BAHAN AJAR

STATISTIK PENDIDIKAN

Oleh:

PROGRAM S-1 PENDIDIKAN GURU SEKOLAH DASAR

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN

UNIVERSITAS LAMPUNG

2014/2015

i
 KATA PENGANTAR

Puji syukur kami sampaikan kehadiran Tuhan Yang Maha Pemurah, karena
berkat kemurahan-Nya bahan ajar ini dapat kami selesaikan sesuai yang
diharapkan.
Dalam rangka memenuhi kebutuhan belajar-mengajar pada program studi
Pendidikan Guru Sekolah Dasar Universitas Lampung, disusunlah buku ajar ini
dengan sajian yang lebih praktis, singkat, padat, dan tetap mengacu pada pemenuhan
target penguasaan mahasiswa pada materi kuliah Statistika Pendidikan.
Disusunnya buku ajar ini dengan sajian yang praktis, dimaksudkan untuk bisa
lebih mudah dimengerti dan dipahami serta dapat diaplikasikan oleh mahasiswa
Fakultas Keguruan dan Ilmu Pendidikan yang notabene statistika digunakan sebagai
alat bantu analisis dalam dunia pendidikan.
Secara garis besar, sajian materi pada buku ini terbagi dalam dua kelompok
katagori jika ditinjau dari jenis ilmu statistika. Pertama, sajian statistika deskriptif,
disajikan sejak awal perkuliahan hingga saat ujian tengah semester. Sedangkan
katagori materi kedua, yang berupa statistika induktif, disajikan setelah ujian tengah
semester. Tentu tidak semua materi statistika induktif sebagaimana terdapat pada
buku-buku statistika disajikan seluruhnya. Materi statistika induktif dalam buku ini
hanya mengetengahkan materi yang sesuai kebutuhan mahasiswa.
Kami menyadari makalah ini masih jauh dari kesempurnaan. Oleh sebab itu,
kritik dan saran yang membangun sangat kami perlukan. Demikian makalah ini
kami buat semoga membawa manfaat bagi pembacanya.

Desember 2014,

Penulis

ii
 DAFTAR ISI

HALAMAN JUDUL ......................................................................................

KATA PENGANTAR ....................................................................................
DAFTAR ISI ...................................................................................................
BAB I Statistik dan Statistika
1.1 Pengertian Statistik dan Statiska ........................................................ 1
1.2 Pembulatan Angka ............................................................................. 2
1.3 Distribusi Frekuensi ........................................................................... 5
1.4 Tendensi Sentral................................................................................. 8
1.5 Modus dan Median ............................................................................ 14
1.6 Kuartil, Desil, dan Persentil ............................................................... 18

BAB II Z Skor
2.1. Pengertian Z-Skor .............................................................................. 24
2.2. Cara Mengubah Data menjadi Z-Skor .............................................. 25
2.3. Mengubah Z-Skor ke Standar Skor.................................................... 31
2.4. Bentuk Macam-Macam Kurve ........................................................... 32

BAB III Analisis Hipotesis Menggunakan T-Test

3.1 Komparatif Dua Rata-Rata dengan T-Test ........................................ 43
3.2 Menguji Hipotesis Komparatif Dua Rata-Rata Sampel ..................... 46
3.3 Contoh Penggunaan T-Test................................................................ 47

BAB IV Chi Kuadrat

4.1 Pengertian dan Kegunaan Uji Chi-Kuadrat ....................................... 52
4.2 Ketentuan Pemakaian Chi-Kuadrat (X2) ............................................ 53
4.3 Uji Distribusi Normal menggunakan uji Chi Kuadrat ....................... 54
4.4 Besarnya Derajat Kebebasan ............................................................. 55
4.5 Pengujian Hipotesis Tentang Kesamaan Beberapa Proporsi ............. 56
4.6 Chi-Kuadrat Untuk Pengujian Independensi ..................................... 58
4.7 Tabel Kontingensi 2 x 2 dan Uji x2 .................................................... 60

BAB V Uji Validitas dan Reliabilitas

5.1 Validitas ............................................................................................... 64
5.2 Reliabilitas ........................................................................................... 77

DAFTAR PUSTAKA

iii
 BAB I
Pengertian Statistik dan Statiska

1.1 Pengertian Statistik dan Statiska

Statistik pada dasarnya merupakan alat bantu untuk memberi gambaran atas
suatu kejadian melalui bentuk sederhana, baik berupa angka-angka maupun
grafik-grafik. Mengingat peranannya sebagai alat bantu, maka perlu
disadari bahwa kunci keberhasilan analisis statistik masih terletak pada
pemakainya.
Statistik bekerja dengan angka-angka, maka akan memaksa pemakai untuk
terlibat dalam permainan angkaangka. Pada dasarnya angka-angka akan
bisa dipandang sebagai perynyataan verbala atas objek yang akan
dikemukakan. Sehingga tidak ada alasan untuk mengatakan tidak familier
dengan angka. Karena setiap hari kita gunakan dalam kehidupan.
Semula statistik hanya merupakan sekumpulan angka-angka yang
menggambarkan keadaan penduduk, pendapatan masyrakat, tingkat
produksi pertanian pada suatu waktu tertentu. Di sini statistik hanya
memberi gambaran masa lalu sampai saat dibuat gambaran tersebut
Dewasa ini statistik tidak hanya merupakan sekumpulan angka-angka masa
lalu saja , tetapi dengan statiska angka-angka yang terkumpul dapat
digunakan untuk meramaikan kondisi di masa yang akan datang.
Agus Irianto (1988) statistik adalah sekumpulan cara maupun aturan-aturan
yang berkaitan dengan pengumpulan, pegolahan (analisis), penarikan
kesimpulan, atas data-data yang berbentuk angka, dengan menggunakan
asumsi-asumsi tertentu
Sutrino Hadi (1990) statistik digunakan untuk membatasi cara-cara ilmiah
untuk mengumpulkan, menyusun meringkas, dan menyajikan data
penyelidikan. Lebih lanjut statistik merupakan cara untuk mengolah data
tersebut dan menarik kesimpulan-kesimpulan yang teliti dan keputusan
yang logis dari pengolahan data tersebut.
Oleh Guiford dalam Sutrino Hadi (1990) sebagai berikut:

1
  Statistik memungkinkan pencatatan secara paling eksak data
penyelidikan
 Statistik memaksa penyelidik menganut tata fikir dan tata kerja yang
definit eksak.
 Statistik menyediakan cara-cara meringkas data ke dalam bentuk
yang lebih banyak artiya dan mudah mengerjakanya.
 Statistik memberi dasar-dasar untuk menarik kesimpulan melalui
proses-proses yang mengikuti tata yang dapat diterima oleh ilmu
pengetahuan.

1.2 Pembulatan Angka

Sudjana (1992) untuk keperluan perhitungan, analisis atau laporan, sering

dikehendaki pencatatan data kuantitatif dalam bentuk yang lebih sederhana.
Oleh karena itu bilangan bilangan perlu disederhanakan atau dibulatkan
dengan aturan aturan sebagai berikut:
 Aturan 1: jika angka terkiri dari yang harus dihilangkan 4 atau
kurang, maka angka terkanan dari yang medahuluinya tidak
berubah.
Contoh: Rp 59.376.402,96 dibulatkan hingga jutaan rupiah menjadi
59 juta.
 Aturan 2: jika angka terkiri dari yang harus dihilangkan lebih dari 5
atau 5 diikuti oleh angka bukan nol, maka terkanan dari yang
mendahuluinya bertambah satu.
Contoh: - 6.948 kg dibulatkan hingga ribuan menjadi 7 ribu kg.
-Rp 176,51 dibulatkan hingga satuan rupiah menjadi Rp
177,00
 Aturan 3: jika angka terkiri dari yang harus dihilangkan hanya angka
5 atau 5 yang diikuti oleh angka angka nol maka angka terkanan

2
 yang mendahuluinya tetap jika ia genap, bertambah satu jika ia
ganjil.
Contoh:-Bilangan 8,5 atau 8,500 menjadi 8 jika dibulatkan hingga
satuan.
-Bilangan 19,5 atau 19,50 menjadi 20 jika dibulatkan hingga
satuan.

Aturan 3 disebut aturan genap terdekat yang diambil untuk membuat

keseimbangan antara pembulatan kebawah, jika yang harus dihilangkan
itu terdiri dari atas angka 5 atau 5 diikuti oleh hanya angka angka nol.

Contoh:

Contoh ini memperlihatkan bahwa aturan 3 telah memberikan hasil yang

lebih baik, cocok dengan hasil jumlah sebenarnya.

Usman (2003) bilangan yang dibulatkan adalah hasil perhitungan. Hasil

perhitungan ini biasanya akan dibandingkan dengan bilangan yang
terdapat dalam suatu label. Oleh sebab itu, banyaknya desimal pembulatan
disesuaikan dengan banyaknya desimal yang terdapat dalam tabel.

Contoh: jika ttabel di dapat ttabel = 63,66, maka hasil

: thitung diperhitungkan atau disebut dengan thitung harus

dibulatkan menjadi 2 desimal pula.

Cara pembulatan bilangan pecahan sebagai berikut:

1. Jika pecahan yang akan dibulatakan kurang dari 0,005 atau 0,0005
dan seterusnya, maka pecahan tersebut dihilangkan.
Contoh: ttabel = 63,66
thitung = 64,543 dibulatkan = 64,54
thitung = 64,5432 dibulatkan 64,54

3
2. Jika pecahan yang akan dibulatkan lebih dari 0,05 atau 0,005 atau
0,0005 dan seterusnya, maka pecahan tersebut menjadi 1.
Contoh: ttabel = 63,66
thitung = 64,548 dibulatkan = 64,55
thitung = 64,5482 dibulatkan 64,55

3. Jika pecahan yang akan dibulatkan sama dengan 0,05 atau 0,005
atau 0,0005 dan seterusnya, maka pecahan tersebut menjadi 1 untuk
bilangan sebelumnya ganjil.
Contoh: ttabel = 63,66
thitung = 63,50 dibulatkan = 64
thitung = 63,500 dibulatkan = 64

4. Jika pecahan yang akan dibulatkan sama dengan 0,05 atau 0,005
atau 0,0005 dan seterusnya, maka pecahan tersebut dihilangkan untuk
bilangan genap.
Contoh: ttabel = 63,66
thitung = 63,50 dibulatkan = 64
thitung = 63,500 dibulatkan = 64

4
1.3 DISTRIBUSI FREKUENSI

Nilai ujian statistik mahasiswa S-1 PGSD

Nilai Frekuensi
31 - 40 2
41 - 50 3
51 - 60 5
61 - 70 14
71 - 80 24
81 - 90 20
91 - 100 12
Σ 80

Dalam daftar distribusi frekuensi, banyak objek dikumpulkan dalam

kelompok- elompok berbentuk a-b, yang disebut interval. Urutan kelas
interval disusun dari data terkecil sampai data terbesar. Berturut- turut,
mulai dari atas, diberi nama interval pertama, kedua, …, kelas interval
terakhir.
Misal : f = 2
Untuk kelas interval pertama artinya 2 orang mahasiswa yang mendapat
nilai ujian paling rendah 31 dan yang paling tinggi 40.
Bilangan-bilangan disebelah kiri kelas interval disebut ujung atas. Ujung-
ujung bawah kelas interval pertama, kedua, …, terakhir adalah 31,41, …,
91 sedangkan ujung- ujung atasnya berturut-turut 40, 50, …, 100.
Selisih positif antara tiap dua ujung bawah berurutan disebut panjang kelas
interval. Dalam daftar diatas panjang kelasnya disingkat dengan p, adalah
10, jadi p= 10 dan semuanya sama (Sudjana, 1992: 45).

5
Distribusi Frekuensi Tunggal
Penelitian tentang kecakapan matematika dari nilai raport sbb:
766657654677675667
666665666775778565
775677776666557757
565676785657567886

Nilai yang berderet- deret itu sulit memperoleh gambaran apa- apa. Agar
mudah mendapat gambaran kita perlu mengatur angka-angka tersebut
menjadi suatu tabel, sbb:
Tabel nilai matematika SD . . .

Nilai Taly f
8 IIII 4
7 IIIII IIIII IIIII IIIII III 23
6 IIIII IIIII IIIII IIIII IIIII III 28
5 IIIII IIIII IIIII I 16
4 I 1
Σ 72

Distribusi Frekuensi Bergolong

Nilai ujian statistik mahasiswa
79 49 48 74 81 98 87 80
80 84 90 70 91 93 82 78
70 71 92 38 56 81 74 73
68 72 85 51 65 93 83 86
90 35 83 73 74 43 86 88
92 93 76 71 90 72 67 75
80 91 61 72 97 91 88 81
70 74 99 95 80 59 71 77
53 60 83 82 60 67 89 63
76 63 88 70 66 88 79 75

6
Untuk membuat daftar distribusi frekuensi dengan panjan kelas yang sama,
kita lakukan sbb:
a. Tentang rentang, data terbesar dikurangi data terkecil 99 – 35 = 64
b. Tentukan banyak kelas interval aturan “sturges” sbb:
Banyak kelas = 1 + (3,3) log n
N data diatas = 80
Banyak kelas = 1 + (3,3) log 80
= 1 + (3,3) (1,9031)
= 7,2802

Kita bisa membuat daftar distribusi frekuensi dengan banyak kelas 7 atau 8.

Tentukan panjang kelas interval

𝑟𝑒𝑛𝑡𝑎𝑛𝑔
𝑝
𝑏𝑎𝑛𝑦𝑎𝑘 𝑘𝑒𝑙𝑎𝑠

Misal: jika banyak kelas diambil 7

64
𝑝=
7

Dari sini bisa kita ambil p = 9 atau p = 10

Pilih ujung bawah 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 ditentukan.

Dengan p = 10 dan memulai data yang lebih kecil dari data terkecil diambil
31 maka kelas pertama berbentuk 31 – 40, kelas kedua 41 – 50 dst.

Dengan mengambil banyak kelas 7, panjang kelas10, dan dimulai ujung

bawah kelas pertama 31, seperti penjelasan (e) didapat daftar sbb:

7
 Nilai Tabulasi/Taly f
31 -
2
40 II
41 -
3
50 III
51 -
5
60 IIIII
61 -
14
70 IIIII IIIII IIII
71 - IIIII IIIII IIIII
24
80 IIIII IIII
81 - IIIII IIIII IIIII
20
90 IIIII
91 -
12
100 IIIII IIIII II

1.4 Tendensi Sentral

A. Rata-Rata Hitung
Nilai- nilai data kuantitatif dinyatakan dengan χ1, . . . ,χn apabila dalam
kumpulan data terdapat n buah nilai. Simbol n akan dipakai untuk
menyatakan ukaran sampel. Simbol N dipakai untuk menyatakan ukuran
populasi, yakni banyak anggota terdapat dalam populasi.
Jika ada lima nilai ujian dari lima orang mahasiswa mata kuliah statistik
berbentuk: 70, 69, 45, 80, dan 56 maka dalam simbol ditulis: χ1=70, χ2=69,
χ3= 45, χ4=80, χ5= 56 dalam hal ini n = 5. Rata- rata hitung untuk data
kuantitatif yang terdapat dalam sebuah sampel dihitung dengan jalan
membagi jumlah nilai data oleh banyak data. Simbol rata-rata untuk sampel
x̄ sedangkan rata-rata banyak popilasi dengan simbol u (baca: mu). x̄ adalah
statistik dengan u adalah parameter untuk menyatakan rata-rata.

𝑥1 +𝑥2 +...+𝑥𝑛
Rumus rata-rata x̄ =
𝑛

8
 Σ𝑥1
Atau x̄
𝑛

Untuk kelima nilai ujian diatas, nilai rata- ratanya:

70 + 69 + 45 + 80 + 56
x̄ =
5
= 64

xi fi
70 5
69 6
45 3
80 1
56 1
𝛴𝑓𝑖 𝑥𝑖
Rumus: x̄ =
𝛴𝑓 𝑖

Χi fi fiXi
70 5 350
69 6 414
45 3 135
80 1 80
56 1 56
Σ 16 1035

𝛴𝑓𝑖 𝑥𝑖
Rumus: x̄ =
𝛴𝑓 𝑖

1035
=
16
= 64,6

9
Cara 1

Nilai Ujian Statistik

Nilai fi xi fixi
31 - 40 1 35,5 35,5
41 - 50 2 45,5 91
51 - 60 5 55,5 277,5
61 - 70 15 65,5 982,5
71 - 80 25 75,5 1887,5
81 - 90 20 85,5 1710
91 - 100 12 95,5 1146
Jumlah 80 - 6130

Σfi = 80
Σfifi =6130
𝛴𝑓𝑖 𝑥𝑖
x̄ =
𝛴𝑓 𝑖

6130
=
80
= 76,62
Cara 2

Nilai fi xi ci fici
31 - 40 1 35,5 -4 -4
41 - 50 2 45,5 -3 -6
51 - 60 5 55,5 -2 -10
61 - 70 15 65,5 -1 -15
71 - 80 25 75,5 0 0
81 - 90 20 85,5 1 20
91 - 100 12 95,5 2 24
Jumlah 80 - - 9

10
 menghitung rata rata dari data dalam daftar distribusi frekuensi dengan cara
sandi atau cara singkat. Ambil salah satu tanda kelas, namakan x0. Untuk
harga x0 diberi sandi c = 0.
 Tanda kelas yang lebih kecil dari x0. Berturut turut mempunyai
harga-harga sandi c = +1, c = +2, c = +3 dst.
 Tanda kelas yang lebih besar dari x0.berturut turut mempunyai
harga- harag sandi c = +1, c = +2, c = +3 dst.
 Jika p = panjang kelas interval yang sama besarnya maka rata-rata
dihitung dengan
Rumus sebagai berikut:

𝛴𝑓 𝑐
x̄ = 𝑥0 + 𝑝 ( 𝑖 𝑖 )
𝛴𝑓 𝑖

Dari tabel cara 2 dengan rumus:

𝛴 𝑓 𝑖 𝑐𝑖
x̄ = 𝑥0 + 𝑝 ( )
𝛴𝑓𝑖

9
= 75,5 + 10 ( )
80

= 75,5 + 10(0,1125)

= 75,5 + 1,125

= 76,625

B. Rata- Rata Ukur

Jika perbandingan tiap dua data berurutan tetap atau hampir tetap, rata-rata
ukur lebih baik dipakai dari pada rata-rata hitung apabila dikehendaki
rataratanya. Untuk data bernilai x1, x2, x3,. . .xn rata rata ukur u didefinisikan:

𝑛
√𝑥1 , 𝑥2 , … 𝑥𝑛

11
Contoh: rata rata ukur untuk data
x1= 2 x1 = 4 x3 = 8

U = 3√2𝑥 , 4𝑥 , 8𝑥
=4
Untuk data yang telah disusun dalam daftar distribusi frekuensi rata-rata
ukuranya dihitung dengan rumus:
Σ𝑓 𝑙𝑜𝑔𝑥𝑖
𝑙𝑜𝑔𝑈 =
Σ𝑓𝑖

Nilai Ujian Statistik Mahasiswa

Nilai fi xi Log xi fi logxi

31 - 40 1 35,5 1,5502 1,5502
41 - 50 2 45,5 1,6580 3,3160
51 - 60 5 55,5 1,7443 8,7215
61 - 70 15 65,5 1,8162 27,2436
71 - 80 25 75,5 1,8779 46,9487
81 - 90 20 85,5 1,9320 38,6393
91 - 100 12 95,5 1,9800 23,7600
Jumlah 80 - - 150,1794

Σfi = 80 Σ(𝑓𝑖 𝑙𝑜𝑔𝑥𝑖 ) = 150,1782

Σ𝑓 𝑙𝑜𝑔𝑥𝑖
𝑙𝑜𝑔𝑈 =
Σ𝑓𝑖

Log U = 1,8772

U = 75, 370 ops. 1,8772 SHIFT log

12
C. Rata- rata Harmonik

Untuk data x1, x2, x3,. . .xn dalam sampel berukuran n, rata-rata harmonik
𝑛
ditentukan oleh 𝐻 = 1
Σ( )
𝑥𝑖

Untuk data dalam daftar distribusi frekuensi, rata-rata harmonik dihitung

dengan rumus:

Σ𝑓𝑖
𝐻
𝑓
Σ ( 𝑥𝑖 )
𝑖

Nilai Ujian Statistik

𝑓𝑖
Nilai fi xi
𝑥𝑖
31 - 40 1 35,5 0,0282
41 - 50 2 45,5 0,0440
51 - 60 5 55,5 0,0901
61 - 70 15 65,5 0,2290
71 - 80 25 75,5 0,3311
81 - 90 20 85,5 0,2339
91 - 100 12 95,5 0,1257
Jumlah 80 - 1,0819

Rata-rata harmonik

Σ𝑓𝑖
𝐻=
𝑓
Σ (𝑥𝑖 )
𝑖

13
 80
=
1,0819

= 73,94

Catatan:

x̄ =76,62

U = 75,37

H = 73,94

Ternyata terdapat hubungan H < U < x̄

Berlaku secara umum H ≤ U ≤ x̄

1.5 Modus dan Median

a. Modus

Unruk menyatakan fenomena yang paling banyak terjadi atau paling banyak
terdapat digunakan ukuran modus disingkat Mo

Modus untuk data kuantitatif ditentukan dengan jalan menentukan frekuensi

terbanyak diantara data itu

Contoh; data nilai statistik: 12, 34, 14, 34, 34, 28, 34, 14, 28

xi fi
12 1
14 2
28 2
34 4

Frekuensi terbanyak, ialah f = 4, terjadi untuk data bernilai 34.

14
Maka Mo = 34

Jika data kuantitatif disusun dalam daftar distribusi frekuensi, modusnya

dapat dihitung dengan rumus:

𝑏1
𝑀𝑜 = 𝑏 + 𝑝 ( )
𝑏1 +𝑏1

Keterangan;

b = batas kelas modal, ialah kelas interval dengan frekuensi

terbanyak.

p = panjang kelas modal

b1=frekuensi kelas modal dikurangi frekuensi kelas interval dengan

tanda kelas yang lebih sebelum tanda kelas modal.

b2=frekuensi kelas modal dikurangi frekuensi kelas interval dengan

tanda kelas yang lebih besar sesudah tanda kelas modal

Nilai
31 - 40 1
41- 50 2
51 - 60 5
61 - 70 15
71- 80 25
81- 90 20
91-
12
100
Jumlah 80

Kelas modal = kelas kelima

15
 b = 70,5

b1 = 25- 15 =10

b2 = 25 – 20 =5

𝑏1
𝑀𝑜 = 𝑏 + 𝑝 ( )
𝑏1 +𝑏1

10
= 70,5 + 10 ( )
10+5

10
= 70,5 + 10 ( )
15

2
= 70,5 + 10 ( )
3

= 70,5 + 6,667

= 77,1667

b. Median

Median menentukan letak data setelah data itu disusun menurut urutan
nilainya. Jika nilai median sama dengan Me , maka 50% dari data harga-
harganya paling tinggi sama dengan Me sedangkan 50% lagi harga-
harganya paling rendah sama dengan Me.

Jika banyak data ganjil, maka median Me, setelah data disusun menurut
nilainya, merupakan data paling tengah.

Contoh: 4, 12, 5, 7, 8, 10, 10

Jika disusun: 4, 5, 7, 8, 10, 10, 12

Data paling tengah bernilai 8.

Jadi Me = 8

16
Untuk data berukuran genap, medianya sama dengan rata- rata hitungan dua
data tengah;

Misal: 7, 8, 8, 10, 12, 14, 16, 19

1
Me = (10 + 12)
2

=11

Untuk data (bergolong) dalam daftar distribusi frekuensi, Mediannya

dihitung dengan rumus:

1
𝑛−𝐹
2
𝑀𝑒 = 𝑏 + 𝑝 ( )
𝑓

Keterangan :

b = batas bawah kelas median, ialah kelas dimana median

akan terletak

p =panjang kelas median

n =banyak data

F = jumlah semua frekuensi dengan tanda kelas lebih kecil

dari tanda kelas median

f =frekuensi kelas median

Nilai fi fi
31 - 40 1 1
41- 50 2 3
51 - 60 5 8

17
 61 - 70 15 23
71- 80 25 48
81- 90 20 68
91-
12 80
100
Jumlah 80

Setengah dari seluruh data ada 40 buah. Jadi median akan terletak di kelas
interval kelima, karena sampai dengan ini jumlah frekuensi sudah lebih dari
40.

b = 70,5

p = 10

f = 25

F = 1+ 2+ 5+ 15 = 23

1
(80)−23
2
𝑀𝑒 = 70,5 + 10 ( )
25

40−23
= 70,5 + 10 ( )
25

= 77,3

1.6 Kuartil, Desil, dan Persentil

a. Kuartil

Jika sekumpulan data dibagi menjadi empat bagian yang sama banyak,
sesudah disusun menurut urutanya yang sama banyak. Maka bilangan
pembaginya disebut Kuartil.

18
Ada 3 buah kuartil, ialah kuartil pertama kuartil kedua, dan kuartil ketiga
yang masing masing disingkat dengan K1, K2,dan K3

Letak kuartil ke i, diberi lambang Ki ,ditentukan dengan rumus:

𝑖(𝑛+1)
Letak Ki = data ke
4

i= 1,2,3

Letak K1 = ?

Contoh: 52, 56, 57, 60, 64, 66, 70, 75, 82, 86, 92, 94

12+1 1
Jawab: Letak K1 = data =data ke = 3
4 4

Yaitu antara data ke-3 data ke-4 seperempat jauh dari data ke- 3

1
Nilai K1 = data ke- 3 + (data ke- 4 - data ke-3
4

1
= 57 + (60 − 57)
4

3
= 57
4

3(12+1)
Letak K3 = data
4

3
= data ke 9
4

3
= data ke- 9 + (data ke- 10 – data ke- 9)
4

3
= 82 + (86-82)
4

= 85

Untuk data dalam daftar distribusi frekuensi dihitung dengan rumus:

19
 𝑖𝑛
−𝐹
4
𝐾𝑖 = 𝑏 + 𝑝 ( )
𝑓

Catatan:

b = batas bawah Ki ialah kelas interval dimana Ki akan terletak

p = panjang kelas Ki

F = jumlah frekuensi dengan tanda kelas lebih kecil

f = frekuensi kelas Ki

Nilai fi
31 - 40 1
41- 50 2
51 - 60 5
61 - 70 15
71- 80 25
81- 90 20
91- 100 12
Jumlah 80

contoh:

3
Letak K3 × 80 = 60 data K3 terletak kelas interval keenam
4

b = 80,5 ; p = 10; f = 20

F = 1+2+5+15+25= 48

20
 3×80
−48
4
K3 = 80,5 + 10
20

= 80,5 + 6

= 86,5

b. Desil

Jika kumpulan data dibagi 10 bagian yang sama, maka didapat sembilan
pembagi dan tiap pembagi dinamakan Desil. Karena itu ada 9 buah desil;
desil pertama, desil kedua . . . ,desil kesembilan yang disingkat; D1, D2,. . .
.D9

Desil desil ditentukan dengan jalan;

 Susun data menurut urutan nilainya

 Tentukan letak desil
 Tentukan nilai desil
𝑖(𝑛+1)
Letak Di = data ke
10
Dengan i= 1,2, . . . ,9
Contoh: 52, 56, 57, 60, 64, 66, 70, 75, 82, 86, 92, 94
7 (12+1)
Letak D7 = data ke = data ke- 9,1
10
Nilai D7 = data ke- 9 + (0,1) (data ke- 10 – data ke-9)
= 82 + (0,1)(86-82)
= 82,4
Untuk data dalam daftar distribusi frekuensi dihitung dengan rumus:
𝑖𝑛
−𝐹
𝐷𝑖 = 𝑏 + 𝑝 (10𝑓 )

Dengan i = 1,2 . . . ,9

Catatan:

21
b = batas bawah Di ialah kelas interval dimana Di akan terletak

p = panjang kelas Di

F = jumlah frekuensi dengan tanda kelas lebih kecil

f = frekuensi kelas Di

Letak D3 = ?

30% × 80 = 24 data

b = 60,5

p = 10

f = 15

F = 1+ 2+ 5 = 8

𝑖𝑛
−𝐹
10
𝐷3 = 𝑏 + 𝑝 ( )
𝑓

3×80
−8
10
= 60,5 + 10 ( )
15

= 60,5 + 10(1,0667)
= 60,5 + 10,667
= 71,167 = 71,2
Artinya ada 70% mahasiswa paling sedikit mendapat nilai 71,2 dan 30%
mendapat nilai paling besar 71,2

c. Persentil

Sekumpilan data dibagi menjadi 100 bagian yang sama akan menghasilkan
99 pembagi yang berturut turut dinamakan persentil pertama, persentil
kedua, . . . ,persentil ke- 99 dengan simbol P99

22
 𝑖(𝑛+1)
Letak Pi = data ke
100
Dengan i= 1, 2, . . . ,99
Untuk data dalam daftar distribusi frekuensi dengan rumus:
𝑖𝑛
−𝐹
𝑃𝑖 = 𝑏 + 𝑝 (100𝑓 )

Dengan i= 1, 2, . . . , 99

Catatan:

b = batas bawah Pi ialah kelas interval dimana Pi akan terletak

p = panjang kelas Pi

F = jumlah frekuensi dengan tanda kelas lebih kecil

f = frekuensi kelas Pi

23
 BAB II
Z-skor

2.1 Pengertian Z-skor

Z-skor adalah suatu ukuran yang menunjukkan berapa besarnya simpangan baku
seseorang berada berada di bawah atau di atas rata-rata dalam kelompok tersebut.

Z-skor digunakan untuk mengetahui lebih detail dimana posisi suatu skor dalam
suatu distribusi. Posisi dalam suatu distribusi itu sendiri ditunjukan dengan simbol
+/- yang menunjukan bahwa kalau positif berada di atas mean dan kalo negatif
menandakan sebaliknya. Z-skor juga memberi tahu berapa jarak skor itu sendiri
dengan mean.

Rumus mencari Z-skor:

xx
Z =
s

Dimana:
Z = nilai standar;
X = nilai dengan satuan angka kasar
x = rata-rata hitung
S = simpangan baku atau simpangan deviasi (SD)

Contoh:
1. Nilai rata-rata matematika suatu kelas adalah 7. Diketahui A mendapat nilai 6
dan standar deviasi dari ulangan tersebut 0,5. Tentukan nilai standarnya !

Jawab:

xA  x 6  7
ZA    2
SD 0,5

24
2. Rata-rata kelas A dalam ulangan pertama matematika adaalah 72,3 dengan
standar deviasi 6,7 dan kelas B rata-ratanya 74,2 dengan standar deviasi 7,1.
Nilai ulangan Ali dari kelas A adalah 75 dan Budi dari kelas B adalah 76. Nilai
siapakah yang paling tinggi dari Ali dan Budi untuk ulangan pertama tersebut
?
Jawab:

75  72,3
Ali : Z=  0,40
6,7

76  74,2
Budi : Z=  0,25
7,1

Karena nilai Z untuk Ali lebih besar dari pada Budi, maka nilai Ali lebih tinggi
dibandingkan Budi untuk ulangan tersebut.

2.2 Cara Mengubah Data Menjadi Z-skor

Rumus mengubah suatu data menjadi z-skor :

xx
Z =
s

Dimana:
Z = nilai standar;
X = nilai dengan satuan angka kasar
x = rata-rata hitung
S = simpangan baku atau simpangan deviasi (SD)

Misalkan daalam tes seleksi siswa yang akan mengikuti lomba OSN yang diikuti
oleh 10 orang testee, dalam tes mana testee dihadapkan pada lima jenis tes, yaitu :
tes bahasa inggris (X1), tes IQ (X2), tes kepribadian (X3), tes sikap (X4), dan tes
kesehatan jasmani (X5). Skor- skor yang diperoleh dari kelima jenis tes tersebut di
atas adalah sebagaimana dapat diperiksa pada tabel di bawah ini.

25
 Skor mentah Hasil Tes

Testee Bahasa I.Q Kepribadian Sikap Kesehatan

Jasmani(X
Inggris (X1) (X2) (X3) (X4)
5)

A 72 114 48 172 211

B 65 105 51 163 205

C 76 115 44 169 224

D 64 115 42 179 198

E 71 101 55 181 207

F 73 120 56 175 219

G 75 125 57 183 225

H 68 109 49 168 216

I 70 103 51 167 224

J 66 111 47 153 221

Seperti dapat kita saksikan pada tabel dibawah ini maka skor – skor mentah yang
diperoleh dari lima jenis tes cara pengukuran dan penilaian yag berbeda itu, adalah
sangat bervariasi. Berhubung dengan itu maka untuk dapat menetukan siapakah di
antara 10 orang testee yang lain, diperlukan adanya skor atau nilai yang bersifat
baku (standar), dimana dengan nilai standar itu kita dapat mengetahui kedudukan
relatif (standar position) dari 10 orang testee untuk kelima jenis tes tersebut.

Dengan menggunakan standar z ini maka testee yang di pandang memiliki

kemampuan lebih tinggi adalah testee yang z skornya bertanda positif (+). Adapun
testee yang z skornya bertanda negatif (-) dipandang sebagai testee lainnya. Jika

26
angka yang ditunjukkan oleh z skor yang bertanda positif itu makin besar, berarti
kedudujan relatif dari testee yang bersangkutan menjadi makin tinggi (lebih unggul
ketimbang testee lainnya); sebaliknya, jika z skor yang bertanda negatif itu makin
besar, maka standing position testee yang bersangkutan menjadi semakin rendah
(kualitasnya semakin jelek).

Langkah-langkah pengubahan Skor Mentah Hasil Tes Menjadi Nilai Standar Z (z

skor)

1. Menjumlahkan skor-skor variabel x1, x2, x3, x4 dan x5 sehingga di peroleh :

∑x₁, ∑x₂, ∑x₃, ∑x₄, dan ∑x₅.

2. Mencari skor rata-rata hitung (mean) dari variabel x1, x2, x3, x4 dan x5 dengan
menggunakan rumus :

x =
 Xi
N

3. Mencari (menghitung) deviasi x1, x2, x3, x4 dan x5 dengan rumus:

Xi = xi - x

4. Menguadratkan deviasi x1, x2, x3, x4 dan x5 kemudian dijumlahkan,

sehingga diperoleh: ΣX12 , Σ X22, Σ X32, Σ X42,dan Σ X52.

5. Mencari (menghitung) deviasi standar untuk kelima variabel tersebut di

atas,dengan menggunakan rumus sebagai berikut:

S
x 2

N
27
6. Mencari (menghitung) z skor, dengan rumus :

xx
Z =
s

Setelah selesai lalu di jumlahkan (dari atas ke bawah) sehingga diperoleh : ∑

z1; ∑ z2; ∑ z3; ∑ z4; dan ∑ z5; (perhatikan: jumlah z skor tersebut harus
selalau sama dengan nol).

7. Z-Skor yang dimiliki oleh masing-masing testee kita jumlahkan ( dari kiri ke
kanan), dan dari sini akan dapat kita ketahui testee yang memiliki total z skor
yang bertanda positif (+) dan testee yang memiliki total z skor yang bertanda
negatif (-).

Marilah kita coba untuk mencari z skor data yang disajikan pada tabel diatas dengan
mengikuti langkah-langkah pokok yang telah disebutkan diatas.

Langkah pertama, kedua dan ketiga

Skor mentah (X) Deviasi (x)

Testee
X1 X2 X3 X4 X5 X1 X2 X3 X4 X5

A 72 114 48 172 211 +2 +3 -2 +1 -4

B 65 105 51 163 205 -5 -6 +1 -10 -10

C 76 115 44 169 224 +6 +4 -6 +9 +9

D 64 115 42 179 198 -6 +4 -8 -17 -17

E 71 101 55 181 207 +1 -10 +5 -8 -8

F 73 120 56 175 219 +3 +9 +6 +4 +4

28
 G 75 125 57 183 225 +5 +14 +7 +12 +10

H 68 109 49 168 216 -2 -2 -1 -3 +1

I 70 103 51 167 224 0 -8 +1 -4 +9

J 66 111 47 153 221 -4 0 -3 -18 +6

10=N 700 1110 500 1710 2150 0= 0= 0= 0= 0=

=Σx1 = Σx2 =Σx3 = Σx4 = Σx5 Σx1 Σx2 Σx3 Σx4 Σx5

X bar 70 111 50 171 215

Langkah keempat, kelima, keenam dan ketujuh

Kuadrat Deviasi (x²) Z skor Total

Te z₁ z₂ z₃ z₄ z₅ z skor
ste
e
A 4 9 4 1 16 +0,51 +0,41 -0,42 +0,12 -0,45 +0,17

B 25 36 1 64 100 -1,27 -0,83 +0,21 -0,93 -1,13 -3,95

C 36 16 36 4 81 +1,52 +0,55 -1,26 -0,23 +1,02 +1,60

D 36 16 64 64 289 -1,52 -0,55 -1,68 +0,93 -1,92 -4,74

E 1 100 25 100 64 +0,25 -1,38 +1,05 +1,16 -0,90 +0,18

F 9 81 36 16 16 +0,75 +1,25 +1,26 +0,46 +0,45 +4,18

G 25 196 49 144 100 +1,27 +1,94 +1,47 +1,39 +1,13 +7,20

H 4 4 1 9 1 -0,51 -0,28 -0,21 -0,35 +0,11 -1,24

I 0 64 1 16 81 0 -1,11 +0,21 -0,46 +1,02 -0,34

29
J 16 0 9 324 36 -1,01 0 -0,63 -2,09 +0,67 -3,06

∑ 156 522 226 742 784 0= 0= 0= 0= 0= 0=

Σz₁ Σz₂ Σz₃ Σz₄ Σz₅ Σz

3,95 7,22 4,75 8,61 8,85

SD
=SD =SD =SD =SD =SD
=
X₁ X2 X3 X4 X5

Dari tabel perhitungan berikut pada akhirnya telah dapat kita peroleh total z skor
dari 10 orang peserta tes calon peserta OSN untuk kelima jenis tersebut di atas,
yaitu:
A = +0, 17;
B = -3, 95;
C = +1, 60;
D = -4, 74;
E = +0, 18
F = +4, 18;
G = +7, 20;
H = -1, 24;
I = -0, 34 dan
J = -3, 06

Kalau saja dalam tes seleksi itu hanya akan diterima atau diluluskan satu orang saja,
maka yang dapat ditanyakan lulus adalah testee bernama G dengan z skor bertanda
positif (+) sebesar 7,20 jika yang akan diluluskan akan sebanyak dua orang, maka
testee berikutnya yang dapat diluluskan adalah F dengan total z skor bertanda positif
sebesar 4,18. jika yang akan diluluskan tiga orang, maka testee berikutnya adalah
C dengan total z skor bertanda positif (+) sebesar 1,60. demikian seterusnya.

30
2.3 Mengubah Z skor ke Standar skor

Xst = μst + (σst

x Zi)
μst = rata-rata standar
σst = simpangan standar
Zi = Z skor pada Xi

Contoh:
Dari pengumpulan data, nilai Statistika dari dua kelas diperoleh data sbb :
A & B sekelas (Kelas X) memperoleh nilai statistika 64 dan 43. Di kelas X,rata2nya
adalah 57 dan simpangan baku 14. Di kelas Y, rata2 nilai statistika adalah 31 dan
simpangan bakunya 6. C & D, siswa kelas Y memperoleh nilai statistika 34 dan 28.
Standar skor (rata2 standar) adalah 50 dgn simpangan baku 5.
Bandingkan nilai keempat siswa tsb!

Jika data dalam bentuk frekuensi bergolong.

Perhatikan contoh berikut.
Usia (X) f fX X Fx x2 fx2

31 4 124 + 3,8 + 15,2 14,44 57,76

30 4 120 + 2,8 + 11,2 7,84 31,36
29 5 145 + 1,8 + 9,0 3,24 16,20
28 7 196 + 0,8 + 5,6 0,64 4,48
27 12 324 – 0,2 – 2,4 0,04 0,48
26 8 208 – 1,2 – 9,6 1,44 11,52
25 5 125 – 2,2 – 11,0 4,84 24,20
24 3 72 – 3,2 – 9,6 10,24 30,72

31
 23 2 46 – 4,2 – 8,4 17,64 35,28

Total 50 = N 1360 = - 82,0 = ∑ - 212,00 =

∑ fX fx ∑ fx2

∑ 𝑓𝑥 82,0
AD = = = 1,64
𝑁 50

∑ 𝑓𝑥 2 212
SD =√ = √ 50 = 2,06
𝑁

Selanjutnya kita tinggal mencari Z-skor dengan rumus:

xx
Z =
SD

2.4 Macam-Macam Kurve

1. SIMETRIS
A. SEGIEMPAT

X f

70 5

77 5

84 5

91 5

98 5

105 5

112 5

119 5

126 5

32
133 5

B. TRAPESIUM

X f

70 2

77 3

84 6

91 7

98 7

105 7

112 7

119 6

126 3

133 2

50

C. PLATIKUTIK

X f

33
70 4

77 4

84 5

91 6

98 6

105 6

112 6

119 5

126 4

133 4

50

34
 D. LEPTOKUTIK

X f

70 1

77 2

84 4

91 7

98 11

105 11

112 7

119 4

126 2

133 1

50

E. MESOKUTIK (NORMAL)

X f

70 3

77 3

84 4

91 6

35
98 9

105 9

112 6

119 4

126 3

133 3

50

F. DWIMODE

X f

70 3

77 3

84 9

91 5

98 5

105 5

112 5

119 9

126 3

133 3

50

36
 2. ASIMETRIS
A. JULING POSITIF

X f

70 5

77 9

84 11

91 10

98 6

105 4

112 2

119 1

126 1

133 1

50

B. JULING NEGATIF

X f

70 1

77 1

84 1

37
 91 2

98 4

105 6

112 10

119 11

126 9

133 5

50

KURVE NORMAL

34,13%

13,59%

2,15%
-3SD -2SD -1SD 0 +1SD +2SD +3SD

PENGGUNAAN KURVE NORMAL

Contoh soal:

Diketahui distribusi nilai tes seleksi masuk sebuah perusahaan dari 800 calon adalah
normal dengan X = 60 dan SD = 5.

38
a. Apabila calon yang diterima sebanyak 90 orang, berapa batas nilai tes terendah
agar bisa diterima.
b. Nilai 48 ke bawah termasuk kategori “nilai mati”. Berapa orang yang mendapat
nilai mati?
c. Berapa orang yang nilainya 64 ke bawah?
d. Berapa orang yang nilainya antara 52 dan 70?
Jawab:

+1,21SD

1. Persentase orang yang diterima  90/800 x 100% = 11,25%

 50% - 11,25%= 38,75%

 Dari tabel  +1,21SD

X-X
Z =
SD

X - 60
1,21 =
5

6,05 = X – 60

X = 66,05

Jadi nilai terendah yang harus dimiliki calon karyawan agar bisa diterima
diperusahaan tersebut adalah 66,05.

39
 -2,4SD

X - X 48 - 60  12
2. Z = =   2,4SD  Dari table diperoleh 0,4918 = 49,18%
SD 5 5
Luas area yang diarsir  50%- 49,18% = 0,82%

 0,82/100 x 800 orang = 6,56 ~ 7 orang

Jadi yang mendapat nilai mati dalam seleksi tersebut ada 7 orang calon.

+0,8SD

X - X 64 - 60  4
3. Z = =   0,8SD  Dari table diperoleh 0,2881 = 28,81%
SD 5 5
Luas area yang diarsir  50%+ 28,81% = 78,81%

 78,81/100 x 800 orang = 630,48 ~ 631 orang

Jadi yang mendapat nilai 64 ke bawah dalam seleksi tersebut ada 631 orang
calon.

40
 -1,6SD +2SD

X - X 52 - 60  8
4. Z1 = =   1,6SD  Dari tabel diperoleh 0,44,52= 44,52%
SD 5 5

X - X 70 - 60  10
Z2 = =   2SD  Dari tabel diperoleh 0,4772 = 47,72%
SD 5 5

Luas area yang diarsir  44,52%+ 47,72% = 92,24%

 92,24/100 x 800 orang = 737,92 ~ 738 orang

Jadi yang mendapat nilai 52 - 70 dalam seleksi tersebut ada 738 orang calon

Soal Latihan

1. Diketahui distribusi nilai TOEFL (Test of English as a Foreign Language) dari

750 mahasiswa adalah normal dengan X = 450 dan SD = 55. Apabila syarat nilai
terendah agar bisa diterima di program pasca sarjana adalah 400, berapa banyak
orang yang bisa diterima?

2. Pada Ujian semester, Ani memperoleh nilai 60 utk mata pelajaran bahasa
Indonesia dengan rata kelasnya adalah 50 dan simpangan baku 10. Untuk mata
pelajaran matematika, Ani memperoleh nilai 56, dan rata kelasnya 48 dgn
simpangan baku 4. Dalam kasus ini, di manakah posisi nilai Ani yg lebih baik?

3. Nilai matematika 40 siswa rata-rata = 68 dan simpangan baku = 10.

Nilai fisika ke 40 siswa rata-rata = 75 dan simpangan baku = 15. Surya

41
mendapat nilai matematika 80 dan nilai fisika 85. Dalam mata pelajaran apa
Surya mendapatkan kedudukan yang lebih baik dari 40 siswa?

42
BAB III
Uji Hipotesis Menggunakan T-test

3.1 Komparatif Dua Rata-rata Dengan T-test

Terdapat dua macam uji hipotesis komparatif, yaitu pertama
mengkomparatifkan rata-rata dua sampel, dan yang kedua mengkomparatifkan rata-
rata lebih dari dua sampel.
Yang akan dibahas disini adalah komporatif rata-rata dua sampel.
Rumus-rumus T-tes adalah sebagai berikut :
Rumus 1

(Separated Varians)
Rumus 2

(Pooled Varians)
Dimana :

Terdapat beberapa pertimbangan dalam memilih rumus t-tes yaitu :

1). Apakah rata-rata itu berasal dari dua sampel yang related atau tidak ?
Contoh : dua kelompok sampel terdiri atas kelompok pria dan wanita. Jadi
sampelnya tidak related (independent).
2). Apakah rata-rata data itu berasal dari dua sampel yang anggotanya sama atau
tidak ?
Contoh : dua sampel pria terdiri 22 orang, dan sampel wanita 18 orang. Jadi
untuk itu jumlah anggota sampai tidak sama.
3). Apakah variansi data dan dua sampel itu homogen atau tidak ?
Untuk menjawab ini perlu pengujian homogenitas variansi. (lihat contohnya).

43
 Berdasakan tiga hat tersebut, maka berikut ini diberikan beberapa petunjuk
untuk memilih rumus t-tes :
1. Bila jumlah sampel n1 = n2, dan variansi homogen (S12 = S22) maka dapat
digunakan rumus t-tes baik untuk separated, maupun pool varians, (rumus 1
atau 2). Untuk melihat harga t-tabel digunakan dk = n1 + n2 – 2.
2. Bila n1 ≠ n2, varians homogen (S12 = S22) dapat digunakan rumus 2, derajat
kebebasannya (dk) = n1 + n2 – 2.
3. Bila n1 = n2, varians tidak homogen (S12 ≠ S22), dapat digunakan rumus 1 dan
2, dengan dk = n1 -1 atau n2 -1. Jadi dk bukan n1 + n2 –2 (Phopan, 1973).
4. Bila n1 ≠ n2 dan varians tidak homogen (S12 ≠ S22). Untuk ini digunakan t-
tes dengan separated varians, rumus 1. Harga 1 sebagai pengganti t-tabel
dihitung dari selisih harga t-tabel dengan dk (n1 -1) selisih dk (n2 -1) dibagi
dua, kemudian ditambahkan dengan harga 1 yang diperkecil.

Contoh :
n1 = 25, dengan dk = 24, maka harga t-tabel = 2, 797.
n2 = 13, dengan dk = 12, maka harga t-tabel = 3, 055.
Harga t-tabel untuk signifikan 1%.

5. Jadi harga t-tabel yang digunakan adalah (3,055-2, 797) : 2 = 0,129,

selanjutnya ditambah dengan harga t yang terkecil. Jadi, 2,797 + 0,129 =
2,926. Harga t=2,926 ini adalah sebagai pengganti harga t-tabel. (Phopan,
1973). dk1 = 25 – 1 = 24, dk2 = 13 – 1 = 12.

Menguji Homogenitas Varians

Uji homogenitas varians digunakan untuk mengetahui apakah varians sampel

yang akan dikomparasikan itu homogen atau tidak. Varians adalah standar deviasi
yang dikuadratkan. Uji homogenitas varians digunakan uji F dengan rumus sebagai
berikut:

Rumus 3

44
 Rumus itu berlaku untuk dua sampel ataupun lebih. Yang penting dari sampel
itu terdapat varians yang terbesar dan terkecil. Untuk dapat menguji homogenitas
varians , maka harus terlebih dahulu diketahui masing-masing sampel.

Contoh sampel penelitian :

“Perbedaan Kemampuan Kerja Antara Pegawai Pria Dan Wanita”

Pada uji hipotesis komparatif rata-rata dua sampel ini dirumuskan hipotesisnya
adalah : “Tidak terdapat perbedaan kemampuan kerja antara pegawai pria dan
wanita” (Ho).

Hipotesis diatas diuji dengan t-tes. Sebelumnya perlu diuji terlebih dahulu
homogenitas variansnya.

Pada contoh berikut akan diuji homogenitas varians untuk variabel kemampuan
kerja pegawai yang terdiri atas dua kelompok sampel. Sampel pertama adalah
pegawai pria dengan jumlah anggota sampel 22, dan kelompok kedua adalah
pegawai wanita dengan jumlah anggota sampel 18.

Jumlah Skor Kemampuan Kerja Pegawai Pria dan Wanita

Nomor Responden Pria Responden Wanita
1 60 50
2 30 29
3 78 69
4 69 45
5 50 66
6 30 45
7 40 54
8 54 40
9 58 40
10 26 57
11 78 69
12 45 54
13 47 42
14 34 53
15 57 43
16 53 39
17 77 40
18 49 59
19 59

45
 20 34
21 45
22 49
n1 = 22 n2 = 18
X1 = 51, 00 X2 = 49,67
S1 = 15,44 S2 = 11,30
S12 = 238,29 S22 = 127, =76

Tabel diatas ditunjukkan skor data untuk variabel kemampuan kerja dari
kelompok pria dan wanita. Dalam tabel juga ditunjukkan hasil perhitungan tentang
nilai rata-rata, simpangan baku, dan varians dapat dihitung dengan rumus 3. Untuk
itu berlaku hipotesis statistik sebagai berikut :

Ho = S12 = S22 (Varians Homogen)

Ha = S12 ≠ S22 (Varians Tidak Homogen)

F = 238,29 : 127,76 = 1,87

Harga F hitung tersebut perlu dikonsultasikan dengan F tabel untuk diuji

signifikasinya. Harga F dicari dengan dk pembilang (22-1), dan dk penyebut (18-
1), dengan tabel signifikan (kepercayaan) tertentu. Untuk ini diambil 5%. Jadi
berdasarkan dk pembilang 21, dan penyebut 17, maka diperoleh F tabel 2,23. Dalam
hal ini berlaku ketentuan, bila F hitung lebih kecil atau sama dengan F tabel (Fh
≤ Ft), maka Ho diterima dan Ha ditolak, Ho diterima berarti Varian Homogen.
Dari hasil perhitungan ternyata harga F hitung ˂ F tabel (1,87 ˂ 2,23). Dengan
demikian dapat disimpulkan bahwa varians kelompok pria dan wanita homogen.

3.2 Menguji Hipotesis Komparatif Dua Rata-rata Sampel

Hipotesis yang diajukan adalah : “Tidak terdapat perbedaan kemampuan kerja
antara pegawai pria dan wanita” (Ho).
Setelah diketahui bahwa jumlah anggota sampel tidak sama, dan varian
homogen, maka rumus t-tes yang digunakan adalah rumus 2, yaitu model pooled
varians. Rata-rata kelompok pria dimasukkan pada X1, rata-rata kelompok pria
dimasukkan pada X2. Varian kelompok pria dimasukkan pada S12, dan varians

wanita dimasukkan pada . Jumlah anggota n1 = 22 dan n2 = 18.

46
 51−49,67
t= (22−1).238,29+(18−1).127,76 1 1
 (22+18−2)
. +
22 18

1,330 1,330
t= = 4,366 = 0,305
188,842.0,101

jadi harga t hitung = 0,305. Untuk menguji signifikansinya, maka harga t hitung ini
perlu dikonsultasikan dengan t tabel, dengan dk = (22 + 18 – 2), dan taraf
kepercayaan diambil 95% atau taraf signifikasi 5%, berdasarkan dk = 38 maka t
tabel nya berkisar = 2,021.

Jadi hipotesis nol (nihil) yang menyatakan “tidak terdapat perbedaan kemampuan
kerja pegawai pria dan wanita diterima.

3.3 Contoh Penggunaan Uji t (T-Test)

Uji t adalah alat tes statistika yang digunakan untuk menguji kebenaran atau
kepalsuan Hipotesis Nihil.
MD
Rumus yang digunakan: t= Rumus 24
SEMD

Di mana: t = Nilai T-Test

MD = Mean Difference, yg rumusnya adalah:
ΣD
MD = Rumus 24-a
N
( D = beda selisih antara varibel I dan variabel II)

SEMD = Standart Error dari MD, yg rumusnya adalah;

SDD
SEMD = Rumus 24-b
√ (N-1)

SDD = Standart Deviasi dari perbedaan antara skor variabel I dan skor
variabel II, yang rumusnya adalah:

47
 ΣD2 ΣD
SDD = √ [ – ( )2 ] Rumus 24-c
N N

Contoh:
Suatu penelitian percobaan (eksperimen) dilakukan untuk mendapatkan efektivitas
metode pembelajaran matematika. Dilakukan pengujian awal atau Pre-Test dengan
metode lama, dan setelah diterapkan metode baru, kemudian dilakukan pengujian
lanjutan atau post-Test dengan metode baru tersebut.
Pada pengujian dengan metode baru, diajukan hipotesis untuk melihat
perbandingan metode dengan hipotesis nihil sbb: “apakah tidak terdapat
perbedaan antara metode lama dengan metode baru dengan sebelumnya dilakukan
pre-test dan sesudahnya dengan post-test pada pembelajaran matematika”.
Dalam uji coba pada 25 siswa, didapatkan nilai pre-test (sebelum dilakukan metode
baru), dan post-test (setelah dilakukan metode baru) sebagaimana tertera pada Tabel
IX di bawah ini.

Tabel IX: Nilai Matematika Siswa pada Saat Pre-Test dan Post-Test
Nilai Matematika
Responden Sebelum Sesudah
Diterapkan Diterapkan
Metode Baru (X) Metode Baru (Y)
1 70 67
2 60 68
3 70 71
4 55 59
5 57 63
6 49 54
7 69 66
8 70 74
9 81 89
10 30 33
11 55 51
12 40 50
13 63 69
14 85 83
15 70 77
16 62 69
17 58 73
18 65 65
19 75 76

48
 20 69 86
21 46 51
22 70 74
23 76 80
24 55 62
25 56 65
Langkah-langkah untuk menyelesaikan permasalahan mencari T-test (t) adalah:
1). Mencari nilai perbedaan (D) antara Nilai X dan Nilai Y, dan menyusunnya
dalam tabel berikut ini:
Tabel IX-1: Perhitungan Perbedaan antara Nilai Pre-Test dan Post-Test pada
Metode Pembelajaran Matematika
Nilai Matematika
Responden Sebelum Sesudah D=X–Y D2 = (X – Y)2
Diterapkan Diterapkan
Metode Baru Metode Baru (Y)
(X)
1 70 67 3 9
2 60 68 -8 64
3 70 71 -1 1
4 55 59 -4 16
5 57 63 -6 36
6 49 54 -5 25
7 69 66 3 9
8 70 74 -4 16
9 81 89 -8 64
10 30 33 -3 9
11 55 51 4 16
12 40 50 -10 100
13 63 69 -6 36
14 85 83 2 4
15 70 77 -7 49
16 62 69 -7 49
17 58 73 -15 225
18 65 65 0 0
19 75 76 -1 1
20 69 86 -17 289
21 45 51 -6 36
22 70 74 -4 16
23 76 80 -4 16
24 55 62 -7 49
25 56 65 -9 81
Jumlah -120 1216

Dari tabel di atas, diperoleh: Σ D = -120; dan Σ D2 = 1216

49
2). Mencari Rata-Rata Perbedaan (Mean Difference) dengan rumus 24-a
ΣD -120
MD = = = - 4,8
N 25

3). Mencari standart deviasi perbedaan dengan rumus 24-c

ΣD2 ΣD
SDD = √ [ – ( )2 ]
N N

1216 -120
SDD = √[ -( )2] = √ [48,64 – (-4,8)2]
25 25

= √ (48,64 – 23,04) = 5,1

4). Mencari standart error dari MD, dengan rumus 24-b:

SDD
SEMD =
√ (N-1)
5,1 5,1
SEMD = = = 1.033
√ (25-1) √ 24

5). Mencari harga t dengan rumus 24

MD -4,8
t=  t= = - 4,68
SEMD 1,033

6). Memberikan interpretasi terhadap harga t.

Dengan harga db = N-1 = 25-1 =24, dan taraf signifikansi 5 %, diperoleh harga
kritik t atau t tabel (uji dua pihak) didapat harga 2,064.
Mengkonsultasikan harga t hitung terhadap t tabel, dengan mengubah harga (-)
menjadi (+), dan didapat bahwa: thitung > t tabel (4,68 > 2,064).
Karena t hitung > t tabel, maka dapat disimpulkan bahwa hasil eksperimen
menunjukkan adanya perbedaan yang signifikan antara metode lama dengan
metode yang baru dalam pembelajaran matematika (hipotesis nihil ditolak).
Dengan demikian, metode baru pembelajaran matematika menunjukkan
efektivitasnya yang nyata.

50
Dari hasil penelitian ini, dapat direkomendasikan, bahwa metode baru
pembelajaran matematika dapat diandalkan dan dapat ditindaklanjuti sebagai
metode pembelajaran berikutnya dalam bidang studi matematika.

51
BAB IV
Uji Chi Kuadrat

4.1 Pengertian dan Kegunaan Uji Chi-Kuadrat

Chi Kuadrat adalah pengujian hipotesis mengenai perbandingan antara
frekuensi observasi atau yang benar-benar terjadi atau aktual dengan frekuensi
harapan. Yang dimaksud dengan frekuensi harapan adalah frekuensi yang
nilainya dapat di hitung secara teoritis (e). sedangkan dengan frekuensi
observasi adalah frekuensi yang nilainya di dapat dari hasil percobaan (o).
Dalam statistik, distribusi chi square termasuk dalam statistik nonparametrik.
Distribusi nonparametrik adalah distribusi dimana besaran-besaran populasi
tidak diketahui. Distribusi ini sangat bermanfaat dalam melakukan analisis
statistik jika kita tidak memiliki informasi tentang populasi atau jika asumsi-
asumsi yang dipersyaratkan untuk penggunaan statistik parametrik tidak
terpenuhi. Chi-kuadrat ini digunakan untuk mengadakan pendekatan dari
beberapa vaktor atau mngevaluasi frekuensi yang diselidiki atau frekuensi hasil
observasi dengan frekuensi yang diharapkan dari sampel apakah terdapat
hubungan atau perbedaan yang signifikan atau tidak.
Dalam statistik, distribusi chi square termasuk dalam statistik
nonparametrik. Distribusi nonparametrik adalah distribusi dimana besaran-
besaran populasi tidak diketahui. Distribusi ini sangat bermanfaat dalam
melakukan analisis statistik jika kita tidak memiliki informasi tentang populasi
atau jika asumsi-asumsi yang dipersyaratkan untuk penggunaan statistik
parametrik tidak terpenuhi.
Beberapa hal yang perlu diketahui berkenaan dengan distribusi chi square
adalah:
 Distribusi chi-square memiliki satu parameter yaitu derajat bebas (db).
 Nilai-nilai chi square di mulai dari 0 disebelah kiri, sampai nilai-nilai
positif tak terhingga di sebelah kanan.
 Probabilitas nilai chi square di mulai dari sisi sebelah kanan.
 Luas daerah di bawah kurva normal adalah 1.
a) Uji Kecocokan = Uji Kebaikan Suai = Goodness of Fit
b) Uji Kebebasan
c) Uji Beberapa Proporsi (Prinsip pengerjaan (b) dan (c) sama saja)

Nilai chi square adalah nilai kuadrat karena itu nilai chi square selalu positif.
Bentuk distribusi chi square tergantung dari derajat bebas (Db)/degree of
freedom. Pengertian pada uji chi square sama dengan pengujian hipotesis yang
lain, yaitu luas daerah penolakan Ho atau taraf nyata pengujian. Metode Chi-
kuadrat menggunakan data nominal, data tersebut diperoleh dari hasil

52
 menghitung. Sedangkan besarnya nilai chi-kuadrat bukan merupakan ukuran
derajat hubungan atau perbedaan. Macam-macam bentuk analisa Chi-kuadrat :
 Penaksiran standar deviasi
 Pengujian hipotesis standar deviasi
 Pengujian hipotesis perbedaan beberapa proporsi atau chi-square dari data
multinominal
 Uji hipotesis tentang ketergantungan suatu variabel terhadap variabel
lain/uji Chi-square dari tabel kontingensi/tabel dwikasta/tabel silang
 Uji hipotesis kesesuaian bentuk kurva distribusi frekuensi terhadap
distribusi peluang teoritisnya atau uji Chi-square tentang goodness of fit

4.2 Ketentuan Pemakaian Chi-Kuadrat (X2)

Sebagai rumus dasar dari uji Chi-Kuadrat adalah :

Keterangan :
O = frekuensi hasil observasi
E = frekuensi yang diharapkan.
Nilai E = (Jumlah sebaris x Jumlah Sekolom) / Jumlah data df = (b-1) (k-1)
Agar pengujian hipotesis dengan chi-kuadrat dapat digunakan dengan baik,
maka hendaknya memperhatikan ketentuan-ketentuan sebagai berikut :
1) Jumlah sampel harus cukup besar untuk meyakinkan kita bahwa terdapat
kesamaan antara distribusi teoretis dengan distribusi sampling chi-kuadrat.
2) Pengamatan harus bersifat independen (unpaired). Ini berarti bahwa
jawaban satu subjek tidak berpengaruh terhadap jawaban subjek lain atau
satu subjek hanya satu kali digunakan dalam analisis.
3) Pengujian chi-kuadrat hanya dapat digunakan pada data deskrit (data
frekuensi atau data kategori) atau data kontinu yang telah dikelompokan
menjadi kategori.
4) Jumlah frekuensi yang diharapkan harus sama dengan jumlah frekuensi
yang diamati.
5) Pada derajat kebebasan sama dengan 1 (table 2 x 2) tidak boleh ada nilai
ekspektasi yang sangat kecil. Secara umum, bila nilai yang diharapkan
terletak dalam satu sel terlalu kecil (< 5) sebaiknya chi-kuadrat tidak

53
 digunakan karena dapat menimbulkan taksiran yang berlebih (over
estimate) sehingga banyak hipotesis yang ditolak kecuali dengan koreksi
dari Yates. Bila tidak cukup besar, maka adanya satu nilai ekspektasi yang
lebih kecil dari 5 tidak akan banyak mempengaruhi hasil yang diinginkan.
Pada pengujian chi-kuadrat dengan banyak ketegori, bila terdapat lebih dari
satu nilai ekspektasi kurang dari 5 maka, nilai-nilai ekspektasi tersebut
dapat digabungkan dengan konsekuensi jumlah kategori akan berkurang
dan informasi yang diperoleh juga berkurang.

4.3 Uji Distribusi Normal menggunakan uji Chi Kuadrat

Uji normalitas dengan Chi Kuadrat (X2) dipergunakan untuk menguji data
dalam bentuk data kelompok dalam tabel distribusi frekuensi. Seperti halnya
uji Liliefors, uji normalitas dengan uji Chi-Kuadrat dilakukan dengan langkah-
langkah:
Pertama-tama, tentukan taraf signifikansi, misalkan 0,05 untuk menguji
hipotesis:
Ho: Sampel berasal dari populasi berdistribusi normal.
Ha: Sampel tidak berasal dari populasi berdistribusi normal.
dengan kriteria pengujian:
Jika X2hitung < X2tabel terima Ho
Jika X2hitung > X2tabel tolak Ho
Kedua, lakukan langkah-langkah uji normalitas dengan chi kuadrat (X2)
sebagai berikut:
1. Membuat daftar distribusi frekuensi dari data yang berserakan ke dalam
distribusi frekuensi data kelompok (jika data belum disajikan dalam tabel
disitribusi frekuensi kelompok).
2. Mencari rerata (mean) data kelompok
3. Mencari simpangan baku data kelompok
4. Tentukan batas nyata (tepi kelas) tiap interval kelas dan jadikan sebagai
Xi(X1, X2, X3, ..., Xn). Kemudian lakukan konversi, setiap nilai tepi kelas
(Xi) menjadi nilai baku Z1, Z2, Z3, ..., Zn. Dimana nilai baku Zi ditentukan

dengan rumus Zi = (Xi - )/s

5. Tentukan besar peluang setiap nilai Z berdasarkan tabel Z (luas lengkungan
di bawah kurva normal standar dari 0 ke Z, dan disebut dengan F(Zi)).

54
 6. Tentukan luas tiap kelas interval dengan cara mengulangi nilai F(z) yang
lebih besar diatas atau dibawahnya.
7. Tentukan Ei (frekuensi eskpektasi) dengan cara membagi luas kelas tiap
interval dibagi number of cases (n).
8. Masukkan frekuensi observasi (faktual) sebagai Oi
9. Cari nilai setiap interval
10. Tentukan nilai X2hitung setiap interval
11. Tentukan nilai X2tabel pada taraf signifikansi dan derajat kebebasan k-1
dengan k adalah banyaknya kelas/kelompok interval
12. Bandingkan jumlah total X2hitung dengan X2tabel
13. Apabila X2hitung < X2tabel maka sampel berasal dari populasi yang
berdistribusi normal, dan jika X2hitung > X2tabel maka sampel berasal dari
populasi tidak normal

4.4 Besarnya Derajat Kebebasan

Pada pembahasan tentang distribusi ‘’ t ‘’, kita ketahui bahwa besarnya
derajat kebebasan sama dengan n – 1. Pengujian hipotesis menggunakan
distribusi chi-kuadrat yang terdiri dari 2 variabel dan masing-masing variable
terdiri dari beberapa kategori. Untuk menghitung banyaknya derajat kebebasan
maka dibuat table kontingensi. Misalnya terdapat 2 variabel di mana variable
ke-1 terdiri dari 3 kategori dan veriabel ke-2 terdiri dari 4 kategori. Dengan
demikian dapat dibuat table kontingensi 3 x 4 sebagai berikut.
Variabel 2

1 2 3 4 Jumlah

A B B B Tb X

B B B B Tb X

C Tb Tb Tb Tb X
Variabel Jumlah X X X X X
1

Keterangan :
B = dapat digunakan dengan bebas
Tb = tak bebas
X = nilainya diketahui

55
 Jumlah nilai dari baris dan kolom disebut nilai marginal. Jika nilai marginal
dari jumlah seluruhnya (grand total) telah diketahui maka, pada baris pertama
terdapat 3 nilai yang dapat ditentukan dengan bebas, demikian pula dengan
baris kedua, tetapi pada baris ketiga semuanya tidak bebas karena jumlah
marginal telah diketahui. Jadi, disini terdapat 6 nilai yang dapat ditentukan
dengan bebas (2 x 3 = 6). Secara umum rumus untuk menghitung derajat
kebebasan pada pengujian hipotesis menggunakan chi-kuadrat adalah seperti
berikut.

dk = (jumlah baris – 1) (jumlah kolom – 1) atau

dk =(B–1) (K–1)
Pada contoh diatas, dk = ( 3 -1 ) ( 4 – 1 ) = 2 x 3 = 6

4.5 Pengujian Hipotesis Tentang Kesamaan Beberapa Proporsi

Chi-kuadrat dapat digunakan untuk menguji beberapa proporsi, mislanya,
kita memperoleh beberapa proporsi P1, P2, P3 . . . . Pk dengan kategori x1, x2,
x3 . . . . xk yang bersifat independen dan kita ingin mengetahui apakah
perbedaan proporsi hasil pengamatan memang benar berbeda atau karena
faktor kebetulan. Untuk menyelesaikan masalah tersebutdilakukan pengujian
dengan x2.
E1 = np1 , E2 = np2 , E3 = np3 . . . . Ek = npk
Ho : P 1 = P2 = P3 . . . . Pk
Ha : P1 ≠ P2 , P3 . . . . Pk
dk = banyaknya kategori – 1 = (k – 1)
Ho akan diterima bila hasil perhitungan x2 lebih kecil daripada x2 yang terdapat
dalam tabel dengan dk = k – 1 pada derajat kemaknaan .

Contoh :
1. Misalnya, dinyatakan bahwa status gizi anaka balita disuatu daerah
mempunyai perbandingan yang sama, gizi baik = gizi sedang = gizi kurang
= gizi buruk. Untuk mengetahui apakah pernyataan tersebut dapat
dipercaya maka dilakukan tersebut dan diperoleh hasil sebagai berikut.
30 anak dengan gizi baik, 35 anak dengan gizi sedang, 20 anak dengan gizi
kurang dan 15 anak dengan gizi buruk. Pengujian dilakukan pada derajat
kemaknaan 0,05.

Hipotesis :

56
 Ho : p = p1 = p2 = p3 = p4
Ha : p ≠ p1 = p2 = p3 = p4
atau antara p1 , p2 , p3 dan p4 tidak sama
n = 30 + 35 + 20 + 15 = 100= 0,05
dk = (k – 1) = 4 – 1 = 3

Hasil pengamatan (observed) status gizi : 30 , 35 , 20 dan 15 atau

O1 = 30 ; O2 =35 ; O3 = 20 ; O4 = 15.
Nilai ekspektasi, karena hipotesis nol dan semua proporsi sama maka
diharapkan semua nilai dengan proporsi status gizi yang sama.
E1 = np = 100 x 0,25 = 25
E2 = 100 x 0,25 = 25
E3 = 100 x 0,25 = 25
E4 = 100 x 0,25 = 25
2
x = x1 + x22 + x32 + x42
2

= {(O1 – E1)2/ E1} + {(O2 – E2)2/ E2} + {(O3 – E3)2/ E3} + {(O4 –
E4)2/ E4}
= {(30 – 25)2/25} + {(35 – 25)2/25} + {(20 – 25)2/25} + {(15 –
25)2/25}
= 10

Pada tabel x2 didapatkan bahwa x20,05 dk = 3 = 7,815

Karena 10 > 7,815 maka x2 = 10 berada diluar daerah penerimaan atau dengan
kata lain hipotesis ditolak pada derajat kemaknaan 0,05 atau p < 0,05.
Kesimpulannya, proporsi status gizi anak balita didaerah tersebut tidak sama.

Hasil pemeriksaan antropometrik status gizi anak dengan perbandingan gizi

baik, sedang, kurang dan buruk adalah 5 : 4 : 2 : 1.
Untuk menguji apakah hasil antropometrik dengan perbandingan tersebut
benar, dilakukan pengambilan sampel dengan hasil gizi baik = 30, gizi sedang
= 40, gizi kurang = 10 dan gizi buruk = 10.
Hipotesis statistik :
Ho : p = 5 : 4 : 2 : 1
Ha : p ≠ 5 : 4 : 2 : 1
Jika dianggap bahwa perbandingan tersebut benar maka diharapkan
mempunyai perbandingan sebagai berikut.
P1 =5∕12 x 90 = 37
P2 = 4∕12 x 90 = 30
P3 = 2∕12 x 90 = 15
P4 = 1∕12 x 90 = 8
Agar lebih jelas, ini dapat disajikan dalam bentuk tabel sebagai berikut:

57
 Gizi baik Gizi sedang Gizi kurang Gizi buruk

O 30 40 10 10

E 37 30 15 8

X2 = {(30 – 37)2/37} + {(40 – 30)2/30} + {(10 – 15)2/15} + {(10 – 8)2/8} = 5,82

X2 dk 3, 0,05 = 7,815
Hipotesis diterima pada derajat kemaknaan 0,05 atau p > 0,05.
Kesimpulan:
kita 95% percaya bahwa proporsi status gizi didaerah tersebut 5 : 4 : 2 :

4.6 Chi-Kuadrat Untuk Pengujian Independensi

Dibidang kedokteran tidak jarang kita menemukan dua variabel dimana
masing - masing variabel terdiri dari beberapa kategori,misalnya tingkat
beratnya penyakit dengan tingkat kesembuhan. Bila kita ingin mengetahui
apakah diantara dua variabel tersebut terdapat hubungan atau tidak, dengan
kata lain apakah kedua variabel tersebut bersifat dependen atau independen,
maka pengujian hipotesis dilakukan dengan x2. Interpretasi hasil pengujian
ialah apabila hipotesis nol diterima, berarti tidak ada hubungan (independen),
tetapi bila hasilnya menolak hipotesis nol maka dikatakan kedua variabel
tersebut mempunyai hubungan atau dependen. Rumus yang digunakan adalah
rumus umum x2.

Contoh :
Sebuah penelitian dilakukan oleh seorang kepala rumah sakit untuk
mengetahui apakah ada hubungan antara tingkat pendidikan dengan kelas
ruang rawat inap. Untuk kepentingan tersebut diambil sampel sebanyak 200
orang penderita dengan hasil sebagai berikut.
Ho : variabel 1 dan variabel 2 disebut independen
Ha : variabel 1 dan variabel 2 disebut dependen
1) 70 orang dengan pendidikan SD
20 memilih kelas 1
40 memilih kelas 2
10 memilih kelas 3
2) 50 orang berpendidikan SLTP
25 memilih kelas 1
15 memilih kelas 2
10 memilih kelas 3
3) 40 orang berpendidikan SLTA

58
 15 memilih kelas 1
10 memilih kelas 2
15 memilih kelas 3
4) 40 orang berpendidikan akademi dan perguruan tinggi
20 memilih kelas 1
5 memilih kelas 2
15 memilih kelas 3

Data diatas dapat disajikan dalam bentuk tabel sebagai berikut.

Pendidikan
Kelas
Jumlah
ruang
SD SLTP SLTA PT

1 20 25 15 20 80

2 40 15 10 5 70

3 10 10 15 15 50

Jumlah 70 50 40 40 200

Hasil perhitungan :

O E (O – E) (O – E)2 (O – E)2/E

20 28 -8 64 2,29

25 20 5 25 1,25

15 16 -1 1 0,06

20 16 4 16 1,00

40 24,5 15,5 240,25 9,81

15 17,5 -2,5 6,25 0,06

10 14 -4 16 1,14

5 14 -9 81 5,75

10 12,5 -2,5 6,25 0,50

59
 10 17,5 -7,5 56,25 3,21

15 10 5 25 2,5

15 10 5 25 2,5

Jumlah 30,11

X2 = 0,05, dk 6 = 12,59
Hipotesis ditolak pada derajat kemaknaan 0,05 atau p > 0,05.
Kesimpulannya, kita 95% percayat bahwa terdapat hubungan antara tingkat
pendidikan dengan kelas ruang rawat inap.

4.7 Tabel Kontingensi 2 x 2 dan Uji x2

Bila hasil pengamatan terdiri dari dua variabel dan masing-masing hanya
terdiri dari 2 kategori maka dapat dibuat tabel kontingensi 2 x 2. Dalam hal
demikian, bila sampelnya cukup besar maka perhitungan chi-kuadrat dapat
dilakukan dengan rumus chi-kuadrat yang lazim digunakan.
Tabel kontingensi 2 x 2 secara umum dapat kita gambarkan seperti berikut.

Variabel Dependen

I II

1 a B a + b = r1
Variabel
Independen
2 c D c + d = r2

a + c = s1 b + d = s2 N

Atau
Contoh:
Hasil penelitian mengenai tingkat tekanan psikologis dikaitkan dengan usia
responden yang diakibatkan pekerjaanya tampak pada tabel berikut :

Derajat tekanan (banyaknya pramuniaga)

Umur (th)
Rendah Menengah Tinggi

< 25 20 18 22

60
 25 – 40 50 46 44

40 – 60 58 63 59

> 60 34 43 43

Total 162 170 168

Ujilah apakah ada hubungan antara usia dan tingkat tekanan psikologis pada
taraf natay sebesar 0,01 ?

Pemecahan :
1. Formulasi
H0 : Tidak terdapat hubungan antara usia dengan tingkat tekanan psikologis
Ha : Ada hubungan antara usia dengan tingkat tekanan psikologis

2. Hitung derajat bebas.

df = (jumlah baris – 1) x (jumlah kolom – 1)
df = (4 – 1)(3 –1) = 6
taraf nyata = 0,01
Nilai kritis (X2 tabel) = 16,812

3. Hitung frekuensi yang diharapkan dengan rumus

Frekuensi yang diharapkan

Derajat tekanan (banyaknya pramuniaga)

Umur (th) Rendah Menengah Tinggi Total

Fo Fe Fo Fe Fo Fe Fo Fe

< 25 20 19 18 20 22 20 60 60

25 – 40 50 46 46 48 44 48 140 140

40 – 60 58 58 63 61 59 60 180 180

> 60 34 32 43 41 43 40 120 120

61
 Total 162 162 170 170 168 168 500 500

Hitung X2
X2 = (20-19)2/19 + (18-20)2/20 + (22-20)2/20+(50-45)2/45 + (46-48)2/48 + (44-
47)2/47 +(58-58)2/58 + (63-61)2/61 + (59-60)2/60 +(34-39)2/39 + (43-
41)2/41 + (43-40)2/40
X2 = 2,191
Kesimpulan , Karena 2,191 < 16,812, maka ho diterima berarti tidak
ada hubungan antara usia dengan tekanan psikologis.

Contoh lain:
Suatu penelitian ingin mengetahui: “apakah ada perbedaan cita-cita kelak
setelah tamat S1 diantara mahasiswa & mahasiswi AN Fisip UNS semester-
VII?”
Hipotesis:
H0 = tidak ada perbedaan antara mahasiswa dan mahasiswi dalam hal cita-cita
mereka kelak setelah tamat S1.
Ha = proporsi mahasiswi lebih banyak yang bercita-cita sebagai PNS setelah
mereka tamat S1 ketimbang mahasiswa.
Tabel kerja:

Cita-Cita Mahasiswa Mahasiswi Jumlah

PNS 10 11 21

Bukan PNS 46 13 59

Jumlah 56 24 80

Perhitungan:
Besarnya degree of freedom (df) :
Df = (k-1) (b-1)
= (2-1) (2-1)
=1

62
Adapun contoh lain:
Misalkan, kita akan meneliti efek semacam obat influenza. Untuk kepentingan
tersebut diambil 2 kelompok penderita yang masing-masing 10 orang penderita
influenza.
Kelompok 1 diberi obat, sedangkan kelompok 2 diberi plasebo. Setelah 3 hari
kemudian dievaluasi dan hasilnya pada kelompok 1 terdapat 7 orang sembuh
dan 3 orang tidak, sedangkan kelompok 2 terdapat 4 orang sembuh dan 6 orang
tidak.
Derajat kemaknaan 0,05

H0 : obat placebo
Ha : obat plasebo

Efek

Sembuh Tidak Total

Obat 7 3 10

Plasebo 4 6 10

Jumlah 11 9 20

Hipotesis diterima pada derajat kemaknaan 0,05. Kesimpulannya, kita 95%

percaya bahwa obat tersebut tidak mempunyai efek terhadap penyembuhan
influenza.

63
Uji Validitas dan Reliabilitas
BAB V

5.1 Validitas
1. Pengertian Validitas
 Menurut Gronlund dan Linn (1990): Validitas adalah ketepatan
interpretasi yang dibuat dari hasil pengukuran atau evaluasi
 Menurut Anastasi (1990): Validitas adalah ketepatan mengukur konstruk,
menyangkut; “What the test measure and how well it does”
 Menurut Arikunto (1995): Validitas adalah keadaan yang
menggambarkan tingkat instrumen bersangkutan yang mampu mengukur
apa yang akan diukur.
 Menurut Sukadji (2000): Validitas adalah derajat yang menyatakan suatu
tes mengukur apa yang seharusnya diukur.
 Menurut Azwar (1986):Validitas adalah sejauh mana ketepatan dan
kecermatan suatu alat ukur dalam melakukan fungsinya.
Validitas adalah suatu ukuran yang menunjukan tingkat kevalidan atau
kesahihan suatu instrumen. Prinsif validitas adalah pengukuran atau
pengamatan yang berarti prinsif keandalan instrumen dalam mengumpulkan
data. Instrumen harus dapat mengukur apa yang seharusnya diukur. Jadi
validitas lebih menekankan pada alat pengukuran atau pengamatan.
Suatu skala atau instrumen pengukur dapat dikatakan mempunyai validitas yang
tinggi apabila instrumen tersebut menjalankan fungsi ukurnya, atau
memberikan hasil ukur yang sesuai dengan maksud dilakukannya pengukuran
tersebut. Sedangkan tes yang memiliki validitas rendah akan menghasilkan data
yang tidak relevan dengan tujuan pengukuran.
Terkandung di sini pengertian bahwa ketepatan pada validitas suatu alat ukur
tergantung pada kemampuan alat ukur tersebut mencapai tujuan pengukuran
yang dikehendaki dengan tepat. Suatu tes yang dimaksudkan untuk mengukur
variabel A dan kemudian memberikan hasil pengukuran mengenai variabel A,
dikatakan sebagai alat ukur yang memiliki validitas tinggi. Suatu tes yang
dimaksudkan mengukur variabel A akan tetapi menghasilkan data mengenai
variabel A’ atau bahkan B, dikatakan sebagai alat ukur yang memiliki validitas

64
rendah untuk mengukur variabel A dan tinggi validitasnya untuk mengukur
variabel A’ atau B (Azwar 1986).
Sisi lain dari pengertian validitas adalah aspek kecermatan pengukuran. Suatu
alat ukur yang valid tidak hanya mampu menghasilkan data yang tepat akan
tetapi juga harus memberikan gambaran yang cermat mengenai data tersebut.

2. Macam-macam validitas
Menurut Djaali dan Pudji (2008) validitas dibagi menjadi 3 yaitu
1. Validitas isi (content validity)
Validitas isi suatu tes mempermasalahkan seberapa jauh suatu tes mengukur
tingkat penguasaan terhadap isi suatu materi tertentu yang seharusnya dikuasai
sesuai dengan tujuan pengajaran. Dengan kata lain, tes yang mempunyai
validitas isi yang baik ialah tes yang benar-benar mengukur penguasaan materi
yang seharusnya dikuasai sesuai dengan konten pengajaran yang tercantum
dalam Garis-Garis Besar Program Pengajaran (GBPP).
Menurut Gregory (2000) validitas isi menunjukkan sejauhmana pertanyaan,
tugas atau butir dalam suatu tes atau instrumen mampu mewakili secara
keseluruhan dan proporsional perilaku sampel yang dikenai tes tersebut.
Artinya tes mencerminkan keseluruhan konten atau materi yang diujikan atau
yang seharusnya dikuasai secara proporsional.
Untuk mengetahui apakah tes itu valid atau tidak harus dilakukan melalui
penelaahan kisi-kisi tes untuk memastikan bahwa soal-soal tes itu sudah
mewakili atau mencerminkan keseluruhan konten atau materi yang seharusnya
dikuasai secara proporsional. Oleh karena itu, validitas isi suatu tes tidak
memiliki besaran tertentu yang dihitung secara statistika, tetapi dipahami
bahwa tes itu sudah valid berdasarkan telaah kisi-kisi tes. Oleh karena itu,
wiersma dan Jurs dalam Djaali dan Pudji (2008) menyatakan bahwa validitas
isi sebenarnya mendasarkan pada analisis logika, jadi tidak merupakan suatu
koefisien validitas yang dihitung secara statistika.
Untuk memperbaiki validitas suatu tes, maka isi suatu tes harus diusahakan
agar mencakup semua pokok atau sub-pokok bahasan yang hendak diukur.
Kriteria untuk menentukan proporsi masing-masing pokok atau sub pokok

65
bahasan yang tercakup dalam suatu tes ialah berdasarkan banyaknya isi
(materi) masing-masing pokok atau sub-pokok bahasan seperti tercantum
dalam kurikulum atau Garis-Garis Besar Program Pengajaran(GBPP).
Selanjutnya, validitas isi ini terbagi lagi menjadi dua tipe, yaitu face
validity (validitas muka) dan logical validity (validitas logis).
 Face Validity (Validitas Muka)
Validitas muka adalah tipe validitas yang paling rendah signifikasinya
karena hanya didasarkan pada penilaian selintas mengenai isi alat ukur.
Apabila isi alat ukur telah tampak sesuai dengan apa yang ingin diukur
maka dapat dikatakan validitas muka telah terpenuhi.
Dengan alasan kepraktisan, banyak alat ukur yang pemakaiannya terbatas
hanya mengandalkan validitas muka. Alat ukur atau instrumen psikologi
pada umumnya tidak dapat menggantungkan kualitasnya hanya pada
validitas muka. Pada alat ukur psikologis yang fungsi pengukurannya
memiliki sifat menentukan, seperti alat ukur untuk seleksi karyawan atau
alat ukur pengungkap kepribadian (asesmen), dituntut untuk dapat
membuktikan validitasnya yang kuat.
 Logical Validity (Validitas Logis)
Validitas logis disebut juga sebagai validitas sampling (sampling validity).
Validitas tipe ini menunjuk pada sejauhmana isi alat ukur merupakan
representasi dari aspek yang hendak diukur.
Untuk memperoleh validitas logis yang tinggi suatu alat ukur harus
dirancang sedemikian rupa sehingga benar-benar berisi hanya item yang
relevan dan perlu menjadi bagian alat ukur secara keseluruhan. Suatu
objek ukur yang hendak diungkap oleh alat ukur hendaknya harus dibatasi
lebih dahulu kawasan perilakunya secara seksama dan konkrit. Batasan
perilaku yang kurang jelas akan menyebabkan terikatnya item-item yang
tidak relevan dan tertinggalnya bagian penting dari objek ukur yang
seharusnya masuk sebagai bagian dari alat ukur yang bersangkuatan.
Validitas logis memang sangat penting peranannya dalam penyusunan tes
prestasi dan penyusunan skala, yaitu dengan memanfaatkan blue-print atau
tabel spesifikasi.

66
2. Validitas Konstruk (Construct validity)
Menurut Djaali dan Pudji (2008) validitas konstruk adalah validitas yang
mempermasalahkan seberapa jauh item-item tes mampu mengukur apa-apa
yang benar-benar hendak diukur sesuai dengan konsep khusus atau definisi
konseptual yang telah ditetapkan.
Validitas konstruk biasa digunakan untuk instrumen-instrumen yang
dimaksudkan mengukur variabel-variabel konsep, baik yang sifatnya
performansi tipikal seperti instrumen untuk mengukur sikap, minat, konsep
diri, lokus control, gaya kepemimpinan, motivasi berprestasi, dan lain-lain,
maupun yang sifatnya performansi maksimum seperti instrumen untuk
mengukur bakat (tes bakat), intelegensi (kecerdasan intelekual), kecerdasan
emosional dan lain-lain.
Untuk menentukan validitas konstruk suatu instrumen harus dilakukan proses
penelaahan teoritis dari suatu konsep dari variabel yang hendak diukur, mulai
dari perumusan konstruk, penentuan dimensi dan indikator, sampai kepada
penjabaran dan penulisan butir-butir item instrumen. Perumusan konstruk
harus dilakukan berdasarkan sintesis dari teori-teori mengenai konsep variabel
yang hendak diukur melalui proses analisis dan komparasi yang logik dan
cermat.
3. Validitas empiris
Validitas empiris sama dengan validitas kriteria yang berarti bahwa validitas
ditentukan berdasarkan kriteria, baik kriteria internal maupun kriteria
eksternal. Kriteria internal adalah tes atau instrumen itu sendiri yang menjadi
kriteria, sedangkan kriteria eksternal adalah hasil ukur instrumen atau tes lain
di luar instrumen itu sendiri yang menjadi kriteria. Ukuran lain yang sudah
dianggap baku atau dapat dipercaya dapat pula dijadikan sebagai kriteria
eksternal.
Validitas yang ditentukan berdasarkan kriteria internal disebut validitas
internal, sedangkan validitas yang ditentukan berdasarkan kriteria eksternal
disebut validitas eksternal.
 Validitas internal

67
 Validitas internal merupakan validitas yang diukur dengan besaran yang
menggunakan instrumen sebagai suatu kesatuan (keseluruhan butir)
sebagai kriteria untuk menentukan validitas item atau butir dari instrumen
itu. Dengan demikian validitas internal mempermasalahkan validitas butir
atau item suatu instrumen dengan menggunakan hasil ukur instrumen
tersebut sebagai suatu kesatuan dan sebagai kriteria, sehingga biasa
disebut juga validitas butir.
Pengujian validitas butir instrumen atau soal tes dilakukan dengan
menghitung koefesien korelasi antara skor butir instrumen atau soal tes
dengan skor total instrumen atau tes. Butir atau soal yang dianggap valid
adalah butir instrumen atau soal tes yang skornya mempunyai koefesien
korelasi yang signifikan dengan skor total instrumen atau tes.
 Validitas eksternal
Kriteria eksternal dapat berupa hasil ukur instrumen yang sudah baku atau
instrumen yang dianggap baku dapat pula berupa hasil ukur lain yang
sudah tersedia dan dapat dipercaya sebagai ukuran dari suatu konsep atau
varaibel yang hendak diukur. Validitas eksternal diperlihatkan oleh suatu
besaran yang merupakan hasil perhitungan statistika. Jika kita
menggunakan hasil ukur instrumen yang sudah baku sebagai kriteria
eksternal, maka besaran validitas eksternal dari instrumen yang kita
kembangkan didapat dengan jalan mengkorelasikan skor hasil ukur
instrumen yang dikembangkan dengan skor hasil ukur instrumen baku
yang dijadikan kriteria. Makin tinggi koefesien korelasi yang didapat,
maka validitas instrumen yang dikembangkan juga makin baik. Kriteria
yang digunakan untuk menguji validitas eksternal adalah nilai table r (r-
tabel).
Jika koefesien korelasi antara skor hasil ukur instrumen yang
dikembangkan dengan skor hasil ukurinstrumen baku lebih besar dari pada
r-tabel, maka instrumen yang dikembangkan dapat valid berdasarkan
kriteria eksternal yang dipilih (hasil ukur instrumen baku). Jadi keputusan
uji validitas dalam hal ini adalah mengenai valid atau tidaknya instrumen

68
 sebagai suatu kesatuan, bukan valid atau tidaknya butir instrumen seperti
pada validitas internal.
Ditinjau dari kriteria eksternal yang dipilih, validitas eksternal dapat
dibedakan atas dua macam yaitu:
1. Validitas prediktif apabila kriteria eksternal yang digunakan adalah
adalah ukuran atau penampilan masa yang akan datang.
2. Validitas kongkuren apabila kriteria eksternal yang digunakan adalah
ukuran atau penampilan saat ini atau saat yang bersamaan dengan
pelaksanaan pengukuran.
3. Metode Pengujian Validitas
Uji validitas adalah suatu langkah pengujian yang dilakukan terhadap isi
(content) dari suatu instrumen, dengan tujuan untuk mengukur ketepatan
instrumen yang digunakan dalam suatu penelitian. Untuk menguji validitas
setiap butir soal maka skor-skor yang ada pada butir yang dimaksud
dikorelasikan dengan skor totalnya. Skor tiap butir soal dinyatakan skor X
dan skor total dinyatakan sebagai skor Y, dengan diperolehnya indeks
validitas setiap butir soal, dapat diketahui butir-butir soal manakah yang
memenuhi syarat dilihat dari indeks validitasnya (Arikunto, 1999: 78).
Cara Mengetahui Validitas Alat Ukur:
1. Korelasi Product Moment
Teknik yang digunakan untuk mengetahui kesejajaran adalah
teknik Korelasi Product Moment yang dikemukakan oleh Pearson.

Rumus korelasi Product Moment ada 2 :

 Korelasi Product moment dengan simpangan.

 Korelasi Product moment dengan angka kasar.

69
 Contoh:
1. Persiapan Untuk Mencari Validitas Tes dengan Simpangan:

Penyelesaian:

Dimasukkan ke rumus:

70
2. Persiapan Untuk Mencari Validitas Tes dengan angka kasar:

Penyelesaian:

Bila dilihat pada kedua hitungan diatas terdapat perbedaan 0,003 lebih besar
pada simpangan ini wajar karena adanya pembulatan.
Koefisien Korelasi adalah sebagai berikut:
 Antara 0,800 sampai dengan 1,00 = sangat tinggi
 Antara 0,600 sampai dengan 0,800 = tinggi

71
  Antara 0,400 sampai dengan 0,600 = cukup
 Antara 0,200 sampai dengan 0,400 = rendah
 Antara 0,00 sampai dengan 0,200 = sangat rendah

Korelasi positif menunjukkan adanya hubungan sejajar antara 2 hal:

Misal:
IPA :2357432
Matematika : 4 5 6 8 5 4 3
Kondisi nilai Matematika sejajar dengan IPA karena naik dan turunnya
nilai Matematika mengikuti naik dan turunnya nilai IPA.

Korelasi Negatif menunjukkan adanya hubungan kebalikan antara dua hal:

Bahasa Indonesia dengan Matematika
Bahasa Indonesia :568432
Matematika :875123
Koefisien korelasi terdapat antara -1,00 sampai +1,00. karena dalam
perhitungan sering dilakukan pembulatan angka yang didapatkan 1,00
Penafsiran Harga Koefisien Korelasi ada 2 cara yaitu :
1) Dengan melihat harga r dan diinterprestasikan misalnya korelasi Tinggi,
Cukup dan sebagainya.
2) Dengan mengkonsultasikan ke tabel harga kritik r product
moment sehingga dapat diketahui signifikan tidaknya korelasi tersebut.
Jika harga r lebih kecil dari harga kritik dalam tabel, maka korelasi
tersebut tidak signifikan. Begitu juga arti sebaliknya.
 Tabel analisis item Untuk Perhitungan Validitas Item

72
 Untuk menghitung validitas item nomor 6, dibuat terlebih dahulu tabel
persiapannya sebagai berikut:

Penyelesaian:

Dimasukkan ke Korelasi Product Moment dengan rumus angka kasar:

73
 Koefisien validitas item nomor 6 adalah 0,421.Validitas items tersebut kurang
meyakinkan, validitas tidak tinggi.
1. Koefisien Korelasi Biserial
Apabila item memili skor 1 dan 0 saja, bisa menggunakan Koefisien
Korelasi Biserial.
Responden No.3 memiliki skor total hanya 4, sedangkan No.2 dan No. 4
memiliki nilai yang sama yaitu 5.
Rumus:

Keterangan :
γpbi = Koefisien korelasi biserial.
Mp = Rerata skor dari subyek yang menjawab betul bagi item yang dicari
validitasnya.
Mt = Rerata skor total.
St = Standar deviasi dari skor total.
p = Proporsi siswa yang menjawab benar.

74
75
Penyelesaian:

Perhitungan Mp dari tiap butir soal 1 sd 10:

76
 Menghitung korelasi rpbi:

5.2 Reliabilitas
1. Pengertian Reabilitas
Kata reliabillitas dalam bahasa Indonesia diambil dari reliability dalam bahasa
inggris, berasal dari kata, reliable yang artinya dapat di percaya. “reliabilitas”
merupakan kata benda, sedangkan “reliable” merupakan kata sifat atau
keadaan. Reliabilitas merupakan penerjemahan dari kata reliability yang
mempunyai asal kata rely dan ability. Pengukuran yang memiliki reliabilitas
tinggi disebut sebagai pengukuran yang reliabel (reliable).Walaupun
reliabilitas mempunyai berbagai arti seperti kepercayaan, keterandalan,
keajegan, kestabilan dan konsistensi, namun ide pokok yang terkandung dalam
konsep reliabilitas adalah sejauh mana hasil pengukuran dapat dipercaya.
Reliabilitas atau keandalan, adalah konsistensi dari serangkaian pengukuran
atau serangkaian alat ukur. Hal tersebut bisa berupa pengukuran dari alat ukur
yang sama (tes dengan tes ulang) akan memberikan hasil yang sama, atau untuk
pengukuran yang lebih subjektif, apakah dua orang penilai memberikan skor
yang mirip (reliabilitas antar penilai). Reliabilitas tidak sama dengan validitas.
Artinya pengukuran yang dapat diandalkan akan mengukur secara konsisten,
tapi belum tentu mengukur apa yang seharusnya diukur.

77
Dalam penelitian, reliabilitas adalah sejauh mana pengukuran dari suatu tes
tetap konsisten setelah dilakukan berulang-ulang terhadap subjek dan dalam
kondisi yang sama. Penelitian dianggap dapat diandalkan bila memberikan
hasil yang konsisten untuk pengukuran yang sama. Tidak bisa diandalkan bila
pengukuran yang berulang itu memberikan hasil yang berbeda-beda.
Pengukuran reliabilitas dapat dilakukan dengan menggunakan berbagai alat
statistik (Feldt & Brennan, 1989: 105). Berdasarkan sejarah, reliabilitas
sebuah instrumen dapat dihitung melalui dua cara yaitu kesalahan baku
pengukuran dan koefisien reliabilitas (Feldt & Brennan: 105). Kedua statistik
di atas memiliki keterbatasannya masing-masing. Kesalahan pengukuran
merupakan rangkuman inkonsistensi peserta tes dalam unit-unit skala skor
sedangkan koefisien reliabilitas merupakan kuantifikasi reliabilitas dengan
merangkum konsistensi (atau inkonsistensi) diantara beberapa kesalahan
pengukuran.
Dalam kerangka teori tes klasik, suatu tes dapat dikatakan memiliki reliabilitas
yang tinggi apabila skor tampak tes tersebut berkorelasi tinggi dengan skor
murninya sendiri. Interpretasi lainnya adalah seberapa tinggi korelasi antara
skor tampak pada dua tes yang pararel. (Saifuddin Azwar, 2006: 29).

2. Macam-macam Reliabilitas
Walizer (1987) menyebutkan bahwa ada dua cara umum untuk mengukur
reliabilitas, yaitu:
1. Relibilitas stabilitas.
Menyangkut usaha memperoleh nilai yang sama atau serupa untuk setiap orang
atau setiap unit yang diukur setiap saat anda mengukurnya. Reliabilitas ini
menyangkut penggunaan indicator yang sama, definisi operasional, dan
prosedur pengumpulan data setiap saat, dan mengukurnya pada waktu yang
berbeda. Untuk dapat memperoleh reliabilitas stabilitas setiap kali unit diukur
skornya haruslah sama atau hampir sama.
2. Reliabilitas ekivalen.
Menyangkut usaha memperoleh nilai relatif yang sama dengan jenis ukuran
yang berbeda pada waktu yang sama. Definisi konseptual yang dipakai sama

78
tetapi dengan satu atau lebih indicator yang berbeda, batasan-batasan
operasional, paeralatan pengumpulan data, atau pengamat-pengamat.
Menguji reliabilitas dengan menggunakan ukuran ekivalen pada waktu yang
sama bias menempuh beberapa bentuk. Bentuk yang paling umum disebut
teknik belah-tengah. Cara ini seringkali dipakai dalam survai.Apabila satu
rangkaian pertanyaan yang mengukur satu variable dimasukkan dalam
kuesioner, maka pertanyaan-pertanyaan tersebut dibagi dua bagian persis lewat
cara tertentu. (Pengacakan atau pengubahan sering digunakan untuk teknik
belah tengah ini.) Hasil masing-masing bagian pertanyaan diringkas ke dalam
skor, lalu skor masing-masing bagian tersebiut dibandingkan. Apabila dalam
skor kemudian skor masing-masing bagian tersebut dibandingkan. Apabila
kedua skor itu relatif sama, dicapailah reliabilitas belah tengah.
Reliabilitas ekivalen dapat juga diukur dengan menggunakan teknik
pengukuan yang berbeda. Kecemasan misalnya, telah diukur dengan laporan
pulsa. Skor-skor relatif dari satu indikator macam ini haruslah sesuai dengan
skor yang lain. Jadi bila seorang subyek nampak cemas pada ”ukuran gelisah”
orang tersebut haruslah menunjukkan tingkatan kecermatan relatif yang sama
bila tekanan darahnya yang diukur.

3. Metode Pengujian Reliabilitas

 Tipe-tipe Reliabelitas
Berbagai tipe tersebut akan diuraikan sebagai berikut:

1) Reliabilitas Dengan Tes-Retes

Reliabilitas tes-retes tidak lain adalah derajat yang menunjukkan konsistensi
hasil sebuah tes dari waktu ke waktu. Tes-Retes menunjukkan variasi skor
yang diperoleh dari penyelenggaraan satu tes evaluasi yang dilaksanakan
dua kali atau lebih, sebagai akibat kesalahan pengukuran. Dengan kata lain,
kita tertarik dalam mencari kejelasan bahwa skor siswa mencapai suatu tes
pada waktu tertentu adalah sama hasilnya, ketika siswa itu dites lagi dengan
tes yang sama. Dengan melakukan tes-retes tersebut. Seorang guru akan

79
mengetahui seberapa jauh konsistensi suatu tes mengukur apa yang ingin
diukur (Sukardi, 2008).
Sedangkan Arikunto (1997: 88) Metode tes ulang (tes-retes) dilakukan
untuk menghindari dua penyusunan dua seri tes. Dalam menggunakan
teknik atau metode ini pengetes hanya memiliki satu seri tes tapi dicobakan
dua kali. Oleh karena tesnya satu dan dicobakan dua kali, maka metode ini
dapat disebut juga dengan single-test-double-trial-method.
Reliebelitas tes retes dapat dilakukan dengan cara seperti berikut:
 Selenggarakan tes pada suatu kelompok yang tepat sesuai dengan
rencana.
 Setelah selang waktu tertentu, misalnya satu minggu atau dua minggu,
lakukan kembali tes yang sama dengan kelompok yang sama tersebut.
 Korelasikan kedua hasil tes tersebut.
Jika hasil koefisien menunjukkan tinggi, berarti reliabilias tes adalah
bagus. Sebaliknya, jika korelasi rendah, berarti tes tersebut mempunyai
konsistensi rendah (Sukardi, 2008).

2) Reliabelitas Dengan Bentuk Ekivalensi

Sesuai dengan namanya yaitu ekivalen, maka tes evaluasi yang hendak
diukur reliabelitasnya dibuat identik dengan tes acuan. Setiap tampilannya,
kecuali substansi item yang ada, dapat berbeda. Kedua tes tersebut
sebaliknya mempunyai karate yang sama. Karakteristik yang dimaksud
misalnya mengukur variabel yang sama, mempunyai jumlah item sama,
struktur sama, mempunyai tingkat kesulitan dan mempunyai petunjuk, cara
penskoran, dan interpretasi yang sama (Sukardi 2008).
Pernyataan serupa juga disampaikan oleh Arikunto (1997: 87) tes paralel
atau equivalent adalah dua buah tes yang mempunyai kesamaan tujuan,
tingkat kesukaran dan susunan, tetapi butir-butirnya berbeda. Dalam istilah
bahasa Inggris disebut Alternate-forms method (parallel forms).

Tes reliabelitas secara ekivalen dapat dilaksanakan dengan mengikuti

langkah-langkah sebagai berikut:

80
 Tentukan sasaran yang hendak dites.
 Lakukan tes yang dimaksud kepada subjek sasaran tersebut.
 Administrasinya hasilnya secara baik.
 Dalam waktu yang tidak terlalu lama, lakukan pengetesan yang kedua
kalinya pada kelompok tersebut
 Korelasikan kedua hasil skor tersebut (Sukardi, 2008).
Perlu diketahui juga bahwa tes ekivalensi mempunyai kelemahan yaitu
bahwa membuat dua buah tes yang secara esensial ekivalen adalah sulit.
Akibatnya akan selalu terjadi kesalahan pengukuran (Sukardi, 2008).
Pernyataan lain juga disampaikan oleh Arikunto (1997: 88) kelemahan dari
metode ini adalah pengetes pekerjaannya berat karena harus menyusun dua
seri tes. Lagi pula harus tersedia waktu yang lama untuk mencobakan dua
kali tes.

3) Reliebilitas Dengan Bentuk Belah Dua

Menurut Sukardi (2008: 47) Reliabilitas belah dua ini termasuk
reliabilitas yang mengukur konsistensi internal. Yang dimaksud konsistensi
internal adalah salah satu tipe reliabilitas yang didasarkan pada keajegan
dalam setiap item tes evaluasi. Relibilitas belah dua ini pelaksanaanya hanya
satu kali.
Cara melakukan reliabilitas belah dua pada dasarnya dapat dilakukan
dengan urutan sebagai berikut:

Lakukan pengetesan item-item yang telah dibuat kepada subjek sasaran.

 Bagi tes yang ada menjadi dua atas dasar dua item, yang paling umum
dengan membagi item dengan nomor ganjil dengan item dengan nomor
genap pada kelompok tersebut.
 Hitung skor subjek pada kedua belah kelompok penerima item genap dan
item ganjil.
 Korelasikan kedua skor tersebut, menggunakan formula korelasi yang
relevan dengan teknik pengukuran (Sukardi, 2008).

81
 Rumus yang digunaka dalam uji reliabilitas adalah :

Contoh :

No. Item Penyelesaian Jumlah Kuadrat

Skor
P1 P2 P3 P4 P5 P6 P7 P8
Total
Resep_1 1 5 2 5 3 2 2 4 24 576
Resep_2 4 4 3 3 4 3 3 5 29 841
Resep_3 4 4 2 4 4 2 4 2 26 676
Resep_4 4 4 4 4 4 3 4 3 30 900
Resep_5 5 4 4 4 2 4 4 2 29 841
Resep_6 5 5 4 5 4 5 5 5 38 1444
Resep_7 3 2 3 3 2 4 5 4 26 676
Resep_8 2 3 2 2 4 2 2 2 19 361
Resep_9 3 2 1 2 2 1 1 1 13 169
Resep_10 2 3 1 1 2 3 2 1 15 225
Resep_11 2 2 1 1 2 1 3 1 13 335
Resep_12 2 2 1 1 2 1 2 1 12 144
Resep_13 2 3 2 2 4 2 2 3 20 400
Resep_14 2 3 2 2 2 2 2 3 18 324
Resep_15 2 5 2 2 4 2 2 3 22 484
∑x 43 51 34 41 45 37 43 40 334 8200
∑x2 145 191 94 139 149 111 145 134 1.108

Penyelesaian:

 Mencari Nilai Jumlah Varians Butir (Σσb2) dengan mencari dulu varian
setiap butir, kemudian di jumlahkan.

82
 Mencari Nilai Varians Total

 Masukkan ke rumus Alpha

Pengujian reliabilitas instrument ini dilakukan terhadap 15 orang pegawai

dengan tingkat signifikasi 5% dan der minimal menurut ketentuan yang
dikemukakan oleh Hair, Anderson, Tatham masing-masing variabel lebih
besar dari Cajat kebebasan (df) n-2 atau (15-2=13), sehingga diperoleh nilai C
& hitungBalck (1998:88) yaitu sebesar 0,70, atau dengan kata lain C >0,70.
Dengan demikian hal tersebut dapat diartikan bahwa pernyataan-pernyataan
dalam kuisioner berapa kalipun ditanyakan kepada pegawai akan menghasilkan
hasil ukur yang sama.

83
 DAFTAR PUSTAKA

Badranaya, Abi. 2012. Dapat dilihat pada URL :

http://abibadranaya.blogspot.com/2012/06/v-
behaviorurldefaultvmlo_16.html . Diakses pada 2 Desember 2014
Futriana, Merlita. 2012. Validitas dan Reliabilitas. Diakses melalui URL:
http://merlitafutriana0.blogspot.com/

http://alisanana.blogspot.com/2011/08/materi-kuliah-uji-validitas-dan.html

http://s3.amazonaws.com/academia.edu.documents/35145863/STATISTIKA.docx
?AWSAccessKeyId=AKIAJ56TQJRTWSMTNPEA&Expires=141750396
9&Signature=b8RndeQW0OJLDhCCEAp9%2FcdnerU%3D

Muncarno. 2013. Statistik Pendidikan. Artha Copy. Metro

Sukardi .2008. Evaluasi Pendidikan. Jakarta: Bumi Aksara.

Teori Online. Tutorial Statistik Validitas dan Reliabilitas. Diakses melalui URL:
http://teorionline.wordpress.com/

84
 KONTRAK PERKULIAHAN

Mata kuliah : Statistik Pendidikan

Kode Mata Kuliah/SKS : UNI 612 111 / 3 SKS

Dosen : Drs. Sarengat, M. Pd.

Deskripsi : Mata kuliah ini membahas tentang pengantar statiska, distribusi

frekuensi, pengukuran tendensi sentral (modus, median, rerata, kuartil, desil,
persentil), variasi, t-tes, analisis regensi linear sederhana.

Kompetensi:

1. Mahasiswa dapat mengetahui manfaat statistik

2. Mahasiswa dapat mengetahui cara pembulatan angka
3. Mahasiswa dapat mengetahui cara menyusun interval dan tabel
4. Mahasiswa dapat mengetahui cara mencari rata-rata
5. Mahasiswa dapat mengetahui cara menentukan modus dan median
6. Mahasiswa dapat mengetahui cara menentukan kuartil, desil, persentil
7. Mahasiswa dapat mengetahui cara menentukan variansi dan simpangan
baku
8. Mahasiswa dapat mengetahui cara menentukan t-test dan uji signifikansi
9. Mahasiswa dapat mengetahui cara menentukan korelasi
10. Mahasiswa mampu menerapkan dan mengambil kesimpulan hasil
perhitungan

85
 Jadwal Perkuliahan

Pertemuan Materi Sumber

1 Pengantar Statistik - Sudjana (1992)

- Pengertian statistika dan Metode Statistika
statistik Tarsito Bandung
- Pembulatan angka
2 Distribusi Frekuensi - Nar Herhyanto
- Data tunggal dan kelompok Statistik Dasar (2005)
- Menetapkan jumlah interval UT Jakarta
- Menentukan jumlah interval
3 Tendensi Sentral
- Rata-rata hitung
- Rata-rata ukur
- Rata-rata harmonik
4 Kuis - Husaini Usman
Modus, Median (2003) Pengantar
Kuartil, Desil, Persentil Statistik Bumi Aksara
Jakarta
- Agus Irianto dirjen
Pendidikan Tinggi
Jakarta
5 Pengukuran variabel - M. Iqbal Hasan
- Standar deviasi tunggal (2002) Statistik-L
- Standar deviasi kelompok Bumi Aksara Jakarta
- Variansi
- Nilai - z
6 Analisis Korelasi
- Korelasi product moment
- Mid Semester
- Uji Signifikan
- Uji Hipotesis
7 Chi Kuadrat
- menguji hipotesis deskriptif dan
komparatif
8 - Menganalisis hasil eksperimen
- Menguji normalitas

86
 9 - cara menarik kesimpulan dari
hipotesis, analisis, keimpulan
UAS

Tugas
1. Membuat resume pengertian statistik dari tiga buku (pendapat para ahli)
2. Mencari data statistik di sekolah tempat observasi dibuat diagram tabel
3. Latihan soal cara mencari rata-rata, modus, median, kuartil, desil, persentil
standar deviasi, t-test, product moment.
4. Latihan menganalisis dengan cara mencari judul skripsi, hipotesis, analisis
dan kesimpulan.

Penilaian

1. Tugas individuan pertisipasi bobot 2

2. Kuis bobot 2
3. Mid semester bobot 3
4. Ujian akhir semester bobot 3

Persyaratan ujian: Mahasiswa mengikuti kuliah minimal 80%

87
 Standard Normal Probabilities

Table entry

Table entry for z is the area under the standard normal curve
to the left of z.
z

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09

–3.4 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0002
–3.3 .0005 .0005 .0005 .0004 .0004 .0004 .0004 .0004 .0004 .0003
–3.2 .0007 .0007 .0006 .0006 .0006 .0006 .0006 .0005 .0005 .0005
–3.1 .0010 .0009 .0009 .0009 .0008 .0008 .0008 .0008 .0007 .0007
–3.0 .0013 .0013 .0013 .0012 .0012 .0011 .0011 .0011 .0010 .0010
–2.9 .0019 .0018 .0018 .0017 .0016 .0016 .0015 .0015 .0014 .0014
–2.8 .0026 .0025 .0024 .0023 .0023 .0022 .0021 .0021 .0020 .0019
–2.7 .0035 .0034 .0033 .0032 .0031 .0030 .0029 .0028 .0027 .0026
–2.6 .0047 .0045 .0044 .0043 .0041 .0040 .0039 .0038 .0037 .0036
–2.5 .0062 .0060 .0059 .0057 .0055 .0054 .0052 .0051 .0049 .0048
–2.4 .0082 .0080 .0078 .0075 .0073 .0071 .0069 .0068 .0066 .0064
–2.3 .0107 .0104 .0102 .0099 .0096 .0094 .0091 .0089 .0087 .0084
–2.2 .0139 .0136 .0132 .0129 .0125 .0122 .0119 .0116 .0113 .0110
–2.1 .0179 .0174 .0170 .0166 .0162 .0158 .0154 .0150 .0146 .0143
–2.0 .0228 .0222 .0217 .0212 .0207 .0202 .0197 .0192 .0188 .0183
–1.9 .0287 .0281 .0274 .0268 .0262 .0256 .0250 .0244 .0239 .0233
–1.8 .0359 .0351 .0344 .0336 .0329 .0322 .0314 .0307 .0301 .0294
–1.7 .0446 .0436 .0427 .0418 .0409 .0401 .0392 .0384 .0375 .0367
–1.6 .0548 .0537 .0526 .0516 .0505 .0495 .0485 .0475 .0465 .0455
–1.5 .0668 .0655 .0643 .0630 .0618 .0606 .0594 .0582 .0571 .0559
–1.4 .0808 .0793 .0778 .0764 .0749 .0735 .0721 .0708 .0694 .0681
–1.3 .0968 .0951 .0934 .0918 .0901 .0885 .0869 .0853 .0838 .0823
–1.2 .1151 .1131 .1112 .1093 .1075 .1056 .1038 .1020 .1003 .0985
–1.1 .1357 .1335 .1314 .1292 .1271 .1251 .1230 .1210 .1190 .1170
–1.0 .1587 .1562 .1539 .1515 .1492 .1469 .1446 .1423 .1401 .1379
–0.9 .1841 .1814 .1788 .1762 .1736 .1711 .1685 .1660 .1635 .1611
–0.8 .2119 .2090 .2061 .2033 .2005 .1977 .1949 .1922 .1894 .1867
–0.7 .2420 .2389 .2358 .2327 .2296 .2266 .2236 .2206 .2177 .2148
–0.6 .2743 .2709 .2676 .2643 .2611 .2578 .2546 .2514 .2483 .2451
–0.5 .3085 .3050 .3015 .2981 .2946 .2912 .2877 .2843 .2810 .2776
–0.4 .3446 .3409 .3372 .3336 .3300 .3264 .3228 .3192 .3156 .3121
–0.3 .3821 .3783 .3745 .3707 .3669 .3632 .3594 .3557 .3520 .3483
–0.2 .4207 .4168 .4129 .4013 .3974 .3936 .3897 .3859
.4090 .4052
–0.1 .4602 .4562 .4522 .4404 .4364 .4325 .4286 .4247
.4483 .4443
–0.0 .5000 .4960 .4920 .4801 .4761 .4721 .4681 .4641
.4880 .4840

88
 Standard Normal Probabilities

Table entry

Table entry for z is the area under the standard normal curve
to the left of z.
z

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09

0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
0.7 .7580 .7611 .7642 .7673 .7704 .7734 .7764 .7794 .7823 .7852
0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3.2 .9993 .9993 .9994 .9994 .9994 .9995 .9995 .9995
.9994 .9994
3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9997
.9996 .9996
3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998
.9997 .9997

89
t Table
cum. prob t .50 t .75 t .80 t .85 t .90 t .95 t .975 t .99 t .995 t .999 t .9995
one-tail 0.50 0.25 0.20 0.15 0.10 0.05 0.025 0.01 0.005 0.001 0.0005
two-tails 1.00 0.50 0.40 0.30 0.20 0.10 0.05 0.02 0.01 0.002 0.001
df
1 0.000 1.000 1.376 1.963 3.078 6.314 12.71 31.82 63.66 318.31 636.62
2 0.000 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925 22.327 31.599
3 0.000 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841 10.215 12.924
4 0.000 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604 7.173 8.610
5 0.000 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032 5.893 6.869
6 0.000 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707 5.208 5.959
7 0.000 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499 4.785 5.408
8 0.000 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355 4.501 5.041
9 0.000 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250 4.297 4.781
10 0.000 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169 4.144 4.587
11 0.000 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106 4.025 4.437
12 0.000 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055 3.930 4.318
13 0.000 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012 3.852 4.221
14 0.000 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977 3.787 4.140
15 0.000 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947 3.733 4.073
16 0.000 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921 3.686 4.015
17 0.000 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898 3.646 3.965
18 0.000 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878 3.610 3.922
19 0.000 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861 3.579 3.883
20 0.000 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845 3.552 3.850
21 0.000 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831 3.527 3.819
22 0.000 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819 3.505 3.792
23 0.000 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807 3.485 3.768
24 0.000 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797 3.467 3.745
25 0.000 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787 3.450 3.725
26 0.000 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779 3.435 3.707
27 0.000 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771 3.421 3.690
28 0.000 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763 3.408 3.674
29 0.000 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756 3.396 3.659
30 0.000 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750 3.385 3.646
40 0.000 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704 3.307 3.551
60 0.000 0.679 0.848 1.045 1.296 1.671 2.000 2.390 2.660 3.232 3.460
80 0.000 0.678 0.846 1.043 1.292 1.664 1.990 2.374 2.639 3.195 3.416
100 0.000 0.677 0.845 1.042 1.290 1.660 1.984 2.364 2.626 3.174 3.390
1000 0.000 0.675 0.842 1.037 1.282 1.646 1.962 2.330 2.581 3.098 3.300
z 0.000 0.674 0.842 1.036 1.282 1.645 1.960 2.326 2.576 3.090 3.291
0% 50% 60% 70% 80% 90% 95% 98% 99% 99.8% 99.9%
Confidence Level

90
t-table.xls 7/14/2007
 Tabel Distribusi ²

 0.1 0.05 0.025 0.01 0.005

db 1 2.70554 3.84146 5.02390 6.63489 7.87940

2 4.60518 5.99148 7.37778 9.21035 10.59653
3 6.25139 7.81472 9.34840 11.34488 12.83807
4 7.77943 9.48773 11.14326 13.27670 14.86017
5 9.23635 11.07048 12.83249 15.08632 16.74965

6 10.64464 12.59158 14.44935 16.81187 18.54751

7 12.01703 14.06713 16.01277 18.47532 20.27774
8 13.36156 15.50731 17.53454 20.09016 21.95486
9 14.68366 16.91896 19.02278 21.66605 23.58927
10 15.98717 18.30703 20.48320 23.20929 25.18805

11 17.27501 19.67515 21.92002 24.72502 26.75686

12 18.54934 21.02606 23.33666 26.21696 28.29966
13 19.81193 22.36203 24.73558 27.68818 29.81932
14 21.06414 23.68478 26.11893 29.14116 31.31943
15 22.30712 24.99580 27.48836 30.57795 32.80149

16 23.54182 26.29622 28.84532 31.99986 34.26705

17 24.76903 27.58710 30.19098 33.40872 35.71838
18 25.98942 28.86932 31.52641 34.80524 37.15639
19 27.20356 30.14351 32.85234 36.19077 38.58212
20 28.41197 31.41042 34.16958 37.56627 39.99686

21 29.61509 32.67056 35.47886 38.93223 41.40094

22 30.81329 33.92446 36.78068 40.28945 42.79566
23 32.00689 35.17246 38.07561 41.63833 44.18139
24 33.19624 36.41503 39.36406 42.97978 45.55836
25 34.38158 37.65249 40.64650 44.31401 46.92797

26 35.56316 38.88513 41.92314 45.64164 48.28978

27 36.74123 40.11327 43.19452 46.96284 49.64504
28 37.91591 41.33715 44.46079 48.27817 50.99356
29 39.08748 42.55695 45.72228 49.58783 52.33550
30 40.25602 43.77295 46.97922 50.89218 53.67187

tabel ini dibuat dengan Microsoft Excel

91