KATA PENGANTAR

Puji syukur kehadirat Allah SWT, karena berkat rahmat, karunia dan
hidayahNya, buku Dasar Statistik untuk Kesehatan ini dapat terselesaikan. Statistik
merupakan salah satu cabang ilmu Pengetahuan yang sangat diperlukan dalam suatu
kegiatan Penelitian. Usaha-usaha yang dilakukan dalam rangka pengambilan Keputusan
dan menentukan kebijakan perlu di dukung oleh hasil penelitian yang akurat.
Dalam Buku ini akan dipelajari tentang bagaimana cara menyelesaikan
Masalah-Masalah probabilitas sebagai alat pengambil keputusan, alat-alat statistik yang
dibutuhkan untuk melakukan pengkajian terhadap masalah yang dihadapi. Serta sebagai
dasar berpikir selanjutnya dalam mencari terobosan baru (policy) guna memecahkan
masalah yang dihadapi.
Adapun isi dari Buku Dasar Statistik Untuk Kesehatan ini adalah sebagai berikut
: Teori probabilitas, Distribusi Probabilitas Diskret, Teori Keputusan, Metode dan
Distribusi Sampling, Hipotesa, Uji Chi Kuadrat, Korelasi, Analisis Regresi, Uji t, dan
Anova..
Buku Dasar Statistika Untuk Kesehatan ini untuk membekali kompetensi
mahasiswa, namun demikian. Dengan adanya buku ini di harapkan kepada mahasiswa
agar lebih mudah dan mengerti didalam pemahaman materi - materi yang ada, karena di
susun menggunakan bahasa yang sederhana, dan mudah – mudahan dapat
mengaplikasikan dalam kehidupan sehari – hari.
Ucapan Terima Kasih Penulis sampaikan kepada semua pihak yang telah
membantu proses penyelesaian buku ini. Kritik dan saran bersifat membangun dalam
penyempurnaan buku ini sangat penulis harapkan. Semoga Buku ini membawa manfaat
kepada pembaca. Aamiin.

Kediri, April 2016

Penulis
 DAFTAR ISI
Kata pengantar ................................................................................................................. i
Daftar isi ........................................................................................................................... ii

BAB I KONSEP DASAR PROBABILITAS ................................................................ 1

A. PENDAHULUAN............................................................................................... 1
1. Manfaat mempelajari Probabilitas ................................................................ 1
2. Pengertian Probabilitas ................................................................................. 1
B. PENDEKATAN PROBABILITAS .................................................................... 2
1. Pendekatan Klasik ........................................................................................ 2
2. Pendekatan Relatif ........................................................................................ 3
3. Pendekatan Subjektif .................................................................................... 3
BAB 2 KONSEP DASAR DAN HUKUM PROBABILITAS ..................................... 4
A. Hukum Penjumlahan ........................................................................................... 4
1. Peristiwa atau kejadian bersama ................................................................... 4
2. Kejadian Saling Lepas ................................................................................. 5
B. Hukum Perkalian ................................................................................................. 6
1. Probabilitas Bersyarat ................................................................................... 6
2. Peristiwa Pelengkap ...................................................................................... 6
C. Diagram Pohon Probabilitas .............................................................................. 6
BAB 3 TEOREMA BAYES ........................................................................................... 8
A. Faktorial .............................................................................................................. 8
B. Permutasi ............................................................................................................ 8
C. Kombinasi ........................................................................................................... 9
BAB 4 KARAKTERISTIKDISTRIBUSI KURVA NORMAL.................................. 11
a. Distribusi Probabilitas dan kurva normal dengan
 dan  Simbol .................................................................................................... 11
b. Distribusi Probabilitas dan kurva normal dengan
 berbeda dan  sama ......................................................................................... 11
c. Distribusi Probabilitas dan kurva normal dengan
 berbeda dan  berbeda ..................................................................................... 12
d. Distribusi Probabilitas Normal Baku .................................................................. 12
e. Luas Dibawah Kurva Normal ............................................................................. 13
f. Pendekatan Normal Terhadap Binomial ............................................................. 13
g. Faktor Koreksi Kontinuitas ................................................................................. 14

BAB 5 DISTRIBUSI PROBABILITAS NORMAL .................................................... 15

A. Pengertian Distribusi Probabilitas ...................................................................... 15
B. Variabel Acak/Random ....................................................................................... 16
a. Variabel Acak ............................................................................................... 16
b. Variabel Acak Diskret .................................................................................. 16
c. Variabel Acak Kontinu ................................................................................. 16
C. Rata-rata hitung, varians, dan standart deviasi .................................................... 16
a. Nilai Rata-rata Hitung .................................................................................. 16
b. Varians dan Standar Deviasi ......................................................................... 17
D. Distribusi Probabilitas Binomial ......................................................................... 18
BAB 6 TEORI KEPUTUSAN ....................................................................................... 21
1. Elemen-elemen Keputusan ................................................................................. 21
2. Keputusan dalam Keadaan Beresiko ................................................................... 22
A. Nilai yang diharapkan (Expected Value) ...................................................... 22
B. Expected Opportunity Loss .......................................................................... 23
 C. Expected Value of Perfect Information ........................................................ 23
D. Pengambilan keputusan dalam kondisi ketidakpastian ................................. 24
E. Analisis Pohon Keputusan ............................................................................ 24
BAB 7 MEETODE DAN DISTRIBUSI SAMPLING ................................................. 25
A. Metode Penarikan Sample................................................................................... 25
1. Penarikan Sample Acak Sederhana .............................................................. 25
1. Sistem Kocokan ..................................................................................... 25
2. Menggunakan tabel Acak....................................................................... 25
2. Penarikan Sampel Acak Terstuktur .............................................................. 26
3. Penarikan sampel Cluster ............................................................................. 26
4. Penarikan Sample secara sistematis.............................................................. 27
5. Penarikan Sampel kuota ............................................................................... 28
6. Penarikan sample purposive ......................................................................... 28
B. Kesalahan Penarikan Sample (Sampling Error) .................................................. 28
C. Distribusi Sampel Rata-rata dan proporsi ........................................................... 29
D. Distribusi Sampel Selisih Rata-rata dan proporsi ............................................... 29
E. Faktor koreksi untuk populasi terbatas................................................................ 29
F. Penarikan sampel purposive (purposive sampling) ............................................. 29
BAB 8 HIPOTESIS ........................................................................................................ 31
A. Hipotesis.............................................................................................................. 31
B. Pengujian Hipotesis............................................................................................. 31
C. Prosedur Pengujian Hipotesis ............................................................................. 32
BAB 9 MENGUJI HIPOTESA RATA-RATA SAMPEL BESAR ............................ 35

BAB 10 PENGUJIAN HIPOTESA SAMPEL KECIL ............................................... 39

BAB 11 UJI CHI KUADRAT ............................................................................ 41

A. Statistika Non Parametrik ......................................................................... 41
B. Chi Kuadrat untuk Uji Goodness of Fit .................................................... 41
C. Uji keselarasan .......................................................................................... 41
D. Uji keselarasan dengan frekuensi harapan sama ...................................... 42
E. Uji Chi Kuadrat untuk uji kenormalan ..................................................... 44
F. Uji Chi Kuadrat untuk uji Independensi ................................................... 44

BAB 12 DATA STATISTIK .............................................................................. 46

A. Pengertian Statistik ................................................................................... 45
B. Data Statistik ............................................................................................ 45
C. Penyajian Data .......................................................................................... 48

BAB 13 KORELASI BIVARIATE ............................................................................... 51

A. Pengertian Korelasi ............................................................................................ 51
B. Koefisien Korelasi ............................................................................................... 51
C. Interpretasi Dalam Korelasi ................................................................................ 52
D. Macam Korelasi dan Teknik Penghitungan………………………………… .... 53
a. Korelasi Pearson ........................................................................................... 53
b. Tata Jenjang .................................................................................................. 55
c. Phi ................................................................................................................. 56
d. Coefficient Contingency ............................................................................... 57

BAB 14 REGRESI LINIER SEDERHANA..................................................... 58

A. Definisi Regresi Linier ............................................................................. 58
 B. Metode Regresi Linier Sederhana ............................................................ 58

BAB 15 UJI BEDA BIVARIATE ...................................................................... 62

A. Paired Sample t-test ................................................................................. 62
B. Independent Sample t-test......................................................................... 58

BAB 16 ANALYSIS OF VARIANCE (ANOVA) ............................................ 67

A. Anova Satu Arah ...................................................................................... 67
B. Analisis Sesudah Anova ........................................................................... 70

DAFTAR PUSTAKA
LAMPIRAN
 BAB 1
KONSEP DASAR PROBABILITAS

A. PENDAHULUAN

Secara sederhana probabilitas dapat diartikan sebagai sebuah peluang

untuk suatu kejadian.

1. Manfaat mempelajari probabilitas

sangat berguna untuk pengambilan keputusan yang tepat, karena kehidupan di
dunia tidak ada kepastian, sehingga diperlukan untuk mengetahui berapa besar
probabilitas suatu peristiwa akan terjadi. Probabilitas dinyatakan dalam angka
pecahan antara 0 sampai 1 atau dalam persentase.

Contoh:
Seluruh mahasiswa STIKes Surya Mitra Husada harus memiliki sertifikat
Bahasa Inggris. Di kota Kediri sendiri banyak terdapat tempat kursus Bahasa
Inggris diantaranya Mozaik, Mahesa, Elfas dll. Maka akan muncul kebingungan
dalam memilih tempat kursus. Untuk menentukan pilihan biasanya mahasiswa
akan bertanya kepada teman-teman, mereka kursus dimana? Dari ratusan
mahasiswa mungkin anda bertanya hanya pada 20 orang mahasiswa. Yang
paling banyak diminati anda akan memilih tempat tersebut untuk kursus.

Dari contoh tersebut dapat dilihat bahwa keputusan diambil hanya dari beberapa
contoh atau sampel dari populasi keseluruhan.

2. Pengertian Probabilitas
Lind (2002) dalam mendefinisikan probabilitas sebagai :
“Suatu ukuran tentang kemungkinan suatu peristiwa (event) akan terjadi dimasa
mendatang. Probabilitas dinyatakan anatara 0 sampai 1 atau dalam persentase”

Tiga Hal penting dalam membicarakan probabilitas :

a. Percobaan (Experiment)
Pengamatan terhadap beberapa aktivitas atau proses yang memungkinkan
timbulnya paling sedikit dua peristiwa tanpa memperhatikan peristiwa mana
yang akan terjadi.

b. Hasil (Outcome)
Suatu Hasil dari sebuah percobaan. Dalam Hasil ini semua Kejadian akan
dicatat atau dalam artian seluruh peristiwa yang akan terjadi dalam sebuah
percobaan. Misalnya dalam mengikuti ujian semester maka hasil yang akan
diperoleh ada mahasiswa yang lulus dan ada yang tidak lulus. Ada yang
lulus memuaskan ada yang tidak memuaskan.

c. Peristiwa (Event)
 Kumpulan dari satu atau lebih hasil yang terjadi pada sebuah percobaan atau
kegiatan.

Contoh :
Tabel 1.1 Tabel peristiwa
Percobaan Pertandingan Sepak Bola antara
Prodi IKM dan Prodi IKP
STIKes SMH
Hasil Prodi IKM menang,
Prodi IKM kalah,
Seri, tidak ada yang menang dan
tidak ada yang kalah
Peristiwa Prodi IKM Menang

Probabilitas dinyatakan dalam bentuk pecahan dari 0 sampai 1. probabilitas 0

menunjukan sesuatu yang tidak mungkin terjadi, sedangkan probabilitas 1
menunjukkan peristiwa pasti terjadi.
Contoh penulisan probabilitas dalam desimal atau persentase :
1. Pada hari jumat adalah penutupan bursa saham, maka kebanyakan investor
berusaha meraih keuntungan melalui penjualan saham atau yang biasanya
diistilahkan profit taking, sehingga probabilitas menjual mencapai 0.7
sedangkan membeli 0,3.
2. melihat kondisi kesiapan mahasiswa yang mengikuti ujian Statistika
Inferensial, maka mahasiswa yang mempunyai probabilitas untuk lulus 70 %
dan kalah 30 %
Probabilitas kejadian dengan nilai 0 berati peristiwa yang tidak mungkin
terjadi, seperti seorang anak balita melahirkan seorang bayi. Sedangkan
probabilitas dengan nilai 1 adalah peristiwa yang terjadi, seperti semua
manusia pasti akan meninggal.

B. PENDEKATAN PROBABILITAS
Untuk menentukan tingkat probabilitas suatu kejadian, maka ada tiga pendekatan
yaitu pendekatan klasik, pendekatan relatif dan pendekatan subjektif.

1. Pendekatan Klasik
Diasumsikan bahwa semua peristiwa mempunyai kesempatan yang sama
untuk terjadi (equally likely).
Probabilitas suatu peristiwa kemudian dinyatakan sebagai rasio antara
jumlah kemungkinan hasil dengan total kemungkinan hasil (rasio peristiwa
terhadap hasil).

Probabilitas =

Contoh :
Pada kegiatan mahasiswa belajar semua hasil ada yang sangat memuaskan,
memuaskan dan terpuji. Jumlah hasil ada 3 dan hanya 1 peristiwa yang
terjadi, maka probabilitas setiap peristiwa 1/3.
 Pada suatu percobaan hanya 1 peristiwa yang terjadi, dan peristiwa lain
tidak mungkin terjadi pada waktu yang bersamaan maka dikenal sebagai
peristiwa saling lepas.

“Peristiwa saling lepas (mutually exclusive) adalah terjadinya suatu

peristiwa sehingga peristiwa yang lain tidak terjadi pada waktu yang
bersamaan”

Pada suatu percobaan atau kegiatan semua hasil mempunyai probabilitas

yang sama, dan hanya satu peristiwa yang terjadi maka peristiwa ini dikenal
dengan lengkap terbatas kolektif (collectio exhaustive).

“lengkap terbatas kolektif (collection exhaustive) adalah sedikitnya satu

dari seluruh hasil yang ada pasti terjadi pada setiap percobaan atau kegiatan
yang dilakukan”

2. Pendekatan Relatif
Probabilitas suatu keadian tidak dianggap sama, tergantung dari beberapa
banyak suatu kejadian terjadi, yang dinyatakan sebagai berikut :

Contoh :
Dari Kegiatan belajar mahasiswa dapat dilihat hasilnya pada Wisuda Sarjana
Sarjana STIKes SMH tahun 2015 sebanyak 800 orang mahasiswa. 500 orang
lulus dengan memuaskan, 200 orang dengan sangat memuaskan dan 100
orang dengan predikat terpuji. Maka probabilitas lulus memuaskan adalah
500/800 = 0.625; lulus dengan sangat memuaskan 200/800 = 0.25 dan lulus
dengan terpuji 100/800 = 0.125.

3. Pendekatan Subjektif
Yang dimaksud dengan pendekatan subjektif adalah menentukan
besarnya probabilitas suatu peristiwa didasarkan pada penilaian pribadi dan
dinyatakan dalam derajat kepercayaan.

Contoh :
Menurut pengamat politik, Jokowi akan menang dalam Pemilu Indonesia
tahun 2019.
 BAB 2
KONSEP DASAR DAN HUKUM PROBABILITAS

Dalam Teori probabilitas, probabilitas kejadian dilambangkan dengan “P”,

apabila kejadian jual saham dilambagkan dengan huruf “A”, Maka probabilitas jual
saham dilambagkan dengan P “A”. Sebaliknya apabila kejadian beli saham
dilambangkan dengan “B”, Maka probabilitas beli saham dilambangkan dengan P (B).

A. Hukum Penjumlahan
Hukum penjumlahan menghendaki peristiwa yang saling lepas (mutually
exclusive) yaitu apabila suatu peristiwa terjadi, maka peristiwa lain tidak dapat
terjadi pada saat bersamaan.
Hukum ini dilambangkan sebagai :

P (A ATAU B) = P(A) + P(B)

Untuk Kejadian yang lebih banyak dilambangkan sampai n yaitu:

P (A atau ... n) = P (A) + P (B) + ......... + P (n)

Contoh :
Berikut adalah kegiatan unit mahasiswa untuk tiga sekolah tinggi kesehatan di xediri
dengan jumlah total sebanyak 200 kegiatan.

Tabel 2.1 Jenis transaksi

Jenis Transaksi
Volume Transaksi
Kegiatan A 120
Kegiatan B 80
Jumlah Total kegiatan 200

Penyelesaian :
Dari data diatas diketahui bahwa :
Probabilitas Kegiatan A = P (A) = 120/200 = 0.60
Probabilitas Kegiatan B = P (B) = 80/200 = 0.40

Sehingga Probabilitas A atau B,

P (A atau B) = P (A) + P(B) = 0.6 + 0.4 = 1.0

1. Peristiwa atau Kejadian Bersama

Pada peristiwa bersama dua atau lebih peristiwa dapat terjadi secara bersama-
sama, peristiwa bersama tersebut dapat lebih mudah dilihat dengan diagram Venn
seperti berikut
A
AD

D
 Gambar 2.1 Kejadian bersama
Penjumlahan probabilitas dengan adanya unsur kegiatan bersama, maka rumus
penjumlahan dirumuskan kembali menjadi sebagai berikut :

P (A atau D) = P(A) + P(D) –P(AD)

Dimana :
P (A atau D) : probabilitas terjadinya A atau D atau A dan D bersma-sama
P (A) : probabilitas terjadinya A
P (D) : probabilitas terjadinya D
P (AD) : probabilitas terjadinya A dan D bersama-sama

2. Kejadian saling lepas (mutually exclusive)

Kejadian saling lepas terjadi apabila hanya satu dari dua atau lebih peristiwa
yang dapat terjadi. Dapat digambarkan dengan diagram Venn:

A B
Gambar 2.2 Kejadian saling lepas

Oleh sebab itu, untuk peristiwa yang saling lepas, probabilitas kejadian A atau B
yang Dinyatakan P (A atau B)

P(A atau b) = P (A) – P (B) – P (AB)

Karena P (AB) = 0 maka

P (A atau B) = P (A) + P (B) – 0

Sehingga :
P (A atau B) = P (A) + P (B)

Contoh :
Cobalah hitung beberapa probabilitas kegiatan mahasiswa yang meliputi kegiatan A dan
kegiatan B disebut P(AB) dan probabilitas kejadian untuk sekolah kesehatan X, Y, dan
Z di sebut P(CDE)
Tabel 2.1 Probabilitas Kegiatan di Sekolah kesehatan
Sekolah Tinggi Kesehatan
Kegiatan Jumlah
X (C) Y (D) Z (E)
Kegiatan ( A ) 30 50 40 120
Kegiatan ( B ) 40 39 10 80
Jumlah 70 80 50 200

Penyelesaian :
Probabilitas kejadian A dan B adalah kejadian yang saling lepas, maka P(AB) = 0. maka
hukum penjumlahan untuk peristiwa saling lepas adalah :
P (A atau B) = P(A) + P(B) – P(AB)
= 0.6 + 0.4
= 1.0
probabilitas kejadian ketiga Sekolah Tinggi Kesehatan juga merupakan kejadian saling
lepas, maka hukum penjumlahannya adalah :
P (C atau D atau E) = P (C) + P (D) + P (E) – P(CDE)
= 0.35 + 0.40 + 0.25 – 0
= 1.0
probabilitas P(C atau D atau E) = P(C) + P (D) + P(E) – P(CDE)
= 0.35 + 0.40 +0.25 – 0
= 1.0
probabilitas P(C atau D)
P (C atau D) = P (C) + P(D) – P(CD)
= 0.35 + 0.40
= 0.75
B. Hukum Perkalian

Dalam hukum perkalian dikehendaki setiap peristiwa independent yaitu suatu

peristiwa yang terjadi tanpa harus menghalangi peristiwa lain terjadi.
“ Peristiwa Independent adalah terjadinya peristiwa atau kejadian tidak
mempengaruhi probabilitas terjadinya peristiwa lain. “

Dapat dinyatakan dalam bentuk :

P(A dan B) = P(A) x P(B)

1. Probabilitas bersyarat (Condicional Probability)

Probabilitas bersyarat adalah suatu peristiwa akan terjadi, dengan kektentuan
perstiwa lain telah terjadi. Hukum perkalian untuk probabilitas bersyarat bahwa
peristiwa B terjadi dengan syarat peristiwa A telah terjadi dinyatakan sebagai
berikut :

P (A dan B) = P(A) x P(B)

2. Peristiwa Pelengkap (Complementary Event)

Peristiwa pelengkap menunjukan bahwa aabila ada dua peristiwa A dan B
yang saling melengkapi, sehingga jika peristiwa A tidak terjadi, maka peristiwa
B pasti terjadi. Maka probabilitas keduanya dapat dirumuskan sebagai berikut :
P (A) + P (B) =1 atau P(A) = 1 – P(B )

Dalam bentuk diagram Venn dapat digambarkan sebagai berikut :

A
B

Gambar 2.3 Diagram Venn

C. Diagram Pohon Probabilitas
Tahapan dalam menyusun diagram pohon :
1. Tahap 1 adalah langkah awal kegiatan, kita mulai dengan tanda titik atau bulatan
dengan angka, tahap 1 diumpamakan sebagai pohonnya dengan pohon utamanya
berupa kegiatan dibursa saham. Nilai probabilitas pada tahap 1 adalah 1.
2. Tahap 2, membuat cabang. Kegiatan di sekolah kesehatan ada 2 yaitu kegiatan A
dan kegiatan B dengan probabilitas kegiatan A = 0,6 dan probabilitas kegiatan B
= 0,4. Nilai probabilitas pada cabang = 0,6 + 0,4 = 1,0
3. Tahap 3 membuat ranting. Pada setiap cabang baik kegiatan
A maupun kegiatan B ada 3 ranting jenis saham. Ranting jenis sekolah
kesehatan yaitu X , Y dan Z. Nilai probabilitas setiap ranting =
0,35 + 0,40 + 0,25 = 1
4. Tahap 4, menghitung probabilitas bersama (joint probability) antara kejadian
pertama A dan B dengan kejadian kedua C,D dan E. kita bisa menghitung
probabilitas P(C|A) atau P(D|B)Secara langsung. Nilai probabilitas keseluruhan
pada tahap empat juga harus sama dengan 1.

Contoh :
Hasil penelitian di jakarta menunjukkan bahwa 60 % dari usaha kecil dan
menengah (UKM) tidak berbadan hukum, sedang sisanya berbadan hukum.
Bank sebagai lembaga pembiayaan dengan memperhatikan aspek kehati-hatian
memberikan probabilitas 80 % kepada UKM berbadan hukum masih
mempunyai kesempatan sebesar 20 % untuk mendapatkan kredit. Hitunglah
beberapa persen probabilitas UKM mendapat kredit dari Bank ?
Penyelesaian :

Kegiatan B (0,4) Y

Kegiatan A (0,6) Y

Gambar 2.4 Diagram pohon

 BAB 3
TEOREMA BAYES

Teorema ini dikembangkan oleh Thomas Bayes pada abad ke-18. Bayes
seorang pendeta, bertanya apakah Tuhan ada dengan memperhatikan fakta-fakta yang
ada di bumi. Jadi bila Tuhan ada, maka ada fakta sebagai ciptaan Tuhan. Apabila fakta
dilambangkan P(A1) untuk suatu fakta dan P(A2) untuk fakta lain, sedang keberadaan
Tuhan dinyatakan dengan P(B), maka teorema Bayes dinyatakan sebagai :

( )

Rumus diataas merupakan probabilitas bersyarat, suatu kejadian terjadi setelah

kejadian lain ada. P( B) menyatakan bahwa fakta-fakta di bumi akan ada apabila
Tuhan ada. Karena banyak fakta tersebut maka rumus Bayes diperluas :

( ) ( )

BEBERAPA PRINSIP MENGHITUNG

A. FAKTORIAL
Faktorial digunakan untuk mengetahui berapa banyak cara yang mungkin
dalam mengatur sesuatu kelompok. Contoh konvensional, apabila kita
mempunyai tiga sekolah kesehatan yaitu SMH, Karya dan Bhakti ada berapa
cara menyusun urutan ketiga bank tersebut?

Secara sederhana dapat kita lakukan dengan mengurut ketiga bank sebagai
berikut:

SMH, Karya, Bhakti SMH, Bhakti, Karya Karya, Bhakti, SMH

Karya, SMH, Bhakti Bhakti, SMH, Karya Bhakti, Karya, SMH

Dari uraian diatas dapata kita ketahui bahwa terdapat 6 cara mengurutkan nama
sekolah kesehatan tersebut tersebut, namun apabila jumlah sekolah kesehatan
tersebut tersebut 50 buah sekolah kesehatan, tentu kita akan kewalahan dalam
mengurutkan. Maka dapat dilakukan dekat pendekatan faktorial, Apabila
sekolah kesehatan berjumlah tigas maka cara mengurutkan nama Sekolah
Kesehatan Tersebut :

3! = 3 X 2 X 1 = 6

B. PERMUTASI
Digunakan untuk mengetahui sejumlah kemungkinan susunan (arrangement)
jika terdapat satu kelompok objek. Pada permutasi ini kita berkepentingan
dengan susunan atau urutan dari objek, permutasi dirumuskan sebagai berikut:
 dimana :
P : Jumlah permutasi atau cara Objek disusun
n : Jumlah total objek yang disusun
r : Jumlah objek yang digunakan pada saat bersamaan, jumlah r dapat
sama dengan n atau lebih lebih
! : tanda dari faktorial

Contoh :
Dari 20 Kelas di STIKes Surya Mitra Husada, ingin dikelompokkan menjadi
beberapa kelompok. Jika satu kelompok terdiri dari 5 kelas, ada berapa susunan
kelompok yang dapat dibuat ?
Jabab :

C. COMBINASI
Kombinasi digunakan apabila kita tertarik pada berapa cara sesuatu diambil
dari keseluruhan objek tanpa memerhatikan urutannya. Misalnya ada 10 Sekolah
Kesehatan dan kita hanya akan mengambil 3 Sekolah Kesehatan, maka ada
beberapa kombinasi bank yang dapat diambil tanpa memperhatikan urutan atau
susunannya. Dirumuskan sebagai berikut :

Contoh :
Ada 5 orang siswa mendaftar sebagai pembawa acara dalam suatu kegiatan
hiburan. Pihak penyelenggara hanya akan memilih 2 orang yang dapat dijadikan
pasangan. Ada berapa kombinasi pasangan yang dapat dipilih oleh panitia ?
 BAB 4
KARAKTERISTIK DISTRIBUSI KURVA NORMAL

Kurva normal bentuk simetris, masing-masing sisi sama

Gambar 4.1 Kurva normal

1. Kurva berbentuk genta (=Md=Mo)

2. Kurva berbentuk simetris
3. Kurva normal berbentuk asimptotis
4. Kurva mencapai puncak pada saat X= 
5. Luas daerah di bawah kurva adalah 1 ; ⁄ di sisi kanan nilai tengah dan ⁄ di
sisi kiri.

Distribusi probabilitas dan kurva mempunyai persamaan matematika yang

sangat tergantung pada nilai tengah () dan standar defiasi (). Distribusi
probabilitas dan kurva normal dari suatu variable acak (X) yang nilainya terletak
-  sampai  dinyatakan dengan lambang X ~ N (X; ,).

Bila X suatu pengubah acak normal dengan nilai tengah , dan standar deviasi
, maka persamaan kurva normalnya adalah :
 -1/2(x-)/2,
 untuk -< X <
√

Jenis-Jenis Probabilitas Normal

Jenis-jenis probabilitas normal sangat dipengaruhi oleh nilai rata-rata hitung dan
standar deviasinya, maka distribusi probabilitas kurva normal diantaranya.
a. Distribusi probabilitas dan kurva Normal dengan dan  berbeda.

Gambar 4.2 kurva normal dengan dan  berbeda

1. Mesokurtik
Kurva normal ini mempunyai  = Md dan Mo yang sama, namun 
berbeda
2. Platykurtik
Nilai  semakin tinggi dan kurva semakin pendek. Nilai  tinggi
menunjukkan bahwa nilai data semakin menyebar dari nilai tengahnya
().
3. Leptokurtik
Nilai  semakin rendah dan kurva semakin runcing. Nilai  rendah ini
menunjukan data semakin mengelompokkan pad nilai tengahnya ()

b. Distribusi probabilitas dan kurva Normal dengan  Berbeda dan 

sama
Bentuk distribusi probabilitas dan kurva normal dengan  berbeda dan 
sama mempunyai jarak antara kurva yang berbeda, namun bentuk kurva
tetap sama. Gambar diataas menunjukan nilai rata-rata berbeda dengan
standar daviasi yang sama. Pada contoh dapat dilihat mangga
dikelompokkan menjadi mutu “A” dengan berat rata-rata 450 gram, mutu
“B” dengan 300 gram dan mutu “C” dengan 150 gram.
 Gambar 4.3 kurva Normal dengan  Berbeda dan  sama

c. Distribusi probabilitas dan Kurva normal dengan  Berbeda dan 

berbeda
Kurva dengan  berbeda dan  berbeda mempunyai titik pusat yang
berbeda pada sumbu mendatar dan bentuk kurva berbeda karena mempunyai
standar deviasi yang berbeda. Kurva seperti ini relatif sering terjadi karena
antara populasi terdapat perbedaan atau setiap populasi juga mempunyai
keragaman yang berbeda.

Gambar 4.4 Kurva normal dengan  Berbeda dan  berbeda

d. Distribusi probabilitas Normal Baku

Distribusi normal baku adalah distribusi probabilitas acak normal dengan
nilai tengah nol dan simpangan baku 1. Beberapa hal yang perlu dlakukan
dalam rangka distribusi probabilitas normal baku adalah mengubah atau
membakukan distribusi aktual dalam bentuk distribusi normal baku yang
dikenal dengan Z. atau skor Z. rumus nilai Z adalah :

Dimana :
Z = skor Z atau nilai normal baku
X = NIlai dari suatu pengamaan atau pengukuran
 μ = Nilai rata-rata hitung suatu Distribusi
σ = stndar deviasi suatu distribusi

e. Luas dibawah Kurva Normal

Kurva Normal juga mengikuti hukum empirik. Untuk distribusi simetris,
dengan distribusi frekuensi berbentuk lonceng seperti kurva normal
diperkirakan 68,26% data akan berada pada kisaran rata-rata hitung
ditambah dua kali standar deviasi, (X ± 1σ), (X ± 2σ) dan semua data atau
99,74 % akan berada pada kisaran rata-rata hitung ditambahtiga kali standar
deviasi, (X ± 3σ).

Gambar 4.5 kurva normal contoh soal

 Luas antara nilai Z (-1<Z<1) sebesar 68,26 % dari julah data

 Berapa LUas antara Z antara 0 dan sampai Z = 0,76 atau biasa ditulis
P(0<Z<0, 76) ?
 Dapat dicari dari table luas di bawah kurva Normal. Nilainya dihailkan
= 0,2764
f. Pendekatan Normal Terhadap Binominal
Pada distribusi probabilitas binomial, dengan semakin besarnya nilai n, maka
semakin mendekati nilai distribusi normal.

Gambar 4.6 Grafik normal terhadap binomial

Apabila kita perhatikan suatu distribusi probabilitas binomial, dengan

semakin besarnya nilai n, maka semakin mendekati nilai distribusi normal.
Gambar berikut menunjukkan distribusi probabilitas binomial dengan n yang
semakin membesar. Pada saat n = 20 terlihat bahwa distribusi probabilitas
binomial mendekati distribusi probabilitas normal yaitu kurva berbentuk
lonceng, memiliki puncak tunggal dan simetris.

Dalil pendekatan normal terhadap Binomial .

 Bila nilai X dalah distribusi acak Binomial dengan nilai tengah = np dan
standar deviasi σ= , maka nilai Z untuk distribusi normal adalah:
√
Dimana n  dan nilai p mendekati 0,5

g. Faktor Koreksi Kontunuitas

Untuk mengubah pendekatan dari binomial ke normal (menurut Lind 2002)
diperlukan faktor koreksi selain syarat binomial terpenuhi yaitu :
a. Hanya terdapat dua peristiwa
b. Peristiwa bersifat independen
c. Besar probabilitas sukses dan gagal sama setiap percobaan
d. Data merupakan hasil perhitungan

Apabila telah memenuhi syarat binomial, maka kita menggunakan faktor

koreksi yang besarnya 0,5. Faktor koreksi ini diperlukn untuk
mentransformasi dari binomial menuju normal yang merupakan variable
acak kontinu.

Contoh :
Sudah merupakan pedagang buah di pusat pasar medan. Setiap hari membeli
300 kg jeruk. Probabilitas buah laku dijual adalah 80 % dan 20 % tidak laku
atau busuk. Berapa probabilitas buah sebanyak 250 kg laku dan tidak busuk
?

Jawab :
n = 300; probabilitas laku p = 0,8 dan q = 0,2
μ = np = 300 x 0,80 = 240
σ = = 6,93

diketahui X = 250, dikurang faktor koreksi 0,5 sehingga X = 250 – 0,5 =

249,5 dengan demikian nilai Z menjadi ;

Z = (249,5 – 240)/6,93 = ,37 dan P(Z <1,37) = 0,4147

Jadi probabilitas buah laku 250 kg adalah = 0,5 + 0,4147 = 0,9147

Jadi harapan buah laku 250 kg adalah 91,47%
 BAB 5
DISTRIBUSI PROBABILITAS DISKRIT

Untuk mempermudah mengetahui probabilitas banyak kejadian atau percobaan

dapat dilakukan dengan bantuan distribusi probabilitas. Dimana distribusi probabilitas
memberikan keseluruhan kemungkinan nilai yang mungkin muncul atau terjadi dari
sebuah kejadian atau percobaan.

A. Pengertian Distribusi Probabilitas

Distribusi probabilitas menunjukan hasil yang diharapkan terjadi dari suatukegiatan
dengan nilai probabilitas masing-masing hasil tersebut. Distribusi probabilitas
adalah sebuah daftar dari keseluruhan hasil suatu percobaan kejadian yang disertai
dengan nilai probabilitas masing-masing hasil(event).

Contoh:
Ada tiga orang mahasiswa yang akan memilih mata kuliah pada semester genap
tahun 2015/2016. Mata kuliah tersebut adalah Biostasistika (BSTK) dan Aplikasi
Komputer (Aplikom). Ketiga mahasiswa tersebut bebas memilih mata kuliah mana
yang akan diikuti, bisa memilih BSTK semua, BSTK dan Aplikom atau Aplikom
semua. Berikut adalah kemungkinan dari ketiga pilihan mahasiswa tersebut.

Tabel 5.1 Tabel pilihan kegiatan

Kemungkinan Pilihan Mahasiswa Jumlah Pilihan BSTK
A B C
1 BSTK BSTK BSTK 3
2 BSTK BSTK Aplikom 2
3 BSTK Aplikom BSTK 2
4 BSTK Aplikom Aplikom 1
5 Aplikom BSTK BSTK 2
6 Aplikom BSTK Aplikom 1
7 Aplikom Aplikom BSTK 1
8 Aplikom Aplikom Aplikom 0

dari tabel dapat dilihat kemungkinan mahasiswa tidak memilih BSTK sama sekali
ada satu kejadian, mahasiswa hanya satu yang memilih BSTK ada 3 kejadian, ada 2
mahasiswa yang memilih BSTK ada 3 kejadian. Mahasiswa ada 3 orang yang
memilih BSTK ada 1 kejadian. Dari ke 8 kejadian tersebut kita dapat menyusun
distribusi probabilitas sebagai berikut :

Tabel 5.2 Tabel distribusi probabilitas

Jumlah BSTK di Pilih Jumlah Total Distribusi Probabilitas
Mahasiswa Frekuensi Kemungkinan Hasil P(r)
0 1 8 1/8 0,125
1 3 8 3/8 0,375
2 3 8 3/8 0,375
3 1 8 1/8 0,125
Jumlah Total Distribusi Probabilitas 1,000
 Dari tabel distribusi probabilitas kita dapat dengan mudah menentukan berapa
probabilitas ketiga mahasiswa akan memilih mata kuliah Biostatistik yaitu 0,125.
Dalam bentuk grafik poligon dapat digambarkan sebagai berikut:

Gambar 5.1 Distribusi Probabilitas pilihan mahasiswa

B. Variabel Acak/Random
a. Variabel Acak
Variabel acak didefenisikan sebagai sebuah ukuran atau besaran yang
merupakan hasil suatu percobaan atau kejadian yang terjadi secara acak atau
untung-untungan dan mempunyai nilai yang berbeda-beda.
Contoh:
Petani menimbang berat setiap semangka yang telah dipanen. Dari lima
semangka beratnya berturut-turut 3.56; 3.80; 2.79; 3.60 dan 4.05 kg. Maka
penimbangan berat adalah percobaan acak dan nilai berat setiap semangka
adalah variabel acak.

b. variabel acak diskret

variabel acak diskret merupakan hasil dari percobaan yang bersifat acak dan
mempunyai nilai tertentu yang terpisah dalam suatu interval. Variabel acak
diskret ini biasanya berupa bilang bulat dan berasal dari hasil perhitungan.
Contoh: jumlah mahasiswa 800 orang, jumlah buah jeruk 20 buah, jumlah telur
300 butir dan sebagainya.

c. variabel acak kontinu

variabel acak kontinu mempunyai nilai yang menempati pada seluruh interval
hasil percobaan, biasanya dihasilkan dari hasil pengukuran dan bukan
penjumlahan. Semua nilai yang dihasilkan dari kegiatan pengukuran baik bulat
maupun pecahan merupakan variabel acak kontinu.
Contoh:
pada buah semangka jumlah buah semangka 10 buah adalah variabel acak
diskret, tapi berat semangka misalnya 3,56 kg ini merupakan variabel acak
kontinu.

C. Rata-rata Hitung, Varians, dan Standar Deviasi

a. Nilai Rata-rata Hitung
 Nilai rata-rata hitung merupakan nilai harapan (expected value) yang
dilambangkan E(x) Rumus nilai rata-rata hitung:

μ = E(x) = ∑ (X). P(X)

dimana:
μ : Nilai rata-rata hitung distribusi pobabilitas
E(x) : Nilai harapan (expected value)
X : Kejadian
P(X) : Probabilitas suatu kejadian
∑ : Lambang operasi penjumlahan

b. Varians dan Standar deviasi

Varian dan standar deviasi merupakan ukuran penyebaran yaitu mengukur
seberapa besar data menyebar dari nilai tengahnya. Semakin kecil sebaran data,
maka semakin baik, karena menunjukkan data mengelompok pada nilai rata-rata
hitung. Varian dan standar deviasi dirumuskan sebagai berikut

   
 √
Dimana:
2 : Varians
 : Standar deviasi
X : Nilai suatu kejadian
 : Nilai rata-rata hitung distribusi probabilitas
P(X) : Probabilitas suatu kejadian X
∑ : Lambang operasi penjumlahan

Contoh:
Hitunglah nilai rata-rata hitung, Standar deviasi dan Varian pada kasus pilihan
tiga mahasiswa pada mata kuliah Biostatistika pada contoh terdahulu?

Penyelesaian :
Tabel 5.3 tabel probabilitas
X P(x) x.P(x) X-P (x-p)2 (x-r)2 – P(x)
0 0,125 0,000 -1,500 2,250 0,281
1 0,375 0,375 -0,500 0,250 0,094
2 0,375 0,750 0,500 0,250 0,094
3 0,125 0,375 1,500 2,250 0,281
 1,500 2 0,750

Dari data diatas dapat dilihat bahwa :

 Rata-rata hitung adalah sebesar 1,500 menunjukan bahwa ada 1,5 mahasiswa
yang mengambil mata kuliah Biostatistika. Namun karena orang tidak dalam
bentuk pecahan, maka bisa didekatkan pada 1 atau 2 orang.
 Varians 2 = 0,75, maka standar deviasi = = = = 0,87. Ini
menunjukan bahwa standar penyimpangan data dari nilai tengahnya adalah 0,87.
D. Distribusi Probabilitas Binomial
Ini menggambarkan data yang dihasilkan oleh suatu percobaan yang dinamakan
Bernoulli.
Ciri-ciri Percobaan Bernouli:
 Setiap percobaan menghasilkan dua kejadian:
(a) kelahiran anak: laki-laki-perempuan;
(b) transaksi saham: jual- beli,
(c) perkembangan suku bunga: naik–turun dan lain-lain.
 Probabilitas suatu kejadian untuk sukses atau gagal adalah tetap untuk setiap
kejadian. P(p), peluang sukses, P(q) peluang gagal, dan P(p) + P(q)= 1.
 Suatu percobaan dengan percobaan bersifat bebas.
 Data yang dihasilkan adalah data perhitungan. Pembentukan Distribusí Binomial

Hal yang diperlukan dalam membentuk distribusí binomial:

a. banyaknya atau jumlah dari percobaan atau kegiatan
b. Probabilitas suatu kejadian baik sukses maupun gagal

Dapat dinyatakan sebagai berikut:

Dimana:

P (r) : Nilai probabilitas binomial

P : Probabilitas sukses suatu kejadian dalam setiap percobaan
r : Banyaknya peristiwa sukses suatu kejadian untuk keseluruhan percobaan
n : Jumlah total percobaan
q : Probabilitas gagal suatu kejadian yang diperoleh dari q = 1 – p
! : Lambang faktorial

Contoh:
PT Sari Buah Lestari mengirim buah-buah segar setiap harinya kepada sebuah
swalaya terkenal di kota Kediri. Dengan jaminan kualitas buah yang segar, 80%
buah yang dikirim lolos seleksi oleh swalayan tersebut. PT Sari Buah Lestari
mengirim 10 buah Melon setiap harinya

Permintaan:
a. Berapa probabilitas 10 buah diterima
b. Berapa probabilitas 8 buah diterima
c. Berapa probabilitas 7 buah diterima

Penyelesaian:
a. probabilitas 100 buah diterima semua
n = 10 p = 0,8
r = 10 q = 0,2
E. Distribusi probabilitas Hipergeometrik
 Dalam distribusi binomial diasumsikan bahwa peluang suatu kejadian tetap atau
konstan atau antar-kejadian saling lepas.
 Dalam dunia nyata, jarang terjadi hal demikian. Suatu kejadian sering terjadi
tanpa pemulihan dan nilai setiap kejadian adalah berbeda atau tidak konstan.
 Distribusi dengan tanpa pemulihan dan probabilitas berbeda adalah Distribusi
Hipergeometrik.

Pada kasus dimana terjadi percobaan tanpa pengembalian pada populasi yang
terbatas, dan jumlah sampel terhadap populasinya lebih 5%, distribusi
hipergeometrik lebih tepat digunakan. Distribusi hipergeometrik dinyatakan sebagai
berikut:

Dimana:
P (r) : Nilai probabilitas hipergeometrik dengan kejadian r sukses
N : Jumlah populasi
S : Jumlah sukses dalam populasi
r : Jumlah sukses yang menjadi perhatian
n : Jumlah sampel dari populasi
C : Simbol kombinasi

Contoh :
Seorang penjual kelapa muda baru mendapat kiriman 20 buah kelapa yang 5
diantaranya sudah terlalu tua. Jika seseorang mengambil 2 buah kelapa secara acak,
tentukanlah peluang bahwa :
a. Kelapa yang terambil kedua-duanya adalah kelapa tua
b. Kelapa yang terambil kedua-duanya adalah kelapa muda
c. Kelapa yang terambil salah satunya adalah kelapa tua

Jawab :
Diketahui :
N = 20
S = 15
n=2
a. r = 2

b. S = 5
r=2
 c. r = 1

F. Distribusi Probabilitas Poisson

 Dikembangkan oleh Simon Poisson
 Distribusi Probabilitas Poisson adalah distribusi yang digunakan untuk
pendekatan probabilitas binomial. Ciri utama dari distribusi poisson adalah
untuk menghitung peluang jumlah kedatangan, kunjungan pada suatu tempat
menurut satuan waktu. Seperti peluang penambahan orang cacat dari tahun ke
tahun, peluang jumlah kendaraan yang lewat per jamnya sampai peluang jumlah
penelpon sebuah operator per menitnya.
 Poisson memperhatikan bahwa distribusi binomial sangat bermanfaat dan dapat
menjelaskan dengan baik, namun untuk n di atas 50 dan nilai P(p) sangat kecil
akan sulit mendapatkan nilai binomialnya.
 Rumus:


dimana
P(X) : Nilai probabilitas distribusi poisson
μ : Rata-rata hitung dari jumlah nilai sukses; dimana μ = n.p
e : Bilangan konstan = 2,71828
X : Jumlah nilai sukses
P : probabilitas sukses suatu kejadian
! : Lambang faktorial

Contoh soal :
1. Jumlah mobil yang memasuki gerbang jalan tol dalam setiap menit diketahui
berdistribusi Poisson. Jika rata-rata jumlah mobil yang memasuki gerbang tol
permenitnya adalah 3 buah mobil tentukan peluang bahwa antara jam 10.00
sampai 10.01 terdapat dua mobil yang memasuki gerbang tol tersebut.

2. Survei Komnas PA pada tahun 2015, menunjukkan bahwa dari 8.564 siswa SMP
berusia 13-14 tahun, sebanyak 90% sudah terpapar iklan rokok dan 41% dari
 yang sudah terpapar rokok tersebut akhirnya mencoba untuk merokok. Apabila
diambil 20 siswa SMP di DKI Jakarta secara acak, maka hitunglah peluang:
a. Tidak ada siswa yang tidak merokok
b. Lebih dari 5 siswa yang merokok.

3. Pada tahun 2014, sebuah kota di pedalaman Watampone, diperoleh data bahwa
rata-rata terdapat 2,5 orang albino per 175 orang. 525 orang diambil sebagai
sampel percobaan. Dengan menggunakan pendekatan Possion, tentukanlah
peluang:
a. Didapat tidak ada yang albino.
b. Terdapat ada albino.
 BAB 6
TEORI KEPUTUSAN

Setiap hari kita harus mengambil keputusan, baik keputusan yang sederhana maupun
keputusan jangka panjang. Untuk membantu dalam pengambilan keputusan, ilmu
statistika telah mengembangkan cabang statistika baru yaitu teori keputusan statistika.
Ilmu ini berkembang sejak tahun 1950-an yang sebenarnya telah dipelopori sejak abad
ke-18 oleh pendeta Thomas Bayes.

Contoh:
Keputusan yang diambil suatu perusahaan atau Universitas Swasta:
 Barang dan jasa apa yang akan diproduksi,
 Metode apa yang dipakai untuk memproduksi,
 Untuk siapa barang dan jasa di produksi,
 Bagaimana strategi pemasaran dan promosinya,
 Apakah perusahaan membutuhkan tenaga pemasaran,
 dan lain-lain.

1. Elemen-elemen Keputusan
 Kepastian (certainty): informasi untuk pengambilan keputusan tersedia dan
valid.
 Risiko (risk): informasi untuk pengambilan keputusan tidak sempurna, dan ada
probabilitas atas suatu kejadian.
 Ketidakpastian (uncertainty): suatu keputusan dengan kondisi informasi tidak
empurna dan probabilitas suatu kejadian tidak ada.
 Konflik (conflict): keputusan di mana terdapat lebih dari dua kepentingan.

Setiap keputusan dalam atatistika mempunyai tiga elemen atau komponen penting
1. Pilihan atau alternatif yang terjadi bagi setiap keputusan.
2. States of nature yaitu peristiwa atau kejadian yang tidak dapat dihindari atau
dikendalikan oleh pengambil keputusan.
3. Hasil atau payoff dari setiap keputusan.

Hubungan elemen keputusan menurut Lind (2002)

Peristiwa Ketidakpastian berkenaan dengan kondisi

mendatang, Pengambil keputusan tidak mempunyai
kendali terhadap kondisi mendatang

Tindakan Dua atau lebih alternatif dihadapi pengambil

keputusan. Pengambil keputusan harus
mengevaluasi alternatif dan memilih alternatif
dengan kriteria tertentu

Hasil/Payoff Laba, Impas, (Break even), rugi

2. Keputusan dalam Keadaan Beresiko
Pengambilan keputusan dalam keadaan berisiko berarti bahwa terdapat informasi
Namur tidak sempurna, dan ada probabilitas terhadap statu kejadian. Ada beberapa
langkah yang diperlukan dalam pengambilan keputusan berisiko yaitu:
1. Mengidentifikasi berbagai macam alternatif yang ada dan layak bagi suatu
keputusan.
2. Menduga probabilitas terhadap setiap alternatif yang ada.
3. Menyusun hasil/payoff untuk semua alternatif yang ada
4. Mengambil keputusan berdasarkan hasil yang baik

Contoh:

Kode Juml Kondisi baik Kondisi Buruk

Perusahaan Harga Deviden/ Deviden/
Total Total
Saham saham lbr lbr
deviden deviden
Aventis 9.000 1.111 400 444.444 250 277.778

Kimia Farma 18.500 541 2.000 1.081.081 300 162.162

Soho 30.000 333 4.463 1.487.667 185 61.667

Ibrahim merupakan apoteker modern, dan menginvestasi sebagian keuntungan untuk

membeli saham. Pada tahun 2015 ia berinvestasi sebesar Rp. 10.000.000,-. Ada tiga
saham perusahaan yang sedang dipelajari yaitu saham Aventis, saham Kimia Farma dan
Saham Soho.

Beberapa metode dalam statistika yang digunakan untuk pengambilan keputusan dalam
keadaan berisiko:

SAHAM OL BAIK OL
P= 0,5 BURUK Perhitungan EV Nilai EV
P = 0,5
Aventis 444.444 277.778 (444.444x0,5) + (277.778x0,5) 361.111

A. Nilai yang diharapkan (Expected Value)

EV = Payoff x Probabilitas Suatu Kejadian

 Kimia Farma 1.081.081 115.616
Soho 61.667 216.111
B. Expected Opportunity Loss
 Metode lain dalam mengambil keputusan selain EV
 EOL mempunyai prinsip meminimumkan kerugian karena pemilihan bukan
keputusan terbaik.
 Hasil yang terbaik dari setiap kejadian diberikan nilai 0, sedangkan untuk hasil
yang lain adalah selisih antara nilai terbaik dengan nilai hasil pada peristiwa
tersebut.
EOL = Opportunity Loss x Probabilitas Suatu Peristiwa
SAHAM OL BAIK OL
P= 0,5 BURUK Perhitungan EV Nilai EV
P = 0,5
Aventis 1.043.223 0 (1.043.223 x 0,5) + 521.612
(0 x 0,5)
Kimia Farma 406.586 115.616
Soho 0 216.111

Nilai OL untuk alternatif terbaik adalah nol, maka kondisi baik adalah Soho = 0 dan
kondisi terburuk Aventis = 0. nilai OL terendah adalah untuk Soho maka dapat
direkomendasikan untuk dibeli oleh investor.

3. Ecpected value of Perfect Information

Hasil yang diharapkan dalam informasi sempurna merupakan perbedaan antara
hasilmaksimum dalam kondisi kepastian dan hasil maksimum dalam kondisi ketidak
pastian
 Setiap keputusan tidak harus tetap setiap saat. Keputusan dapat berubah
untukmengambil kesempatan yang terbaik.
 Pada kasus harga saham, pada kondisi baik, saham Aventis adalah pilihan
terbaik, namun pada kondisi buruk, maka saham Kimia Farma lebih
baik.Apabila hanya membeli saham Soho maka
EV = 1.487.667 x 0,5 + 61.667 x 0,5 = 774.667
 Apabila keputusan berubah dengan adanya informasi yang sempurna
denganmembeli harga saham Soho dan Kimia Farma
EVif = 1.487.667 x 0,5 + 277.778 x 0,5 = 822.723
 Nilai EVif lebih tinggi dari EV dengan selisih: = 822.723 -774.667 =
108.056.Nilai ini mencerminkan harga dari sebuah informasi.
 Nilai informasi ini menunjukkan bahwa informasi yang tepat itu berharga
dan menjadi peluang pekerjaan -- seperti pialang, analis pasar modal, dan
lain-lain.

4. Pengambilan Keputusan dalam Kondisi Ketidakpastian

Keputusan dalam ketidakpastian menunjukkan tidak adanya informasi yang
sempurna,juga tidak adanya probabilitas atau informasi tentang probabilitas suatu
kejadian. Ada beberapa kriteria yang telah dikembangkan dalam pengambilan
keputusan untuk kondisi ketidakpastian:
1. Kriteria Laplace
 Probabilitas semua kejadian diasumsikan sama, dan hasil perkalian antara
hasil dengan probabilitas yang tertinggi tertinggi adalah keputusan terbaik.
2. Kriteria Maximin
Keputusan didasarkan pada kondisi pesimis atau mencari Nilai maksimum
pada kondisi pesimis (lakukan yang terbaik dalam situasi terburuk)
3. Kriteria Maximax
Keputusan didasarkan pada kondisi optimis dan mencari nilai
maksimumnya.
4. Kriteria Hurwicz
Keputusan didasarkan pada perkalian hasil dan koefisien optimisme.
Koefisien ini nilainya antara 0 sampai 1. nilai 0 untuk kondisi yang sangat
pesimis dan nilai 1 untuk kondisi yang sangat optimis. Koefisien ini
merupakan perpaduan antara optimis dan pesimis. Alternatif yang terbaik
adalah nilai yang tertinggi dari hasil perkalian antara hasil atau payoff
dengan koefisien optimisme.
5. Kriteria (Minimax) Regret
Keputusan didasarkan pada nilai regret minimum. Nilai regret diperoleh
dari nilai OL (opportunity Loss) pada setiap kondisi dan dipilih yang
maksimum. Alternatif keputusan yang diambil adalah nilai regret yang

Perusahaan Kondisi Perekonomian

Boom Normal Krisis
Aventis 1.180 488 250
Kimia Farma 2.000 1.356 300
Soho 4.463 1.666 185
minimum

Contoh :
Berikut adalah deviden yang dibagikan oleh tiga perusahaan yang ada di
BEJ yaitu Aventis, Kimia Farma dan Soho. Deviden dibedakan dalam
krisis, normal dan Boom.
a. Kriteria Laplace
1. EV (Aventis) = 1/3 X 1.180 + 1/3 X 488 + 1/3 X 250 = 639
2. EV (Kimia Farma) = 1/3 X 2.000 + 1/3 X 1.356 + 1/3 X 300 =
1.219
3. 3. EV (Soho) = 1/3 X 4.463 + 1/3 x 1.666 + 1/3 x 185 = 2.015

Berdasarkan kriteria Laplace, keputusan terbaik adalah membeli saham

Soho.
μ : Rata-rata hitung dari jumlah nilai sukses; dimana μ = n.p
e : Bilangan konstsan = 2,71828
X : Jumlah nilai sukses
P : probabilitas sukses suatu kejadian
! : Lambang faktorial
5. Analisis Pohon Keputusan

Keputusan EV Probabilitas PayOff

188
Boom (0,63) 0
836

Membeli saham Aventis

250
Krisis (0,37)

2000
2880 1372 Boom (0,63)

Membeli saham kimia 300

farma Krisis (0,37)

2880 4463
Boom (0,63)

Membeli Saham Soho

185
Krisis (0,37)

BAB 7
METODE DAN DISTRIBUSI SAMPLING

Populasi dan sampel merupakan aspek penting dalam mempelajari statistika

induktif. Populasi adalah kumpulan dari semua kemungkinan orang-orang, benda-benda
dan ukuran lain yang menjadi objek perhatian atau kumpulan seluruh objek yang
menjadi perhatian. Sampel adalah suatu bagian dari populasi tertentu yang menjadi
perhatian. Hubungan populasi dan sample dapat digambarkan sebagai berikut:

Populasi Sampel
Gambar 7.1 Populasi sampel

Populasi dapat dikelompokkan menjadi dua, yaitu:

a. Populasi terbatas (finite) yaitu populasi yang ukurannya terbatas berukuran N.
Contoh: semua Sekolah Tinggi Kesehatan yang ada misalnya 140 Sekolah Tinggi
Kesehatan.
b. Populasi tidak terbatas (infinite) yaitu populasi yang mengalami proses secara terus
menerus sehinga usuran N menjadi tidak terbatas perubahan nilainya.
 Secara umum, sampel yang baik adalah yang dapat mewakili sebanyak mungkin
karakteristik populasi. Dalam bahasa pengukuran, artinya sampel harus valid, yaitu bisa
mengukur sesuatu yang seharusnya diukur. Kalau yang ingin diukur adalah masyarakat
Sunda sedangkan yang dijadikan sampel adalah hanya orang Banten saja, maka sampel
tersebut tidak valid, karena tidak mengukur sesuatu yang seharusnya diukur (orang
Sunda). Sampel yang valid ditentukan oleh dua pertimbangan.
a. Akurasi atau ketepatan, yaitu tingkat ketidakadaan “bias” (kekeliruan) dalam
sample. Dengan kata lain makin sedikit tingkat kekeliruan yang ada dalam
sampel, makin akurat sampel tersebut. Tolok ukur adanya “bias” atau
kekeliruan adalah populasi.
b. Presisi, Kriteria kedua sampel yang baik adalah memiliki tingkat presisi
estimasi. Presisi mengacu pada persoalan sedekat mana estimasi kita dengan
karakteristik populasi. Belum pernah ada sampel yang bisa mewakili
karakteristik populasi sepenuhnya. Oleh karena itu dalam setiap penarikan
sampel senantiasa melekat keasalahan-kesalahan, yang dikenal dengan nama
“sampling error” Presisi diukur oleh simpangan baku (standard error). Makin
kecil perbedaan di antara simpangan baku yang diperoleh dari sampel (S)
dengan simpangan baku dari populasi (s), makin tinggi pula tingkat presisinya.
Walau tidak selamanya, tingkat presisi mungkin bisa meningkat dengan cara
menambahkan jumlah sampel, karena kesalahan mungkin bisa berkurang kalau
jumlah sampelnya ditambah ( Kerlinger, 1973 ).

Sampel dapat dibedakan menjadi dua yaitu:

 Sampel probabilitas
Merupakan suatu sampel yang dipilih sedemikian rupa dari populasi sehingga
masing-masing anggota populasi memiliki probabilitas atau peluang yang sama
untuk dijadikan sampel.
 Sampel nonprobabilitas
Merupakan suatu sampel yang dipilih sedemikian rupa dari populasi sehingga setiap
anggota tidak memiliki probabilitas atau peluang yang sama untuk dijadikan sampel.

A. Metode penarikan sample

Metode Penarikan Sampel

Sampel Probabilitas Sampel Non Probabilitas

(Probability Sampling) (NonProbabilitas Sampling)

1. Penarikan sampel acak sederhana 1. Penarikan sampel sistematis

(Simple random sampling) 2. Penarikan sampel kuota
2. Penarikan sampel acak terstruktur 3. Penarikan sampel purposive
(Stratified random sampling) (Purposive Sampling)
3. Penarikan sampel cluster (cluster
sampling)
4. Penarikan sampel sistematika
(Systematic random sampling)
Sampel Probabilitas (Probability Sampling)
1. Penarikan sampel acak sederhana (simple random sampling)
2. Penarikan sampel acak terstruktur (stratified random sampling)
3. Penarikan sampel cluster (cluster sampling)
4. Penarikan sampel sistematika (Systematic Random Sampling)

Sampel Nonprobabilitas (Nonprobability Sampling)

1. Penarikan sampel sistematis (systematic sampling)
2. Penarikan sampel kuota (kuota sampling)
3. Penarikan sampel purposive (purposive sampling)

1. Penarikan Sampel Acak Sederhana

Merupakan pengambilan sampel dari populasi secara acak tanpa memperhatikan
strata yang ada dalam populasi dan setiap anggota populasi memiliki kesempatan
yang sama untuk dijadikan sampel.
Ada dua cara pengambilan sampel acak sederhana
1. Sistem Kocokan
Sistem sampel acak sederhana dengan cara sama sistem arisan.
2. Menggunakan tabel acak
Memilih sampel dengan menggunakan suatu tabel. Dalam penggunaannya
ditentukan terlebih dahulu titik awal (starting point).

2. Penarikan sampel acak terstruktur:

Penarikan sampel acak terstruktur dilakukan dengan membagi anggota populasi
dalam beberapa sub kelompok yang disebut strata, lalu suatu sampel dipilih dari
masing-masing stratum.

Dari table diatas terlihat bahwa jumlah sample setiap stratumnya didasarkan pada
jumlah proporsi persentsae setiap stratum terhadap jumlah totalnya.

Gambar 7.2 penarikan sampel terstruktur

Sampel acak terstruktur terbagi menjadi dua, yaitu :

a. Proporsional
 Teknik sampling random strata proporsional digunakan apabila proporsi
ukuran subpopulasi atau jumlah satuan elementer dalam setiap strata relatif
seimbang atau relatif sama besar. Dalam sampel strata proporsional, dari
setiap strata diambil sampel yang sebanding dengan besar setiap strata dengan
berpatokan pada pecahan sampling (sampling fraction) yang sama yang
digunakan. Pecahan sampling adalah angka yang menunjukkan persentase
ukuran sampel yang akan diambil dari ukuran populasi tertentu. Cara
pengambilan sample dilakukan dengan menyeleksi setiap unit sampling yang
sesuai dengan ukuran unit sampling. Keuntungannya ialah aspek
representatifnya lebih meyakinkan sesuai dengan sifat-sifat ynag membentuk
dasar unit-unit yang mengklasifikasinya, sehingga mengurangi
keanekaragamannya. Karakteristik-karakeristik masing-masing strata dapat
diestimasikan sehingga dapat dibuat perbandingan. Kerugiannya ialah
membutuhkan informasi yang akurat pada proporsi populasi untuk masing-
masing strata. Jika hal tersebut diabaikan maka kesalahan akan muncul.

b. Disproporsional
Pada Sampel Strata Disproporsional, ukuran sampel yang diambil dari setiap
subpopulasi (strata) sama besarnya, yang berbeda adalah pecahan
samplingnya. Strategi pengambilan sample sama dengan proporsional.
Perbedaanya ialah terletak pada ukuran sample yang tidak proporsional
terhadap ukuran unit sampling karena untuk kepentingan pertimbangan
analisa dan kesesuaian.

3. Penarikan sample Cluster (cluster sampling)

Penarikan cluster adalah teknik memilih sampel dari kelompok unit-unit kecil
(cluster) dari sebuah populasi yang relatif besar dan tersebar luas. Anggota dalam
setiap cluster bersifat tidak homogen berbeda dengan penarikan sampel terstruktur.
Pemilihan sampel pada metode ini adalah dengan metode acak sederhana, dengan
harapan akan mengurangi biaya penarikan sampel populasi yang tersebar pada area
geografis yang terlalu besar.

Gambar 7.3 teknik sampling cluster

4. Penarikan sampel secara sistematis (systematic Random Sampling)
Penarikan dikatakan sampel sistematis apabila setiap unsur atau anggota dalam
populasi disusun dengan cara tertentu-Secara alfabetis, dari besar kecil atau
sebaliknya-kemudian dipilih titik awal secara acak lalu setiap anggota ke K dari
populasi dipilih sebagai sampel.

Sebagai contoh apabila akan dipilih 5 perusahaan reksadana, maka perusahaan mana
yang akan menjadi sampel dengan menggunakan metode sistematis, beberapa
langkah yang harus dilakukan adalah:
a. memberikan nomor urutan misalnya dari aset terbesar sampai terkecil atau
sebaliknya
b. jumlah populasi misalnya 59, dan jumlah sampel 5, maka jarak antara sampel
adalah 12
c. nomor sampel adalah 1, 13, 25, 37, dan 49 (setiap sampel berjarak secara
sistematis yaitu 12)

5. Penarikan sampel Kuota (Kuota sampling)

Penarikan sampel kuota adalah pengambilan sampel dari populasi yang mempunyai
ciri-ciri tertentu sampai jumlah atau kuota yang diinginkan. Tujuan penarikan
sampel kuota adalah untuk memperbaiki keterwakilan seluruh komponen dalam
populasi. Sebagai contoh apabila akan dilakukan penelitian terhadap tingkat
kehadiran mahasiswa yang mengambil matakuliah statistika dari populasi 150 orang
ditentukan kuota 20 orang. Kalau pengumpulan data belum mencapai 20 orang
maka penelitian belum dianggap selesai.

6. penarikan sampel purposive (purposive sampling)

Penarikan sampel purposive adalah penarikan sampel dengan pertimbangan tertentu.

Pertimbangan tersebut berdasarkan pada kepentingan atau tujuan penelitian.
Penarikan sampel dengan purposive ada dua cara:
a. convenience sampling yaitu penarikan sampel berdasarkan keinginan peneliti
sesuai dengan tujuan penelitian.
b. Judment sampling yaitu penarikan sampel berdasarkan penilaian terhadap
karakteristik anggota sampel yang disesuaikan dengan tujuan penelitian.

B. Cara Menentukan Ukuran Sampel

1. Dengan Tabel

Salah satu cara menentukan ukuran sampel yang di kembangkan oleh Isaac
dan Michael dengan menggunakan pendekatan statistic untuk tingkat
Kesalahan 1%, 5%, dan 10% adalah sebagai berikut :
2. Dengan Rumus

a. Dengan asumsi jumlah populasi diketahui

Dimana : n : jumlah sampel minimal yang di perlukan

 d : presisi absolut
N : jumlah populasi
Z1-α/2 = nilai pada table Z sesuai dengan nilai d yang telah di
tentukan
b. Dengan asumsi jumlah populasi tidak di ketahui

Dengan pendekatan rumus Lemeshow

Dengan pendekatan kohort dan case control (retrospektif)

c. Dengan pendekatan eksperimen

Menurut Supranto J (2000) untuk penelitian eksperimen dengan rancangan
acak lengkap, acak kelompok atau faktorial, secara sederhana dapat
dirumuskan:

(t-1) (r-1) > 15

dimana : t = banyaknya kelompok perlakuan

j = jumlah replikasi

Contohnya: Jika jumlah perlakuan ada 4 buah, maka jumlah ulangan untuk
tiap perlakuan dapat dihitung:

(4 -1) (r-1) > 15

(r-1) > 15/3
r>6

Untuk mengantisipasi hilangnya unit ekskperimen maka dilakukan koreksi

dengan 1/(1-f) di mana f adalah proporsi unit eksperimen yang hilang atau
mengundur diri atau drop out.

C. Kesalahan penarikan sampel (sampling error)

 Merupakan perbedaan antara nilai statistik sampel dengan nilai parameter dari
populasi. Dalam pemilihan sampel, dimana jumlah sampel adalah sebagian dari
populasi, mungkin akan terdapat perbedaan antara rata-rata hitung dan standar
deviasi sampel terhadap rata-rata hitung dan standar deviasi populasi. Perbedaan
nilai statistik ini yang dikenal dengan kesalahan penarikan sampel (sampling error).
Dengan menggunakan sampel bisa ditemukan kesalahan penarikan sampel pada saat
hasil sampel tersebut digunakan untuk menduga parameter suatu populasi. Untuk
menentukan tingkat keyakinan akan hasil menggunakan sampel untuk menduga
parameter dapat dipahami dengan mentusun distribusi sampel (sampling
distribution) dan rata-rata hitung sampel (sampel means).

D. Distribusi Sampel rata-rata dan proporsi

Distribusi sampel dari rata-rata hitung sampel dan populasi adalah suatu distribusi
probabilitas yang terdiri dari seluruh kemungkinan rata-rata hitung sampel dari
suatu ukuran sampel tertentu yang dipilih dari populasi, dan probabilitas terjadinya
dihubungkan dengan setiap rata-rata hitung sampel.

a. Distribusi sampel rata-rata dan proporsi menpunyai nilai hitung rat-rata:

∑
b. Distribusi sampel rata-rata dan proporsi mempunyai standar deviasi

√ ∑  √

c. Hubungan antara standar deviasi sampel x dan proporsi pada kondisi sampel
terbatas

√ √
d. Hubungan standar deviasi sampel x dan proporsi pada kondisi sampel tidak
terbatas

√

e. Distribusi sampel rata-rata dan porposi merupakan distribusi normal, sehingga

dapat diketahui nilai Znya yaitu

E. Distribusi Sampel Selisih rata-rata dan proporsi

Distribusi sampel selisih apabila terdapat dua atau lebih populasi yang diambil
sebagai sampel

a. Distribusi sampel selisih rata-rata

Distribusi sampling selisih rata-rata adalah distribusi probabilitas yang dapat
terjadi dari selisih rata-rata dua sampel yang berbeda berdasarkan pada dua
 sampel tertentu dari ukuran parameter dua populasinya. Untuk ukuran sampel n1
dan n2 yang cukup besar (n1, n2 > 30), maka distribusi sampling selisih rata-rata
sangat mendekati distribusi normal, untuk mengubahnya ke dalam bentuk
normal standart.
1. Nilai rata-rata

 

2. Nilai standar deviasi

√ √

3. Nilai Z

 

F. Distribusi Sampel Selisih Proporsi

Distribusi sampling selisih proporsi adalah distribusi probabilitas yang dapat terjadi
dari selisih proporsi dua sampel ang berbeda berdasarkan pada dua sampel tertentu
dari ukuran parameter dua populasinya.

1. Nilai Rata-rata

2. Nilai Standar Deviasi

√ √

3. Nilai Z

G. Faktor Koreksi untuk populasi terbatas

Faktor koreksi adalah usaha untuk memperbaiki hasil dugaan parameter dan
diterapkan
jika rasio n/N lebih besar dari 0,05. faktor koreksi terhadap standar deviasi
dirumuskan
sebagai berikut


√

sedang untuk standar deviasi proporsi

√ √
 BAB 8
HIPOTESIS

A. Hipotesis
Hipotesa adalah suatu pernyataan mengenai nilai suatu parameter populasi yang
dimaksudkan untuk pengujian dan berguna untuk pengambilan keputusan. Hipotesa
sebenarnya disusun berdasarkan data, akan tetapi karena data tersebut dihasilkan dari
sample yang mempunyai probabilitas, sehingga hasilnya bisa saja benar dan mungkin
saja salah. Oleh sebab itu sebuah hipotesa sebelum menjadi keputusan haruslah diuji
terlebih dahulu dengan menggunakan data observasi.

Menurut Nasir (1988) hipotesa yang baik mempunyai ciri-ciri:

a. menyatakan hubungan
b. sesuai dengan fakta
c. sederhana dan dapat diuji
d. dapat menerangkan fakta dengan baik

B. Pengujian Hipotesis
Pengujian hipotesa adalah prosedur yang didasarkan pada bukti sampel yang dipakai
untuk menentukan apakah hipotesa merupakan suatu pernyataan yang wajar dan oleh
karenanya tidak ditolak, atau hipotesa tersebut tidak wajar dan oleh karena itu harus
ditolak.

C. Jenis Kesalahan Dalam Hipotesis

Ada dua jenis kesalahan yang bias terjadi di dalam pengujian hipotesis. Kesalahan bisa
terjadi karena kita menolak hipotesis nol padahal hipotesis nol itu benar atau menerima
hipotesis nol padahal hipotesis nol itu salah. Kesalahan yang disebabkan karena kita
menolak hipotesis nol padahal hipotesis nol itu benar disebut kesalahan jenis pertama
atau type 1 error. Sebaliknya kesalahan yang disebabkan karena kita menerima hipotesis
nol padahal hipotesis itu salah disebut kesalahan jenis 2 atau type 2 error.

Tabel 8.1 Jenis kesalahan hipotesis

PENGERTIAN KESALAHAN JENIS I DAN II

Situasi
Keputusan H0 Benar H0 Salah
Terima H0 Keputusan tepat (1 – α) Kesalahan Jenis II (β)
Tolak H0 Kesalahan Jenis I (α) Keputusan tepat (1 – β)
D. Prosedur Pengujian Hipotesa
Langkah 1. Merumuskan Hipotesa
(Hipotesa nol (H0) dan Hipotesa Alternatif (H1))

Langkah 2. Menentukan Taraf Nyata
(Probabilitas menolak hipotesa)

Langkah 3. Menentukan Uji statistik
(Alat uji statistik, uji Z, t, F, χ2 dan lain-lain)

Langkah 4. Menentukan Daerah Keputusan
(Daerah di mana hipotesa nol diterima atau ditolak))

Langkah 5. Mengambil Keputusan

Menerima H0 Menerima H1, Menolak H0

 Langkah 1 Merumuskan Hipotesis

Perumusan hipotesa dikembangkan oleh Fisher yang dikenal sebagai Bapak
Stastistik, yang membedakan hipotesa menjadi nol dan hipotesa alternative.

Hipotesa nol (H0)

Satu pernyataan mengenai nilai parameter populasi

Hipotesa alternative (H1)

Suatu pernyataan yang diterima jika data sampel memberikan cukup bukti bahwa
hipotesa nol adalah salah

Contoh:
1. Rata-rata penyebaran penyakit flu singapura tidak sama dengan 13,17%, maka
H0 : μ = 13,17%
H1 : μ≠ 13,17%

2. Rata-rata IPK mahasiswa diatas 3

H0 : IPK = 3
H1 : IPK > 3

 Langkah 2. menentukan taraf nyata

Taraf nyata adalah Probabilitas menolak hipotesa nol apabila hipotesa nol tersebut
adalah benar. Taraf nyata adalah nilai kritis yang digunakan sebagai dasar untuk
menerima atau menolak hipotesa nol. Taraf nyata dilambangkan dengan α, dimana α
= 1 – C. C adalah tingkat keyakinan, apabila C = 0,95 maka taraf nyata 0,05.
semakin tinggi tingkat keyakinan maka semakin kecil taraf nyata. Kebiasaan yang
sering digunakan untuk penelitian sosial dan ekonomi adalah taraf nyata 5% atau
tingkat keyakinan 95%.
  Langkah 3. menentukan Uji Statistik
Suatu nilai yang diperoleh dari sampel dan digunakan untuk memutuskan apakah
akan menerima atau menolak hipotesa. Pada bagain ini akan dibahas uji Z, yang
diperoleh dari rumus berikut:


dimana :
z = Nilai Z
x = Rata -rata hitung sampel
μ = Rata - rata hitung populasi

 Langkah 4. Menentukan daerah Keputusan

Gambar 8.1 Daerah keputusan

Pengujian satu arah

Adalah daerah penolakan H0 hanya satu yaitu terletak di ekor sebelah kanan saja
atau ekor sebelah kiri saja. Karena hanya satu daerah penolakan berarti luas daerah
penolakan tersebut sebesar taraf nyata yaitu a, dan untuk nilai kritisnya biasa ditulis
dengan Za.

Sedangkan pengujian dua arah

Adalah daerah penolakan Ho ada dua daerah yaitu terletak di ekor sebelah kanan
dan kiri. Karena mempunyai dua daerah, maka masing-masing daerah mempunyai
luas ½ dari taraf nyata yang dilambangkan dengan ½α, dan nilai kritisnya biasa
dilambangkan dengan Z ½α.
  Langkah 5. mengambil Keputusan
Keputusan ditentukan dengan melihat nilai Z, apabila terletak pada daerah yang
menerima H0 maka hipotesa dapat diterima atau sebaliknya apabila nilai Z tidak
terletak pada daerah penerimaan H0 maka hipotesa ditolak

Contoh :

Waktu rata-rata yang diperlukan permahasiswa untuk mendaftar ulang pada semester ganjil di
suatu perguruan tinggi adalah 20 menit dengan simpangan baku 5 menit. Suatu prosedur
pendaftaran baru yang menggunakan mesin antrian sedang dicoba. Bila sample 12 mahasiswa
memerlukan waktu pendaftaran rata-rata 8 menit dengan simpangan baku 3,2 menit dengan
system baru tersebut, ujilah hipotesis yang menyatakan bahwa rata-ratanya sekarang tidak sama
dengan 20 menit. Gunakan α = 5%.
 BAB 9
MENGUJI HIPOTESA RATA-RATA SAMPEL BESAR

CONTOH PENGUJIAN DUA ARAH

1. Ujilah nilai rata-rata sama dengan 15,17%. Maka hipotesanya dirumuskan
sebagai berikut:
H0 : µ = 15,17%.
H1 : µ ≠15,17%.

2. Ujilah nilai koefisien untuk b sama dengan 0. Maka hipotesanya dirumuskan

sebagai berikut:
H0 : β = 0
H1 : β ≠ 0.

Gambar 9.1 Daerah keputusan

MENGUJI HIPOTESA RATA-RATA DAN PROPORSI SAMPLE BESAR

Ada Tiga hal yang terkait dengan pengujian hipotesa rata-rata dan porposi sample besar
yaitu:
a. Proses pengujian hipotesa, dimana pengujiannya tetap mengikuti 5 langkah
b. Yang diuji dalam hal ini adalah rata-rata populasi dan proporsi dari populasi
c. Sample besar. Sample besar adalh sample yang berjumlah 30 atau lebih.
Dengan menggunakan sample besar diharapkan akan mendekati distribusi
normal sehingga dapat digunakan nilai dan uji Z.

CONTOH MENGUJI HIPOTESA RATA-RATA SAMPEL BESAR

Dinas Kesehatan menyatakan bahwa penyebaran penyakit flu singapura rata-rata
mencapai 13,17% untuk setiap daerah di wilayah kerjanya. Untuk menguji apakah
pernyataan tersebut benar, maka lembaga konsultan YESS mengadakan penelitian pada
36 daerah di wilayah kerja Dinas Kesehatan dan didapatkan hasil bahwa rata-rata
penyebaran flu singapura tiap daerah adalah 11,39% dan standar deviasinya 2,09%.
Ujilah apakah pernyataan Dinas Kesehatan tersebut benar dengan taraf nyata 5%.

Langkah 1
Merumuskan hipotesa. Hipotesa yang menyatakan bahwa rata-rata penyebaran penyakit
flu singapura sama dengan 13,17% merupakan hipotesa nol, dan hipotesa alternatifnya
adalah rata-rata penyebaran penyakit flu singapura tidak sama dengan 13,17%. Hipotesa
tersebut dapat dirumuskan sebagai berikut:
H0 : µ = 13,17%.
H1 : µ ≠ 13,17%.

Langkah 2
Menentukan taraf nyata. Taraf nyata sudah ditentukan sebesar 5%, apabila tidak ada
ketentuan dapat digunakan taraf nyata lain. Taraf nyata 5% menunjukkan probabilitas
menolak hipotesa yang benar 5%, sedang probabilitas menerima hipotesa yang benar
95%. Nilai kritis Z dapat diperoleh dengan cara mengetahui probabilitas daerah
keputusan H0 yaitu Zα/2 = α/2 – 0,5/2 = 0,025 dan nilai kritis Z dari tabel normal
adalah 1,96.

Langkah 3
Melakukan uji statistik dengan menggunakan rumus Z. Dari soal diketahui bahwa rata-
rata populasi = 13,17%, rata-rata sampel 11,39% dan standar deviasi 2,09%. Mengingat
bahwa standar deviasi populasi tidak diketahui maka diduga dengan standar deviasi
sampel, dan standar error sampel adalah Sx = s/√n sehingga nilai Z adalah

 

Langkah 4
Menentukan daerah keputusan dengan nilai kritis Z=1,96

Langkah 5
Mengambil Keputusan. Nilai uji Z ternyata terletak pada daerah menolak H0. Nilai uji Z
= –5,11 terletak disebelah kiri –1,96. Oleh sebab itu dapat disimpulkan bahwa menolak
H0, dan menerima H1, sehingga pernyataan bahwa hasil rata-rata investasi sama dengan
13,17% tidak memiliki bukti yang cukup kuat.

Gambar 9.2 Daerah keputusan

MENGUJI HIPOTESIS PROPORSI SAMPEL BESAR

Rumus uji Z untuk proporsi adalah
 √

dimana:
Z = Nilai uji Z
p = Proporsi sampel
P = Proporsi populasi
N = jumlah sampel

MENGUJI HIPOTESIS SELISIH RATA-RATA SAMPEL BESAR

Distribusi sampling dari selisih rata-rata proporsi memiliki distribusi normal dan
mempunyai standar deviasi sebagai berikut:

 
 √

Di mana:
x1-x2 : Standar deviasi selisih dua populasi
1 : Standar deviasi populasi 1
2 : Standar deviasi populasi 2
n1 : Jumlah sampel pada populasi 1
n2 :Jumlah sampel pada populasi 2

sedangkan untuk rumus Z adalah sebagai berikut:

 

Z : Nilai uji statistik

x1 -x 2 : Selisih dua rata-rata hitung sampel 1 dan sampel 2
1 - 2 : Selisih dua rata-rata hitung populasi 1 dan populasi 2
S x1-x2 : Standar deviasi selisih dua populasi
standar deviasi selisih dua sampel adalah:

Di mana:
S x1-x2 : Standar deviasi selisih dua populasi
s1 : Standar deviasi populasi 1
s2 : Standar deviasi populasi 2
n1 : Jumlah sampel pada populasi 1
n2 :Jumlah sampel pada populasi 2

MENGUJI HIPOTESA SELISIH PROPORSI SAMPEL BESAR

Untuk standar deviasi proporsi populasi dirumuskan sebagai berikut:

 √

sedangkan nilai uji Z dirumuskan sebagai berikut:

standar deviasi selisih dua sampel

Contoh soal :
1. Manajer pemasaran suatu produk kesehatan menyatakan tidak ada perbedaan
volume penjualan rata-rata setiap bulan antara Pasar I dan Pasar II. Untuk
membuktikan pernyataan tersebut diambil sampel mengenai volume penjualan
selama 12 bulan terakhir di kedua pasar tersebut dan diperoleh informasi bahwa
volume penjualan setiap bulan di Pasar I adalah 236 unit dengan standar deviasi 20
unit. Sedangkan volume penjualan setiap bulan pada periode tersebut di Pasar II
adalah 200 unit dengan standar deviasi 30 unit. Dengan menggunakan tingkat
signifikansi 5%, apakah sampel mendukung pernyataan bahwa tidak terdapat
perbedaan volume penjualan di kedua pasar tersebut.

2. Empat puluh karyawan di PT. A dan 36 karyawan di PT. B dipilih secara random
sebagai sampel untuk menguji dugaan bahwa upah rata-rata per hari di PT. A lebih
tinggi daripada upah rata-rata per hari di PT. B. Berdasarkan sampel tersebut
diperoleh informasi bahwa besarnya upah rata-rata per hari di PT. A adalah $80,0
dengan standar deviasi $1,6 dan di PT. B adalah $78,2 dengan standar deviasi $2,1.
Dengan  = 5%, apakah sampel mendukung dugaan bahwa upah rata-rata per hari
di PT. A lebih tinggi daripada upah rata-rata per hari di PT. B.

3. Manajer produksi suatu perusahaan menyatakan bahwa persentase barang yang

rusak dari dua jalur produksi (production lines) adalah sama. Untuk menguji
pernyataan tersebut diambil sampel sebanyak 200 barang yang dihasilkan jalur
produksi pertama dan ternyata terdapat 20 barang yang rusak. Sedangkan dari jalur
produksi ke dua diambil sampel sebanyak 300 barang, ternyata ter-dapat 45 barang
yang rusak. Dengan  = 5%, apakah sampel yang diperoleh dapat digunakan
sebagai bukti membenarkan pernyataan tersebut?
 BAB 10
PENGUJIAN HIPOTESA SAMPEL KECIL

Pada sampel kecil yaitu kasus dimana jumlah sampel kurang dari 30, maka nilai standar
deviasi (s) berfluktuasi relatif besar, sehingga nilai uji Z tidak bersifat normal. Oleh
karena itu, untuk sebaran distribusi sampel kecil dikembangkan suatu distribusi khusus
yang dikenal sebagai distribusi t atau t-student. Nilai distribusi t dinyatakan sebagai
berikut

dimana:
t = Nilai distribusi t
 = nilai rata-rata populasi
x = nilai rata-rata sampel
s = standar deviasi sampel
n = jumlah sampel

CIRI-CIRI DISTRIBUSI t-STUDENT

a. Distribusi t-student seperti distribusi Z merupakan sebuah distribusi kontinu, di
mana nilainya dapat menempati semua titik pengamatan.
b. Distribusi t-student seperti
c. distribusi Z berbentuk genta atau lonceng dan simetris dengan nilai rata-rata
sama dengan 0.
d. Distribusi t-student bukan merupakan satu kurva seperti kurva Z, tetapi keluarga
dari distribusi t. Setiap distribusi t mempunyai rata-rata hitung sama dengan nol,
tetapi dengan standar deviasi yang berbeda-beda, sesuai dengan besarnya sampel
(n). Ada distribusi t untuk sampel berukuran 2, yang berbeda dengan distribusi
untuk sampel sebanyak 15, 25 dan sebagainya. Apabila sampel semakin besar
maka distribusi t akan mendekati normal.

Tahap menguji rata-rata hitung populasi dalam sampel kecil :

a) Merumuskan hipotesa nol dan hipotesa alternatif (H0 dan H1),

b) Menentukan taraf nyata apakah 1%, 5% atau pada taraf lainnya serta
mengetahui titik kritis berdasarkan pada tabel t-student,
c) Menentukan uji statistik dengan menggunakan rumus uji-t,
d) menentukan daerah keputusan yaitu daerah tidak menolak H0 dan daerah
menolak H0, dan
e) Mengambil keputusan untuk menolak dan menerima dengan
membandingkan nilai kritis taraf nyata dengan nilai uji-t.

CIRI DISTRIBUSI F
 1. Distribusi F lebih mirip dengan distribusi t, yaitu mempunyai “keluarga”
distribusi F.
df(29,28)
df(20,7)
df(5,5)

Pada gambar di atas terlihat bahwa distribusi dengan derajat bebas pembilang 5
dan penyebut 5 yang ditulis df(5,5) mempunyai distribusi F yang berbeda
dengan distribusi df(20,7) dan df(29,28).

2. Distribusi F tidak pernah mempunyai nilai negatif sebagaimana pada distribusi

Z. Distribusi Z mempunyai nilai positif di sisi kanan dan negatif sisi kiri nilai
tengahnya. Distribusi F seluruhnya adalah positif atau menjulur ke positif
(positively skewed) dan merupakan distribusi kontinu yang menempati seluruh
titik di kurva distribusinya.

3. Nilai distribusi F mempunyai rentang dari tidak terhingga sampai 0. Apabila

nilai F meningkat, maka distribusi F mendekati sumbu X, namun tidak pernah
menyentuh sumbu X tersebut.

4. Distribusi F juga memerlukan syarat yaitu: (a) populasi yang diteliti mempunyai
distribusi yang normal, (b) populasi mempunyai standar deviasi yang sama, dan
(c) sampel yang ditarik dari populasi bersifat bebas serta diambil secara acak.

Contoh :
1. Seorang peneliti ingin mengetahui apakah dengan pemberian aspirin mampu
meredakan rasa sakit dalam waktu rata-rata 15 menit. Sehingga dilakukan
pengambilan sample pada 10 pasien. Ujilah apakah pendapat dari peneliti tersebut
benar.
No. Waktu No. Waktu
1 9 6 10
2 13 7 9
3 18 8 11
4 20 9 14
5 21 10 16
 BAB 11
UJI CHI-KUADRAT

A. Statistika nonparametrik:

Statistik yang tidak memerlukan pembuatan asumsi tentang bentuk distribusi atau
bebas distribusi, sehingga tidak memerlukan asumsi terhadap populasi yang akan diuji

Kapan kita dapat menggunakan statistik nonparametrik?

1. Apabila ukuran sampel sedemikian kecil sehingga distribusi sampel atau
populasi tidak mendekati normal, dan tidak ada asumsi yang dapat dibuat
tentang bentuk distribusi populasi yang menjadi sumber populasi.
2. Apabila hasil pengukuran menggunakan data ordinal atau data berperingkat.
Data ordinal hanya menyatakan lebih baik, lebih buruk atau sedang atau bentuk
ukuran lainnya. Data ini sama sekali tidak menyatakan ukuran perbedaan.
3. Apabila hasil pengukuran menggunakan data nominal. Data nominal hanya
merupakan “kode” dan tidak mempunyai implikasi atau konsekuensi apa-apa.
Jenis kelamin diberikan kode “laki-laki” dan “perempuan”, pengkodean tersebut
tidak berimplikasi lebih rendah atau lebih tinggi, hanya sekadar kode.

B. Chi Kuadrat untuk Uji Goodness of Fit

Uji goodness of fit dikembangkan oleh Karl Pearson pada tahun 1900 dan ada yang
menyebutnya dengan uji keselarasan. Rumus yang dikembangkan oleh Pearson adalah:

dimana:
X2 = nilai chi-Kuadrat
fo = Frekuensi yang diperoleh
fe = frekuensi yang diharapkan

distribusi Chi-kuadrat berbeda dengan distribusi t dan F. Distribusi t dan F mempunyai

distribusi probabilitas tunggal. Distribusi Chi-kuadrat merupakan suatu keluarga dari
kurva bermacam distribusi yang bentuknya ditentukan oleh derajat bebasnya (df),
dimana df tergantung dari jumlah sampel (n) dan jumlah variabel (k), df = n-k. Semakin
besar nilai n maka distribusi chi-kuadrat akan mendekati kurva normal. Pada gambar
dapat dilihat semakin banyak jumlah sampel maka kurva semakin mendekati normal.

C. Uji Keselarasan (Goodness of Fit)

Uji keselarasan adalah untuk menguji seberapa tepatkah frekuensi yang teramati
(observed frequencies, fo) cocok atau sesuai dengan frekuensi yang diharapkan
(expected frequencies, fe). Uji keselarasan dimaksudkan apakah ada kecocokan atau
kesesuaian antara harapan dengan kenyataan.pada uji ini ada dua hal penting
a. frekuensi yang diharapkan sama, apabila setiap data pengamatan nilai frekuensi
yang diharapkan sama
b. frekuensi yang diharapkan tidak sama
D. Uji keselarasan dengan Frekuensi Harapan sama

Hasil perdagangan saham perusahaan obat pada minggu pertama 2016 adalah sebagai
berikut:
Tabel 11.1 Saham perusahan obat
No Perusahaan Prosentase Perubahan Harga
1 Abbot 4
2 Aventis 10
3 Afifarma 56
4 Actavis -3
5 BioFarma 3
6 Bintang toedjo 29
7 Combiphar -3
8 Dexa Medica 9
9 Henson Farma 10
10 Darya Varia 7

Untuk melakukan pengujian memerlukan beberapa tahapan atau langkah yaitu:

1. Menentukan hipotesa

Hipotesa yang disusun adalah hipotesa nol (H0) dan hipotesa alternatif (H1). Hipotesa
nol, H0, menyatakan bahwa tidak ada perbedaan antara nilai atau frekuensi observasi
atau teramati dengan nilai atau frekuensi harapan. Sedangkan hipotesa alternatif, H1,
menyatakan bahwa ada perbedaan antara nilai atau frekuensi teramati dengan nilai atau
frekuensi yang diharapkan. Hipotesa selanjutnya dinyatakan sebagai berikut:

H0 : fo = fe
H1 : fo ≠ fe

2. Menentukan Taraf Nyata dan Nilai Kritis

Untuk kasus ini, nilai n adalah kategori atau sampel yaitu 10, sedang k adalah variabel,
dimana k= 1, jadi derajat bebasnya adalah df= 10 - 1= 9. Setelah menemukan nilai df
dan taraf nyata, maka dapat dicari nilai kritis chi-kuadrat dengan menggunakan tabel
chi-kuadrat sebagai berikut:
 T a r a f Nyata
Df 0,1 0,05 0.02 0.01
1 2.706 3.841 5.412 6.635
2 4.605 5.991 7.824 9.210
3 6.251 7.815 9.837 11.345
…
7 12.017 14.067 16.622 18.475
8 13.362 15.507 18.168 20.090

9 14.684 16.919 19.679 21.666

….
29 39.087 42.557 46.693 49.588
30 40.256 43.773 47.962 50.892

3. Menentukan Daerah Keputusan

Tabel 11.2 perhitunngan chi-square
fo fe (fo-fe) (fo-fe)2 (fo-fe)2/fe
3,85 13 -9,15 83,8 6,4
9,87 13 -3,13 9,8 0,4
55,67 13 42,67 1820,7 140.1
-3,17 13 -16,17 261,6 20,6
2,67 13 -10,33 106,8 8,2
28,57 13 15,57 242,5 18,7
-3,08 13 -16,08 258,5 19.9
8,55 13 -4,45 19,8 1,5
9,76 13 -3,24 10,5 0,8
6,67 13 -6,33 40,1 5,1
4. Menentukan Keputusan

Gambar 11.1 Daerah Keputusan

5. Langkah kelima adalah Kesimpulan. Berdasarkan aturan pada langkah ke-4,

diketahui nilai chi-kuadrat hitung adalah 219,5 dan nilai chi-kuadrat kritis 16,919
berarti nilai chi-kuadrat hitung > dari chi kuadrat kritis. Dengan demikian Ho
ditolak dan H1 diterima. Jadi terdapat cukup bukti untuk menolak Ho, sehingga
antara kenyataan yang terjadi dengan harapan dari analisis adalah tidak sama.

E. Uji Chi-Kuadrat untuk uji Kenormalan

Beberapa tahapan untuk uji kenormalitasan:

1. Membuat distribusi frekuensi.

2. Menentukan nilai rata-rata hitung μ dan standar deviasi σ dengan menggunakan
data berkelompok.
3. Menentukan nilai Z dari setiap kelas, dimana Z = (X - μ)/σ
4. Menentukan probabilitas setiap kelas dengan menggunakan nilai Z.
5. Menentukan nilai harapan dengan mengalikan nilai probabilitas dengan jumlah
data.
6. Menentukan pengujian chi-kuadrat untuk menentukan apakah suatu distribusi
bersifat normal atau tidak.

F. Uji chi-kuadrat untuk uji Independensi

Langkah-langkah yang harus dilakukan:

1. Menyusun hipotesa. Hipotesa H0 biasanya menyatakan tidak ada hubungan
antara dua variabel, sedangkan H1 menyatakan ada hubungan antara dua
variabel.
2. Mengetahui nilai 2 kritis dengan taraf nyata dan derajat bebas df=(r - 1) x (c -
1)
3. Menentukan frekuensi harapan (fe) dimana fe untuk setiap sel dirumuskan
4.
 IPK Tingkat Penghasilan (jutaan) Total
<0.8 0,8-1.5 1,5-3,5 >3.5
>3.5 22 31 31 8 92
2.75- 67 80 73 17 237
3.5
<2.75 124 161 122 15 422
213 272 226 40 751

5. Menentukan nilai χ2 dengan Rumus :

6. Menentukan daerah kritis yaitu daerah penerimaan H0 dan penolakan H0

7. Menentukan keputusan apakah menerima H0 atau menolak H0.

Contoh Soal:

Ada keyakinan bahwa apabila IPK tinggi. maka akan mendapatkan penghasilan
tinggi. Berdasarkan keyakinan tersebut. Nani dari YESS tahun 2015 melakukan
penelitian terhadap 751 sarjana dari berbagai Sekolah Tinggi Kesehatan yang bekerja
disektor Kesehatan di Jawa Timur.
Berikut adalah hasilnya
Dari data tersebut. apakah keyakinan adanya hubungan antara IPK dengan tingkat
penghasilan dapat dibenarkan?

Fo Fe (fo-fe)2 /fe
22 26 0,64
67 67 0,00
127 120 0,45
31 33 0,16
80 86 0,40
161 153 0,44
31 28 0,40
73 71 0,04
122 127 0,20
8 5 1,96
17 13 1,52
15 22 2,49
χ2 = ∑ (fo - fe)2 /fe 8,68

1. Hipotesa. H0: tidak ada hubungan antara acara tingkat penghasilan dengan IPK. H1
ada hubungan antara tingkat penghasilan dengan IPK.
2. Menentukan nilai kritis. df= (c - 1)(r - 1)= (3 - 1)(4 - 1) = 6 dengan taraf nyata 5%
adalah 12.596
3. Nilai chi-kuadrat hitung = 8.68 < dari chi-kuadrat tabel 12.596, dengan demikian H0
diterima dan H1 ditolak. Jadi tidak ada hubungan antara tingkat penghasilan dengan
IPK
 BAB 12
DATA STATISTIK

A. Pengertian Statistik
Pada awal mulanya kata statistik di gunakan oleh Gottfriet Achmenwall (1719
– 1772). Kemudian Dr. E.A.W. Zimmerman memperkenalkan kata statistic ke
negeri Inggris, selanjutnya kata statistic itu di populerkan oleh Sir Jhon Sinclaer.
Secara etimologi kata statistic berasal dari bahasa Italia “statista” yang berarti
negarawan atau ahli kenegaraan. Karena sejak dahulu kala statistic hanya di
gunakan untuk kepentingan Negara saja.
Kita sering mendengar statistik dan statistika itu sama dalam artian pasti
berhubungan dengan angka. Statistik adalah kumpulan data mengenai suatu
permasalahan sehingga dapat memberikan suatu gambaran dari permasalahan
tersebut. Statistika adalah suatu metode ilmiah yang mempelajari teknik
pengumpulan data, penghitungan, penggambaran, pengaturan data di sertai
pengaturan kesimpulan yang valid dari penganalisaan yang di lakukan serta
pembuatan keputusan secara rasional.
Berdasarkan tingkat atau tahapan kegiatan, statistic dapat di bagi menjadi dua
golongan, yaitu :
1. Statistik Deskriptif atau statistik deduktif
Yaitu kegiatan statistik yang di mulai dari menghimpun data, menyusun
atau mengatur data, mengolah data, menyajikan dan mengolah data guna
memberikan gambaran tentang suatu gejala, peristiwa atau keadaan.
2. Statistik Inferensial atau statistic induktif
Yaitu statistic yang menyediakan aturan atau cara yang dapat di gunakan
untuk menarik kesimpulan (conclusion), membuat ramalan (forecast) dan
penaksiran (estimation) dsb.
B. Data Statistik
Data adalah segala fakta dan angka yang dapat dijadikan bahan untuk
menyusun suatu informasi (Suharsimi Arikunto, 2002). Data merupakan materi
mentah yang membentuk semua laporan penelitian (Dempsey dan Dempsey, 2002).
Data berbentuk jamak sedangkan bentuk tunggalnya adalah datum. Jadi data
sama dengan datum-datum. Data statistik ialah data yang berwujud angka, namun
tidak semua angka di sebut data statistik. Suatu angka atau bilangan di sebut data
statistik bila angka itu menunjukkan suatu ciri dari suatu penelitian yang bersifat
agregatif yaitu pencatatan yang di lakukan lebih dari satu kali pada satu individu
serta mencerminkan suatu kegiatan dalam bidang tertentu.
Pengenalan jenis-jenis data statistic sangat penting, karena menyangkut pilihan
instrument pengumpul data yang akan di gunakan dan menentukan pilihan teknik
analisis yang akan digunakan.
Dari sudut pandang statistic data dapat dibagi menjadi dua yaitu :
1. Data kualitatif
Data yang dinyatakan bukan dalam bentuk angka. Contohnya adalah Jenis
kelamin (laki-laki, perempuan), program studi (ilmu kesehatan masyarakat,
ilmu pendidikan ners, kebidanan, analist, dsb). Data kualitatif dapat diolah
dan dianalisis dengan statistik tetapi harus diubah kedalam data kuantitatif.
2. Data kuantitatif
 Data kuantitatif adalah data yang dinyatakan dalam bentuk angka. Misalnya
tinggi badan, kadar gula darah, kadar kolesterol, nilai ujian.

Berdasarkan skala pengukurannya

Data yang merupakan hasil pengukuran variabel memiliki jenis skala
pengukuran sebagaimana yang terdapat pada variabel. Dengan demikian
berdasarkan tinjauan ini, data dapat dibedakan menjadi :
1) data nominal
Data nominal di sebut juga data deskrit atau data kategorik, yaitu data statistic
yang cara penyusunannya di klasifikasikan dalam beberapa kategori saling lepas
(mutual exlusive) dan tuntas (exhaustive). Masing-masing kategori memiliki
kategori yang sama. Data nominal termasuk data yang memiliki tingkat yang
paling rendah dibandingkan dengan jenis data statistik yang lain.
Contoh : warna kulit, agama, jenis minuman
2) data ordinal
Data ordinal adalah data statistik yang diurutkan dari jenjang yang paling rendah
sampai ke jenjang yang paling tinggi atau sebaliknya dari jenjang yang paling
tinggi sampai yang paling rendah, dan dalam bentuk kategori atau klasifikasi.
Ciri data ordinal adalah :
a. Dalam bentuk kategori
b. Posisi data tidak setara atau bertingkat
c. Tidak bisa dilakukan operasi matematika
Contoh : pengetahuan (baik, cukup, kurang), Rangking (I, II, III, IV), Tingkat
nyeri (Nyeri berat, Nyeri sedang, nyeri ringan, tidak nyeri)
3) data interval
Data interval adalah data statistic yang mempunyai jarak yang sama diantara
hal-hal yang sedang di selidiki. Ciri khas data interval adalah :
a. satuan ukurannya mempunyai skala yang sama
b. antar kategori data dapat ketahui selisihnya
c. tidak memiliki nilai 0 (nol) mutlak
d. Data interval tidak dapat di bandingkan
Contoh : nilai skor yang didapatkan dari kuesioner, nilai ujian ( rentang nilai 0 –
100) atau (0 – 10). Pada contoh nilai ujian missal si A mendapat 50 dan si B
mendapat nilai 100 tidak bisa di katakana bahwa si B dua lebih pandai dari si A.
4) data rasio
Data ratio merupakan jenis data statistic yang menempati posisi tertinggi di
bandingkan dengan jenis data statistic yang menempati posisi tertinggi di
bandingkan dengan jenis data statistik yang lain. Ciri-ciri data ratio adalah:
a. Data diperoleh merupakan hasil pengukuran, dimana jarak dua titik pada
skala di ketahui dari alat ukurnya.
b. Dapat di ketahui selisihnya
c. Data dapat di bandingkan
d. Memiliki nilai nol (0) mutlak
Contoh : berat badan (50 kg, 75kg, 90 kg), tinggi badan (170 cm, 130 cm).
Data pada skala ratio dapat di bandingkan. Misalnya A memiliki berat badan 60
kg, dan B memiliki berat badan 120 kg, maka dapat dikatakan bahwa berat
badan B 2 kali daripada berat badan A.
Statistika Deskriptif dan Inferensia
Statistika deskriptif melakukan proses pengumpulan data sampai dengan
penyajiannya/presentasi. Statistika deskriptif berkaitan dengan pencatatan dan
peringkasan data, dengan tujuan menggambarkan hal-hal penting pada
sekelompok data. Contohnya menampilkan rata-rata, variansi, menampilkan
dalam bentuk diagram atau tabel.
Statistika inferentia melakukan proses pengumpulan data sampai dengan
melakukan pendugaan terhadap populasi. Inferensia melakukan generalisasi
terhadap populasi. Statistika inferensia berkaitan dengan pengambilan keputusan
dari data yang telah dicatat dan diringkas tersebut.
Adapun contoh statistika inferensia
 Diambil 15 sampel mahasiswa putri di sebuah sekolah tinggi kemudian
diukur kadar hb-nya, diketahui rata-rata kadar Hb 10,1. Maka bisa
disimpulkan bahwa rata-rata kadar Hb mahasiswa sekolah tinggi tersebut
(sebagai populasi) adalah 10.5
 Diambil sampel 180 laki-laki dan perempuan yang bekerja pada sebuah
kantor yang memiliki 400 karyawan. Dari proses statitika inferentia pada
180 sampel tersebut didapatkan perbedaan antara laki-laki dan perempuan
pada motivasi bekerja mereka. Maka bisa disimpulkan bahwa rata-rata
motivasi kerja laki-laki dan perempuan dikator tersebut memang berbeda.
Mungkin saja motivasi laki-laki dalam bekerja lebih tinggi dibandingkan
perempuan atau sebaliknya.
Dengan demikian, jika pengambilan sebuah sampel adalah salah,atau
penggunaan metode statistic tertentu pada sebuah sampel adalah salah, maka
akan berakibat kesalahan dalam pengambilan keputusan secara umum terhadap
populasi. Beberapa kemungkinan bisa terjadi :
 Pengambilan sampel yang salah akan mengakibatkan keputusan yang bisa
salah. Seperti mengambil 15 sampel pada mahasiswa yang kebetulan kadar
hbnya kurang dari 10, akan mengakibatkan kesimpulan yang salah, jika
kebanyakan isi populasi justru kadar hbnya diatas 10.
 Pengambilan sampel sudah benar, namun metode statistic inferenti yang
diterapkan salah, keputusan yang diambil juga bisa salah. Seperti
membandingkan motivasi laki-laki dan perempuan yang seharusnya kedua
sampel tersebut independent satu sama lain, namun diperlakukan sebagai
satu sampel saja, maka keputusan bisa saja salah.

Statistika Parametrik dan Non Parametrik

Analisa Statistika Parametrik adalah analisis statistika untuk jenis skala Data
Interval (yang memenuhi asumsi normal) dan Ratio sedangkan analisa Statistika
Non Parametrik adalah analisis statistika untuk Jenis Skala data Nominal dan
Ordinal dan interval yang tidak normal. Adapun konsep kaidah penggunaan
analisis statistika inferensia bisa dilihat pada gambar 14.1

Sumber data statistik dapat di peroleh dari manusia, hewan, tumbuh-tumbuhan,

benda, dan gejala atau peristiwa yang terjadi di sekitar kita. Data dapat di
kumpulkan langsung oleh peneliti dari pihak yang bersangkutan atau di sebut
juga sumber primer, atau data di peroleh dari pihak lain (pihak kedua) atau di
 sebut juga teknik sekunder. Metode-metode pengumpulan data yang sesuai dan
banyak digunakan dalam penelitian social, keagamaan, dan lain-lain meliputi:
observasi, wawancara, quesioner dan penggalian data dari sumber-sumber
sekunder.

Gambar 14.1 Bagan Parametrik dan Non Parametrik

Sumber data statistik dapat di peroleh dari manusia, hewan, tumbuh-tumbuhan,

benda, dan gejala atau peristiwa yang terjadi di sekitar kita. Data dapat di
kumpulkan langsung oleh peneliti dari pihak yang bersangkutan atau di sebut
juga sumber primer, atau data di peroleh dari pihak lain (pihak kedua) atau di
sebut juga teknik sekunder. Metode-metode pengumpulan data yang sesuai dan
banyak digunakan dalam penelitian social, keagamaan, dan lain-lain meliputi:
observasi, wawancara, quesioner dan penggalian data dari sumber-sumber
sekunder.

1. Observasi

Observasi merupakan metode pengumpulan data yang palin galamiah dan paling banyak
digunakan tidak hanya dalam dunia keilmuan, tetapi juga dalam berbagai aktivitas
kehidupan. Secara umum, observasi berarti pengamatan, penglihatan. Sedangkan secara
khusus, dalam dunia penelitian, observasi adalah mengamati dan mendengar dalam
rangka memahami, mencari jawaban, mencari bukti terhadap fenomena sosial
keagamaan (perilaku, kejadian-kejadian, keadaan, benda, dan simbol-simbol tertentu)
selama beberapa waktu tanpa mempengaruhifenomena yang diobservasi, dengan
mencatat, merekam, memotret fenomena tersebut guna penemuan data analisis.

2. Wawancara

Pengertian dan macam-macam wawancara

Wawancara adalah percakapan langsung dan tatap muka (face to face)dengan maksud
tertentu. Percakapan itu dilakukan oleh dua pihak, yaitu pewawancara (interviewer)
yang mengajukan pertanyaan dan yang diwawancarai (interviewee) yang memberikan
jawaban atas pertanyaan itu. Maksud mengadakan wawancara secara umum adalah
untuk menggali struktur kognitif dan dunia makna dari perilaku subjek yang diteliti.
Pembagian macam-macam wawancara yang dikemukakan oleh Patton (1980:197),
yaitu:

a. Wawancara pembicaraan informal

Pada jenis wawancara ini pertanyaan yang diajukan sangat bergantung
pewawancara itu sendiri, bergantung spontanitasnya dalam mengajukan
pertanyaan kepada yang diwawancarai.
b. Petunjuk umum menggunakan petunjuk wawancara
Jenis wawancara ini mengharuskan pewawancara membuat kerangka dan garis
besar pokok-pokok yang akan ditanyakan dalam proses wawancara. Petunjuk
wawancara hanyalah berisi petunjuk secara garis besar tentang proses dan isi
wawancara untuk menjaga agar pokok-pokok yang dibicarakan dapat tercakup
seluruhnya. Petunjuk itu didasarkan atasanggapan bahwa ada jawaban yang
secara umum akan sama diberikan oleh para responden. Pelaksanaan wawancara
dan pengurutan pertanyaan disesuaikan dengan keadaan responden dan konteks
wawancara yang sebenarnya.
c. Wawancara Baku terbuka
Jenis wawancara ini adalah wawancara yang menggunakan seperangkat
pertanyaan baku. Dalam mengadakan pendalaman (probing) terbatas, dan hal itu
bergantung situasi wawancara dan kecakapan wawancara.

C. Penyajian Data

Data yang di kumpulkan dengan menggunakan teknik pengumpulan data baik dari
data sumber primer maupun sumber sekunder perlu di sajikan dalam bentuk yang jelas
sehingga mudah untuk di baca dan dianalisis. Distribusi (distribution) memiliki arti
pembagian atau pencaran. Frekuensi (frequency) berarti kekerapan atau keseringan. Jadi
distribusi frekuensi berarti pembagian nilai menurut kelompok atau kategori masing-
masing yang dimuat di dalam kolom dan lajur. Menurut bentuk datanya, distribusi
frekuensi dibagi menjadi 2, yaitu distribusi untuk data tunggal dan distribusi untuk data
kelompok. Ukuran gejala pusat adalah suatu ukuran yang digunakan untuk mengetahui
kumpulan data mengenai sampel atau populasi yang disajikan dalam tabel dan diagram,
yang dapat mewakili sampel atau populasi. Ada beberapa macam ukuran tendensi
sentral,yaitu rata-rata (mean), median, modus.
1. Pada Data tunggal
 x
a. Rata-rata dapat di hitung : x 
n

 
b. Varians dapat di hitung : 2

2  xi x
s 
n 1

c. Median dapat di hitung

 ( )

d. Modus : nilai yang paling sering muncul

2. Pada Data Kelompok (dalam distribusi frekuensi)

Penyajian data statistic dalam bentuk distribusi frekuensi data kelompok
dilakukan apabila penyebaran data atau nilai terlalu luas, atau nilai tertinggi
dengan nilai terendah memiliki range yang terlalu besar. Langkah-langkah
dalam membuat table frekuensi adalah sebagai berikut :
a. Mencari nilai tertinggi (H) dan nilai terendah (L).
b. Menetapkan nilai penyebarannya (Range = R) dengan rumus R = H – L
c. Menentukan banyak kelas interval yang diperlukan. Banyak kelas
interval biasanya dipilih paling sedikit 5 dan paling banyak 15, atau
sesuai dengan kebutuhan, atau dapat menggunakan aturan Sturges, yaitu
:
Banyak kelas = 1 + (3.3) log n
d. Menentukan panjang kelas dengan rumus :
R
p 
banyakkela s

e. Pilih Ujung Kelas Interval Pertama, untuk ini bisa diambil sama dengan
data terkecil atau nilai data yang lebih kecil dari data terkecil tetapi
selisihnya harus kurang dari panjang kelas yang telah di tentukan.
Selanjutnya daftar diselesaikan dengan menggunakan harga-harga yang
telah di hitung.
a. Rata-rata dapat dihitung :
 f x i
X 
i

 f
b. Varians dapat di hitung : i

x  x 
2

2  f i

i
s n 1
c. Modus :
 f 
Dimana : M o
 b  p 1

 f  f 
 1 2 

a. b adalah batas bawah kelas modus, kelas interval

dengan frekuensi terbanyak.
b. p adalah panjang kelas modus
c. f1 frekuensi kelas modus – frekuensi kelas interval
dengan tanda kelas < sebelum tanda kelas modus
d. f2 frekuensi kelas modus – frekuensi kelas interval
dengan tanda kelas > sesudah tanda kelas modus

e. Median
 1 n F 
M e
 b  p 2 
 f 
 med 
 F adalah jumlah semua frekuensi dengan tanda kelas < dari tanda kelas median
f adalah frekuensi median

f. Kuartil
i n  1
Letak K i
 datake
4
 in 
  F 
4
K i
 b  p 
 f 
 
 

Contoh soal :

1. Data dibawah ini adalah nilai ujian Biostatistika 50 mahasiswa suatu Perguruan
tinggi.
Interval nilai f
50 -54 5
55 – 59 10
60 – 64 7
65 – 69 15
70 – 74 6
75 – 79 4
80 - 84 3
Tentukan rata-rata, median, modus, dan kuartil
 BAB 13
KORELASI BIVARIATE

A. Pengertian Korelasi
Apa sebenarnya korelasi itu? Korelasi merupakan teknik analisis yang
termasuk dalam salah satu teknik pengukuran asosiasi / hubungan (measures of
association). Pengukuran asosiasi merupakan istilah umum yang mengacu pada
sekelompok teknik dalam statistik bivariat yang digunakan untuk mengukur
kekuatan hubungan antara dua variabel. Diantara sekian banyak teknik-teknik
pengukuran asosiasi, terdapat dua teknik korelasi yang sangat populer sampai
sekarang, yaitu Korelasi Pearson Product Moment dan Korelasi Rank Spearman.
Pengukuran asosiasi mengenakan nilai numerik untuk mengetahui tingkatan
asosiasi atau kekuatan hubungan antara variabel. Dua variabel dikatakan berasosiasi
jika perilaku variabel yang satu mempengaruhi variabel yang lain. Jika tidak terjadi
pengaruh, maka kedua variabel tersebut disebut independen.
Korelasi (correlation) dalam ilmu statistic berarti hubungan antara dua variable
atau lebih. Hubungan antara dua variable di sebut korelasi bivariate (bivariate
correlation). Contohnya hubungan antara pengetahuan mengenai bahaya merokok
dengan perilaku merokok. Korelasi lebih dari dua variable di sebut multivariate
correlation.

B. Koefisien Korelasi
Dalam kehidupan sehari-hari sering kita menjumpai dua peubah atau lebih
yang bergantung. Sebagai contoh, kita mungkin menemukan sesuatu hal yang
memperlihatkan adanya suatu pertambahan pada peubah X yang dibarengi dengan
pertambahan pada peubah Y. Bila dapat ditunjukkan perubahan pada satu peubah
yang berhubungan dengan peubah lain, maka kedua peubah itu dapat dikatakan
berkorelasi. Korelasi dikatakan positif apabila penambahan pada peubah X akan
menyebabkan penambahan pada variable Y, sebaliknya korelasi dikatakan negatif
jika penambahan pada peubah X menyebabkan berkurangnya variable Y. Korelasi
erat antara dua peubah tidak harus berarti suatu sebab akibat. Korelasi yang berarti,
mungkin menunjukkan kemungkinan semacam itu bagi peneliti, tetapi petunjuk atau
fakta yang mendukung dari sumber lain harus diketemukan sebelum simpulan yang
menyangkut sebab-akibat dijamin.
Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua variabel
(kadang lebih dari dua variabel) dengan skala-skala tertentu, misalnya Pearson data
harus berskala interval atau rasio; Spearman dan Kendal menggunakan skala
ordinal. Kuat lemah hubungan diukur menggunakan jarak (range) 0 sampai dengan
1. Korelasi mempunyai kemungkinan pengujian hipotesis dua arah (two tailed).
Korelasi searah jika nilai koefesien korelasi diketemukan positif; sebaliknya jika
nilai koefesien korelasi negatif, korelasi disebut tidak searah. Yang dimaksud
dengan koefesien korelasi ialah suatu pengukuran statistik kovariasi atau asosiasi
antara dua variabel. Jika koefesien korelasi diketemukan tidak sama dengan nol (0),
maka terdapat hubungan antara dua variabel tersebut. Jika koefesien korelasi
diketemukan +1. maka hubungan tersebut disebut sebagai korelasi sempurna atau
hubungan linear sempurna dengan kemiringan (slope) positif. Sebaliknya. jika
koefesien korelasi diketemukan -1. maka hubungan tersebut disebut sebagai korelasi
 sempurna atau hubungan linear sempurna dengan kemiringan (slope) negatif. Dalam
korelasi sempurna tidak diperlukan lagi pengujian hipotesis mengenai signifikansi
antar variabel yang dikorelasikan, karena kedua variabel mempunyai hubungan
linear yang sempurna. Artinya variabel X mempunyai hubungan sangat kuat dengan
variabel Y. Jika korelasi sama dengan nol (0), maka tidak terdapat hubungan antara
kedua variabel tersebut.
Korelasi dinyatakan dengan koefisien (r) dan merentang dari –1 sampai +1.
Koefisien 1, dengan tanda + atau -, menunjukkan korelasi sempurna antara dua
peubah. Sebaliknya, koefisien nol berarti tidak ada korelasi sama sekali. Jika
koefisien korelasi (r) dikuadratkan, didapat koefisien penentu (r2). Nilai ini dapat
digunakan sebagai taksiran untuk kekuatan antara kaitan antara dua peubah yang
berkorelasi. Koefisien penentu khususnya menaksir persentase keragaman X yang
berkaitan dengan (atau diterangkan oleh) keragaman Y – atau sebaliknya. Misal
diketahui korelasi sebesar –0.9786 menunjukkan suatu hubungan linier yang amat
baik antara X dan Y. Karena r2 = 0.9581 maka dapat dikatakan bahwa hampir 96%
dari variasi dalam Y disebabkan oleh hubungan linier dengan X.
Untuk memudahkan melakukan interpretasi mengenai kekuatan hubungan
antara dua variabel penulis memberikan kriteria sebagai berikut (Sarwono : 2006):

 0 : Tidak ada korelasi antara dua variabel

 >0 – 0,25: Korelasi sangat lemah

 >0,25 – 0,5: Korelasi cukup

 >0,5 – 0,75: Korelasi kuat

 >0,75 – 0,99: Korelasi sangat kuat

 1: Korelasi sempurna

C. Interpretasi dalam korelasi

Apa sebenarnya signifikansi itu? Dalam bahasa Inggris umum, kata,
"significant" mempunyai makna penting; sedang dalam pengertian statistik kata
tersebut mempunyai makna “benar” tidak didasarkan secara kebetulan. Hasil riset
dapat benar tapi tidak penting. Signifikansi / probabilitas / α memberikan gambaran
mengenai bagaimana hasil riset itu mempunyai kesempatan untuk benar. Jika kita
memilih signifikansi sebesar 0,01, maka artinya kita menentukan hasil riset nanti
mempunyai kesempatan untuk benar sebesar 99% dan untuk salah sebesar 1%. 99%
itu disebut tingkat kepentingan (confidence interval); sedang 1% disebut toleransi
kesalahan. Secara umum kita menggunakan angka signifikansi sebesar 0,01; 0,05
dan 0,1. Pertimbangan penggunaan angka tersebut didasarkan pada tingkat
kepercayaan (confidence interval) yang diinginkan oleh peneliti. Angka signifikansi
sebesar 0,01 mempunyai pengertian bahwa tingkat kepercayaan atau bahasa
umumnya keinginan kita untuk memperoleh kebenaran dalam riset kita adalah
sebesar 99%. Jika angka signifikansi sebesar 0,05, maka tingkat kepercayaan adalah
sebesar 95%. Jika angka signifikansi sebesar 0,1, maka tingkat kepercayaan adalah
sebesar 90%.
Pertimbangan lain ialah menyangkut jumlah data (sample) yang akan
digunakan dalam riset. Semakin kecil angka signifikansi, maka ukuran sample akan
semakin besar. Sebaliknya semakin besar angka signifikansi, maka ukuran sample
akan semakin kecil. Unutuk memperoleh angka signifikansi yang baik, biasanya
diperlukan ukuran sample yang besar. Untuk pengujian dalam IBM SPSS digunakan
kriteria sebagai berikut:

 Jika angka signifikansi hasil penelitian ≤ 0,05, maka hubungan kedua variabel
signifikan.

 Jika angka signifikansi hasil penelitian > 0,05, maka hubungan kedua variabel
tidak signifikan
Atau jika pengujian menggunakan penghitungan secara manual maka dapat
melihat table dengan kriteria sebagai berikut :

 Jika nilai hitung hasil penelitian ≥ nilai tabel, maka hubungan kedua variabel
signifikan.
 Jika nilai hitung hasil penelitian < nilai tabel, maka hubungan kedua variabel
tidak signifikan
Ada tiga penafsiran hasil analisis korelasi, meliputi: pertama, melihat kekuatan
hubungan dua variabel; kedua, melihat signifikansi hubungan; dan ketiga, melihat
arah hubungan. Untuk melakukan interpretasi kekuatan hubungan antara dua
variabel dilakukan dengan melihat angka koefesien korelasi hasil perhitungan
dengan menggunakan kriteria sbb: a) Jika angka koefesien korelasi menunjukkan 0,
maka kedua variabel tidak mempunyai hubungan; b) Jika angka koefesien korelasi
mendekati 1, maka kedua variabel mempunyai hubungan semakin kuat; c) Jika
angka koefesien korelasi mendekati 0, maka kedua variabel mempunyai hubungan
semakin lemah; d) Jika angka koefesien korelasi sama dengan 1, maka kedua
variabel mempunyai hubungan linier sempurna positif; e)Jika angka koefesien
korelasi sama dengan -1, maka kedua variabel mempunyai hubungan linier
sempurna negatif.
Interpretasi berikutnya melihat signifikansi hubungan dua variabel dengan
didasarkan pada angka signifikansi yang dihasilkan dari penghitungan dengan
ketentuan sebagaimana sudah dibahas di atas. Interpretasi ini akan membuktikan
apakah hubungan kedua variabel tersebut signifikan atau tidak.
Interpretasi ketiga melihat arah korelasi. Dalam korelasi ada dua arah korelasi,
yaitu searah dan tidak searah. Pada IBM SPSS hal ini ditandai dengan pesan two
tailed. Arah korelasi dilihat dari angka koefesien korelasi. Jika koefesien korelasi
positif, maka hubungan kedua variabel searah. Searah artinya jika variabel X
nilainya tinggi, maka variabel Y juga tinggi. Jika koefesien korelasi negatif, maka
hubungan kedua variabel tidak searah. Tidak searah artinya jika variabel X nilainya
tinggi, maka variabel Y akan rendah. Dalam kasus, misalnya hubungan antara
kepuasan pelanggan dan loyalitas sebesar 0,86 dengan angka signifikansi sebesar
0,000 akan mempunyai makna bahwa hubungan antara variabel kepuasan
pelanggan dan loyalitas sangat kuat, signifikan dan searah. Sebaliknya dalam kasus
hubungan antara variabel pengetahuan dengan perilaku terhadap kebiasan merokok
 sebesar -0,86, dengan angka signifikansi sebesar 0; maka hubungan kedua variabel
sangat kuat, signifikan dan tidak searah.

D. Macam Korelasi dan Teknik Penghitungan

1. Teknik Korelasi Pearson (Product Moment)
Korelasi Pearson Product Moment, yang merupakan pengukuran
parametrik, akan menghasilkan koefesien korelasi yang berfungsi untuk
mengukur kekuatan hubungan linier antara dua variable. Jika hubungan dua
variable tidak linier, maka koefesien korelasi Pearson tersebut tidak
mencerminkan kekuatan hubungan dua variable yang sedang diteliti; meski
kedua variable mempunyai hubungan kuat. Simbol untuk korelasi Pearson
adalah "p" jika diukur dalam populasi dan "r" jika diukur dalam sampel.
Korelasi Pearson mempunyai jarak antara -1 sampai dengan + 1. Jika koefesien
korelasi adalah -1, maka kedua variable yang diteliti mempunyai hubungan
linier sempurna negatif. Jika koefesien korelasi adalah +1, maka kedua variable
yang diteliti mempunyai hubungan linier sempurna positif. Jika koefesien
korelasi menunjukkan angka 0, maka tidak terdapat hubungan antara dua
variable yang dikaji. Jika hubungan dua variable linier sempurna, maka sebaran
data tersebut akan membentuk garis lurus. Sekalipun demikian pada
kenyataannya kita akan sulit menemukan data yang dapat membentuk garis
linier sempurna.
Data yang digunakan dalam Korelasi Pearson sebaiknya memenuhi
persyaratan, diantaranya ialah: a) Berskala interval / rasio, b) Variabel X dan Y
harus bersifat independen satu dengan lainnya, c) Variabel harus kuantitatif
simetris. Asumsi dalam Korelasi Pearson, diantaranya ialah: a) Terdapat
hubungan linier antara X dan Y, b) Data berdistribusi normal, c) Variabel X dan
Y simetris. Variabel X tidak berfungsi sebagai variabel bebas dan Y sebagai
variable tergantung, d) Sampling representative, e) Varian kedua variable sama.
Rumus yang bisa di gunakan untuk menghitung korelasi product moment
adalah sebagai berikut :
 
  

2
 x  x  y  y  
   1  
r  dimana S Y    y y
n  1 s s n 1
x y
 
Sehingga untuk mencari nilai Sx dapat menggunakan rumus yang sama
dengan Sy tetapi menggunakan variable X

Contoh soal :
Misalnya ingin diketahui apakah terdapat hubungan antara nilai statistika dengan
nilai aplikasi komputer. Dengan hasil penelitian sebagai berikut :
No X Y ̅ ̅ ̅
̅
1 70 80 -0.2 12.2 -2.44
2 83 76 12.8 8.2 104.96
3 65 57 -5.2 -10.8 56.16
4 79 56 8.8 -11.8 -103.84
5 54 70 -16.2 2.2 -35.64
 Total = 19.2
Dimana
̅
̅

Selanjutnya memberikan interpretasi dengan menyusun hipotesis dimana :

H0 : tidak ada hubungan antara nilai statistika dengan nilai aplikasi computer
( )
H1 : ada hubungan antara nilai statistika dengan nilai aplikasi komputer
( )
Membandingkan nilai r hitung dengan nilai r table yang di dapatkan sebesar 0,754
(0,382 < 0,754) sehingga memberikan kesimpulan terima H0, yang artinya tidak ada
hubungan antara nilai biostatistika dengan nilai aplikasi computer.

2. Teknik Korelasi Tata Jenjang (Spearman)

Korelasi Spearman merupakan pengukuran non-parametrik. Koefesien
korelasi ini mempuyai simbol r (rho). Pengukuran dengan menggunakan
koefesien korelasi Spearman digunakan untuk menilai adanya seberapa baik
fungsi monotonik (suatu fungsi yang sesuai perintah) arbitrer digunakan untuk
menggambarkan hubungan dua variabel dengan tanpa membuat asumsi
distribusi frekuensi dari variabel-variabel yang diteliti. Nilai koefesien korelasi
dan kriteria penilaian kekuatan hubungan dua variabel sama dengan yang
digunakan dalam korelasi Pearson. Penghitungan dilakukan dengan cara yang
sama dengan korelasi Pearson, perbedaan terletak pada pengubahan data
kedalam bentuk ranking sebelum dihitung koefesien korelasinya. Itulah
sebabnya korelasi ini disebut sebagai Korelasi Rank Spearman.
Data yang digunakan untuk korelasi Spearman harus berskala ordinal.
Berbeda dengan Korelasi Pearson, Korelasi Spearman tidak memerlukan
asumsi adanya hubungan linier dalam variable-variabel yang diukur dan tidak
perlu menggunakan data berskala interval, tetapi cukup dengan menggunakan
data berskala ordinal. Asumsi yang digunakan dalam korelasi ini ialah
tingkatan (rank) berikutnya harus menunjukkan posisi jarak yang sama pada
variable-variabel yang diukur. Jika menggunakan skala Likert, maka jarak skala
yang digunakan harus sama. Juga, data tidak harus berdistribusi normal.
Rumus yang bisa di gunakan untuk menghitung korelasi tata jenjang
adalah sebagai berikut:
6 X  Y 
2

rs  1  dimana X dan Y adalah data yang sudah di rangking


n n
2
1 

Contoh soal :
Suatu penelitian dilakukan untuk mengatahui apakah ada hubungan tingkat
kelahiran hiperbilirubin dengan tingkat keteraturan ibu hamil dalam meminum obat.
Untuk itu dilakukan pengambilan data pada sebagian ibu hamil trisemester 3 di
puskesmas wilayah “X”. Kejadian hiperbilirubin dikategorikan menjadi 3 :
 hiperbilirubin grade 1; 2 : hiperbilirubin grade 2; 1 : normal. Sedangkan tingkat
keteraturan dikategorikan menjadi : 3 : teratur, 2: cukup, dan 1 : tidak teratur. Dan
didapatkan data sebagai berikut :
(x) (y) Rank (x) Rank (y) (x – y) (x – y)2
3 1 9,5 3 6.5 42.25
2 2 5,5 7 -1.5 2.25
3 1 9,5 3 6.5 42.25
3 1 9,5 3 6.5 42.25
1 3 2 10 -8 64
2 2 5,5 7 -1.5 2.25
2 2 5,5 7 -1.5 2.25
1 3 2 10 -8 64
3 1 9,5 3 6.5 42.25
2 1 5,5 3 2.5 6.25
1 3 2 10 -8 64
Total 374

Cara memberikan ranking pada variable

a. Data diurutkan dari yang terkecil yang terbesar
b. Cara memberikan ranking adalah dengan menjumlahkan banyaknya data
yang sama di bagi dengan jumlah data yang sama sehingga pada variable x
cara mendapatkan rangkingnya seperti :

Gunakan cara yang sama untuk mendapatkan rangking selanjutnya

Sehingga

Selanjutnya memberikan interpretasi dengan menyusun hipotesis dimana

:
H0 : tidak ada hubungan antara kejadian hiperbilirubin dengan keteraturan
minum obat ( )
H1 : ada hubungan antara kejadian hiperbilirubin dengan keteraturan minum
obat ( )
Membandingkan nilai r hitung dengan nilai r table yang di dapatkan sebesar
0,618 (-0,700 > 0,618) sehingga memberikan kesimpulan tolak H0, yang artinya ada
hubungan antara kejadian hiperbilirubin dengan keteraturan minum obat. Dimana
nilai korelasi nya bertanda ( -) sehingga dapat di simpulkan semakin teratur minum
obat maka akan semakin normal dengan tingkat keeratan hubungannya adalah kuat.

3. Teknik korelasi Phi

Teknik korelasi Phi digunakan bila data yang akan dikorelasikan adalah data
yang terpisah secara tajam atau variable diskrit murni. Contohnya adalah laki-
laki dan perempuan, lulus dan tidak lulus, ikut profesi dan tidak ikut profesi.
Rumus korelasi phi adalah
 ( ad  bc )
 
( a  b )( a  c )( b  d )( c  d )

Contoh soal :
Jenis kelamin Laki-laki Perempuan Jumlah
Prestasi
Berhasil 100 (a) 72 (b) 172
Gagal 15 (c) 13 (d) 28
Jumlah 115 85 200
Langkah-langkah menghitung korelasi phi adalah :
a. Membuat table seperti contoh soal diatas dengan memberi tanda a,b,c,
dan d dan memasukkan kedalam rumus

√
b. Membuat hipotesis
H0 : tidak ada hubungan antara jenis kelamin dengan prestasi ( )
H1 : ada hubungan antara jenis kelamin dengan prestasi ( )
c. Penarikan kesimpulan dilakukan dengan membandingkan antara nilai
korelasi phi dengan table korelasi product moment.Dengan n = 200 di
dapatkan nilai table 1,38 sehingga terima H0, yang artinya tidak ada
hubungan antara jenis kelamin dengan prestasi belajar.

4. Teknik Korelasi Koefisient Kontingency (Coefficient Contingency)

Teknik korelasi koefisien kontingensi digunakan apabila dua buah variable
yang akan dikorelasikan berbentuk kategori (dua atau lebih) atau merupakan
gejala ordinal. Rumus yang di gunakan untuk mencari coefficient contingency
adalah :
2


C  2
rumus untuk mencari chi-kuadrat adalah :
  n

f 
2

2  f
  
0 h

f h

Untuk memberikan interpretasi terhadap koefisien kontingensi

maka harga koefisien kontingensi (C atau koreksi) harus diubah menjadi phi
dengan menggunakan rumus dibawah ini :
C
 
2
1 c

Contoh soal :
Pemahaman agama Baik Cukup Kurang Jumlah
Pelaksanaan sholat
Baik 65 25 9 99
Sedang 35 55 10 100
Kurang 14 13 24 51
Jumlah 114 93 43 250

Langkah pengerjaan korelasi coefficient contingency :

a. Dengan cara penghitungan yang sama pada materi sebelumnya maka di
dapatkan nilai
.
b. Langkah selanjutnya adalah mensubsitusikan dan di dapatkan nilai :

Selanjutnya mengubah harga C menjadi phi yaitu :

c. Membuat suatu hipotesis

H0 : tidak ada hubungan pemahaman agama dengan pelaksanaan sholat ( )
H1 : ada hubungan antara pemahaman agama dengan pelaksanaan sholat
( )
d. Penarikan kesimpulan dilakukan dengan membandingkan antara nilai korelasi
coefficient contingency dengan table korelasi product moment. Dengan n = 250
di dapatkan nilai table 1,38 (menggunakan pendekatan) sehingga tolak H0, yang
artinya ada hubungan antara pemahaman agama dengan pelaksanaan shola,
dimana memiliki korelasi yang positif antara semakin baik pemahaman agama
maka semakin baik pula pelaksanaan sholat, dan memiliki tingkat keeratan yang
cukup kuat.
 BAB 14
REGRESI LINIER SEDERHANA

A. Definisi Regresi Linier

Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel tergantung
dan memprediksi variabel tergantung dengan menggunakan variabel bebas.
Gujarati (2006) mendefinisikan analisis regresi sebagai kajian terhadap hubungan
satu variabel yang disebut sebagai variabel yang diterangkan (the explained
variabel) dengan satu atau dua variabel yang menerangkan (the explanatory).
Variabel pertama disebut juga sebagai variabel tergantung dan variabel kedua
disebut juga sebagai variabel bebas. Jika variabel bebas lebih dari satu, maka
analisis regresi disebut regresi linear berganda. Disebut berganda karena pengaruh
beberapa variabel bebas akan dikenakan kepada variabel tergantung.
Untuk mengetahui apakah variable-variabel yang akan di analisis tersebut sesuai
menggunakan regresi linier atau regresi non linier ada beberapa metode yang dapat
di gunakan, yaitu metode diagram pencar (scatter plot) dan metode kuadrat terkecil
(least square). Metode scatter plot menggunakan diagram diagram pencar sebagai
bahan pertimbangan untuk menentukan apakah data yang di miliki dapat
menggunakan regresi linier atau tidak linier dan merupakan metode yang paling
sederhana. Sedangkan metode least square untuk menentukan apakah data yang di
miliki dapat menggunakan regresi linier atau tidak linier menggunakan rumus
tertentu. Untuk dapat menggunakan regresi linier maka data pada variable
independent dan variable dependent memiliki skala data interval dan ratio.

B. Metode Regresi Linier Sederhana

1. Scatter Plot
Metode diagram pencar merupakan cara untuk menentukan regresi dengan
menggunakan grafik, dimana sebagai sumbu X adalah variable independent (X)
dan sebagai sumbu Y adalah variable dependent (Y). Untuk menentukan apakah
data yang di miliki dapat menggunakan analisis regresi linier atau tidak linier
dengan mlihat letak titik-titik pada diagram pencar. Jika titik-titik tersebut
berada di sekitar garis lurus maka dapat di duga bahwa regresi linier merupakan
analisis yang tepat. Tetapi bila letak titik-titik data tersebut berada di sekitar
garis lengkung maka dapat di duga bahwa analisis yang di gunakan adalah
regresi nonlinier.

Contoh soal
Data berikut merupakanhasil penelitian yang dilakukan untuk menentukan
hubungan antara usia dengan denyut jantung (banyaknya denyut jantung per
menit) pada perempuan dari usia satu sampai 15.

Tabel 14.1 Tabel Umur dengan Denyut Jantung

No. 1 2 3 4 5 6 7 8 9 10 11 12
Umr 1 2 3 4 5 6 7 8 9 10 11 12
DJ 111 108 108 102 99 92 93 88 90 90 88 86
 Gambar 14.1 scatter plot

Dari data pada table 14.1 dapat di buat diagram pencar yang dapat
memperlihatkan apakah variable yang di teliti dapat di analisis menggunakan
regresi linier atau tidak. Jika titik-titik point nya terletak atau membentuk garis
lurus, maka dapat dianggap bahwa regresi linier merupakan analisis yang tepat
yang dapat digunakan.

Gambar 14.2 scatter plot umur dengan denyut jantung

 Gambar diatas menunjukkan adanya gejala linieritas karena letk titik-titik
yang cenderung mendekati garis lurus sehingga dapat di duga regresi yang
dapat di gunakan adalah regresi linier.

2. Metode Least Square

Metode kuadrat terkecil untuk regresi linier digunakan untuk menentukan
dugaan bentuk regresi apakah linier atau tidak dimana terdapat perbedaan
dugaan. Persoalan penting didalam pembuatan garis regresi sampel adalah
begaimana kita bisa mendapatkan garis regresi yang baik. Garis regresi sampel
yang baik ini terjadi jika nilai prediksinya sedekat mungkin dengan data
aktualnya. Dengan kata lain kita mencari nilai β0 dan β1 yang menyebabkan
residual sekecil mungkin, maka untuk menduga regresi liniernya perlu menaksir
parameter-parameter regresinya sehingga di peroleh persamaan sebagai berikut :
̂
Dimana :
Ŷ = variable terikat
X = variable bebas
a = parameter intercept
b = parameter koefisien variable bebas
Koefisien-koefisien regresi a dan b dapat di hitung dengan rumus sebagai berikut
:

∑ ̅ ̅
∑ ̅

a  y  bx

Dengan menggunakan data pada table 14.1 maka :

Umr DJ ̅
No. ̅ ̅
(X) (Y) ̅ ̅
1 1 111 -7 17.33 -121.31 49
2 2 108 -6 14.33 -85.98 36
3 3 108 -5 14.33 -71.65 25
4 4 102 -4 8.33 -33.32 16
5 5 99 -3 5.33 -15.99 9
6 6 92 -2 -1.67 3.34 4
7 7 93 -1 -0.67 0.67 1
8 8 88 0 -5.67 0 0
9 9 90 1 -3.67 -3.67 1
10 10 90 2 -3.67 -7.34 4
11 11 88 3 -5.67 -17.01 9
12 12 86 4 -7.67 -30.68 16
13 13 84 5 -9.67 -48.35 25
14 14 83 6 -10.67 -64.02 36
15 15 83 7 -10.67 -74.69 49
Total -570 280
Sehingga di dapatkan :

sehingga persamaan yang didapatkan adalah :

Dari persamaan diatas di dapatkan nilai koefisien variable bebas memiliki

tanda negative yang artinya semakin bertambah usia setiap satu satuan maka
denyut nadi akan berkurang 2,04 satuan. Sehingga ketika seorang responden
berusia 13 tahun maka denyut nadinya adalah :

̂
̂
̂
 BAB 15
UJI BEDA BIVARIATE (PARAMETRIK)

Bila seorang peneliti ingin mengetahui apakah parameter dua populasi berbeda atau tidak,
maka uji statistik yang digunakan disebut uji beda dua mean. Umumnya, pendekatan yang
dilakukan bisa dengan distribusi Z (uji Z), ataupun distribusi t (uji t).
Uji Z dapat digunakan bila (1) standar deviasi populasi (σ) diketahui, dan (2) jumlah
sampelnya besar (> 30). Bila kedua syarat tersebut tidak terpenuhi, maka jenis uji yang
digunakan adalah uji t dua sampel (two sample t-test). Tes “t” adalah salah satu uji
statistik yang digunakan untuk mengetahui ada atau tidaknya perbedaan yang
significant (menyakinkan) dari dua buah mean sample (dua buah variable yang
dikomparatifkan).
Tes “t” dikembangkan oleh William Seely Gosset seorang konsultan statistik Irlandia
pada tahun 1915. Ia menggunakan samaran “student” dan huruf “t” pada istilah tes “t”
sehingga tes “t” juga dikenal dengan istilah “student t”.
Uji t pada satu populasi akan menguji apakah rata-rata populasi sama dengan suatu
harga tertentu. Sedangkan uji t dua sample akan menguji apakah rata-rata dua populasi
sama ataukah berbeda secara nyata.
Berdasarkan hubungan antar populasinya, uji t dapat digolongkan kedalam dua
jenis uji, yaitu Paired sample t-test, dan independent sample t-test.

1. Paired sample t-test (Uji t berpasangan)

Dependent sample t-test atau sering diistilakan dengan Paired Sampel t-Test, adalah
jenis uji statistika yang bertujuan untuk membandingkan rata-rata dua grup yang saling
berpasangan. Sampel berpasangan dapat diartikan sebagai sebuah sampel dengan subjek
yang sama namun mengalami 2 perlakuan atau pengukuran yang berbeda, yaitu
pengukuran sebelum dan sesudah dilakukan sebuah treatment. Syarat jenis uji ini adalah:
(a) data berdistribusi normal; (b) kedua kelompok data adalah dependen (saling
berhubungan/berpasangan); dan (c) jenis data yang digunakan adalah numeric.
Sampel berpasangan (Paired sample) adalah sebuah sampel dengan subyek yangs ama
namun mengalami dua perlakuan atau pengukuran yang berbeda. Seperti seorang detailer
yang bekerja sebelumnya tanpa mendapat training, dengan sesudah ia mendapat training,
bagaimana efektifitas training tersebut terhadap kemampuan menjualnya, apakah ada
peningkatan atau tidak. Disini sampelnya tetap detailer yang sama, tapi mendapat dua
perlakuan berbeda, yaitu kondisi sebelum dan kondisi sesudah training.
Rumus yang di gunakan adalah
a. Paired sample t test untuk n < 30 sample
d  
t 
d

 S 
 d

 n 
 Contoh soal :
Untuk menghadapi persaingan dengan perusahaan Obat lain, Obat produksi DUTA
FARMA yang selama ini dikemas secara sederhana, akan diubah kemasannya.
Untuk itu, pada 15 daerah penjualan yang berbeda, dilakukan pengamatan dengan
mencatat penjualan Obat dengan kemasan lama (kemasan1). Kemudian kemasan
diganti dengan kemasan yang lebih atraktif (kemasan 2), dan kemudian mencatat
tingkat penjualan Obat dengan kemasan baru pada 15 daerah yang sama.

Tabel 15.1 Data penjualan

kemasan 1 kemasan 2 d
23,00 26,00 -3
30,00 26,00 4
26,00 29,00 -3
29,00 28,00 1
31,00 30,00 1
26,00 31,00 -5
28,00 32,00 -4
29,00 27,00 2
24,00 22,00 2
26,00 25,00 1
22,00 24,00 -2
24,00 26,00 -2
27,00 29,00 -2
22,00 28,00 -6
26,00 23,00 3
̅= -0,87

Langkah-langkah untuk melakukan uji t berpasangan adalah sebagai

berikut :
1. Menghitung nilai thitung

2. Membuat hipotesis
 H0 : tidak ada perbedaan tingkat penjualan berdasarkan kemasan 1 dan
kemasan 2 ( µ1 = µ2 )
H1 : ada perbedaan tingkat penjualan berdasarkan kemasan 1 dan
kemasan 2 (µ1 ≠ µ2)
3. Membandingkan t hitung dengan t table
Mencari df (degree of freedom) atau derajat kebebasan = n-1
Df = 15 – 1
ttabel = 2,14
4. Memberikan kesimpulan
Karena nilai thitung < ttabel (tanpa memperhatikan tanda – karena pengujian dua
arah) maka H0 di terima sehingga tidak ada perbedaan penjualan berdasarkan
pergantian kemasan.

b. Paired sample t test untuk n > 30 sample

Rumus yang di gunakan untuk menghitung sample besar > 30 adalah sebagai
berikut :
̅ ̅

√ ( )( )

̅ = rata-rata sample 1
̅ = rata-rata sample 2
= standart deviasi sample 1
= standart deviasi sample 2

Penghitungan paired sample t test > 30 dengan langkah yang sama

seperti pada sample < 30.

2. Independent sample t-test (Uji t independen)

Independent sample t-test adalah jenis uji statistika yang bertujuan untuk

membandingkan rata-rata dua grup yang tidak saling berpasangan atau tidak saling

berkaitan. Tidak saling berpasangan dapat diartikan bahwa penelitian dilakukan untuk dua

subjek sampel yang berbeda. Prinsip pengujian uji ini adalah melihat perbedaan variasi

kedua kelompok data, sehingga sebelum dilakukan pengujian, terlebih dahulu harus
 diketahui apakah variannya sama (equal variance) atau variannya berbeda (unequal

variance). Homogenitas varian diuji berdasarkan rumus:

Data dinyatakan memiliki varian yang sama (equal variance) bila F-Hitung < F-Tabel,

dan sebaliknya, varian data dinyatakan tidak sama (unequal variance) bila F-Hitung > F-

Tabel.

Bentuk varian kedua kelompok data akan berpengaruh pada nilai standar error yang

akhirnya akan membedakan rumus pengujiannya.

Uji t untuk varian yang sama (equal variance) menggunakan rumus Polled Varians:

2 n  1 s 
2
n  1 s
2


1 1 2 2
s p
  2
n 1 n 2

1 1
s  s 
p
n 1n 2

x 1
 x   2
  
t  dimana µ1 dan µ2 diasumsikan 0
1 2

s
Uji t untuk varian yang berbeda (unequal variance) menggunakan rumus Separated
Varians:

̅ ̅

Contoh soal :

Suatu penelitian dilakukan untuk mengetahui pengaruh pemberian lendir bekicot

terhadap proses penyembuhan luka. Penelitian ini dilakukan terhadap tikus putih
betina dengan cara tikus putih betina tersebut dibagi kedalam dua kelompok, yaitu
kelompok perlakuan dan kontrol. Semua tikus diberikan luka sayatan sepanjang 7
mm. Dan didapatkan hasil penelitian setelah penelitian selama 2 hari sebagai
berikut :
 Tabel 15.2 tabel penyembuhan luka
Perlakuan (dlm mm) Kontrol (mm)
4,3 5,6
4,9 5,0
3,6 6,1
3,7 5,7
3,5 4,8
4,0 5,3
4,2 5,1
3,9 6,5
3,8

Langkah-langkah dalam mengerjakan uji t-independent adalah

1. Menguji kehomogenan data
= 0,431
= 0,580
= 0,186
= 0,336

Sehingga

Selanjutnya nilai Fhitung di bandingkan dengan F table dimana Hipotesisnya

:
H0 : data homogen (σ1 = σ2)
H1 : data tidak homogen (σ1 ≠ σ2)
Ftabel = 3,44
Dari hasil diatas Fhitung < Ftabel sehingga H0 di terima data homogeny
(equal varians assume)
2. Mencari thitung
Untuk mencari thitung menggunakan rumus thitung pooled sehinggha thitung = -
3,01
3. Menentukan hipotesis
H0 : tidak ada perbedaan penyembuhan luka karena pemberian lender bekicot
(µ1 = µ2)
H1 : ada perbedaan penyembuhan luka karena pemberian lender bekicot (µ1 ≠
µ2)
4. Membandingkan dengan ttabel
Mencari df (degree of freedom) atau derajat kebebasan = n1+ n2 – 2
Sehingga df = 9 + 8 – 2 = 15
Di dapatkan ttable = 2,13
5. Penarikan kesimpulan
Karena nilai thitung>besar dari ttabel (tanpa memperhatikan tanda karena
merupakan pengujian dua arah) maka H0 ditolak, ada perbedaan penyembuhan
luka karena pemberian lender bekicot sebesar 1,5 mm (selisish rata-rata antara
kelompok control dan kelompok perlakuan) dalam waktu 2 hari.
 BAB 16
Analysis Of Variance (ANOVA)

Teknik analisis menggunakan uji “t” yaitu dengan mencari perbedaan yang
signifikan dari 2 buah rata-rata hanya akan effektif bila jumlah variabelnya adalah dua.
Apabila jumlah variabelnya lebih dari dua, maka penggunaan uji “t” tidak effektif lagi
karena langkah pengujiannya akan dilakukan satu persatu. Kemungkinan terjadinya
kesalahan juga sangat besar selain membutuhkan waktu yang lebih lama dan biaya yang
besar. Untuk mengatasi hal tersebut ada teknik komparasi yang menggunakan variable
lebih dari dua, yaitu Analysis of Variance atau ANOVA.
Jenis data yang tepat untuk digunakan pada ANOVA adalah nominal dan ordinal
pada variable independent nya atau variable bebasnya, sedangkan pada variable
terikatnya adalah data interval atau ratio. Dalam menggunakan anova harus memenuhi
asumsi dasarnya, agar kesimpulan yang diambil tidak menimbulkan kesalahan atau
kurang akurat. Adapun asumsi dasar yang harus terpenuhi adalah :
1. distribusi data harus normal, agar data berdistribusi normal dapat ditempuh
dengan cara memperbanyak jumlah sample dalam kelompok.
2. setiap kelompok hendaknya berasal dari populasi yang sama dengan variansi
yang sama pula. Bila banyaknya sample sama pada setiap kelompok pada setiap
kelompok maka kesamaan variansinya dapat diabaikan. Tapi bila banyaknya
sample pada masing-masing kelompok tidak sama maka kesamaan variansi
populasi sangat diperlukan.
3. Pengambilan sample dilakukan secara random.
Anova pada dasarnya terdiri dari dari dua kelompok. Pengelompokan di tentukan
dari jumlah variable bebasnya. Bila variable yang akan dianalisis terdiri dari satu
variable terikat dan satu varaibel bebas maka di sebut Analysis of Variance (ANOVA)
satu arah. Apabila variable yang akan dianalisis terdiri dari satu variable bebas dan lebih
dari satu variable terikat maka disebut ANOVA dua arah.

1. ANOVA satu arah

Analisis variance satu arah berarti kita ingin mengetahui apakah ada perbedaan
rata-rata yang didasarkan pada satu kriteria tertentu. Ada hal yang harus
diperhatikan yaitu tujuannya membandingkan rata-rata antar sampel dan sampel
yang digunakan adalah berasal dari sampel yang berbeda. Misalkan kita memiliki k
populasi. Masing-masing populasi diambil sampel sebanyak n. Dan k populasi yang
diambil adalah bebas serta berdistribusi normal dengan nilai tengah 1, 2, 3,...,
k dan ragam atau variansi sama 2. Misalkan xij adalah pengamatan ke-j dari
populasi ke-i, maka hasilnya dapat di lihat pada gambar 15.1. Ada tiga bagian
pengukuran variabilitas pada data yang akan dianalisis dengan ANOVA, yaitu :
a. Variabilitas antar kelompok (between treatment variability)
Variabilitas antar kelompok adalah variansi mean kelompok sampel terhadap
rata-rata total, sehingga variansi lebih terpengaruh oleh adanya perbedaan
perlakuan antar kelompok, Jumlah Kuadrat antar Kelompok (JKA).
Rumusnya adalah :
 
2  x 2

JKA  n   
 x k 
 

Gambar 17.1 pengamatan ke j dari populasi ke-i

b. Variabilitas dalam kelompok (Within treatmen variability)

Variabilitas dalam kelompok adalah varians yang ada dalam masing-masing
kelompok. Banyaknya variansi akan tergantung pada banyaknya kelompok.
Variansi tidak terpengaruh oleh perbedaan perlakuan antar kelompok, atau
Jumlah Kuadrat Dalam (JKD).
Rumusnya adalah : JKT = JKA + JKD
c. Jumlah Kuadrat penyimpangan total (total sum of squares)
Jumlah Kuadrat penyimpangan total adalah jumlah kuadrat selisih antara skor
individual dengan mean totalnya, atau JKT. Dengan rumusnya adalah :
 x 
2

2
JKT   x 
N
Langkah-langkah dalam melakukan analisis Anova adalah :
1. Menghitung JKA, JKD, dan JKT (jumlah kuadrat)
2. Membuat hipotesis, misalnya
H0 : Kelima tablet memiliki waktu yang sama dalam mengurangi rasa sakit.
H1 : Terdapat tablet yang tidak memiliki waktu sama dalam mengurangi
rasa sakit.
 3. Mencari Derajat Kebebasan dengan menggunakan Tabel F dimana dengan
derajat kebebasan ke-1 : df1=k-1 dan derajat kebebasan k-2 : df2=n-k.
4. Membuat ringkasan table Anova

Tabel 17.1 Ringkasan Anova

Sumber Jumlah Derajat Rataan F hitungan
variasi Kuadrat Kebebasan Kuadrat
Perlakuan JKA k-1 2 JKA 2

s  s 1
k 1
1
2
s
Galat JKD k(n-1) 2 JKD
s 
k ( n  1)
Jumlah JKT nk-1

5. Penarikan Kesimpulan dengan membandingkan Fhitung dengan Ftabel. Untuk

mengambil keputusan maka :
- Ho ditolak jika F-hitung > F-Tabel
- Ho diterima jika F-hitung ≤ F-Tabel

Gambar 17.2 Kurva F

Contoh soal :
Dari 5 tablet sakit kepala yang diberikan kepada 25 orang dicatat berapa lama
tablet-tablet tersebut dapat mengurangi rasa sakit. Ke-25 orang itu dibagi secara
acak ke dalam 5 kelompok dan masing-masing diberi satu jenis tablet yang
berbeda yaitu tablet A, B, C, D dan E. Dalam pengujian ini ingin mengetahui
apakah kelima tablet tersebut sama lamanya dalam mengurangi rasa sakit.

Tabel 17.2 tabel waktu mengurangi rasa sakit

 Penyelesaian :
Tabel 17.3 penyelesaian

Dari hasil perhitungan di dapatkan :

1. JKA = 79,440
JKT = 137,04
JKD = 137,04 – 79,440 = 57,600
2. H0 : Kelima tablet memiliki waktu yang sama dalam mengurangi rasa sakit.
H1 : Terdapat tablet yang tidak memiliki waktu sama dalam mengurangi rasa
sakit.
3. Df1 = 4
Df2 = 20
Sehingga Ftabel = 2,87
Tabel 17.4 Tabel Anova
Sumber Jumlah Derajat Rataan F hitung
variasi Kuadrat Kebebasan Kuadrat
Perlakuan 79,440 4 19,860 6,896

Galat 57,600 20 2,880

 Jumlah 137,04 24

4. Karena Fhitung lebih besar dari Ftabel maka H0 di tolak ada tablet yang memiliki
waktu yang tidak sama untuk meredakan sakit.

2. Analisis Sesudah ANOVA

Analisis sesudah Anova atau pasca Anova (Post Hoc) dilakukan jika Hipotesis nol
(H0) di tolak. Apabila hipotesis nol di terima maka analisis post hoc tidak perlu
dilakukan, karena tujuan analisis sesudah anova adalah untuk mencari kelompok
mana yang berbeda hal ini dapat dilakukan bila Fhitung nya berbeda. Ada beberapa
teknik analisis yang dapat digunakan untuk melakukan analisis sesudah ANOVA,
antara lain Tukey’s HSD, Bonferroni, Sidak, Duncan, dll. Analisis sesudah anova
yang popular dan sering di gunakan adalah Tukey’s HSD dengan rumus sebagai
berikut :
a. Menghitung Tukey’s HSD dengan rumus

Dimana :
q = the student range statistic. q di peroleh dengan melihat table student range
statistic. kolom untuk jumlah kelompok atau perlakuan sehingga dalam hal ini k
= 5. Df = n – k sehingga 25 – 5 = 20. Sehingga dengan melihat table student
range statistic q = 4,23
k = kelompok

b. Mencari perbedaan rata-rata antar kelompok

Menghitung rata-rata masing-masing kelompok dimana :
Kelompok A = 5,2
Kelompok B = 7,8
Kelompok C = 4,0
Kelompok D = 2,8
Kelompok E = 6,6
Selanjutnya berdasarkan rata-rata masing-masing kelompok di buat table
perbedaan antar kelompok sebagai berikut :

Tabel 16.5 Tabel Post Hoc

XA XB XC XD XE
XA - -2,6 1,2 2,4 -1,4
XB 2,6 - 3,8 5 1,2
XC -1,2 -3,8 - 1,2 -2,6
XD -2,4 -5 -1,2 - 3,8
XE 1,4 -1,2 2,6 -3,8 -
 Selanjutnya membandingkan perbedaan rata-rata antar kelompok dengan nilai
HSD, bila perbedaan rata-rata lebih besar dari nilai HSD (tanpa memperhatikan
tanda – dan +) maka ada perbedaan yang significant. Tetapi bila lebih kecil dari
nilai HSD berarti tidak ada perbedaan yang significant
Dari table diatas dapat di simpilkan :
XA = XB XB ≠ XC XC = XD XD ≠ XE

XA = XC XB ≠ XD XC = XE
XA = XD XB = XE
XA = XE

c. Interpretasi
1. Obat yang paling baik untuk meredakan sakit kepala adalah obat merk D
karena menyembuhkan lebih cepat daripada yang lainnya. Sedangkan Obat
merek B menyembuhkan yang paling lama di bandingkan obat merk lainnya.
2. Dari table 16.5 dapat diinterpretasikan sebagai berikut :
 Obat A dan obat B memberikan waktu penyembuhan yang sama
 Obat A dan obat C memberikan waktu penyembuhan yang sama
 Obat A dan obat D memberikan waktu penyembuhan yang sama
 Obat A dan obat E memberikan waktu penyembuhan yang sama
 Obat B dan obat C memberikan waktu penyembuhan yang tidak sama
 Obat B dan obat D membarikan waktu penyembuhan yang tidak sama
 Obat B dan obat E membarikan waktu penyembuhan yang sama
 Obat C dan obat D membarikan waktu penyembuhan yang sama
 Obat C dan obat E membarikan waktu penyembuhan yang sama
 Obat D dan obat E membarikan waktu penyembuhan yang tidak sama
DAFTAR PUSTAKA
Arikunto, Suharsimi. 2010. Prosedur Penelitian : Suatu Pendekatan Praktik. Edisi Revisi
2010. Jakarta : Rineka Cipta.
Cohran, W.G. 2005. Teknik Penarikan Sampel.Terj. Rudiansyah. Ed. 3. Jakarta :
Penerbit UI Press
Ghozali, Imam. 2011. Aplikasi Analisis Multivariate Dengan Program SPSS. Semarang
: BP Universitas Diponegoro
Gudono, 2011. Analisis Data Multivariate. Yogyakarta : BPFE
Gujarati, Damodar. 2006. Dasar-Dasar Ekonometrika.Jakarta : Erlangga.
Hartono. 2004. Statistik Untuk Penelitian. Yaogjakarta : Pustaka Pelajar
http://junaidichaniago.wordpress.com
Jan Jonker, Bartjan J.W. Pennink, Sari Wahyunil. 2011. Metodologi Penelitian.
Panduan Untuk Master Ph.D di bidang Manajemen. Jakarta : Salemba Empat
Neuman, W, L. (2006). Social Research Methods : Qualitative and Quantitative
Approaches. Sixth Edition, New York : Pearson International, Inc
Riduwan dan Sunarto. 2007. Statistika untuk penelitian. Bandung : Alfabeta
Santoso, Singgih. 2002. Statistik dengan SPSS. Jakarta : Elex media Komputindo.
Sarwono, Jonathan. 2006. Metode Penelitian Kuantitatif dan Kualitatif. Yogyakarta :
Graha Ilmu
Sugiyono. 2012. Metode Penelitian Kombinsasi. Bandung : Alfabeta
Usman Husaini dan R. Purnomo Akbar, 2000. Pengantar Statistika, Jakarta, Bumi
Aksara
Walpole, E Ronald, 1997. Pengantar Statistika Edisi Ke-3. Jakarta : Gramedia Pustaka
Utama
 Dr. H. Sandu Siyoto,
S.Sos.,SKM.,M.Kes
Dr. H. Sandu Siyoto, S.Sos.,SKM.,M.Kes, lahir di
Desas Klagen Rejoso Nganjuk Jawa Timur 16
Februari 1970. Lulusan Pendidikan D-III Akademi
Penilik Kesehatan Surabaya (Dep. Kesehatan RI), S-1
pada Fakultas Sospol Unikad tahun 1996 dan Sarjana
Kesehatan Masyarakat di STIKes Majapahit tahun
2013 . Program Magister Ilmu Kesehatan Masyarakat
di Universitas Gadjah Mada Yogyakarta tahun 2001
dan Program Doktor Ilmu Kesehatan Masyarakat
Universitas Airlangga Surabaya Tahun 2013.
Beberapa pelatihan, workshop dan kursus baik
sebagai peserta maupun pembicara yang berkaitan
dengan aktifis prastis dan juga akademik telah diikuti
oleh penulis baik yang bersifat lokal, regional, nasional serta Internasional
(Singapura, Johor Malaysia, Melbounre, Hobart Tasmania,Taiwan, Philipina).
Beberapa hasil penelitian penulis sudah dipublikasikan dalam forum regional,
nasional bahkan internasional. Selain itu beberapa buku dan karya penulis juga
telah diterbitkan, diantaranya “Kesehatan Reproduksi “ (2013) yang ditulis
bersama Dr. Hasdiana, M.Kes, “Kledek Nganjuk” (2014) yang ditulis bersama
budayawan Dr. Purwadi, SS.,M.Hum, “Dasar-dasar Riset Keperawatan” ditulis
bersama Dr. Hasdianah Hasan Rohan, M.Si, Dr. Indasah, M.Kes.
 Ratna Wardani, SSi., MM
Ratna Wardani, SSi., MM, lahir
di Kediri, Jawa Timur 6 Desember
1978. Lulusan S-1 Statistika Institut 10
Nopember Surabaya tahun 2001.
Program Magister Manajemen di
Universitas Airlangga Surabaya tahun
2006. Beberapa pelatihan, workshop
dan kursus baik sebagai peserta
maupun pembicara yang berkaitan
dengan aktifis prastis dan juga
akademik telah diikuti oleh penulis.
Beberapa hasil penelitian penulis sudah
dipublikasikan dalam forum regional dan nasional. Selain itu beberapa buku dan
karya penulis juga telah diterbitkan, diantaranya “Dasar-dasar Riset
Keperawatan” ditulis bersama Dr. Hasdianah Hasan Rohan, M.Si, Dr. Indasah,
M.Kes, Pengolahan dan Analisa Data di tulis bersama Niasari, SSi., M.Kes.