STANDAR HANDOUT

STATISIK

A. IDENTITAS MATA KULIAH

1. Nama Matakuliah : Statistik
2. Kode Mata Kuliah : BB040
3. Semester / SKS : II/ 2
4. Fakultas / Jurusan : Syariah dan Ekonomi Islam/ Muamalah - HES
5. Tutor : Dini Nur Utami S.Sy
B. BAGIAN ISI

PERTEMUAN KE 1
UKURAN PEMUSATAN DAN UKURAN LETAK

 TUJUAN PEMBELAJARAN
 Mahasiswa dapat memahami ukuran pemusatan data (mean, median,
modus) untuk kasus di bidang muamalah.
 Mahasiswa dapat menghitung mean, median dan modus untuk kasus-kasus
di bidang muamalah.
 Mahasiswa memahami ukuran letak data (kuartil, desil dan persentil) untuk
kasus di bidang muamalah.
 Mahasiswa dapat menghitung kuartil, desil dan persentil untuk kasus-kasus
di bidang muamalah.

 URAIAN SINGKAT MATERI

A. Ukuran Pemusatan (Data Berkelompok dan Tidak Berkelompok :
Mean, Median, Modus)
 Mean
Mean adalah nilai rata-rata dari suatu data.
1. Mean untuk Data Tidak Berkelompok (Data Tunggal)
Rumus :
∑
× =
keterangan :
× : Mean (rata-rata)
∑ : Jumlah dari data ke-1 sampai ke-n
n :Banyaknya data
2. Mean untuk Data Berkelompok
Rumus :
∑
× =
keterangan :
× : Mean (rata-rata)
∑
: Jumlah dari hasil perkalian antara frekuensi dan
nilai tengah
n : Banyaknya data
 Modus
Modus adalah nilai yang sering banyakmuncul dari suatu data.
1. Modus untuk Data Tidak Berkelompok (Data Tunggal)
Modus untuk data tunggal adalah dilihat dari data yang sering muncul
 2. Modus untuk Data Berkelompok
Rumus : Mo = b + p

Keterangan :
Mo : Modus
p : panjang interval
b : tepi bawah kelas modus
b1 : frekuensi kelas modus dikurangi frekuensi kelas
sebelumnya
b2 :frekuensi kelas modus dikurangi frekuensi kelas
setelahnya
 Median
Median adalah nilai tengah dari suatu data.
Menentukan letak median = (n + 1) : 2
dengan n adalah jumlah data
1. Median untuk Data Tidak Berkelompok (Data Tunggal).
Untuk data tunggal (data tidak berkelompok), sebelum menentukan
median data harus diurutkan terlebih dahulu, dari data yang terkecil
sampai data yang terbesar.
2. Median untuk Data Berkelompok

Md = b + p

Keterangan :
Md : Median
b : Tepi bawah kelas median
p : Panjang interval
n : Banyak data
F : Jumlah semua frekuensi sebelum kelas median
f : fekuensi kelas median

B. Ukuran Letak(Data Berkelompok dan Tidak Berkelompok : Kuartil,

Desil dan Persentil)
 Kuartil
Kuartil membagi seluruh data menjadi empat bagian yang sama besar.
Kuartil terdiri dari kuartil 1 (Q1), kuartil 2 (Q2) dan kuartil 3 (Q3).
Mencari letak kuartil menggunakan rumus:
( )
Qi = n = Banyaknya data
i = Kuartil ke-i (1, 2, 3)
Kuartil untuk data berkelompok
Mencari nilai kuartil yang ke-i menggunakan rumus :

Qi= b + c

Keterangan :
Qi : Nilai kuartil yang ke-i
b : Tepi bawah kelas kuartil ke-i
c : Panjang interval
i : i = 1, 2, 3
n : Banyaknya data
F : Jumlah semua frekuensi sebelum kelas kuartil ke-i
f : frekuensi kelas kuartil ke-i
 Desil
Desil membagi seluruh data menjadi sepuluh bagian yang sama besar. Desil
terdiri dari Desil 1 (D1), Desil2 (D2) sampai dengan Desil9 (D9).
Mencari letak desil menggunakan rumus:
( )
Di = n = Banyaknya Data
i = Desil ke-i (1, 2, ... , 9)

Desil untuk data berkelompok

Mencari nilai desil yang ke-i menggunakan rumus :

Di= b + c

Keterangan :
Di : Nilai desil yang ke-i
b : Tepi bawah kelas desil ke-i
c : Panjang interval
i : i = 1, 2, 3, 4, 5, 6, 7, 8, 9
n : Banyaknya data
F : Jumlah semua frekuensi sebelum kelas desil ke-i
f : frekuensi kelas desil ke-i
 Persentil
Persentil membagi seluruh data menjadi seratus bagian yang sama besar.
Persentil terdiri dari Persentil 1 (P1), Persentil 2 (P2) sampai dengan
Persentil 99 (P99).
Mencari letak desil menggunakan rumus:
( )
Pi = n = Banyaknya Data
i = Persentil ke-i (1, 2, ... , 99)
Persentil untuk data berkelompok
Mencari nilai persentil yang ke-i menggunakan rumus :

Pi= b + c

Keterangan :
Pi : Nilai persentil yang ke-i
b : Tepi bawah kelas persentil ke-i
c : Panjang interval
i : i = 1, 2, 3, ......... ,99
n : Banyaknya data
F : Jumlah semua frekuensi sebelum kelas persentil ke-i
f : frekuensi kelas persentil ke-i

Referensi:
a. Kumaidi dan Budi Manfaat. 2016. Pengantar Metode Statistika. Cirebon:
Eduvision.
b. Riduwan. 2012. Pengantar Statistika Sosial. Bandung: Alfabeta.
c. Sabine Landau and Brian S. Everitt. 2004. A Handbook of
Statistical Analyses using SPSS. New York : Chapman &
Hall/CRC press LCC.
d. Sudijono, Anas. 2014. Pengantar Statistik Pendidikan. Jakarta: Raja
Grafindo Persada.
e. Sugiyono. 2011. Statistika untuk Penelitian. Bandung: Alfabeta.
f. Supranto, J. 1996. Statistik (Teori dan aplikasi). Jakarta: Erlangga.

Cirebon, 17 Februari 2017

Tutor

Dini Nur Utami S.Sy

 PERTEMUAN KE 2
UKURAN DISPERSI

 TUJUAN PEMBELAJARAN
 Mahasiswa dapat memahami ukuran dispersi (deviasi rata-rata, standar
deviasi, varians) untuk kasus di bidang muamalah.
 Mahasiswa dapat menghitung deviasi rata-rata, standar deviasi dan varians
untuk kasus-kasus di bidang muamalah.

 URAIAN SINGKAT MATERI

Ukuran Dispersi
(Deviasi Rata-rata, Standar Deviasi, Varians : Data Tidak Berkelompok &
Data Berkelompok)

 Deviasi Rata-rata (Simpangan Rata-rata)

1. Data tidak berkelompok (data tunggal)
Rumus Simpangan Rata-rata (SR) data tunggal:
∑| |
= untuk populasi
∑| |
= untuk sampel
Keterangan :
xi = data ke-i
̅ = rata-rata
n = banyaknya data
2. Data berkelompok
Rumus Simpangan Rata-rata (SR) data berkelompok :
∑ | |
= untuk populasi
∑ | |
= untuk sampel
Keterangan :
= frekuensi
xi = titik tengah
̅ = rata-rata
n = banyaknya data (jumlah frekuensi)
 Varians
1. Data tidak berkelompok (data tunggal)
∑( )
= untuk populasi
∑( )
= untuk sampel
Keterangan :
S2 = Varians
xi = data ke-i
 ̅ = rata-rata
n = banyaknya data
2. Data berkelompok
∑ ( )
= untuk populasi
∑ ( )
= untuk sampel
Keterangan :
S2 = Varians
= frekuensi
xi = titik tengah
̅ = rata-rata
n = banyaknya data (jumlah frekuensi)
 Standar Deviasi
1. Data tidak berkelompok (data tunggal)
∑( )
= untuk populasi

∑( )
= untuk sampel
Keterangan :
S = Standar deviasi (simpangan baku)
xi = data ke-i
̅ = rata-rata
n = banyaknya data

2. Data berkelompok
∑ ( )
= untuk populasi

∑ ( )
= untuk sampel
Keterangan :
S = Standar deviasi (simpangan baku)
= frekuensi
xi = titik tengah
̅ = rata-rata
n = banyaknya data (jumlah frekuensi)

Referensi:
a. Kumaidi dan Budi Manfaat. 2016. Pengantar Metode Statistika. Cirebon:
Eduvision.
b. Riduwan. 2012. Pengantar Statistika Sosial. Bandung: Alfabeta.
c. Sabine Landau and Brian S. Everitt. 2004. A Handbook of
Statistical Analyses using SPSS. New York : Chapman &
Hall/CRC press LCC.
d. Sudijono, Anas. 2014. Pengantar Statistik Pendidikan. Jakarta: Raja
Grafindo Persada.
e. Sugiyono. 2011. Statistika untuk Penelitian. Bandung: Alfabeta.
f. Supranto, J. 1996. Statistik (Teori dan aplikasi). Jakarta: Erlangga.

Cirebon, 17 Februari 2017

Tutor

Dini Nur Utami S.Sy

 PERTEMUAN KE 3
TIME SERIES

 TUJUAN PEMBELAJARAN
 Mahasiswa dapat memahami data berkala (time series) untuk kasus di
bidang muamalah.
 Mahasiswa mampu membuat persamaan time series untuk kasus-kasus di
bidang muamalah dan menggunakan persamaan trend tersebut untuk
memprediksi.

 URAIAN SINGKAT MATERI

Data Berkala (Time Series)
 Pengertian Data Berkala (Time Series)
Data berkala (time series date) adalah data yang dikumpulkan dari waktu ke
waktu untuk menggambarkan perkembangan suatu kegiatan (perkembangan
produksi, harga, hasil penjualan, dll). Analisis data berkala memungkinkan kita
untuk mengetahui perkembangan suatu atau beberapa kejadian serta hubungan
atau pengaruhnya terhadap kejadian lainnya.1
Analisis deret berkala (time series analysis) yaitu suatu metode kuantitatif
untuk menentukan pola data masa lampau yang telah dikumpulkan secara teratur
menurut urutan waktu kejadian.Pola masa lalu ini dapat digunakan sebagai dasar
pertimbangan untuk forecasting di masa yang akan datang. Peramalan
(forecasting) merupakan alat penting dalam pengambilan kesimpulan. Informasi
yang diserap dari masa lalu dapat digunakan sebagai dasar untuk forecasting.
Kualitas informasi itu menentukan akurasi forecasting.
 Persamaan Time Series Menggunakan Metode Least Square
Persamaan umumtime series :
Y=a+bX dengan nilai = dan =
Keterangan:
Y = Nilai data berkala
n = Jumlah periode waktu
X = Tahun kode

Referensi:
a. Kumaidi dan Budi Manfaat. 2016. Pengantar Metode Statistika. Cirebon:
Eduvision.
b. Riduwan. 2012. Pengantar Statistika Sosial. Bandung: Alfabeta.
c. Sabine Landau and Brian S. Everitt. 2004. A Handbook of
Statistical Analyses using SPSS. New York : Chapman &
Hall/CRC press LCC.

1
Supranto, Statistika Teori dan Aplikasi, Jakarta: Erlangga, 2008, hlm. 224
d. Sudijono, Anas. 2014. Pengantar Statistik Pendidikan. Jakarta: Raja
Grafindo Persada.
e. Sugiyono. 2011. Statistika untuk Penelitian. Bandung: Alfabeta.
f. Supranto, J. 1996. Statistik (Teori dan aplikasi). Jakarta: Erlangga.

Cirebon, 17 Februari 2017

Tutor

Dini Nur Utami S.Sy

 PERTEMUAN KE 4
ANALISIS KORELASI

 TUJUAN PEMBELAJARAN
 Mahasiswa dapat memahami analisis korelasi sederhana untuk kasus di
bidang muamalah.
 Mahasiswa dapat menghitung koefisian korelasi (r hitung) dan
menganalisisnya berdasarkan kriteria koefisien korelasi.

 URAIAN SINGKAT MATERI

Analisis Korelasi Sederhana

 Pengertian Korelasi
Analisis korelasi (Walpole, 1995) adalah metode statistik yang
digunakan untuk mengukur besarnya hubungan linear antara dua variabel
atau lebih. Nilai korelasi berkisar pada interval -1 sampai dengan 1. Jika
korelasi bernilai positif maka hubungan antara dua variabel bersifat searah.
Sebaliknya jika korelasi bernilai negatif maka hubungan antara dua variabel
bersifat berlawanan arah.

 Koefisien Korelasi
Koefisien korelasi atau nilai korelasi sampel (r) dapat dihitung
menggunakan rumus PearsonProduct Moment dengan syarat data berskala
interval atau rasio. Berikut ini adalah rumus koefisien korelasi:
1. Rumus koefisien korelasi dengan menggunakan skor simpangan:
∑
=
∑ ∑
: korelasi antara variabel X dengan Y
∶ (X − X) skor simpangan variabel X
∶ ( − )skor simpangan variabel Y

2. Rumus koefisien korelasidengan menggunakan skor mentah (asli):

∑ XY − (∑ X)(∑ Y)
=
( ∑ X − (∑ X) )( ∑ Y − (∑ Y) )
: korelasi antara varabel X dengan Y
X ∶Skor mentah (asli) variabel X
Y ∶ Skor mentah (asli) variabel Y
 Kriteria Korelasi
Berikut ini adalah kriteria untuk memberikan interprestasi terhadap
koefisien korelasi (Sugiyono, 2014) :
 Koefisien korelasi Interprestasi
0,00 – 0,199 Sangat rendah
0,20 – 0,399 Rendah
0,40 – 0,599 Sedang
0,60 – 0.799 Kuat
0,80 – 1,000 Sangat kuat

 Analisis korelasi
Setelah mengetahui angka koefisien korelasi kita dapat melakukan
analisis :
1. Apakah koefisien korelasi bernilai positif atau negatif, dan menjelaskan
arti positif atau negatif pada koefisien tersebut.
2. Menginterprestastikan koefisien korelasi rapakah mempunyai korelasi
sangat rendah, rendah, sedang, kuat dan sangat kuat.
3. Apakah koefisien korelasi hasil perhitungan signifikan atau tidak maka
perlu dibandingkan dengan r tabel, dengan taraf kesalahan tertentu.
Sebelum membandingkan r hitung (koefisien korelasi hasil
perhitungan) dengan r tabel, terlebih dahulu memuat hipotesis yaitu :
H0 : Tidak ada hubungan yang signifikan antara varabel x dan variabel
y
Ha: Ada hubungan yang signifikan antara varabel x dan variabel
y
Kemudian membandingkan r hitung dengan r tabel (dengan taraf
signifikan 0.01 atau 0.05). Ketentuan pengambilan keputusan:
 Jika rhitung≤ rtabel, maka H0 diterima
 Jika rhitung>rtabel, maka H0 ditolak
4. Pengujian signifikansi korelasimembandingkan r hitung dengan r tabel,
juga dapat dilakukan dengan uji t yaitu membandingkan t hitung dengan
t tabel.
t hitung dapat dirumuskan sebagai berikut :
√ − 2
=
√1 −
r : koefisien korelasi
n : banyaknya data
Melakukan uji t (satu pihak/1-tail atau dua pihak/2-tail)dengan
membandingkan r hitungdanr tabel (taraf signifkan dan dk/derajat
kebebasan tertentu).
 Ujisatu pihak /1-tail mencari t tabel dengandk = n– 1
 Uji dua pihak /2-tail mencari t tabel dengandk = n– 2
Ketentuan pengambilan keputusan:
 Jika thitung≤ ttabel, maka H0 diterima
  Jika thitung>ttabel, maka H0 ditolak

Referensi:
a. Kumaidi dan Budi Manfaat. 2016. Pengantar Metode Statistika. Cirebon:
Eduvision.
b. Riduwan. 2012. Pengantar Statistika Sosial. Bandung: Alfabeta.

Cirebon, 17 Februari 2017

Tutor

Dini Nur Utami S.Sy

 PERTEMUAN KE 5
ANALISIS REGRESI

 TUJUAN PEMBELAJARAN
 Mahasiswa dapat memahami analisis regresi sederhana untuk kasus di
bidang muamalah.
 Mahasiswa dapat membuat persamaan regresi sederhana untuk kasus-kasus
di bidang muamalah.

 URAIAN SINGKAT MATERI

Analisis Regresi Sederhana
 Pengertian Regresi
Analisis korelasi digunakan untuk mencari arah dan kuatnya hubungan
antara dua variabel atau lebih, baik hubungan yang bersifat simetris, kausal
dan reciprocal. Sedangkan analisis regresi digunakan untuk
memprediksikanseberapa jauh perubahan nilai variabel dependen, apabila
nilai variabel independen dimanipulasi / dirubah-rubah atau dinaik-
turunkan.
Sebelum analisis regresi diperlukan uji linearitasdan uji keberartian.
 Persamaan Regresi Linear Sederhana dan Koefisien Regresi
Persamaan umum regresi linear :
= +
Y : Variabel dependen (variabel terikat) yang diprediksikan
a : Harga Y ketika harga X = 0 (harga konstan)
b : Koefisien regresi
X : Variabel independen (variabel bebas)
a dan b dapat dicari dengan rumus berikut ini:
(∑ ) (∑ ) (∑ ) (∑ )
a= (∑ ) (∑ )
(∑ ) (∑ ) (∑ )
b= (∑ ) (∑ )
Koefisien regresi (b) menunjukan peningkatan atau penurunan variabel
dependen, yang bergantung pada perubahan variabel independen.
Apabila koefisien regresi bernilai positif (+) menunjukkan arah garis
naik yang berkaitan dengan perubahan variabel dependen.
Apabila koefisien regresi bernilai negatif (–) menunjukkan arah garis
turun yang berkaitan denganperubahan variabel dependen.
 Uji Linearitas Regresi
Sebelum melakukan analisis regresi sederhana, terlebih dahulu
melakukan uji linearitas.Apabila tidak linear maka analisis regresi tidak
dapat dilanjutkan.
Kita akan membandingkan F hitung dengan F tabel.
 Fhitung =
Dengan :
( ) ( )
S =
S =
JK(TC) = JK(S) − JK(G)
JK(S) = JK(T) − JK(a) − JK(b|a)

JK(T) = Y
(∑ Y)
JK(a) =
n
(∑ X)(∑ Y)
JK(b|a) = b XY −
n
(∑ Y)
JK(G) = Y −
n

Kemudian dengan taraf signifikan tertentu carilah F tabel dengan dk

pembilang = k – 2 dan dk penyebut = n – k.
Kemudian bandingkan nilai F hitung dan F tabel, dengan hipotesis:
H0 : Regresi linear
Ha : Regresi non-linear
Ketentuan pengambilan keputusan:
 Jika Fhitung< Ftabel, maka H0 diterima
 Jika Fhitung≥ Ftabel, maka H0 ditolak
 Uji keberartian Regresi
Sebelum melakukan analisis regresi sederhana, terlebih dahulu
melakukan uji keberartian. Apabila koefisien arah regresi (b) tidak berarti
maka analisis regresi tidak dapat dilanjutkan.
Kita akan membandingkan F hitung dengan F tabel.
Fhitung =
Dengan :
( )
S = JK(b|a) S =
JK(S) = JK(T) − JK(a) − JK(b|a)

JK(T) = Y
(∑ Y)
JK(a) =
n
(∑ X)(∑ Y)
JK(b|a) = b XY −
n
 Kemudian dengan taraf signifikan tertentu carilah F tabel dengan dk
pembilang = 1 dan dk penyebut = n – 2.
Kemudian bandingkan nilai F hitung dan F tabel, dengan hipotesis:
H0 : Koefisien arah regresi tidak berarti
Ha : Koefisien arah regresi berarti
Ketentuan pengambilan keputusan:
 Jika Fhitung≤ Ftabel, maka H0 diterima
 Jika Fhitung> Ftabel, maka H0 ditolak
Referensi:
a. Sabine Landau and Brian S. Everitt. 2004. A Handbook of
Statistical Analyses using SPSS. New York : Chapman &
Hall/CRC press LCC.

Cirebon, 17 Februari 2017

Tutor

Dini Nur Utami S.Sy

 PERTEMUAN KE 6
SOFTWARE SPSS : (PENGENALAN& STATISTIKA DESKRIPTIF )

 TUJUAN PEMBELAJARAN
 Mahasiswa dapat memahami aplikasi software SPSS untuk penelitian di
bidang muamalah.
 Mahasiswa dapat menggunakan software SPSS untuk statistika deskriptif :
mean, median, modus, kuratil, desil dan persentil.

 URAIAN SINGKAT MATERI

Software SPSS
SPSS(Statistical Package for the Social Science) merupakan salah
satu software statistik yang dibuat pertama kali pada tahun 1968 oleh tiga
mahasiswa Stanford University, yakni Norman H. Nie, C. Hadlai Hull, dan Dale
H. Bent. Ketika pertama kali diciptakan software ini dioperasikan pada
komputer mainframe, hingga akhirnya penerbit McGraw-Hill menerbitkan user
manual SPSS. Fungsi utama SPSS yaitu untuk mengolah data secara deskriptif
dan secara inferensial
Tampilan software SPSS:

Prinsip kerja SPSS secara garis besar terbagi atas 3 tahapan yaitu:
1. Input data
Langkah awal saat mengoperasikan SPSS adalah dengan memasukkan
data.
 Untuk memasukkan data yaitu pada “Data View”
 Untuk pengaturan dan memberi nama variabel pada data yang
dimasukan yaitu melalui “Variable View”.
 2. Proses Pengolahan Data
Jenis pengolahan data yang dapat dilakukan menggunakan SPSS
sangatlah banyak. Secara garis besar tebagi dua yaitu pengolahan data
secara deskriptif dan inferensial.
Menu pengolahan data pada SPSS terdapat di layar utama terletak
dipaling atas. Terdapat berbagai macam menu sperti : Analyze, graph, dsb.

3. Output
Setelah proses pengolahan data dilakukan, kemudian akan muncul hasil
pengolahannya baik secara deskriptif maupun inferensial pada layar output.
Output dapat berupa angka yang tersusun dalam tabel, grafik, diagram, hasil
uji statistik, dsb.

REFERENSI
a. Sabine Landau and Brian S. Everitt. 2004. A Handbook of Statistical Analyses
using SPSS. New York : Chapman & Hall/CRC press LCC.

Cirebon, 17 Februari 2017

Tutor

Dini Nur Utami S.Sy

 PERTEMUAN KE 7
ANALISIS KORELASI MENGGUNAKAN SPSS

 TUJUAN PEMBELAJARAN
 Mahasiswa dapat memahami penggunaan SPSS untuk analisis korelasi
sederhana dalam bidang muamalah.
 Mahasiswa dapat menggunakan software SPSS untuk statistika inferensial (
korelasi ).

 URAIAN SINGKAT MATERI

Analisis Korelasi Menggunakan SPSS

Kita akan mencari rhitungdengan menggunakan SPSS, kemudian
membandingkan r hitung dengan r tabel.
Hipotesisnya adalah :
H0 : Tidak ada hubungan yang signifikan antara varabel x dan variabel y
Ha : Ada hubungan yang signifikan antara varabel x dan variabel y
Ketentuan pengambilan keputusan:
 Jika rhitung≤ rtabel, maka H0 diterima
 Jika rhitung>rtabel, maka H0 ditolak
Langkah-langkah mencari koefisien korelasi (r hitung) menggunakan SPSS.
1. Sebelum menginput data berilah label terlebih dahulu di“Variabel View”

2. Kemudian inputlah data di “Data View”

3. ProsesPengolahan Data
Kliklah menu Analyze >>Correlate >> Bivariate
 4. Output

5. Pada output SPSS r hitung (korelasi pearson) = –0,984. Analisisnya :

a. Korelasi korelasi bernilai negatif maka hubungan antara dua variabel
bersifat berlawanan arah. Artinya, semakin bertambah umur motor bekas
maka semakin berkurang harganya.
b. Hubungan antara umur motor bekas dan harga motor yaitu mempunyai
korelasi yang sangat kuat.
c. Hipotesis :
H0 : Tidak ada hubungan yang signifikan antara umur motor bekas dan
harga motor bekas.
Ha : Ada hubungan yang signifikan ntara umur motor bekas dan harga
motor bekas.
rxy = –0,984 karena tanda negatif menunjukkan arah korelasi maka r
hitung = 0,984
Dengan n = 10 dan taraf signifikan 0,05 maka r tabel = 0,632
Karena r hitung > r tabel maka H0 ditolak.
Kesimpulan :
“Terdapat hubungan negatif yang signifikan antara umur motor bekas
dengan harga motor bekas”

REFERENSI
Sabine Landau and Brian S. Everitt. 2004. A Handbook of Statistical Analyses using
SPSS. New York : Chapman & Hall/CRC press LCC.
Cirebon, 17 Februari 2017
Tutor

Dini Nur Utami S.Sy

 PERTEMUAN KE 8
HOMOGENITAS, NORMALITAS, UJI T DAN UJI T’

 Tujuan Pembelajaran :
 Mahasiswa mampu memahami uji hipotesis : uji t , uji t’ , dan uji
mann whitney.
 Mahasiswa dapat memahami uji asumsi statistik : uji normalitas,
uji homogenitas.
 Mahasiswa dapat memahami penggunaan SPSS untuk uji
asumsi statistik dalam bidang muamalah.

 URAIAN SINGKAT MATERI

Pengujian normalitas adalah pengujian tentang kenormalan distribusi
data.Uji ini merupakan pengujian yang paling banyak dilakukan untuk analisis
statistik parametrik.Karena data yang berdistribusi normal merupakan syarat
dilakukannya tes parametrik.Sedangkan untuk data yang tidak mempunyai
distribusi normal, maka analisisnya menggunakan tes non parametric.
Data yang mempunyai distribusi yang normal berarti mempunyai sebaran
yang normal pula. Dengan profit data semacam ini maka data tersebut dianggap
bisa mewakili populasi. Normal disini dalam arti mempunyai distribusi data
normal. Normal atau tidaknya berdasarkan patokan distribusi normal dari data
dengan mean dan standar deviasi yang sama. Jadi uji normalitas pada dasarnya
melakukan perbandingan antara data yang kita miliki dengan data berdistribusi
normal yang memiliki mean dan standar deviasi yang sama dengan data kita.
Contoh pengujian normalitas data dengan uji Kolmogorov-Smirnov :

Uji Normalitas Data Hasil Belajar Matematika Siswa

H0: Sampel berasal dari populasi yang berdistribusi normal

H1 : Sampel tidak berasal dari populasi yang berdistribusi normal

Berikut ini adalah langkah-langkah pengujian normalitas data dengan bantuan

SPSS:

Dengan Analyze-Descriptive Statitics-Explore

a. Masuk program SPSS

b. Klik Variable View pada SPSS data editor
c. Pada kolom Name baris pertama ketik nomor dan pada kolom Name
baris kedua ketik beratbadan.
d. Pada kolom Type pilih Numeric untuk nomor dan beratbadan. Pada
kolom Decimals pilih 0 untuk nomor dan berat badan
 e. Buka Data View pada SPSS data editor maka didapat kolom variable
nomor dan variable berat badan.
f. Ketikkan data sesuai dengan variabelnya.
g. Klik variable Analyze>>Descriptive Statistics>>Explore.
h. Klik variable beratbadan dan masukkan ke kotak Dependent List.
i. Klik Plots.
j. Klik Normality Plots With Test kemudian klik Continue.
k. Klik OK maka output keluar.

Ada beberapa alat uji statistik yang digunakan diantaranya uji data non
parametrik, salah satunya adalah uji Mann Whitney U. Uji Mann-Whitney
digunakan untuk mengetahui apakah terdapat perbedaan respon dari 2 populasi data
yang saling independen. Tes ini sekali lagi termasuk dalam uji non parametrik. Tes
ini merupakan tes paling kuat diantara tes-tes nonparametrik. Tes ini merupakan
alternatif lain dari uji t parametrik ketika data yang diambil dalam penelitiannya
lebih lemah dari skala interval.
Mann Whitney U Test adalah uji non parametris yang digunakan untuk
mengetahui perbedaan median 2 kelompok bebas apabila skala
data variabel terikatnya adalah ordinal atau interval/ratio tetapi tidak berdistribusi
normal.
Mann Whitney U Test disebut juga dengan Wilcoxon Rank Sum Test.
Merupakan pilihan uji non parametris apabila uji Independent T Test tidak dapat
dilakukan oleh karena asumsi normalitas tidak terpenuhi. Tetapi meskipun bentuk
non parametris dari uji independent t test, uji Mann Whitney U Test tidak menguji
perbedaan Mean (rerata) dua kelompok seperti layaknya uji Independen T Test,
melainkan untuk menguji perbedaan Median (nilai tengah) dua kelompok.
Tetapi beberapa ahli tetap menyatakan bahwasanya uji Mann Whitney U
Test tidak hanya menguji perbedaan Median, melainkan juga menguji Mean.
Mengapa seperti itu? karena dalam berbagai kasus, Median kedua kelompok bisa
saja sama, tetapi nilai P Value hasilnya kecil yaitu < 0,05 yang berarti ada
perbedaan. Penyebabnya adalah karena Mean kedua kelompok tersebut berbeda
secara nyata. Maka dapat disimpulkan bahwa uji ini bukan hanya menguji
perbedaan Median, melainkan juga perbedaan Mean.
Maka dapat diartikan bahwa uji Mann Whitney U Test (MWU) sangat
sensitif terhadap perubahan Median. Sebagai pilihan lain adalah Uji Kolmogorov
Smirnov Z (KS-Z) untuk uji dua sampel bebas. Uji KS-Z ini berbeda dengan
MWU, di mana KS-Z bukan hanya menguji perbedaan Median dan Mean,
melainkan juga perbedaan Variances. Maka oleh karena itu, jika asumsi
homogenitas dalam uji MWU tidak terpenuhi, maka KS-Z dapat menjadi alternatif.
kelebihan dari uji KS-Z adalah tidak begitu sensitif pada Median, melainkan
sensitif pada Mean dan Variance.
 Mengapa MWU dan KS-Z berbeda? Jawabannya adalah karena keduanya
bekerja dengan cara yang berbeda. MWU menguji perbedaan rerata
peringkat sehingga menghasilkan nilai U yang kemudian dapat dikonversi menjadi
nilai Z. Sedangkan uji KS-Z menguji perbedaan pada distribusi kumulatif. Oleh
karena itu, sebelum anda memilih uji mana yang tepat, sebaiknya anda pahami
lebih dalam kedua uji ini dan sesuaikan dengan hipotesis penelitian anda.
Karena uji ini merupakan bentuk non parametris dari uji independen t test,
maka varians kedua kelompok haruslah sama.
Berdasarkan uraian di atas, maka dapat disimpulkan Asumsi yang harus
terpenuhi dalam Mann Whitney U Test, yaitu:
1. Skala data variabel terikat adalah ordinal, interval atau rasio. Apabila skala
interval atau rasio, asumsi normalitas tidak terpenuhi. (Normalitas dapat
diketahui setelah uji normalitas).
2. Data berasal dari 2 kelompok. (Apabila data berasal dari 3 kelompok atau lebih,
maka sebaiknya gunakan uji Kruskall Wallis).
3. Variabel independen satu dengan yang lainnya, artinya data berasal
dari kelompok yang berbeda atau tidak berpasangan.
4. Varians kedua kelompok sama atau homogen. (Karena distribusi tidak normal,
maka uji homogenitas yang tepat dilakukan adalah uji Levene’s Test. Di mana
uji Fisher F diperuntukkan bila asumsi normalitas terpenuhi).

Referensi:
a. Kumaidi dan Budi Manfaat. 2016. Pengantar Metode Statistika. Cirebon:
Eduvision.
b. Riduwan. 2012. Pengantar Statistika Sosial. Bandung: Alfabeta.
c. Sabine Landau and Brian S. Everitt. 2004. A Handbook of
Statistical Analyses using SPSS. New York : Chapman &
Hall/CRC press LCC.
d. Sudijono, Anas. 2014. Pengantar Statistik Pendidikan. Jakarta: Raja
Grafindo Persada.
e. Sugiyono. 2011. Statistika untuk Penelitian. Bandung: Alfabeta.
f. Supranto, J. 1996. Statistik (Teori dan aplikasi). Jakarta: Erlangga.

Cirebon, 17 Februari 2017

Tutor

Dini Nur Utami S.Sy