KATA PENGANTAR

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.

Terima kasih dan penghargaan khususnya saya sampaikan kepada :

1. Bapak Dr. Pardomuan Sitompul, M.Si. selaku Ketua Jurusan Matematika,

2. Bapak Lasker P Sinaga, M.Si. selaku Sekretaris Jurusan Matematika,
3. Bapak Drs. Zul Amry, M.Si., PhD. Selaku Ketua Program Studi Pendidikan Matematika,
4. Bapak Prof. Dr. Edi Syahputra, M.Pd., selaku dosen Pengampu mata kuliah Statistika
Inferensial,
5. orang tua tercinta yang telah memberikan dukungan berupa doa, materi, dan motivasi
6. teman-teman yang telah memberikan dukungan secara langsung maupun tidak
langsung.

Dengan segala kekurangan dan keterbatasan, semoga makalah ini dapat memberikan
manfaat bagi para pembaca sehingga dapat memperkaya pengetahuan pembaca.

Medan, 12 September 2019

Penulis,

Rudi Siregar
 BAB I PENDAHULUAN

A. Rasionalisasi Pentingnya CBR

Keterampilan membuat CBR dapat meningkatkan kemampuan dalam meringkas dan

menganalisis tidak hanya satu buku tetapi lebih dari satu buku. Dapat meningkatkan
kemampuan mengenal, memberi nilai serta mengkritik sebuah karya tulis khususnya
buku yang dianalisis. Mahasiswa sering bingung dalam memilih buku referensi untuk
dibaca dan dipahami, terkadang hanya memilih satu buku untuk dijadikan referensi
namun itu membuat hasilnya kurang memuaskan. Oleh karena itu CBR menjadi salah satu
solusi bagi mahasiswa agar dapat membandingkan lebih dari satu buku sehingga
mahasiswa tahu mana buku yang bagus untuk dijadikan sebagai buku acuan atau buku
pegangan.

B. Tujuan Penulisan CBR

1. Penyelesaian tugas mata kuliah Statistika Inferensial
2. Menambah wawasan dalam mata kuliah Statistika Inferensial
3. Meningkatkan kemampuan berpikir kritis dalam mencari informasi yang tertera
dalam buku
4. Menguatkan kemampuan dalam menganalisis isi buku

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.

D. Identitas buku yang direview

1. Judul : Statistika Terapan
2. Edisi : Pertama
3. Pengarang : Prof. Dr. Edi Syahputra, M.Pd
4. Penerbit :Unimed Press
5. Kota Terbit : Medan
6. Tahun Terbit : 2019
7. ISBN :978-062-0888-82-8
 BAB II RINGKASAN ISI BUKU
A. BAB 1 : STATISTIKA

Pengertian Statistika

Statistika adalah ilmu yang mempelajari tentang metode pengumpulan, pengolahan,

penafsiran serta penarikan kesimpulan dari data yang dikumpulkan/diperoleh. Secara
umum statistika dapat dikelompokkan menjadi dua kelompok besar yang saling
melengkapi satu dengan lainnya. Kedua kelompok ini adalah :

1. Statistika Matematik
2. Statistika Terapan

Dalam statistika matematika penekanannya lebih pada statistika secara teoritis.

Banyak prasyarat dasar keilmuan dalam matematika yang harus dikuasi sebelum
seseorang mempelajari statistika matematik. Antara lain yang harus dikuasi adalah teori
peluang, kalkulus, analisis vektor dan aljara matriks. Statistika terapan lebih menekankan
pada penggunaan statistika dalam berbagai bidang ilmu antara lain : Ekonomi, Pertanian,
Teknik, Pendidikan, Sosial, Biologi, Kedokteran, dll.

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

Pengertian data dalam statistika adalah suatu himpunan keterangan/informasi dari

serangkaian pengamatan atau catatan atau observasi atau informasi yang diperoleh dari
hasil percobaan. Seorang peneliti biasanya meneliti data dalam sampel yang dipilihnya
dan mengambil kesimpulan tentang karakteristik populasi yang ditelitinya.

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.

Terdapat beberapa cara untuk memperoleh data, antara lain :

a. Mengadakan wawancara kepada subyek penelitian

b. Menyebarkan angket berupa lembar kertas berisi pertanyaan kepada responden
c. Melaksanakan observasi
d. Mengoleksi/mencatat data dari sumber-sumber yang dapat dipertanggung jawabkan
e. Melaksanakan eksperimen dan mencatat data yang muncul dari percobaan itu
f. Mengakses internet.

B. BAB 2 : PENYAJIAN DATA

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

Cara Membuat Tabel Distribusi Frekuensi

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

Dikatakan diagram batang karena bentuknya seperti batang-batang yang disusun

tegak atau mendatar. Batang-batang yang disususn secara tegak atau mendatar tidak
saling bersinggungan satu batang dengan batang lainnya. Tinggi/panjang batang
menunjukkan frekuensi/banyaknya data.

Untuk menggambar diagram batang diperlukan

 Sumbu mendatar
 Sumbu tegak
 Skala pada kedua sumbu diatas

2. Diagram Garis

Diagram garis digunakan untuk menggambarkan keadaan yang kontinu. Biasanya

sumbu horizontal menunjukkan skala waktu (biasa tahun,bulan atau minggu)

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

5. Histogram dan Poligon Frekuensi

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 :

a. Nilai rata-rata atau Mean

b. Median
c. Modus

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.

𝒋𝒖𝒎𝒍𝒂𝒉 𝒔𝒆𝒎𝒖𝒂 𝒃𝒊𝒍𝒂𝒏𝒈𝒂𝒏

Mean (rata-rata) =
𝒃𝒂𝒏𝒚𝒂𝒌𝒏𝒚𝒂 𝒃𝒊𝒍𝒂𝒏𝒈𝒂𝒏

1. Rata-rata Hitung Data Tunggal

Secara umum dapat ditulis
X1+ X2 + X3+⋯+X
̅
X= n
n

2. Rata-rata Hitung Data Terboboti

Bobot yang dimaksud disini adalah banyaknya data/ukuran pada satu interval atau titik
ukur tertentu.

Secara umum ditulis

F1X1+ F2x 2 + F3x3+⋯+F

̅
X= nxn
f1+f2+f3+⋯+fn

3. Rata-rata Hitung Data Kelompok

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 :

1. Untuk Data Tunggal

a. Bila banyaknya data ganjil prosedurnya adalah
 Urutkan bilangan-bilangan itu
 Tetapkan bilangan yang posisinya paling tengah sebagai median
b. Bila banyaknya data berjumlah genap
 Urutkan bilangan-bilangan itu
 Mediannya adalah rata-rata dari dua bilangan ditengah

Untuk Data dalam Tabel Distribusi Frekuensi

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

D. BAB 4 : UKURAN DISPERSI

Pengertian

Dispersi adalah tersebarnya data disekitar rata-rata

Ukuran dispersi ada beberapa macam antara lain :

1. Rentang atau range atau jangkauan

2. Deviasi rata-rata
3. Deviasi standar
Macam-macam Rentang

a) Rentang Antar Kuartil

Rentang Antar Kuartil dihitung dengan rumus : RAK = K3-K1

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)

c) Rentang (10-90) Persentil

Untuk menghitung Rentang (10-90) persentil digunakan rumus :

R(10-90) P = P90 – P10

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

Formula menghitung deviasi standar data dalam sampel adalah :

∑|𝑋 − 𝑋̅|2
𝑠=
𝑛−1
E. BAB 5 : TEORI SAMPEL

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 (SAS)

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 :

i. SAS dengan pengembalian

ii. SAS tanpa pengembalian

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

Pengambilan sampel secara berlapis adalah suatu metode dimana elemen-elemen

dalam populasi dibagi-bagi dalam golongan-golongan dan sebuah sampel acak sederhana
diambil dari setiap golongan, paling sedikit satu elemen dari masing-masing golongan.
Pada sampel berlapis berpeluang untuk terpilih antara satu lapisan dengan lapisan yang
lain mungkin sama mungkin pula berbeda.

Sampel Berkelompok

Prosedur penarikan sampel dimana unit-unit analisisnya didalam populasi

digolongkan didalam kumpulan-kumpulan yang disebut cluster, kemudia dipilih sebuah
sampel yang anggotanya terdiri dari cluster-cluster. Cluster-cluster yang terpilih kedalam
sampel inilah yang menentukan semua unit-unit analisis yang akan diselidiki.

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.

Distribusi Sampel Rata-rata

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

F. BAB 6 PENDUGAAN (ESTIMASI)

Pendugaan merupakan satu kegiatan menemukan nilai atau selang tertentu
berdasarkan data-data pada sampel. Nilai yang diperoleh ini merupakan nilai
yang digunakan untuk menduga (menaksir) nilai parameter populasi dari mana
asal sampel tersebut di ambil. Oleh karena itulah dilakukan pendugaan
(estimasi)
Misalanya : 𝑋̅ digunakan untuk menduga (mengestimilasi) 𝜇

s2 digunakan untuk menduga (mengestimilasi)𝜎 2

a. Sifat-sifat dari penduga (estimator)

Penduga (estimator) memiliki sifat-sifat yang harus dipenuhi, yaitu:

i. Penduga tak bias (unbiased estimate)

Sebuah statistic disebut penduga (estimator) tak bias, bila rata-rata
distribusi sempel statistic sama dengan parameter populasi yang
berkorespondensi dengan statistic tersebut dan tak bias seperti
sebaliknya.
ii. Penduga konsisten (consistent estimate)
Suatu penduaga disebut konsiten jika ukuran sempel diperbesar, maka nila
penduga mendekati nilai populasi.
iii. Penduga efisen (efficient estimate)
Suatu penduga (estimator) s1 disebut lebih efesien dari s2 jika 𝜎𝑠21 < 𝜎𝑠22 .
iv. Pendugaan (estimilasi) titik dan pendugaan interval
1. Pendugaan (estimilasi) titik
Penduga (estimilasi) tiitk dari suatu parameter populasi adalah pendugaan
yang diberikan berupa sebuah bilangan saja.
2. Pendugaan (estimliasi) interval
Pendugaan estimilasi interval dari suatu parameter adalah estimilasi yang
diberikan terletak pada suatu interval tertentu.
2.1 Selang kepercayaan berbasis Z untuk suatu rata-rata populasi
(𝜎 diketahui)
Suatu selang kepercayaan untuk rata-rata populasi merupakan suatu
interval (selang) yang dikontruksi oleh rata-rata sempel untuk
mendapatakan keyakinan selang interval rata-rata populasi.
Andaikan suatu populasi berdistribusi normal, maka suatu selang
kepercayaan (1-𝛼)100 persen untuk 𝜇 adalah :
𝜎
̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅ 𝜎
[𝑋̅ ± 𝑍𝛼/2 ] = [𝑋̅ − 𝑍𝛼/2 ]
√𝑛 √𝑛
Selang waktu ini cocok juga pada populasi tidak normal, asalkan ukuran relatif
sempel besar (ukuran sempel ≥ 30) .

Selang kepercayaan berbasis t untuk satu rata-rata populasi (𝜎 tidak

diketahui)

Jika 𝜎 tidak diketahui nilanya maka dapat digunakan simpangan baku s

untuk mengkontruksi suatu selang kepercayaan untuk 𝜇. Selang ini didasarkan
𝑋̅ −𝜇
pada distribusi sampling 𝑡 = 𝑠
√𝑛

Apabila sampling berdistribusi normal dengan rata-rata 𝜇 maka suatu selang

kepercayaan (1-𝛼)100 untuk 𝜇 adalah:

𝑠
𝑋̅ ± 𝑡𝛼⁄2
√𝑛

Derajat kebebasan (degree of freedom)

Derajat kebebasan suatu statistic adalah banyaknya anggota sempel yang

bebas dikurangi banyaknya parameter populasi yang harus diduga dari
pengamatan-pengamatan sempel.

Rumus derajat kebeasan

∑𝑛𝑖=1(𝑋1 − 𝑋̅)2 adalah n-1

Selang kepercayaan (lanjutan) untuk sempel besar n ≥ 30

Karena varians dari populasi tidak diketahui, maka digunakan penduaga

tak bias s2 untuk menghitung estimilasi 𝜎 2 . Sehingga estimilasi dari 𝜎𝑋2 adalah
𝑠2 𝑆
dan estimilasi dari kesalahan baku adalah 𝑠𝑋̅ =
𝑛 √𝑛

Selang kepercayaan (lanjutan) untuk sampel kecil n ≤ 30

Untuk sempel kecil, lebih tepat digunakan distribusi t yaitu

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

Pengujian perbedaan dua rata-rata dua populasi

1. Untuk sampel yang tidak berkorelasi. Pandang dua populasi berdistribusi
normal, dengan rata-rata berturut-turut 𝜇1 dan 𝜇2 dan varian berturut-turut
𝜎2
𝜎12 dan 𝜎22 , kita tahu bahwa 𝜇𝑥1 − 𝜇1 = 𝜇𝑥1 − 𝜇2 = 𝜇1 − 𝜇2 dan 𝜎𝑥12 −𝑥̅̅̅2̅ = 𝑛1 +
1

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

2. Pengujian hipotesis untuk sampel-sampel yang berkorelasi. Diberikan sebuah

himpunan n pasangan data (observasi). Selisih setiap pasangan data dapat
dicari. Misalkan pasangan 𝑋11 dan 𝑋11 diperoleh selisih 𝐷1 = 𝑋11 − 𝑋11
̅ 2
̅ = ∑ 𝐷 varians dari selisih 𝑆𝐷 2 = ∑(𝐷−𝐷) ;𝜇𝐷 =
sehingga rata-rata dari selisih 𝐷 𝑛 𝑛−1
2 ̅ −𝜇𝐷 ̅ −(𝜇1 −𝜇2 )
𝑆𝐷 𝐷 𝐷
𝜇1 − 𝜇2 . Estimasi 𝜎𝐷 2dengan 𝑆𝐷2 = diperoleh 𝑡 = = 𝑆𝐷 , karena
𝑛 𝑆𝐷
√𝑁

̅ ∑ 𝐷⁄
𝐷 𝑛
𝐻0 : 𝜇1 − 𝜇2 = 0, 𝑡 = 𝑆𝐷 = ̅ )2
∑(𝐷−𝐷
dalam hal ini df : V : n – 1.
( )
√𝑁 𝑛−1 ⁄
√𝑛

H. BAB 8 ANALISIS REGRESI

Analisis regresi adalah suatu kajian untuk mengeksplorisasi sifat-sifat dari

hubungan diantara varibel-variable. Persamaan regresi sederhana dapat dituliska
sebagai berikut:

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
.

I. BAB IX ANALISIS VARIANS KLASIFIKASI SATU ARAH

 Analisis Varians yang sering di singkat sebagai ANAVA atau ANOVA. Analisis
Varians bertujuan untuk melihat perbedaan rata-rata sekelompok data melalui
pengujian variasinya.
Notasi Untuk Analisis Satu Arah
Pada suatu eksperimen dengan k perlakuan. Andaikan pada suatu percobaan
terdapat k kelompok dan banyaknya anggota dalam tiap kelompok ke-j adalah nj ,
total jumlah anggota-anggota dalam semua kelompok adalah 𝑛1 + 𝑛2 + 𝑛3 + ⋯ +
𝑛𝑘 = 𝑁. Apabila semua kelompok berukuran sama maka kita dapat menuliskan
𝑁
𝑛1 = 𝑛2 = 𝑛3 … = 𝑛𝑘 = 𝑘

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

data (pengamatan) pada kelompok 1 terhadap rata-rata keseluruhan adalah:

𝑛1

∑(𝑋𝑖1 − 𝑋̅)2
𝑖=1

Jumlah kuadrat deviasi dari 𝑛𝑗 data (pengamatan) pada kelompok j terhadap

rata-rata keseluruhan adalah:
𝑛𝑗

∑(𝑋𝑖𝑗 − 𝑋̅)2
𝑖=1

Untuk k kelompok dengan 𝑛𝑗 pengamatan, jumlah total kuadrat deviasi

terhadap 𝑋̅ adalah:
𝑘 𝑛𝑗

∑ ∑(𝑋𝑖𝑗 − 𝑋̅)2
𝑗=1 𝑖=1

Partisi Jumlah Kuadrat

Jumlah total kuadrat terdiri dari jumlah dua bagian yang saling bebas yaitu
jumlah kuadrat dalam kelompok dan jumlah kuadrat antar kelompok.
Perhatikan identitas berikut:
̅̅̅ = (𝑋𝑖𝑗 − 𝑋̅𝑖𝑗 ) + (𝑋̅𝑗 − 𝑋)
(𝑋𝑖𝑗 − 𝑋) ̅̅̅

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

Pendugaan -pendugaan Varians

Banyaknya derajat bebas yang berpadanan dengan jumlah kuadrat dalam
kelompok adalah:
𝑘

(𝑛1 − 1) + (𝑛2 − 1) + ⋯ (𝑛𝑘 − 1) = 𝑘 ∑(𝑛𝑗 − 1) = 𝑁 − 𝑘

𝑗=1

Jumlah kuadrat dalam kelompok dibagi dengan derajat bebasnya disebut

sebagai penduga varians dalam kelompok yaitu:
𝑗 𝑛
2
= ∑𝑘𝑗=1 ∑𝑖=1(𝑋𝑖𝑗 − 𝑋̅𝑗 )2
𝑠 𝑤 =
𝑁−𝑘
Jumlah kuadrat antar kelompok dibagi dengan derajat bebasnya disebut sebagai
penduga varians antar kelompok yaitu:

2
∑𝑘𝑗=1 𝑛𝑗 (𝑋̅𝑗 − 𝑋̅)
2
𝑠 𝑤 =
𝑘−1
Untuk menguji Hipotesis 𝐻0 : 1 = 1 = 1 = ⋯ = 𝑘

Analisis Varians dengan dua kelompok Data

Apabila hanya dua kelompok data, maka signifikansi dari perbedaan antara
rata-rata dapat diuji menggunakan uji t atau dengan analisis varians. Dua cara
ini mendapatkan hasil yang sama.
Bila k = 2 bisa ditunjukkan bahwa √𝐹 = t
𝑛(𝑋1 −𝑋̅)2 + 𝑛(𝑋2 −𝑋̅)2
Bila k = 2 dan 𝑛1 =𝑛2 =n , pendugaan 𝑠𝑏 2 = 2−1

Asumsi – asumsi Dasar pada Analisis Varians

Asumsi yang dimaksud adalah: Populasi-populasi berdistribusi normal,
Populasi-populasi bervariasi sama dan Sampel dipilih secara acak

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.

Partisi jumlah kuadrat

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.

1. Contoh terapan (quasi experiment) dalam bidang pendidikan

Andaikan seorang peneliti dibidang pendidikan akan mengadakan suatu
percobaan untuk meneliti pengaruh dua factor yaitu model pembelajran
(katakanlah fator I) dan dan kemampuan awal matematikas siswa (katakanlah
factor II) terhadap berfikir kritis siswa.
Degan rumus matematika
Yijk = 𝜏 + 𝛼𝑖 + 𝛽𝑗 + (𝛼𝛽)𝑖𝑗 + 𝜀𝑖𝑗𝑘 ; 𝑖 = 1,2,3, 𝑗 = 1,2,3, 𝑘 = 1,2, … 10
2. Contoh penerapan dalam non bidang penididikan
Seorang peneliti ingin mengetahui pengaruh pemansan tiga jenis kawat
logam terhadap pertambahan panajng kawat (dalam mm) setelah pemanasan.
Dengan rumus matemtika
Yijk = 𝜏 + 𝛼𝑖 + 𝛽𝑗 + (𝛼𝛽)𝑖𝑗 + 𝜀𝑖𝑗𝑘 ; 𝑖 = 1,2,3, 𝑗 = 1,2,3, 𝑘 = 1,2, … 10
3. Analisis varians dua arah jika banyakanya data (pengamtan) dalam taip sel
tidak sama
 Pada perhitungan jumlah kuadrat baris, jumlah kuadrat kolom dan jumlah
kuadrat interaksi antara baris dan kolom pada contoh sebelumnya digunakan
rata-rata hitung. Tetapi pada contoh berikut digunkan rata-rata harmonis.
Alasan yang mendasari pengunaan rata-rata harmonis dikarnakan kuadrat
dari simpangan baku proporsional ke 1/n
4. Contoh penerapan bidang jika banyak data pada bidang sel tidak sama
Asumsi yang harus dipenuhi dan sebaliknya dijuji secarra statistic dengan
berdasarkan hipotesis sttistik.

K. BAB XI ANALISIS VARIANS KLASIVIKASI TIGA ARAH

Pada percobaan dengan klasifikasi tiga arah dan n data dalam tiap sel, jumlah
kuadrat total dipartisi kedalam delapan jumlah kuadrat yang independen.
Kedelapan jumlah kuadrat tersebut adalah jumlah kuadrat antar baris, jumlah
kuadrat antar kolom, jumlah kuadrat antar lapisan (ketiganya disebut jumlah
kuadrat pengaruh utama), jumlah kuadrat antar baris dan kolom, jumlah kuadrat
antar baris dan lapisan, jumlah kuadrat antar kolom dan lapisan, jumlah kuadrat
antar baris, kolom dan lapisan (keempatnya disebut jumlah kuadrat interaksi),
dan jumlah kuadrat dalam sel. Setiap jumlah kuadrat berpadanan dengan jumlah
derajad bebasnya.
Struktur tabel analisis varians tiga arah
Sumber Db Jumlah kuadrat Penduga
variasi varians

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

Dalam sel RCL(n- 𝑅 𝐶 𝐿 𝑛

𝑠𝑤2
∑ ∑ ∑ ∑(𝑋𝑟𝑐𝑙𝑖 − 𝑋̅𝑟𝑐𝑙 )2
1)
𝑟=1 𝑐=1 𝑙=1 𝑖=1

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

M. BAB XIII SOAL DAN JAWABAN

1. Tunjukkan bahwa suku hasil kali:
𝑟 𝑒

∑ ∑(𝑋𝑖𝑗 − 𝑋̅𝑗 − 𝑋̅.𝑗 + 𝑋̅… )(𝑋̅.𝑗 − 𝑋̅.. ) = 0

𝑖=1 𝑗=1
Penyelesaian:
(𝑋𝑖𝑗 − 𝑋̅𝑗 − 𝑋̅.𝑗 + 𝑋̅... )(𝑋̅.𝑗 − 𝑋̅.. ) = 0
(𝑋𝑖𝑗 )(𝑋̅.𝑗 ) − (𝑋̅𝑗 )(𝑋̅.𝑗 ) − ̅̅̅(𝑋.𝑗 )(𝑋̅.𝑗 ) + ̅̅̅ (𝑋... )(𝑋̅.𝑗 ) − (𝑋𝑖𝑗 )(𝑋̅.. ) + (𝑋̅.𝑗 )(𝑋̅.. )
̅̅̅... ) − ̅̅̅
+ (𝑋̅.𝑖 )(𝑋 ̅̅̅... ) = 0
(𝑋... )(𝑋
 (𝑋̅.𝑖𝑗 )(𝑋𝑖𝑗 − 𝑋̅𝑗 − 𝑋̅.𝑗 + 𝑋̅... )(𝑋̅.𝑗 − 𝑋̅.. ) − ̅̅̅
(𝑋... )(𝑋𝑖𝑗 − 𝑋̅𝑗 − 𝑋̅.𝑗 + 𝑋̅… )(𝑋̅.𝑗 − 𝑋̅.. )
=0
(𝑋̅.𝑗 − 𝑋̅.. )[(𝑋𝑖𝑗 − 𝑋̅𝑗 − 𝑋̅.𝑗 + 𝑋̅… )(𝑋̅.𝑗 − 𝑋̅.. ) − (𝑋𝑖𝑗 − 𝑋̅𝑗 − 𝑋̅.𝑗 + 𝑋̅… )(𝑋̅.𝑗 − 𝑋̅.. )]
=0
(𝑋̅.𝑗 − 𝑋̅.. )(0) = 0
Sehingga diperoleh:
(𝑋̅.𝑗 − 𝑋̅.. ) = 0

2. Data berikut adalah nilai akhir yang dicapai oleh 5 mahasiswa dalam mata
kuliah Matematika, bahasa Inggris, bahasa Prancis, dan Biologi.
Mahasiswa Mata Kuliah

Matematika Bahasa Bahasa Biologi

Inggris Prancis
1 68 57 73 61

2 83 94 91 86

3 72 81 63 59

4 55 73 77 66

5 92 68 75 87

Gunakan taraf nyata 0,05 untuk menguji hipotesis bahwa:

a. Keempat mata kuliah itu mempunyai kesulitan yang sama
b. Kelima mahasiswa itu mempunyai kemampuan yang sama
Penyelesaian:
Diketahui:
𝑋̅= 74,05
R= 5
c= 4
JK Baris = 𝑐 ∑𝑅𝑟=1(𝑋̅𝑟 − 𝑋̅)2
(4)[(74 − 74,05)2 + (74,6 − 74,05)2 + (75,8 − 74,05)2 + (71,8 − 74,05)2 ]
= (4)[(404,675)] = 1618,7
JK Kolom= 𝑟 ∑𝑐𝑐=1(𝑋̅𝑐 − 𝑋̅)2
= (5)[(0,0025) + (0,3025) + (3,0625) + (5,0625)]
= [(5)(8,43)]
= 42,15
JK Interaksi= 𝑐 ∑𝑅𝑟=1 𝑟 ∑𝑐𝑐=1(𝑋̅𝑟𝑐 − 𝑋̅𝑟 − 𝑋̅𝑐 + 𝑋̅)2
= [(2,25) + (0,0625) + (56,25) + ⋯ + (76,5625)]
= 1112,1
K Total = ∑𝑅𝑟=1 ∑𝑐𝑐=1(𝑋̅𝑟𝑐 − 𝑋̅)2
 = [(68 − 74,05)2 + (83 − 74,05)2 + (72 − 74,05)2 + ⋯ + (87 − 74,05)2 ]
= 2772,95
Tabel analisis varians dua arah:
Sumber Db JK Penduga FHitung FTabel
Varians Varians

Baris 4 1618,7 404,675 4,366604 3,26

Kolom 3 42,15 14,05 0,151605 3,49

interaksi 12 1112,1 92,675

Total 19 2772,95

a. Pengujian Hipotesis statistik

Pengujian Hipotesis
H0: tidak ada perbedaan kesulitan keempat mata kuliah
H1: terdapat perbedaan kesulitan keempat mata kuliah
Uji statistik: signifikansi α = 5%=0,05
Pengujian: FHitung > FTabel , H0 ditolak dan H1 diterima
Kesimpulan: terdapat perbedaan kesulitan keempat mata kuliah
b. Pengujian Hipotesis
H0: tidak ada perbedaan kemampuan pada kelima mahasiswa
H1: terdapat perbedaan kemampuan pada kelima mahasiswa
Uji statistik: signifikansi α = 5%=0,05
Pengujian: FHitung < FTabel , H0 diterima
Kesimpulan: tidak ada perbedaan kemampuan pada kelima mahasiswa

3. Sebuah percobaan dilaksanakan untuk membandingkan 4 perlakuan dengan

menggunakan 5 orang. Data yang diperoleh adalah sebagai berikut:
Perlakuan orang

1 2 3 4 5

1 12,8 10,6 11,7 10,7 11,0

2 11,7 14,2 11,8 9,9 13,8

3 11,5 14,7 13,6 10,7 15,9

4 12,6 16,5 15,4 9,6 17,1

Lakukan analisis varians dengan mendapatkan jumlah kuadrat bagi perlakuan,

orang dan galat. Gunakan taraf nyata 0,05 untuk menguji hipotesis bahwa
tidak ada perbedaan antara nilai tengah perlakuan.
Penyelesaian:
 Diketahui:
𝑋̅= 12,79
R=4
c=6
n=1
Ditanya: ujilah perbedaan antara nilai tengah perlakuan (α=0,05)
JK Baris = 𝑐 ∑𝑅𝑟=1(𝑋̅𝑟 − 𝑋̅)2
=(1)(5)[(11,36 − 12,79)2 + (12,28 − 12,79)2 + (13,28 − 12,79)2 +
(14,24 − 12,79)2 ]
= (5)[(4,6476)]
= 23,238
JK Kolom= 𝑛𝑟 ∑𝑐𝑐=1(𝑋̅𝑐 − 𝑋̅)2
=(1)(4)[(12,15 − 12,79)2 + (14 − 12,79)2 + (13,125 − 12,79)2 +
(10,255 − 12,79)2 + (14,45 − 12,79)2 ]
= [(4)(11,32075)]
= 45,283
JK Interaksi= 𝑛 ∑𝑅𝑟=1 𝑟 ∑𝑐𝑐=1(𝑋̅𝑟𝑐 − 𝑋̅𝑟 − 𝑋̅𝑐 + 𝑋̅)2
=(1)[(12,8 − 11,36 − 12,15 + 12,79)2 + ⋯ + (17,1 − 14,28 − 14,45 −
12,79)2 ]
= (1)[(27,937)]
= 27,937
K Total = 𝑛 ∑𝑅𝑟=1 ∑𝑐𝑐=1(𝑋̅𝑟𝑐 − 𝑋̅)2
= (1)[(0,001) + (1,1881) + (1,6641) + ⋯ + (18,5761)]
= 96,458
Tabel analisis varians dua arah:
Sumber db JK Penduga FHitung FTabel
Varians Varians

Baris 3 23,238 7,746 3,3272 3,49

Kolom 4 45,283 11,32075 4,862681 3,26

Interaksi 12 27,937 2,328083

Total 19 96,458

Pengujian Hipotesis statistik

Pengujian Hipotesis
H0: tidak ada perbedaan antara nilai tengah perlakuan
H1: terdapat perbedaan antaranilai tengah perlakuan
Uji statistik: signifikansi α = 5%=0,05
Pengujian: FHitung < FTabel , H0 diterima
Kesimpulan: tidak ada perbedaan antara nilai tengah perlakuan
N. BAB XIV ANALISIS FAKTOR KONFIRMATORI
Pendahuluan

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

Konsep Dasar Analisis Faktor Konfirmatori

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 Faktor Konfirmatori 1 Faktor

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.

Gambar 1. Model satu faktor

 Analisis Faktor Konfirmatori 2 Faktor dengan Variabel Berkorelasi

Terdapat 10 persamaan dan 9 parameter yang dapat diestimasi. 9 parameter

itu adalah 𝞴𝟏, 𝞴𝟐, 𝞴𝟑 𝞴4, V(𝜹𝟏), V(𝜹𝟐), V(𝜹𝟑), V(𝜹𝟒), dan ∅

Gambar 2. Model dua factor yang berkorelasi

Ukuran Kesesuaian Model

Ukuran Godness of Fit Test (GFT) dalam Model-model Struktural

Ukuran GFT Kriteria Kesesuaian Kriteria Uji Hasil Uji
Model
P-Value 1,00 (model fit sempurna) ≥0,05 Model fit

RMSEA 0,00 (model fit sempurna) ≤0,08 Model fit

GFI, AGFI, CFI 0,00 (tidak fit) -1,00 (fit ≥0,90 Model fit
sempurna)

O. BAB XV MATERI PENDUKUNG

Teori Peluang
Definisi: Jika A adalah kejadian-kejadian dimana A⊆ S maka 0≤P(A)≤ 1 dan P(S) =1
 Gambar 15.1 Himpunan A dan himpunan B yang saling beririsan
Perhatikan bahwa A dan komplemen A ditulis A dan Ac saling lepas.
Karena A ⋃ Ac = S maka P(A ⋃ Ac) = P(S) = 1= P(A) + P(Ac) (karena A dan Ac
saling lepas). Sehingga P(Ac) = 1 – P(A) dengan perkataan lain peluang tidak
terjadinya suatu peristiwa sama dengan satu dikurang peluang terjadinya
peristiwa itu. Cermati daerah irisan himpunan A dan B harus dihitung hanya
satu kali. Oleh karena itu semua peluang yang mungkin adalah P(A) + P(B) =
P(A ⋃ B) + P(AB) atau P(A ⋃ B) = P(A) + P(B) – P(AB).
 Peluang Bersyarat
Peluang bersyarat adalah kemungkinan terjadinya suatu peristiwa dengan
ketentuan telah terjadi suatu peristiwa yang mendahului.
Definisi: Bila A dan B berturut-turut peristiwa yang saling bebas yaitu AB = ∅
maka P(AB) = P(A)P(B). Akibatnya jika A dan B dua peristiwa saling bebas atau
AB = ∅ maka P(A|B) = P(A)

Harapan Matematik (rata-rata terboboti)

Definisi: Jika X adalah suatu variabel acak, maka harapan matematik E(X)
didefinisikan sebagai berikut :
∑𝑥:𝑝(𝑥)>0 𝑥𝑝(𝑥)𝑗𝑖𝑘𝑎 𝑋 𝑑𝑖𝑠𝑘𝑟𝑖𝑡
E(X) = { ∞
∫−∞ 𝑥𝑓(𝑥)𝑑𝑥 𝐽𝑖𝑘𝑎 𝑋 𝐾𝑜𝑛𝑡𝑖𝑛𝑢
P(x) disebut pembobot
Secara umum: jika g(x) merupakan fungsi dari peubah acak X maka:
∑∀𝑔(𝑥𝑖) 𝑔(𝑥)𝑝(𝑥)𝑢𝑛𝑡𝑢𝑘 𝑋 𝑑𝑖𝑠𝑘𝑟𝑖𝑡
E(X) = { +∞
∫−∞ 𝑔(𝑥)𝑓(𝑥)𝑑𝑥 𝑢𝑛𝑡𝑢𝑘 𝑋 𝐾𝑜𝑛𝑡𝑖𝑛𝑢
Catatan: jika X peubah acak maka E(X) ada jika dan hanya jika :
(i) ∑∀𝑔(𝑥𝑖) 𝑔(𝑥)𝑝(𝑥)𝑑𝑎𝑛 ∑𝑥:𝑝(𝑥)>0 𝑥𝑝(𝑥)𝑏𝑒𝑟𝑛𝑖𝑙𝑎𝑖 𝑡𝑒𝑟ℎ𝑖𝑛𝑔𝑔𝑎 𝑢𝑛𝑡𝑢𝑘 𝑋 𝑑𝑖𝑠𝑘𝑟𝑖𝑡
+∞ ∞
(ii) ∫−∞ 𝑔(𝑥)𝑓(𝑥)𝑑𝑥 𝑑𝑎𝑛 ∫−∞ 𝑥𝑓(𝑥)𝑑𝑥 𝑏𝑒𝑟𝑛𝑖𝑙𝑎𝑖 𝑡𝑒𝑟ℎ𝑖𝑛𝑔𝑔𝑎 𝑢𝑛𝑡𝑢𝑘 𝑋 𝐾𝑜𝑛𝑡𝑖𝑛𝑢
Dengan Perkataan lain diperlukan syarat absolut konvergen.
 Sifat-sifat Nilai Harapan
Jika C konstan, g(X), g1(X), dan g2(X) fungsi yang mempunyai nilai harapan,
maka:
(i) E(C) = C
(ii) E(Cg(X)) = C E(g(X))
(iii) E(g1(X) + g2(X)) = E(g1(X)) + g2(X))
(iv) E(g1(X) ≤ g2(X)) jika (g1(X) ≤ g2(X))
(v) |E(g(X)| ≤ E|g(X)|

Distribusi Peluang Teoritis

1. Distribusi Binomial
Distribusi Binomial adalah salah satu distribusi peluang diskrit, dengan
parameter n dan p, dimana 0≤ 𝑝 ≤1, dapat dinyatakan dengan p(x) = (𝑛𝑥)px(1-
p))n-x. Rata-rata dari distribusi binomial adalah np dan variansnnya adalah
np(1-p). Fungsi pembangkit momen dari distribusi binomial adalah ∅(t) = (pet +
(1-p))n.
(𝑛𝑥) merupakan koefisien binomial yang menunjukkan x kali sukses dari n
peristiwa.
2. Distribusi Poisson
Distribusi poisson dengan parameter > 0 memiliki fungsi kepekatan peluang
𝜆
p(x) =𝑒 −𝜆𝑥! ; x= 0,1,2,.. dan fungsi pembangkit momennya adalah ∅(t) =
exp{ 𝜆(et-1) }
3. Distribusi Geometric
𝑝𝑒 𝑥
Fungsi pembangkit momen dari distribusi geometric adalah ∅(t) = 1−(1−𝑝)𝑒x

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

A. Pembahasan Isi Buku

a. Pembahasan Bab I tentang Statistika

Statistika menurut buku yang diriview adalah ilmu yang mempelajari

tentang metode pengumpulan, pengolahan, penafsiran serta penarikan
kesimpulan dari data yang dikumpulkan/diperoleh, sedangkan menurut
Mohammad Farhan Quadratullah (2014) , statistika adalah ilmu tentang
pengumpulan, analisis, dan interpretasi data dalam rangka pengambilan
keputusan, Lebih detail disampaikan oleh Asep Saefuddin (2009) , statistika
adalah suatu disiplin ilmu yang mempelajari sekumpulan konsep dan metode
pengumpulan, penyajian, analisis, dan interpretasi data, sampai pada
pengambilan keputusan pada situasi di mana terdapat ketidakpastian.

Berdasarkan ketiga pendapat diatas, statistika adalah sekumpulan cara

maupun aturan-aturan yang berkaitan dengan pengumpulan, pengolahan
(analisis), penarikan kesimpulan, atas data-data yang berbentuk angka dengan
menggunakan suatu asumsi-asumsi tertentu

b. Pembahasan Bab II tentang Penyajian Data

Menurut buku yang diriview, 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., sedangkan menurut buku
Statistika Dasar Tabel Frekuensi disajikan dalam bentuk diagram dahan-daun,
diagram kotak–garis, sedangkan menurut buku Statistika Terapan data
statistika dapat disajikan dalam bentuk grafik saja, yang dimana grafik
tersebut adalah histogram, poligon, dan ogive.

Berdasarkan ketiga pendapat diatas, data statistika dapat disajikan dalam

bentuk menggunakan tabel, menggunakan diagram yang dimana diagram
tersebut terbagi menjadi 3, yaitu diagram batang, diagram garis, diagram
lingkaran, diagram pastel, histogram dan poligon frekuensi dan tabel
distribusi frekuensi kumulatif.
 c. Pembahasan Bab VIII tentang Analisis Regresi

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.

Berdasarkan ketiga pendapat diatas, analisis regresi merupakan salah satu

analisis yang bertujuan untuk mengetahui pengaruh suatu variabel terhadap
variabel lain.

B. Kelebihan dan kekurangan buku

1. Dilihat dari tampilan buku, buku menarik dikarenakan pada materi mengenai
statistika tidak lepas dari angka dan hitung-hitungan, oleh karena itu sampul
buku sesuai dengan judul dan isi buku
2. Dari aspek layout dan tata letak, serta tata tulis, termasuk font, buku yang
direview sangat baik dikarenakan ukuran fontnya formal, tata tulis dan tata
letaknya tertata rapi, sehingga memudahkan untuk dibaca
3. Dari aspek isi buku, buku ini menyajikan informasi yang cukup luas ditambah
lagi memiliki gambar atau bagan yang membantu pembaca semakin memahami
materi yang terkandung didalam buku.
4. Dari aspek tata bahasa, buku ini cukup bagus karena menggunakan bahasa
indonesia yang mudah dipahami oleh pembaca. Akan tetapi pada isi buku
terdapat istilah-istilah yang sulit dipahami.
 BAB IV KESIMPULAN
A. Kesimpulan

Setiap buku memiliki kekurangan dan kelebihannya masing-masing akan

tetapi mengenai materi yang dibahas saya rasa buku pertama dan kedua lebih
cocok dibandingkan buku ketiga untuk kita gunakan sebagai sumber
pembelajaran dikelas dalam perkuliahan.

B. Rekomendasi

Bagi pemimpin, calon pemimpin, maupun pembaca yang ingin menggali

informasi tentang statistika, sangat saya sarankan untuk membaca buku ini, sajian
informasi penting terdapat dalam buku ini, yang dapat menambah wawasan
tentang statistika, maupun yang ingin melakukan pembenahan terhadap meneliti
sesuatu. Untuk penerbit buku, saya sarankan untuk menciptakan cover yang lebih
jelas dengan tema buku, agar pembaca lebih tergugah lagi ingin segara membaca
buku tersebut.
 DAFTAR PUSTAKA

Farhan, Mohammad Quadratullah. 2014. Statistika Terapan ; Teori,

Contoh Kasus, dan Aplikasi dengan SPSS. Yogyakarta : penerbit ANDI

Saefuddin, Asep, dkk, 2009. Statistika Dasar. Jakarta : PT Grasindo

Syahputra, Edi. 2019. Statistika Terapan untuk Quasi dan Pure Experiment
di Bidang Pendidikan, Biologi, Pertanian, Teknik, dll. Medan :
UNIMED PRESS