuat kesimpulan yang berlaku untuk umum.

B. Penyajian Data

Prinsip dasar penyajian data adalah komunikatif dan lengkap. Menarik perhatian pembacanya
dan mudah dipahami.

1) Tabel

Tabel terdiri dari dua macam : a. Tabel biasa dan b. Tabel distribusi frekuensi

Contoh Tabel Data Nominal:

Telah dilakukan pengumpulan data untk mengetahui komposisi pendidikan pegawai di

Politeknik LP3I Jakarta Kampus Blok M. Berdasarkan studi dokumentasi diperoleh keadaan
sebagai berikut:

a) Bagian Pamasaran, S1=2 orang; D3=5 orang; SMTA=4 orang

b) Bagian Akademik, S1=4 orang; D3=2 orang; SMTA=1 orang

c) Bagian Keuangan, S1=1 orang; D3=1 orang; SMTA=3 orang

d) Bagian Penempatan, S1= 1 orang; D3=0 orang; SMTA=1 orang

Dari data mentah di atas dapat disusun ke dalam table dibawah ini:

TABEL 2.1

KOMPOSISI PENDIDIKAN PEGAWAI

POLITEKNIK LP3I JAKARTA KAMPUS BLOK M

Tingkat Pendidikan
No Bagian Jumlah
S1 D3 SMTA

1 Pemasaran 2 3 5 10

2 Akademik 4 2 1 7

3 Keuangan 1 1 3 5

4 Penempatan 1 0 1 2

Jumlah 8 6 10 24

Sumber data: Bagian Personalia

Contoh Tabel Data Ordinal

TABEL 2.2

RANGKING SKOR TOEIC

Periode Juli 2012 sd Juni 2013

No Nama Karyawan Skor TOEIC Rangking

1 Nengwida 780 1

2 Harti 560 2

3 Nunung 440 3

4 Puspita 420 4

5 Iwan 300 5

Rata-Rata Skor TOEIC 500

Sumber Data: Bagian Personalia

Contoh Tabel Data Interval

Dari hasil penelitian kepuasan kerja pegawai menggunakan instrument dengan skala Likert
dengan interval 1 sampai dengan 5 dimana skor 1 untuk sangat kurang; 2 untuk kurang; 3 untuk
cukup; 4 untuk baik; dan 5 untuk sangat baik. Hasilnya disajikan dalam table di bawah ini.

TABEL 2.3

TINGKAT KEPUASAN KERJA PEGAWAI

No Aspek Kepuasan Kerja Tingkat Kepuasan

1 Gaji 37.58

2 Insentif 57.18

3 Transportasi 68.60

4 Perumahan 48.12

5 Budaya Kerja 54.00

Sumber Data: Bidang Personalia

2) Tabel Distribusi Frekuensi

Disusun bila jumlah data yang akan disajikan cukup banyak, sehingga kalau disajikan dalam
bentuk tabel biasa menjadi tidak efisien, kurang komunikatif, dan tidak menarik. Selain itu tabel
ini dibuat untuk persiapan pengujian terhadap normalisasi data yang menggunakan kertas
peluang normal.

Contoh Tabel Distribusi Frekuensi

TABEL 2.4

DISTRIBUSI FREKUENSI

NILAI MATAKULIAH STATISTIKA 150 MAHASISWA

No Kelas Kelas Interval Frekuensi

1 10 – 19 1

2 20 – 29 6

3 30 – 39 9

4 40 – 49 31

5 50 – 59 42

6 60 – 69 32

7 70 – 79 17

8 80 – 89 10

9 90 – 99 2

Jumlah 150

Hal-hal yang perlu diperhatikan dalam tabel distribusi frekuensi

a) Tabel di atas memiliki 9 kelas. No 1 sd 9

b) Pada setiap kelas mempunyai kelas interval. Interval nilai bawah dengan atas disebut
panjang kelas.
c) Setiap kelas interval mempunyai frekuensi (jumlah).

d) Tabel distribusi frekuensi tersebut bila mau dibuat menjadi tabel biasa akan memerlukan
150 baris (n=150) jadi akan sangat panjang.

Pedoman Umum membuat Tabel Distribusi Frekuensi

Langkah pertama dalam membuat tabel distribusi frekuensi adalah menentukan kelas interval.
Terdapat 3 pedoman yang dapat diikuti:

a) Berdasarkan Pengalaman, berdasarkan pengalaman jumlah kelas interval yang digunakan

dalam menyusun tabel distribusi frekuensi berkisar antara 6 sd 15 kelas.

b) Ditentukan dengan membaca grafik

c) Ditentukan dengan rumus Sturges

Rumus Sturges :

K = 1 + 3,3 log n

Dimana :

K = Jumlah Kelas Interval

n = Jumlah data observasi

log = Logaritma

Misal: Jumlah data 200, maka jumlah kelasnya (K) =

K = 1 + 3,3 log 200 = 1 + 3,3 * 2,30 = 8,59 dapat dibulatkan menjadi 8 atau 9

Contoh Cara Menyususn Tabel Distribusi Frekuensi

Dibawah ini nilai mata kuliah statistika dari 150 mahasiswa

27 79 69 40 51 88 55 48 36 61

53 44 93 51 65 42 58 55 69 63

70 48 61 55 60 25 47 78 61 54

57 76 73 62 36 67 40 51 59 68
27 46 62 43 54 83 59 13 72 57

82 45 54 52 71 53 82 69 60 35

41 65 62 75 60 42 55 34 49 45

49 64 40 61 73 44 59 46 71 86

43 69 54 31 36 51 75 44 66 53

80 71 53 56 91 60 41 29 56 57

35 54 43 39 56 27 62 44 85 61

59 89 60 51 71 53 58 26 77 68

62 57 48 69 76 52 49 45 54 41

33 61 80 57 42 45 59 44 68 73

55 70 39 59 69 51 85 46 55 67

a) Hitung jumlah kelas interval

K = 1 + 3,3 log 150 =1+ 3,3 * 2,18 = 8,19 Boleh 8 atau 9. Kita gunakan 9.

b) Hitung rentang data, yaitu data terbesar dikurangi data terkecil kemudian ditambah 1. Data
terbesar 93 dan terkecil 13.

Jadi 93 – 13 = 80 + 1 = 81

c) Hitung panjang kelas

Panjang Kelas = Rentang : Jumlah Kelas; 81 : 9 = 9. Walau dari hitungan panjang kelas 9, tetapi
pada penyusunan tabel ini digunakan panjang kelas 10.

d) Susun interval kelas

Secara teoritis penyusunan kelas dimulai dari data terkecil, yaitu 13. Tetapi supaya komunikatif
maka dimulai dengan angka 10

e) Memasukan data dengan tally

Dengan cara mencoret data yang telah dimasukkan dimulai dari paling awal (27) yang masuk ke
kelas no 2 (20-29) dan seterusnya data 53 dengan tally di setiap kelas tersedia. Jumlah tally harus
sama dengan jumlah data. Setelah frekuensi ditemukan lalu tally dihilangkan.

TABEL 2.5

PENYUSUNAN TABEL DISTRIBUSI FREKUENSI

DENGAN TALLY

No Kelas Kelas Interval Tally Frekuensi (f)

1 10 – 19 I 1

2 20 – 29 IIIII I 6

3 30 – 39 IIIII IIII 9

4 40 – 49 IIIII IIIII IIIII IIIII IIIII IIIII I 31

5 50 – 59 IIIII IIIII IIIII IIIII IIIII IIIII IIIII IIIII II 42

6 60 – 69 IIIII IIIII IIIII IIIII IIIII IIIII II 32

7 70 – 79 IIIII IIIII IIIII II 17

8 80 – 89 IIIII IIIII 10

9 90 – 100 II 2

Jumlah : 150

Tabel Distribusi Frekuensi Kumulatif

Kumulatif adalah tabel yang menunjukan jumlah observasi yang menyatakan kurang dari nilai
tertentu.

TABEL 2.6

DISTRIBUSI FREKUENSI KUMULATIF

NILAI STATISTIKA 150 MAHASISWA

Kurang Dari Frekuensi Kumulatif

Kurang dari 20 1

Kurang dari 30 7

Kurang dari 40 16

Kurang dari 50 47

Kurang dari 60 89

Kurang dari 70 121

Kurang dari 80 138

Kurang dari 90 148

Kurang dari 101 150

Tabel Distribusi Frekuensi Relatif

Penyajian data lebih mudah dipahami bila dinyatakan dalam persen (%). Penyajian data yang
merubah frekuensi menjadi persen dinamakan distribusi frekuensi relative. Cara pembuatannya
adalah dengan merubah frekuensi menjadi persen.

TABEL 2.7

DISTRIBUSI FREKUENSI RELATIF

NILAI STATISTIKA 150 MAHASISWA

No Kelas Kelas Interval Frekuensi Relatif (%)

1 10 – 19 1 0,67

2 20 – 29 6 4,00
3 30 – 39 9 6,00

4 40 – 49 31 20,67

5 50 – 59 42 28,00

6 60 – 69 32 21,33

7 70 – 79 17 11,33

8 80 – 89 10 6,67

9 90 – 100 2 1,33

Jumlah : 100

3) Grafik

Dua macam Grafik:

a) Grafik Garis (polygon)

Dibuat untuk menunjukan perkembangan suatu keadaan. Perkembangan tersebut bisa naik dan
bisa turun.

b) Grafik Batang (histogram) dan dikembangkan ada juga

c) Grafik Balok (3D)

4) Diagram Lingkaran (Piechart)

Diagram lingkaran digunakan untuk membandingkan data dari berbagai kelompok.

Contoh : Jumlah pengguna handphone dari berbagai merk dagang.

Jumlah pengguna Nokia = 20%

Jumlah pengguna Sonyeriksson = 15%

Jumlah pengguna blackberry = 45%

Jumlah pengguna Samsung = 10%

Jumlah pengguna hp china = 10%

dari data diatas dapat dibuat diagram lingkaran sebagai berikut :

5) Pictogram (Grafik Gambar)

Adakalanya supaya penyajiannya lebih menarik dan komunikatif maka penyajian data dibuat
dalam bentuk pictogram.

C. Pengukuran Gejala Pusat (Central Tendency)

Modus, Median dan Mean merupakan teknik statistik yang digunakan untuk menjelaskan
kelompok yang didasarkan atas gejala pusat dari kelompok tersebut, namun dari tiga macam
teknik tersebut yang menjadi ukuran gejala pusatnya berbeda-beda.

1) Modus (Mode), adalah nilai yang sering muncul dalam kelompok.

Contoh:

Hasil observasi terhadap umur pegawai di Departemen X adalah: 20, 45, 60, 56, 45, 45, 20, 19,
57, 45, 45, 51, 35. Untuk mengetahui modus umur dari pegawai maka dilihat data yang paling
sering muncul, yaitu 45 sebanyak 5 data.

2) Median, adalah salah satu teknik penjelasan kelompok yang didasarkan atas nilai tengah dari
kelompok data yang telah disusun urutannya dari yang terkecil sampai yang terbesar atau
sebaliknya.

Contoh Jumlah data ganjil. Dari data umur pegawai di atas diurutkan menjadi : 19, 20, 20, 35,
45, 45, 45, 45, 45, 51, 56, 57, 60. Nilai tengahnya adalah data ke 7 yaitu 45.

Contoh jumlah data genap (10 data). Data tinggi badan pegawai 145, 147, 167, 166, 160, 164,
165, 170, 171, 180 cm. Diurutkan (dari yang paling besar atau dari yang paling kecil) 180, 171,
170, 167, 166, 165, 164, 160, 147, 145 cm. Nilai tengahnya adalah dua angka yang ditengah
dibagi 2. (166 + 165)/2 = 165,5 cm.

3) Mean, adalah teknik penjelasan kelompok yang didasarkan atas nilai rata-rata dari kelompok
tersebut. Rata-rata (mean) didapat dengan menjumlahkan data seluruh individu dalam kelompok
itu, kemudian dibagi dengan jumlah individu yang ada pada kelompok tersebut.

Me = ∑ xi / n

Rumus Mean :

Dimana : Me = Mean (rata-rata)

∑ = Eplison (baca: jumlah)

xi = Nilai x ke I sampai ke n
n = Jumlah individu

Contoh : Sepuluh pegawai PT Sentosa berpenghasilan sebulannya dalam dolar seperti berikut :
90, 120, 160, 60, 180, 190, 90, 180, 70, 160.

Me = (90+120+160+60+180+190+90+180+70+160) : 10 = 130

4) Menghitung Modus, Median, Mean untuk data Bergolong. (Tersusun dalam Tabel Distribusi
Frekuensi)

Contoh: Hasil tes kemampuan manajerial 100 pegawai PT Samudra

TABEL 2.8

DISTRIBUSI NILAI KEMAMPUAN MANAJERIAL

100 PEGAWAI PT SAMUDRA

Interval Nilai Kemampuan Frekuensi / Jumlah

21 – 30 2

31 – 40 6

41 – 50 18

51 – 60 30

61 – 70 20

71 – 80 10

81 – 90 8

91 – 100 6

Jumlah 100
Berdasarkan data di tabel di atas hitunglah Modus, Median, Mean.

Menghitung Modus

Rumus Modus

Dimana :

Mo = Modus

b = Batas kelas interval dengan frekuensi terbanyak

p = Panjang kelas interval

b1 = Frekuensi pada kelas modus dikurangi frekuensi kelas interval terdekat sebelumnya

b2 = Frekuensi kelas modus dikurangi frekuensi kelas interval berikutnya

Dari tabel 2.8 maka ditemukan :

Kelas modus = kelas keempat (f nya terbesar = 30)

b = 51 – 0,5 = 50,5

b1 = 30 – 18 = 12

b2 = 30 – 20 = 10 jadi

Modusnya = 50,5 + 10 ( 12/(12+10) ) = 55,95

Menghitung Median

Rumus Median

½n–F
Md = b + p ( )

Dimana :

Md = Median

b = Batas bawah dimana median akan terletak

n = Banyak data/jumlah sampel

p = Panjang kelas interval

F = Jumlah semua frequensi sebelum kelas median

f = Frekuensi kelas median

Dari tabel kita hitung median:

Setengan dari data (1/2 n) = ½ x 100 = 50. Jadi median terletak pada interval ke empat, karena
sampai interval ini jumlah frekuensi sudah lebih dari 50 tepatnya 56. Dengan demikian pada
interval ke empat merupakan kelas median batas bawahnya (b) adalah 51 – 0,5 = 50,5. Panjang
kelas mediannya (p) adalah 10, dan frekuensi = 30. Adapun F nya = 2 + 6 + 18 = 26

Md = 50,5 + 10 ( 50 – 26) = 58,5

30

Menghitung Mean

Untuk lebih mudah kita buat tabel sebagai berikut terlebih dahulu:

TABEL 2.9

DISTRIBUSI NILAI KEMAMPUAN MANAJERIAL

100 PEGAWAI PT SAMUDRA

INTERVAL NILAI xi fi fi xi
21 – 3031 – 40 25,535,5 26 51213

41 – 50 45,5 18 819

51 – 60 55,5 30 1.665

61 – 70 65,5 20 1.310

71 – 80 75,5 10 755

81 – 90 85,5 8 684

91 – 100 95,5 6 573

Jumlah 100 6.070

Rumus Mean :

Dimana :

Me = Mean untuk data bergolong

∑ fi = Jumlah data/sampel

fi xi = perkalian fi dengan xi. xi adalah rata-rata dari nilai terendah dan tertinggi.

Me = 6070/100 = 60,70

D. Pengukuran Variasi Kelompok

Untuk menjelaskan data kelompok dapat juga didasarkan pada tingkat variasi data yang terjadi
pada kelompok tersebut. Untuk mengetahui tingkat variasi kelompok data dapat dilakukan
dengan melihat rentang data dan standar deviasi atau simpangan baku dari kelompok data yang
telah diketahui.

1. Rentang Data

Rentang data (range) dapat diketahui dengan mengurai data yang terbesar dengan data terkecil
yang ada pada kelompok itu.

Rumus Rentang Data :

 R = xt – xr

Dimana :

R = Rentang

xt = Data terbesar dalam kelompok

xr = Data terkecil dalam kelompok

Contoh :

Sepuluh pegawai di PT Damai memiliki gaji (dalam dolar) 50, 75, 150, 170, 175, 190, 200, 400,
600, 700

Data terkecil = 50

Data terbesar = 700

R = 700 – 50 = 650

Rentang data inilah yang menunjukan tingkat variasi kelompok

2. Varians :

Varians adalah salah satu teknik yang digunakan untuk menjelaskan homogenitas kelompok.

Varians : Jumlah kuadrat semua deviasi nilai-nilai individual terhadap rata-rata kelompok

Akar varians = standar deviasi/simbangan baku

Varian populasi : σ2

Standar deviasi : σ

Varians sampel : s2

Standar deviasi sampel : s

Contoh Tabel cara menghitung varians dan simpangan baku sekelompok mahasiswa yang
berjumlah 10 orang yang selanjutnya diberi symbol xi. Dari nilai 10 orang tersebut rata-rata x
(mean) adalah :

x = (60+70+65+80+70+65+75+80+70+75)/10 = 71
Jadi rata-rata nilai = 71

Jarak antara nilai individu dengan rata-rata disebut simpangan. Simpangan (deviasi) mahasiswa
no 1 adalah 60 – 71 = -11 dan seterusnya. Jumlah simpangan (xt – xr) jumlahnya harus nol.

TABEL 2.10

CARA MENGHITUNG VARIANS DAN SIMPANGAN BAKU

NILAI 10 MAHASISWA

SIMPANGAN _ SIMPANGAN KUADRAT _

NO NILAI
( xi – x ) ( xi – x )2

12 6070 -11-1 1211

3 65 -6 36

4 80 9 81

5 70 -1 1

6 65 -6 36

7 75 4 16

8 80 9 81

9 70 -1 1

10 75 4 16
390
JUMLAH 710 0

S2 = 390 = 39

10

S = √39 = 6,2450
_

σ2 = Σ ( xi - x ) 2

σ = √ Σ ( xi - x ) 2

S2 =
Σ ( xi - x ) 2

(n-1)

Indeks/koefisien Variasi

Indeks Variasi = s x 100 %

Rata-rata

Contoh :

Data Kelompok I : 4, 6, 8, 10, 12, 14, 16

Data Kelompok 2 : 104, 106, 108, 110, 112, 114, 116

Rata-rata Kelompok 1 = 4+6+8+10+12+14+16

= 10

s kelompok 1 = 4,32

Rata-rata kelompok 2 = 104+106+108+110+112+114+116

= 110

S kelompok 2 = 4,32
Koefisien Variasi kelompok 1 = (4,32/10) x 100 % = 43,2%

Koefisien Variasi kelompok 2 = (4,32/110) x 100 % = 3,93 %

1. 3. Menghitung Standard Deviasi Untuk Data Bergolong

Rumus :

S = √ Σfi ( xi - x )2

(n-1)

TABEL 2.11

TABEL PENOLONG UNTUK MENGHITUNG

STANDAR DEVIASI DARI DATA BERGOLONG

Interval Nilai fi xi _xi - x _(xi – x )2 _fi (xi – x)2

21 – 30 2 25,5 -35,2 1.239,04 2.478,08

31 – 40 6 35,5 -25,2 639,04 3.810,24

41 – 50 18 45,5 -15,2 231,05 4.158,72

51 – 60 30 55,5 -5,2 27,04 811,20

61 – 70 20 65,5 4,8 23,04 460,80

71 – 80 10 75,5 14,8 219,04 2.190,40

81 – 90 8 85,5 24,8 615,04 4.920,32

91 – 100 6 95,5 34,8 1.211,04 7.266,24

JUMLAH 100 - - - 26.096,00

 _

S = √ Σfi ( xi - x )2

(n-1)

= √ 26.096 /99 = √ 264,09 = 16,24

BAB III

POPULASI, SAMPEL, DAN PENGUJIAN NORMALITAS

A. Populasi

Populasi adalah wilayah generalisasi yang terdiri atas obyek/subyek yang mempunyai kualitas
dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik
kesimpulannya.

B. Sampel

Sampel adalah bagian dari jumlah dan karakteristik yang dimiliki oleh populasi. Sampel yang
baik harus dapat mewakili keseluruhan populasi dan hasil penelitian dapat diterapkan keseluruh
populasi.

C. Teknik Sampling

Teknik sampling adalah teknik pengambilan sampel. Teknik sampling bisa dibagi dua yang
terlihat pada gambar di bawah ini:

Gambar 3.1 Macam-Macam Teknik Sampling

1. Probability Sampling

Teknik pengambilan sampel yang memberikan peluang yang sama bagi setiap unsur/anggota
populasi untuk dipilih menjadi anggota sampel.

a. Simple Random Sampling

Pengambilan anggota sampel dari populasi dilakukan secara acak tanpa memperhatikan strata
yang ada. Dilakukan bila populasi dianggap homogen.

b. Proportionate Stratified Random Sampling

Bila populasi tidak homogen dan berstrata secara proporsional.

Contoh : Karakteristik pegawai suatu departemen :

S-1 = 45 , S-2 = 30, STM = 800, ST = 900, SMEA = 400, SD = 300

c. Disproportionate Stratified Random Sampling

Digunakan bila populasi berstrata kurang proporsional

Contoh S3 = 3, S2 = 4, S-1 = 90, SMU 800, SMP = 700

Semua sample S-3 dan S-2 diambil semuanya

d. Cluster sampling

Bila objek yang diteliti sangat luas, misal penduduk suatu negara, propinsi atau kabupaten

Caranya :

Sampel ditentukan bertahap dari wilayah negara sampai kabupaten, setelah terpilih sampel
terkecil baru sampel dipilih secara acak

Contoh : Indonesia terdiri atas 33 propinsi, sampelnya akan diambil misalnya 15 propinsi secara
acak.

Setiap propinsi berstrata tidak sama, ada yang padat ada yang tidak, ada hutannya banyak/tidak,
ada yang barang tambangnya banyak atau tidak, dll

2. Nonprobability Samling

Teknik pengambilan sampel yang tidak memberi peluang/kesempatan sama bagi setiap
unsur/anggota poulasi untuk dipilih menjadi sampel

a. Sampling Sistematis

Teknik pengambilan sampel berdasarkan urutan yang telah diberi no urut

Misal : anggota populasi yang terdiri dari 100 orang, dan telah diberi no urut

Pengambilan sampelnya bisa no ganjil saja atau genap saja atau kelipatan dari bilangan tertentu

b. Sampling Kuota

Teknik untuk menentukan sampel dari populasi dengan ciri tertentu sampai jumlah (kuota) yang
diinginkan.
Contoh : penelitian kepuasan layanan mau dilakukan terhadap 100 orang pembeli mobil avanza,
maka selama belum tercapai 100 orang, , penelitian belum dianggap selesai

c. Sampling Insidental

Teknik penentuan sampel berdasarkan kebetulan/secara kebetulan bertemu dengan peneliti dan
dipandang cocok.

d. Sampling Purposive

Teknik penentuan sampel dengan pertimbangan tertentu

Contoh : penelitian tentang kualitas makanan, maka sampelnya harus ahli makanan.

e. Sampling Jenuh (sensus)

Teknik penentuan sampel bila semua anggota populasi digunakan sebagai sampel. Sering
digunakan jika populasinya kurang dari 30

f. Snowball Sampling

Teknik pengumpulan sampel, yang mula-mula jumlahnya kecil kemudian membesar

Contoh : meneliti provokator kerusuhan/jaringan teroris

1. Contoh Menentukan Ukuran Sampel

Akan dilakukan penelitian untuk mengetahui tanggapan kelompok masyarakat terhadap

pelayanan yang diberikan pemerintah daerah tertentu. Kelompok masyarakat itu terdiri 1000
orang, yang dapat dikelompokkan berdasarkan jenjang pendidikan, yaitu lulusan S1 = 50,
Sarjana Muda = 300, SMK = 500, SMP = 100, SD = 50 (populasi berstrata).

Dengan menggunakan Tabel 3.1 bila jumlah pupulasi = 1000, kesalahan 5%, maka jumlah
sampelnya = 258, karena populasinya berstrata, maka sampelnya juga berstrata. Stratanya
ditentukan menurut jenjang pendidikan. Dengan demikian masing-masing sampel untuk tingkat
pendidikan harus proporsional sesuai dengan pupulasi. Berdasarkan perhitungan dengan cara
berikut ini jumlah sampel untuk kelompok S1 = 13, Sarjana Muda (SM) = 77, SMK = 129, SMP
= 26, dan SD = 13.

S1 = 50/1000 × 258 = 12,9 = 13

SM = 300/1000 × 258 = 77,4 = 77

SMK = 500/1000 × 258 = 129 = 129

SMP = 100/1000 × 258 = 25,8 = 26

SD = 50/1000 × 258 = 12,9 = 13

Jumlah 258 = 258

Jadi jumlah sempelnya = 12,9 + 77,4 + 129 + 25,8 + 12,9 = 258. Jumlah yang pecahan bisa
dibulatkan, sehingga jumlah sampel menjadi 13 + 77 + 129 + 26 + 13 = 258.

Pada perhitungan yang menghasilkan pecahan (terdapat koma) sebaiknya dibulatkan ke atas
sehingga jumlah sampelnya lebih 259. Hal ini lebih aman daripada kurang dari 258. Gambaran
jumlah populasi dan sampel dapat ditunjukkan pada gambar 3.8 berikut:

Gambar 3.2

Sampel yang diambil dari populasi berstrata dengan kesalahan 5%

1. Cara Menentukan Anggota Sampel

Untuk Probability sampling (peluang sama)/random sampling :

1. Dengan bilangan random, komputer atau undian

1. Bila dengan undian, harus diberi nomor
2. Harus memiliki peluang yang sama (dipulihkan)

1. Normalitas Data

a.Kurva Normal

1) Asumsi data variabel membentuk distribusi normal

2) Bila data tidak normal, teknik statistik parametris tidak dapat digunakan untuk analisis

Suatu data membentuk distribusi normal bila jumlah data di atas dan di bawah rata-rata adalah
sama, demikian juga simpangan bakunya

Lihat gambar :
 2 4 6 8 10

2,27 % 13,59 % 34,13 % 34,13 % 13,59

% 34,13 %

1S 1S

2S 2S

3S 3S
Penjelasan

- Secara teoritis, kurva tidak akan pernah menyentuh garis dasar, sehingga luasnyapun
tidak sampai 100 %, tetapi hanya mendekati (99,999 %)

- Bentuk kurva sistematif : luas rata-rata mean ke kiri dan ke kanan masing-masing
mendekati 50 %, tetapi dalam prakteknya dinyatakan dalam 50 %

- Disamping kurva normal umum, terdapat kurva normal standar, karena nilai rata-ratanya
= 0, dan simpangan bakunya = 1,2,3,4 dst

Nilai Simpangan baku

Simbol nilai simpangan baku : z

Kurva normal umum dapat dirubah ke dalam kurva normal standar, dengan rumus :
_

Z = (xi - x )

Dimana :

Z = simpangan baku untuk kurva normal standar

Xi = Data ke-I dari suatu kelompok data

X = Rata-rata kelompok

S = simpangan baku

Harga z ada kaitannya dengan prosentase daerah kurva itu

KURVA NORMAL STANDAR

RATA-RATA 0, SIMPANGAN BAKU 1,2,3

Prosentase Luas Kurva Normal

2,27 % 13,59 % 34,13 % 34,13 % 13,59 % 34,13 %

1S 1S

2S 2S

3S 3S

1. Contoh Penggunaan Kurva normal

Terdapat 200 mahasiswa yang ikut ujian mata kuliah statistik. Nilai rata-ratanya adalah 6 dan
simpangan bakunya adalah 2. Berapa orang yang mendapat nilai 8 ke atas ?

Jawab :

Rata-rata ( x) =6
S =2

Maka

z = (xi - x ) = (8 – 6) = 1 = 34,13 %

s 2

Harga 1, menunjukkan prosentase jumlah mahasiswa yang mendapat nilai 6 – 8.

Dengan demikian prosentase yang mendapat nilai 8 ke atas adalah :

50 % – 34,13 % = 15,87 % = 15, 87 % x 200 = 31,74 orang

Dibulatkan = 32 orang

Keterangan : 50 % adalah setengah kurva di atas mean (rata-rata)

1. c. Pengujian Normalitas Data

 Statistik parametris didasarkan atas asumsi bahwa data setiap variabel dianalisis
berdasakan distribusi normal.
 Sebelum menggunakan teknik statistik parametris, maka kenormalan data harus diuji
terlebih dahulu.
 Bila data tidak normal, maka statistik parametris tidak dapat digunakan, sehingga
digunakan statistik non parametris.
 Penyebab ketidaknormalan data : kesalahan alat dan pengumpulan data.
 Pengujian normalitas data menggunakan Chi Kuadrat (Χ2), dilakukan dengan cara
membandingkan kurva normal yang terbentuk dari data yang telah terkumpul (B) dengan
kurva normal baku/standar (A) atau (B : A)
 Bila B tidak berbeda secara signifikan dengan A, maka B merupakan data yang
berdistribusi normal.

Rata-rata 0, Simpangan Baku, 1,2,3

 ? ?

? ?

? ?

Distribusi data yang akan diuji normalitasnya

Semua Data harus dikelompokkan menjadi 6 kelas, sesuai 6 bidang kurva normal

Contoh

Misalkan sebaran nilai statistik 150 mahasiswa adalah sebagai berikut :

INTERVAL F
321
13 – 2728 – 42
56
43 – 57
45
58 – 72
21
73 – 87
4
88 – 102

Langkah-langkah
 1. Menentukan jumlah kelas interval. Jumlah kelas interval disesuaikan dengan jumlah
bidang = 6
2. Menentukan panjang kelas interval

Panjang kelas = (Data terbesar – Dat terkecil)

1. Menyusun ke dalam tabel distribusi frekuensi, sekaligus tabel penolong untuk menguji
harga chi kuadrat hitung
2. Menghitung fh (frequensi yang diharapkan)

Prosentasi luas tiap bidang kurva x jumlah total data

1. Menghitung total (fo-fh)2

fh

1. 6. Membandingkan harga chi Kuadrat Hitung dengan Chi Kuadrat Tabel. Jika Chi
kuadrat hitung lbih kecil dari chi kuadrat Tabel, maka distribusi data dinyatakan normal,
dan bila lebih bsar dinyatakan tidak normal

Tabel Penolong untuk pengujian Normalitas Data dengan Chi Kuadrat

INTERVAL (fo-fh)2fh
Fo Fh = ( % x n) Fo-fh (fo-fh)2

13 – 27 3
42051 -115 1125 0,250,050,49
28 – 42 21
51 -6 36 0,70
43 – 57 56
20 1 1 0,05
58 – 72 45
4 0 0 0
73 – 87 21

88 – 102 4

JUMLAH 150 150 0

 1,55

Bandingkan Chi Kuadrat Hitung dengan Chi Kuadrat Tabel

Chi Kuadrat Hitung = 1,55

Chi Kuadrat Tabel dengan :

db = 6-1 :5

tingkat kesalahan :5%

Adalah : 11,070

Kesimpulan :

Jika Chi Kuadrat Hitung < Chi Kuadrat Tabel, maka data dinyatakan normal, tapi

Jika Chi Kuadrat Hitung > Chi Kuadrat Tabel, maka data dinyatakan tidak normal,

Hasil :

Karena Chi Kuadrat Hitung (1,55) < Chi Kuadrat Tabel (11,070), maka data dinyatakan normal,