STATISTIKA

Oleh :
Mahasiswa Teknik Sipil Angkatan 2018

PROGRAM STUDI TEKNIK SIPIL

FAKULTAS TEKNIK
UNIVERSITAS UDAYANA
2019

2
KATA PENGANTAR

i
 DAFTAR ISI

KATA PENGANTAR...............................................................................................i
DAFTAR ISI............................................................................................................ii
BAB I HIPOTESIS SECARA STATISTIK.............................................................1
1.1 Pengertian Hipotesis..................................................................................1
1.2 Macam Macam Hipotesis..........................................................................1
1.2.1 Hipotesis Deskriptif...........................................................................2
1.2.2 Hipotesis Komparatif.........................................................................2
1.2.3 Hipotesis Asosisatif............................................................................3
1.3 Ciri-Ciri Hipotesis yang Baik....................................................................4
1.4 Perumusan Hipotesis.................................................................................4
1.4.1 Teori Sebagai Acuan Perumusan Hipotesis.......................................5
1.4.2 Fakta Ilmiah Sebagai Acuan Perumusan Hipotesis............................5
1.5 RUMUSAN HIPOTESIS.........................................................................6
1.5.1 Hipotesis Nol (H0).............................................................................7
1.5.2 Hipotesis Alternatif (HA)...................................................................7
1.5.3 Hipotesa Statistik...............................................................................7
1.6 Hipotesis Penelitian...................................................................................7
1.7 Hipotesis Oprasional.................................................................................8
1.8 Hipotesis Statistik......................................................................................9
BAB II DISTRIBUSI FREKWENSI.....................................................................10
2.1 Statistika Deskriptif.................................................................................10
2.2 Skala Pengukuran Data............................................................................11
2.2.1 Skala nominal...................................................................................11
2.2.2 Skala Ordinal....................................................................................12
2.2.3 Skala Interval...................................................................................12
2.2.4 Skala Rasio.......................................................................................13
2.3 Distribusi Frekuensi................................................................................14
2.4 Teknik pembuatan Tabel Distribusi Frekuensi (TDF).............................18
2.5 Distribusi Frekuensi Relatif dan Kumulatif............................................18
2.6 Distribusi Frekuensi kumulatif................................................................19

ii
2.7 Histogram................................................................................................20
2.8 Poligon Frekuensi:...................................................................................21
2.9 Ogive.......................................................................................................21
2.10 Mean Median dan Modus Data Tunggal dan Data Kelompok................22
2.10.1 Pengukuran gejala pusat (central tendenscy)...................................22
2.10.2 Mean (Rata-Rata).............................................................................23
2.10.3 Median.............................................................................................24
2.10.4 Modus...............................................................................................26
2.11 Deviasi.....................................................................................................29
BAB III TEORI PROBABILITAS........................................................................31
3.1 Probabilitas..............................................................................................31
3.1.2 Kombinasi........................................................................................32
3.1.3 Permutasi..........................................................................................33
3.1.4 Permutasi Siklis................................................................................34
3.1.5 Ruang Sampel..................................................................................36
3.2 Komplemen Kejadian..............................................................................40
3.3 Kejadian Saling Lepas dan Tidak Saling Lepas......................................41
BAB IV TEORI PROBABILITAS........................................................................44
4.1 Kejadian Saling Bebas.............................................................................44
4.2 Peluang Bersyarat....................................................................................46
4.3 Teorema BayesQ.....................................................................................48
BAB V DISTRIBUSI PROBABILITAS...............................................................51
5.1 Distribusi Probabilitas.............................................................................51
5.2 Permutasi.................................................................................................51
5.3 Kombinasi...............................................................................................52
5.4 Harapan Matematis (Mathematical Expectation)....................................52
5.5 Distribusi Hipergeometrik.......................................................................53
5.5.1 Ciri-Ciri Distribusi Hipergeometrik.................................................54
5.5.2 Karakteristik Distribusi Hipergeometrik..........................................54
5.5.3 Rumus Distribusi Hipergeometrik...................................................54
5.5.4 Penerapan Distribusi Hipergeometrik..............................................55
5.6 Distribusi Binomial.................................................................................56

iii
5.6.1 Syarat Distribusi Binomial...............................................................57
5.6.2 Ciri-Ciri Distribusi Binomial...........................................................57
5.6.3 RUMUS DISTRIBUSI BINOMIAL...............................................58
BAB VI DISTRIBUSI POISSON DAN DISTRIBUSI NORMAL.......................61
6.1 Pengertian Distribusi Poisson..................................................................61
6.2 Pengertian Distribusi Normal..................................................................63
6.3 Kurva Normal..........................................................................................63
6.4 Probabilitas Kurva Normal......................................................................67
BAB VII HIPOTESIS SECARA STATISTIK.......................................................69
7.1 Pengertian Statistik..................................................................................69
7.2 Pengertian Statistika................................................................................69
7.3 Data.........................................................................................................71
7.3.1 Data Dalam Statistika.......................................................................72
7.3.2 Sifat – Sifat Data :............................................................................73
7.4 Jenis Jenis Data.......................................................................................74
7.5 Skala Pengukuran....................................................................................76
7.7.1 Jenis Skala Pengukuran:...................................................................76
7.6 Populasi...................................................................................................77
7.7 Sampel.....................................................................................................77
BAB VIII PENGUJIAN HIPOTESIS....................................................................80
8.1 Pengertian Hipotesis................................................................................80
8.2 Arah atau Bentuk Uji Hipotesis...............................................................81
8.3 Langkah – langkah Pengujian Hipotesis.................................................82
8.4 Jenis Pengujian.......................................................................................82
8.5 Uji t Tidak Berpasangan..........................................................................91
8.6 Uji t Berpasangan....................................................................................95
8.7 Data SPSS................................................................................................98
BAB IX VARIABEL PENELITIAN...................................................................105
9.1 Pengertian Variabel Penelitian...............................................................105
9.1.1 Pengertian Variabel Penelitian menurut Para Ahli.........................105
9.1.2 Ciri – Ciri Variabel Penelitian........................................................106
9.2 Macam – Macam Variabel Penelitian....................................................107

iv
9.2.1 Sifat Variabel..................................................................................107
9.2.2 Hubungan Atar Variabel.................................................................108
9.2.3 Urgensi Pembakuan Instrumen......................................................112
9.2.4 Tipe Skala Pengukuran...................................................................113
9.2.5 Penampilan Waktu Pengukuran......................................................116
9.3 Kegunaan dan Variabel Penelitian yang Baik........................................117
9.3.1 Kegunaan Variabe Penelitian.........................................................117
9.3.2 Variabel Penelitian Yang Baik........................................................117
BAB X REGRESI DAN KORELASI LINIER SEDERHANA..........................118
10.1. Pengantar Korelasi dan Regresi.............................................................118
10.2. Pengertian Analisis Regresi...................................................................120
10.3. Pengertian Analisis Regresi Linear Sederhana......................................121
10.4. Langkah-langkah Menganalisis Regresi Linear Sederhana..................122
10.5. Koefisien Korelasi.................................................................................122
10.6. Koefisien Determinasi...........................................................................123
BAB XI REGRESI DAN KORELASI LINIER BERGANDA...........................135
11.1. Regresi Linier Berganda........................................................................135
11.2. Metode Kuadrat Kecil...........................................................................136
11.3. Persamaan Mormal................................................................................138
11.4. Ssistem Matriks.....................................................................................141
11.5. Kesalahan Baku & Koefisien Regresi Bergada.....................................143
11.6. Interval Keyakinan Bagi Penduga B1dan B2........................................145
11.7. Uji Kessuaian Model Regresi Linear Berganda....................................145
11.8. Korelasi Berganda.................................................................................150
11.8.1 Koefisien Determinasi (R2)............................................................150
11.8.2 Koefisien Korelasi Berganda (R)...................................................150
11.8.3 Koefisien Korelasi Parsial..............................................................151
BAB XII PENGENALAN SPSS.........................................................................157
12.1 Sejarah SPSS (Statistical Product and Service Solution)......................157
12.2 Pengertian dan Kegunaan SPSS............................................................157
12.3 Pengenalan Program SPSS (Statistical Product and Service Solution).160
DAFTAR PUSTAKA...........................................................................................170

v
vi
 BAB I

HIPOTESIS SECARA STATISTIK

1.1 Pengertian Hipotesis

Hipotesis (atau ada pula yang menyebutnya dengan istilah hipotesa) dapat
diartikan secara sederhana sebagai dugaan sementara. Hipotesis berasal dari
bahasa Yunani hypoyang berarti di bawah dan thesis yang berarti pendirian,
pendapat yang ditegakkan, kepastian, Jika dimaknai secara bebas, maka hipotesis
berarti pendapat yang kebenarannya masih diragukan. Untuk bisa memastikan
kebenaran dari pendapat tersebut, maka suatu hipotesis harus diuji atau dibuktikan
kebenarannya.
Untuk membuktikan kebenaran suatu hipotesis, seorang peneliti dapat
dengan sengaja menciptakan suatu gejala, yakni melalui percobaan atau
penelitian. Jika sebuah hipotesis telah teruji kebenarannya, maka hipotesis akan
disebut teori.
Dalam penelitian ada dua jenis hipotesis yang seringkali harus dibuat oleh
peneliti, yakni hipotesis penelitian dan hipotesis statistik. Pengujian hipotesis
penelitian merujuk pada menguji apakah hipotesis tersebut betul-betul terjadi pada
sampel yang diteliti atau tidak. Jika apa yang ada dalam hipotesis benar-benar
terjadi, maka hipotesis penelitian terbukti, begitu pun sebaliknya. Sementara itu,
pengujian hipotesis statistik berarti menguji apakah hipotesis penelitian yang telah
terbukti atau tidak terbukti berdasarkan data sampel tersebut dapat diberlakukan
pada populasi atau tidak.

1.2 Macam Macam Hipotesis

Terdapat tiga macam hipotesis dalam penelitian, yakni hipotesis deskriptif,
hipotesis komparatif, dan hipotesis asosiatif. Masing-masing dari hipotesis ini
dapat digunakan sesuai dengan bentuk variabel penelitian yang digunakan.
Apakah penelitian menggunakan variabel tunggal/ mandiri atau kah variabel
jamak? Jika yang digunakan adalah variabel jamak, apa yang ingin diketahui oleh
peneliti dalam rumusan masalah?

1
 1.2.1 Hipotesis Deskriptif
Hipotesis deskripsif dapat didefinisikan sebagai dugaan atau
jawaban sementara terhadap masalah deskriptif yang berhubungan dengan
variabel tunggal/mandiri.
Contoh:
Seorang peneliti ingin mengetahui apakah bakso di restoran Bakso
Idola Malang mengandung boraks atau tidak.
Maka peneliti dapat membuat rumusan masalah seperti berikut:
Apakah bakso di restoran Bakso Idola Malang mengandung
boraks?
Dalam penelitian ini, variabel yang digunakan adalah
variabel tunggal yakni bakso di restoran Bakso Idola Malang, maka
hipotesis yang digunakan adalah hipotesis deskriptif. Ada dua
pilihan hipotesis yang dapat dibuat oleh peneliti sesuai dengan
dasar teori yang ia gunakan, yakni:
Ho : Bakso di restoran Bakso Idola Malang mengandung
boraks.
Sedangkan
H1 : Bakso di restoran Bakso Idola Malang tidak mengandung
boraks

1.2.2 Hipotesis Komparatif

Hipotesis komparatif dapat didefinisikan sebagai dugaan atau
jawaban sementara terhadap rumusan masalah yang mempertanyakan
perbandingan (komparasi) antara dua variabel penelitian
Contoh:
Seorang peneliti hendak mengetahui bagaimana sikap loyal antara
pendukung club sepakbola Manchester United jika dibandingkan
dengan sikap loyal pendukung club sepak bola Chelsea. Apakah
pendukung club sepak bola memiliki tingkat loyalitas yang sama
ataukah berbeda.

2
 Maka peneliti dapat membuat rumusan masalah seperti berikut:
Apakah pendukung club sepakbola Manchester United dan
Chelsea memiliki tingkat loyalitas yang sama?
Dalam penelitian ini, variabel yang digunakan adalah
variabel jamak. Variabel pertama adalah loyalitas club sepakbola
Manchester United, sedangkan variabel kedua adalah loyalitas club
sepakbola Chelsea. Karena rumusan masalah mempertanyakan
perihal perbandingan antara dua variabel, maka hipotesis yang
digunakan adalah hipotesis komparatif. Ada dua pilihan hipotesis
yang dapat dibuat oleh peneliti sesuai dengan dasar teori yang ia
gunakan, yakni:
Ho: Pendukung club Manchester United memiliki tingkat
loyalitas yang sama dengan pendukung club Chelsea
Sedangkan
H1: Pendukung club Manchester United memiliki tingkat
loyalitas yang tidak sama (berbeda) dengan pendukung club
Chelsea.

1.2.3 Hipotesis Asosisatif

Hipotesis asosiatif dapat didefinisikan sebagai dugaan/jawaban
sementara terhadap rumusan masalah yang mempertanyakan hubungan
(asosiasi) antara dua variabel penelitian.
Contoh:
Seorang peneliti ingin mengetahui apakah sinetron berjudul
“Anak Jalanan” mempengaruhi gaya remaja laki-laki dalam
mengendarai motor.
Maka peneliti dapat membuat rumusan masalah seperti berikut:
Apakah sinetron berjudul “Anak Jalanan” memengaruhi gaya
remaja laki-laki dalam mengendarai motor?
Dalam penelitian ini, variabel yang digunakan adalah
variabel jamak. Variabel pertama adalah sinetron berjudul “Anak
Jalanan”, sedangkan variabel kedua adalah gaya remaja laki-laki
dalam mengendarai motor. Karena rumusan masalah

3
 mempertanyakan perihal hubungan antara dua variabel, maka
hipotesis yang digunakan adalah hipotesis asosiatif. Ada dua
pilihan hipotesis yang dapat dibuat oleh peneliti sesuai dengan
dasar teori yang ia gunakan, yakni:
Ho: Sinetron berjudul “Anak Jalanan” mempengaruhi gaya
remaja laki-laki dalam mengendarai motor.
Sedangkan
H1: Sinetron berjudul “Anak Jalanan” tidak memengaruhi
gaya remaja laki-laki dalam mengendarai motor.

1.3 Ciri-Ciri Hipotesis yang Baik

Setiap orang bisa membuat hipotesis, entah hipotesis dalam penelitian maupun
hipotesis untuk hal-hal yang lebih sederhana dalam berbagai gejala di kehidupan
sehari-hari. Meskipun begitu, ada beberapa hal yang perlu dipertimbangkan untuk
menghasilkan suatu hipotesis yang baik. Menurut Moh. Nazir, setidaknya ada 6
ciri-ciri hipotesis yang baik, yaitu:
1. Harus menyatakan hubungan
2. Harus sesuai dengan fakta

3. Harus berhubungan dengan ilmu, serta sesuai dengan tumbuhnya ilmu

pengetahuan

4. Harus dapat diuji

5. Harus sederhana

6. Harus bisa menerangkan fakta

Dengan demikian, untuk membuat sebuah hipotesis yang baik, seorang

peneliti harus mempertimbangkan fakta-fakta yang relevan, masuk akal dan
tidak bertentangan dengan hukum alam. Selain itu, hipotesis juga harus bisa
diuji sebagai langkah verifikasi dalam penelitian.

1.4 Perumusan Hipotesis

4
 Untuk menghasilkan sebuah hipotesis, tentunya kita harus mengikuti
langkah-langkah tertentu. Dengan langkah dan cara yang benar, sebuah hipotesis
yang baik akan memudahkan jalannya proses penelitian.
Awal terbentuknya hipotesis dalam sebuah penelitian biasanya diawali atas
dasar terkaan atau conjecture peneliti. Meskipun hipotesis berasal dari terkaan,
namun sebuah hipotesis tetap harus dibuat berdasarkan paca sebuah acuan, yakni
teori dan fakta ilmiah.

1.4.1 Teori Sebagai Acuan Perumusan Hipotesis

Untuk memudahkan proses pembentukan hipotesis, seorang peneliti
biasanya menurunkan sebuah teori menjadi sejumlah asumsi dan prostulat.
Asumsi-asumsi tersebut dapat didefinisikan sebagai anggapan atau dugaan
yang mendasari hipotesis. Berbeda dengan asumsi, hipotesis yang telah
diuji dengan menggunakan data melalui proses penelitian adalah dasar
untuk memperoleh kesimpulan.

1.4.2 Fakta Ilmiah Sebagai Acuan Perumusan Hipotesis

Selain menggunakn teori sebagai acuan, dalam merumuskan hipotesis
dapat pula menggunakan acuan fakta. Secara umum, fakta dapat
didefinisikan sebagai kebenaran yang dapat diterima oleh nalar dan sesuai
dengan kenyataan yang dapat dikenali dengan panca indera.
Fakta Ilmiah sebagai acuan perumusan hipotesis dapat diperoleh dengan
berbagai cara, misalnya :
1. Memperoleh dari sumber aslinya
2. Fakta yang diidentifikasi dengan cara menggambarkan dan
menafsirkannya dari sumber yang asli.
3. Fakta yang diperoleh dari orang mengidentifikasi dengan jalan
menyusunnya dalam bentuk abstract reasoning (penalaran abstrak).
Selain teori dan fakta ilmiah, hipotesis dapat pula dirumuskan
berdasarkan beberapa sumber lain, yakni:
1. Kebudayaan dimana ilmu atau teori yang relevan dibentuk
2. Ilmu yang menghasilkan teori yang relevan

5
 3. Analogi
4. Reaksi individu terhadap sesuatu dan pengalaman

KONSEP PERUMUSAN HIPOTESIS

Sumber
SumberMasalah
Masalah
Kehidupan sehari-hari
Kehidupan sehari-hari
Teoritis
Teoritis

Teori
Teori
Penelitian
Penelitianterdahulu
terdahulu
Penelitian
PenelitianPendahuluan
Pendahuluan
Akal
Akalsehat
sehat

Perumusan
PerumusanHipotesis
Hipotesis

Instrumen
Instrumenpenelitian
penelitian
Variabel,
Variabel,Data
Data

Pengujian
PengujianHipotesis
Hipotesis

Kesimpulan
KesimpulanDan
DanImplikasi
Implikasi

1.5 RUMUSAN HIPOTESIS

Rumusan hipotesis terdiri dari H0 dan HA

H0: hipotesis observasi/ Nol

HA: hipotesis alternative

6
 Rumusan hipotesis pada H0 dan HA dibuat menggunakan simbol
matematis sesuai dengan hipotesis. Beberapa kemungkinan rumusan hipotesis
menggunakan tanda matematis sebagai berikut:

H0:= ≤ ≥
HA: ≠ < >
Dalam sebuah penelitian Hipotesis dapat dinyatakan dalam beberapa
bentuk :

1.5.1 Hipotesis Nol (H0)

Merupakan hipotesis yang menyatakan hubungan atau pengaruh
antar variabel sama dengan nol. Atau dengan kata lain tidak terdapat
perbedaan, hubungan atau pengaruh antar variabel.

1.5.2 Hipotesis Alternatif (HA)

Merupakan hipotesis yang menyatakan adanya perbedaan,
hubungan atau pengaruh antar variabel tidak sama dengan nol. Atau
dengan kata lain terdapat perbedaan, hubungan atau pengaruh antar
variabel (merupakan kebalikan dari hipotesis alternatif)

1.5.3 Hipotesa Statistik

Menurut bentuknya hipotesa dibagi menjadi 3 berdasarkan bentuk
yang biasa digunakan yaitu. Hipotesa Penelitian, Hipotesa Oprasional,
Hipotesa Statistik .

1.6 Hipotesis Penelitian

Hipotesis penelitian / kerja: Hipotesis penelitian merupakan anggapan
dasar peneliti terhadap suatu masalah yang sedang dikaji.
Dalam Hipotesis ini peneliti mengaggap benar Hipotesisnya yang
kemudian akan dibuktikan secara empiris melalui pengujian Hipotesis dengan
mempergunakan data yang diperolehnya selama melakukan penelitian.
Contoh :
Ada hubungan antara krisis ekonomi dengan jumlah orang stress

7
 Cara Perumusannya :
Hipotesis penelitian ialah Hipotesis yang kita buat dan dinyatakan dalam
bentuk kalimat.
Contoh:
• Adakah hubungan jam produksi terhadap volume produksi ?
Rumusan Hipotesisnya

• Ada hubungan jam produksi terhadap volume produksi

1.7 Hipotesis Oprasional

Hipotesis operasional merupakan Hipotesis yang bersifat obyektif. Artinya
peneliti merumuskan Hipotesis tidak semata-mata berdasarkan anggapan
dasarnya, tetapi juga berdasarkan obyektifitasnya.
Bahwa Hipotesis penelitian yang dibuat belum tentu benar setelah diuji
dengan menggunakan data yang ada. Untuk itu peneliti memerlukan Hipotesis
pembanding yang bersifat obyektif dan netral atau secara teknis disebut Hipotesis
nol (H0).
H0 digunakan untuk memberikan keseimbangan pada Hipotesis penelitian
karena peneliti meyakini dalam pengujian nanti benar atau salahnya Hipotesis
penelitian tergantung dari bukti-bukti yang diperolehnya selama melakukan
penelitian.
Cara Perumusannya :
Jika Rumusan masalah anda “adakah hubungan jam produksi
terhadap volume produksi”
• Maka Hipotesis penelitian anda seharusnya “ada hubungan jam
produksi terhadap volume produksi”
• Maka Hipotesis Operasional anda
• Ho: “tidak ada hubungan jam produksi terhadap volume produksi”
• H1: “ada hubungan jam produksi terhadap volume produksi”
• Jika setelah dilakukan pengujian, ternyata
• Ho ditolak, artinya penelitian terbukti secara nyata (empiris)
• Ho diterima, artinya penelitian anda tidak nyata secara empiris

8
1.8 Hipotesis Statistik
Hipotesis statistik merupakan jenis Hipotesis yang dirumuskan dalam
bentuk notasi statistik. Hipotesis statistik hanya digunakan apabila kita mengambil
sampel dari sebuah populasi, diuji menggunakan statistik inferensial, yang mana
tujuannya adalah untuk menguji apakah sampel dapat mewakili populasi ataukah
tidak.
Hipotesis ini dirumuskan berdasarkan pengamatan peneliti terhadap
populasi dalam bentuk angka-angka (kuantitatif).
Cara perumusannya
Dalam contoh ini asumsi kenaikan pemasukan sebesar 30%’, maka
Hipotesisnya berbunyi sebagai berikut:
• H0: P = 0,3
• H1: P 0,3
Hipotesis statistic itu harus diuji, karena harus berbentuk kuantitas untuk
dapat diterima atau ditolak. Hipotesis akan diterima bila hasil pengujian
membenarkan pernytaan dan di tolak apabila terjadi penyangkalan dari
pernyataanya.

9
 BAB II

DISTRIBUSI FREKWENSI

2.1 Statistika Deskriptif

Statistika adalah ilmu pengetahuan yang berhubungan dengan cara-cara

pengumpulan dan penyusunan data, pengolahan data, dan penganalisisan data,
serta penyajian data berdasarkan kumpulan dan analisis data yang dilakukan.
Salah satu ilmu yang mendasari dalam mempelajari statistika adalah peluang atau
probabilitas. Berdasarkan kegiatannya, statistika dikelompokkan menjadi dua
macam, yaitu Statistika deskriptif (statistika deduktif) dan statistika
inferensi(statistika induktif).

Pengertian statistika deskriptif adalah statistika yang meliputi kegiatan-

kegiatan pengumpulan, penyajian, penyederhanaan atau penganalisisan, dan
penentuan ukuran-ukuran khusus dari suatu data tanpa penarikan kesimpulan.
Sedangkan, pengertian statistika inferensial adalah ilmu mengenai penarikan
kesimpulan dan pengambilan keputusan tentang makna statistik yang telah
dihitung.

10
 Pengertian statistik adalah hasil-hasil pengolahan dan analisis data.
Statistik dapat berupa mean, modus, median, dan sebagainya. Statistik dapat
digunakan untuk menyatakan kesimpulan data berbentuk bilangan yang disusun
dalam bentuk tabel atau diagram yang menggambarkan karakteristik data.

2.2 Skala Pengukuran Data

Pengukuran dapat didefinisikan sebagai suatu proses sistematik dalam

menilai dan membedakan sesuatu obyek yang diukur. Dalam mengolah dan
menganalisis data, kita sangat berkepentingan dengan sifat dasar skala
pengukuran yang digunakan. Operasi-operasi matematik serta pilihan peralatan
statistik yang digunakan dalam pengolahan data, pada dasarnya memiliki
persyaratan tertentu dalam hal skala pengukuran datanya. Ketidaksesuaian antara
skala pengukuran dengan operasi matematik/peralatan statistik yang digunakan
akan menghasilkan kesimpulan yang bias dan tidak tepat/relevan. Ada empat tipe
pengukuran atau skala pengukuran yang digunakan, yakni: nominal, ordinal,
interval, dan rasio. Berikut penjelasan lebih lanjut tentang keempat skala
pengukuran tersebut:
2.2.1 Skala nominal
Merupakan skala yang paling lemah/rendah di antara keempat
skala pengukuran. Sesuai dengan nama atau sebutannya, skala nominal
hanya bisa membedakan benda atau peristiwa yang satu dengan yang
lainnya berdasarkan nama (predikat). Sebagai contoh, klasifikasi barang
yang dihasilkan pada suatu proses produksi dengan predikat cacat atau
tidak cacat. Atau, bayi yang baru lahir bisa laki-laki atau perempuan. Tidak
jarang digunakan nomor-nomor yang dipilih sekehendak ahti sebagai
pengganti nama-nama atau sebutan-sebutan, untuk membedakan benda-
benda atau peristiwa-peristiwa berdasarkan beberapa karakteristik. Sebagai
contoh, dapat digunakan nomor 1 untuk menyebut kelompok barang yang
cacat dari suatu proses produksi dan nomor 0 untuk menyebut kelompok
barang yang tidak cacat dari suatu proses produksi. Skala nominal
biasanya juga digunakan bila peneliti berminat terhadap jumlah benda atau

11
peristiwa yang termasuk ke dalam masing-masing kategori nominal. Data
semacam ini sering disebut data hitung (count data)
2.2.2 Skala Ordinal
Skala Ordinal ini lebih tinggi daripada skala nominal, dan sering
juga disebut dengan skala peringkat. Hal ini karena dalam skala ordinal,
lambang-lambang bilangan hasil pengukuran selain menunjukkan
pembedaan juga menunjukkan urutan atau tingkatan obyek yang diukur
menurut karakteristik tertentu. Misalnya tingkat kepuasan seseorang
terhadap produk. Bisa kita beri angka dengan 5=sangat puas, 4=puas,
3=kurang puas, 2=tidak puas dan 1=sangat tidak puas. Atau misalnya
dalam suatu lomba, pemenangnya diberi peringkat 1,2,3 dstnya. Dalam
skala ordinal, tidak seperti skala nominal, ketika kita ingin mengganti
angka-angkanya, harus dilakukan secara berurut dari besar ke kecil atau
dari kecil ke besar. Jadi, tidak boleh kita buat 1=sangat puas, 2=tidak puas,
3=puas dstnya. Yang boleh adalah 1=sangat puas, 2=puas, 3=kurang puas
dan seterusnya.

Selain itu, yang perlu diperhatikan dari karakteristik skala ordinal

adalah meskipun nilainya sudah memiliki batas yang jelas tetapi belum
memiliki jarak (selisih). Kita tidak tahu berapa jarak kepuasan dari tidak
puas ke kurang puas. Dengan kata lain juga, walaupun sangat puas kita
beri angka 5 dan sangat tidak puas kita beri angka 1, kita tidak bisa
mengatakan bahwa kepuasan yang sangat puas lima kali lebih tinggi
dibandingkan yang sangat tidak puas. Sebagaimana halnya pada skala
nominal, pada skala ordinal kita juga tidak dapat menerapkan operasi
matematika standar (aritmatik) seperti pengurangan, penjumlahan,
perkalian, dan lainnya. Peralatan statistik yang sesuai dengan skala ordinal
juga adalah peralatan statistik yang berbasiskan (berdasarkan) jumlah dan
proporsi seperti modus, distribusi frekuensi, Chi Square dan beberapa
peralatan statistik non-parametrik lainnya.

2.2.3 Skala Interval

Skala interval mempunyai karakteristik seperti yang dimiliki oleh
skala nominal dan ordinal dengan ditambah karakteristik lain, yaitu berupa

12
adanya interval yang tetap. Dengan demikian, skala interval sudah
memiliki nilai intrinsik, sudah memiliki jarak, tetapi jarak tersebut belum
merupakan kelipatan.
Pengertian “jarak belum merupakan kelipatan” ini kadang-kadang
diartikan bahwa skala interval tidak memiliki nilai nol mutlak. Misalnya
pada pengukuran suhu. Kalau ada tiga daerah dengan suhu daerah A =
10oC, daerah B = 15 oC dan daerah C=20oC. Kita bisa mengatakan bahwa
selisih suhu daerah B, 5oC lebih panas dibandingkan daerah A, dan selisih
suhu daerah C dengan daerah B adalah 5oC (Ini menunjukkan pengukuran
interval sudah memiliki jarak yang tetap). Tetapi, kita tidak bisa
mengatakan bahwa suhu daerah C dua kali lebih panas dibandingkan
daerah A (artinya tidak bisa jadi kelipatan). Kenapa? Karena dengan
pengukuran yang lain, misalnya dengan Fahrenheit, di daerah A suhunya
adalah 50oF, di daerah B = 59oF dan daerah C=68oF. Artinya, dengan
pengukuran Fahrenheit, daerah C tidak dua kali lebih panas dibandingkan
daerah A, dan ini terjadi karena dalam derajat Fahrenheit titik nolnya pada
32, sedangkan dalam derajat Celcius titik nolnya pada 0. Skala interval ini
sudah benar-benar angka dan, kita sudah dapat menerapkan semua operasi
matematika serta peralatan statistik kecuali yang berdasarkan pada rasio
seperti koefisien variasi.
2.2.4 Skala Rasio
Skala rasio adalah skala data dengan kualitas paling tinggi. Pada
skala rasio, terdapat semua karakteristik skala nominal,ordinal dan skala
interval ditambah dengan sifat adanya nilai nol yang bersifat mutlak. Nilai
nol mutlak ini artinya adalah nilai dasar yang tidak bisa diubah meskipun
menggunakan skala yang lain. Oleh karenanya, pada skala ratio,
pengukuran sudah mempunyai nilai perbandingan/rasio.
Pengukuran-pengukuran dalam skala rasio yang sering digunakan
adalah pengukuran tinggi dan berat. Misalnya berat benda A adalah 30 kg,
sedangkan benda B adalah 60 kg. Maka dapat dikatakan bahwa benda B
dua kali lebih berat dibandingkan benda A.

13
2.3 Distribusi Frekuensi

Distribusi frekuensi adalah daftar nilai data (bisa nilai individual atau
nilai data yang sudah dikelompokkan ke dalam selang interval tertentu) yang
disertai dengan nilai frekuensi yang sesuai.
Pada saat kita dihadapkan pada sekumpulan data yang banyak, seringkali
membantu untuk mengatur dan merangkum data tersebut dengan membuat tabel
yang berisi daftar nilai data yang mungkin berbeda (baik secara individu atau
berdasarkan pengelompokkan) bersama dengan frekuensi yang sesuai, yang
mewakili berapa kali nilai-nilai tersebut terjadi. Daftar sebaran nilai data tersebut
dinamakan dengan Daftar Frekuensi atau Sebaran Frekunsi.
Pengelompokkan data ke dalam beberapa kelas dimaksudkan agar ciri-ciri
penting data tersebut dapat segera terlihat. Daftar frekuensi ini akan memberikan
gambaran yang khas tentang bagaimana keragaman data. Sifat keragaman data
sangat penting untuk diketahui, karena dalam pengujian-pengujian statistik
selanjutnya kita harus selalu memperhatikan sifat dari keragaman data. Tanpa
memperhatikan sifat keragaman data, penarikan suatu kesimpulan pada umumnya.
Contoh : perhatikan contoh data pada Tabel 1. Tabel tersebut adalah daftar nilai
ujian Matakuliah Statistik dari 80 Mahasiswa tidaklah sah.ensi (Distribusi
Frekuensi).
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
63 60 83 82 60 67 89 63
76 63 88 70 66 88 79 75

Sangatlah sulit untuk menarik suatu kesimpulan dari daftar data tersebut.
Secara sepintas, kita belum bisa menentukan berapa nilai ujian terkecil atau
terbesar. Demikian pula, kita belum bisa mengetahui dengan tepat, berapa nilai

14
ujian yang paling banyak atau berapa banyak mahasiswa yang mendapatkan nilai
tertentu. Dengan demikian, kita harus mengolah data tersebut terlebih dulu agar
dapat memberikan gambaran atau keterangan yang lebih baik.

Kelas ke- Nilai Ujian Frekuensi fi

1 31 – 40 2
2 41 – 50 3
3 51 – 60 5
4 61 – 70 13
5 71 – 80 24

6 81 – 90 21

7 91 – 100 12

Jumlah 80
Dari daftar tersebut, kita bisa mengetahui bahwa mahasiswa yang
mengikuti ujian ada 80, selang kelas nilai yang paling banyak diperoleh oleh
mahasiswa adalah sekitar 71 sampai 80, yaitu ada 24 orang, dan seterusnya.
Hanya saja perlu diingat bahwa dengan cara ini kita bisa kehilangan identitas dari
data aslinya. Sebagai contoh, kita bisa mengetahui bahwa ada 2 orang yang
mendapatkan nilai antara 31 sampai 40. Meskipun demikian, kita tidak akan tahu
dengan persis, berapa nilai sebenarnya dari 2 orang mahasiswa tersebut, apakah
31 apakah 32 atau 36 dst.

Ada beberapa istilah yang harus dipahami terlebih dahulu dalam menyusun daftar
frekuensi.

Selang Nilai Kelas Frekuensi

Kelas ke- Batas Kelas
Nilai Ujian (xi) (fi)
2 31 – 40 30.5 – 40.5 35.5 2

15
2 41 – 50 40.5 – 50.5 45.5 3
3 51 – 60 50.5 – 60.5 55.5 5
4 61 – 70 60.5 – 70.5 65.5 13
5 71 – 80 70.5 – 80.5 75.5 24
6 81 – 90 80.5 – 90.5 85.5 21
7 91 – 100 90.5 – 100.5 95.5 12
Jumlah 80
 Range :
Selisih antara nilai tertinggi dan terendah( R). R=Xmaks-Xmin, Range = 99 –
35 = 64
 Batas bawah kelas:
Nilai terkecil yang berada pada setiap kelas. batas bawah kelasnya adalah 31,
41, 51, 61, …, 91)
 Batas atas kelas:
Nilai terbesar yang berada pada setiap kelas. batas bawah kelasnya adalah 40,
50, 60, …, 100)
 Batas kelas (Class boundary):
Nilai yang digunakan untuk memisahkan antar kelas, tapi tanpa adanya jarak
antara batas atas kelas dengan batas bawah kelas berikutnya. Contoh: Pada
kelas ke-1, batas kelas terkecilnya yaitu 30.5 dan terbesar 40.5. Pada kelas ke-
2, batas kelasnya yaitu 40.5 dan 50.5. Nilai pada batas atas kelas ke-1 (40.5)
sama dengan dan merupakan nilai batas bawah bagi kelas ke-2 (40.5). Batas
kelas selalu dinyatakan dengan jumlah digit satu desimal lebih banyak daripada
data pengamatan asalnya. Hal ini dilakukan untuk menjamin tidak ada nilai
pengamatan yang jatuh tepat pada batas kelasnya, sehingga menghindarkan
keraguan pada kelas mana data tersebut harus ditempatkan.
Contoh: bila batas kelas di buat seperti ini:
Kelas ke-1 : 30 – 40
Kelas ke-2 : 40 – 50 dst.

16
 Apabila ada nilai ujian dengan angka 40, apakah harus ditempatkan pada kelas-
1 ataukah kelas ke-2?

 Panjang/lebar kelas (selang kelas): Selisih antara dua nilai batas bawahkelas
yang berurutan atau selisih antara dua nilai batas atas kelas yang berurutan atau
selisih antara nilai terbesar dan terkecil batas kelas bagi kelas yang
bersangkutan. Biasanya lebar kelas tersebut memiliki lebar yang sama.

Contoh:
lebar kelas = 41 – 31 = 10 (selisih antara 2 batas bawah kelas yang
berurutan) atau
lebar kelas = 50 – 40 = 10 (selisih antara 2 batas atas kelas yang berurutan)
atau
lebar kelas = 40.5 – 30.5 = 10. (selisih antara nilai terbesar dan terkecil
batas kelas pada kelas ke-1)

Nilai tengah kelas: Nilai kelas merupakan nilai tengah dari kelas yang
bersangkutan yang diperoleh dengan formula berikut: ½ (batas atas kelas+batas
bawah kelas). Nilai ini yang dijadikan pewakil dari selang kelas tertentu untuk
perhitungan analisis statistik selanjutnya. Contoh: Nilai kelas ke-1 adalah
½(31+40) = 35.5
Banyak kelas: Sudah jelas! Pada tabel ada 7 kelas.
Frekuensi kelas: Banyaknya kejadian (nilai) yang muncul pada selang kelas
tertentu. Contoh, pada kelas ke-1, frekuensinya = 2. Nilai frekuensi = 2 karena
pada selang antara 30.5 – 40.5, hanya ada 2 angka yang muncul, yaitu nilai ujian
31 dan 38.

2.4 Teknik pembuatan Tabel Distribusi Frekuensi (TDF)

Distribusi frekuensi dibuat dengan alasan berikut:

 kumpulan data yang besar dapat diringkas

17
  kita dapat memperoleh beberapa gambaran mengenai karakteristik data,
dan
 merupakan dasar dalam pembuatan grafik penting (seperti histogram).
Banyak software (teknologi komputasi ) yang bisa digunakan untuk membuat
tabel distribusi frekuensi secara otomatis. Meskipun demikian, di sini tetap akan
diuraikan mengenai prosedur dasar dalam membuat tabel distribusi frekuensi.

Langkah-langkah dalam menyusun tabel distribusi frekuensi:

 Urutkan data, biasanya diurutkan dari nilai yang paling kecil
o Tujuannya agar range data diketahui dan mempermudah
penghitungan frekuensi tiap kelas!

 Tentukan range (rentang atau jangkauan)

o Range = nilai maksimum – nilai minimum

 Tentukan banyak kelas yang diinginkan. Jangan terlalu banyak/sedikit,

berkisar antara 5 dan 20, tergantung dari banyak dan sebaran datanya.

o Aturan Sturges:

o Banyak kelas = 1 + 3.3 log n, dimana n = banyaknya data

 Tentukan panjang/lebar kelas interval (p)

o Panjang kelas (p) = [rentang]/[banyak kelas]

 Tentukan nilai ujung bawah kelas interval pertama

2.5 Distribusi Frekuensi Relatif dan Kumulatif

Variasi penting dari distribusi frekuensi dasar adalah dengan menggunakan

nilai frekuensi relatifnya, yang disusun dengan membagi frekuensi setiap kelas
dengan total dari semua frekuensi (banyaknya data). Sebuah distribusi frekuensi
relatif mencakup batas-batas kelas yang sama seperti TDF, tetapi frekuensi yang
digunakan bukan frekuensi aktual melainkan frekuensi relatif. Frekuensi relatif
kadang-kadang dinyatakan sebagai persen.

18
Frekuensi relatif =

Contoh: frekuensi relatif kelas ke-1:

fi = 2; n = 80

Frekuensi relatif = 2/80 x 100% = 2.5%

Kelas ke- Nilai Ujian Frekuensi relatif (%)

1 31 – 40 2.50
2 41 – 50 3.75
3 51 – 60 6.25
4 61 – 70 16.25
5 71 – 80 30.00
6 81 – 90 26.25
7 91 – 100 15.00
Jumlah 100.00

2.6 Distribusi Frekuensi kumulatif

Variasi lain dari distribusi frekuensi standar adalah frekuensi kumulatif.

Frekuensi kumulatif untuk suatu kelas adalah nilai frekuensi untuk kelas tersebut
ditambah dengan jumlah frekuensi semua kelas sebelumnya.
Perhatikan bahwa kolom frekuensi selain label headernya diganti dengan
frekuensi kumulatif kurang dari, batas-batas kelas diganti dengan “kurang dari”
ekspresi yang menggambarkan kisaran nilai-nilai bar

Frekuensi kumulatif kurang dari

NILAI UJIAN
kurang dari 30.5 0
kurang dari 40.5 2

19
kurang dari 50.5 5
kurang dari 60.5 10
kurang dari 70.5 23
kurang dari 80.5 47
kurang dari 90.5 68
kurang dari 100.5 80

2.7 Histogram

Histogram adalah merupakan bagian dari grafik batang di mana skala

horisontal mewakili nilai-nilai data kelas dan skala vertikal mewakili nilai
frekuensinya. Tinggi batang sesuai dengan nilai frekuensinya, dan batang satu
dengan lainnya saling berdempetan, tidak ada jarak/ gap diantara batang. Kita
dapat membuat histogram setelah tabel distribusi frekuensi data pengamatan
dibuat.

2.8 Poligon Frekuensi:

Poligon Frekuensi menggunakan segmen garis yang terhubung ke titik

yang terletak tepat di atas nilai-nilai titik tengah kelas. Ketinggian dari titik-titik
sesuai dengan frekuensi kelas, dan segmen garis diperluas ke kanan dan kiri
sehingga grafik dimulai dan berakhir pada sumbu horisontal.

20
2.9 Ogive

Ogive adalah grafik garis yang menggambarkan frekuensi kumulatif,

seperti daftar distribusi frekuensi kumulatif. Perhatikan bahwa batas-batas kelas
dihubungkan oleh segmen garis yang dimulai dari batas bawah kelas pertama dan
berakhir pada batas atas dari kelas terakhir. Ogive berguna untuk menentukan
jumlah nilai di bawah nilai tertentu. Sebagai contoh, pada gambar berikut
menunjukkan bahwa 68 mahasiswa mendapatkan nilai kurang dari 90.5.

21
2.10 Mean Median dan Modus Data Tunggal dan Data Kelompok
Ukuran pemusatan data meliputi: Mean(rata-rata), Median (nilai tengah),
Modus (nilai yang sering muncul). Dalam pembahasan ini diberikan rumus dan
contoh untuk mean data tunggal dan mean data kelompok, median data tunggal
dan median data kelompok, serta modus data tunggal dan modus data kelompok.
2.10.1 Pengukuran gejala pusat (central tendenscy)
Setiap penelitian selalu berkenaan dengan sekelompok data. Yang
dimaksud kelompok disini adalah, satu orang mempunyai sekelompok
data, atau sekelompok di murid kelas dengan suatu nilai mata kuliah.
Gabungan keduanya misalnya sekelompok, mahasiswa di kelas
dengan berbagai nilai mata kuliah.
Dalam menjelaskan suatu data (kuantitatif), Penjelasan Data
Kuantitatif Silahkan baca disini : Macam-Macam Data Penelitian Dapat
menggunakan berbagai macam, seperti tabel, gambar, diagram, selain itu
juga dapat menggunakan teknik statistika, yaitu ; Mean (Rata-Rata),
Median (Nilai Tengah), Modus (Nilai Sering Muncul).
Adapun mengenai pembahasan ketiga teknik statistik tersebut di bawah
ini.

2.10.2 Mean (Rata-Rata)

Mean merupakan rata-rata dari sekumpulan data. Rata-rata atau
mean dapat dicari dengan menjumlahkan seluruh data dan membaginya
dengan banyaknya data tersebut.
Contoh :
a. Data tunggal
Apabila data dalam bentuk tunggal, seperti :
6, 7, 8, 9, 6 ,7, 8, 9, 7, 8,
Maka rata-rata (mean) dapat dicari dengan cara :
6 + 7 + 8 + 9 + 6 + 7 + 8 + 9 +7 + 8
= 75/10

22
 = 7,5
Itulah cara mencari rata-rata untuk data tunggal
Sedangkan untuk data yang berbentuk kelompok rata-rata atau mean
capat dicari menggunakan rumus :

Keterangan :
Fi = Frekuensi Kelas
Xi = Nilai tengah kelas
Sebenarnya data kelompok berasal dari data tunggal yang banyak
frekuensinya. Namun, apabila disajikan dalam bentuk tunggal maka akan
membingungkan bagi yang menulis dan membaca. Maka dibuatlah data
dalam bentuk kelompok.
Disarankan baca : Cara Menyusun Tabel Distribusi Frekuensi atau
Kelompok
Dalam kasus ini sudah berbentuk data kelompok untuk contoh data
kelompok mean, median, maupun modus.

b. Data Kelompok
Data nilai statistika 32 mahasiswa

Kelas Interval Fi Xi fi . xi
52 – 58 2 55 110
59 – 65 2 62 124
66 – 72 11 69 759
73 – 79 9 76 684
80 – 86 6 83 498
87 – 93 2 90 180
Jumlah 32 2355

23
 2.10.3 Median
Median merupakan data yang berada paling tengah. Untuk mencari
median dari sekumpulan data dapat dicari dengan cara mengurutkan
terlebih data tersebut dari yang terkecil sampai terbesar atau sebaliknya.
Contoh;
Apabila data dalam bentuk tunggal, seperti :
6, 7, 8, 9, 6 ,7, 8, 9, 7, 8, 6,
Maka untuk mencari median terlebih dahulu data diurutkan dari yang
terkecil ke terbesar atau sebaliknya.
Misalkan dalam kasus ini kita urutkan dari yang terkecil ke terbesar
6, 6, 6, 7, 7, 7, 8, 8, 8, 9, 9
Maka median dari data tersebut yaitu 7
Karena 7 merupakan bilangan yang paling tengah diantara bilangan yang
lainnya.
Sedangkan untuk data berkelompok dapat dicari dengan cara berikut

Keterangan :
Me = Median
b = Batas bawah kelas median (kelas bawah-0,5)
n = Banyak data/jumlah sampel
p = Panjang kelas interval
F = Jumlah semua frekuensi sebelum frekuensi kelas median
f = Frekuensi kelas median

24
Contoh
Data nilai statistika 32 mahasiswa
Kelas Interval Fi
52 – 58 2
59 – 65 2
66 – 72 11
73 – 79 9
80 – 86 6
87 – 93 2
Jumlah 32
Adapun untuk mencari nilai dari median terlebih dahulu mencari kelas
median tersebut.
Kelas median = ½ n = 32/2 = 16
Jadi kelas median terletak pada interval ke-4
Setelah mendapatkan kelas median selanjutnya dapat mencarinya dengan
menggunakan rumus di atas.

2.10.4 Modus
Modus adalah nilai yang mempunyai frekuensi pemunculan
paling banyak atau dengan kata lain yaitu nilai yang paling banyak
muncul. Konsep dari modus ini berhubungan dengan kemunculan yang
berulang – ulang dari suatu nilai . Jika semua data mempunyai frekuensi

25
yang sama berarti data-data tersebut tidak memiliki modus, tetapi jika
terdapat 2 data yang mempunyai frekuensi tersebut maka data-data
tersebut memiliki 2 modus dan seterusnya.

Dalam kegiatan sehari – hari, modus adalah ukuran nilai tengah

yang paling jarang digunakan dibanding rata – rata atau median . modus
mungkin lebih sering digunakan pada data yang mempunyai banyak
variasi dalam ukurannya, itupun untuk jumlah data yang besar. Modus
dialmbangkan dengan Mo .

1. Modus untuk Data Tunggal

Menentukan modus data tunggal suatu data dapat dilakukan
dengan cara mengurutkan data tersebut, kemudian menyelidiki dan
mengidentifikasi data yang muncul paling banyak. Nilai data yang muncul
paling banyak itulah yang menjadi modus dari suatu data. Suatu distribusi
atau kelompok data mungkin tidak mempunyai modus lebih dari satu.
Distribusi yang mempunyai satu modus disebut Unimodus, yang
mempunyai dua modus disebut Bimodus dan yang mempunyai modus
lebih dari dua disebut Multimodus.

Perhatikan contoh berikut :

1. Tentukan modus dari data : 2,5,4,6,2,3,2,6,7,4,5,8,9,2,4,2,7,10,dan 1.

jawab :
Data diurutkan : 1,2,2,2,2,2,3,4,4,4,5,5,6,6,7,7,8,9,10.
Nilai muncul paling banyak , yaitu 2 sebanyak 5 kali.
Jadi, modusnya adalah 2.
2. Tentukan modus dari data dibawah ini , jika ada tentukan nilainya.
a) 2, 3, 5, 7, 8.
b) 2, 5, 7, 9, 9, 10, 10, 11, 12.
c) 2, 3, 4, 4, 4, 5, 5, 7, 7, 7, 9.

Solusi :
 Data a) tidak mempunyai modus karena semua nilai mempunyai
frekuensi sama.
 Data b) mempunyai modus = 9, karena nilai observasi ini mempunyai
frekuensi paling banyak.

26
  Data c) mempunyai dua modus yaitu 4 dan 7, dua nilai observasi
tersebut mempunyai frekuensi paling banyak dan sama banyak.
2. Modus untuk Data Berkelompok
Modus data berkelompok bisa ditentukan berdasarkan nilai tengah
kelas interval yang memiliki frekuensi terbanyak. Namun nilai yang
dihasilkan dari nilai tengah kelas interval ini adalah nilai yang kasar. Nilai
modus yang lebih halus bisa diperoleh dengan menggunakan rumus di
bawah ini.

Mo = Tb + p
Keterangan :
 Mo = Modus
 Tb = Tepi bawah kelas modus
 P = panjang kelas modus
 D = selisih frekuensi kelas modus dengan kelas sebelumnya
 D = selisih frekuensi kelas modus dengan kelas selanjutnya
Kelas modus adalah kelas dimana tedapat nilai modus di dalamnya.
Contoh :
1. Tentukan modus dari data berikut :

Data Frekuensi
11-20 5
21-30 3
31-40 8
41-50 7
51-60 9
61-70 4
Jumlah 36

Jawab :

Karena kelas dengan frekuensi terbanyak diantara kelas 51-60 ; maka

Tb = 51-0,5 = 50,5
p = 10
d1= 9 – 7 = 2
d2= 9 – 4 = 5
Penyelasaian :

Mo = Tb + p

27
 = 50,5 + 10
=50,5 + 2,86
= 53,36

2.11 Deviasi

Deviasi rata – rata adalah rata-rata penyimpanan data-data dari rata-rata

( mean-nya ) . Di dalam menghitung deviasi rata-rata harus kita cari rata-rata dari
harga mutlak. Harga mutlak adalah nilai dengan tidak memandang positif atau
negatif, semuanya dianggap positif. Harga mutlak dari X biasanya ditulis dengan
ǀXǀ .
1. Deviasi untuk data tunggal

SR =
Keterangan :
SR = Simpangan rata-rata
Ʃ = Lambang penjumlahan
X = Nilai setiap data pengamatan
X = Nilai rata-rata hitung
n = Jumlah data dalam sampel/populasi

Contoh: :
1. Simpangan rata – rata dari data 2, 5, 8, 9, 11 adalah....
Penyelesaian :
Hitung terlebih dahulu rata – rata :

X = =7

Menghitung simpangan rata –rata data tunggal :

SR =

SR =

28
SR =

SR = 2,8

2. Deviasi untuk Data Kelompok

SR =

Keterangan :

f = Jumlah Frekuensi tiap kelas

Contoh :

Tentukan nilai rata – rata dan simpangan rata – rata dari data tersebut !

Interval kelas X f

9-21 15 3 50,92 152,76

22-34 28 4 37,92 151,68

35-47 41 4 24,92 99,68

48-60 54 8 11,92 95,36

61-73 67 12 1,08 12,96

74-86 80 23 14,08 323,84

87-99 93 6 27,08 162,48

Ʃf = 60 998,76

29
 X= = = 65,92

 SR = = 16,646

30
 BAB III

TEORI PROBABILITAS

3.1 Probabilitas
Probabilitas adalah suatu nilai yang digunakan untuk mengukur tingkat
terjadinya suatu kejadian yang acak. Kata probabilitas itu sendiri sering disebut
dengan peluang atau kemungkinan. Probabilitas secara umum merupakan peluang
bahwa sesuatu akan terjadi.
Konsep probabilitas memiliki peranan yang penting dalam kehidupan sehari-
hari, mulai dari bidang ilmiah, bidang pemerintahan, bidang usaha atau industri,
sampai pada masalah-masalah kecil seperti masuk kantor atau tidak karena awan
tebal yang kemungkinan akan hujan deras dan banjir. Konsep probabilitas terdiri
dari peluang, kombinasi, dan permutasi.

3.1.1 Peluang

Probabilitas atau peluang adalah harga perbandingan jumlah kejadian (A)

yang mungkin dapat terjadi terhadap (N) jumlah keseluruhan kejadian
yang mungkin terjadi dalam sebuah peristiwa. yang dapat di rumuskan :

P(A) =
Keterangan :
P(A) : Peluang Kejadian A
n(A) :Banyaknya kejadian yang diharapkan
n(S :Banyaknya kejadian yang mungkin muncul.

Contoh soal :
1. Dalam sebuah kantong terdapat 3 Bola Biru dan 4 Bola Merah.
Jika sebuah bola akan diambil secara acak, maka peluang terambilnya
bola merah adalah……
Penyelesaian :
Diket : n(Merah) = 4
n(S) = 4 +3 = 7
Ditanya : P = ????

31
 Jawab :

P=

P=
Jadi Peluang terambilnya Bola merah adalah 4 : 7

2. Peluang muncul muka dadu nomor 5 dari pelemparan sebuah dadu satu
kali adalah ...
Penyelesaian :
Diket : n(5) = 1
n(S) = 6 → yaitu: 1, 2, 3, 4, 5, 6
Ditanya :P=????
Jawab :

P(5) =

3.1.2 Kombinasi

Kombinasi adalah kumpulan sebagian atau seluruh objek tanpa

memperhatikan urutannya.

nCr =

C = Kombinasi
N = Banyaknya objek
R = Jumlah banyaknya objek yang diminta.

Contoh soal.
Banyaknya cara seorang mahasiswa untuk memilih tiga buah buku dari
suatu rak yang berisi 8 buah buku adalah……

32
Penyelesaian :
Diket : r = 3
n=8
Dit : C =?????
Jawab :

C =

C=

= 56 cara

3.1.3 Permutasi

Permutasi adalah adalah kumpulan sebagian atau seluruh objek tanpa

memperhatikan urutannya.

nPr =

P = Permutasi
N = Banyaknya objek
R =Jumlah banyaknya objek yang diminta.

Contoh soal.
Terdapat 6 kotak puzzle milik adik yang tercecer di lantai. Jika kakak
mengambil 3 buah kotak dan menyusunnya secara berurutan di rak, ada
berapakah permutasinya?
Penyelesaian :
Diket : n = 6

33
 r=3
Dit : P =?????
Jawab :

P=

P=

P=

P=

P = 120 Cara

3.1.4 Permutasi Siklis

Permutasi siklis adalah permutasi yang disusun melingkar. Misalnya A, B,

dan C disusun melingkar.

Jika kita pandang urutan itu searah jarum jam maka susunan ABC, CAB,
dan BCA adalah sama. Sehingga banyaknya permutasi siklis dari 3 objek
adalah 3!/3 = (3 × 2!)/3 = 2! = 2. Jadi, akan dihasilkan 2 susunan yang
berbeda secara siklis dari huruf-huruf A, B, dan C, yaitu ABC dan ACB.
Andaikan sekarang kita mempunyai 4 objek yang akan disusun secara
siklis.

34
Keempat gambar di atas menunjukkan permutasi yang sama. Sehingga
banyaknya permutasi siklis dari 4 objek adalah 4!/4 = (4 × 3!)/4 = 3! = 6.
Jadi, akan dihasilkan 6 susunan yang berbeda secara siklis dari huruf-huruf
A, B, C, dan D. Apa yang dapat disimpulkan dari kedua contoh di atas?

Banyaknya permutasi siklis dari n objek dapat dinyatakan dengan (n – 1)!

Contoh soal.
Dalam sebuah keluarga yang terdiri dari seorang ayah, seorang ibu, dan 3
orang anaknya makan bersama dan mengelilingi sebuah meja makan.
Berapa banyaknya cara yang berlainan saat mereka dapat duduk, jika:

1. mereka berpindah-pindah tempat;

2. ayah dan ibu selalu berdekatan?

Pembahasan Contoh Soal

1. Banyaknya anggota keluarga adalah 5 orang (seorang ayah, seorang
ibu, dan 3 orang anak). Sehingga, banyaknya cara yang berlainan saat
mereka duduk berpindah-pindah tempat adalah (5 – 1)! = 4! = 24 cara.
2. Perhatikan gambar berikut.

35
Ayah dan ibu selalu berdampingan, sehingga pasangan ini dapat kita
anggap satu. Sehingga terdapat 4 objek yang akan disusun secara siklis.
Akan tetapi pasangan ayah dan ibu dapat disusun kembali menjadi 2P2
cara. Sehingga banyaknya susunan agar ayah dan ibu selalu berdekatan
adalah (4 – 1)! × 2P2 = 3! × 2! = 12 cara.

3.1.5 Ruang Sampel

Ruang sampel adalah suatu kelompok universal bagi semua hasil

actual ataupun konseptual yang mungkin terjadi atau muncul pada suatu
percobaan. Dengan kata lain Kumpulan (himpunan) dari semua hasil yang
mungkin muncul atau terjadi pada suatu percobaan statistic. Ruang sampel
juga bisa disebut sebagai humpunan semesta dari suatu percobaan. Ruang
sampel dinotasikan dengan “S”.
Ruang sampel memiliki anggota yang disebut sebagai titik sampel.
Titik sampel adalah kejadian-kejadian yang akan/mungkin muncul dari
sebuah percobaan. Banyaknya anggota dari ruang sampel atau banyaknya
titik sampel dari suatu percobaan dinotasikan dengan “n(S)”.
Ruang sampel dapat disajian dengan beberapa cara:
a. Diagram pohon

36
 Penyajian dengan cara diagram pohon dengan cara menghubungkan
sub-sub (bagian-bagian) dalam suatu percobaan menjadi rangkaian
yang saling terhubung dan menggambarkan kombinasi antara bagian-
bagian tersebut menjadi titik-titik sample.

Pelemparan 3 buah koin

Seperti contoh pada pelembaran 3 buah koin. Bagian-bagian

kemungkinan yang akan muncul pada koin saling dihubungkan
sehingga diperoleh ruang sampel yaitu S = {AAA, AAG, AGA, AGG,
GAA, GAG, GGA, GGG}. Dengan n(S) = 8.
b. Tabel
Penyajian ruang sampel dalam bentuk tabel dengan cara menyusun
sub-sub bagian dari suatu percobaan ke arah mendatar dan menurun
secara berurutan untuk memudahkan penyajian. Kemudian sub-sub
mendatar dan menurun saling dipertemukan sehingga diperoleh titik-
titik sampel.

Seperti contoh pelemparan dua buah dadu. Mata dadu pertama disusun
ke arah menurun dan mata dadu kedua disusun mendatar. Sehingga
diperoleh ruang sampel S = {(1, 1), (1, 2), (1, 3),…. (6, 6)} dengan
n(S) = 36.
Misalkan bila pada pelemparan 2 buah dadu, yang muncul adalah
muka {2,2}, hasil yang muncul ini dinamakan kejadian munculnya

37
muka {2,2}, maka dinyatakan dalam suatu himpunan A = {2,2}. Akan
tetapi bila yang muncul muka {3,3} maka A = {3,3}. Kumpulan
(himpunan) dari hasil yang muncul atau terjadi pada percobaan
statistic disebut kejadian atau peristiwa yang dilambangkan dengan

himpunan A. Begitu juga anggota dari A disebut titik sampel.

Hubungan antara kejadian A dengan ruang sampel S digambarkan
sebagai berikut :
Keterkaitan antara kejadian A dan ruang sampel S pada konsep
probabilitas dengan himpunan bagian A dan himpunan semesta S pada
teori himpunan yaitu :
Konsep Probabilitas Teori Himpunan
Ruang Sampel S ←→ Himpunan Semesta S
Kejadian A ←→ Himpunan bagian A
Titik Sampel ←→ Anggota Himpunan

Bila kejadian A terjadi dalam m cara pada ruang sampel S yang tterjadi
dalam n cara, maka probabilitas kejadian A adalah :

P(A) =

n(A) = banyaknya anggota A

n(S) = banyaknya anggota S

Contoh soal
1. Pada peristiwa melempar dua buah dadu, merah dan hitam,
masing- masing bermata 1 sampai 6 secara bersama-sama
sebanyak satu kali. Berapakah nilai peluang kejadiankejadian :
a. muncul mata 4 pada dadu merah atau mata ganjil pada dadu hitam
b. muncul mata dadu merah kurang dari 3 dan mata dadu hitam lebih
dari 4.
Penyelesaian:

38
 a. Kejadian muncul mata 4 dadu merah atau mata ganjil dadu hitam
ada sebanyak 21 kemungkinan pasangan, maka peluangnya
adalah :

b. kejadian muncul mata dadu merah kurang dari 3 dan mata dadu
hitam lebih dari 4 ada sebanyak 4 kejadian, yaitu (1,5), (2,5), (1,6)
dan (2,6), maka nilai peluangnya adalah :

3.2 Komplemen Kejadian

Nilai suatu peluang antara 0 sampaidengan 1 → 0 ≤ P(A) ≤ 1. Jika:

39
  P(A) = 0 → kejadian yang tidak mungkin terjadi
 P(A) = 1 → kejadian yang pasti terjadi
 P(A’) = 1 – P(A)

Kejadian bukan A dari himpunan S ditulis dengan simbol A’ (atau Ac)

disebut komplemen dari A.
Jika A mempunyai a elemen, dan S mempunyai n elemen maka A’
mempunyai n-a elemen. Maka P(A’) adalah peluang tida terjadinya A.

P(A’) =

=1

=1 P(A)

Contoh soal:

1. Peluang ali berhasil menembak mengenai sasaran adalah 0,6.

maka peluang ali gagal mengenai sasaran adalah?
Pembahasan
P(A’) = 1 – P(A)
= 1 – 0,6 = 0,4
2. Sebuah dadu berisi enam dilempar sekali. Berapa peluang
kejadian munculnya mata dadu bukan angka 2?
Pembahasan :

Misalkan A adalah kejadian munculnya mata dadu bukan angka 2

maka:

40
 P(A’) = 1 – P(A)

P(A’) = 1

P(A’) = 1

P(A’) =

3.3 Kejadian Saling Lepas dan Tidak Saling Lepas

Kejadian disebut saling lepas jika dua kejadian tersebut tidak mungkin
terjadi bersama.

Contoh:
Sebuah dadu di lempar satu kali, carilah peluang munculmata dadu
ganjil atau genap!
Jawab.

S
Genap Ganjil

Misalkan P(A) = P(genap) dan P(B) = P (Ganjil)

41
 1

Kejadian disebut tidak saling lepas jika dua kejadian dapat terjadi
bersamaan.

Contoh:
Sebuah mata dadu dilempar satu kali, carilah peluang muncul mata
dadu genap atai prima!

S
Genap Prima

Misalkan P(A) = P(genap) dan P(B) = P (Prima)

42
43
 BAB IV

TEORI PROBABILITAS

4.1 Kejadian Saling Bebas

Dua kejadian dikatakan saling bebas (Independen) apabila peluang kejadian
pertama tidak dipengaruhi oleh kejadian kedua, dan sebaliknya peluang kejadian
kedua juga tidak dipengaruhi oleh kejadian pertama. Jika A dan B adalah dua
kejadian dalam suatu percobaan, maka A dan B saling bebas apabila P(A ∩ B) =
P(A) × P(B).
Contoh kejadian sehari hari:
 Ketika melempar koin dua kali, hasil dari lemparan pertama tidak

mempengaruhi hasil dari lemparan kedua.

 Ketika mengambil dua kartu dari satu set kartu permainan (52 kartu),
kejadian 'mendapatkan raja (K)' pada kartu pertama dan kejadian
'mendapatkan kartu hitam' pada kartu kedua adalah tidak saling bebas.
Peluang pada kartu kedua berubah setelah kartu yang pertama diambil.
Kedua kejadian di atas akan menjadi saling bebas jika setelah mengambil
kartu yang pertama, kartu tersebut dikembalikan ke set semula (sehingga
set kartu itu lengkap kembali, 52 kartu).
Untuk dua kejadian saling bebas, AA dan BB, peluang untuk keduanya
terjadi, P(A∩B), adalah hasil perkalian antara peluang dari masing-masing
kejadian. ∩ adalah simbol matematika untuk "dan" atau "irisan".

P(A∩B)=P(A) × P(B)
 Contoh Soal Kejadian Saling Bebas
1. Pada sebuah kotak terdapat 12 bola, 5 bola berwarna ungu dan sisanya
berwarna hijau. Jika diambil satu bola dan dilakukan pengembalian ke
dalam kotak, kemudian diambil lagi bola untuk kedua kalinya. Berapa
peluang terambil kedua bola berwarna hijau?
Jawab :
A = terambilnya bola hijau pada pengambilan pertama P(A) = 7/12
B = terambilnya bola hijau pada pengambilan kedua P(B) = 7/12
Karena pengambilan bola pertama tidak berpengaruh pada pengambilan
bola kedua maka kejadian ini merupakan kejadian saling lepas.

P(A∩B) = P(A) × P(B)

= 7/12 x 7/12 =49/144

44
2. Dari satu set kartu bridge tanpa Joker, diambil secara acak 1 buah
kartu. Berapa peluang terambilnya kartu bergambar diamond atau
kartu bergambar hati?
Jawab:
Misalkan A = kejadian terambil kartu bergambar diamond dan B =
kejadian terambil kartu bergambar hati. Dalam hal ini, ruang
sampelnya adalah S = {2♠, 3♠, 4♠, 5♠, 6♠, 7♠, 8♠, 9♠, 10♠, J♠, Q♠, K♠,
A♠, 2♣, 3♣, 4♣, 5♣, 6♣, 7♣, 8♣, 9♣, 10♣, J♣, Q♣, K♣, A♣, 2♥, 3♥,
4♥, 5♥, 6♥, 7♥, 8♥, 9♥, 10♥, J♥, Q♥, K♥, A♥, 2♦, 3♦, 4♦, 5♦, 6♦, 7♦,
8♦, 9♦, 10♦, J♦, Q♦, K♦, A♦}.
A = {2♦, 3♦, 4♦, 5♦, 6♦, 7♦, 8♦, 9♦, 10♦, J♦, Q♦, K♦, A♦}
B = {2♥, 3♥, 4♥, 5♥, 6♥, 7♥, 8♥, 9♥, 10♥, J♥, Q♥, K♥}.
Selanjutnya, A ∩ B = { } (himpunan kosong)

P (A) = =

P (B) = =

P(A B) =

Dengan rumus (*), diperoleh:

P(A B) =

Jadi, peluang terambilnya kartu bergambar diamond atau kartu

bergambar hati adalah 0,5.
Pada Contoh 3, P(A∩B) = 0. Jadi, pada pengambilan satu buah kartu
secara acak dari satu set kartu bridge tersebut, tidak mungkin terambil
kartu diamond dan kartu hati secara bersamaan. Ini merupakan contoh
kejadian-kejadian yang saling lepas.

45
4.2 Peluang Bersyarat
Peluang bersyarat adalah peluang terjadinya kejadian A bila diketahui
bahwa suatu kejadian B telah terjadi. Peluang bersyarat dilambangkan dengan
P(A│B). P(A│B) dibaca “peluang terjadinya A bila B telah terjadi” atau “peluang

A, bila diketahui”.
Misalkan:
Ruang contoh berpeluang sama dari percobaan melempar sebuah dadu bersisi
6, maka S={1,2,3,4,5,6}. Dan terdapat dua kejadian, yaitu B adalah kejadian
muncul sisi kurang dari 6, maka B ={1,2,3,4,5}; dan A adalah kejadian
munculnya sisi genap, maka A ={2,4,6}.
Berdasarkan hal ini, maka: P(B) =5/6, dan P(A) =3/6=1/2.
Jika dua kejadian A dan B dilakukan berurutan, yaitu B terjadi terlebih
dahulu,kemudian menyusul A, maka A = {2,4,6}. Peluang kejadian A setelah
kejadian B (A given B), atau dituliskan sebagai P(A │ B) =3/5.
Adapun sifat-sifat peluang bersyarat, antara lain:
1)
2)

3)
Dengan rumus umum:

 Contoh Soal Peluang Bersyarat

1) Sebuah penerbangan reguler berangkat tepat pada waktunya adalah P(B)
= 0,83. Peluang penerbangan itu mendarat tepat pada waktunya adalah P
(A) = 0,92 dan peluang penerbangan itu berangkat dan mendarat tepat
pada waktunya adalah P(AB) = 0,78.
Hitung peluang suatu pesawat pada penerbangan tersebut :
a) Mendarat pada waktunya jika diketahui bahwa pesawat itu berangkat
tepat pada waktunya
b) Berangkat pada waktunya jika diketahui bahwa pesawat tersebut
mendarat tepat waktu.
Penyelesaian:
a) Peluang pesawat mendarat tepat waktu bila diketahui pesawat tersebut
berangkat tepat waktu adalah :

46
 P =

= 0.94
b) Peluang pesawat berangkat tepat waktu bila diketahui pesawat tersebut
mendarat tepat waktu adalah :

P =

= 0,85
2) Ruang sampel menyatakan populasi orang dewasa yang telah tamat
SMU di suatu kota tertentu dikelompokan menurut jenis kelamin dan
status bekerja seperti dalam tabel berikut:

Bekerja Tdk bekerja Jumlah

Laki-laki 460 40 500
Wanita 140 260 400
Jumlah 600 300 900

Daerah tersebut akan dijadikan daerah pariwisata dan seseorang akan

dipilih secara acak dalam usaha penggalakan kota tersebut sebagai obyek
wisata keseluruh negeri. Berapa probabilitas lelaki yang terpilih ternyata
berstatus bekerja?
Penyelesaian
Misalkan:
E = orang yang terpilih berstatus bekeja
M = lelaki yang terpilih
Probabilitas lelaki yang terpilih ternyata berstatus bekerja adalah:

P =

Dari tabel diperoleh:

47
 P(E) =

Jadi:

P =

4.3 Teorema BayesQ

Dalam teori probabilitas dan statistika, Pengertian Teorema Bayes adalah
teorema yang digunakan untuk menghitung peluang dalam suatu hipotesis,
Teorema bayes dikenalkan oleh ilmuan yang bernama Bayes yang ingin
memastikan keberadaan Tuhan dengan
mencari fakta di dunia yang menunjukan
keberadaan Tuhan. Bayes mencari fakta
keberadaan tuhan didunia kemudian
mengubahnya dengan nilai Probabilitas yang
akan dibandingkan dengan nilai Probabilitas.
teorema ini juga merupakan dasar dari
statistika Bayes yang memiliki penerapan
dalam ilmu ekonomi mikro, sains, teori
permain, hukum dan kedokteran. Teorema Bayes akhirnya dikembangkan dengan
berbagai ilmu termasuk untuk penyelesaian masalah sistem pakar dengan
menetukan nilai probabilitas dari hipotesa pakar dan nilai evidence yang
didapatkan fakta yang didapat dari objek yang diagnosa. Teorama Bayes ini
membutuhkan biaya komputasi yang mahal karena kebutuhan untuk menghitung
nilai probabilitas untuk tiap nilai dari perkalian kartesius. penerapan Teorema
Bayes untuk mencari penerapan dinamakan inferens Bayes.
Rumus umum teorema bayes:

P = atau P =

48
 Contoh aplikasi dari Teorema Bayes
Di sebuah negara, diketahui bahwa 2% dari penduduknya menderita sebuah
penyakit langka. 97% dari hasil tes klinik adalah positif bahwa seseorang
menderita penyakit itu. Ketika seseorang yang tidak menderita penyakit itu
dites dengan tes yang sama, 9% dari hasil tes memberikan hasil positif yang
salah.
Jika sembarang orang dari negara itu mengambil tes dan mendapat hasil
positif, berapakah peluang bahwa dia benar-benar menderita penyakit
langka itu?
Secara sepintas, nampaknya bahwa ada peluang yang besar bahwa orang itu
memang benar-benar menderita penyakit langka itu. Karena kita tahu
bahwa hasil tes klinik yang cukup akurat (97%) untuk kasus positif. Tetapi
apakah benar demikian? Marilah kita lihat perhitungan matematikanya.
Pembahasan:
 Marilah kita lambangkan informasi diatas sebagai berikut:
A = kejadian seseorang menderita penyakit langka itu
A’ = kejadian seseorang tidak menderita penyakit langka itu
B = kejadian tes memberikan hasil positif
B’ = kejadian tes memberikan hasil negatif
 Kita ketahui juga peluang dari kejadian berikut :
P(A) = 2%
P(A’) = 98%
P( B l A) = 97%
P (B l A’) = 9%

= 18,03%

49
Hasil perhitungan ini sangat berbeda dengan intuisi kita diatas. Peluang bahwa
orang yang mendapatkan hasil tes positif itu benar-benar menderita penyakit
langka tidak sebesar yang kita bayangkan. Hanya sekitar 18% kemungkinan
bahwa dia benar-benar menderita penyakit itu.

50
 BAB V

DISTRIBUSI PROBABILITAS

5.1 Distribusi Probabilitas

Distribusi probabilitas adalah suatu distribusi frekuensi teoritis (Teoritical
Frequency Distribution), yaitu distribusi probabilitas yang menggambarkan
bagaimana hasil (outcome) diperkirakan berubah-ubah. Sebagai contoh, misalnya
percobaan dilakukan dengan melempar koin (memiliki sisi angka dan sisi gambar)
sebanyak dua kali. Distribusi probabilitas muncul sisi angka (A) adalah

0,6
0,5
0,5

Probabilitas
0,4

0,3 0,25 0,25

0,2

0,1

0
0 1 2
Banyaknya Sisi Angka

Gambar 2.1 Distribusi Probabilitas Muncul Sisi Angka (A)

5.2 Permutasi
Permutasi adalah banyaknya cara untuk menyusun x obyek yang dipilih dari
n obyek dengan memperhatikan urutannya

Formulasinya:

Contoh Soal:

Dari 3 calon pemimpin proyek (misalnya A, B, C) akan dipilih 2 orang untuk

menduduki jabatan ketua proyek dan wakil ketua proyek . Berapa pasangan yang
dapat terjadi?

Jawab:

Ada 6 pasangan, yaitu AB, AC, BC, BA, CA, dan CB.

51
5.3 Kombinasi
Kombinasi adalah banyaknya cara untuk menyusun x obyek yang dipilih
dari n obyek dengan mengabaikan urutannya

Formulasinya :

Contoh Soal:

Jika ada 3 orang CEO dari beberapa perusahaan kontaktor (misalnya A, B, dan
C) akan dijadikan pemimpin 2 tender besar. Berapa kombinasi yang dapat
disusun?

Jawab:

Ada 3 kombinasi pasangan, yaitu pasangan AB, AC, dan BC.

5.4 Harapan Matematis (Mathematical Expectation)

Apabila P adalah probabilitas untuk memperoleh sejumlah Q, maka harapan
matematisnya adalah sebesar PQ.

Formulasi nilai harapan matematis:

E(x) = {X . P(x)}

E(x): Nilai harapan matematis x.

x : Setiap nilai asumsi dari variabel x.

P(x): Probabilitas terjadinya nilai x.

Contoh Soal:

1. Seorang penjual semen mendapat untung Rp5000 jika ada proyek di

daerah sekitranya. Namun ia akan rugi Rp1000 jika tidak ada proyek
di daerah sekitarnya. Berapa harapan matematisnya jika probabilitas
akan ada proyek di daerah sekitarnya sebesar 0,4?

Jawab: E(x) = {X . P(x)}

52
 Nilai harapan matematisnya adalah Rp3.4000

 Distribusi Probabilitas Variabel Diskrit dibagi menjadi:

1. Distribusi Binomial
2. Distribusi Poisson
3. Distribusi Multinomial
4. Distribusi Hipergeometrik

5.5 Distribusi Hipergeometrik

Dalam kehidupan sehari-hari kita sering menjumpai berbagai kejadian-
kejadian yang sebenarnya dapat diselesaikan dengan menggunakan
probabilitas.Seperti ketika sedang membeli kebutuhan rumah tangga, terkadang
kitamembeli barang yang rusak, oleh sebab itu melalui distribusi
hipergeometrikkita dapat menyelesaikan permasalahan tersebut. Kita dapat
mencariprobabilitas dari terpilihnya barang yang rusak, sehingga
apabilaprobabilitasnya tinggi kita dapat mengetahui bahwa kemungkinan besar
kita akan membeli barang yang rusak.
Distribusi hipergeometrik adalah sistem distribusi probabilitas diskrit yang
terdiri dari sekelompok objek tertentu yang dipilih tanpa terjadinya sebuah
pengembalian.

Jika X melambangkan jumlah sukses dalam sample, N melambangkan

jumlah kejadian dalam populasi, XT melambangkan jumlah sukses dalam
populasi, dan n jumlah sample, formula untuk menentukan probabilitas
hipergeometrik adalah Dapat disimpilkan bahwa distribusi hipergeometrik adalah
distribusi probabilitas diskrit dari sekelompok obyek yang dipilih tanpa
pengembalian.

53
 5.5.1 Ciri-Ciri Distribusi Hipergeometrik
Ciri-Ciri Percobaan dengan Probabilitas Hipergeometrik adalah
sebagai berikut:

(1) Setiap percobaan hanya terdapat dua kemungkinan peristiwa yang

terjadi.
(2) Setiap peristiwa pada setiap percobaan adalah dependen. Artinya
peristiwa yang dihasilkan dari suatu percobaan berpengaruh terhadap
peristiwa pada percobaan berikutnya.
(3) Probabilitas peristiwa pada setiap percobaan berubah.

5.5.2 Karakteristik Distribusi Hipergeometrik

Eksperimen hipergeometrik memiliki karakteristik sebagai berikut:
(1) Sebuah sampel random berukuran n diambil tanpa pengembalian dari
N item (populasi).
(2) k dari N item dapat diklasifikasikan sebagai sukses dan N – k
diklasifikasikan sebagai gagal.
(3) Jumlah sukses yang terjadi dalam suatu eksperimen hipergeometrik
disebut dengan variabel random hipergeometrik dan distribusi
probabilitas dari variabel random ini disebut dengan distribusi
hipergeometrik.

5.5.3 Rumus Distribusi Hipergeometrik

Misalkan dalam sebuah populasi berukuran N benda, terdapat 2
jenis sampel yang berbeda, benda yang sukses/berhasil diberi label ” k ”
dan benda yang gagal diberi label “ N-k ”, maka sebaran peluang bagi
peubah acak hipergeometrik X, yang menyatakan banyaknya keberhasilan
dalam contoh acak berukuran n, adalah :

Keterangan :
N = Total populasi atau sampel.
k = jumlah benda yang diberi label “berhasil” yang tersedia
n = jumlah percobaan atau jumlah sampel yang dipilih
x = jumlah kejadian yang sukses

54
 Sedangkan dalam populasi N benda terdapat lebih dari 2 jenis
sampel yang berbeda, maka sebaran peluang bagi peubah acak
hipergeometrik X, yang menyatakan banyaknya keberhasilan dalam
contoh acak berukuran n, adalah :
Keterangan :
N = k1 + k2 + k3 + … + kn
x = x1 + x2 + x3 + … + xn
n = jumlah sampel yang dipilih.

5.5.4 Penerapan Distribusi Hipergeometrik

Distribusi hipergeometrik dapat diaplikasikan pada banyak bidang,
misalnya pada penerimaan sampel (acceptance sampling), pengujian
elektronik, dan pengendalian kualitas (quality control) dari suatu hasil
produksi. Dalam banyak bidang ini, pengujian dilakukan terhadap barang
yang diuji yang pada akhirnya barang uji tersebut menjadi rusak, sehingga
tidak dapat dikembalikan. Jadi, pengambilan sampel harus dikerjakan
tanpa pengembalian.
Berikut beberapa aplikasi distribusi hipereometrik dalam kehidupan
sehari–hari :
(1) Kita dapat mengetahui jumlah barang yang rusak dalam sampel acak
dari sejumlah kiriman.
(2) Jumlah permen yang di ambil dari dalam kotak dengan rasa tertentu.
(3) Aplikasi dalam pendidikan seperti dalam penyelidikan pendapat
umum/survey.
Contoh Soal :
1. Sebuah perusahaan kosultan mempunyai 8 orang di sebuah proyek.
Dari 8 orang tersebut terdapat 4 karyawan yang bergelar Sarjana
Teknik Sipil. Apabila dipilih 5 orang di sebuah proyek secara random
dari 8 orang tersebut untuk mengikuti pelatihan, berapa probabilitas
terpilih 3 karyawan yang bergelar Sarjana Teknik Sipil?
Jawab:
N = 8 (semua orang yang ada di sebuah proyek)
k = 4 (karyawan di sebuah proyek yang bergelar Sarjana Teknik
Sipil)
n = 5 (banyaknya orang di sebuah proyek yang dipilih)

55
 x = 3 (orang disebuah proyek yang terpilih bergeralar Sarjana Teknik
Sipil)

= 0,4285

5.6 Distribusi Binomial

Distribusi Binomial ditemukan oleh seorang ahli matematika berkebangsaan
Swiss bernama Jacob Bernauli. Oleh karena itu distribusi binomial ini dikenal
juga sebagai distribusi bernauli. Distribusi binomial berasal dari percobaan
binomial yaitu suatu proses Bernoulli yang diulang sebanyak n kali dan saling
bebas. Suatu distribusi Bernoulli dibentuk oleh suatu percobaan Bernoulli
(Bernoulli trial). Sebuah percobaan Bernoulli harus memenuhi syarat: Keluaran
(outcome) yang mungkin hanya salah satu dari “sukses” atau “gagal”, Jika
probabilitas sukses p, maka probabilitas gagal q = 1 – p
Distribusi binomial adalah distribusi probabilitas diskrit jumlah
keberhasilan dalam n percobaan ya atau tidak (berhasil atau gagal) yang saling
bebas, dimana setiap hasil percobaan memiliki probabilitas p. Eksperimen berhasil
atau gagal juga disebut percobaan bernoulli. Ketika n = 1, distribusi binomial
adalah distribusi Bernoulli.

Distribusi Binomial digunakan untuk data diskrit (bukan data kontinu)

yang dihasilkan dari eksperimen Bernouli, mengacu kepada matematikawan
JacobBernouli. Peristiwa pelemparan mata uang (koin) yang dilakukan beberapa
kali adalah contoh dari proses bernouli, dan hasil (outcomes) dari tiap-tiap
pengocokan dapat dinyatakan sebagai distribusi probabilitas binomial. Kejadian

56
sukses atau gagal calon pegawai dalam psikotest merupakan contoh lain dari
proses Bernouli. Sebaliknya distribusi frekuensi hidupnya lampu neon di pabrik
anda harus diukur dengan skala kontinu dan bukan dianggap sebagai distribusi
binomial.

5.6.1 Syarat Distribusi Binomial

Secara formal, suatu eksperimen dapat dikatakan eksperimen

binomial jika memenuhi empat persyaratan:
a. Banyaknya eksperimen merupakan bilangan tetap (fixed number of
trial)
b. Setiap ekperimen selalu mempunyai dua hasil ”Sukses” dan ”Gagal”.
Tidak ada daerah abu-abu. Dalam praktiknya, ‘sukses’ dan ‘gagal’
harus didefinisikan sesuai keperluan, Misal:
1. Lulus (sukses), tidak lulus (gagal)
2. Setuju (sukses), tidak setuju (gagal)
3. Barang bagus (sukses), barang sortiran (gagal)
4. Puas (sukses), tidak puas (gagal)
c. Probabilitas sukses harus sama pada setiap eksperimen.
d. Eksperimen tersebut harus bebas satu sama lain, artinya satu
eksperimen tidak boleh berpengaruh pada hasil eksperimen lainnya.

5.6.2 Ciri-Ciri Distribusi Binomial

1. Ciri pertama distribusi binomial adalah bila jumlah n tetap dan p kecil
maka distribusi yang dihasilkan akan miring ke kanan dan bila p
makin besar maka kemiringan akan berkurang dan bila p mencapai
0,5 maka distribusi akan menjadi simetris. Bila p lebih besar dari 0,5,
maka distribusi yang dihasilkan akan miring ke kiri.
2. Ciri kedua nya adalah bila p tetap dengan jumlah n yang makin besar
maka akan dihasilkan distribusi yang mendekati distribusi simetris.
3. Percobaan diulang sebanyak n kali.
4. Hasil setiap ulangan dapat dikategorikan ke dalam 2 kelas, misal :
“BERHASIL” atau “GAGAL”; “YA” atau “TIDAK”;

57
5. Peluang berhasil atau sukses dinyatakan dengan p dan dalam setiap
ulangan nilai p tetap. Peluang gagal dinyatakan dengan q, dimana q =
1-p.
6. Setiap ulangan bersifat bebas (independen) satu dengan lainnya.

5.6.3 RUMUS DISTRIBUSI BINOMIAL

b(x; n; p) = px qn-x = px qn-x

Keterangan:
p = probabilitas sukses
q = probabilitas gagal , dimana q = 1-p dalam setiap ulangan
n = jumlah total percobaan
x = jumlah sukses dari n kali percobaan. Dimana x = 1, 2, 3, ..., n
Contoh Soal:

1. Suatu survei menemukan bahwa satu dari lima orang berkata bahwa
dia telah mengunjungi sebuah proyek jalan tol dalam sembarang bulan
yang ditanyakan. Jika 10 orang dipilih secara acak, berapakah peluang
tiga diantaranya sudah mengunjungi sebuah proyek jalan tol?
Dik: n = 10,
X = 3,
p = 1/5,
q = 1-1/5= 4/5.
Dit: P(x) ……?
Jawab :

P(x)= . px.qn-x

= . (1/5)3. (4/5)10-3

P(x) = 0,201

58
2. Berdasarkan data proyek pembangunan jalan tol PT Mandala
Bangunan, yang khusus menangani proyek jalan tol di Kalimantan,
20% dari pengguna jalan tol menyatakan sangat puas melewati jalan
tol di Kalimantan , 40% menyatakan puas, 25% menyatakan biasa saja
dan sisanya menyatakan kurang puas. Apabila kita bertemu dengan 5
orang dari pengendara yang pernah melewati jalan tol tersebut,
berapakah probabilitas :
a) Paling banyak 2 di antaranya menyatakan sangat puas.
b) Paling sedikit 1 di antaranya menyatakan kurang puas
c) Tepat 2 diantaranya menyatakan biasa saja
Jawab:
Diketahui n=5
Ditanyakan:
a) Paling banyak 2 diantaranya menyatakan sangat puas (p(x) ≤ 2).
P=0,20;
b(0;5;0,20) = . 0,200 . 0,805-0

= . 0,200 . 0,805-0
= 0,32768
b(1;5;0,20) = . 0,201 . 0,805-1

= . 0,200 . 0,805-1
= 0,40960
b(2;5;0,20) = . 0,202 . 0,805-2

= . 0,200 . 0,805-2
= 0,20480
b(x; n; p) = b(0;5;0,20) + b(1;5;0,20) + b(2;5;0,20)
= 0,32768 + 0,40960 + 0,20480 = 0,94208

Maka hasil p(x) ≤ 2 = 0,94208

b) Paling sedikit 1 diantaranya menyatakan sangat puas (p(x) > 1).

P=0,15;
b(1;5;0,15) = . 0,151 . 0,855-1

= . 0,151 . 0,854
= 0,3915

59
 b(2;5;0,15) = . 0,152 . 0,855-2

= . 0,151 . 0,853
= 0,1382
b(3;5;0,15) = . 0,153 . 0,855-3

= . 0,153 . 0,852
= 0,0244
b(4;5;0,15) = . 0,154 . 0,855-4

= . 0,154 . 0,851
= 0,002
b(5;5;0,15) = . 0,155. 0,855-5

= . 0,155 . 0,850
= 0,0001

b(x; n; p) = b(1;5;0,15) + b(2;5;0,15) + b(3;5;0,15) + b(4;5;0,15) + b(5;5;0,15)

= 0,3915+ 0,1382+ 0,0244 + 0,002 + 0,0001 = 0,5562

Maka hasil p(x) > 1 = 0,5562

c) Tepat 2 diantaranya menyatakan biasa saja (p(x) = 2).

P=0,25;
b(2;5;0,25) = . 0,252. 0,755-2

= . 0,252 . 0,753
= 0,2637

60
 BAB VI

DISTRIBUSI POISSON DAN DISTRIBUSI NORMAL

6.1 Pengertian Distribusi Poisson

Distribusi poisson ini ditemukan oleh SD Poisson, Ahli Matematika asal Perancis.
Distribusi poisson adalah suatu distribusi teoritis yang memakai var random
diskrit atau disebut juga distribusi peristiwa yang jarang terjadi, yaitu banyaknya
hasil percobaan yang terjadi dalam suatu interval waktu tertentu.

Ciri-ciri dari Distribusi Poisson :

1. Banyaknya hasil percobaan yang satu tidak tergantung dari banyaknya

hasil percobaan yang lain.
2. Probabilitas hasil percobaan sebanding dengan panjang interval waktu.
3. Probabilitas lebih dari satu hasil percobaan yang terjadi dalam interval
waktu yang singkat dalam daerah yang kecil dapat diabaikan.

Distribusi Poisson digunakan dalam :

Menghitung probabilitas terjadinya peristiwa menurut satuan waktu, ruang
atau isi, luas, panjang seperti :
Banyaknya penggunaan telpon per menit, banyaknya kesalahan ketik per
halaman sebuah buku, banyaknya mobil yang lewat selama 5 menit di suatu ruas
jalan, dan sebagainya.
1. Menghitung disktribusi binomial apabila n-besar (n ≥ 30) dan p relatif
kecil (p < 0,1)
Rumus dari Distribusi Poisson :

...........................................(2.4)

Keterangan :
µ = rata-rata keberhasilan = n.p
n = jumlah/ukuran poulasi
p = probabilitas sukses
x = var random diskrit/banyaknya unsur berhasil dalam sampel

61
e = bilangan konstan (2,71828)

Contoh :

Sebuah toko alat-alat listrik mencatat rata-rata penjualan lampu R 40 W

setiap hari 5 buah. Jika permintaan akan lampu tersebut mengikuti
distribusi Poisson, berapa probabilitas untuk penjualan berikut?

a) 0 lampu R

b) 3 lampu R

Penyelesaian

Dik : µ = 5

X1 = 0 ; X2 = 3

e = 2,71828

Dit : a. Probabilitas 0 lampu R

b. Probabilitas 3 lampu R

Jawab :

a. P (X=0) = 50 . 2,71828-5 / 0!
= 1 . 0,006737 / 1
= 0,006737
b. P (X=3) = 53 . 2,71828-5 / 3!
= 125. 0.006737 / 3.2.1

= 0,842125 / 6

= 0,14

62
 6.2 Pengertian Distribusi Normal
Distribusi normal, disebut pula distribusi Gauss, adalah distribusi probabilitas
yang paling banyak digunakan dalam berbagai analisis statistika. Distribusi
normal baku adalah distribusi normal yang memiliki rata-rata nol dan simpangan
baku satu. Distribusi ini juga dijuluki kurva lonceng (bell curve) karena grafik
fungsi kepekatan probabilitasnya mirip dengan bentuk lonceng.

Distribusi normal memodelkan fenomena kuantitatif pada ilmu alam maupun ilmu
sosial. Beragam skor pengujian psikologi dan fenomena fisika seperti jumlah
foton dapat dihitung melalui pendekatan dengan mengikuti distribusi normal.
Distribusi normal banyak digunakan dalam berbagai bidang, misalnya distribusi
sampling rata-rata akan mendekati normal, meski distribusi populasi yang diambil
statistika, tidak berdistribusi normal. Distribusi normal juga banyak digunakan
dalam berbagai distribusi dalam statistika, dan kebanyakan pengujian hipotesis
mengasumsikan normalitas suatu data.

6.3 Kurva Normal

Grafik dari distribusi normal yang berbentuk seperti genta (lonceng)
setangkup yang simetris disebut kurva normal.
Kurva normal adalah bila X adalah suatu peubah acak normal dengan nilai tengah
µ dan ragam σ2, maka persamaannya adalah :

n(x; µ; σ) = .....................................(2.1)

(Untuk – ∞ < x < ∞. Dalam hal ini π = 3.14159… dan e = 2.71828…)

Bentuk kurva normal itu sendiri berbeda tergantung dari nilai µ dan σ2 nya. Jika
nilai µ berharga positif maka kurva akan bergeser ke kanan dan jika bernilai
negatif maka kurva akan bergeser ke kiri dari titik X = 0. Jika nilai σ 2 bernilai
semakin besar maka kurva normal akan semakin landai dan jika nilai σ 2 bernilai
semakin kecil maka kurva normal akan semakin curam. Berikut perbandingan
kurvanya,

63
 Gambar 1. Bentuk Kurva Normal

Dari gambar di atas maka dapat diperoleh sifat-sifat kurva normal, yaitu :

1. Modusnya yaitu titik pada sumbu mendatar yang membuat fungsi

mencapai maksimum yang terjadi pada x = µ.
2. Kurvanya setangkup terhadapa suatu garis tegak yang melalui nilai tengah
µ.
3. Kurva ini mendekati sumbu mendatar secara asimtotik dalam kedua arah
bila kita semakin menjauhi nilai tengahnya.
4. Luasan daerah yang terletak di bawah kurva tetapi di atas sumbu mendatar
sama dengan 1.
Fungsi densitas distribusi normal diperoleh dengan persamaan sebagai berikut :

.......................................(2.2)

Keterangan :
π = 3,1416
e = 2,7183
µ = rata-rata

σ = simpangan baku =

64
Persamaan di atas bila dihitung dan diplot pada grafik akan terlihat seperti pada
Gambar 2 berikut.

Gambar 2. Kurva Distribusi Norma Umum

Sifat-sifat penting distribusi normal adalah sebagai berikut :

1. Grafiknya selalu berada di atas sumbu x
2. Bentuknya simetris pada x = µ
3. Mempunyai satu buah modus, yaitu pada x = µ
4. Luas grafiknya sama dengan satu unit persegi, dengan rincian ;
a. Kira-kira 68% luasnya berada di antara daerah µ – σ dan µ + σ
b. Kira-kira 95% luasnya berada di antara daerah µ – 2σ dan µ + 2σ
c. Kira-kira 99% luasnya berada di antara daerah µ – 3σ dan µ + 3σ

Membuat kurva normal umum bukanlah suatu pekerjaan yang mudah. Rumus
untuk mencari fungsi densitasnya (nilai pada sumbu Y) begitu rumit. Oleh karena
itu, tidak banyak digunakan oleh masyarakat luas.

Kurva distribusi normal yang lebih banyak digunakan adalah distribusi normal
baku. Kurva distribusi normal baku diperoleh dari distribusi normal umum
dengan cara transformasi nilai x menjadi nilai z, dengan formula sebagai berikut :

.......................................................(2.3)

Keterangan :

x = nilai variable random/nilai data

65
µ = rata-rata distribusi

σ = simpang baku/deviasi

Z = nilai standar, yaitu besarnya penyimpangan suatu nilai terhadap rata-rata

yang dinyatakan dari unit SD.

Kurva distribusi normal baku disajikan pada gambar di bawah berikut ini,

Gambar 3. Kurva Distribusi Normal Baku

Kurva distribusi normal baku lebih sederhana dibanding kurva normal umum.
Pada kurva distribusi normal baku, nilai µ = 0 dan nilai σ = 1, sehingga terlihat
lebih menyenangkan. Namun, sifat-sifatnya persis sama dengan sifat-sifat
distribusi normal umum.

Untuk keperluan praktis, para ahli statistika telah menyusun tabel distribusi
normal baku dan tabel tersebut dapat ditemukan hampir di semua buku teks
statistika. Tabel distribusi normal baku disebut juga dengan Tabel Z dan dapat
digunakan untuk mencari peluang di bawah kurva normal secara umum, asal saja
nilai µ dan σ diketahui. Sebagai catatan nilai µ dan σ dapat diganti masing-masing

dengan nilai dan S.

Luas daerah di bawah kurva normal, bila x menyatakan peubah acak distribusi
maka P(x1 < x < x2) diberikan oleh daerah yang berwarna abu-abu.

66
P(x1 < x < x2) = probabilitas variabel random x memiliki nilai antara x1 dan x2

P(x1 < x < x2) = luas dibawah kurva normal antara x = x1 dan x = x2

6.4 Probabilitas Kurva Normal

Gambar 3. Menghitung Probabilitas Kurva Normal

Contoh :

1) Anang merupakan pedagang buah di Denpasar. Setiap hari ia membeli 300

kg buah di Pasar Badung. Probabilitas buah tersebut laku dijual dalah 80%
dan 20% kemungkinan tidak laku dan busuk. Berapa probabilitas buah
sebanyak 250 kg laku dan tidak busuk ?
Penyelesaian
Dik :
n = 300; probabilitas laku p = 0.8, dan q = 1 – 0.8 = 0.2
μ = np = 300 x 0.80 = 240
σ = √npq = √300 x 0.80 x 0.20 = 6.93
Dit : probabilitas buah sebanyak 250 kg laku dan tidak busuk =.....?

Jawab :
Diketahui X = 250,

67
 dan dikurangi faktor koreksi 0.5 sehingga X = 250 – 0.5 = 249.5
Dengan demikian nilai Z menjadi:
Z = (249.5 – 240) / 6.93 = 1.37 dan P (Z<1.37) = 0.4147
Jadi probabilitas laku adalah 0.5 + 0.4147 = 0.9147
Dengan kata lain harapan buah laku 250 kg adalah 91.47%

2) PT Work Electric, memproduksi Bohlam Lampu yang dapat hidup 900

jam dengan standar deviasi 50 jam. PT Work Electric ingin mengetahui
berapa persen produksi pada kisaran antara 800-1.000 jam, sebagai bahan
promosi bohlam lampu. Hitung berapa probabilitasnya!
Penyelesaian
Dik :
µ = 900 jam
σ = 50 jam
Dit : P(800<X<1.000)?
Jawab :

 Hitung nilai Z
Z1 = (800-900)/50 = -2,00;
Z2 = (1.000-900)/50 = 2,00

 Jadi: P(800<X<1.000) =P(-2,00<Z<2,00);

P(-2,00<Z) = 0,4772 dan P(Z>2,00) = 0,4772

 Sehingga luas daerah yang diarsir adalah = 0,4772+0,4772= 0,9544.

Jadi P(800<X<1.000) = P(-2,00 < Z<2,00) = 0,9544.
Jadi 95,44% produksi berada pada kisaran 800-1.000 jam. Jadi jika PT
Work Electric mengklaim bahwa lampu bohlamnya menyala 800-1.000
jam, mempunyai probabilitas benar 95,44%, sedang sisanya 4,56% harus
dipersiapkan untuk garansi.

68
 BAB VII

HIPOTESIS SECARA STATISTIK

7.1 Pengertian Statistik

Statistik berasal dari bahasa Latin, yaitu status yang berarti negara dan
digunakan untuk urusan negara. Hal ini dikarenakan pada mulanya, statistik hanya
digunakan untuk menggambarkan keadaan dan menyelesaikan masalah yang
berhubungan dengan kenegaraan saja seperti : perhitungan banyaknya penduduk,
pembayaran pajak, gaji pegawai, dan lain sebagainya.

Seiring dengan perkembangan zaman, statistik mulai mencakup hal-hal

yang lebih luas. Statistik dalam arti sempit mendeskripsikan atau menggambarkan
mengenai data yang disajikan dalam bentuk (1) Tabel dan diagram, (2)
pengukuran tendensi sentral (rata-rata hitung, rata-rata ukur, dan rata-rata
harmonik), (3) pengukuran penempatan (median, kuartil, desil, dan persentil), (4)
Pengukuran penyimpanan (range, rentangan antar kuartil, rentangan semi antar
kuartil, simpangan rata-rata, simpangan baku, variasi, koefisien variansi dan
angka baku), dan (5) Angka indeks. Sedangkan Statistika dalam arti luas
merupakan suatu metode atau ilmu yang mempelajari cara pengumpulan,
pengolahan, penganalisaan, penafsiran, dan penarikan kesimpulan dari data yang
ada. Statistik dalam arti luas adalah suatu alat untuk mengumpulkan data,
mengolah data, menarik kesimpulan, membuat tindakan berdasarkan analisis data
yang dikumpulkan atau statistika yang digunakan menganalisis data sampel dan
hasilnya dimanfaatkan untuk generalisasi pada populasi.

7.2 Pengertian Statistika

Dari kesimpulan di atas dapat ditarik kesimpulan bahwa statistika adalah
ilmu yang mempelajari tentang seluk beluk data, yaitu tentang pengumpulan,
pengolahan/analisis, penafsiran, dan penarikan kesimpulan dari data yang
berbentuk angka-angka. Statistik perlu diketahui dan dipelajari karena statistik
berperan sebagai alat bantu dalam hal-hal berikut ini :

1. Menjelaskan hubungan antara variabel-variabel

2. Membuat rencana dan ramalan

69
 3. Mengatasi berbagai perubahan
4. Membuat keputusan yang lebih baik

Statistik dapat berfungsi sebagai :

1. Bank data untuk menyediakan data untuk diolah dan diinterpretasikan

agar dapat digunakan untuk menerangkan keadaan yang perlu
diketahui atau diungkap.
2. Alat quality control untuk membantu standarisasi dan seklaigus
sebagai alat pengawasan
3. Alat analisis, merupakan suatu metode penganalisaan data
4. Pemecahan masalah dan pembuatan keputusan, sebagai dasar
penetapan kebijakan dan langkah lebih lanjut untuk mempertahankan,
mengembangkan perusahaan dalam memperoleh keuntungan.

Berdasarkan atas cara pengolahan datanya, statistika dapat dibagi atas dua
bagian :

Statistika deskriptif atau perian Statistika deskriptif merupakan bagian

dari statistika yang mempelajari cara pengumpulan dan penyajian data sehingga
mudah dipahami. Statistik deskriptif hanya berhubungan dengan hal menguraikan
atau memberikan keteranganketerangan mengenai suatu keadaan, gejala, atau
persoalan. Statistik deskriptif mencakup hal berikut :

a. Distribusi frekuensi beserta bagian-bagiannya seperti :

 Grafik distribusi (histogram, poligon frekuensi, dan ogive)
 Ukuran nilai pusat (rata-rata, median, modus, kuartil, dan
sebagainya)
 Ukuran dispersi (jangkauan, simpangan rata-rata, variasi,
simpangan baku, dan sebagainya)
 Kemencengan dan keruncingan kurva
b. Angka indeks
c. Time series/deret waktu
d. Korelasi dan regresi sederhana

Statistika Inferensial atau induktif Statistik inferensial adalah serangkaian

teknik yang digunakan untuk mengkaji, menaksir dan mengambil kesimpulan
sebagian data (data sampel) yang dipilih secara acak dari seluruh data yang
menjadi subyek kajian (populasi). Statistik inferensial berfungsi meramalkan dan

70
mengontrol keadaan atau kejadian. Contoh pernyataan yang termasuk dalam
cakupan statistik infernsial ; akibat penurunan produksi minyak dua kali lipat pada
tahun-tahun mendatang. Berdasarkan ruang lingkup bahasannya, maka statistika
inferensial mencakup :

1. probabilitas atau teori kemungkinan,

2. distribusi teoretis,
3. sampling dan sampling distribusi,
4. pendugaan populasi atau teori populasi,
5. uji hipotesis rerata,
6. analisis korelasi dan uji signifikansi,
7. analisis regresi untuk peramalan,
8. analisis varians,
9. analisis kovarians.

Berdasar atas bentuk parameternya, statistik dapat dibagi atas dua bagian
yaitu :

a. statistik parametrik merupakan bagian statistik yang parameter

populasinya mengikuti suatu distribusi tertentu, seperti distribusi
normal dan memiliki varians yang homogen.
b. statistik non parametrik merupakan bagian statistik yang parameter
populasinya tidak mengikuti suatu distribusi tertentu atau memiliki
distribusi yang bebas dari persyaratan dan variansnya tidak perlu
homogen.

7.3 Data
Data adalah bentuk jamak dari datum. Data merupakan kumpulan fakta
atau angka atau segala sesuatu yang dapat dipercaya kebenarannya sehingga dapat
digunakan sebagai dasar menarik suatu kesimpulan. Selain itu Data juga
merupakan kumpulan kumpulan informasi atau keterangan yang dapat berupa
angka, lambang, dan simbol yang dapat diperolah dari suatu pengamatan.

7.3.1 Data Dalam Statistika

Data juga berupa kumpulan fakta atau angka atau segala sesuatu
yang dapat dipercaya kebenarannya sehingga dapat digunakan sebagai
dasar menarik suatu kesimpulan. Tidak semua angka dapat disebut data
statistik. Angka dapat disebut data statistik apabila dapat menunjukkan

71
suatu ciri dari suatu penelitian yang bersifat agregatif, serta mencerminkan
suatu kegiatan lapangan tertentu.

Penggolongan data statistik dapat ditinjau dari :

a. Variabel yang diteliti (segi sifat angkanya), data statistik
dapat dibedakan menjadi dua golongan, yaitu data kontinyu
dan data diskrit. Data kontinyu adalah data statistik yang
angka-angkanya merupakan deretan angka yang sambung
menyambung. Data diskrit ialah data statistik yang tidak
mungkin berbentuk pecahan.
b. Cara menyusun angka, data statistik dapat dibedakan
menjadi data nominal, data ordinal, dan data interval. Data
nominal ialah data statistik yang cara menyusun angkanya
didasarkan atas penggolongan atau klasifikasi tertentu. Data
ordinal juga sering disebut dengan data urutan, yaitu data
statistik yang cara menyusun angkanya didasarkan atas
urutan kedudukan (ranking). Data interval ialah data
statistik yang terdapat jarak sama di antara hal-hal yang
sedang diselidiki atau dipersoalkan.
c. Bentuk angka, data statistik dapat dibedakan menjadi 2
(dua) macam, yaitu data tunggal (un grouped data) dan data
kelompok atau data bergolong (grouped data).
d. Sumber mana data tersebut diperoleh, data statistik dapat
dibedakan menjadi dua macam, yaitu: data primer dan data
sekunder. Data primer adalah data statistik yang diperoleh
atau bersumber dari tangan pertama (first hand data).
Sedangkan data sekunder adalah data statistik yang
diperoleh dari tangan kedua (second hand data).
Syarat data yag baik Syarat data yang baik adalah

a. Data harus objektif ( sesuai dengan keadaan

sebenarnya),
b. Data harus representative,
c. Data harus up to date, dan
d. Data harus relevan dengan masalah yang akan
dipecahkan

72
 7.3.2 Sifat – Sifat Data :
a. Memiliki Nilai Relatif atau nilai semu yaitu nilai yg ditunjukkan oleh
angka bilangan itu sendiri. Contoh: Nilai relatif dari angka 25 adalah
bilangan 25 itu sendiri.

b. Memiliki Nilai Nyata atau Nilai sebenarnya yaitu daerah tertentu

dalam suatu deretan angka. Contoh: Nilai nyata dari 9 adalah daerah
antara (9 – 0,5) sampai dengan (9 + 0,5). Jadi nilai nyata dari angka
9 adalah daerah antara 8,5 – 9,5.

c. Memiliki Nilai Batas Bawah Relatif, Batas Atas Relatif, Batas Bawah
Nyata, dan Batas Atas Nyata Contoh: Bilangan 10 – 20 Maka batas
bawah relatif adalah 10 batas atas relatif 20.
batas bawah nyata 10 – 0,5 = 9,5 (Lower Limit = l) batas atas
nyata 20 + 0,5 = 20,5 (Upper Limit = u) Bilangan 10 – 20 disebut
Nilai Relatif ; 9,5 dan 20,5 disebut Nilai Nyata

d. Data statistik yang berbentuk data kelompok memiliki nilai tengah

atau titik tengah (Midpoint), yaitu nilai dari deretan bilangan atau
angka yang terletak di tengah-tengah deretan angka atau bilangan
tersebut. Contoh :
 Deretan angka yaitu 11, 12, 13, 14, 15 nilai tengahnya = 13, karena
nilai 13 berada di tengah-tengah deretan angka tersebut.
 Data kelompok antara 40 – 44 nilai tengahnya = (40 + 44)/2 = 42,
karena nilai 42 terletak pada deretan angka tersebut di tengah-tengah.

e. Data statistik sebagai data angka, dalam penggunaan perhitungan

tidak menggunakan sistem pecahan melainkan menggunakan sistem
desimal (pembulatan).
Contoh : Pecahan ½ harus diubah menjadi 0,5

f. Data statistik sebagai data angka dalam penggunaan perhitungan

menggunakan sistem pembulatan angka, yaitu pada angka desimal
biasanya dilakukan setelah di belakang tanda koma dan diambil tiga
angka saja dengan ketentuan :

73
  Jika angka setelah tanda koma 50 atau kurang dari 50 maka bilangan
setelahnya dianggap 0 (nol) dan tiga angka setelah bilangan desimal
(tanda koma) tetap.
Contoh : 0,1234 dibulatkan menjadi 0,123.
 Jika angka setelah tanda koma 51 atau lebih dari 51 maka bilangan
setelahnya dianggap 1 (satu) dan bilangan 1 (satu) tersebut
ditambahkan pada bilangan sebelumnya pada angka ketiga setelah
tanda desimal (tanda koma).
Contoh : 0,123517 dibulatkan menjadi 0,124

7.4 Jenis Jenis Data

Data Menurut Cara Memperolehnya
• Data Primer
Data primer adalah secara langsung diambil dari objek / obyek penelitian oleh
peneliti perorangan maupun organisasi.
Contoh : Mewawancarai langsung penonton bioskop 21 untuk meneliti
preferensi konsumen bioskop.
• Data Sekunder Data sekunder adalah data yang didapat tidak secara
langsung dari objek penelitian. Peneliti mendapatkan data yang sudah jadi
yang dikumpulkan oleh pihak lain dengan berbagai cara atau metode baik
secara komersial maupun non komersial.
Contoh : pada peneliti yang menggunakan data statistik hasil riset dari surat
kabar atau majalah

Data Berdasarkan Sumber Data

• Data Internal
Data internal adalah data yang menggambarkan situasi dan kondisi pada suatu
organisasi secara internal.
Misal : data keuangan, data pegawai, data produksi, dsb.
• Data Eksternal
Data eksternal adalah data yang menggambarkan situasi serta kondisi yang
ada di luar organisasi.
Contohnya adalah data jumlah penggunaan suatu produk pada konsumen,
tingkat preferensi pelanggan, persebaran penduduk, dan lain sebagainya.

Klasifikasi Data Berdasarkan Jenis Datanya

• Data Kuantitatif
Data kuantitatif adalah data yang dipaparkan dalam bentuk angka-angka.

74
 Misalnya adalah jumlah pembeli saat hari raya idul adha, tinggi badan
siswa kelas 3 ips 2, dan lain-lain.

• Data Kualitatif
Data kualitatif adalah data yang disajikan dalam bentuk kata-kata yang
mengandung makna. Contohnya seperti persepsi konsumen terhadap botol
air minum dalam kemasan, anggapan para ahli terhadap psikopat dan lain-
lain.

7.5 Skala Pengukuran

Skala Pengukuran adalah seperangkat aturan yang diperlukan untuk
mengkuantitatifkan data dari pengukuran suatu variable.
Pengukuran yang baik, harus mempunyai sifat Isomorphism dengan realita.
Prinsip Isomorphism , artinya terdapat kesamaan yang dekat antararealitas sosial
yang diteliti dengan ”nilai” yang diperoleh dari pengukuran. Olehkarena itu, suatu
instrumen pengukur dipandang baik apabila hasilnya dapat merefleksikan secara
tepat realitas dari fenomena yang hendak diukur.

7.7.1 Jenis Skala Pengukuran:

a. Skala nominal, yaitu skala yang dipakai mengklarifikasikan kasus

sehingga dapat dibedakan tetapi tidak merupakan hubungan
kuantitatif dan tingkatan.
Contohnya jenis kelamin: laki laki, perempuan. Status perkawinan:
kawin, tak kawin
b. Skala ordinal, yaitu skala yang dipakai untuk mengklarifikasikan
kasus sehingga dapat dibedakan dalam kelas kelas yang
menunjukan urutan (ordering).
Contohnya Pendidikan: SD, SMP, SMA Cita rasa: Tidak enak,
sedang, enak
c. Skala Interval, yaitu skala yang terdiri dari unit unit pengukuran
yang sama ( rupiah, tahun dan lain lain.) dimana pengukuran antara
dua posisi interval diketahui ukurannya
Contohnya: Suhu 0° C = 273 K , 5° C = 278° K

75
 dapat dilihat bahwa ( 5 – 0 )° C : (10 – 5)° C = (278 – 273)° K :
(283-278)° K
d. Skala rasio, yaitu skala yang mencangkup skala interval dn
mempunyai nol yang mutlak.
Contohnya berat badan seseroang : 50 Kg, 60 Kg, 70 Kg.

7.6 Populasi

Definisi Populasi
Populasi merupakan seluruh kumpulan elemen yang dapat digunakan untuk
membuat beberapa kesimpulan.
3 kata kunci yang dapat mendefinisikan populasi yaitu:

 Keseluruhan artinya populasi merupakan seluruh objek, subjek,

karakteristik yang ada pada penelitian.
 Kelompok artinya populasi penelitian tidak berdiri sendiri.
 Penelitian artinya populasi merupakan bagian dari penelitian itu sedniri.

Sehingga dapat disimpulkan bahwa populasi merupakan keseluruhan kelompok

yang terdiri dari subjek, objek, karakteristik yang terdapat pada penelitian.

7.7 Sampel

Definisi Sampel
Sampel adalah bagian dari populasi, Sampel yang baik adalah sampel yang
representatif, yaitu sampel yang dapat mewakili populasinya. Agar representatif,
maka pengambilan sampel dari populasi harus menggunakan teknik pengambilan
sampel (sampling) yang benar.

Ada 2 teknik pengambilan sampel :

1) Teknik sampling berdasarkan peluang.

Teknik sampling berdasarkan peluang adalah sebuah teknik pengambilan sampel
dimana setiap unit observasi dalam populasi mempunyai kesempatan yang sama
untuk terpilih menjadi sampel. Teknik sampling berdasarkan peluang dibagi lagi
menjadi 3 bagian yaitu.

76
  Sampling Acak Sederhana
Sampling acak sederhana adalah teknik pengambilan sampel dimana sampel
diambil berdasarkan tabel bilangan acak

Contoh: Dalam suatu penelitian dibutuhkan 30 sampel, sedangkan populasi

penelitian berjumlah 100 orang. Selanjutnya peneliti membuat undian untuk
mendapatkan sampel pertama. Setelah mendapatkan sampel pertama, maka
nama yang terpilih dikembalikan lagi agar populasi tetap utuh sehingga
probabilitas responden berikutnya tetap sama dengan responden pertama.
Langkah tersebut kembali dilakukan hingga jumlah sampel memenuhi
kebutuhan penelitian.

 Sampling Klasifikasi
Sampling klasifikasi adalah sebuah teknik pengambilan sampel dimana
populasi terlebih dahulu di bagi-bagi menjadi sub-sub populasi yang antar
sub populasi homogen. Karena sub populasi homogen, salah satu sub
populasi diambil sebagai sampel
 Sampling Stratifikasi
Sampling stratifikasi adalah sebuah teknik pengambilan sampel dimana
populasi terlebih dahulu di bagi-bagi menjadi sub-sub populasi yang antar
sub populasi heterogen. Karena sub populasi heterogen, pada setiap sub
polulasi ada yang diambil sebagai sampel

2) Teknik sampling tidak berdasarkan peluang

Teknik sampling tidak berdasarkan peluang adalah teknik pengambilan sampel
dimana setiap unit observasi dalan populasi tidak mempunyai kesempatan yang
sama untuk terpilih menjadi sampel. Teknik sampling tidak berdasarkan peluang
dibagi lagi menjadi 2 bagian yaitu.

 Teknik sampling convenience (seadanya)

Merupakan Teknik dalam memilih sampel, peneliti tidak mempunyai
pertimbangan lain kecuali berdasarkan kemudahan saja. Seseorang diambil
sebagai sampel karena kebetulan orang tersebut berada di lokasi penelitian
atau kebetulan si peneliti mengenal orang tersebut

77
Contoh: Misalnya ada seorang peneliti ingin mengetahui tentang
kebersihan wilayah Jakarta Selatan ia menanyakan kepada orang yang
ada dijalan atau orang yang dia jumpai, bukan orang yang benar-benar
mengerti tentang kebersihan wilayah Jakarta Selatan seperti petugas
kebersihan atau mendatangi kantor gubernur/walikota Jakarta Selatan.

 Teknik sampling judgment (pertimbangan)

Teknik pengambilan sampling dimana sampel yang dipilih berdasarkan
penilaian peneliti bahwa dua atau seseorang yang paling baik yang akan
dijadikan sampel penelitiannya.
Contoh: Misalnya dalam suatu perusahaan untuk memperoleh data
tentang bagaimana satu proses produksi direncanakan oleh suatu
perusahaan, maka manajer produksi merupakan orang yang terbaik untuk
bisa memberikan informasi. Jadi, judgment sampling umumnya memilih
sesuatu atau seseorang menjadi sampel karena mereka mempunyai
“information rich”.

78
 BAB VIII

PENGUJIAN HIPOTESIS

8.1 Pengertian Hipotesis

Dari arti katanya, hipotesis memang dari dua penggalan. Kata “HYPO” yang
artinya “SEMENTARA ATAU LEMAH KEBERADAANNYA” dan “THESIS”
yang artinya “PERNYATAAN ATAU TEORI”. Hipotesis pada dasarnya
merupakan proposisi atau anggapan yang mungkin benar, dan sering digunakan
sebagai dasar pembuatan suatu keputusan/ pemecahan persoalan ataupun dasar
penelitian lebih lanjut. Anggapan suatu hipotesis juga merupakan sebagai data.
Akan tetapi kemungkinan bisa salah, apabila digunakan sebagi dasar pembuatan
keputusan harus terlebih dahulu diuji dengan menggunakan data hasil observasi.

Hipotesis Statistika adalah suatu proses untuk menentukan apakah dugaan

tentang nilai parameter/karakteristik populasi didukung kuat oleh data sampel
atau tidak.
Alur dalam pengujian hipotesis:

DATA (KUANTITATIF)  HIPOTESIS  PENGUJIAN  DECISION RULE

KEPUTUSAN  KESIMPULAN

Dalam statistika, dikenal 2 macam hipotesis:

1. Hipotesis nol (H0), berupa suatu pernyataan tidak adanya perbedaan

karakteristik/parameter populasi (selalui ditandai dengan tanda =)
2. Hipotesis alternatif (H1), berupa suatu pernyataan yang bertentangan dengan
H0.

Ingat, yang diuji dalam hipotesis adalah parameter, maka notasi

yang digunakan dalam hipotesis statistika adalah parameter  (untuk
nilai tengah),  (untuk simpangan baku), dan p (untuk proporsi).
Uji Hipotesis adalah metode pengambilan keputusan yang didasarkan dari
analisa data, baik dari percobaan yang terkontrol, maupun dari observasi (tidak
terkontrol). Dalam statistik sebuah hasil bisa dikatakan signifikan secara statistik

79
jika kejadian tersebut hampir tidak mungkin disebabkan oleh factor yang
kebetulan, sesuai dengan batas probabilitas yang sudah ditentukan sebelumnya.

Uji hipotesis kadang disebut juga “konfirmasi analisa data”. Keputusan dari
uji hipotesis hampir selalu dibuat berdasarkan pengujian hipotesis nol. Ini adalah
pengujian untuk menjawab pertanyaan yang mengasumsikan hipotesis nol adalah
benar.

8.2 Arah atau Bentuk Uji Hipotesis

Bentuk hipotesis alternative akan menentukan arah uji statistik apakah satu
arah atau dua arah.

1) Hipotesis satu arah (atau hipotesis satu sisi)

Jika hipotesis alternatif menunjukkan tanda > atau <. Hal ini dikarenakan si
peneliti atau si perancang hipotesis, menginginkan suatu perubahan satu arah,
misalnya apakah meningkat, apakah terjadi penurunan, dan sebagainya.
Contoh: sebuah perusahaan rokok menyatakan bahwa kadar nikotin rata-rata
rokok yang diproduksinya tidak melebihi 2,5 miligram (tidak melebihi berarti
kurang dari, berarti satu arah saja, H1 :  < 2,5).
2) Hipotesis dua arah (atau hipotesis dua sisi)
Jika hipotesis alternatif menunjukkan tanda .

Misalkan H0 :  = 20, lawan H1 :   20

Ini berarti hipotesis alternatifnya memiliki dua

definisi, H1 :  > 20 dan atau H1 :  < 20. Hal ini dikarenakan si peneliti
menginginkan suatu perbedaan, yaitu apakah berbeda atau tidak (entah berbeda
itu meningkat, atau menurun).
Contoh:

sebuah pabrik sereal ingin mengetes unjuk kerja dari mesin pengisinya. Mesin
tersebut dirancang untuk mengisi 12 ons setiap boksnya. (karena hanya ingin
menguji apakah rata-rata mesin pengisi tersebut dapat mengisi 12 ons setiap
boksnya atau tidak, H0 :  = 12, dan H1 :  12).

80
8.3 Langkah – langkah Pengujian Hipotesis

1. Tentukan hipotesis

Misal: H0 :  = c, lawan H 1 :   c (uji dua sisi) Atau: H 0 :  = c, lawan

H1 :  > c (uji satu sisi)
2. Tentukan tingkat signifikansi 

Biasanya kalau tidak diketahui, maka hal yang biasa digunakan

adalah tingkat kesalahan  sebesar 5%.
3. Statistik Uji

4. Daerah kritik, H0 diterima bila dan H0 ditolak bila.

5. Keputusan, H0 diterima atau ditolak

6. Kesimpulan

8.4 Jenis Pengujian

8.4.1 Pengujian Hipotesis Satu Populasi

Uji Z rata-rata satu populasi adalah uji statistik yang digunakan untuk
mengetahui apakah suatu populasi memiliki rata-rata yang sama dengan, lebih
kecil atau lebih besar dari suatu nilai rata-rata tertentu sesuai dengan hipotesis
yang telah ditetapkan.
1. Pengujian  Untuk Ragam Diketahui
Statistik Uji: Z

keterangan XX = rata –rata ( Mean ) sample

nilai sesuai dengan H0

= simpangan baku populasi

81
 n = banyaknya sampel

- Untuk hipotesis dua sisi:

H0:  = c lawan H1:   c

Daerah Penerimaan H0

Z>-Z

Daerah Penolakan H0

Z<-Z
-Z Z Daerah Penerimaan H0

-Z < Z<Z
- Untuk Hipotesis satu sisi :
Daerah Penolakan
a) H0:  = c lawan H1:  < c
Z>Z atau Z > -Z

-Z

b) H0:  = c lawan H1:  > c

Daerah Penerimaan H0

Z<Z

Daerah Penolakan H0

Z<Z
Z

82
 2. Pengujian Untuk Ragam Tidak Diketahui

Statistik Uji: t

t= Keterangan : s = Simpangan Baku Sampel

Dibandingkan dengan t/2 (dua sisi) & t (satu sisi) dg db=n-1

Metode daerah penerimaan maupun penolakan H0 sama dengan di atas.

Contoh:

1. Seorang peneliti ingin mengetahui apakah perusahaan pembuat mesin excavator

rata-rata masih tetap memproduksi 30 buah mesin excavator per tahunnya atau
lebih kecil dari itu. Data-data sebelumnya diketahui bahwa standar deviasinya 25.
Kemudian sebagai alat penguji, diambil sampel penelitian sebanyak 100 dan
diperoleh rata-rata produksi mesin excavator 27 buah.
Apakah nilai tersebut masih dapat diterima sehingga produksi mesin excavator 30
buah per tahunnya? Ujilah dengan taraf nyata 5%.

Jawaban :

Diketahui :

n = 100 ; a = 5% ; = 30 ; = 25 ; XX = 27

a. Formula Hipotesis

Ho : = 30

Ha : < 30

b. Taraf nyata dan nilai Z tabel

a = 5%

83
Z 0,05 = -1,645 (Uji sisi kiri)

c. Kriteria pengujiannya

Ho diterima jika : Zo > -1,645

Ho ditolak jika : Zo < -1,645

d. Uji Statistik

maka Zo > -1,65 Ho diterima

a. Kesimpulan
Nilai uji Z (-1,2) ternyata berada pada daerah yang menerima Ho, sehingga dapat
disimpulkan bahwa perusahaan pembuat mesin excavator berhasil memenuhi
target produksi yaitu mampu memproduksi 30 buah mesin excavator per
tahunnya.

2. kontraktor suatu perusahaan konstrusi berpendapat, bahwa rata-rata

pengeluaran untuk biaya produksi genteng perusahaan itu adalah sebesar Rp1.760
dengan alternative tidak sama dengan itu. Untuk menguji pendapatnya, dilakukan
percobaan terhadap 25 genteng dengan bahan yang berbeda, dan ternyata rata-rata
pengeluaran biaya produksi genteng adalah sebesar Rp1.700 dengan simpangan

baku sebesar Rp100. Dengan menggunakan , ujilah pendapat

tersebut.
Penyelesaian :

n = 25, XX = 1700 , s = 100 ,

84
t=

= -2,0639

(2,0639)
Karena , maka H0 ditolak. Berarti, rata – rata

pengeluaran produksi genteng perusahaan tersebut tidak sama dengan Rp 1.760.

2. Pengujian Untuk Proporsi

Hipotesisnya:

H0 : p = c lawan H1 : p > c (satu sisi)

Statistik Uji: Z

85
Metode daerah penerimaan maupun penolakan H0 sama dengan pengujian
hipotesis nilai tengah untuk ragam diketahui.

Contoh

Seorang pemborong menyatakan bahwa di 70% rumah-rumah yang baru

dibangun di kota X dipasang suatu alat pemompa udara panas. Ingin diuji
pernyataan tersebut di atas, dengan dilakukan suatu penelitian,diperoleh 15 rumah
baru yang diambil secara acak, terdapat 8 rumah yang menggunakan pompa udara
panas. Gunakan taraf nyata 0,01.

Penyelesaian :

c) Hipotesis

H0 : p = 0,7 dan H1 : p  0,7 (dua sisi)

d) Tingkat signifikansi  = 0,01 Z/2 = Z0,005 = 2,575

e) Statistik Uji

4. Daerah kritik

H0 diterima : -Z/2 < Z < Z/2  -2,575 < Z < 2,575

H0 ditolak : Z > Z/2 atau Z < -Z/2  Z > 2,575 atau Z <-2,575

5. Keputusan

Karena -Z/2 < Z < Z/2 (-2,575 <-1,41< 2,575), H0 diterima

6. Kesimpulan
Bahwa tidak ada alasan yang kuat untuk meragukan pernyataan pemborong di
atas.

86
3. Pengujian Untuk Ragam
Hipotesisnya:

H0 : 2 = c lawan H1 : 2  c (dua sisi)

Statistik Uji: 2

Dibandingkan dengan 2/2 (dua sisi) & 2 (satu sisi) dg db=n-1

Untuk hipotesis dua sisi H0 : 2 = c lawan H1 : 2  c

Daerah penolakan H0  2 < 21-/2 dan 2 > 2/2

2 2
Untuk hipotesis satu sisi H0 :  = c lawan H1 :  < c Daerah penolakan H0 
2 2
 < 1-

2 2
Untuk hipotesis satu sisi H0 :  = c lawan H1 :  > c Daerah penolakan H0 
2 2
 > 

Contoh :

Seorang konsultan mengatakan bahwa umur baja ringan pada kap rumah
yang diproduksinya mempunyai simpangan baku 0,9 tahun. Bila suatu contoh
acak 10 baja ringan menghasilkan simpangan baku s = 1,2 tahun, apakah menurut
anda simpangan baku tersebut lebih besar dari 0,9 tahun? Gunakan taraf nyata
0,05.

Penyelesaian:

1. Hipotesis
2 2 2
H0 :  = 0,9 = 0,81 dan H1 :  > 0,81 (satu sisi)

87
 2 2
2. Tingkat signifikansi  = 0,05   = 0,05 = 16,919
3. Statistik Uji

4. Daerah kritik

2 2 2
5. H0 ditolak :  >     > 16,919

6. Keputusan
2 2
Karena  <   (16,0 < 16,919), H0 diterima
7. Kesimpulan
Bahwa tidak ada alasan untuk meragukan bahwa simpangan bakunya adalah
0,9 tahun.

8.4.2 Pengujian Hipotesis Dua Populasi

Misalkan kita tertarik untuk membandingkan efisiensi 2 mesin,
mesin A dan mesin B, mana yang lebih baik, atau kita tertarik untuk
membandingkan potensi tanaman pada varietas A dan varietas B, apakah
terdapat perbedaan hasil panen varietas A dan B, maka hipotesis yang akan
di uji adalah:

a. H0 : A = B (tidak terdapat perbedaan pada kedua varietas tersebut)

b. H1 : A B (terdapat perbedaan pada kedua varietas tersebut)
Atau kita ingin menguji apakah varietas A lebih baik daripada
varietas B? maka hipotesisnya:

H0 : A = B versus H1 : A < B

1. Pengujian Dua  Untuk Ragam Populasi Diketahui

88
 Statistik yang digunakan :

Decision rule (kaidah keputusannya) sama dengan sebelumnya.

Contoh :

Dari suatu survei di dua daerah yang menjual semen masing-

masing dengan contoh 30 dan 36 berturut-turut diperoleh nilai
tengah pendapatan per kapita per bulan Rp 45.000 di daerah A dan
Rp 47.500 untuk daerah B. Jika diketahui bahwa ragam
pendapatannya sebesar (Rp.6.000)2 dan (Rp.7.500)2 berturut-turut,
dengan taraf kepercayaan 95%, tentukan apakah pendapatan rata-rata
di A berbeda dengan di B atau tidak!

Jawab:

1. Hipotesis
H0 : A = B versus H1 : A B (uji dua sisi)

2. Tingkat signifikansi  = 0,05 Z/2 = Z0,025 = 1,96

3. Statistik Uji

4. Daerah kritik

H0 diterima : -Z/2 < Z < Z/2  -1,96 < Z < 1,96

H0 ditolak : Z > Z/2 atau Z < -Z/2  Z > 1,96 atau Z <-1,96

89
 5. Keputusan
Karena -Z/2 < Z < Z/2 (-1,96 < Z < 1,96), maka H0 diterima

6. Kesimpulan
Bahwa pendapatan perkapita dua daerah tersebut adalah sama.

2. Pengujian Dua  Untuk Ragam Populasi Tidak Diketahui

Sama seperti uji satu populasi, jika ragam tidak diketahui,
statistik uji yang digunakan adalah statistik t.

Bila ragam populasi untuk kedua populasi tersebut tidak diketahui,

kita harus menyelidiki contoh A (dari populasi A) dan contoh B (dari
populasi B) apakah populasi tersebut berpasangan atau tidak.

1. Jika contoh A, yang diambil bebas terhadap contoh B. Artinya, kita

mengambil secara acak contoh A berukuran nA dan kita juga
mengambil contoh B secara acak berukuran nB. Jenis pengujian ini
dinamakan uji t tidak berpasangan.

8.5 Uji t Tidak Berpasangan

Terdapat permasalahan dalam uji t tidak berpasangan, yaitu apakah dua

populasi tersebut berasal dari ragam yang sama atau tidak?

2 2
Untuk itu kita harus mengujinya apakah  A sama dengan  B atau tidak.
Hipotesis untuk menguji hal itu adalah sebagai berikut:

2 2
H0 :  A = B (artinya kedua populasi berasal dari ragam yang sama)

2 2
H1 :  A  B (artinya kedua populasi berasal dari
ragam yang sama) Statistik uji yang digunakan adalah
statistik F.

90
 2 2
di mana s 1 adalah ragam terbesar dari dua populasi tersebut (apakah s A atau
2 2
s B) dan s 2 adalah ragam terkecil di antara keduanya.

F tersebut dibandingkan dengan F dengan db1 = n1 – 1 dan db2 = n2 – 1.

Jika F < F maka H0 diterima, artinya ragam populasi sama, sedangkan bila

F > F maka H0 ditolak, artinya ragam populasi berbeda.

1. Untuk ragam populasi sama

Karena kedua ragam sama, maka ragamnya dapat di gabung :

Statistik uji nya :

di bandingkan dengan t (untuk satu sisi) dan t/2 (untuk dua sisi) dengan

db = nA + nB – 2

2. Untuk ragam populasi tidak sama

di bandingkan dengan t (untuk satu sisi) dan t /2 (untuk dua

sisi) dengan

91
db =

contoh :

Kemampuan beton prategang dengan beton pracetak akan diuji kuat tekannya .
Pada masing-masing beton diambil secara acak 14 beton prategang (dinamakan
sampel A) dan 18 beton pracetak (dinamakan sampel B).

Dari data yang diperoleh, setelah dilakukan perhitungan, ternyata bahwa =

2 2
68,5; = 66,0 ; s A = 110,65 dan s B = 188,59. Dengan tingkat kesalahan 5%,

ingin ditentukan apakah kemampuan kedua beton tersebut sama atau tidak.

Jawab:

Hipotesis yang akan di uji:

H0 : A = B versus H1 : A B

Untuk menentukan apakah ragam kedua populasi itu sama atau tidak dilakukan uji
F.

s 21 s2 B 188,59
F= =  = 1,70
2 2
s 2 s A 110,65
Dengan F0,05 dengan db1=18-1 = 17 dan db2=14-1=13 sebesar 2,357. Karena F <

F0,05 maka ragam kedua populasi adalah sama. Maka ragam gabungannya:

92
 =

Statistik uji t yang digunakan:

Dengan t0,025 dan db = nA + nB – 2 = 14 + 18 – 2 = 30 adalah sebesar 2,045.

Karena t terletak di antara –t0,025 < t < t0,025 maka H0 diterima, artinya tidak
terdapat perbedaan kemampuan kuat tekan beton prategang dan beton pracetak.

Contoh :

Penelitian terhadap suatu benda uji beton mengambil 2 contoh masing-

masing berukuran 15 dan 10. Berdasarkan hasil pengukuran diperoleh ,

2 2
,s A = 10 dan s B = 35. Tentukan apakah kedua contoh di atas berasal

dari populasi dengan nilai tengah sama atau tidak!

Jawab :

Hipotesis yang akan di uji:

H0 : A = B versus H1 : A B

Untuk menentukan apakah ragam kedua populasi itu sama atau tidak dilakukan uji
F

F=
s 21 = 2
s B  35 = 3,5

93
 s22 s2 A 10
Dengan F0,05 dengan db1=10-1 = 9 dan db2=15-1=14 sebesar 2,65. Karena F >

F0,05 maka ragam kedua populasi adalah tidak sama.

Statistik uji t yang digunakan:

db =

Dengan t0,025(11) = 2,201

Karena t terletak di antara –t0,025 < t < t0,025 maka H0 diterima, artinya nilai tengah
kedua populasi sama.

2. Jika pada setiap pengukuran contoh A dan B diambil secara berpasangan.

Dengan demikian, ukuran untuk contoh A dan B adalah sama, yaitu
katakanlah n. Jenis pengujian ini dinamakan uji t berpasangan.

8.6 Uji t Berpasangan

Dua sampel yang diamati secara berpasangan, artinya dalam setiap


pengukuran yang diukur adalah pasangan [A,B]. Karena pengamatannya secara

berpasangan maka dalam setiap pengamatan X A dan XB tidak lagi bebas sesamanya


meski bebas antara pasangan yang satu dengan pasangan yang lain. Sebagai

contoh, XA dan XB masing-masing kadar auksin ruas pertama dan kedua dari

94
pucuk burung tanaman teh atau XA dan XB berturut-turut kadar vitamin C bagian

ujung dan pangkal dari sebuah buah mangga. Atau lebih ekstrim lagi, yaitu
detak jantung seseorang pada saat biasa, dan pada saat dekat dengan belahan jiwa.

Metode uji t berpasangan ini adalah sama dengan pengujian hipotesis satu
populasi, yaitu data selisih dari kedua populasi tersebut.

Dibandingkan dengan t/2 (dua sisi) dan t (satu sisi) dengan derajat bebas = n – 1

Contoh :

Suatu penelitian ditujukan untuk mempelajari apakah ada perbedaan

banyaknya tulangan besi antara kolom dan balok dalam 10 bangunan.

1 2 3 4 5 6 7 8 9 10
Kolom 1,4 3,3 2,0 0,4 2,1 1,9 1,1 0,1 0,9 3,0
Balok 1,1 1,7 1,8 0,3 0,8 1,4 1,0 0,4 0,7 0,9

Pengamatan di atas jelas pengamatan berpasangan, dan kita memandang baik

bagian kolom (XA) maupun bagian b (XB) pada setiap pasangan tidak bebas
sesamanya. Yang harus dicari adalah selisih antara bagian kolom dan balok:

1 2 3 4 5 6 7 8 9 10
Kolom 1,4 3,3 2,0 0,4 2,1 1,9 1,1 0,1 0,9 3,0
Balok 1,1 1,7 1,8 0,3 0,8 1,4 1,0 0,4 0,7 0,9
D 0,3 1,6 0,2 0,1 1,3 0,5 0,1 -0,3 0,2 2,1
Hipotesis yang akan diuji:

95
H0 : = versus H1 :

Atau H0 : = 0 versus H1 : 0

Di mana kita peroleh DX = 0,61 dan s2 = 0,6077

Dengan db = n – 1 = 10 – 1 = 9, diperoleh t 0,025 = 2,262 . Karena t > t0,025 maka

H0 ditolak, artinya banyaknya tulangan besi antara kolom dan balok terdapat
perbedaan. Karena DX > 0, di mana D adalah selisih bagian kolom dengan bagian
balok, maka bagian kolom memiliki jumlah tulangan besi yang lebih banyak.

2. Pengujian Dua Proporsi

Misalkan pada dua populasi, populasi A berukuran N dengan karakteristik x

sebanyak Nx, dan populasi B yang berukuran M dengan karakteristik x sebanyak

Mx. Dari contoh berukuran n dan m yang diambil secara acak dari populasi

pertama dan kedua berturut-turut ternyata dengan karakteristik x sebanyak nx dan

mx.

Penduga proporsi untuk kedua populasi tersebut adalah:

pˆA  dan pˆB 

Hipotesis yang akan diuji : H0 : dan H0 :

Statistik Uji Z :

Contoh:
Suatu penelitian dilakukan untuk mempelajari pengaruh penambahan kulit kerang

96
dalam campuran terhadap kuat tekan beton tersebut. Untuk itu disiapkan 200 dan
250 benda uji tanpa penambahan kulit kerang dan dengan penambahan kulit
kerang berturut-turut. Setelah dilakukan pengujian ternyata 90 dan 60 benda uji
hancur pada tekanan 25 Mpa berturut-turut. Dengan tingkat kesalahan 5%,
tentukan apakah ada pengaruh penambahan kulit kerrang terhadap kuat tekan atau
tidak !

Jawab :

Jika ada pengaruh penambahan kulit kerang, maka proporsi beton hancur tersebut
adalah berbeda. Maka hipotesis yang akan di uji adalah:

- H0 : pA = pB (artinya penambahan kulit kerang pada campuran beton tidak

berpengaruh terhadap kuat tekan beton )

- H1 : pA  pB (artinya penambahan kulit kerang pada campuran beton

berpengaruh terhadap kuat tekan beton) Kita samakan persepsi, benda A adalah
penambahan kulit kerang, dan benda B adalah tanpa penambahan kulit kerang.
- n = 200 m= 250

Maka

pˆA 

pˆB 

Berdasarkan tabel normal baku, Z0,025 = 1,96. Karena Z > Z0,025 maka H0 ditolak ,
artinya penambahan kulit kerrang terhadap kuat tekan beton tersebut.

97
8.7 Data SPSS

Memasukkan data Uji t Berpasangan dan mean ke dalam aplikasi SPSS

Langkah-langkah sederhana untuk melakukan input data dengan SPSS sebagai

berikut:

 Uji T Berpasangan

1. Buka aplikasi SPSS

Klik All Programs › IBM SPSS Statistics › IBM SPSS Statistics 22.
2. Variable view : mengedit dan melihat variabel data pada lembar

kerja
Anda dapat mengedit Variable View untuk mengubah nama
variabel, tampilan data, type data, panjang tampilan data.

3. Data View : input data melalui lembar kerja dengan tab Data View
Data View adalah tampilan lembar kerja SPSS untuk menampilkan isi dari
input data. Data yang dimasukkan diinput secara vertikal

98
4. Klik kanan Analyze > Compare Means > Paired-Samples T Test

5. Memasukkan variabel dari sampel berpasangan

99
6. Klik OK
Setelah klik ok hasil analisis ditampilkan pada jendela output

7. Klik save
 Mean
Langkah-langkah sederhana untuk melakukan input data dengan SPSS sebagai
berikut:

100
1. Buka aplikasi SPSS

Klik All Programs › IBM SPSS Statistics › IBM SPSS Statistics 22.
2. Variable view : mengedit dan melihat variabel data pada lembar

kerja
Anda dapat mengedit Variable View untuk mengubah nama
variabel, tampilan data, type data, panjang tampilan data.

3. Data View : input data melalui lembar kerja dengan tab Data View
Data View adalah tampilan lembar kerja SPSS untuk menampilkan isi dari
input data. Data yang dimasukkan diinput secara vertikal

101
4. Klik kanan Analyze > Compare Means > Means

5. Memasukkan variabel dari sampel berpasangan

102
6. Klik OK
Setelah klik ok hasil analisis ditampilkan pada jendela output

7. Klik Save

103
 BAB IX

VARIABEL PENELITIAN

9.1 Pengertian Variabel Penelitian

Variabel adalah objek penelitian, atau apa yang menjadi fokus di dalam
suatu penelitian, baik yang berbentuk abstrak maupun real

Penelitian adalah suatu proses penyelidikan yang dilakukan secara aktif,

tekun, dan sistematis, dimana tujuannya untuk menemukan, menginterpretasikan,
dan merevisi fakta-fakta.

Variabel penelitian adalah suatu atribut atau sifat atau nilai dari orang, objek
atau kegiatan yang mempunyai variasi tertentu yang ditetapkan oleh peneliti
uantuk dipelajari dan kemudian ditarik kesimpulannya (Sugiyono, 2012:61)

9.1.1 Pengertian Variabel Penelitian menurut Para Ahli

a. Kerlinger (2006 : 49) – Variabel Penelitian adalah konstruk atau sifat
yang akan dipelajari yang memiliki nilai yang bervariasi. Variabel juga
sebuah lambang atau nilai yang padanya kita letakkan sembarang nilai
atau bilangan.

b. Sugiyono (2009 : 60) – Variabel Penelitian adalah sesuatu yang

berbentuk apasaja yang ditetapkan oleh seorang peneliti untuk
dipelajari sehingga diperoleh informasi mengenai hal tersebut,
kemudian ditarik kesimpulannya.

c. Suharsimi Arikunto (1988: 99) – Variabel Penelitian adalah objek

penelitian atau apa yang menjadi titik perhatian suatu penelitian.

d. Freddy Rangkuti – Variabel Penelitian adalah sebuah konsep yang

mempunyai nilai yang bervariasi. Dari nilai variabel tersebut dapat
dibedakan menjadi empat tingkatan skala yaitu rasio, ordinal, nominal
dan internal.

104
e. Sutrisno Hadi – Variabel Penelitian adalah variasi dari objek penelitian
seperti ukuran tinggi manusia yang divariasikan menjadi tingkatan
umur, kelamin bahkan lokasi tinggal manusia tersebut.

f. Eddy Soeryanto – Variabel Penelitian adalah objek penting dalam riset

pemasaran.

g. Robbin Pearson – Variabel Penelitian adalah semua karakteristik

umum yang dapat diukur dan dapat berubah dalam intensitas,
keleluasaan atau keduanya.

h. Bagja Waluya – Variabel Penelitian adalah konsep yang tidak pernah

ketinggalan dalam setiap eksperimen atau penelitian.

i. Tia Mutiara – Variabel Penelitian adalah sesuatu yang menjadi fokus

perhatian atau pusat yang memberikan pengaruh dan mempunyai nilai.

9.1.2 Ciri – Ciri Variabel Penelitian

Suatu penelitian variabel harus memiliki 3 ciri khusus diantaranya

yaitu :

a. Variabel memiliki nilai yang bervariasi

Variabel membedakan objek satu dengan objek lain dalam suatu
populasi, maka dari itu nilai dari suatu variabel haruslah bervariasi.
Misalnya : dalam suatu populasi di sebuah desa terdapat masyarakat
yang memiliki profesi masing – masing, profesi para masyarakat ini
dapat dikatakan sebuah variabel apabila terdapat perbedaan antara
yang satu dengan yang lainnya, dan tidak dapat dinyatakan sebagai
variabel apabila masyarakat desa tersebut seluruhnya memiliki profesi
yang sama.
b. Variabel membedakan satu objek dengan objek yang lainnya
Objek – objek bisa menjadi anggota populasi karena memiliki
suatu karakteristik yang sama. Walaupun sama, objek – objek dalam
populasi masih bisa dibedakan satu sama lainnya dalam suatu
variabel. Contohnya, populasi mahasiswa terdiri dari anggota yang
mempunyai satu kesamaan karakterisktik, yaitu mahasiswa. Selain

105
 dari kesamaan tersebut, diantara mahasiswa tersebut memiiliki
perbedaan dalam hal usia, agama, jenis kelamin, motivasi belajar, cara
belajar, prestasi, tempat tinggal, pekerjaan orang tua, bakat,
kecerdasa, dan sebagainya. Perbedaan – perbedaan tersebut
merupakan variabel dikarenakan memiliki sifat membedakan di antara
objek yang ada di dalam populasi mahasiswa tersebut.
c. Variabel dapat di ukur
Penelitian kuantitatif mengharuskan adanya hasil penelitian
yang objektif, terukur dan selalu terbuka untuk diuji. Variabel berbeda
dengan konsep, karena konsep belum tentu dapat diukur sedangkan
variabel bisa diukur. Variabel adalah operasionalisasi konsep (Bouma,
1993:38). Contohnya sebagai berikut, belajar adalah konsep dan hasil
belajar adalah variabel, mahasiswa adalah konsep dan jumlah
mahasiswa adalah variabel. Dengan demikian data dari variabel
penelitian harus stampak dalam perilaku yang bisa diukur dan
diobservasi, misalnya prestasi belajar adalah jumlah jawaban yang
benar dihasilkan oleh mahasiswa dalam mengerjakan sebuah tes.

9.2 Macam – Macam Variabel Penelitian

Suatu penelitian di dalamnya selalu terdapat variabel, baik yang berupa
variabel tunggal ataupun variabel jamak yang harus dinyatakan secara eksplisit
oleh seorang peneliti. Variabel tersebut di dalamnya juga selalu mengandung
beberapa gejala yang membedakannya satu dengan yang lainnya. Berikutnya juga
di dalam setiap gejala bisa juga ditemui berbagai unsur atau aspek atau faktor
yang perlu diidentifikasi secara cermat.

Dalam suatu kegiatan penelitian dikenal berbagai macam penamaan

variabel. Dari berbagai macam penamaan itu, paling tidak bisa diklasifikasikan
berdasarkan lima aspek, yaitu:

9.2.1 Sifat Variabel

Berdasarkan sifatnya, variabel penelitian bisa dikelompokan
menjadi dua, yaitu variabel statis dan variabel dinamis.

a. Variabel Statis

106
 Variabel statis adalah variabel yang memiliki sifat yang tetap, tidak
bisa diubah keberadaan maupun karakteristiknya. Dalam kondisi yang
normal dan wajar sifat-sifat tersebut sukar untuk diubah, misalnya
seperti jenis kelamin, jenis status sosial ekonomi, jenis pekerjaan,
tempat tinggal dan sebagainya. Variabel statis ini juga ada yang
menyebutnya dengan variabel atributif (Sudjarwo dan Basrowi,
2009:198). Sifat yang ada padanya adalah tetap, untuk itu penelitian
hanya mampu untuk memilih atau menyeleksi. Oleh sebab itu
variabel ini juga dikenal juga dengan nama variabel selektif. Menurut
Suharsimi (2006:124), selain menggunakan istilah variabel statis, juga
menggunakan istilah variabel tidak berdaya untuk masud yang sama,
dikarenakan peneliti tidak mampu mengubah ataupun mengusulkan
untuk merubah variabel ini.
b. Variabel Dinamis
Variabel dinamis adalah suatu variabel yang bisa diubah
keberadaannya ataupun karakteristiknya. Variabel ini memungkinkan
untuk dilakukan manipulasi maupun diubah sesuai dengan ktujuan
yang dikehendaki oleh peneliti. Pengubahan tersebut bisa berupa
peningkatan ataupun penurunan. Contohnya seperti berikut; motivasi
belajar, kinerja pegawai, prestasi belajar, dan sebagainya. Selain
memakai istilah variabel dinamis, untuk maksud yang sama Suharsimi
(2006:124) memakai istilah variabel berubah. Sedangkan Sudjarwo
dan Basrowi (2009:197) memakai istilah variabel aktif, untuk
menyebut variabel dinamis ini.

9.2.2 Hubungan Atar Variabel

Berdasarkan hubungan antar variabel maka variabel dalam sebuah
penelitian bisa dikelompokan menjadi:

a. Variabel Bebas (Independent Variable)

Variabel bebas merupaka variabel yang mempengaruhi atau
menjadi penyebab terjadinya perubahan pada variabel lain. Sehingga
dapat dikatakan bahwa perubahan yang terjadi pada variabel ini
diasumsikan akan mengakibatkan terjadinya perubahan pada variabel
yang lainnya. Variabel ini dinamakan variabel bebas dikarenakan

107
 keberadaan variabel ini tidak bergantung pada adanya variabel yang
lain atau bebas dari ada atau tidaknya variabel lain.
Contoh berikut akan lebih memudahkan untuk memahami
variabel bebas dalam sebuat penelitian. Bila dalam sebuah penelitian
dinyatakan akan berusaha mengungkap “pengaruh motivasi belajar
terhadap prestasi belajar mahasiswa”, maka variabel bebasnya adalah
“motivasi belajar”. Variabel ini disebut variabel bebas karena adanya
variabel ini tidak bergantung pada variabel lain, sedangkan variabel
“prestasi belajar” bergantung dan dipengaruhi oleh variabel “motivasi
belajar”.
Variabel bebas sering juga dikenal sebagai variabel stimulus,
pengaruh dan prediktor. Dalam structural Equation Modelling (SEM)
atau permodelan persamaan struktural, variabel bebas ini disebut
sebagai variabel eksogen.
b. Variabel Terikat (Dependent Variable)
Variabel terikat adalah variabel yang keberadaannya
dipengaruhi atau menjadi akibat, karena adanya variabel bebas.
Dinamakan variaabel terikat karena kondisi atau variasinya terikat
atau dipengaruhi oleh variasi variabel lain, yaitu dipengaruhi oleh
variabel bebas. Variabel terikat ini ada juga yang menyebutnya
sebagai variabel tergantung, karena variasinya tergantung kepada
variasi variabel yang lain. Selain itu ada juga yang menamakan
variabel output, kriteria ataupun respon. Dalam Structural Equation
Modelling (SEM) atau permodelan persamaan struktural, variabel
bebas ini disebut sebagai variabel indogen.
Contoh: jika peneliti hendak mengungkap “pengaruh motivasi
belajar terhadap prestasi belajar siswa”, maka yang menjadi variabel
terikatnya adalah “prestasi belajar siswa”. Variabel ini disebut sebagai
variabel terikat karena tinggi ataupun rendahnya prestasi beljar siswa
tergantung dan dipengaruhi oleh variabel motivasi belajar.

c. Variabel Kontrol (Control Variable)

108
 Varibael ini merupakan variabel yang di dalam hal tertentu
dibatasi atau dikendalikan pengaruhnya sehingga tidak berpengaruh
atau tidak meimiliki efek terhadap gejala yang sedang diteliti, ataupun
dengan kata lain pengaruh varibael bebas terhadap variabel terikat
tidak dipengaruhi oleh faktor luar yang tidak diteliti. Dalam beberapa
penelitian variabel ini tidak secara eksplisit dinyatakan, akan tetapi
pada penelitian yang lebih bersifat eksperimental pengendalian
variabel ini merupakan hal sangat penting sekali. Hal ini dilakukan
guna mengurangi kompleksitas atau kerumitan permasalahan yang
sedang diteliti. Selain dipakai dalam penelitian eksperimental,
variabel kontrol juga sering dipakai oleh peneliti, jika hendak
melakukan penelitian yang bersifat membandingkan.
Contohnya sebagai berikut: Pengaruh motode mengajar
terhadap prestasi belajar siswa. Varibel bebas pada penelitian ini
adalah metode mengajar, sedangkan untuk variabel terikatnya adalah
prestasi belajar siswa, variabel kontrol yang ditetapkan sama adalah
mata pelajaran yang sama misalnya pada pelajaran fisika. Dengan
adanya penetapan variabel kontrol tersebut, maka besarnya pengaruh
metode mengajar terhadap prestasi belajar siswa dapat diketahui lebih
pasti.

d. Variabel Moderator (Moderator Variabel)

Varabel moderator merupakan variabel yang memperkuat
ataupun memperlemah pengaruh variabel bebas terhadap variabel
terikatnya. Menurut Sugiyono (2010:39), variabel moderator ini
disebut dengan istilah variabel independent ke dua. Secara definisi
hampir sama dengan variabel kontrol, hanya saja di sini pengaruh

109
 variabel itu tidak ditiadakan atau dinetralisir akantetapi bahkan
dianalisis atau diperhitungkan. Sebagai contoh: hubungan kebiasaan
belajar dengan prestasi belajar akan semakin kuat bila ditopang
dengan IQ yang baik, dan hubungan semakin rendah jika IQ kurang
baik.

e. Variabel Antara (Intervening Variabel)

Variabel Intervening atau variabel antara ini merupakan
variabel yang secara teoritis mempengaruhi hubungan antara variabel
bebas terhadap variabel terikat menjadi hubungan yang tidak
langsung dan tidak dapat diamati dan diukur. Variabel ini merupakan
variabel penyela yang terletak diantara varibel bebas dan terikat,
sehingga varibel bebas tidak langsung memperngaruhi berubanhya
atau timbulnya variabel terikat. Contohnya: Pengaruh pendapatan
terhadap harapan hidup seseorang. Tinggi rendahnya pendapatan
seseorang secara tidak langsung akan mempengaruhi usia harapn
hidup. Dikatakan tidak langsung karena tingkat pendapatan seseorang
sebenarnya berpengaruh langusng terhdapa gaya hidup, sedangkan
gaya hidup akan mempengaruhi secara langsung terhadap usia
harapan hidup. Dengan demikian diantara variabel pengaruh tingkat
pendapatan terhadap usia harapan hidup ada variabel antara, yaitu
variabel gaya hidup, sedangkan antara variabel tingkat pendapatan
dengan variabel gaya hidup terdapat variabel moderator, yaitu budaya
lingkungan tempat tinggal (sugiyono, 2010:40).

9.2.3 Urgensi Pembakuan Instrumen

Berdasarkan perlu atau tidaknya pembakuan instrumen untuk
mengumpulkan data, maka variabel dapat dikelompokan menjadi variabel
faktual dan variabel konseptual (Purwanto, 2007:9)

110
a. Variabel Faktual
Variabel ini meruakan variabel yang ada di dalam fakta-
faktanya. Contoh variabeel faktual antara lain, agama, jenis kelami,
pendidikan, usia, asal sekolah, status perkawinan, asal sekolah, asal
tempat tinggal, dan sebagainya. Karena sifatnya yang faktual, maka
jika terdapat kesalahan dalam pengumpulan data, kesalahan bukan
terletak pada instrumen akan tetapi pada responden, misalnya
memberi jawaban yang tidak jujur. Instrumen untuk mengumpulkan
data variabel faktual tidak perlu dibakukan. Tidak perlu dilakukan uji
validitas dan reliabilitas.
b. Variabel Konseptual
Variabel konseptual adalah variabel yang tidak terlihat dalam
fakta akan tetapi tersembunyi dala suatu konsep. Variabel konsep
hanya diketahui berdasarkan indikator yang nampak. Contoh variabel
konsep yiatu prestasi belajar, minat, kecerdasan, motivasi belajar,
bakat, konsep diri, kinerja, dan lain sebagainya. Karena tersembunyi
dalam konsep, maka keakuratan data dari variabel konsep tergantung
pada keakuratan indikator dari konsep-konsep yang dikembangkan
oleh peneliti.
Kesalahan data dalam pengukuran bisa disebabkan oleh
kesalahan konsep beserta indikator pada instrumen yang
dikembangakan oleh peneliti. Kesalahan data dari variabel prestasi
belajar, contohnya kemungkinan disebabkan oleh instrumen
pengumpulan data prestasi, baik melalui tes maupun dengan non tes
yang salah konsep. Untuk memastikan instrumen tidak salah konsep
maka sebelum digunakan untuk mengumpulkan data variabel konsep,
instrumen harus diuji validitas dan reliabitilitasnya.

9.2.4 Tipe Skala Pengukuran

Variabel dapat dibedakan berdasarkan pada tipe skala
pengukurannya. Ada empat tingkat variasi yang dihasilkan dari hasil
pengukuran terhadap variabel, yaitu nominal, ordinal, interval, dan rasio.

a. Variabel Nominal

111
 Variabel ini dikenal juga dengan vaiabel diskrit. Sesuai dengan
namanya nominal atau nomi yang berarti nama, menunjukkan label
atau tanda yang hanya untuk membedakan atara variabel satu dengan
variabel yang lainnya. Variabel nominal adalah variabel yang hanya
dapat digolongkan secara terpisah, secara diskrit, secara kategori.
Contohnya jenis kelamin, jenis sekolah, wilayah, agama dan lain
sebagainya. Variabel nominal adalah variaebl yang mempunyai variasi
yang paling sedikit, yaitu perbedaan.
Sekala pengukuran dari variabel nominal merupakan skala yang
paling sederhana di mana angka yang diberikan kepada suatu kategori
tidak menggambarkan kedudukan tersebut terhadap katergori yang
lainnya akan tetapi hanya sekedar kode atau label. Misalnya variabel
jenis kelamin dikelompokkan menjadi dua kategori, yaitu laki-laki
dan perempuan. Selanjutnya kategori laki-laki diberi label 1 dan
kategori perempuan diberi label 2, disini tidak berarti kategori wanita
bernilai lebih tinggi dibandingkan dengan kategori laki-laki. Karena
pada variabel ini angka yang diberikan tidak memiliki nilai intrinsik.
Skala nominal hanya menunjukkan perbedaan, tidak menunjukkan
jarak perbedaan, kedudukan maupun perbandingan.
Penelitian terhadap variabel nominal memiliki kegunaan yang
terbatas. Dalam penelitian yang bersifat terbatas, hanya bisa diketahui
adanya suatu hubungan atau pengaruh, tetapi tidak bisa mengetahui
tingkat pengaruh antar variabel yang sedang diteliti.

b. Variabel Ordinal
Variabel ini merupakan variaebl yang mempunyai variasi
perbedaan, urutan atau tingkatan (order), tetapi tidak mempunyai
kesamaan jarak perbedaan serta tidak dapat diperbandingkan. Urutan
ini menggambarkan adanya gradasi atau peringkat, tetapi jarak tingkat
yang satu dengan tingkat yang lainnya tidak bisa diketahui dengan
pasti.
Contoh variabel ordinal yaitu peringkat kejuaraan, yang mana
selisih yang menggambarkan jarak pencapaian skor atau perstasi juara
I, II, dan III tidak dipermasalahkan. Contoh lain adalah rangking

112
 prestasi belajar siswa yang diperoleh dari skor hasil ujian, sebagai
misal rangking I mempunyai skor 90, rangking II mempunyai skor 88,
rangking III mempunyai skor 80, dan seterusnya. Dalam menentukan
rangking tersebut selisih jumlah skor masing – masing peringkat tidak
dipermasalahkan. Jarak anatara rangking tidak sama, jarak rangking I
dengan rangking II mempunyai jarak dua skor, sedangkan rangking II
dengan rangking III mempunyai jarak delapan skor.
Ordinal merupakan angka yang menunjukkan posisi dalam suatu
urutan, dalam suaru seri. Skala ordinal yang disebut juga skala
berjenjang berbentuk peringkat menggolongkan subjek menurut
jenjangnya, tanpa memperhatikan jarak antara golongan yang satu
dengan yang lain. Satu –satunya syarat penggolongan adalah adanya
tingkatan atau jenjang yang berbeda, adanya order. Skala ordinal tidak
hanya mengkategorikan variabel yang menunjukkan perbedaan
kalitatif antara berbagai kategori, tetapi juga mengurutkan kategori
berdasarkan suatu cara tertentu.
c. Variabel Interval
Variabel ini merupakan variabel yang skala pengukurannya bisa
dibedakan, bertingkat, dan mempunyai jarak yang sama dari satuan
hasil pengukuran, akan tetapi tidak bersifat mutlak dan tidak bisa
diperbandingkan. Contahnya hasil belajar siswa yang diberikan angka
4,5,6,7,8 dan seterusnya. Skala penilaian antara 1 hingga 10
mempunyai satuan 1 per unit. Jarak antara 4 dengan 5 sama dengan
jarak antara 5 dengan 6 dan seterusnya, namun angka-angka tersebut
tidak mempunyai arti perbandingan. Artinya bahwa angka 4 yang
diperoleh siswa tidak berarti kepintaranya setengah dari kepintaran
siswa yang mendapatkan angka 8. Hal ini karena angka dalam skal
interval tidak mempunyai sifat absolut sehingga tidak bisa
diperbandingkan.
Variasi dalam variabel interval mempunyai perbedaan, urutan, dan
jarak perbedaan yang sama besar antar variabelnya. Oleh sebab itu,
skala ini lebih baik daripada skala nominal dan skala ordinal, dan
hasil pengukurannya mempunyai kecendrungan sentral, dan rata-rata.

113
 Hasil pengukuran dari dispersi adalah mean, meidan, mode, standar
deviasi, dan sebagainya.
d. Variabel Rasio
Variabel rasio merupakan variabel yang mempunyai skor yang
bisa dibedakan, diurutkan, mempunyai kesamaan jarak perbedaan,
dan bisa diperbandingkan. Dengan demikian variaebl yang
mempunyai skala rasio merupakan variabel yang mempunyai tingkat
tertinggi dalam penskalaan pengukuran variabel, karena bisa
menunjukkan perbedan, tingkat, jarak, dan dapat diperbandingkan.
Contohnya variabel berat badan, seorang berat badannya 30 kg adalah
setengah dari orang yang bertnya 60 kg.
Skala rasio merupakan skala yang pailng ideal, karena memiliki
titik nol absolut yang berarti pencatatan dengan bilngan nol akan
menunjukkan gejala sama sekali tidak ada. Skala rasio memiliki jarak
yang sama sehingga dapat mengatakan dengan persis bahwa A dua
kali berat B. Variabel rasio mempunyai variasi paling banyak, yaitu
perbedaan, urutan, tingkat, kesamaan jarak perbedaan dan
perbandingan.
Variabel interval dan variabel rasio diperlakukan sama dalam
statistik, karena kedua-duanya mempunyai sifat yang serupa untuk
dikenai operasi matematika, misalnya dapat dicari rata-ratnya,
dipangkatkan, dibagi dan sebagainya.

9.2.5 Penampilan Waktu Pengukuran

Berdasarkan penampilan atau performa saat akan diukur, variabel
bisa dibedakan menjadi dua yaitu variabel maksimalis dan variabel
tipikalis.

a. Variabel Maksimalis
Yaitu merupakan variabel yang pada waktu pengumpulan
datanya responden didorong untuk menunjukkan penamipilan
maksimalnya. Berdasarkan penampilan maksimal tersebut dapat
diketahaui keberadfaan variabel tersebut pada responden. Instrumen

114
 yang digunakan untuk mengukur performan variabel maksimalis
adalah berupa tes.
Contoh variabel maksimalis antara lain bakat, kreativitas,
prestasi belajar dan sebagainya. Dalam pengumpulan data variabel
maksimalis, responden didorong untuk menunjukkan penampilan
yang maksimal dalam merespon tes, sehingga dapat diketahui tingkat
bakat, kreativitas dan sebagainya. Instrumen yang digunakan
misalnya tes bakat, tes kreativitas dan sebagainya.
b. Variabel Tipikalis
Variabel tipikalis merupakan variabel yang pada saat
pengumpulan datanya, responden tidak didorong untuk menunjukkan
penampilan yang maksimal tetapi lebih untuk melaporkan secara
jujur keadaan dirinya dalam variabel yang diukur.
Contoh variabel tipikalis yaitu minat, sikap terhadap mata
pelajaran tertentu, kepribadian, motivasi dan sebagainya. Pada saat
pengumpulan data responden didorong untuk merespon butir-butir
pada instrumen sesuai keadaan, pengalaman, perasaan, dan
pikirannya. Instrumen yang digunakan untuk mengumpulkan data
variabel tipikalis merupakan instrumen non tes, baik itu berupa
observasi, angket, wawancara, dan sebaginya.

9.3 Kegunaan dan Variabel Penelitian yang Baik

9.3.1 Kegunaan Variabe Penelitian
a. Untuk mempersiapkan alat dan metode pengumulan data
b. Untuk mempersiapkan metode analisis atau pengolahan data
c. Untuk pengujian hipotesis

9.3.2 Variabel Penelitian Yang Baik

a. Relevan dengan tujuan penelitian.
b. Dapat diamati dan dapat diukur
a. Dalam suatu penelitian, variabel perlu diidentifikasi, diklasifikasi,
dan didefinisikan secara operasional dengan jelas dan tegas.

115
 BAB X

REGRESI DAN KORELASI LINIER SEDERHANA

10.1. Pengantar Korelasi dan Regresi

Korelasi adalah istilah statistik yang menyatakan derajat hubungan liniear
antara dua variabel atau lebihb , yang ditemukan oleh Karl Ppearson pada awal
1990.Oleh sebab itu terkenal dengan sebuah Korelasi Pearson Product Moment
(PPM).Korelasi adalah salah satu teknik analisis statistik yang paling banyak
digunakan oleh para peneliti .Karena peneliti umumnya tertarik terhadap
peristiwa-peristiwa yang terjadi dan mencoba untuk
menghubungkannya.Misalnya kita ingin menghubungkan antara motivasi dengan
prestasi belajar atau bekerja (Pengantar Statistika :Husaini Usman dan Purnomo
Setiady Akbar).
Hubungan antara dua variabel didalam teknik korelasi bukanlah dalam arti
hubungan sebab akibat(timbal balik),melainkan hanya merupakan hubungan
searah saja.Hubungan sebab akibat ,misalnya :Tingkat prestasi siswa dengan
semangat belajar siswa.Untuk jelasnya,hubungan sebab akibat dapat diuraikan
dengan :Tingkat prestasi belajar siswa dapat menyebabkan semangat belajar
siswa,sebaliknya semangat belajar siswa dapat menyebabkan tingkat belajar siswa
.Jadi tidak jelas yang menjadi penyebab dan mana yang menjadi akibat.Keadaan
ini berbeda dengan hubungan searah (linear) didalam analisis korelasi.Di dalam
hanya dikenal hubungan searah saja (bukan timbal balik),seperti keliling lingkaran
bergantung pada diameternya (Pokok-pokok materi statistika 2 :Iqbal Hasan)
Data penyebab atau yang mempengaruhi disebut variabel bebas.Dan data
akibat atau yang dipengaruhi disebut variabel terikat.Istilah bebas disebut
independent dan biasanya dilambangkan dengan X atau X1,X2, X3,dst (tergatung
banyaknya variabel bebas).Sedangkan istilah terikat disebut dependet ,yang
biasanya disebut dengan Y.
Fungsi korelasi PPM :
1. Untuk menyatakan ada atau tidaknya hubungan yang signifikan
antara variabel satu dengan yang lainya

116
 2. Untuk menyatakan besarnya sumbangan variabel satu terhadap

yang lainnya yang dinyatakan dalam persen.Dengan demikian disebut

koefisien determinasi atau koefisien penentu.hal ini disebabkan x 100%

terjadi dalam variabel terikat Y yang mana ditentukan oleh variabel x.

Persyaratan yang harus dipenuhi dala, korelasi PPM
1. Variabel yang dihubungkan data berdistribusi normal
2. Variabel yang dihubungkan mempunyai data linear
3. Variabel yang dihubungkan mempunyai data yang dipilih secara acak
(random)
4. Variabel yang dihubungkan mempunyai pasangan yang samadari
subjek yang sama pula ( variasi skor variabel yang dihubungkan harus sama)
5. Variabel yang dihubungkan mempunyai dari interval atau rasio
Korelasi PPM dilambangkan (r) dengan ketentuan nilai r tidak lebih dari
harga (-1< r < + 1). Apabilah nilai r = -1 artinya korelasinya negatif sempurna;
r = 0 artinya tidak ada korelasi dan r = 1 berarti korelasinya sangat kuat.
Sedangkan arti harga r akan dikonsultasikan dengan tabel interpretasi nilai r
sebagai berikut.
Interpretasi Koefisien Korelasi Nilai r
Interval Koefisien Tingkat Hubungan
0,80 – 1 Sangat Kuat
0,60 – 0,799 Kuat
0,4 – 0,599 Cukup
0,20 – 0,399 Rendah
0,00 – 0,199 Sangat Rendah

Analisis regresi berguna untuk mendapatkan hubungan fungsional antara

dua variabel atau lebih atau mendapatkan pengaruh antara variabel prediktor
(dilambangkan dengan X) terhadap variabel kritekummnya (dilambangkan dengan
Y). Tujuan utama untuk penggunaan analisis itu adalah untuk meramalkan atau
memperkirakan nilai dari satu variabel dalam hubungannya dengan variabel yang
lain yang diketahui melalui persamaan garis regresinya. Perbedaannya pada

117
analisis regresi berganda adalah bahwa variable kritekum (Y) dapat dipengaruhi
oleh lebih dari satu variable predictor (X).
Pernyataan yang sering kita dengan adalah bahwa regresi dimengerti
dengan kata kunci pengaruh, dan korelasi dimengerti dengan kata kunci
hubungan. Pengertian sederhana itu tidaklah salah, akan tetapi, tidak ada salahnya
juga kita memahami secara lebih lanjut tentang regresi dan korelasi.
Analisis korelasi berkaitan erat dengan regresi, tetapi secara konsep berbeda
dengan analisis regresi. Analisis korelasi adalah mengukur suatu tingkat atau
kekuatan hubungan linear antara dua variabel. Koefisien korelasi adalah
mengukur kekuatan hubungan linear. Sebagai contoh, kita tertarik untuk
menemukan korelasi antara merokok dengan penyakit kanker, berdasarkan
penjelasan statistik dan matematika, pada anak sekolah dan mahasiswa (dst).
Dalam analisis regresi, kita tidak menggunakan pengukuran tersebut. Analisis
regresi mencoba untuk mengestimasi atau memprediksikan nilai rata-rata suatu
variabel yang sudah diketahui nilainya, berdasarkan suatu variabel lain yang juga
sudah diketahui nilainya. Misalnya, kita ingin mengetahui apakah kita dapat
memprediksikan nilai rata-rata ujian statistik berdasarkan nilai hasil ujian
matematika.
Hubungan antara Kolerasi dan Regresi adalah jika nilai r tinggi maka
nilai koefisien regresi juga tinggi dan begitu juga sebaliknya serta jika nilai r
positif maka nilai koefisien regresi juga positif dan begitu juga sebaliknya.

10.2. Pengertian Analisis Regresi

Analisis Regresi atau biasa disingkat sebagai anareg adalah metode yang
digunakan untuk mengukur pengaruh variabel bebas terhadap variabel tergantung.
Anareg juga bisa digunakan untuk memprediksi variabel tergantung dengan
menggunakan variabel bebas. Gujarati (2006) mendefinisikan analisis regresi
sebagai kajian terhadap hubungan satu variabel yang disebut sebagai variabel
yang diterangkan (the explained variabel) dengan satu atau dua variabel yang
menerangkan (the explanatory). Variabel pertama disebut juga sebagai variabel
tergantung dan variabel kedua disebut juga sebagai variabel bebas. Jika variabel
bebas lebih dari satu, maka analisis regresi disebut regresi linear berganda.

118
Disebut berganda karena pengaruh beberapa variabel bebas akan dikenakan
kepada variabel tergantung.

Analisis regresi berbeda dengan analisis korelasi. Jika dalam analisis

korelasi digunakan untuk melihat hubungan dua variable, maka analisis regresi
digunakan untuk melihat pengaruh variable bebas terhadap variable tergantung
serta memprediksi nilai variable tergantung dengan menggunakan variable bebas.
Dalam analisis regresi variable bebas berfungsi untuk menerangkan (explanatory)
sedang variable tergantung berfungsi sebagai yang diterangkan (the explained).
Dalam analisis regresi data harus berskala interval atau rasio. Hubungan dua
variable bersifat dependensi. Untuk menggunakan analisis regresi diperlukan
beberapa persyaratan yang harus dipenuhi.

10.3. Pengertian Analisis Regresi Linear Sederhana

Analisis regresi linier sederhana adalah hubungan secara linear antara satu
variabel independen (X) dengan variabel dependen (Y). Analisis ini untuk
mengetahui arah hubungan antara variabel independen dengan variabel dependen
apakah positif atau negatif dan untuk memprediksi nilai dari variabel dependen
apabila nilai variabel independen mengalami kenaikan atau penurunan.. Data yang
digunakan biasanya berskala interval atau rasio. Rumus regresi linear sederhana
sebagi berikut.

................. ..... (2.1)

119
 Y = adalah variabel dependen atau respon

X = adalah variabel bebas atau Independen

= adalah intercept atau konstanta

b = adalah koefisien regresi atau slope

= Jumlah data

10.4. Langkah-langkah Menganalisis Regresi Linear Sederhana

1. Tentukan tujuan dari melakukan Analisis Regresi Linear Sederhana.
2. Menentukan variabel X (independen) dan Y (dependen).
3. Lakukan pengumpulan data.
4. Menghitung dan total dar masing-masingnya.
5. Mengitung nilai a dan b dengan rumus.
6. Buatlah model Persamaan Regresi Linear Sederhana.
7. Lakukan prediksi variabel factor penyebab dan factor akibat.

10.5. Koefisien Korelasi

Koefesien korelasi ialah pengukuran statistik kovarian atau asosiasi antara
dua variabel. Besarnya koefesien korelasi berkisar antara +1 s/d -1. Koefesien
korelasi menunjukkan kekuatan (strength) hubungan linear dan arah hubungan
dua variabel acak. Jika koefesien korelasi positif, maka kedua variabel
mempunyai hubungan searah. Artinya jika nilai variabel X tinggi, maka nilai
variabel Y akan tinggi pula. Sebaliknya, jika koefesien korelasi negatif, maka
kedua variabel mempunyai hubungan terbalik. Artinya jika nilai variabel X tinggi,
maka nilai variabel Y akan menjadi rendah (dan sebaliknya).

Koefisien korelasi untuk 2 buah variabel X dan Y dengan jumlah data sebesar N,
dapat dihitung dengan menggunakan rumus yang dikembangkan oleh Karl
Pearson, yaitu:

120
Dimana :

N = Banyaknya pasangan data X dan Y

∑x = Total jumlah dari Variabel X
∑y = Total jumlah dari Variabel Y
∑x2 = Kuadrat dari total jumlah variabel X
∑y2 = Kuadrat dari total jumlah variabel Y
∑xy = Hasil perkalian dari total jumlah variabel X dan variabel Y

Untuk melakukan interpretasi kekuatan hubungan antara dua variabel dilakukan

dengan melihat angka koefesien korelasi hasil perhitungan dengan menggunakan
kriteria sebagai berikut:
 Jika angka koefisien korelasi menunjukkan 0, maka kedua variabel tidak
mempunyai hubungan.
 Jika angka koefisien korelasi mendekati 1, maka kedua variabel
mempunyai hubungan semakin kuat.
 Jika angka koefisien korelasi mendekati 0, maka variabel mempunyai
hubungan variabel semakin lemah.
 Jika angka koefisien korelasi sama dengan 1, maka kedua variabel
mempunyai hubungan linier sempurna positif.
 Jika angka koefisien korelasi sama dengan -1, maka kedua variabel
mempunyai hubungan linier sempurna negatif.

10.6. Koefisien Determinasi

Koefisien determinasi merupakan ukuran untuk mengetahui kesesuain atau
ketepatan antara nilai dugaan atau garis regresi dengan data sample. Koefisien
Determinasi adalah bagian dari keragaman total variable tak bebas Y (variable
yang dipengaruhi atau dependent) yang dapat diterangkan atau diperhitungkan
oleh keragaman variable bebas X (variabel yang mempengaruhi atau
independent). Jadi koefisien determinasi adalah kemampuan variable X (variable

121
independent) mempengaruhi variable Y (variable dependent). Semakin besar
koefisien determinasi menunjukan semakin baik kemampuan X menerangkan Y

Interpretasi lain ialah bahwa r2 diartikan sebagai proporsi variasi tanggapan yang
diterangkan oleh regresor (variabel bebas / X) dalam model. Dengan demikian,
jika r2 = 1 akan mempunyai arti bahwa model yang sesuai menerangkan semua
variabilitas dalam variabel Y. jika r2 = 0 akan mempunyai arti bahwa tidak ada
hubungan antara regresor (X) dengan variabel Y. Dalam kasus misalnya jika r 2 =
0,8 mempunyai arti bahwa sebesar 80% variasi dari variabel Y (variabel
tergantung / response) dapat diterangkan dengan variabel X (variabel bebas /
explanatory); sedang sisanya 0,2 dipengaruhi oleh variabel-variabel yang tidak
diketahui atau variabilitas yang inheren. (Rumus untuk menghitung koefesien
determinasi (KD) adalah KD = r 2 x 100%) Variabilitas mempunyai makna
penyebaran / distribusi seperangkat nilai-nilai tertentu. Dengan menggunakan
bahasa umum, pengaruh variabel X terhadap Y adalah sebesar 80%; sedang
sisanya 20% dipengaruhi oleh faktor lain.

Dalam hubungannya dengan korelasi, maka r2 merupakan kuadrat dari koefesien

korelasi yang berkaitan dengan variabel bebas (X) dan variabel Y (tergantung).
Secara umum dikatakan bahwa r2 merupakan kuadrat korelasi antara variabel
yang digunakan sebagai predictor (X) dan variabel yang memberikan response
(Y). Dengan menggunakan bahasa sederhana r2 merupakan koefesien korelasi
yang dikuadratkan. Oleh karena itu, penggunaan koefesien determinasi dalam
korelasi tidak harus diinterpretasikan sebagai besarnya pengaruh variabel X
terhadap Y mengingat bahwa korelasi tidak sama dengan kausalitas. Secara bebas
dikatakan dua variabel mempunyai hubungan belum tentu variabel satu
mempengaruhi variabel lainnya. Lebih lanjut dalam konteks korelasi antara dua
variabel maka pengaruh variabel X terhadap Y tidak nampak. Kemungkinannya
hanya korelasi merupakan penanda awal bahwa variabel X mungkin berpengaruh
terhadap Y. Sedang bagaimana pengaruh itu terjadi dan ada atau tidak kita akan
mengalami kesulitan untuk membuktikannya. Hanya menggunakan angka r2 kita
tidak akan dapat membuktikan bahwa variabel X mempengaruhi Y.

122
Dengan demikian jika kita menggunakan korelasi sebaiknya jangan menggunakan
koefesien determinasi untuk melihat pengaruh X terhadap Y karena korelasi hanya
menunjukkan adanya hubungan antara variabel X dan Y. Jika tujuan riset hanya
untuk mengukur hubungan maka sebaiknya berhenti saja di angka koefisien
korelasi. Sedang jika kita ingin mengukur besarnya pengaruh variabel X terhadap
Y sebaiknya menggunakan rumus lain, seperti regresi atau analisis jalur.

2.7 Kesalahan Baku Estimasi

Kesalahan baku estimasi merupakan satuan yang digunakan untuk

mengukur tingkat penyimpangan antara persamaan regresi dengan nilai riilnya

Se =

Keterangan :

Se = Kesalahan baku estimasi

n = Ukuran sampel
2.8 Standar Error Koefisien Regresi
Standar error koefisien regresi digunakan untuk mengukur besarnya tingkat
kesalahan dari koefisien regresi.

Sb =

Keterangan:
Sb = Standar error koefisien regresi
n = Ukuran sampel
2.9 Contoh Soal
1. Suatu penelitian dilakukan untuk mengetahui seberapa besar pengaruh
pemberian pupuk N terhadap berat kering tanaman tertentu. Untuk keperluan

123
penelitian ini dilakukan percobaan dengan memberikan pupuk N kepada
tanaman tersebut dengan data sebagai berikut:
Berat Kering Tanaman
Dosis N/Tanaman
(gr/tanaman)
0 2,457
10 2,482
20 2,740
30 2,835
40 3,277
50 3,415
60 3,762

Ditanya :
a) Buatlah persamaan y = a + bx dari data di atas!
b) Tentukan koefisien korelasi dari data tersebut!
c) Tentukan koefisien determinasi dari data tersebut!
d) Tentukan kesalahan baku estimasi dari data tersebut!
e) Tentukan standar error koefisien regresi dari data tersebut!

Penyelesaian:

No
1 0 2,457 0 0 6,0368
2 10 2,482 100 24,82 6,1603
3 20 2,740 400 54,80 7,5076
4 30 2,835 900 85,05 8,0372
5 40 3,277 1600 131,08 10,7387
6 50 3,415 2500 170,75 11,6622
7 60 3,762 3600 225,72 14,1526
210 20,968 9100 692,22 64,2954

a) Menentukan persamaan y = a + bx
 Mencari nilai b

124
  Mencari nilai a

Jadi, persamaan dari data tersebut adalah

Artinya: Jika tanaman diberi pupuk N sebesar dosis 10/tanaman akan

mengakibatkan berat kering tanaman bertambah sebesar 0,02256 gr.
b) Menentukan koefisien korelasi

c) Menentukan koefisien determinasi

125
 Artinya: Besarnya sumbangan (kontribusi) naik turunnya berat kering
tanaman sebesar 96% dipengaruhi pupuk N sedangkan 4% yang lain
dipengaruhi faktor yang lain.
d) Menentukan kesalahan baku estimasi

e) Menentukan standar error koefisien regresi

2. Penyelesaian dengan SPSS

No Biaya Jumlah Beton

Produksi Diproduksi (X)
(Y)
1 64 20

126
 2 61 16
3 84 34
4 70 23
5 88 27
6 92 32
7 72 18
8 77 22

a. Tentukan persamaan regresi yang menunjukkan hubungan antara biaya

produksi dengan jumlah beton yang diproduksi
b. Tentukan besarnya koefisien korelasi antara biaya produksi (Y) jumlah
beton diproduksi (X),(R)
c. Diduga Biaya produksi dipengaruhi oleh Jumlah beton diproduksi. Data
diasumsikan berdistribusi normal, berapa persen pengaruh jumlah
barang diproduksi terhadap biaya produksi?(R2)

Soal diatas dapat diselesaika dengan aplikasi SPSS dengan cara sebagai berikut :

1. Pertama klik Variabel view pada bagian pojok kiri bawah lembar kerja
untuk penempatan variable.
2. Kedua, pada baris “Name” ketik variable, misalkan X atau Y
3. Ketiga, pada baris “Label” beri nama variable tersebut X = Jumlah dan Y=
Biaya

127
4. Kemudian pada baris “Measure” Jenis data harus dirubah menjadi
Nominal

5. Langkah kelima input data variable X dan Variabel Y

6. Setelah itu klik analize pada menu bar, dan pilih sub menu “Regresion”
dan pilih linier.

128
7. Setelah muncul tampilan seperti diatas klik variable Y masukkan ke
Dependent dan variable X masukkan ke Independent. Klik ok.

Setelah langkah tersebut sudah dilakukan maka akan muncul output sebagai
berikut :

129
1. Dari gambar diatas dapat kita ketahui bahwa R = 0,862 dan = (0,743) .

130
Sesuai dengan perhitungan manual menggunakan rumus.

3. Y = a + BX = 40,082 + 1,497X

131
 BAB XI

REGRESI DAN KORELASI LINIER BERGANDA

11.1. Regresi Linier Berganda

Regresi linier berganda merupakan persamaan yang menjelaskan

hubungan satu variable (variable tak bebas) atau response (Y) dengan variable dua
atau lebih variable bebas atau predictor (X1, X2, ……, Xn). Tujuan dari uji regresi
linier berganda adalah untuk memprediksi nilai variable tak bebas atau response
(Y) apabila nilai-nilai variable bebasnya atau predictor (X1, X2, ..., Xn) diketahui.
Disamping itu juga untuk dapat mengetahui bagaimanakah arah hubungan
variabel tak bebas dengan variabel - variabel bebasnya.
Persamaan regresi linier berganda secara matematik diekspresikan oleh:

Y = a + b1 X1 + b2 X2 + … + bn Xn

Keterangan :
Y = variable tak bebas (nilai variabel yang akan diprediksi)
a = konstanta
b1, b2, …, bn = nilai koefisien regresi
X1, X2, …, Xn = variable bebas

Bila terdapat 2 variable bebas maka persamaan regresinya adalah ;

Y = a + b 1 X 1 + b2 X 2

Mencari persamaan regresi berganda ada 3 cara :

a. Metode Kuadrat Kecil
b. Persamaan Normal
c. Sistem Matriks

11.2. Metode Kuadrat Kecil

132
 Metode kuadrat kecil mempunyai rumus :

a= b1. – b2

b1 =

b2 =

= –n

= –n
Dimana:
= –n

= = –n

= = –n
= = –n

Contoh Soal

1. Perusahaan kontraktor mencoba mengestimasi pajak actual yang tak

terbayar tiap bulan dalam sebuah perusahaan kontaktor. Dua factor yang
memperngaruhinya adalah jumlah jam kerja pegawai dan jumlah jam kerja
mesin (computer). Untuk menganalisis seberapa besar kedua faktor itu
mempengaruhi besarnya pajak aktual tak terbayar setiap bulan dalam
perusahaan kontraktor tersebut, dilakukan pencatatan sebagai berikut

133
 Jawab:

= –n = 7.428-(10)(27,2)2 = 29,6

= –n = 19.461-(10)(44,1)2 = 12,9

= –n = 2.173-(10)(14,7)2 = 12,1

= –n = 12.005-(10)(44,1)(27,2) =9,8

= –n = 4.013-(10)(14,7)(27,2) = 14,6

134
 = –n = 6.485-(10)(44,1)(14,7) = 2,3

b1 = = = 0,564

b2 = = = 1,099

a= b1. – b2 = 27,2 –(0,564)(44,1)-(1,099)(14,7) = -13,828

Sehingga diperoleh persamaan regresi liner sederhana:

Y = a + b 1 X 1 + b2 X 2
Y= -13,828 +0,564X1+ 1,099X2

11.3. Persamaan Mormal

Menghitung persamaan regresi linier sederhana menggunakan persamaan

normal: = na + b1 +b2

=a +b1 + b2

=a +b1 + b2

Memakai contoh soal yang diatas:

1. Perusahaan kontraktor mencoba mengestimasi pajak actual yang tak

terbayar tiap bulan dalam sebuah perusahaan kontaktor. Dua factor yang
memperngaruhinya adalah jumlah jam kerja pegawai dan jumlah jam kerja
mesin (computer). Untuk menganalisis seberapa besar kedua faktor itu
mempengaruhi besarnya pajak aktual tak terbayar setiap bulan dalam
perusahaan kontraktor tersebut, dilakukan pencatatan sebagai berikut

135
 Jawab:

1. Dalam 3 persamaan normal:

272= 10a + 441b1 + 147 b2 = …………………(1)

12.005= 441a + 19.461b1 + 6.485 b2 = ………(2)

4.013= 147a + 6.485b1 + 2.173 b2 = …………(3)

2. Menghilangkan nilai dengan persamaan 1 dan 2. Persamaan 1 dikali (-441)

dan persamaan 2 dikali 10

-119.952= -4410a – 194.481b1 – 64.827b2

120.050= 4410a + 194.610 b1 + 64.850 b2

98= 129b1 + 23 b2…………..(4)

3. Persamaan 1 dikalikan -147 dan persamaan 3 dikalikan 10

-39.984= -1470a – 64.827b1 – 21.609b2

136
 40.130= 1470a + 64.850b1 + 21.730 b2

146= 23b1 + 121 b2…………..(5)

4. Kalikan persamaan 4 dengan -23 dan 5 dengan 129. Jumlahkan persamaan

untuk menduga hasil b
-2254= -2967b1 – 529b2
18834= 2967b1 + 15609b2
16580= 15080b2
Maka b2 =1,099

5. Cari nilai praduga b1 dari persamaan:

98=129b1 + 23 b2
98=129b1 + 23 (1,099)
98=129b1 + 25277

Maka b1= 0,564

6. Cari nilai persamaan dari a

a= b1. – b2 = 27,2 –(0,564)(44,1)-(1,099)(14,7) = -13,82

Diperoleh persamaan :

Y = a + b 1 X 1 + b2 X 2
Y= -13,828 +0,564X1+ 1,099X2

11.4. Ssistem Matriks

Penyusunan Regresi Menggunakan Pendekatan Matriks

Obser Y X X X X
vasi 1 2 . n

137
 .
1 Y X X … X
1 1,1 1,2 1,n

2 Y X X … X
2 2,1 2,2 2,n

3 Y X X … X
3 3,1 3,2 3,n

… … … … … …
M Y X X … X
m m,1 m,2 m,n

Dimana terdapat m observasi dan n jumlah varibel bebas. X 21 melambangkan data

varibel bebas X1 pada observasi ke 2. Sedangkan Xmn melambangkan data
varibel bebas Xn pada observasi ke m. Jika persamaan tersebut disusun dalam
beberapa matriks maka dapat ditulis sebagai berikut.

138
Contoh soal:

Dari table sebelumnya diperoleh matriks:

139
 Sehingga didapat:

Selanjutnya masukkan hasil ke dalam persamaan:

11.5. Kesalahan Baku & Koefisien Regresi Bergada

Kesalahan baku merupakan nilai yang menyatakan seberapa jauh

menyimpangnya nilai regresi terhadap nilai yang sebenarnya.

Keterangan:

Se = Kesalahan baku

n = Jumlah observasi

m = Jumlah konstanta dalam persamaan regresi berganda

m = k+1

k = jumlah variabel bebas

Contoh dari soal sebelumnya:

Dari metode kuadrat terkecil diperoleh nilai:

• = –n = 7.428-(10)(27,2)2 = 29,6

• = –n = 19.461-(10)(44,1)2 = 12,9

• = –n = 2.173-(10)(14,7)2 = 12,1

• = –n = 12.005-(10)(44,1)(27,2) =9,8
 • = –n = 4.013-(10)(14,7)(27,2) = 14,6

• = –n = 6.485-(10)(44,1)(14,7) =

2,3

11.6. Interval Keyakinan Bagi Penduga B1dan B2

Pengujian menggunakan distribusi t dengan derajat bebas db = n-m.

misalkan untuk

Interval keyakinan bagi penduga B1 adalah

0,564-(2,365)(0,677) ≤ B1 ≤ 0,564+(2,365)(0,677)

-1,037 ≤ B1 ≤ 2,165

Interval keyakinan bagi penduga B2 adalah

1,099-(2,365)(0,699) ≤ B2 ≤ 1,099+(2,365)(0,699)
-0,554≤ B2 ≤ 2,75

11.7. Uji Kessuaian Model Regresi Linear Berganda

A. UJI SIMULTAN (f)
Uji f dikenal dengan Uji Serentak atau Uji Model/Uji Anova, yaitu uji
untuk melihat bagaimanakah pengaruh semua variabel bebasnya secara
bersama-sama terhadap variabel terikatnya. Atau untuk menguji apakah
model regresi yang kita buat baik/signifikan atau tidak baik/non signifikan.

Langkah-Langkah Pengujian:

1. Menentukan Formulasi Hipotesis

»H0: B1 = B2 = 0 (X1dan X2 tidak mempengaruhi Y)
»H1: B1 B2 0 (X1 dan X2 mempengaruhi Y atau paling tidak ada X

yang mempengaruhi Y)

2. Menentukan Taraf Nyata ( dan Nilai f Tabel

»Taraf ( ) dan nilai F tabel ditentukan dengan derajat bebas
1=k
2 = n-k-1
F ( 1)( 2)

Keterangan: n = jumlah observasi

k = jumlah variabel bebas

3. Menentukan Kriteria Pengujian

H0 diterima jika F0 ≤ F ( 1)( 2)
H0 ditolak jika F0 > F ( 1)( 2)

4. Menentukan Nilai Uji Statistik dengan Tabel ANOVA

Sum Jumla Rata-

ber h Derajat Rata
F0
Varia Kuad Bebas Kuadra
si rat t
Regr
esi
JKR
(X1,
X2)
Error JKE

Total JKT
JKT = =

JKR = b1 + b2

JKR = b1 + b2

JKE = JKT-JKR
 Selain menggunakan table ANOVA di atas, nilai F0 dapat pula ditentukan
dengan menggunakan rumus:

F0 =

KPB = R2 = koefisien penentu atau koefisien determinasi berganda.

n = jumlah sampel

R2 =

5. Membuat Kesimpulan
Menyimpulkan apakah H0 diterima atau ditolak.

CONTOL SOAL: (LANJUTAN SOAL SEBELUMNYA)

(1) Menentukan formulasi hipotesis
H0 : B1 = B2 = 0 (X1 dan X2 tidak mempengaruhi Y)
H1 : B1 B2 0 (X1 dan X2 mempengaruhi Y atau paling tidak ada X

yang mempengaruhi Y)
(2) Menentukan taraf nyata ( ) dan nilai F tabel

Taraf ( =0,1) dan nilai F tabel ditentukan dengan derajat bebas

1=k=2

2 = n – k-1 = 10-2-1 = 7

F ( 1 ) 2 = F0,05 (2) (7) = 4,74

(3) Kriteria Pengujian

 H0 diterima bila -4,74 < Fo 4,74

H0 ditolak bila Fo < -4,74 atau Fo > 4,74

(4) Menentukan Nilai Uji Statistik dengan Tabel ANOVA

Derajat Rata-Rata
Sumber Variasi Jumlah Kuadrat F0
Bebas Kuadrat
Regresi
21,57 10,785
(X1, X2)
Error 8,03
Total 29,6

JKT = = = 29,6

JKR = b1 + b2

= 0,564(9.8) + 1,099(14,6)
= 5,53 + 16,04
= 21,57
JKE = JKT-JKR = 29,6-21,57 = 8,03
 (5) Kesimpulan

Karena Fo = 9,043, Fo > 4,74 maka Ho ditolak. Jadi ada pengaruh

dari X1 dan X2 terhadap Y.

B. UJI PARSIAL (t)

Uji t dikenal dengan uji parsial, yaitu untuk menguji bagaimana pengaruh
masing-masing variabel bebasnya secara sendiri-sendiri terhadap variabel
terikatnya. Uji ini dapat dilakukan dengan mambandingkan t hitung dengan t
tabel atau dengan melihat kolom signifikansi pada masing-masing t hitung,
proses Uji t identik dengan Uji f.
Langkah-Langkah Pengujian:
1. Menentukan Formulasi Hipotesis
H0 : Bi 0 (Xi berpengaruh positif terhadap Y)
H1 : Bi 0 (Xi berpengaruh negatif terhadap Y)

2. Menentukan Taraf Nyata ( dan Nilai t Tabel

db = n - k
3. Menentukan Kriteria Pengujian
H0 diterima jika t0 ≥ t (n-k)
H0 ditolak jika t0 < t (n-k)

4. Menentukan Nilai Uji Statistik

5. Membuat Kesimpulan
Menyimpulkan apakah H0 diterima atau ditolak.
11.8. Korelasi Berganda

11.8.1 Koefisien Determinasi (R2)

Dalam regresi dua variabel, r2 merupakan ukuran kesesuaian atau
ketetapan garis regresi terhadap sebaran datanya, atau menunjukkan
proporsi total variasi variabel terikat yang dijelaskan oleh variabel bebas
yang tunggal. Dalam regresi tiga variabel kesesuaian atau ketepatan
bidang regresi terhadap sebaran datanya diukur atau ditunjukkan oleh
koefisien determinasi berganda (R2). Jadi, koefisien determinasi berganda
adalah ukuran yang menunjukkan proporsi total variasi variabel terikat
yang dijelaskan oleh variabel bebasnya secara serempak. Untuk
menghitung nilai koefisien determinasi regresi berganda dua variabel
bebas dipakai rumus berikut:

Seperti r2, nilai R2 juga terletak antara 0 dan 1. Jika R2 = 1, berarti 100%
total variasi variabel terikat dijelaskan oleh variabel bebasnya, dan
menunjukkan ketetapan terbaik. Bila R2 = 0 berarti tak ada total variasi
variabel terikat yang dijelaskan oleh variabel bebasnya.

11.8.2 Koefisien Korelasi Berganda (R)

Dalam analisis regresi dua variabel, tingkat keeratan hubungan
antara variabel terikat dan variabel bebasnya diukur oleh koefisien
korelasi, r. Sedangkan dalam analisis regresi tiga variabel tingkat keeratan
hubungan antara variabel terikat dengan semua variabel bebasnya secara
serempak diukur oleh koefisien korelasi berganda, R. Meskipun r dapat
bernilai positif atau negatif, namun R selalu bernilai positif. Dalam
praktik, R kurang penting, yang lebih penting adalah R2. Dan nilai R dapat

dihitung dengan rumus:

11.8.3 Koefisien Korelasi Parsial

Dalam model regresi tiga variabel terdapat tiga koefisien korelasi,
yaitu: ry1 (korelasi anatar Y dengan X1), ry2 (korelasi antara Y dengan
X2). Koefisien itu dinamakan koefisien korelasi sederhana atau koefisien
korelasi tingkat nol. Disamping itu, ada juga koefisien korelasi antara dua
variabel (variabel lainnya dianggap tetap), yang dinamakan Kofisien
Korelasi Parsial, yaitu

Interpretasi:

 Nilai R2 = 0,9389, memiliki makna bahwa 93,98% dari total variasi

(naik-turunnya) pengeluaran konsumsi (Y) dapat dijelaskan/dipengaruhi
secara serempak oleh pendapatan (X1) dan jumlah anggota keluarga
(X2) dan sisanya lagi 6,11% dipengaruhi oleh faktor-faktor lain yang
tidak dimasukkan dalam model. Atau kontribusi total variasi (naik-
turunnya) pendapatan (X1) dan jumlah anggota keluarga (X2) secara
serempak terhadap (naik-turunnya) pengeluaran konsumsi sebesar
93,89%. Sisanya merupakan kontribusi factor-faktor lain yang tidak
dimasukkan dalam model.
 Nilai = 0,4513 memiliki makna bahwa jika jumlah anggota

keluarga (X2) tetap , maka kontribusi variasi (naik-turunnya)

pendapatan (X1) terhadap variasi (naik-turunnya) pendapatan (X1)
terhadap variasi (naik-turunnya) pengeluaran konsumsi sebesar 45,13%
 Nilai = 0,0355 memiliki makna bahwa jika pendapatan (X1) tetap,

maka kontribusi variasi (naik-turunnya) pengeluaran konsumsi sebesar

3,55%
LAMPIRAN PENGGUNAAN SPSS

Berikut adalah langkah langkah penyelesaian soal pembahasan diatas

menggunakan program SPSS:

1. Pertama, kita buka terlebih dahulu program SPSS yang sudah di instal di
laptop

2. Setelah itu maka akan muncul tampilan sebagai berikut, lalu klik pada variable
view
3. Selanjutnya kita masukan variable x1, x2 dan y pada kolom name. Kemudian
untuk variable x1 pada kolom label nya masukan “jam kerja pegawai”, untuk
variable x2 pada kolom label masukan “jam kerja mesin” dan untuk variable y
pada kolom label kita masukan “pajak tak terbayar”. Lalu pada kolom
measure ubah menjadi ”Nominal”.
4. Kemudian masukan data sesuai dengan table variable nya, data untuk variable
x1 masukan pada kolom x1, data pada table x2 masukan pada kolom x2, dan
variable y masukan data variable y pada table y.

5. Ketika semua data telah masuk , maka pada menu bar pilih analyse ->
regression -> linier
6. Maka akan muncul table seperti di bawah, untuk variable x1 dan x2
merupakan variable independent maka kita masukan ke dalam independent
(bebas) dan untuk variable y merupakan variable dependent (terikat)
maka kita masukan ke dalam dependen. Setelah itu OK
7. Kemudian akan keluar outputnya seperti ini

8. Maka dapat dilihat pada lingkaran merah kita dapat menyusun persamaan
regresi liniernya

Jadi persamaan regresi linier berganda nya

 BAB XII

PENGENALAN SPSS

12.1 Sejarah SPSS (Statistical Product and Service Solution)

Jika dalam suatu penelitian data sudah didapatkan, pertanyaan selanjutnya
adalah akan disepertiapakan data yang sudah diperoleh, dengan bantuan apa kita
memproses data yang sudah didapatkan. Pastinya data yang sudah didapatkan
sedemikian rupa harus dikenakan proses pengolahan agar data tersebut bermakna
dan memberikan informasi yang diharapkan peneliti dan menjadi jawaban kepada
publik.

Salah satu yang alat bantu dalam pemrosesan data dalam statistika adalah
SPSS. SPSS merupakan singkatan dari Statistical Package for Social Sciences.
Pertama kali dirilis pada tahun 1968 oleh Norman Nie, seorang lulusan fakultas
ilmu politik Standford University, yang sekarang menjadi profesor peneliti
fakultas llmu politik di Standford dan profesor emeritus ilmu politik di University
of Chicago. Semula SPSS hanya digunakan untuk ilmu sosial saja, tapi
perkembangan berikutnya digunakan untuk berbagai disiplin ilmu sehingga
kepanjangnya berubah menjadi “Statistical Product and Service Solution”.

12.2 Pengertian dan Kegunaan SPSS (Statistical Product and Servic

Solution)
SPSS merupakan software pengolah data statistik dengan cara penggunaan
yang mudah dipahami. Selain itu, SPSS juga merupakan perangkat lunak yg
paling banyak digunakan karena tampilannya user friendly. SPSS merupakan
singkatan dari Statistical Package for the Social Sciences. Pertama kali dirilis pada
tahun 1968 oleh Norman Nie, seorang lulusan fakultas ilmu politik stanford
university. Saat ini SPSS sudah berbasis Windows, sehingga sering di sebut
menjadi SPSS for windows. Versi pertama SPSS yang berbasis windows adalah
SPSS version 6.

SPSS sering digunakan untuk memecahkan problem riset dan bisnis.

Dimana cara kerja yang sederhana, yaitu data yang diinput akan dianalisis
berdasarkan metode yang kita inginkan. SPSS sebagai sebuah tools mempunyai
banyak kelebihan, terutama untuk aplikasi di bidang ilmu sosial. SPSS sering
digunakan untuk memecahkan problem riset dan bisnis. Dimana cara kerja yang
sederhana, yaitu data yang diinput akan dianalisis berdasarkan metode yang
peneliti inginkan. SPSS banyak digunakan oleh peneliti pasar, peneliti kesehatan,
perusahaan survey, pemerintah, peneliti pendidikan, organisasi pemasaran, dll.
Selain analisis statsitika, manajemen data dan dokumentasi data juga merupakan
fitur-fitur dari software dasar SPSS.

Beberapa metode statistik yang termasuk dalam software dasar SPSS

diantaranya :

1. Statistik deskriptif : tabulasi silang, distribusi frekuensi, statistik deskriptif,

explorasi.
2. Statistik bivariat : t-test, ANOVA, korelasi, nonparametric test.
3. Prediksi hasil numerik : regresi linier
4. Prediksi untuk mengidentifikasi kelompok : analisis faktor, analisis cluster
(two-step, k-means, hierarkis), diskriminan.

Adapun beberapa kemudahan yang lain yang dimiliki SPSS dalam

pengoperasiannya adalah karena SPSS menyediakan beberapa fasilitas sebagai
berikut :

1. Data editor. Merupakan jendela untuk pengolahan data. Data editor

dirancang sedemikian rupa seperti pada aplikasi-aplikasi spreadsheet untuk
mendefinisikan, memasukan, mengedit dan menampilkan data.
2. Viewer. Viewer mempermudah pemakaian untuk melihat hasil
pemrosesan, menunjukkan atau menghilangkan bagian-bagian tertentu dari
output, serta memudahkan distribusi hasil pengolahan dari SPSS ke
aplikasi-aplikasi yang lain.
3. Multidimensional pivot tabel. Hasil pengolahan data akan ditunjukkan
dengan multidimensional pivot tables. Pemakaian dapat melakukan
eksplorasi terhadap tabel dengan pengaturan baris, kolom serta layer.
Pemakai juga dapat dengan mudah melakukan pengaturan kelompok data
dengan melakukan splitting tabel sehingga hanya satu grup tertentu saja
yang ditampilkan pada satu waktu.
4. High resolution graphics. Dengan kemampuan grafikal beresolusi tinggi
baik untuk menampilkan pie chart, bar charts, histogram, scatterplots, 3-D
 graphics, dll akan membuat SPSS tidak hanya mudah dioperasikan tetapi
juga membuat pemakai merasa nyaman dalam pekerjaannya.
5. Database access. Pemakai program ini dapat memperoleh kembali
informasi dari sebuah database dengan menggunakan database wizard
yang disediakannya.
6. Data transformation. Transformasi data akan membantu pemakai
memperoleh data yang siap untuk dianalisis. Pemakai dapat dengan mudah
melakukan subset data, mengkombinasikan ketegori, add, agregat, merge,
split dan beberapa perintah transpose files, serta yang lainnya.
7. Electronic distribution. Pengguna dapat mengirimkan laporan secara
elektronik menggunakan sebuah tombol pengiriman data (email) atau
melakukan eksport tabel dan grafik ke mode HTML sehingga mendukung
distribusi melalui internet dan intranet.
8. Online help. SPSS menyediakan fasilitas online help yang akan selalu siap
membantu pemakai dalam melakukan pekerjaannya. Bantuan yang
diberikan dapat berupa petunjuk pengoperasian secara detail, kemudahan
pencarian prosedur yang diinginkan sampai pada contoh-contoh kasus
dalam pengoperasian program ini.
9. Akses data tanpa tempat penyimpanan sementara. Analisis file-file data
yang sangat besar disimpan tanpa membutuhkan tempat penyimpanan
sementara.
10. Interface dengan database relasional. Fasilitas ini akan menambah efisiensi
dan memudahkan pekerjaan untuk mengekstrak data dan menganalisisnya
dari database relasional.
11. Analisis distribusi. Fasilitas ini diperoleh pada pemakaian SPSS for server
atau untuk aplikasi multiuser. Kegunaan dari analisis ini adalah apabila
peneliti akan menganalisis file-file data yang sangat besar dapat langsung
me-remote dari server dan memprosesnya sekaligus tanpa harus
memindahkan ke komputer user.
12. Multiple sesi. SPSS memberikan kemampuan untuk melakukan analisis
lebih dari satu file data pada waktu yang bersamaan.
13. Mapping. Visualisasi data dapat dibuat dengan berbagai macam tipe baik
secara konvensional atau interaktif, misal dengan menggunakan tipe bar,
pie atau jangkauan nilai, simbol gradual dan chart.
 12.3 Pengenalan Program SPSS (Statistical Product and Service
Solution)
A. Tampilan Halaman Awal SPSS (Data View)

1. MENU BAR : Kumpulan perintah – perintah dasar untuk

mengoperasikan SPSS.

2. TOOL BAR : Kumpulan perintah – perintah yang sering digunakan

dalam bentuk gambar.

3. POINTER : Kursor yang menunjukkan posisi cell yang sedang aktif /

dipilih.

4. DATA VIEW : Halaman penginputan data.

5. VARIABLE VIEW : Halaman pendefinisian variabel

B. Dalam variable view memiliki 10 kolom identitas :

1. Name : nama variable (hanya boleh satu kata)

2. Type : tipe data (sesuaikan dengan data yang anda masukkan, untuk data
angka gunakan numeric)

3. Width : menentukan jumlah karakter atau angka yang akan tampil pada
data editor.

4. Decimals : menentukan jumlah angja di belakang koma

5. Label : memberikan identitas variable

6. Value : digunakan untuk memasukkan angka sebagai pengganti kode pada

data nominal dan ordinal.

7. Missing : untuk memberikan keterangan apabila data tidak ada

8. Columns : memberikan ukuran lebar kolom di layar editor

9. Align : menentukan letak data (rata tengah, rata kiri, rata kanan)

10. Measure : menentukan jenis data yang dimasukkan.

C. Menu yang terdapat pada SPSS adalah :

1. FILE : Untuk operasi file dokumen SPSS yang telah dibuat, baik untuk
perbaikan pencetakan dan sebagainya.

2. EDIT : Untuk melakukan pengeditan pada operasi SPSS baik data, serta
pengaturan/option untuk konfigurasi SPSS secara keseluruhan.

3. VIEW : Untuk pengaturan tampilan di layar kerja SPSS, serta mengetahu

proses-proses yang sedang terjadi pada operasi SPSS.
4. DATA : Menu data digunakan untuk melakukan pemrosesan data.

5. TRANSFORM : Menu transform dipergunakan untuk melakukan

perubahan-perubahan atau penambahan data.
6. ANALYSE : Menu analyse digunakan untuk melakukan analisis data yang
telah kita masukkan ke dalam komputer.

7. GRAPH : Menu graph digunakan untuk membuat grafik, diantaranya ialah

bar, line, pie, dll
8. UTILITIES : Menu utilities dipergunakan untuk mengetahui informasi variabel,
informasi file, dll

9. EXTENSIONS : Menu ini berisi berbagai macam prosedur statistik

lanjutan.
10. WINDOWS : Menu windows digunakan untuk melakukan perpindahan
(switch) dari satu file ke file lainnya

11. HELP : Menu help digunakan untuk membantu pengguna dalam

memahami perintah-perintah SPSS jika menemui kesulitan.
D. Menginput Data

Data Editor pada SPSS mempunyai dua bagian utama :

1. Kolom, dengan ciri adanya kata var dalam setiap kolomnya. Kolom dalam
SPSS akan diisi oleh variabel.

2. Baris, dengan ciri adanya angka 1, 2, 3 dan seterusnya. Baris dalam SPSS
akan diisi oleh data.

E. Langkah-Langkah

1. Definisikan variabel yang akan diinput datanya (klik variable view pada pojok
kiri bawah)

2. Isikan nama variabel pada kolom name

Hal yang perlu diperhatikan saat mengisi nama variabel adalah :

a. Nama variabel harus diawali denngan huruf dan tidak boleh diakhiri
dengan tanda titik.

b. Tidak boleh ada yang sama, dengan tidak membedakan huruf kecil atau
besar.
3. Tentukan Type, Width dan Decimal Variabel

a. Default dari tipe setiap variabel baru adalah numeric, lebar 8 karakter
sesuai dengan desimal sebanyak 2 digit.

b. Untuk mengubah tipe variabel dilakukan dengan cara mengklik tombol

pilihan pada kolom Type.

Ada 8 tipe variable, yaitu :

1. Numeric : angka, tanda (+) atau (-) didepan angka, indicator desimal

2. Comma : angka, tanda (+) atau (-) didepan angka, indicator desimal,
tanda koma sebagai pemisah bilangan ribuan

3. Dot : angka, tanda (+) atau (-) didepan angka, indicator desimal,
tanda titik sebagai pemisah bilangan ribuan

4. Scientific notation : sama dengan tipe numeric, tetapi menggunakan

symbol E untuk kelipatan 10 (misal 120000 =
1.20E+5)

5. Date : menampilkan data format tanggal atau waktu

6. Dollar : memberi tanda dollar ($), tanda koma sebagai pemisah

bilangan ribuan dan tanda titik sebagai desimal

7. Custom currency : untuk format mata uang

8. String : biasanya huruf atau karakter lainnya

4. Mengisi Data

Memasukkan data pada Data Editor dilakukan dengan cara mengetik data yang
akan dianalisa pada sel-sel (case) dibawah judul (heading) kolom nama variabel.

5. Menyimpan Data

Setelah data dimasukkan, maka data perlu disimpan untuk kepeluan analisa
selanjutnya. Langkah penyimpanan data adalah sebagai berikut :
Klik Menu File → Save Data → (Pilih folder penyimpanan), ketik Nama File
→ Klik OK.
 DAFTAR PUSTAKA

DAFTAR PUSTAKA

Academia. 2019. Makalah Cara Penggunaan SPSS. Tersedia pada :

https://www.academia.edu/14496883/Makalah_Cara_Penggunaan_SPSS_
Output_Data_SPSS_dan_Perkembangan_Teknologi_Komputer_Terhadap_I
lmu_Kesehatan_Masyarakat. Diakses pada : 23 April 2019

Ali, Sambas. 2007. Analisis Korelasi, Regresi, dan Lajur dalam Penelitian.
Bandung: Pustaka Setia.

Budiyono. 2009. Statistika Dasar Untuk Penelitian. Surakarta: FKIP UNS.

Draper, N., H. Smith. 1992. Analisis Regresi Terapan Edisi Kedua. Terjemahan
oleh Bambang Sumantri. Gramedia Pustaka Utama: Jakarta.

Dsyech. 2014. Statistika deskriptif. Terdapat pada:

http://iqbalardyanshah.blogspot.com/2015/11/makalah-statistik.html.
Diakses pada 27 februari 2019.

Gugun, M. 2013. Statistika dan Probabilitas. Terdapat pada:

https://gugunawan.wordpress.com/2013/12/27/statistika-dan-probabilitas-
bab-8//. Diakses pada 5 Februari 2019.

Hamdala Ihwan. 2016. Regresi Linier Berganda. Universitas Brawijaya, sumber

dari powerpoint.

Hatmoko Dudi. 2017. Statistik Materi Distribusi Normal. Tersedia pada :

http://dudihatmoko.blogspot.com/2017/08/statistik-materi-distribusi-
normal_27.html. Diakses pada : 1 Maret 2019
J. Supranto M.A, STASTISTIK TEORI DAN APLIKASI, Jilid 2 Edisi
ketiga, Penerbit Erlangga, Jakarta, 1981.

Kaharuddin Andi. 2018. Distribusi Binomial. Diakses dari:

https://www.researchgate .net
/publication/327645399_DISTRIBUSI_BINOMIAL. Diakses pada
tanggal: 27 Februari 2019.
Maharani Cintia. 2014. Makalah SPSS. Tersedia pada :
http://cintiamaharani.blogspot.com/2014/12/makalah-spss.html. Diakses
pada : 23 April 2019
Muthohar, Choiril. 2012. Distribusi Probabilitas Hipergeometrik. Diakses dari:
http://santrimbelink.blogspot.com/2012/07/distribusi-probabilitas-diskrit-
dan.html diakses pada: 24 Februari 2019.

Msihabudin. 2010. Deret Tak Hingga yang Konvergen dan Divergen. Terdapat
pada: https://asimtot.wordpress.com/2010/09/23/deret-tak-hingga-yang-
konvergen-dan-divergen/. Diakses pada 2 Februari 2019.

Nata Wirawan. 2017. Statistika Ekonomi dan Bisnis. Denpasar: Keraras Emas
Denpasar

Ngurah, Gusti. 2012. Distribusi Probabilitas. Terdapat pada: http://sainsmatika.

blogspot.com /2012/03/ distribusi-probabilitas.html?m=1. Diakses pada
tanggal: 27 Februari 2019.

Omson. 2012. Statistika. Terdapat pada.

https://statmat.id/pengertian-statistik-deskriptif-dan-statistik-inferensia/
Diakses pada 27 februari 2019.

Rokhma Sari Ika. 2014. Distribusi Normal. Tersedia pada :

http://ikarokhmasari3.blogspot.com/2014/04/distribusi-normal.html.
Diakses pada : 1 Maret 2019
Ronald E. Walpole, PENGANTAR STATISTIKA, Edisi ke 3, PT.Gramedia
Pustaka Utama, Jakarta, 1995.

Santoso Singgih. 2018. Mengatasai Statistik dengan SPSS 25. Tersedia pada :
https://books.google.co.id/books?
id=iwVaDwAAQBAJ&pg=PA82&lpg=PA82&dq=menu+extensions+pada+
aplikasi+spss&source=bl&ots=WnT1LTS5Gs&sig=ACfU3U2kMjBdP4QT
YibB8dUfs3gmo33YOA&hl=en&sa=X&ved=2ahUKEwiG_PSQ14biAhUI7
qwKHR9TAx8Q6AEwC3oECAgQAQ#v=onepage&q=menu%20extensions
%20pada%20aplikasi%20spss&f=false. Diakses pada : 23 April 2019

Satria. 2012. Median. Terdapat pada:

 https://support.office.com/id-id/article/median-fungsi-median-d0916313-
4753-414c-8537-ce85bdd967d2. Diakses pada 27 februari 2019.

Soemartini. 2008. Penyelesaian Multikolinelaritas Melalui Metode Ridge

Regression. Tesis. Universitas Padjajaran.

Subiyakto,Haryono, STATISTIKA 2, Penerbit Gunadharma, 1993

Sudjarwo dan Basrowi. 2007. Manajemen Penelitian Sosial. Bandung: Mandar

Maju

Sugiyono. 2010. Statistika untuk Penelitian.Bndung: Alfabeta

Suhanda Firmansyah. 2012. Distribusi Poisson. Tersedia pada :

http://thisisfirman.blogspot.com/2012/03/distribusi-poisson.html. Diakses
pada : 1 Maret 2019

Suharsimi Arikunto.2006.Prosedur Penelitian, Suatu pendekatan Praktik.

Jakarta:Rineka Cipta.

Utama, Chandra (2009) “Dengan Pendekatan Matriks Dalam Regresi”, diakses

dari: https://studylibid.com/doc/79879/dengan-pendekatan-matriks-
dalam-regresi diakses pada: 21 April 2019.

Wahyono, Budi (2012) “Uji Hipotesis Menggunakan Regresi Berganda, Uji F, Uji
t, dan Adjusted R Squared”, diakses dari:
http://dataolah.blogspot.com/2012/08/regresi-berganda-uji-f-uji-t-
dan.html diakses pada: 21 April 2019.
Widoyoko,S.E.Putro.2012.Teknik Penyusunan Instrumen Penelitian. Yogyakarta :
Pustaka Pelajar

Wira, Ngurah. 2012. Probabilitas (Peluang). Terdapat pada:

http://sainsmatika.blogspot.com/2012/03/probabilitas-peluang.html.
Diakses pada 5 Februari 2019.