Puji syukur kami ucapkan kepada Allah SWT yang sudah melimpahkan rahmatnya
berupa kesehatan, kecerdasan, kesempatan dan sebagainya sehingga saya dapat
menyelesaikan makalah Mata Kuliah Statistika Inferensial dengan judul makalah critical book
review “Statistika Terapan”.
Makalah ini ditulis guna memenuhi tuntutan tugas Mata Kuliah Statistika Inferensial
sesuai dengan Kerangka Kualifikasi Nasional Indonesia (KKNI). Sejak awal persiapan hingga
makalah ini selesai ditulis, saya mendapat banyak dorongan, semangat, serta bantuan dari
berbagai pihak dan pada kesempatan kali ini saya mengucapkan terima kasih dan
memberikan penghargaan yang setinggi-tingginya kepada semua pihak yang telah membantu
kami. Semoga Allah SWT memberikan balasan setimpal atas kebaikan tersebut.
Dengan segala kekurangan dan keterbatasan, semoga makalah ini dapat memberikan
manfaat bagi para pembaca sehingga dapat memperkaya pengetahuan pembaca.
Rudi Siregar
BAB I PENDAHULUAN
C. Manfaat CBR
1. Bagi Penulis, diharapkan dapat berpikir kritis dalam menganalisis informasi,
menghargai pendapat, adaptif terhadap perubahan serta komunikatif dalam penyampaian
informasi dan bertanggung jawab.
2. Bagi pembaca, diharapkan mampu memberikan informasi khususnya kepada mahasiswa
agar dapat menambah pengetahuan dalam pemahaman Mata Kuliah Statistika
Inferensial, serta mengetahui perbandingan kelebihan dan kekurangan dari buku.
Pengertian Statistika
1. Statistika Matematik
2. Statistika Terapan
Ditinjau dari sifat terapannya statistika dapat dibagi atas dua kategori yaitu : Statistika
Deskriptif dan Statistika Induktif/Inferensial. Statistika Deskriptif hanya membicarakan
mengenai penyusunan data dalam daftar, pembuatan dan penyajian data dalam bentuk
diagram dan menarik kesimpulan dari data tersebut yang sifatnya tidak berlaku umum.
Statistika Induktif lebih mendalam dari Statistika Deskriptif.
A. Data Statistika
Ada dua macam bentuk data yaitu data kuantitatif dan data kualitatif. Data kuantitatif
berbentuk bilangan-bilangan seperti 5,6,100 dan lain-lain. Ada juga yang
mengklasifikasikan data sebagai berikut :
a. Data nominal, yaitu data berbentuk kategori dan bersifat kualitatif, tidak dapat
dibandingkan yang satu dengan yang lain
b. Data ordinal, yaitu data berbentuk kategori dan bersifat kualitatif. Bedanya dengan
data nominal adalah data ordinal sudah dapat diperbandingkan yang satu dengan yang
lain.
c. Data interval, yaitu data kuantitatif berbentuk angka-angka. Misalnya 30’
d. Data rasio, yaitu data kuantitatif misalnya 5, 7 dll. Perbedaan data interval dan rasio
adalah pada data interval tidak dapat dilakukan operasi matematika atas data itu,
sedangkan data rasio operasi matematika dapat diberlakukan.
Data statistika dapat disajikan dalam berbagai cara, antara lain dengan tabel dan
grafik. Penyajian data dengan menggunakan tabel atau menggunakan grafik akan
mempermudah pembaca untuk menginterpretasi data yang disajikan.
Menggunakan Tabel
a. Tentukan rentang data, yaitu selisih data terbesar dengan data terkecil
b. Tentukan banyak kelas interval yang diinginkan, ada dua cara menentukan banyak
kelas interval yaitu :
a. Banyak kelas interval dipilih antara 5 sampai 13 kelas
b. Banyak kelas interval ditentukan dengan bantuan rumus Sturges yaitu : banyak
kelas = 1 + (3,3) log n.
n = menyatakan banyaknya data.
c. Tentukan panjang kelas interval, yaitu Rentang dibagi oleh banyak kelas interval
d. Tentukan ujung bawah interval pertama.
a. Ambil data terkecil sebagai data ujung bawah kelas interval pertama
b. Ambil sembarang bilangan lebih kecil dari data terkecil, tetapi selisihna tidak
lebih besar dari panjang kelas yang telah ditentukan
Menggunakan Diagram
1. Diagram Batang
Sumbu mendatar
Sumbu tegak
Skala pada kedua sumbu diatas
2. Diagram Garis
3. Diagram Lingkaran
Diagram lingkaran terdiri dari sebuah lingkaran yang dibagi atas sektor-sektor. Tiap
sektor menyatakan banyaknya data. Luas setiap sektor data tergantung dari besarnya
proporsi suatu data terhadap keseluruhan data yang ada.
4. Diagram Pastel
Diagram pastel adalah variasi bentuk dari diagram ligkaran. Sebenarnya tidak terdapat
perbedaan yang mendasar antara diagram lingkaran dengan diagram pastel.
Perbedaannya hanya dalam bentuk dimensi. Diagram lingkaran berdimensi dua
sedangkan diagram pastel berdimensi tiga
Histogram dan poligon frekuensi adalah diagram dari data yang telah disusun dalam
Tabel Distribusi Frekuensi. Cara membuat diagram ini adalah sebagai berikut :
Tentukan batas atas dan batas bawah setiap kelas interval. Batas bawah kelas interval
pertama adalah ujung bawah kelas interval pertama dikurangi 0,5 dan batas atas kelas
interval pertama adalah ujung atas kelas interval pertama ditambah 0,5.
C. BAB 3 : UKURAN TENDENSI SENTRAL
Ukuran tendensi sentral adalah nilai yang menjadi pusat suatu sebaran. Yang termasuk
ukuran tendensi sentral antara lain adalah :
Rata-rata (Mean)
Nilai rata-rata adalah rata-rata hitung. Rata-rata hitung dari sekumpulan bilangan adalah
jumlah bilangan-bilangan itu dibagi oleh banyaknya bilangan.
Bobot yang dimaksud disini adalah banyaknya data/ukuran pada satu interval atau titik
ukur tertentu.
Data kelompok adalah data yang telah disusun dalam interval-interval tertentu. Untuk
menghitung nilai rata-rata data kelompok, terlebih dahulu ditentukan titik tengah dari
masing-masing interval
4. Rata-rata Harmonis
Rata-rata harmonis didefenisikan sebagai hasil bagi antara banyaknya bilangan yang
akan dirata-ratakan dengan jumlah kebalikan bilangan-bilangan itu. Secara matematis
dapat disebutkan sebagai berikut : andaikan ada sebanyak n bilangan yaitu x1, x2,... xn maka
n
rata-rata harmonis Rh = 1 1 1
+ + …+
x1 x2 xn
Median
Median dari sekumpulan bilangan adalah bilangan yang posisinya berada ditengah-tengah
setelah bilangan itu diurutkan. Untuk menentukan median dari sekumpulan bilangan
dilakukan prosedur berikut :
Untuk menentukan Median dari data dalam tabel distribusi frekuensi dapat dilakukan
dengan menggunakan rumus sebagai berikut :
1
𝑁−𝐹𝑠𝑏
Me = Bb + 2 𝐹𝑚𝑒 i
Modus
Modus dari sekumpulan bilangan adalah bilangan yang paling sering muncul atau nilai
yang memiliki frekuensi terbanyak. Sedangkan modus dari data yang tersusun dalam tabel
distribusi frekuensi dapat ditentukan dengan menggunakan rumus
𝐷𝑠𝑏
Mo = Bb i
𝐷𝑠𝑏+𝐷𝑏𝑟
Pengertian
b) Deviasi Kuartil
Deviasi kuartil atau disebut juga rentang semi antara kuartil adalah penyimpangan
(panjang interval) K2-K1. Deviasi kuartil dihitung dengan rumus : DK = ½ (K3-K1)
Kelemahan Rentang :
Untuk mengetahui sekumpulan data tidak cukup hanya dengan rentang, sebab
hanya mengetahui rentang saja tidak dapat diketahui disekitar mana kebanyakan
data terkumpul
Yang menjadi pertimbangan hanya data ekstrim
Deviasi Rata-rata
Deviasi adalah penyimpangan data disekitar rata-ratanya. Jadi deviasi rata-rata adalah
rata-rata dari seluruh penyimpangan data terhadap rata-ratanya
Deviasi Standart
Ukuran penyimpangan data yang paling penting dan paling banyak penerapannya dalam
statistika adalah deviasi standar. Deviasi standar sering juga disebut dengan simpangan
baku. Deviasi standar dalam populasi dilambangkan dengan 𝜎, sedangkan deviasi standar
dalam data sampel dilambangkan dengan s. Formula menghitung deviasi standar untuk
data dalam populasi dalah
∑(𝑥 − 𝜇)2
𝜎= √
𝑁
Teori Sampel mempelajari hubungan-hubungan yang ada antara satu atau lebih
populasi dan sampel-sampel yang diambil dari populasi tersebut. Lambang yang
digunakan untuk menunjukkan parameter suatu populasi adalah 𝜇, sedangkan standar
deviasi dari suatu populasi dilambangkan dengan 𝜎. Proporsi dari suatu populasi
dilambangkan dengan P. Rata-rata sampel dilambangkan dengan 𝑋̅, deviasi standar dari
sampel dilambangkan dengan s, proporsi dari sampel dilambangkan dengan p. Lambang-
lambang tersebut disebut parameter populasi. Lambang-lambang yang digunakan untuk
menunjukkan parameter populasi dan penduganya merupakan lambang-lambang yang
universal digunakan diseluruh dunia.
Ada beberapa cara menarik sampel dari suatu populasi, antara lain :
Sampel acak sederhana adalah suatu metode pemilihan sampel yang mana dalam
setiap unit dalam populasi diberikan peluang yang sama untuk terpilih dalam sampel. Cara
pemilihan unit sampel dalam SAS ini dilakukan dengan jalan memilih sejumlah unit yaitu
sebanyak n buah jika ukuran sampelnya n secara acak dari populasinya. Sejalan dengan
cara pemilihan unit sampel diatas, dalam SAS dapat dibagi dua metode, yaitu :
SAS dengan pengembalian memperbolehkan suatu unit sampel terpilih lebih dari satu
kali dalam suatu sampel. Sampel tanpa pengembalian tidak memperkenankan suatu unit
sampel terpilih lebih dari satu kali dalam suatu sampel sehingga dengan mempergunakan
metode ini akan didapatkan suatu sampel dengan unit-unit yang berbeda semuanya.
Sampel Sistematik
Apabila banyaknya unit yang akan dipilih cukup besar maka pemilihan sampel dengan
SAS agak berat mengerjakannya. Dalam prakteknya kebanyakan ahli statistik lebih
cenderung memakai metode ini. Pemilihan dengan sampel semacam ini disebut sampel
sistematis. Walaupun tidak sama dengan sampel acak sederhana tapi merupakan suatu
metode penarikan sampel yang bisa diterima karena peluang bagi setiap unit diketahui
dengan pasti dan kita bisa menghitung sampling eror.
Sampel Berlapis
Sampel Berkelompok
Distribusi Sampling
Setiap sampel mempunyai statistika, misalnya : rata-rata, simpangan baku, median dan
sebagainya, yang mungkin berbeda dari sampel ke sampel. Sehingga kita mempunyai
sebuah distribusi statistik tertentu dari sampel-sampel yang disebut : distribusi sampling.
Distribusi sampel dari simpangan baku : s1, s2, ... sk. Dari setiap distribusi sampel suatu
statistik, kita dapat menghitung rata-rata simpangan baku dan sebagainya.
Jika semua sampel berukuran n diambil tanpa pengembalian dari populasi berhingga
𝜎 𝑁−𝑛
dengan ukuran N>n , maka 𝜇𝑥̅ =𝜇 dan 𝜎𝑥̅ = 𝑛 √ 𝑁−1
𝑠
𝑋̅ ± 𝑡𝛼⁄2
√𝑛
𝑋̅ − 𝜇
𝑡=
𝑠𝑋̅
Sehingga dengan keyakinan (1-𝛼)100% dari derajat kebebasan
G. BAB 7 PENGUJIAN HIPOTESIS
Hipotesis dalam statistika bermakna pendugaan yang diungkapkan dengan
kalimat pernyataan tentang parameter populasi. Pada dasarnya hipotesis
penelitian yang telah dirancang oleh sipeneliti, diterjemahkan dalam bahasa
statistika dan ditulis dalam lambang statistika dan diletakkan pada 𝐻1 atau pada
𝐻𝑎 atau pada 𝐻𝑇 bukan pada 𝐻0 . Pada perinsipnya 𝐻0 adalah hipotesis yang ingin
ditolak oleh peneliti. Menolak 𝐻0 berarti menerima 𝐻1 , begitu pula sebaliknya.
Oleh karena itu setelah melalui proses pengujian seorang peneliti akan
mengambil keputusan apakah menolak 𝐻0 atau sebaliknya mengatakan tidak
cukup bukti untuk menolak 𝐻0 . Kalau peneliti menolak 𝐻0 berarti peneliti
menerima 𝐻1 dan keputusan ini sesuai dengan kehendak peneliti.
Pada pengujian hipotesis dikenal 2 jenis pengujian, yaitu:
1. Pengujian satu sisi atau satu arah, dengan bentuk umum hipotesis statistika:
𝐻0 : 𝜃 = 𝜃0 𝑎𝑡𝑎𝑢 𝐻0 : 𝜃 = 𝜃0
𝐻0 : 𝜃 > 𝜃0 𝑎𝑡𝑎𝑢 𝐻0 : 𝜃 < 𝜃0
2. Pengujian dua sisi atau dua arah, dengan bentuk umum hipotesis statistika:
𝐻0 : 𝜃 = 𝜃0
𝐻0 : 𝜃 ≠ 𝜃0
Ada beberapa langkah yang harus dilalui ketika akan melakukan pengujian
hipotesis, yaitu:
1. Tulis dan rumuskan hipotesis nol (𝐻0 )
2. Rumuskan hipotesis alternatif yang sesuai dengan hipotesis penelitian dan
letakkan pada 𝐻1 atau pada 𝐻𝑎 atau pada 𝐻𝑇
3. Tetapkan tingkat signifikan (𝛼) misalnya 𝛼 = 5%
4. Pilih tes statistik yang sesuai, dan buat sketsa kurva normal dan tetapkan
daerah kritis (daerah penolakkan 𝐻0 )
5. Hitung nilai statistik dari data-data sampel
6. Buat keputusan/kesimpulan
𝐻0 ditolak, bila nilai statistik “hitung: pada (5) terletak di daerah kritis, 𝐻0
diterima bila sebaliknya.
Pengujian signifikansi rata-rata populasi
1. Jika varians populasi diketahui. Apabila populasi berdistribusi normal dengan
𝜎2
rata-rata 𝜇 dan varians 𝜎 2 , maka : 𝜇𝑥̅ = 𝜇 dan 𝜎2 = (populasi besar) dimana
𝑥 𝑛
𝑥̅ −𝜇𝑥̅ 𝑥̅ −𝜇
n=ukuran sampel berarti 𝑍 = = 𝜎 berdistribusi normal.
𝜎𝑥̅
√𝑛
2. Jika varians populasi tidak diketahui. Karena 𝜎 2 tidak diketahui, kita estimasi
𝜎 2 dengan 𝑠 2 . Sehingga untuk populasi besar, kita estimasi 𝜎𝑥̅2 dengan 𝑠𝑥̅2
𝑠2 𝑥̅ −𝜇0 𝑥̅ −𝜇
dimana: 𝑠𝑥̅2 = . Selanjutnya kita gunakan distribusi t, yaitu 𝑡 = = 𝑠
𝑛 𝑠𝑥̅
√𝑛
𝜎22 (𝑥
̅̅̅1̅−𝑥
̅̅̅2̅)−(𝜇𝑥
̅̅̅1̅−𝜇𝑥
̅̅̅2̅)
(untuk populasi besar). Demikian pula, 𝑍= =
𝑛2 𝜎̅̅̅̅−𝑥
𝑥1 ̅̅̅̅2
(𝑥 ̅̅̅2̅)−(𝜇1 −𝜇2 )
̅̅̅1̅−𝑥
berdistribusi normal.
𝜎2 𝜎2
√ 1+ 2
𝑛1 𝑛2
̅ ∑ 𝐷⁄
𝐷 𝑛
𝐻0 : 𝜇1 − 𝜇2 = 0, 𝑡 = 𝑆𝐷 = ̅ )2
∑(𝐷−𝐷
dalam hal ini df : V : n – 1.
( )
√𝑁 𝑛−1 ⁄
√𝑛
𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝜀
Y adalah varibel-variabel acak (variable respon atau variable tak bebas)
𝛽0 + 𝛽1 adalah variable bebas parameter model (karateristik populasi)
X adlah variable predicator (variabel bebas)
𝜀 adalah suatu besaran yang membuat nilai Y menyimpang dari garis regresi
Persamaan regresi linear ganda secara garis lurus dapat dituliskan sebagai
berikut:
𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑘 𝑋𝑘 + 𝜀
1. Pendugaan parameter persamaan garis regresi linear
Pendugaan regresi dapat dilakukan secara manual atau dapat dilakukan
mengunakan softwere computer seperti SPSS atau minitab.
a. Model regresi linear sederhana
Model ini hanya memiliki satu variable (katakanalah X) dan satu variable
tak bebas (katakanla Y). Dengan persaman akhir 𝑌̂ = 𝑏0 + 𝑏1 𝑋
b. Model regresi linear ganda
Buku ini akan memberikan contoh-contoh pengunaan metode Doolitle
serta akan mengkonfirmasikan hasilnya dengan aoutput SPSS sehingga
hasil manual yang diproleh dengan mengunakan dengan metode Doolitle
lebih menyakinkan.
I. Pengunaan metode Doolitle
Padang kembali persamaan garis regresi
𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝜀. Jika ada n pasang data pengamatan yaitu
(x1,y1),(x2,y2), … (xn, yn) dan sehingga persamaan akhir nya menjadi
𝑌𝑛 = 𝛽0 + 𝛽1 𝑋𝑛 + 𝜀𝑛
II. Contoh pengunaan metode Doolitle
Sebagaimana yang telah dikemukakan di atas, bahwa metode
Dootitle dapat digunakan untuk mencari koefisein-koefisen
persamaan garis regresi linear baik sederhana maupun ganda.
2. Ketepatan garis regresi
Suatu garis regresi dapat diukur ketepatanya pada identitas berikut:
𝑌𝑖 − 𝑌̂𝑖 = 𝑌𝑖 − 𝑌̅𝑖 − (𝑌̂𝑖 − 𝑌̅𝑖 )
Jumalah kuadrat di sekitar rata-rata = jumlah kuadrat akibat regresi + jumlah
kuadrat di sekitar regresi.
3. Pembacaan makna output SPSS
a. Model summary
Table ini memeberi informasi seberapa baik suatu model persamaan garis
regresi linear multiple dapat menjelaskan secara simultan hubungan
antara varibael-variable bebas dengan variable terikatnya.
4. Analisis korelasi
Analisis korelasi erat kaitanya dengan analisis regresi. Pada analisis regresi
yang dicari adalah analisis fungisional (dalam bentuk persamaan matematik)
antara dua variable atau lebih. Sedangkan pada analisis korelasi adalah derajat
tingkat keeratan hubungan variable-variable itu.
Koefisen korelasi data pada populasi biasanya dilanmabngkan dengan p
sengangkan koefesisen data pada sempel dilambangkan dengan r. Nilai p atau
r berkisar antara -1 dan 1.
5. Prediksi interpretasi korelasi
Seorang peneliti sering ingin memprediksi sesuatu dari sesuatu yang
sudah diketahui. Prediksi dan korelasi adalah topic-topik yang “saling
berhubungan” satu dengan yang lainnya.
Korelasi yang tidak nol antara variable X dan Y berakibat, jika kita tahu
tentang X maka kita tahu sesuatu tentang Y, begitu juga sebliknya. Dari
diagram pencar dapat dibuat “kurva pendekatan” permasalahan untuk
mencari permasalahan data tersebut “curva fitting”
6. Regresi linear dari y terhadp x
Diberikan titik-titik (x1,y1), (x2,y2), …. (xn,yn) pada bidang koordinat
kartesius dengan sumbu x dan sumbu y.
7. Hubungan regresi dan korelasi
Jika korelasi antara x dan y, 1 dan -1, maka regresi y terhadap x dan regresi
x terhadap y identik. Dalm hal ini akan terjadi “prediksi sempurna".
8. Kesalahan buku prediksi (estimilasi)
Karena 𝑆𝑌2 = 𝑆𝑌21 + 𝑆𝑌𝑋
2
.
Rata-rata tiap kelompok dinotasikan 𝑋̅.1 𝑋̅.2 , … , 𝑋̅.𝑘 dengan demikian 𝑋̅.𝑗
∑ 𝑘 ̅
𝑋𝑚
Dan 𝑋̅ = 𝑚=1 disebut rata-rata keseluruhan. Jumlah kuadrat deviasi dari 𝑛1
𝑘
∑(𝑋𝑖1 − 𝑋̅)2
𝑖=1
∑(𝑋𝑖𝑗 − 𝑋̅)2
𝑖=1
∑ ∑(𝑋𝑖𝑗 − 𝑋̅)2
𝑗=1 𝑖=1
Jika ada sebanyak k kelompok data (pengamatan) maka jumlah kuadrat total
dapat ditulis:
𝑛𝑗 𝑛𝑗
∑𝑘𝑗=1 ∑𝑖=1(𝑋𝑖𝑗 − 𝑋̅ )2 = ∑𝑘𝑗=1 ∑𝑖=1(𝑋𝑖𝑗 − 𝑋̅𝑗 )2 + ∑𝑘𝑗=1 𝑛𝑗 (𝑋̅𝑗 − 𝑋̅)2
2
∑𝑘𝑗=1 𝑛𝑗 (𝑋̅𝑗 − 𝑋̅)
2
𝑠 𝑤 =
𝑘−1
Untuk menguji Hipotesis 𝐻0 : 1 = 1 = 1 = ⋯ = 𝑘
Perbandingan Korelasi
Relasi antar dua variabel dapat diungkapkan dalam sebuah perbandingan
sebagai berikut:
𝐽𝐾(𝑎𝑛𝑡) 𝐽𝐾(𝑑𝑎𝑙)
2 𝑦.𝑥 = = 1−
𝐽𝐾𝑡𝑜𝑡 𝐽𝐾𝑡𝑜𝑡
J. BAB X ANALISIS VARIANS KLASIFIKASI DUA ARAH
Percobaan dua arah dapat ditunjukan dengan hanya satu unit sampling dan satu
data (pengukuran) untuk masing-masing percobaan.
Jika hanya satu data (pengukuran) dalam kombinasi baris (R) dan kolom (C)
perlakuan percobaan, maka jumlah kuadrtat total (JK tot) dapat dipartisi menjadi
tiga komponen yaitu: JK antar baris, JK antar kolom, dan JK interaksi. Pandang
identias berikut:
𝑋𝑟𝑐 − 𝑋̅. . = (𝑋̅𝑟 . −𝑋̅. . ) + (𝑋̅.𝑐 − 𝑋̅. . ) + (𝑋𝑟𝑐 + 𝑋̅𝑟 + 𝑋̅.𝑐 + 𝑋̅. . )
Derajat bebas
Jika pada setiap sel terdapat data tunggal, n=1 dan RC = N maka banyaknya derajat
bebas yang berpadanan dengan jumlah kuadrat total adalah RC -1 = N-1. Jika ada
sejumlah n data (pengamatan) dalam setiap sel (n>1) maka total banyaknya data
(pengamatan) adalah Nrc = N.
Baris R-1 𝑅
𝑠𝑟2
̅̅̅̅ … … . −𝑋̅ … … )2
𝑛𝐶𝐿 ∑(𝑋𝑟
𝑟=1
𝑐
Kolom C-1 𝑠𝑐2
𝑛𝑅𝐿 ∑(𝑋̅ … 𝑐 … . −𝑋̅ … … )2
𝑐=1
𝑐
Lapisan L-1 𝑠𝑙2
𝑛𝐶𝑅 ∑(𝑋̅ … 𝑙 … . −𝑋̅ … … )2
𝑐=1
Interaksi (R-1)(C- 𝑅 𝑐 2
𝑠𝑟𝑐
̅̅̅̅
𝑛𝐿 ∑ ∑(𝑋 ̅̅̅̅
𝑟𝑐 … … . −𝑋𝑟 … …
baris x kolom 1)
𝑅=1 𝑐=1
− 𝑋̅. 𝑐. . +𝑋̅ … . )2
Interaksi (R-1)(L- 𝑅 𝐿 2
𝑠𝑟𝑙
𝑛𝐶 ∑ ∑(𝑋̅𝑟.𝑙 … − 𝑋̅𝑟 … . −𝑋̅ … 𝑙. +𝑋̅ … . )2
baris x lapisan 1)
𝑟=1 𝑙=1
Interaksi (C-1)(L- 𝐶 𝐿 2
𝑠𝑐𝑙
𝑛𝑅 ∑ ∑(𝑋̅. 𝑐𝑙. . −𝑋̅. 𝑐. . −𝑋̅ … 𝑙. +𝑋̅ … . . )2
kolom x 1)
𝑐=1 𝑙=1
lapisan
Interaksi (R-1)(C- 𝑅 𝐶 𝐿 2 2
𝑠𝑟𝑐𝑙
𝑋̅𝑟𝑐𝑙 . −𝑋̅𝑟. 𝑙. −𝑋̅. 𝑐𝑙. +𝑋̅𝑟 … .
𝑁∑∑∑( )
baris x kolom 1)(L-1) + ̅ . 𝑐. . +𝑋̅ . . 𝑙. −𝑋̅ …
𝑋
𝑟=1 𝑐=1 𝑙=1
x lapisan
Total nRCL-1 𝑅 𝐶 𝐿 𝑛
∑ ∑ ∑ ∑(𝑋𝑟𝑐𝑙𝑖 − 𝑋̅ … )2
𝑟=1 𝑐=1 𝑙=1 𝑖=1
N adalah banyaknya data (pengamatan) dalam tiap sel (kasus khusus yaitu setiap sel
banyaknya data (pengamatan) sama yaitu n)
C adalah banyaknya kolom (faktor ke-dua)
R adalah banyaknya baris (faktor pertama)
L adalah layer (lapisan) merupakan faktor ketiga
𝑋̅𝑟 …. Adalah rata-rata baris ke r
𝑋̅ …. Adalah rata-rata keseluruhan
𝑋̅ … 𝑙. Adalah rata-rata lapisan ke-1
𝑋̅𝑟𝑐 …. Adalah rata-rata baris ke-c dan kolom ke-r
𝑋̅𝑟𝑙 …. Adalah rata-rata baris ke-r dan kolom ke-l
𝑋̅𝑟𝑐𝑙 …. Adalah rata-rata baris ke-r dan kolom ke-c dan lapisan ke-l
𝑋̅𝑟𝑐𝑙𝑖 …. Adalah data (pengamatan) ke-i pada baris ke-r, kolom ke-r, kolom ke c dan
lapisan ke-l
L. BAB XII ANALISIS COVARIAN
Analisis covarian adalah prosedur pengolahan data statistik dengan
persyaratan memiliki variabel pengiring. Analisis covarian merupakan kombinasi
dari analisis varians dan analisis regresi.
Analisis covarian satu faktor dalam rancangan acak lengkap (RAL)
Model matematis analisis covarian satu faktor dalam rancangan acak lengkap
sebagai berikut: 𝑌𝑖𝑗 = 𝜏 + 𝛼𝑖 + 𝛽(𝑋𝑖𝑗 − 𝑋̅) + 𝜀𝑖𝑗 ; i = 1,2,....,j ; j = 1,2,.....𝑛𝑗
𝑌𝑖𝑗 adalah nilai variabel tak bebas (variabel respon) pada perlakuan ke-i data ke-j
𝜏 adalah nilai rata-rata sesungguhnya
𝛼𝑖 adalah pengaruh perlakuan ke-i
𝛽 adalah koefisien regresi linier
J adalah banyaknya faktor (perlakuan)
𝑛𝑗 adalah banyaknya observasi (data) pada faktor ke-i
𝑋𝑖𝑗 adalah nilai variabel kovariat pada perlakuan ke-i, data ke-j
𝑋̅ … adalah nilai rata-rata kovariat
Analisis covarian dua faktor dalam rancangan acak kelompok (RAK)
Model matematik analisis kovarians dua faktor dengan variabel pengiring tunggal
sebagai berikut: 𝑌𝑖𝑗𝑘 = 𝜏 … + 𝛼𝑖 + 𝛽𝑗 + (𝛼𝛽)𝑖𝑗 + 𝛾(𝑋𝑖𝑗𝑘 − 𝑋̅ … ) + 𝜀𝑖𝑗𝑘 ; i = 1,2,....,a ;
j = 1,2,....,b ; k = 1,2,3,....,n
𝛼𝑖 adalah pengaruh utama faktor i
𝛽𝑗 adalah pengaruh utama faktor j
(𝛼𝛽)𝑖𝑗 adalah pengaruh interaksi faktor i dan faktor j terhadap Y
𝑋𝑖𝑗𝑘 adalah variabel pengiring
2. Data berikut adalah nilai akhir yang dicapai oleh 5 mahasiswa dalam mata
kuliah Matematika, bahasa Inggris, bahasa Prancis, dan Biologi.
Mahasiswa Mata Kuliah
2 83 94 91 86
3 72 81 63 59
4 55 73 77 66
5 92 68 75 87
Total 19 2772,95
1 2 3 4 5
Total 19 96,458
Pada analisis factor eksploratory teori yang mendasarinya tidak diketahui. Data
digunakan untuk membantu mengungkapkan atau mengidentifikasi struktur dari
model itu. Analisis factor eksploratori dipandang sebagai suatu teknik untuk
membantu dalam membangun teori. Di sisi lain dalam analisis factor konfirmatori
ketepatan struktur model didasarkan pada teori yang telah dihipotesiskan
sebelumnya.
Ada dua tujuan utama dari analisis factor konfirmatori, yaitu :
Menduga parameter dari model factor yang dihipotesiskan berdasarkan
sampel matriks covarian yang diberikan
Menguji ketepatan dari model factor yang dihipotesiskan
Dalam analisis factor konfirmatori, kita menduga parameter dari model factor
yang dihipotesiskan berdasarkan sampel matriks covarian. Tidak demikian halnya
pada analisis factor eksploratori yang mendasari analisis berdasarkan matriks
korelasi. Namun demikian, pada umumnya pemakaian matriks korelasi atau
matriks kovarian hasilnya tidak berbeda.
Analisis factor konfirmatori satu factor terdiri dari satu peubah laten (variabel
tersembunyi). Perhatikan gambar 1, variabel x merupakan fungsi dari variabel
laten 𝜀 dan error 𝛿.
GFI, AGFI, CFI 0,00 (tidak fit) -1,00 (fit ≥0,90 Model fit
sempurna)
4. Distribusi Seragam
𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
Fungsi pembangkit momennya adalah ∅(t) = t(b−a)
𝑏
Catatan: P{ a ≤X≤b} = ∫𝑎 𝑓(𝑥)𝑑𝑥 = b-a
5. Distribusi Eksponensial
6. Distribusi Gamma
7. Distribusi Normal
BAB III PEMBAHASAN
Menurut buku yang diriview, Analisis regresi adalah suatu kajian untuk
mengeksplorisasi sifat-sifat dari hubungan diantara varibel-variable.,
sedangkan menurut buku statistika dasar, analisis regresi adalah metode
sederhana untuk melakukan investigasi tentang hubungan fungsional
diantara beberapa variabel., sedangkan menurut buku statistika terapan
Analisis regresi merupakan alat analisis statistic yang memanfaatkan
hubungan antara dua variable atau lebih, tujuannya adalah membuat
perkiraan (prediksi) yang dapat dipercaya untuk nilai suatu variable (biasa
disebut variable terikat atau variable dependen atau variable respons), jika
nilai variable lain yang berhubungan dengannya diketahui biasa disebut
variable bebas atau variable independent.
B. Rekomendasi
Syahputra, Edi. 2019. Statistika Terapan untuk Quasi dan Pure Experiment
di Bidang Pendidikan, Biologi, Pertanian, Teknik, dll. Medan :
UNIMED PRESS