BIOSTATISTIK

“METODE ANALITIK PARAMETRIK”

OLEH
KELOMPOK 5

1. NI MADE SRI DAMAYANTI 183222936

2. NI MADE WIDIADNYANI 183222937
3. NI MADE YUNI ANTARI 183222938
4. NI PUTU AYU SWASTININGSIH 183222939
5. NI PUTU EKA PRADNYA KARTINI 183222940
6. NI PUTU ITA MARTARIANI 183222941
7. NI PUTU NICK TRI DANYATI 183222942
8. NI PUTU RISKI DAMAYANTI 183222943

PROGRAM STUDI S1 ILMU KEPERAWATAN

STIKES WIRA MEDIKA PPNI BALI
2019

i
KATA PENGANTAR

ii
 DAFTAR ISI

KATA PENGANTAR…………………………………………………………...i

DAFTAR ISI……………………………………………………………………..ii

BAB I PENDAHULUAN

1.1 Latar Belakang…………………………………………………………….…..1

1.2 Rumusan Masalah……………………………………………………………..1

1.3 Tujuan Masalah………………………………………………………………..2

BAB II PEMBAHASAN

2.1 Pengertian Statistik Parametrik………………………………………………..3

2.2 Keunggulan dan Kelemahan…………………………………………………..4

2.3 Persyaratan Analisis Parametrik………………………………………………4

BAB III PENUTUP

3.1 Simpulan……………………………………………………………………..14

3.2 Saran…………………………………………………………………………14

DAFTAR PUSTAKA

iii
 BAB I
PENDAHULUAN

1.2 Latar Belakang

Saat kita hendak melakukan suatu riset, seringkali kita dihadapkan pada
pilihan metode. Metode statistik apakah yang cocok digunakan dalam riset
kita tersebut. Dalam mempelajari statistik, biasanya kita langsung dihadapkan
pada metode statistik parametrik, padahal tidak semua data cocok diolah
dengan statistik parametrik. Walaupun perkembangan statistik parameter
sudah sedemikian canggih namun statistik parametrik memiliki beberapa
kekurangan, misalnya pada masalah-masalah sosial yang memiliki skala
nominal dan rasio, statistik parametrik tidak mampu mengukur dengan baik.
Kalaupun bisa, hal tersebut merupakan upaya yang berlebihan (excessively
method). Maka Statistik parametrik digunakan jika kita telah mengetahui
model matematis dari distribusi populasi suatu data yang akan dianalisis. Jika
kita tidak mengetahui suatu model distribusi populasi dari suatu data dan
jumlah data relatif kecil atau asumsi kenormalan tidak selalu dapat dijamin
penuh,maka kita harus menggunakan statistik non parametrik (statistik bebas
distribusi).
Berikut ini adalah ringkasan yang memuat perbedaan antara Statistik
Parametrik dan Statistik Non Parametrik. Dengan memahami perbedaan
antara keduanya, diharapkan kita bisa menemukan metode statistik yang tepat
dalam mengolah data riset yang tepat.

1.3 Rumusan Masalah

1.3.1 Apakah pengertian dari Statistika parametric?
1.3.2 Apa saja keunggulan dan kelemahan dari statistika parametric? Apa saja
persyaratan analisis parametric?

1
1.3 Tujuan Masalah
1.3.1 Untuk mengetahui pengertian dari statistika parametric.
1.3.2 Untuk mengetahui keunggulan dan kelemahan dari statistika parametric.
1.3.3 Untuk mengetahui persyaratan analisis parametrik yang ada di dalam
statistika parametric.

2
 BAB II
PEMBAHASAN

2.1. Pengertian Statistik Parametrik

Parametrik berarti parameter. Parameter adalah indikator dari suatu distribusi
hasil pengukuran. Indikator dari distribusi pengukuran berdasarkan statistik
parametrik digunakan untuk parameter dari distribusi normal. Distribusi normal
dikenal juga dengan istilah Gaussian Distribution. Distribusi normal mengandung
dua parameter, yaitu rata-rata (mean) dan ragam (varians).
Parameter-parameter ini memberikan karakteristik yang unik pada suatu
distribusi berdasarkan “lokasi”-nya (central tendency). Berbagai metode statistik
mendasarkan perhitungannya pada kedua parameter tersebut. Penggunaan metode
statistik parametrik mengikuti prinsip-prinsip distribusi normal.
Prinsip-prinsip dari distribusi normal adalah:
a Distribusi dari suatu sampel yang dijadikan obyek pengukuran berasal dari
distribusi populasi yang diasumsikan terdistribusi secara normal.
b Sampel diperoleh secara random, dengan jumlah sampel yang dianggap dapat
mewakili populasi.
c Distribusi normal merupakan bagian dari distribusi probabilitas yang kontinyu
(continuous probability distribution).
Implikasinya, skala pengukuran pun harus kontinyu. Skala pengukuran yang
kontinyu adalah skala rasio dan interval. Kedua skala ini memenuhi syarat untuk
menggunakan uji statistik parametrik. Bila syarat-syarat ini semua terpenuhi,
maka metode statistik parametrik dapat digunakan. Namun, jika data tidak
menyebar normal maka metode statistik nonparametrik dapat digunakan. Apa
yang dapat dilakukan jika data tidak menyebar normal, namun statistik parametrik
ingin tetap digunakan.
Untuk kasus ini data sebaiknya ditransformasikan terlebih dahulu. Transformasi
data perl dilakukan agar data mengikuti sebaran normal. Transformasi dapat
dilakukan dengan mengubah data ke dalam bentuk logaritma natural,
menggunakan operasi matematik (membagi, menambah, atau mengali dengan
bilangan tertentu), dan mengubah skala data dari nominal menjadi interval.

3
2.2 Keunggulan dan kelemahan statistik parametrik
a. Keunggulan :
1. Syarat syarat parameter dari suatu populasi yang menjadi sampel biasanya
tidak diuji dan dianggap memenuhi syarat, pengukuran terhadap data
dilakukan dengan kuat.
2. Observasi bebas satu sama lain dan ditarik dari populasi yang berdistribusi
normal serta memiliki varian yang homogen.
b. Kelemahan :
1. Populasi harus memiliki varian yang sama.
2. Variabel-variabel yang diteliti harus dapat diukur setidaknya dalam skala
interval.
3. Dalam analisis varian ditambahkan persyaratan rata-rata dari populasi
harus normal dan bervarian sama, dan harus merupakan kombinasi linear
dari efek-efek yang ditimbulkan.

2.3 Persyaratan Analisis Parametrik

Asumsi yang paling lazim pada uji parametrik adalah sampel acak yang berasal
dari populasi yang berdistribusi normal, data bersifat homogen, dan bersifat linier.
Bila asumsi-asumsi ini dipenuhi, atau paling tidak penyimpangan terhadap
asumsinya sedikit, maka uji parametrik masih bisa diandalkan. Tetapi bila asumsi
tidak dipenuhi maka uji nonparametrik menjadi alternative.

1. Uji Normalitas Data

Pengujian normalitas dilakukan untuk mengetahui normal tidaknya suatu
distribusi data. Hal ini penting diketahui berkaitan dengan ketetapatan pemilihan
uji statistik yang akan dipergunakan. Uji parametrik misalmya, mengsyaratkan
data harus berdistibusi normal. Apabila distribusi data tidak normal maka
disarankan untuk menggunakan uji nonparametrik
Pengujian normalitas ini harus dilakukan apabila belum ada teori yang
menyatakan bahwa variabel yang diteliti adalah normal. Dengan kata lain, apabila
ada teori yang menyatakan bahwa suatu variabel yang sedang diteliti normal,
maka tidak diperlukan lagi pengujian normalitas data. Langkah kerja pengujian

4
ada dua , yaitu pengujian normalitas dengan uji Liliefors dan dengan uji
kecocokan Chi Square.
1. Susunlah data dari kecil ke besar. Setiap data ditulis sekali, meskipun ada data
yang sama.
2. Periksa data, berapa kali munculnya bilangan-bilangan itu (frekuensi harus
ditulis).
3. Dari frekuensi susun frekuensi kumulatifnya.
4. Berdasarkan frekuensi kumulatif, hitunglah proporsi empirik (observasi).
5. Hitung nilai z untuk mengetahui theoritical proportion pada tabel z.
6. Menghitung theoritical proportion.
7. Bandingkan empirical proportion dengan theoritical proportion, kemudian
carilah selisih terbesar titik observasinya.
8. Buat kesimpulan, dengan kriteria uji, tolak H0 jika D > D(n,?), dengan
kriteria: H0 : X mengikuti distribusi normal. H1 : X tidak mengikuti distribusi
normal.

2. Homogenitas Data
Persyaratan uji parametrik yang kedua adalah homogenitas data. Pengujian
homogenitas adalah pengujian mengenai sama tidaknya variansi-variansi dua
buah distribusi atau lebih. Uji homogenitas yang akan dibahas dalam tulisan ini
adalah Uji Homogenitas Variansi dan Uji Burlett.
Uji homogenitas variansi digunakan untuk membandingkan dua buah peubah
bebas. Kriteria uji yang digunakan adalah dua buah distribusi dikatakan memiliki
penyebaran yang homogen apabila nilai hitung F lebih kecil dari nilai tabel F
dengan a tertentu dan dk1 = (n1-1) dan dk2 = (n2 – 1). Dalam hal lainnya
distribusi tidak homogen/ berbeda. Pengujian homogenitas data dengan uji Barlett
adalah untuk melihat apakah variansi-variansi k buah kelompok peubah bebas
yang banyaknya data per kelompok bisa berbeda dan diambil secara acak dari data
populasi masing-masing yang berdistribusi normal, berbeda atau tidak
(Ruseffendi, 1998: 297).
Kriteria uji yang digunakan adalah apabila nilai hitung > nilai tabel , maka
H0 yang menyatakan varians homogen ditolak, dalam hal lainnya diterima.

5
Rumus lihat buku sumber (Sambas Ali Muhidin. 2007. Analisis Korelasi, Regresi,
dan Jalur dalam Penelitian. Bandung: Pustaka Setia).
Langkah-langkah yang dapat dilakukan dalam pengujian homogenitas dengan uji
Barlett adalah :
1. Menentukan kelompok-kelompok data, dan menghitung varians untuk tiap
kelompok tersebut
2. Membuat tabel pembantu untuk memudahkan proses perhitungan
3. Menghitung varians gabungan.
4. Menghitung log dari varians gabungan.
5. Menghitung nilai Barlett.
6. Menghitung nilai
7. Menentukan nilai dan titik kritis.
8. Membuat kesimpulan.

3. Uji T
Dalam Statitika, uji t adalah salah satu alat uji yang termasuk uji beda, karena
uji t ini digunakan untuk mencari ada/tidaknya perbedaan antara dua means dari
dua sample/kelompok/kategori data. Uji t termasuk kelompok uji parametrik,
yaitu kelompok uji statistika yang memerlukan persyaratan tertentu agar
memberikan hasil yang baik, dalam hal ini terkait asumsi distribusi data.
Uji parametrik mensyaratkan distribusi data yang diuji berdistribusi normal.
Oleh karenanya, ketika kita ingin menggunakan uji t, maka sebelumnya variabel
yang diujikan (yang bertipe interval/rasio) harus berdistribusi normal (biasanya
menggunakan alat uji one sample kolmogorov-smirnov). Berikut merupakan
jenis-jenis uji t:
1) One-sample t test (uji t satu sampel)
a. Digunakan untuk membandingkan antara sekelompok data yang berasal dari 1
sampel/kelompok dengan 1 nilai acuan/referensi/dugaan. Jadi data sampel
dibandingkan dengan 1 angka (makanya satu sampel).
b. Cukup 1 variabel bertipe interval/rasio karena 1 lagi berupa angka acuan.

6
c. Contoh: ingin menguji apakah rata-rata nilai mata kuliah fisika dasar
mahasiswa semester 1 lebih besar atau sama dengan 70. (variabel: nilai MK
fisika dasar, nilai acuan: 70).
2) Paired-sample t test (uji t sampel berpasangan)
a) Digunakan untuk membandingkan rata-rata (mean) dari dua kumpulan data
yang ada dimana kedua kumpulan data tersebut berasal dari 1 kelompok
obyek/responden yang sama. Hal ini dimungkinkan karena misalnya
pengukuran dilakukan pada waktu yag berbeda namun obyek/respondennya
tetap sama, sehingga memiliki 2 kelompok data; atau dilakukan pengukuran
yang berbeda karena adanya perlakuan pada obyek/responden tersebut.
b) Akan ada kumpulan data sebelum dan sesudah perlakuan/waktu yang
berbeda.
c) Variabel: ada 2 variabel (keduanya interval/rasio), variabel 1 (sebelum
perlakuan atau waktu pengukuran ke-1) dan variabel 2 (setelah
perlakuan/waktu pengukuran ke-2)
d) Contoh: sebuah perusahaan pupuk ingin menguji apakah pupuk yang dibuat
mampu meningkatkan produksi buah cabai. (untuk riset ini diperlukan
pengukuran produksi buah cabai sebelum diberi pupuk dan produksi buah
cabai setelah diberi pupuk, kemudian kedua data ini dibandingkan; kedua data
tentu diambil atau diukur pada waktu yang berbeda, karena kelompok pohon
cabai yang diukur adalah kelompok pohon cabai yang sama).
3) Independent-sample t test (uji t sampel independen)
a) Digunakan untuk membandingkan rata-rata (mean) dari dua kelompok data
yang berbeda satu sama lain. Jadi benar-benar memiliki 2 sampel/kelompok
obyek/responden.
b) Variabel: ada 2 variabel (1 bertipe interval/rasio dan 1 lagi bertipe nominal).
Variabel bertipe interval/rasio untuk menampung data
c) yang akan dibandingkan, sedang variabel bertipe nominal untuk menampung
jenis/kelompok sampelnya.
d) Contoh: seorang walikota menanggap pembangunan ekonomi masyarakatnya
lebih baik daripada masyrakat kota lain disekitarnya. Maka diukurlah
sekelompok masyarakat kota tersebut dan sekelompok masyarakat kota

7
 tetangga sebagai pembanding. Maka akan ada 2 data yang bersumber dari
masyarakat yang berbeda; akan ada 2 variabel, variabel #1: income
masyarakat, variabel #2: jenis kota (1->kota ybs, 2-> kota tetangga)).

4. Anova Satu Jalur Dan Anova Dua Jalur

Analisis varians (analysis of variance, ANOVA) adalah suatu metode analisis
statistika yang termasuk ke dalam cabang statistika inferensi. Dalam literatur
Indonesia metode ini dikenal dengan berbagai nama lain, seperti analisis ragam,
sidik ragam, dan analisis variansi. Ia merupakan pengembangan dari masalah
Behrens-Fisher, sehingga uji-F juga dipakai dalam pengambilan keputusan.
Analisis varians pertama kali diperkenalkan oleh Sir Ronald Fisher, bapak
statistika modern.
Dalam praktek, analisis varians dapat merupakan uji hipotesis (lebih sering
dipakai) maupun pendugaan (estimation, khususnya di bidang genetika terapan).
Secara umum, analisis varians menguji dua varians (atau ragam) berdasarkan
hipotesis nol bahwa kedua varians itu sama. Varians pertama adalah varians
antarcontoh (among samples) dan varians kedua adalah varians di dalam masing-
masing contoh (within samples).
Dengan ide semacam ini, analisis varians dengan dua contoh akan memberikan
hasil yang sama dengan uji-t untuk dua rerata (mean). Analisis varians relatif
mudah dimodifikasi dan dapat dikembangkan untuk berbagai bentuk percobaan
yang lebih rumit. Selain itu, analisis ini juga masih memiliki keterkaitan dengan
analisis regresi. Akibatnya, penggunaannya sangat luas di berbagai bidang, mulai
dari eksperimen laboratorium hingga eksperimen periklanan, psikologi, dan
kemasyarakatan
Ada tiga kelas konseptual model seperti:
1. Model efek tetap berasumsi bahwa data berasal dari populasi normal yang
mungkin berbeda hanya dalam kemampuan mereka. (Model 1)
2. Model efek acak berasumsi bahwa data yang menggambarkan hierarki
populasi yang berbeda yang perbedaan dibatasi oleh hirarki. (Model 2)
3. Model efek campuran menggambarkan situasi di mana baik tetap dan efek
acak hadir (Model 3).

8
 Sesuai dengan kebutuhannya Anova dibedakan menjadi 2 yaitu Anova satu arah
dan Anova dua arah. Anova satu arah hanya memperhitungkan 1 faktor yang
menimbulkan variasi, sedangkan Anova dua arah memperhitungkan dua faktor
yang menimbulkan variasi. Pada dasarnya pola sampel dapat dikelompokan
menjadi dua kelompok, yaitu :
1. Seluruh sampel, baik yang berada pada kelompok pertama sampai dengan
yang ada di kelompok lain, berasal dari populasiyang sama. Untuk kondisi ini
hipotesis nol terbatas pada tidak ada efek dari treatment (perlakuan).
2. Sampel yang ada di kelompok satu berasal dari populasi yang bebeda dengan
populasi sampel dengan populasi sampel yang ada di kelompok lainnya.
Melalui perbandingan sederhana adalah teknik analisis statistik yang dapat
memberi jawaban atas ada tidaknya perbedaan skor pada masing-
masing kelompok (khususnya untuk kelompok yang banyak), dengan suatu
risiko kesalahan yang sekecil mungkin. Anova mempunyai kemampuan
membedakan antar banyak kelompok dengan risiko kesalahan yang kecil, juga
dapat memberi informasi tentang ada tidaknya interaksi antar variabel bebas
sehubungan dengan variableterikat.
Pada dasarnya ANOVA dapat dibagi menjadi 2 kelompok besar, yaitu:
1. Beberapa kelompok yang dihadapi merupakan pembagian dari satu
independen varibel (variabel bebas)
2. Beberapa kelompok yang dihadapi merupakan pembagian dari beberapa
independen varibel (variabel bebas) Asumsi dasar dalam Anova :
a Kenormalan Setiap harga dalam sampel berasal dari distribusi normal,
sehingga distribusi skor sampel dalam kelompok pun hendaknya normal.
Kenormalan dapat diatasi dengan memperbanyak sampel dalam kelompok,
karena semakin banyak n maka distribusi akan mendekati normal. Apabila
sampel tiap kelompok kecil dan tidak dapat pula diatasi dengan jaln
melakukan transformasi.
b Kesamaan Variasi Masing-masing kelompok hendaknya berasal dari
populasi yang mempunyai variansi yang sama. Untuk sampel yang sama
pada setiap kelompok, kesamaan variansi dapat diabaikan. Tetapi, jika

9
 banyaknya sampel pada masing-masimg kelompok tidak sama, maka
kesamaan variansi populasi memang sangat diperlukan.
c Penamatan Bebas Sampel hendaknya diambil secara acak (random),
sehingga setiap pengamatan merupakan informasi yang bebas.
Perbandingan anova satu jalur dengan anova dua jalur adalah sebagai berikut:
Sebenarnya analisis ANOVA satu arah dapat dipakai untuk menghadapi kasus
variabel bebas lebih dari satu. Hanya saja analisisnya dilakukan satu per satu,
sehingga akan menghadapi banyak kasus ( N semakin banyak ). Dengan
melakukan Anova dua arah akan dihindari pula pula terjadinya noise (suatu
kemungkinan yantg menyatakan terdapat suatu efek karena bercampurnya suatu
analisis data). Noise ini dapat dihindari pada ANOVA dua arah karena analis
disini melibatkan kontor terhadap perbedaan(katagorikal) variabelbebas. Interaksi
suatu kebersamaanantar fektor dalam mempengaruhi variabel bebas, dengan
sendirinyapengaruh faktor-faktor secara mandiri telah dihilangkan. Jika terdapat
interaksi berarti efek faktor satu terhadap variabel terikatakan mempunyai garis
yang tidak sejajar dengan efek faktor lain terhadap variabel terikatsejajar (saling
berpotongan), maka antara faktor tidak mempunyai interaksi. Anova dua arah
digunakan peneliti untuk mengatasi perbedaan nilai variabel terikat yang
dikategorikan berdasarkan variasi bebas yang banyak dan masing-masing variabel
terdiri dari beberapa kelompok. Anova dua arah merupakan penyempurnaan
Anova satu arah.
Anova dua arah lebih efisien daripada anova satu arah, karena:
a. Kasus yang dihadapi lebih sedikit yaitu sejumlah sampel .
b. Noise noise dapat dihilangkan.
c. Dapat diketahui unsur kebersamaan variabel bebas dalam mempengaruhi
variabel terikat.

5. Uji Pearson Produk

Uji pearson produk atau disebut juga dengan Koefisien Korelasi Sederhana
merupakan suatu teknik statistic yang dipergunakan untuk mengukur kekuatan
hubungan 2 variabel dan juga untuk dapat mengetahui bentuk hubungan antara 2
variabel tersebut dengan hasil yang sifatnya kuantitatif. Kekuatan hubungan

10
antara 2 variabel yang dimaksud disini adalah apakah hubungan tersebut erat,
lemah, ataupun tidak erat sedangkan bentuk hubungannya adalah apakah bentuk
korelasinya linier positif ataupun linier negetif.
a) Korelasi Linier Positif (+1)
Perubahan salah satu nilai Variabel diikuti perubahan nilai variable yang
lainnya secara teratur dengan arah yang sama. Jika nilai variable X mengalami
kenaikan, maka variable Y akan ikut naik. Jika variable X mengalami penurunan,
maka variable Y akan ikut turun. Apabila Nilai Koefisien korelasi mendekati +1 (
positif satu ) berarti pasangan data variable X dan variable Y memiliki korelasi
linier positif yang kuat/erat.
b) Korelasi Linier Negatif (-1)
Perubahan salah satu nilai variable diikuti perubahan nilai variable yang lainnya
secara teratur dengan arah yang berlawanan. Jika nilai variable X mengalami
kenaikan, maka nilai variable Y akan turun. Jika nilai variable X mengalami
penurunan maka, nilai variable Y akan naik. Apabila nilai koefisien korelasi
mendekati -1 (negative satu) maka hal ini menunjukkan pasangan data variable X
dan variable Y memiliki korelasi linier negative yang kuat/erat.
c) Tidak Berkorelasi
Kenaikan nilai variabelyang satunya kadang – kadang diikuti dengan
penurunan variable lainnya atau kadang – kadang diikuti dengan kenaikan
variable lainnya. Arah hubungannya tidak teratur, kadang – kadang searah,
kadang – kadang berlawanan. Apabila nilai koefesian korelasi mendekati 0 (Nol)
berarti pasangan data variable X dan variable Y memiliki korelasi yang sangant
lemah atau berkemungkinan tidak berkorelasi.
Tabel tentang Pedoman Umum dalam Menentukan Kriteria Korelasi

R Kriteria Hubungan
0 Tidak ada korelasi
0 – 0,5 Korelasi Lemah
0,5 – 0,8 Korelasi Sedang
0,8 – 1 Korelasi Kuat / erat
1 Korelasi Sempurna

11
 Kekuatan hubungan antara 2 variabel biasanya disebut dengan koefisien
korelasi dan dilambangkan dengan symbol “r”. Nilai koefisien akan selalu berada
diantara -1 sampai +1. Hal yang perlu diingat adalah Koefisien korelasi akan
selalu dalam range -1 ≤ r ≤ +1. Jika ditemukan perhitungan di luar Range tersebut,
berarti telah terjadi kesalahan perhitungan dan harus di koreksi terhadap
perhitungan tersebut. Koefisien korelasi sederhana disebut juga dengan koefisien
korelasi pearson karena rumus perhitungan koefisien korelasi sederhana ini
ditemukan oleh Karl Pearson yaitu seorang ahli Matematika yang berasal dari
Inggris.
Rumus yang dipergunakan untuk menghitung koefisien korelasi sederhana
adalah sebagai berikut:

r = n∑xy – (∑x) (∑y)

√{n∑x² - ( ∑x)²}{n∑y² - ( ∑y)²}

Dimana : n = Banyaknya Pasangan data

X dan Y ∑x = Total Jumlah dari Variabel X ∑y = Total Jumlah dari
Variabel Y ∑x² = Kuadrat dari Total Jumlah Variabel X ∑y² = Kuadrat dari Total
Jumlah Variabel Y ∑xy = Hasil Perkalian dari Total jumlah Variabel X dan
Variabel Y
Di bawah ini adalah contoh sebuah penelitian dengan judul “Hubungan
antara motivasi dengan kinerja guru di SD 01 Samarinda”. Soal: Apakah ada
hubungan yang signifikan antara motivasi dengan kinerja guru di SD 01
Samarinda? Hipotesa Alternatif : Ada hubungan yang signifikan antara motivasi
dengan kinerja guru SD 01 Samarinda .
Berikut data yang diperoleh dari angket yang diberikan kepada 12 orang guru,
X (motivasi), Y (Kinerja)
No. Resp X Y X² Y² XY
1 60 450 3600 202500 27000
2 70 475 4900 225625 33250
3 75 450 5625 202500 33750
4 65 470 4225 220900 30550

12
 5 70 475 4900 225625 33250
6 60 455 3600 207025 27300
7 80 475 6400 225625 38000
8 75 470 5625 220900 35250
9 85 485 7225 235225 41225
10 90 480 8100 230400 43200
11 70 475 4900 225625 33250
12 85 480 7225 230400 40800
Jumlah ∑X=885 ∑Y=5640 ∑X²=66325 ∑Y²=2652350 ∑XY=416825 17
Penyelesaian: Rumus : = Dari penghitungan rumus tersebut di atas, diperoleh nilai
r : 0.684 Interpretasi: Berdasar hasil penghitungan tersebut (0.684), jika kita
konsultasikan dengan tabel angka kasar, hubungan antara motivasi dengan kinerja
dosen KUAT.

13
 BAB III
PENUTUP

3.1 Simpulan
Parametrik berarti parameter. Parameter adalah indikator dari suatu distribusi
hasil pengukuran. Indikator dari distribusi pengukuran berdasarkan statistik
parametrik digunakan untuk parameter dari distribusi normal. Distribusi normal
dikenal juga dengan istilah Gaussian Distribution. Distribusi normal mengandung
dua parameter, yaitu rata-rata (mean) dan ragam (varians). Parameter-parameter
ini memberikan karakteristik yang unik pada suatu distribusi berdasarkan
“lokasi”-nya (central tendency). Berbagai metode statistik mendasarkan
perhitungannya pada kedua parameter tersebut. Keunggulan : Syarat - syarat
parameter dari suatu populasi yang menjadi sampel biasanya tidak diuji dan
dianggap memenuhi syarat, pengukuran terhadap data dilakukan dengan kuat,
observasi bebas satu sama lain dan ditarik dari populasi yang berdistribusi normal
serta memiliki varian yang homogen. Kelemahan : Populasi harus memiliki varian
yang sama, variabel-variabel yang diteliti harus dapat diukur setidaknya dalam
skala interval, dalam analisis varian ditambahkan persyaratan rata-rata dari
populasi harus normal dan bervarian sama, dan harus merupakan kombinasi linear
dari efek-efek yang ditimbulkan. Persyaratan dalam menganalisis statistic
parametric adalah uji normalitas data, uji homogenitas data, uji t, anova satu arah
dan anova dua arah, uji pearson product.

3.2 Saran

14
 DAFTAR PUSTAKA

https://adivb.wordpress.com/2015/09/08/statistika-uji-t-seperti-apa-sih/
https://analisispertanian.wordpress.com/2013/01/21/anova-satu-arah-dan-anova-
dua-arah/http://pensa-sb.info/persyaratan-analisis-data/
http://teknikelektronika.com/pengertian-analisis-korelasi-sederhana-rumus-
pearson/

15