L/O/G/O

KONSEP STATISTIK
Kuliah S2 – Teknik Fisika ITS

By
Syamsul Arifin
Aulia Siti Aisjah
1. Konsep Statistika

STATISTIKA :
Kegiatan untuk :
• mengumpulkan data
KEGUNAAN

?
• menyusun data
• menyajikan data
• menganalisis data dengan metode tertentu
• menginterpretasikan hasil analisis

Melalui fase

STATISTIKA DESKRIPTIF :
Berkenaan dengan pengumpulan, pengolahan, dan penyajian sebagian atau seluruh data
(pengamatan) untuk memberikan informasi tanpa pengambilan kesimpulan

dan fase

STATISTIKA INFERENSI :
Setelah data dikumpulkan, maka dilakukan berbagai metode statistik untuk
menganalisis data, dan kemudian dilakukan interpretasi serta diambil kesimpulan.
Statistika inferensi akan menghasilkan generalisasi (jika sampel representatif)
 2. Statistika & Metode Ilmiah

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

LANGKAH-LANGKAH DALAM METODE ILMIAH :

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

4. Mengumpulkan dan mengolah data, menguji hipotesis, atau menjawab

pertanyaan

5. Mengambil kesimpulan

VARIABEL

INSTRUMEN

SAMPEL
PERAN STATISTIKA
SIFAT DATA

METODE ANALISIS
3. Data

DATA terbagi atas DATA KUALITATIF dan DATA KUANTITATIF

DATA KUALITATIF : DATA KUANTITATIF :

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

DATA

KUALITATIF JENIS KUANTITATIF

DATA

NOMINAL INTERVAL
ORDINAL RASIO
Statistik Inferensial
• Statistik inferensial adalah metode statistik yang berguna
untuk membuat inferensi tentang populasi dari probabilitas
sampel.
• Metode ini digunakan untuk menggambarkan populasi hanya
dengan menggunakan informasi dari observasi yang
dilakukan terhadap probabilitas sampel dari kasus yang
diambil dari populasi.
• Statistik inferensial memiliki dua metode, yaitu:
1) statistik non-parametrik, dan
2) statistik parametrik.
 DATA

DISTRIBUSI

normal Tidak normal

STATISTIK STATISTIK
PARAMETRIK NON-PARAMETRIK
Statistik Inferensial Uji dua fihak(two tail test)

Uji satu fihak(one tail test)

Korelasi product moment

Korelasi Korelasi ganda

Test binomial Korelasi parsial

Parametris
Inferensial
Chi kuadrat
Non-parametris

Run test

Koefisien kontingensi

Koefisien spearman rank

Koefisien kendal tau

Tipe Data

Data kualitatif empiris

Kualitatif
Data kualitatif bermakna

Data Diskrit Ordinal

Kuantitatif
Interval

Kontinum

Rasio

8
Teknik Sampling Data
Simple random sampling

stratified random sampling

Proportionate stratified
random sampling

Systematic random
One Stage
sampling

Two Stage / Multy Stage Area (cluster) sampling

Multistage Random
Probability Sampling Sampling
Teknik Sampling Data Sampling sistematis

Sampling kuota

Sampling insidental
Non-Probability Sampling
Purposive sampling

Sampling jenuh

Snowball sampling
Ukuran Sampel Data
Jumlah sampel data dapat ditentukan dengan berbagai ukuran, diantaranya
dengan menggunakan:

a). Tabel Issac & Michael, dengan tingkat keslahan 1%, 5%, dan 10%;
b). Nomogram Harry King, dengan tingkat kesalahan 0,3% - 15%
dll.

Menurut buku Research Methods for Business (1982:253), ukuran sampel untuk penelitian:

1). Ukuran sampel yang layak dalam penelitian adalah antara 30 s/d 500 data/sampel.
2). Bila sampel dibagi dalam katagori, maka jumlah sampel dalam setiap katagori minimal 30;
3). Bila dalam penelitian akan melakukan analisis dg multivariate (korelasi atau regresi ganda misalnya),
maka jumlah anggota sampel minimal 10 kali dari jumlah variable yang diteliti.
4). Untuk penelitian eksperimen yang sederhana, yang menggunakan kelompok eksperimen dan
kelompok control, maka jumlah anggota sampel masing-masing kelompok 10 s/d 20;
4. Data DATA NOMINAL :
Data berskala nominal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi.
CIRI : posisi data setara
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH: jenis kelamin, jenis pekerjaan

DATA ORDINAL :
Data berskala ordinal adalah data yang dipeoleh dengan cara kategorisasi atau klasifikasi, tetapi di antara data
tersebut terdapat hubungan
CIRI : posisi data tidak setara, tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH : kepuasan kerja, motivasi
DATA INTERVAL :
Data berskala interval adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara dua titik skala
sudah diketahui.
CIRI : Tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : temperatur yang diukur berdasarkan 0C dan 0F, sistem kalender
DATA RASIO :
Data berskala rasio adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara dua titik skala
sudah diketahui dan mempunyai titik 0 absolut.
CIRI : tidak ada kategorisasi, bisa dilakukan operasi matematika
CONTOH : gaji, skor ujian, jumlah buku
 5. Pengolahan Data

PROSEDUR PENGOLAHAN DATA :

A. PARAMETER : Berdasarkan parameter yang ada statistik dibagi menjadi

• Statistik PARAMETRIK : berhubungan dengan inferensi statistik yang membahas parameter-parameter

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

• Statistik NONPARAMETRIK : inferensi statistik membahas parameter-parameter populasi; jenis data

nominal atau ordinal; distribusi data tidak diketahui atau tidak normal

B. JUMLAH VARIABEL : berdasarkan jumlah variabel dibagi menjadi

• Analisis UNIVARIAT : hanya ada 1 pengukuran (variabel) untuk n sampel atau beberapa variabel tetapi
masing-masing variabel dianalisis sendiri-sendiri..
• Analisis BIVARIAT: analisis data dari dua variabel
Contoh : korelasi antara kecepatan angin dengan energi
• Analisis MULTIVARIAT : dua atau lebih pengukuran (variabel) untuk n sampel di mana analisis antar
variabel dilakukan bersamaan. Contoh : pengaruh kecepatan angin dan tekanan udara terhadap
besarnya energy
 Penyajian Data (table) - Neraca energi
Sumber energi dan produk-produknya Hasil
Briket Minyak BBM BBM LPG dan Energi
Olahan Gas Total
Batubara dan Mentah Berkadar Berkadar Pengilang Gas Alam Listrik Biomasa
Minyak Kota Energi
Kokas dan NGL Ringan Berat an Gas Primer
Lainnya
Produksi dan pemanfaatannya
2008
1 Produksi energi primer 7.689.304 0 2.507.582 0 0 0 0 2.587.533 0 177.598 9.004 12.971.021
2 Impor 3.455 880 559.086 334.272 291.792 9.664 4.284 0 0 0 76 1.203.509
3 Ekspor 6.138.592 961 2.170.852 41.593 11.709 9.411 12.229 490.813 0 0 6.159 8.882.319
4 Marine / aviation bunkers 0 0 0 30.232 5.085 0 0 0 0 0 0 35.317
5 Perubahan stok -10.080 0 77.694 0 0 0 0 -555.920 0 0 0 -488.306
6 Total Keperluan Energi 1.544.087 -81 973.509 262.447 274.998 253 -7.945 1.540.800 0 177.598 2.922 4.768.588
7 Energi konversi -677.556 12.604 -1.019.651 1.315.405 273.910 36.480 76.600 -1.555.679 159.012 1.297.966 12.400 -68.509
8 Pabrik briket -10.932 9.772 0 -8 0 0 0 0 0 0 0 -1.168
9 Batu arang (kokas) dan pabriknya -3.263 3.019 0 -1 -134 0 0 0 0 0 0 -379
10 Pabrik gas (PGN) 0 0 0 -140 -71 -5 0 -172.221 172.265 -639 0 -810
11 Tanur Tinggi -2.455 0 0 0 -1.058 0 0 0 0 0 0 -3.513
12 Pengilangan minyak 0 0 -2.117.539 1.316.149 664.046 37.846 76.993 -26.659 0 0 0 -49.163
13 Pabrik proses NGL 0 0 1.097.888 0 0 0 0 -924.459 0 0 0 173.428
14 Pabrik tenaga listrik -633.221 0 0 1 -367.798 -790 0 -261.153 0 1.298.605 0 35.644
15 Pabrik pemanasan -18.739 0 0 0 0 0 0 0 0 0 0 -18.739
16 Industri konversi lainnya -8.946 -187 0 -598 -21.076 -571 -393 -171.187 -13.253 0 12.400 -203.810
17 Transfer netto/bersih 0 0 0 0 0 0 0 0 0 0 0 0
18 Konsumsi dari sektor energi 4.588 158 0 0 3.442 2.747 0 59.596 0 4.510 0 75.040
19 Tercecer dalam penyaluran/pengangkutan 45 29 7.756 4 50 0 0 16.783 0 18.577 0 43.245
20 Konsumsi bukan untuk energi 69 40 0 142 34 3.638 11.591 197.245 0 0 550 213.309
21 Statistical Differences 113.515 9.050 -53.898 6.718 -125.293 -3.273 -26.919 -403.066 48.898 26.770 11.030 -396.469
22 Konsumsi Akhir 748.315 3.246 0 1.570.988 670.675 33.622 83.983 114.562 110.114 1.425.707 3.742 4.764.953
23 Industri dan konstruksi 748.315 2.754 0 39.225 229.284 33.352 6.012 112.831 110.114 431.050 0 1.712.937
24 Industri besi dan baja 90.307 2.167 0 13.983 18.016 9.708 1.099 0 90.864 49.663 0 275.806
25 Industri bahan kimia 98.501 118 0 2.007 21.227 2.866 621 0 18.984 36.596 0 180.918
26 Industri dan konstruksi lainnya 559.507 470 0 23.236 190.041 20.777 4.293 112.831 266 344.792 0 1.256.212
27 Transportasi 0 0 0 1.217.935 309.651 0 0 620 0 852 0 1.529.057
28 Darat 0 0 0 534.372 281.475 0 0 620 0 0 0 816.467
29 Kereta api 0 0 0 0 14.316 0 0 0 0 852 0 15.167
30 Udara 0 0 0 683.563 0 0 0 0 0 0 0 683.563
31 Daerah pedalaman dan perairan 0 0 0 0 0 0 0 0 0 0 0 0
32 Model transportasi lainnya 0 0 0 0 13.860 0 0 0 0 0 0 13.860
33 Rumah tangga dan konsumen lainnya 0 492 0 313.827 131.740 271 77.971 1.111 0 993.806 3.742 1.522.959
34 Rumah tangga 0 384 0 262.694 1.526 0 72.492 0 0 303.219 0 640.315
35 Pertanian 0 21 0 1.458 5.283 266 14 8 0 3.782 0 10.831
36 Konsumen lainnya 0 87 0 49.675 124.931 5 5.465 1.103 0 686.805 3.742 871.814
Penyajian data – Pie diagram
8. Membuat Tabel

TABEL : memberikan informasi secara rinci. Terdiri atas kolom dan baris
Kolom pertama : LABEL
KOLOM
Kolom kedua …. n : Frekuensi atau label
TABEL
BARIS Berisikan data berdasarkan kolom

Tabel Tabulasi Silang

Pendapat tentang perlunya penggantian bb minyak ke
Asal Wilayah gas Jumlah
Sangat Perlu Tidak Tidak Sangat
perlu tahu perlu tdk perlu

Jawa Barat
Jawa Tengah
Jawa Timur
NTT
Papua
Jumlah
 9. Membuat Grafik

GRAFIK : memberikan informasi dengan benar dan cepat, tetapi tidak rinci.
Syarat :
1. Pemilihan sumbu (sumbu tegak dan sumbu datar), kecuali grafik lingkaran
2. Penetapan skala (skala biasa, skala logaritma, skala lain)
3. Ukuran grafik (tidak terlalu besar, tinggi, pendek)

Jenis Grafik :
4
• Grafik Batang (Bar)
Sumbu tegak

3
• Grafik Garis (line)
2
• Grafik Lingkaran (Pie)
1
• Grafik Interaksi (Interactive)
0
1 2 3 4
Titik
pangkal Sumbu datar
 Grafik Batang (Bar) Grafik Garis (line) 10. Jenis Grafik

Grafik Interaksi (interactive)

Grafik lingkaran (pie) 800000

keuangan
administrasi
700000

600000

personalia 500000
Mean gaji perbulan

Jenis kelamin
400000

laki-laki
marketing

produksi 300000 w anita

sangat jelek jelek cukup baik baik sangat baik

prestasi kerja
11. Frekuensi

FREKUENSI : banyaknya data untuk satu kelompok/klasifikasi

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

k
n = Σ fi = f1 + f2 + f3 +….. + fi + …… + fk
i=1
12. Distribusi Frekuensi

DISTRIBUSI FREKUENSI : mengelompokkan data interval/rasio dan menghitung

banyaknya data dalam satu kelompok/klasifikasi
Membuat distribusi frekuensi :
USIA FREKUENSI 1. Mencari sebaran (range) yakni selisih antara data paling
besar dengan data paling kecil) + 1  35 – 20 + 1= 16
20 5
2. Menentukan banyak kelas dengan rumus k = 1 + 3,3
21 6 log n
22 13 7
23 4 1. Menentukan panjang kelas dengan rumus
p = sebaran / banyak kelas  16/7 = 2
24 7
25 7 KELOMPOK USIA FREKUENSI

26 7 20 – 21 11

27 5 22 – 23 17

28 3 24 – 25 14

29 4 26 – 27 12

30 15 28 – 29 7

31 3 30 – 31 18

33 5 32 - 33 5

35 1 34 - 35 1
 13. Grafik Poligon

KELOMPOK FREKUENSI NILAI

USIA TENGAH
20-21 11 20,5
22-23 17 22,5

Frekuensi
24-25 14 24,5
26-27 12 26,5
28-29 7 28,5
30-31 18 30,5
32-33 5 32,5
34-35 1 34,5

Usia
 14. Grafik Histogram

KELOMPOK FREKUENSI NILAI NYATA

USIA
BUATLAH GRAFIK
20-21 11 19,5-21,5
HISTOGRAMNYA!
22-23 17 21,5-23,5

24-25 14 23,5-25,5

26-27 12 25,5-27,5

28-29 7 27,5-29,5

30-31 18 29,5-31,5

32-33 5 31,5-33,5

34-35 1 33,5-35,5
Menyusun Tabel Distribusi frekwensi
Berikut data nilai hasil ujian MK Statistik dari 150 mahasiswa;

27 79 69 40 51 88 55 48 36 61
53 44 93 51 65 42 58 55 69 63
70 48 61 55 60 25 47 78 61 54
57 76 73 62 36 67 40 51 59 68
27 46 62 43 54 83 59 13 72 57
82 45 54 52 71 53 82 69 60 35
41 65 62 75 60 42 55 34 49 45
49 64 40 61 73 44 59 46 71 86
43 69 54 31 36 51 75 44 66 53
80 71 53 56 91 60 41 29 56 57
35 54 43 39 56 27 62 44 85 61
59 89 60 51 71 53 58 26 77 68
62 57 48 69 76 52 49 45 54 41
33 61 80 57 42 45 59 44 68 73
55 70 39 59 69 51 85 46 55 67
13. Ukuran Tendensi Sentral RATA-RATA : suatu bilangan yang bertindak mewakili sekumpulan bilangan
a. Mean RATA-RATA HITUNG (RERATA/mean) : jumlah bilangan dibagi banyaknya

n
X + X2 + X 3 + … + X n
X= 1 Σ Xi
n i =1

n
Bila terdapat sekumpulan bilangan di mana masing-masing bilangannya memiliki frekuensi,
maka rata-rata hitung menjadi :
k
X f + X2 f2 + X3 f3 + … + Xkfk Σ Xifi
X= 1 1
f1 + f2 + f 3 + … + f k i =1

k
Σ fi
Cara menghitung : i =1

Bilangan (Xi) Frekuensi (fi) Xi fi

70 3 210
63 5 315
Maka : X = 695 = 69.5 - +
10
85 2 170 Mo X Md

Jumlah 10 695
b. Modus
MODUS : bilangan yang paling banyak muncul dari sekumpulan bilangan,
yang fungsinya untuk melihat kecenderungan dari sekumpulan bilangan tersebut.

b1
𝐌o = b + p( )
b1 + b2

Dimana:

Mo = Modus
b =batas bawah kelas interval dg frekwensi terbanyak - +
p =panjang kelas interval Mo X Md
b1 =frekwensi pada kelas modus (frekwensi pd kelas interval yg
terbanyak) dikurangi frekwensi kelas interval terdekat
sebelumnya
b2 =frekwensi kelas modus dikurangi frekwensi kelas interval
berikutnya
 b. Modus
Tabel Distribusi Nilai Interval Nilai Frekuensi
Kemampuan Kemampuan (f)
Manajerial 100 21-30 2
Pegawai PT Angin Lalu
31-40 6
41-50 18
51-60 30
61-70 20
71-80 10
81-90 8 +
-
91-100 6
Mo X Md
Jumlah 100

Dimana:
a). Kelas modus = kelas ke empat (f=30); 12
b). b = 51 – 0,5 = 50,5 𝐌o = 50,0 + 10
Nilai 12 + 10
c). b1 = 30 – 18 = 12 (30 = f kelas modus, 18 = f kelas sebelumnya)
d). b2 = 30 – 20 = 10 (30 = f kelas modus, 20 = f kelas sesudahnya) Modus = 55,95
c). p = 10 (panjang kelas interval)
 c. Median

MEDIAN : nilai tengah dari sekumpulan data setelah diurutkan yang fungsinya membantu
memperjelas kedudukan suatu data.

Contoh : diketahui rata-rata hitung/mean nilai ujian dari sejumlah siswa adalah 6.55.
Pertanyaannya adalah apakah siswa yang memperoleh nilai 7 termasuk istimewa, baik,
atau biasa-biasa saja ?

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

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

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

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

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

MEDIAN : nilai tengah dari sekumpulan data setelah diurutkan yang fungsinya membantu
memperjelas kedudukan suatu data.

1
2 n−F
𝐌d = b + p( )
f
Dimana:

Md = Median
b = batas bawah, dimana median akan terletak
n = jumlah data / sampel
p =panjang kelas interval
F = jumlah semua frekwensi sebelum kelas median
f =frekwensi kelas median
 c. Median

MEDIAN : nilai tengah dari sekumpulan data setelah diurutkan yang fungsinya membantu
memperjelas kedudukan suatu data.

Tabel Distribusi Nilai Interval Nilai Frekuensi Dimana:

Kemampuan Kemampuan (f)
Manajerial 100 21-30 2 a) ½ x 100 = 50
Pegawai PT Angin Lalu
31-40 6 b) b = 51 – 0,5 = 50,5
41-50 18 c) p = 10 (panjang kelas interval)
51-60 30 d) f = 30 (frekwensi kelas median)
61-70 20
e) F = 2 + 6 + 18 (jumlah semua frekwensi sebelum kelas
median)
71-80 10

Median
Nilai
81-90 8
91-100 6
Jumlah 100
1
x100 − 26
𝐌d = 50,5 + 10 2
- +
30
Mo X Md
= 58,5
e. Quartile

Quartile: titik/skor/nilai yang membagi seluruh distribusi frekuensi ke dalam empat bagian
sama besar, yakni masing-masing 1/4N.

Untuk data tunggal

Qn = l + n/4N – fkb
fi

Untuk data berkelompok

1/4N 1/4N
1/4N
1/4N
Qn = l + n/4N – fkb X i
fi
Q1 Q2 Q3

l = batas bawah nyata dari skor

yang mengandung Qn
f. Desile

Desile: titik/skor/nilai yang membagi seluruh distribusi frekuensi ke

dalam sepuluh bagian sama besar, yakni masing-masing 1/10N.

Untuk data tunggal

1/1
0N Dn = l + n/10N – fkb
fi

Untuk data berkelompok

D2 D4 D6 D8
D1 D3 D5 D7 D9

Dn = l + n/10N – fkb X i
fi

l = batas bawah nyata dari skor

yang mengandung Dn
e. Percentile

Percentile: titik/skor/nilai yang membagi seluruh distribusi frekuensi

ke dalam seratus bagian sama besar, yakni masing-masing 1/100N.

Untuk data tunggal

Pn = l + n/100N – fkb
fi
P1 P25 P50 P75 P100

Untuk data berkelompok

Pn = l + n/100N – fkb X i
fi

l = batas bawah nyata dari skor

yang mengandung Pn
14. Ukuran Penyebaran

UKURAN YANG MENYATAKAN HOMOGENITAS / HETEROGENITAS :

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

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

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

Contoh :

A : 100 90 80 70 60 50 40 30 20 10
X = 55
B : 100 100 100 100 100 10 10 10 10 10
r = 100 – 10 = 90
Rata-rata C : 100 100 100 90 80 30 20 10 10 10
17. Deviasi rata-rata

Kelompok A Kelompok B
Deviasi Rata-rata : penyebaran
Nilai X X-X |X – X| Nilai X X-X |X – X|
Berdasarkan harga mutlak simpangan
bilangan-bilangan terhadap rata- 100 45 45 100 45 45

ratanya. 90 35 35 100 45 45
80 25 25 100 45 45
70 15 15 90 35 35
Rata-rata
60 5 5 80 25 25
50 -5 5 30 -25 25
40 -15 15 20 -35 35
30 -25 25 10 -45 45
20 -35 35 10 -45 45
10 -45 45 10 -45 45
Jumlah 0 250 Jumlah 0 390

DR = 250 = 25 DR = 390 = 39
10 10
Rata-rata
n
|Xi – X|
DR = Σ
n
i=1

Makin besar simpangan,

makin besar nilai deviasi rata-rata
18. Varians & Deviasi Standar

Kelompok A Kelompok B

Varians : penyebaran berdasarkan Nilai X X -X (X–X)2 Nilai X X -X (X –X)2

jumlah kuadrat simpangan bilangan- 100 45 2025 100 45 2025

bilangan terhadap rata-ratanya ; 90 35 1225 100 45 2025
melihat ketidaksamaan sekelompok data 80 25 625 100 45 2025
70 15 225 90 35 1225
n 60 5 25 80 25 625
= Σ (Xi – X)
2
s2 50 -5 25 30 -25 625
i=1 n-1 40 -15 225 20 -35 1225
30 -25 625 10 -45 2025
20 -35 1225 10 -45 2025
Deviasi Standar : penyebaran 10 -45 2025 10 -45 2025
berdasarkan akar dari varians ;
Jumlah 8250 Jumlah 15850
menunjukkan keragaman kelompok data
8250 15850
s= √ 9 = 30.28 s= √ 9 = 41.97
n

√
Kesimpulan :
Σ (Xi – X)
2
s=
Kelompok A : rata-rata = 55 ; DS = 25 ; s = 30.28
i=1 n-1 Kelompok B : rata-rata = 55 ; DS = 39 ; s = 41.97
Maka data kelompok B lebih tersebar daripada kelompok A
19. Normalitas, Hipotesis, Pengujian

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

Skewness = kemiringan
34,13% 34,13%

13,53% 13,53%

2,7% 2,7%

-3s  -2s  -s   +s  +2s  +3s

68%
95%
99%

• Lakukan uji normalitas

• Rasio Skewness & Kurtosis berada –2 sampai +2
Rasio = nilai
Standard error
• Jika tidak berdistribusi normal, lakukan uji normalitas non parametrik (Wilcoxon,
Mann-White, Tau Kendall)
UJI HIPOTESIS
Uji Hipotesis Deskriptif (1 Sampel)

Jenis / Tingkatan Teknik statistic yg digunakan untuk

Data pengujian
Nominal 1. Test Binomial
2. Chi Kuadrat (1 sampel)
Ordinal 1. Run test
Menurut interval/ratio 1. t-test (1 sampel)
20. Normalitas, Hipotesis, Pengujian

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

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

HIPOTESIS TERARAH TIDAK TERARAH

Hipotesis Siswa yang belajar bahasa lebih Ada perbedaan keseriusan siswa
Penelitian serius daripada siswa yang antara yang belajar bahasa dengan
belajar IPS yang belajar IPS
Hipotesis Nol Siswa yang belajar bahasa tidak Tidak terdapat perbedaan
(Yang diuji) menunjukkan kelebihan keseriusan belajar siswa antara
keseriusan daripada yang belajar bahasa dan IPS
IPS
Ho :  < i Ho :  = i
Ha :  > i Ha :  ≠ i
(uji satu fihak / one tail test) (uji dua fihak/two tail test)
 21. Normalitas, Hipotesis, Pengujian

Pengujian Hipotesis Satu Arah Pengujian Hipotesis Dua Arah

(one tail test): (two tail test):
Ada 2 macam: uji fihak kanan dan
uji fihak kiri Ho :  = i
Ho :  < i Ha :   i
Ha :  > i

5% 2.5% Daerah penerimaan hipotesis Ho 2.5%

Daerah penerimaan hipotesis Ho

Daerah Daerah Daerah

penolakan penolakan penolakan
Hipotesis Ho Hipotesis Ho Hipotesis Ho

Uji Fihak Kiri: bila harga t-hitung  t-table, maka Ho Bila harga t-hitung  t-table, maka Ho diterima
diterima;
Uji Fihak Kanan: bila harga t-hitung  t-table, maka
Ho diterima;
21. Normalitas, Hipotesis, Pengujian

Pengujian : bila Ho terarah, maka pengujian signifikansi satu pihak

bila Ho tidak terarah, maka pengujian signifikansi dua pihak
Pengujian signifikansi satu arah (hipotesis terarah):
Siswa yang belajar bahasa tidak menunjukkan kelebihan keseriusan daripada
yang belajar IPS Ho : b < i
Jika Ho ditolak, maka Ha diterima ; daerah penolakan berada di sebelah kanan

5% 2.5% 2.5%

Daerah penerimaan hipotesis Daerah Daerah Daerah penerimaan hipotesis Daerah

penolakan penolakan penolakan
hipotesis hipotesis hipotesis

Pengujian signifikansi dua arah (hipotesis tidak terarah):

Tidak terdapat perbedaan keseriusan belajar siswa antara bahasa dan IPS
Ho : b = i
Jika Ho ditolak, maka Ha diterima ; daerah penolakan bisa berada di sebelah kiri atau kanan
Tabel Distribusi-t
dk = n – 1
n=jumlah sampel

 = tingkat kesalahan (%)

22. Uji t

Uji t : menguji apakah rata-rata suatu populasi sama dengan suatu harga tertentu atau
apakah rata-rata dua populasi sama/berbeda secara signifikan.

1. Uji t satu sampel

Menguji apakah satu sampel sama/berbeda dengan
α
rata-rata populasinya, tingkat kesalahan = 5%
t =
( - )
• hitung rata-rata dan std. dev (s)
• df = n – 1 s / √n
• tingkat signifikansi ( = 0.025 atau 0.05)
• pengujian apakah menggunakan 1 ekor atau 2 ekor
• diperoleh t hitung ; lalu bandingkan dengan t tabel : jika t hitung > t tabel Ho ditolak

Contoh :
Peneliti ingin mengetahui apakah guru yang bekerja selama 8 tahun memang berbeda
dibandingkan dengan guru lainnya.
Ho : p1 = p2
Diperoleh rata2 = 17.26 ; std. Dev = 7.6 ; df = 89 ; t hitung = 11.55
α
Berdasarkan tabel df=89 dan = 0.05 diperoleh t tabel = 1.987
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
guru yang bekerja selama 8 tahun secara signifikan berbeda dengan
guru lainnya
Uji Satu Fihak: Uji Fihak Kiri
Hopotesis nol (Ho) berbunyi lebih besar atau sama dengan () ;
Hopotesis alternative (Ha) berbunyi lebih kecil (<) ;
Contoh:
Ho: daya tahan lampu merk A paling sedikit 400 jam (  400 jam); atau Ho: o  400 jam
Ha: daya tahan lampu merk A lebih kecil dari 400 jam (< 400 jam); atau Ha: o  400 jam

Daerah
penerimaan
 hipotesis Ho

Daerah
penolakan
Hipotesis Ho

Bila harga t-hitung jatuh pada daerah penerimaan Ho lebih besar atau sama dengan () dari t-tabel,
maka Ho diterima dan Ha ditolak.
Contoh Uji Fihak Kiri
Suatu perusahaan lampu pijar merk A, menyatakan bahwa daya tahan lampu yang dibuat paling sedikit 400
jam. Berdasarkan pernyataan produsen lampu tersebut, maka lembaga konsumen melakukan pengujian, pakah
daya tahan lampu itu betul 400 jam atau tidak, sebab ada keluhan dari masyarakat pengguna yg menyatakan
bahwa lampu pijar merk A tsb. cepat putus.
Maka untuk melakukan uji, dilakukan uji coba daya tahan lampu terhadap 25 lampu diambil secara random.
Dari uji coba diperoleh data daya tahan 25 lampu merk A dalam satuan jam sbb.:
450 390 400 480 500 380 350 400 340 300 300 345 375
Daerah
425 400 425 390 340 350 360 300 200 300 250 400 penolakan
Hipotesis Ho
Daerah
 penerimaan
hipotesis Ho

tb = 1,711
Rumusan hipotesisnya: Ho: o  400 jam
Ha: o  400 jam th = -2,49

450+390+400+⋯…+250+400 𝑋−𝜇𝑜 ത 366−400

t-hitung: 𝑋ത = = 366 dan 𝑡ℎ = 𝑠 = 68,25 = −2,49
25
𝑛 25

t-tabel: derajat kebebasan dk=n-1=25-1=24, dengan tingkat kesalahan 5% diperoleh dari tabel tb = 1,711,
Maka diperoleh th < tb , maka th jatuh pada daerah penolakan, maka Ho ditolak dan Ha diterima.
Uji Satu Fihak: Uji Fihak Kanan
Hopotesis nol (Ho) berbunyi lebih kecil atau sama dengan ();
Hopotesis alternative (Ha) berbunyi lebih besar ();
Contoh:
Ho: daya tahan lampu merk B paling besar 500 jam (  500 jam); atau Ho: o  500 jam
Ha: daya tahan lampu merk B lebih dari 500 jam ( 500 jam); atau Ha: o  500 jam

Daerah
penerimaan
hipotesis Ho 
Daerah
penolakan
Hipotesis Ho

Bila harga t-hitung jatuh pada daerah penerimaan Ho lebih kecil atau sama dengan () dari t-tabel,
maka Ho diterima dan Ha ditolak.
Contoh Uji Fihak Kanan
Penelitian terhadap penjualan hasil kebun apel, ingin diketahui berapa kg penjualan jeruk tiap harinya.
Berdasarkan hasil pengamatan sepintas terhadap penjualan buah apel, maka peneliti mengajukan hipotesis
bahwa buah apel yang paling banyak yang mampu dijual adalah 100 kg.
Selanjutnya dilakukan pengumpulan data terhadap 20 pedagang buah apel, dan diperoleh hasil sbb.:
98 80 120 90 70 100 60 85 95 100
70 95 90 85 75 90 70 90 60 100 Daerah
penolakan
Rumusan hipotesisnya: Ho: o  100 jam Hipotesis Ho

Ha: o  100 jam Daerah

penerimaan
hipotesis Ho 
th = - 3,77 tb = 1,729

98+80+120+⋯…+60+100 ത
𝑋−𝜇 86,65−100
t-hitung: 𝑋ത = = 86,65 dan 𝑡ℎ = 𝑠 𝑜 = 15,83 = −3,77
20
𝑛 20

t-tabel: derajat kebebasan dk=n-1=20-1=19, dengan tingkat kesalahan 5% diperoleh dari tabel tb = 1,729,
Maka diperoleh th < tb , maka th jatuh pada daerah penerimaan, maka Ho diterima dan Ha ditolak.
23. Uji t

2. Uji t dua sampel bebas

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

(Σx2 + Σy2) (1/nx + 1/ny)

√
(X – Y)
t= dimana Sx-y =
Sx-y (nx + ny – 2)

Contoh :
Peneliti ingin mengetahi apakah ada perbedaan penghasilan (sebelum sertifikasi) antara
guru yang lulusan S1 dengan yang lulusan S3
Ho : Pb = Pk
Diperoleh : rata2 x = 1951613 ; y = 2722222 ; t hitung = - 7.369
α
Berdasarkan tabel df=69 dan = 0.025 diperoleh t tabel = 1.994
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
Rata-rata penghasilan guru yang S1 berbeda secara signifikan dengan
penghasilan guru yang S3
24. Uji t

3. Uji t dua sampel berpasangan

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

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

ΣD2 – (ΣD)2
sD =
√ Σ d2
N(N-1)
Σ d2 =
N

Contoh :
Seorang guru ingin mengetahui efektivitas model pembelajaran diskusi. Setelah selesai
pembelajaran pertama, ia memberikan tes dan setelah selesai pembelajaran kedua
kembali ia memberikan tes. Kedua hasil tes tersebut dibandingkan dengan harapan
adanya perbedaan rata-rata tes pertama dengan kedua.
Ho : Nd = Nc
Diperoleh rata2d = 66.28 ; rata2c = 73.84 ; t hitung = -8.904
α
Berdasarkan tabel df=163 dan = 0.05 diperoleh t tabel = 1.960
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
Terdapat perbedaan yang signifikan antara hasil tes pertama dengan
hasil tes kedua, sehingga ia menyimpulkan model diskusi efektif
meningkatkan hasil belajar siswanya
Soal Tugas
1) Dilakukan penelitian untuk mengetahui kecenderungan masyarakat dalam memilih jenis
BBM untuk kendaraannya. Berdasarkan sampel yang digunakan sebagai sumber data,
ternyata 1500 orang memilih premium, 900 orang memilih Pertalite, 700 orang memilih
Pertamax, dan 400 orang memilih Pertamax Plus. Buktikan hipotesis bahwa 4 jenis BBM
tersebut berpeluang sama untuk dipilih oleh masyarakat.
2) Telah dilakukan pengumpulan data tentang konsumsi BBM oleh pengendara motor.
Berdasarkan sampel 30 lokasi penelitian diperoleh data konsumsi BBM jenis premium tiap
hari dalam satuan liter sebagai beriku:
7 9 6 6 8 9 10 3 6 5 2 4 6 7 9
8 9 9 6 7 8 10 9 3 4 6 8 7 3 6
Buktikan hipotesis bahwa:
a). Komsumsi premium = 8 liter/hari;
b). Konsumsi premium paling sedikit 4 liter/hari;
c). Konsumsi premium paling tinggi 10 liter/hari;
 Uji Hipotesis Komparatif
Macam BENTUK KOMPARASI
Data Dua Sampel K Sampel
Independen Korelasi Independen Korelasi
Interval t-test *)(2 sampel) t-test *)(2 sampel) One Way Anova*); One way Anova*)
Ratio Two Way Anova; Two Way Anova;
Nominal Fisher Exact; Mc Nemar Chi Kuadrat for k Chi Kuadrat for k
Chi Kuadrat (2 sample; sample
sampel); Cochran Q
Ordinal Median Test; Sign test; Median Extension; Friedman;
Mann-WhineybU Test; Wilcoxon Kruskal-Walls Two Way Anova
Kolomogorov Matched One Way Anova
Smirnov; Pairs
Wald-Wolfowitz;

-1/2  Daerah penerimaan hipotesis Ho 1/2 

Daerah Daerah
penolakan penolakan
Hipotesis Ho Hipotesis Ho
Uji Hipotesis Komparatif

Pembahasan:
A. Komparatif Dua Sanpel
1. Sampel berkorelasi
2. Sampel tidak berkorelasi (independen)
B. Komparatif k Sampel
1. Sampel berkorelasi
2. Sampel tidak berkorelasi (independen)
Uji Hipotesis Komparatif Dua Sampel

1. Uji Dua Fihak:

Ho: tidak terdapat perbedaan produktivitas kerja antara pegawai yg mendapat
kendaraan dinas dengan yang tidak;
Ha: terdapat perbedaan produktivitas kerja antara pegawai yg mendapat kendaraan
dinas dengan yang tidak;
dapat ditulis dalam simbul:
Ho: 1 = 2
Ha: 1  2

-1/2  Daerah penerimaan hipotesis Ho 1/2 

Daerah Daerah
penolakan penolakan
Hipotesis Ho Hipotesis Ho
Uji Hipotesis Komparatif Dua Sampel
2. Uji Fihak Kiri:
Ho: Prestasi belajar siswa SMU yang masuk sore hari lebih besar atau sama dengan
masuk pagi hari.;
Ha: Prestasi belajar siswa SMU yang masuk sore hari lebih rendah dari yang masuk
pagi hari;
dapat ditulis dalam simbul:
Ho: 1  2
Ha: 1  2

3. Uji Fihak Kanan:

Ho: Disiplin kerja pegawai swasta lebih kecil atau sama dengan pegawai negeri;
Ha: Disiplin kerja pegawai swasta lebih besar dari pegawai negeri;
dapat ditulis dalam simbul:
Ho: 1  2
Ha: 1  2
25. Uji Keterkaitan

Korelasi : hubungan keterkaitan antara dua atau lebih variabel.

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

POSITIF
makin besar nilai variabel 1
menyebabkan makin besar
pula nilai variabel 2
Contoh : makin banyak waktu
belajar, makin tinggi skor
Ulangan  korelasi positif
antara waktu belajar
dengan nilai ulangan
NEGATIF
makin besar nilai variabel 1
menyebabkan makin kecil
nilai variabel 2
contoh : makin banyak waktu
bermain, makin kecil skor
Ulangan  korelasi negatif
antara waktu bermain
dengan nilai ulangan

NOL
tidak ada atau tidak menentunya hubungan dua variabel
contoh : pandai matematika dan jago olah raga ; pandai
matematika dan tidak bisa olah raga ; tidak pandai
matematika dan tidak bisa olah raga
 korelasi nol antara matematika dengan olah raga
26. Uji Keterkaitan

1. KORELASI PEARSON/PRODUCT MOMENT :

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

NΣXY – (ΣX) (ΣY) Di mana : ΣXY = jumlah perkalian X dan Y

r= ΣX2 = jumlah kuadrat X
√ NΣX2 – (ΣX)2 x √ NΣY2 – (ΣY)2 ΣY2 = jumlah kuadrat Y
N= banyak pasangan nilai

Contoh :
10 orang siswa yang memiliki waktu belajar berbeda dites dengan tes IPS
Siswa : A B C D E F G H I J
Waktu (X) : 2 2 1 3 4 3 4 1 1 2
Tes (Y) : 6 6 4 8 8 7 9 5 4 6
Apakah ada korelasi antara waktu belajar dengan hasil tes ?

Siswa X X2 Y Y2 XY
A
B
ΣX ΣX2 ΣY ΣY2 ΣXY
27. Uji Keterkaitan

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

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

6Σd2 Di mana : N = banyak pasangan

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

Contoh :
10 orang siswa yang memiliki perilaku (sangat baik, baik, cukup, kurang) dibandingkan
dengan tingkat kerajinannya (sangat rajin, rajin, biasa, malas)
Siswa : A B C D E F G H I J
Perilaku : 2 4 1 3 4 2 3 1 3 2
Kerajinan : 3 2 1 4 4 3 2 1 2 3
Apakah ada korelasi antara perilaku siswa dengan kerajinannya ?

Siswa A B C D
Perilaku
Kerajinan
d
d2 Σd2
terimakasih