Statistika Pendidikan Materi Pokok 1-9

Hak Cipta  dan Hak Penerbitan dilindungi Undang-undang ada pada
Universitas Terbuka - Kementerian Riset, Teknologi, dan Pendidikan Tinggi

Jalan Cabe Raya, Pondok Cabe, Pamulang, Tangerang Selatan – 15418
Banten – Indonesia
Telp.: (021) 7490941 (hunting); Fax.: (021) 7490147;
Laman: www.ut.ac.id
Dilarang mengutip sebagian ataupun seluruh buku ini

dalam bentuk apa pun tanpa izin dari penerbit
Edisi Kesatu
Cetakan pertama, November 2011 Cetakan ketujuh, September 2014
Cetakan kedua, April 2012 Cetakan kedelapan, Juni 2015
Cetakan ketiga, Agustus 2012 Cetakan kesembilan, September 2015
Cetakan keempat, Januari 2013 Cetakan kesepuluh, Mei 2016
Cetakan kelima, Juni 2013 Cetakan kesebelas, November 2016
Penulis : 1. Drs. H.M. Akib Hamid, M.Sc.

2. Drs. Nar Herhyanto, M.Pd.
3. Kartono, S.Pd, M.Si.
4. Drs. Suwarno, M.Si.
Penelaah Materi : Kartono, S.Pd, M.Si.
Pengembang Desain Instruksional : Kartono, S.Pd, M.Si.
Desain oleh Tim P2M2 :

Kover & Ilustrasi : Zulkarnaini
Tata Letak : Eddy Purnomo
Penyunting Bahasa : Siti Nurhayati
519.5
MAT MATERI pokok statistika pendidikan; 1 – 9/ PEMA4210/ 3 sks/

H.M. Akib Hamid [et.al.]. -- Cet.11; Ed.1--. Tangerang
Selatan: Universitas Terbuka, 2016.
372 hal: ill.; 21 cm.
ISBN: 978-979-011-663-4
1. statistika pendidikan
I. Hamid, H.M. Akib [et.al.]
iii
Daftar Isi
TINJAUAN MATA KULIAH ........................................................... ix
MODUL 1: PENGETAHUAN DASAR STATISTIKA 1.1

Kegiatan Belajar 1:
Data Statistik ...................................................................................... 1.2
Latihan …………………………………………............................... 1.7
Rangkuman ………………………………….................................... 1.9
Tes Formatif 1 ……………………………..…….............................. 1.10
Kegiatan Belajar 2:
Dasar-dasar Analisis ........................................................................... 1.13
Latihan …………………………………………............................... 1.19
Rangkuman ………………………………….................................... 1.23
Tes Formatif 2 ……………………………..…….............................. 1.24
KUNCI JAWABAN TES FORMATIF ............................................. 1.26

DAFTAR PUSTAKA ........................................................................ 1.27
MODUL 2: PENYAJIAN DATA DALAM BENTUK TABEL 2.1

Kegiatan Belajar 1:
Macam-macam Penyajian Data dalam Bentuk Tabel ........................ 2.3
Latihan …………………………………………............................... 2.15
Rangkuman ………………………………….................................... 2.19
Tes Formatif 1 ……………………………..…….............................. 2.20
Kegiatan Belajar 2:
Macam-macam Tabel Distribusi Frekuensi ....................................... 2.22
Latihan …………………………………………............................... 2.31
Rangkuman ………………………………….................................... 2.33
Tes Formatif 2 ……………………………..…….............................. 2.34
iv

DAFTAR PUSTAKA ........................................................................ 2.38
MODUL 3: PENYAJIAN DATA DALAM BENTUK DIAGRAM 3.1

Kegiatan Belajar 1:
Macam-macam Bentuk Diagram untuk Data Tidak Terkelompok .... 3.2
Latihan …………………………………………............................... 3.11
Rangkuman ………………………………….................................... 3.13
Tes Formatif 1 ……………………………..…….............................. 3.14
Kegiatan Belajar 2:
Macam-macam Bentuk Diagram untuk Data Terkelompok .............. 3.16
Latihan …………………………………………............................... 3.20
Rangkuman ………………………………….................................... 3.24
Tes Formatif 2 ……………………………..…….............................. 3.24

DAFTAR PUSTAKA ........................................................................ 3.27
MODUL 4: UKURAN PEMUSATAN, LOKASI, DAN DISPERSI 4.1

Kegiatan Belajar 1:
Nilai Rata-rata .................................................................................... 4.3
Latihan …………………………………………............................... 4.15
Rangkuman ………………………………….................................... 4.17
Tes Formatif 1 ……………………………..…….............................. 4.18
Kegiatan Belajar 2:
Modus dan Median ............................................................................. 4.22
Latihan …………………………………………............................... 4.29
Rangkuman ………………………………….................................... 4.30
Tes Formatif 2 ……………………………..…….............................. 4.31
Kegiatan Belajar 3:
Kuartil, Desil, dan Persentil .............................................................. 4.34
v
Latihan …………………………………………............................... 4.41

Rangkuman ………………………………….................................... 4.43
Tes Formatif 3 ……………………………..…….............................. 4.44
Kegiatan Belajar 4:
Ukuran Dispersi .................................................................................. 4.48
Latihan …………………………………………............................... 4.58
Rangkuman ………………………………….................................... 4.60
Tes Formatif 4 ……………………………..…….............................. 4.61

DAFTAR PUSTAKA ........................................................................ 4.72
MODUL 5: UKURAN KEMIRINGAN DAN UKURAN

KERUNCINGAN DARI KURVA NORMAL 5.1
Kegiatan Belajar 1:
Ukuran Kemiringan ........................................................................... 5.2
Latihan …………………………………………............................... 5.6
Rangkuman ………………………………….................................... 5.9
Tes Formatif 1 ……………………………..…….............................. 5.9
Kegiatan Belajar 2:
Ukuran Keruncingan (Kurtosis)......................................................... 5.13
Latihan …………………………………………............................... 5.15
Rangkuman ………………………………….................................... 5.16
Tes Formatif 2 ……………………………..…….............................. 5.17

DAFTAR PUSTAKA ........................................................................ 5.23
MODUL 6: KURVA NORMAL DAN KEGUNAANNYA 6.1

Kegiatan Belajar 1:
Distribusi Gauss ................................................................................. 6.2
Latihan …………………………………………............................... 6.12
vi
Rangkuman ………………………………….................................... 6.16

Tes Formatif 1 ……………………………..…….............................. 6.17
Kegiatan Belajar 2:
Distribusi Student ............................................................................... 6.20
Latihan …………………………………………............................... 6.24
Rangkuman ………………………………….................................... 6.25
Tes Formatif 2 ……………………………..…….............................. 6.25

DAFTAR PUSTAKA ........................................................................ 6.30
MODUL 7: KURVA-KURVA LAIN DAN PENGGUNAANNYA 7.1

Kegiatan Belajar 1:
Distribusi Khi Kuadrat (χ2) ............................................................... 7.2
Latihan …………………………………………............................... 7.4
Rangkuman ………………………………….................................... 7.6
Tes Formatif 1 ……………………………..…….............................. 7.6
Kegiatan Belajar 2:
Distribusi F ......................................................................................... 7.9
Latihan …………………………………………............................... 7.11
Rangkuman ………………………………….................................... 7.12
Tes Formatif 2 ……………………………..…….............................. 7.13

DAFTAR PUSTAKA ........................................................................ 7.20
MODUL 8: PENGUJIAN HIPOTESIS ............................................. 8.1

Kegiatan Belajar 1:
Hipotesis Statistik ............................................................................... 8.3
Latihan …………………………………………............................... 8.10
Rangkuman ………………………………….................................... 8.12
Tes Formatif 1 ……………………………..…….............................. 8.13
vii
Kegiatan Belajar 2:
Uji Normalitas dan Uji Homogenitas ................................................. 8.17
Latihan …………………………………………............................... 8.24
Rangkuman ………………………………….................................... 8.30
Tes Formatif 2 ……………………………..…….............................. 8.31
Kegiatan Belajar 3:
Uji Beda Rataan .................................................................................. 8.34
Latihan …………………………………………............................... 8.42
Rangkuman ………………………………….................................... 8.46
Tes Formatif 3 ……………………………..…….............................. 8.47

DAFTAR PUSTAKA ........................................................................ 8.59
MODUL 9: ANALISIS REGRESI LINEAR SEDERHANA DAN

KORELASI 9.1
Kegiatan Belajar 1:
Analisis Regresi Linear Sederhana ..................................................... 9.3
Latihan …………………………………………............................... 9.19
Rangkuman ………………………………….................................... 9.21
Tes Formatif 1 ……………………………..…….............................. 9.22
Kegiatan Belajar 2:
Inferensi dalam Analisis Regresi ........................................................ 9.26
Latihan …………………………………………............................... 9.34
Rangkuman ………………………………….................................... 9.38
Tes Formatif 2 ……………………………..…….............................. 9.39
Kegiatan Belajar 3:
Analisis Korelasi ................................................................................ 9.42
Latihan …………………………………………............................... 9.53
Rangkuman ………………………………….................................... 9.55
Tes Formatif 3 ……………………………..…….............................. 9.56
viii

DAFTAR PUSTAKA ........................................................................ 9.60
ix
Tinjauan Mata Kuliah
M ata kuliah Statistika Pendidikan merupakan jenjang awal untuk

mempelajari mata kuliah lainnya yang masih ada hubungannya
dengan statistika, seperti Statistika Matematika I, Statistika Matematika II
ataupun Metode Penelitian.
Statistika Pendidikan dapat dipandang sebagai mata kuliah yang berdiri
sendiri atau dapat juga dipandang sebagai dasar mata kuliah baru yang akan
dapat dimanfaatkan oleh para mahasiswa dalam bidang penelitian khususnya
bagi para mahasiswa yang memilih jalur skripsi.
Sesuai dengan namanya ”Statistika Pendidikan”, dalam uraian-uraian
yang berkenaan dengan rumus-rumus tidak hanya digunakan begitu saja,
namun dilengkapi dengan penurunan rumusnya.
Mata kuliah ini diberikan dalam 3 SKS yang disajikan dalam 9 modul.
Kesembilan modul itu adalah
1. Pengetahuan Dasar Statistika
2. Penyajian Data dalam Bentuk Tabel
3. Penyajian Data dalam Bentuk Diagram
4. Ukuran Pemusatan, Lokasi, dan Dispersi
5. Ukuran Kemiringan dan Keruncingan dari Kurva Normal
6. Kurva Normal dan Penggunaannya
7. Kurva-kurva lainnya dan Penggunaannya
8. Pengujian Hipotesis
9. Analisis Regresi Linear Sederhana dan Korelasi
Untuk menyelesaikan kesembilan modul ini, disarankan agar Anda

mempelajari semua modul secara berurutan dari modul pertama sampai
dengan modul kesembilan (terakhir). Belajar dengan menggunakan modul
dituntut kemandirian dan kejujuran Anda terhadap diri sendiri. Jadi, Anda
jangan tergesa-gesa dalam menyelesaikan pelajaran tersebut.
Apabila Anda belum menguasai pelajaran tersebut, ulangilah kembali
bagian-bagian yang belum Anda kuasai sesuai dengan yang diharapkan.
Selain membaca modul, Anda diharapkan juga membaca buku-buku yang
judulnya tercantum pada referensi setiap modul, karena dengan membaca
buku-buku tersebut akan membantu Anda dalam mengatasi kesulitan yang
Anda temukan dalam modul.
x
Akhir kata, aturlah waktu belajar Anda, sehingga modul mata kuliah ini
dapat Anda pelajari dan kuasai dengan hasil yang semaksimal mungkin.
Selamat belajar!
xi
P e ta Kom pe t ens i
Statistika Pendidikan/PEMA4210/3 sks
Menarik kesimpulan dari permasalahan pendidikan dengan

bantuan pengujian statistik yang sesuai
Menarik kesimpulan Menarik kesimpulan

Menarik kesimpulan
masalah perbandingan pada analisis regresi
pada analisis korelasi
melalui uji beda rataan linear sederhana
Menggunakan Menggunakan Menggunakan

Menggunakan
tabel distribusi tabel distribusi tabel distribusi
tabel distribusi F
normal baku student t khi kuadrat
Menentukan ukuran Menentukan ukuran

keruncingan kemiringan
Menentukan nilai-nilai Menentukan nilai-nilai Menentukan nilai-nilai

ukuran pemusatan ukuran lokasi ukuran dispersi
Menyajikan data dalam bentuk

Menyajikan data dalam bentuk tabel
diagram
Menyebutkan definisi statistika,

Menggunakan Menggunakan
statistik, jenis-jenis data, cara-cara
aturan notasi
pengumpulan data, populasi, dan
pembulatan penjumlahan
sampel.
Modul 1
Pengetahuan Dasar Statistika

Drs. Nar Herhyanto
PENDAHULUA N
D alam Modul 1 ini, Anda akan mempelajari pengetahuan dasar statistika

yang mencakup pengertian statistik dan statistika, macam-macam data,
pengumpulan data, aturan-aturan pembulatan bilangan, dan notasi jumlah.
Dalam mempelajari Modul 1 ini, kegiatan belajar yang diberikan terbagi
atas dua bagian, yaitu Kegiatan Belajar 1 dan Kegiatan Belajar 2. Dalam
Kegiatan Belajar 1, Anda akan mempelajari data statistik yang mencakup
pengertian statistik dan statistika, macam-macam data, dan pengumpulan
data. Dalam Kegiatan Belajar 2, Anda akan mempelajari aturan-aturan
pembulatan bilangan dan notasi jumlah yang terangkum dalam dasar-dasar
analisis. Anda hendaknya benar-benar harus menguasai materi dalam modul
ini karena materi ini akan dipakai dalam materi pada modul-modul
berikutnya.
Setelah Anda mempelajari Modul 1 ini, Anda diharapkan dapat
memahami pengetahuan dasar statistika, dan secara khusus, Anda diharapkan
dapat:
1. menjelaskan pengertian statistik;
2. menjelaskan pengertian statistika;
3. menjelaskan pengertian data statistik;
4. memberikan contoh macam-macam data;
5. menjelaskan cara-cara pengumpulan data;
6. menjelaskan pengertian populasi;
7. menjelaskan pengertian sampel;
8. menjelaskan aturan-aturan pembulatan bilangan;
9. menggunakan aturan-aturan pembulatan bilangan; dan
10. menggunakan notasi jumlah dalam perhitungan-perhitungan.
1.2 Statistika Pendidikan z
Kegiatan Belajar 1
Data Statistik
S ebelum kita membahas mengenai data statistik, lebih dahulu akan

dipelajari definisi statistik dan statistika. Kita mungkin pernah
mendengar perkataan statistik dan statistika. Pada umumnya, kebanyakan
orang tidak membedakan antara statistik dan statistika.
Oleh karena itu, berikut ini akan dibahas pengertian dari kedua istilah
tersebut. Di samping itu, juga akan dibahas macam-macam data dan
pengumpulan data.
A. PENGERTIAN STATISTIK
Kata statistik dapat diartikan sebagai kumpulan angka-angka mengenai

suatu masalah, sehingga dapat memberikan gambaran mengenai masalah
tersebut. Biasanya kumpulan data tersebut sudah disusun dalam sebuah tabel.
Misalnya, statistik kecelakaan lalu lintas yang berisi angka-angka mengenai
banyak korban kecelakaan lalu lintas menurut jenis korbannya, seperti luka
ringan, luka berat, dan meninggal. Dan masih banyak lagi contohnya, seperti
statistik penduduk, dan statistik pertanian.
Kata statistik juga diartikan sebagai suatu ukuran yang dihitung dari
sekumpulan data yang merupakan wakil dari data itu.
1. Rata-rata berat badan dari mahasiswa yang mengikuti kuliah ini adalah
51 kg.
2. 90% dari mahasiswa yang mengikuti kuliah ini berasal dari kota ”A”.
3. Kecelakaan lalu lintas itu kebanyakan diakibatkan karena kecerobohan
pengemudi angkutan kota.
Dalam hal ini persentase, rata-rata, dan kebanyakan termasuk ke dalam

statistik. Pengertian statistik yang ketiga dikaitkan dengan ilmu pengetahuan
atau metode ilmiah dan sering disebut statistika. Statistika adalah metode
ilmiah yang mempelajari pengumpulan, pengaturan, perhitungan,
penggambaran dan penganalisisan data, serta penarikan kesimpulan yang
valid berdasarkan penganalisisan yang dilakukan dan pembuatan keputusan
yang rasional.
z PEMA4210/MODUL 1 1.3
Statistika menurut fungsinya dibagi menjadi dua bagian yaitu statistika

deskriptif dan statistika inferensial. Statistika yang menyangkut kesimpulan
yang valid dinamakan statistika inferensial atau statistika induktif. Dalam
statistika inferensial biasanya memasukkan unsur peluang dalam menarik
kesimpulannya. Sedangkan statistika yang hanya menggambarkan dan
menganalisis kelompok data yang diberikan tanpa penarikan kesimpulan
mengenai kelompok data yang lebih besar dinamakan statistika deskriptif
atau statistika deduktif.
Jika kita memperhatikan uraian di atas, untuk melakukan penelitian
suatu masalah maka kita menggunakan statistika deskriptif lebih dahulu
kemudian statistika induktif.
B. MACAM -MACAM DATA
Dalam menyelidiki suatu masalah selalu diperlukan data. Data dapat

diartikan sebagai keterangan yang diperlukan untuk memecahkan suatu
masalah. Berikut ini diberikan macam-macam data ditinjau dari beberapa
segi.
1. Menurut Sifatnya
Dalam hal ini, data dibagi menjadi dua bagian, yaitu:
a. Data kualitatif adalah data yang berbentuk kategori atau atribut.
Contoh 1:
1) Harga emas hari ini mengalami kenaikan.
2) Sebagian dari produksi barang ”A” pada Perusahaan ”X” rusak.
b. Data kuantitatif adalah data yang berbentuk bilangan.

Contoh 2:
1) Luas bangunan hotel itu adalah 5700 m2.
2) Tinggi badan Sandy mencapai 170 cm.
3) Banyak perguruan tinggi di kota ”B” ada 4 buah.
Dalam hal ini, data kuantitatif dibagi menjadi dua bagian adalah sebagai
berikut.
b.1. Data diskrit adalah data yang diperoleh dengan cara menghitung
atau membilang.
Contoh 3:
1) Banyak kursi yang ada di ruangan ini ada 75 buah.
2) Jumlah siswa yang mengikuti mata kuliah ini mencapai 110 orang.
3) Banyak anak pada keluarga Ali ada 3 orang.
b.2. Data kontinu adalah data yang diperoleh dengan cara mengukur.
Contoh 4:
1) Panjang benda itu adalah 15 cm.
2) Jarak antara kota Bandung dengan kota Cirebon adalah 130 km.
3) Berat badan Adi adalah 58 kg.
2. Menurut Cara Memperolehnya

Dalam hal ini data dibagi menjadi dua bagian, yaitu:
a. Data primer adalah data yang dikumpulkan dan diolah sendiri oleh suatu
organisasi serta diperoleh langsung dari objeknya.
Contoh 5:
1) Pemerintah melalui Biro Pusat Statistik (BPS) ingin mengetahui
jumlah penduduk Indonesia, maka BPS mengirimkan petugas-
petugasnya untuk mendatangi secara langsung rumah tangga yang
ada di Indonesia.
2) Perusahaan susu ”SEGAR JAYA” ingin mengetahui jumlah
konsumsi susu yang diminum oleh masyarakat di Kelurahan
Kejaksaan maka petugas dari perusahaan tersebut secara langsung
mendatangi rumah tangga yang ada di Kelurahan Kejaksaan.
b. Data sekunder adalah data yang diperoleh dalam bentuk sudah jadi,
sudah dikumpulkan dan diolah oleh pihak lain, biasanya data itu dicatat
dalam bentuk publikasi-publikasi.
Contoh 6:
Misalkan seorang peneliti memerlukan data mengenai jumlah penduduk
di sebuah kota dari Tahun 1960 sampai 1970 maka orang itu dapat
memperolehnya di BPS.
C. PENGUMPULAN DATA
Jika kita memperhatikan definisi statistika maka fungsi pertamanya

adalah mengumpulkan data. Dalam hal ini, data yang baru diperolehnya
disebut data mentah, yaitu data yang belum mengalami pengolahan apapun.
Dalam statistika, proses pengumpulan data ada dua, yaitu sensus dan
sampling.
Sensus adalah cara pengumpulan data jika setiap anggota populasi diteliti
satu per satu.
Contoh 7:
Misalkan Kepala SMA ”X” ingin mengetahui rata-rata tinggi badan
siswa-siswa di sekolahnya yang berjumlah 600 orang. Apabila setiap siswa
diukur tinggi badannya, kemudian dicatat maka cara pengumpulan data
seperti ini dinamakan sensus.
Sampling adalah cara pengumpulan data jika hanya sebagian anggota
populasi saja yang diteliti. Jadi, di sini tidak semua anggota populasi yang
diteliti, tetapi hanya sebagian anggota populasi saja yang diteliti. Akan tetapi,
yang sebagian itu harus menggambarkan keadaan populasi yang sebenarnya.
Dengan demikian, sebagian dari anggota populasi itu dikatakan bersifat
representatif.
Contoh 8: Lihat kembali Contoh 7.
Apabila jumlah siswa yang diukur tinggi badannya hanya 60 orang saja,
dengan perincian:
Kelas I diambil 20 orang siswa,
Kelas II diambil 20 orang siswa,
Kelas III diambil 20 orang siswa,
maka cara pengumpulan data seperti ini dinamakan sampling.
Dalam pengertian sensus dan sampling ada istilah populasi. Istilah

populasi sering digunakan dalam mempelajari statistika. Menurut definisi,
sebuah populasi mencakup semua anggota dari kelompok yang diteliti.
Contoh 9:
1. Semua penduduk kotamadya Bandung.
2. Semua pasien di Rumah Sakit ”X” pada waktu tertentu.
3. Seluruh siswa SMA ”A” selama tahun ajaran 1990/1991.
4. Seluruh mahasiswa jurusan Pendidikan Matematika di sebuah IKIP
tahun akademik 1990-1991.
Semua contoh di atas merupakan contoh populasi. Pada prakteknya kita

tidak mungkin mengamati semua anggota populasi, mengingat berbagai hal.
Jadi, kita hanya mengamati sebagian anggota dari anggota populasi, dengan
sebagian anggota tersebut harus bersifat representatif. Sebagian anggota yang
diambil dari populasi disebut sampel. Misalkan kita mengamati jumlah
penduduk kota Bandung sebagai populasinya. Kemudian kita menghitung
proporsi penduduk yang berjenis kelamin perempuan. Proporsi ini sering
disebut parameter. Apabila kita mengambil sampel acak dari jumlah
penduduk kota Bandung dan menghitung proporsi penduduk yang berjenis
kelamin perempuan, maka karakteristik dari sampel itu dinamakan statistik.
Untuk menotasikan sebuah parameter populasi biasanya digunakan Huruf
Yunani, sedangkan untuk notasi sebuah statistik digunakan huruf Latin.
Misalnya, μ (miu) adalah simbol untuk rata-rata populasi.
x adalah simbol untuk rata-rata sampel.
Banyak anggota populasi biasanya dinotasikan dengan N dan banyak anggota
sampel biasanya dinotasikan dengan n.
Untuk memilih sampel dari suatu populasi dapat dilakukan dalam dua
cara, adalah sebagai berikut.
1. Cara Acak
Cara acak adalah cara pemilihan sejumlah anggota dari populasi yang
dilakukan sedemikian rupa sehingga anggota-anggota populasi itu
mempunyai peluang yang sama untuk terpilih menjadi anggota sampel.
Penilaian dengan cara seperti ini bersifat objektif.
Cara acak pemilihan anggota sampel dapat dilakukan dengan dua cara
yaitu dengan:
a. Undian
Setiap anggota populasi diberi nomor, kemudian diundi untuk
mendapatkan anggota sampel yang diharapkan. Cara seperti ini dilakukan
jika jumlah anggota populasinya sedikit.
b. Tabel bilangan acak

Dalam hal ini, untuk memilih anggotanya menggunakan Tabel Bilangan
Acak, yaitu tabel yang berisi sekumpulan bilangan yang dikelompokkan ke
dalam lima kolom dan lima baris.
Misalnya banyak anggota populasinya ada 900. Jadi N = 900. Kemudian
anggota-anggota tersebut diberi nomor yang terdiri dari tiga digit (angka),
mulai dari 001, 002, 003, 004, 005, 006, 007, 008, 009, 010, 011, ..., 898,
899, 900. Lalu diambil pensil yang runcing dan ditunjukkan pada angka-
angka Tabel Bilangan Acak secara acak dan hasilnya diambil tiga digit ke
samping kanan. Jika hasil tersebut merupakan bilangan yang lebih kecil atau
sama dengan 900 maka ini dapat dianggap sebagai anggota sampel.
Kemudian kita melihat tiga digit lagi ke kanan bawah. Jika hasil tersebut
merupakan bilangan yang lebih besar dari 900 maka ini tidak dianggap
sebagai anggota sampel. Apabila penunjukan bilangan ini sudah sampai ke
bawah maka penunjukan itu dilanjutkan dengan tiga digit di atasnya mulai
dari digit keempat. Penunjukan ini diteruskan sampai banyak anggota sampel
yang harus diambil itu terpenuhi.
2. Cara Tidak Acak

Cara tidak acak adalah cara pemilihan sejumlah anggota dari populasi
dengan setiap anggotanya tidak mempunyai peluang yang sama untuk terpilih
menjadi anggota sampel. Dalam hal ini, anggota-anggota tertentu saja dari
populasi yang akan terpilih menjadi anggota sampel, dan pemilihan anggota-
anggota tersebut bersifat subjektif.
L A TIH A N
Untuk memperdalam pemahaman Anda mengenai materi di atas,

kerjakanlah latihan berikut!
1) Berikut ini diberikan beberapa pernyataan yang merupakan contoh dari
bermacam-macam data.
a. Tinggi bangunan hotel itu mencapai 50 meter.
b. Banyak kendaraan roda dua yang melewati persimpangan jalan itu.
c. Penilaian seorang guru terhadap siswa-siswanya.
d. Kecepatan kendaraan tiap jam.
e. Banyak halaman buku yang sudah dibaca Sandy pada hari ini.
f. Mutu barang yang diproduksi.
g. Banyak mahasiswa yang mengikuti mata kuliah pada hari ini.
h. Jumlah kecelakaan lalu lintas pada tahun 1990 menurun.
i. Luas tanah Pak Ali 250 m2.
Manakah yang termasuk data kualitatif?
2) Dari pernyataan-pernyataan soal nomor 1, manakah yang termasuk data

diskrit?
3) Dari pernyataan-pernyataan soal nomor 1, manakah yang termasuk data
kontinu?
4) Apakah yang dimaksud dengan statistika deskriptif dan statistika
induktif?
5) Kapankah kita melakukan sensus dan sampling?
Petunjuk Jawaban Latihan
1) Yang termasuk data kualitatif:

c. Penilaian seorang guru terhadap siswa-siswanya.
f. Mutu barang yang diproduksi.
h. Jumlah kecelakaan lalu lintas pada tahun 1990 menurun.
2) Yang termasuk data diskrit:
b. Banyak kendaraan roda dua yang melewati persimpangan jalan itu.
e. Banyak halaman buku yang sudah dibaca Sandy pada hari ini.
g. Banyak mahasiswa yang mengikuti mata kuliah pada hari ini.
i. Banyak kursi pada ruangan itu.
3) Yang termasuk data kontinu:
a. Tinggi bangunan hotel itu mencapai 50 meter.
d. Kecepatan kendaraan tiap jam.
g. Luas tanah rumah Pak Ali 250 m2.
4) Statistika deskriptif adalah fase statistika yang hanya menggambarkan
dan menganalisis kelompok data yang diberikan tanpa penarikan
kesimpulan mengenai kelompok data yang lebih besar.
Statistika induktif adalah statistika yang menyangkut penarikan
kesimpulan yang valid mengenai kelompok yang lebih besar.
5) Sensus dilakukan apabila setiap anggota populasi diteliti satu persatu,
sedangkan sampling dilakukan apabila hanya sebagian anggota populasi
saja yang diteliti.
RA NGK UMA N
1. Statistik dapat diartikan sebagai berikut.

a. Kumpulan angka-angka mengenai masalah, sehingga dapat
memberikan gambaran mengenai masalah tersebut.
b. Ukuran yang dihitung dari sekumpulan data dan merupakan
wakil dari data itu.
2. Statistika adalah metode ilmiah yang mempelajari pengumpulan,
pengaturan, perhitungan, penggambaran dan penganalisaan data,
penarikan kesimpulan yang valid berdasarkan penganalisaan yang
dilakukan,dan pembuatan keputusan yang rasional.
3. Statistika deskriptif adalah statistika yang menyangkut
pengumpulan, penyajian, dan penganalisaan data.
4. Statistika induktif adalah statistika yang menyangkut penarikan
kesimpulan yang valid mengenai kelompok data yang besar.
5. Data adalah keterangan yang diperlukan untuk memecahkan suatu
masalah. Berikut ini diberikan macam-macam data ditinjau dari
beberapa segi, yaitu:
a. Menurut sifatnya
1) Data Kualitatif adalah data yang berbentuk kategori atau
atribut.
2) Data Kuantitatif adalah data yang berbentuk bilangan:
b.1 Data Diskrit
Adalah data yang diperoleh dengan cara menghitung
atau membilang.
b.2 Data Kontinu
Adalah data yang diperoleh dengan cara mengukur.
b. Menurut Cara Memperolehnya
1) Data primer adalah data yang dikumpulkan dan diolah
sendiri oleh suatu organisasi serta diperoleh langsung dari
objeknya.
2) Data Sekunder adalah data yang diperoleh dalam bentuk
sudah jadi, sudah dikumpulkan dan diolah oleh pihak lain,
biasanya data itu dicatat dalam bentuk publikasi-publikasi.
6. Data mentah adalah data yang belum mengalami pengolahan
apapun.
7. Dalam statistika proses pengumpulan data ada dua macam:
a. Sensus adalah cara pengumpulan data jika setiap anggota
populasi diteliti satu persatu.
b. Sampling adalah cara pengumpulan data jika sebagian anggota
populasi yang diteliti.
8. Sebuah populasi mencakup semua anggota dari kelompok yang

diteliti. Suatu karakteristik dari populasi dinamakan parameter.
9. Sekumpulan anggota yang diperoleh dari sebagian anggota populasi
disebut sampel.
10. Untuk memperoleh anggota-anggota populasi menjadi anggota
sampel dapat dilakukan dalam dua cara:
a. Cara Acak adalah cara pemilihan sejumlah anggota populasi
yang dilakukan sedemikian rupa sehingga anggota-anggota
populasi itu mempunyai peluang yang sama untuk terpilih
menjadi anggota sampel.
Cara pemilihan anggotanya dapat dilakukan dengan dua cara:
1) Undian.
2) Tabel Bilangan Acak.
b. Cara Tidak Acak adalah cara pemilihan sejumlah anggota
populasi, dengan setiap anggotanya tidak mempunyai peluang
yang sama untuk terpilih menjadi anggota sampel.
TES FORMATIF 1
Pilihlah satu jawaban yang paling tepat!

1) Jika kita memperhatikan statistika maka secara garis besar urutan fungsi-
fungsinya adalah ....
A. pengumpulan data, penarikan kesimpulan, pengolahan dan
penganalisaan data, pembuatan keputusan
B. pengumpulan data, pengolahan dan penganalisaan data, penarikan
kesimpulan, pembuatan keputusan
C. pengolahan dan penganalisaan data, pengumpulan data, penarikan
kesimpulan, pembuatan keputusan
D. pengumpulan data, pengolahan dan penganalisaan data, pembuatan
keputusan, penarikan kesimpulan
2) Pernyataan ”Ukuran beberapa buku yang terdapat di rak buku”

merupakan contoh dari data ....
A. kuantitatif
B. kualitatif
C. diskrit
D. kontinu
3) Data mentah adalah data yang ....

A. belum mengalami pengolahan apapun
B. sudah jadi
C. sudah mengalami pengolahan dan siap untuk dianalisis
D. sedang dianalisis
4) Seorang petugas dari kantor kecamatan sedang mengumpulkan data

tentang penghasilan setiap bulan dari setiap kepala keluarga yang ada di
Perumahan ”A”. Karena berbagai hal petugas tadi hanya mendatangi
60 orang kepala keluarga dan diwawancarai. Pengumpulan data yang
dilakukan dengan cara seperti di atas disebut ....
A. sensus
B. sampel
C. populasi
D. sampling
5) Dari soal nomor 4 di atas, setelah dihitung ternyata rata-rata

penghasilan setiap keluarga Rp200.000,00/bulan. Nilai Rp200.000,00
per bulan ini dinamakan ....
A. parameter
B. data statistik
C. statistik
D. sampel
Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 1 yang

terdapat di bagian akhir modul ini. Hitunglah jawaban yang benar.
Kemudian, gunakan rumus berikut untuk mengetahui tingkat penguasaan
Anda terhadap materi Kegiatan Belajar 1.
Jumlah Jawaban yang Benar

Tingkat penguasaan = ×100%
Jumlah Soal
Arti tingkat penguasaan: 90 - 100% = baik sekali

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang
Apabila mencapai tingkat penguasaan 80% atau lebih, Anda dapat

meneruskan dengan Kegiatan Belajar 2. Bagus! Jika masih di bawah 80%,
Anda harus mengulangi materi Kegiatan Belajar 1, terutama bagian yang
belum dikuasai.
Kegiatan Belajar 2
Dasar-Dasar Analisis
D alam melakukan penganalisaan data, Anda mungkin akan dihadapkan

dengan bilangan-bilangan yang tidak bulat, artinya bilangan yang
mengandung angka desimal. Untuk keperluan praktis biasanya dapat
dilakukan pembulatan bilangan terhadap hasil analisis yang mengandung
angka desimal. Di samping itu, juga dalam penganalisaan akan banyak
dijumpai perhitungan-perhitungan yang menggunakan notasi jumlah. Oleh
karena itu, berikut ini akan dibahas aturan-aturan dalam membulatkan sebuah
bilangan dan notasi jumlah.
A. PEMBULATAN BILANGAN
Berikut ini akan diberikan tiga buah aturan pembulatan bilangan yang
banyak digunakan dalam penganalisaan data.
ATURAN 1: Jika angka terkiri dari angka yang harus dihilangkan

kurang dari 5 maka angka terkanan dari angka yang
mendahuluinya tetap (tidak berubah).
Contoh 1: 50,15 ton dibulatkan hingga satuan ton terdekat menjadi 50 ton.
Dalam hal ini angka-angka yang harus dihilangkan adalah 15 dan
angka terkiri dari 15 itu adalah 1 (kurang dari 5) maka angka
terkanan yang mendahului 15, yaitu 0, tetap.

lebih dari 5 atau angka 5 diikuti oleh angka-angka
bukan nol semua maka angka terkanan dari angka
yang mendahuluinya bertambah dengan satu.
Contoh 2: 6895 kg dibulatkan hingga ribuan kg menjadi 7000 kg. Dalam

hal ini, angka-angka yang harus dihilangkan adalah 895 dan
angka terkiri dari 895 itu adalah 8 (lebih dari 5) maka angka
terkanan yang mendahului 895, yaitu 6, bertambah dengan satu
menjadi 7.
Contoh 3: 50,15001 menit dibulatkan hingga persepuluhan menit terdekat

menjadi 50,2. Dalam hal ini, angka-angka yang harus dihilangkan
adalah 5001 dan angka terkiri dari 5001 adalah 5 tapi diikuti oleh
angka-angka bukan nol semua maka angka terkanan yang
mendahului 5001, yaitu 1, bertambah dengan satu menjadi 50,2.

sama dengan 5 atau angka 5 diikuti oleh angka-angka
nol semua maka angka terkanan dari angka yang
mendahuluinya tetap jika angka tersebut genap, dan
bertambah satu jika angka tersebut ganjil.
Contoh 4: 14,35 gram dibulatkan hingga persepuluhan gram terdekat

menjadi 14,4 gram. Dalam hal ini angka yang harus dihilangkan
adalah 5 maka angka terkanan yang mendahului 5, yaitu 3
bertambah satu menjadi 4 (karena 3 merupakan angka ganjil).
Contoh 5: 24,5000 cm dibulatkan hingga satuan cm menjadi 24 cm. Dalam

hal ini angka-angka yang harus dihilangkan adalah 5000 dan
angka terkiri dari 5000 itu adalah 5 maka angka terkanan yang
mendahului 5000, yaitu 4 tetap (karena 4 merupakan angka
genap).
B. NOTASI JUMLAH
Dalam statistika banyak sekali dijumpai perhitungan-perhitungan yang

menggunakan notasi jumlah. Huruf Yunani 3 dinyatakan sebagai operator
matematika untuk penjumlahan dan dibaca ”jumlah dari”. Notasi
penjumlahan ini digunakan untuk menunjukkan penambahan atau
penjumlahan dari sekumpulan bilangan. Misalkan, berat badan (dicatat dalam
kg) dari 5 orang mahasiswa adalah 60, 55, 58, 62, 63. Dalam hal ini berat
badan dapat dikatakan sebagai sebuah variabel, katakanlah X . Dengan
menggunakan simbol-simbol X 1 , X 2 , X 3 , X 4 dan X 5 untuk menyatakan
berat badan dari lima orang mahasiswa, jumlah dari berat badan tersebut
dapat ditulis sebagai berikut.
5
∑X
i =1
i
Notasi ini dibaca penjumlahan berat badan X i dari i = 1 sampai i = 5

artinya jumlah dari lima berat badan:
5
∑X
i =1
i = X1 + X 2 + X 3 + X 4 + X 5
= 60 + 55 + 58 + 62 + 63
= 298
Secara umum, jika ada n buah nilai dijumlahkan maka:
n
∑X
i =1
i = X1 + X 2 + X 3 + … + X n
n
Kadang-kadang notasi penjumlahan ∑
i =1
disederhanakan menjadi Σ , dengan
pengertian penjumlahan ini dilakukan atas n buah pengamatan.

n
Pengoperasian simbol ∑X
i =1
i dapat dilakukan sebagai berikut.
i diganti 1 diperoleh X1,

. . .
. . .
i diganti n diperoleh X n .
Kemudian kita menjumlahkan semua suku-suku tersebut. Oleh karena itu,

dengan cara yang sama dapat ditulis:
4
∑X
i =1
i
2
= X 12 + X 2 2 + X 32 + X 4 2
4
∑X Y
i =1
i i = X 1Y1 + X 2Y2 + X 3Y3 + X 4Y4
3
∑X Y
i =1
i i
2
= X 1Y12 + X 2Y22 + X 3Y32
Biasanya untuk indeks banyak digunakan i, j, atau k.

Contoh 6: Jika X1 = 1, X2 = 3 dan X3 = 5 maka hitunglah:
3
a. ∑X
i =1
i =…
3
b. ∑2 X
i =1
i
2
=…
3
c. ∑(X
i =1
i − 1) = …
Penyelesaian:
3
a. ∑X
i =1
i = X1 + X 2 + X 3
=1+3+5
=9
3
b. ∑2 X
i =1
i
2
= 2 X 12 + 2 X 2 2 + 2 X 32
= 2 (1)2 + 2 (3)2 + 2 (5)2

= 2 + 18 + 50
= 70
3
c. ∑(X
i =1
i − 1) = (X 1 − 1) + ( X 2 − 1) + ( X 3 − 1)
= (1 – 1) + (3 – 1) + (5 – 1)
=0+2+4=6
Contoh 7. Jika X1 = 2, X 2 = −3, X 3 = 1, Y1 = 1, Y2 = 2 dan Y3 = 4

maka hitunglah!
3
a. ∑X Y
i =1
i i =…
⎛ 3 ⎞⎛ 3 2 ⎞
b. ⎜ ∑ X i ⎟ ⎜ ∑ Yi ⎟ = …
⎝ i =1 ⎠ ⎝ j =1 ⎠
Penyelesaian:
3
a. ∑X Y
i =1
i i = X 1Y1 + X 2Y2 + X 3Y3
= (2) (1) + (-3) (2) + (1) (4)

= 2-6+4
=0
⎛ 2 ⎞⎛ 3 2 ⎞
⎜ ∑ X i ⎟ ⎜ ∑ Yi ⎟ = ( X 1 + X 2 ) (Y1 + Y2 + Y3 )
2 2 2
b.
⎝ i =1 ⎠ ⎝ j =1 ⎠
= ⎡⎣ 2+ ( -3) ⎤⎦ (12 + 22 + 42 )
= (-1) (1 + 4 + 16)
= (-1) (21)
= -21
Berikut ini akan diberikan tiga buah dalil yang berkaitan dengan notasi
jumlah.
DALIL 1: Penjumlahan dari jumlah dua atau lebih variabel sama

dengan jumlah masing-masing penjumlahan variabelnya.
Jika ada tiga buah variabel X, Y, dan Z maka:
n n n n
∑ ( X i + Yi + Zi ) = ∑ X i + ∑ Yi + ∑ Zi
i =1 i =1 i =1 i =1
Bukti:
n
∑(X
i =1
i + Yi + Z i ) = ( X 1 + Y1 + Z1 ) + ( X 2 + Y2 + Z 2 ) + ( X 3 + Y3 + Z 3 ) + ... +
( X n + Yn + Z n )
= ( X 1 + X 2 + X 3 + ... + X n ) + (Y1 + Y2 + Y3 + ... + Yn ) +
( Z1 + Z 2 + Z 3 + ... + Z n )
n n n n
∑(X
i =1
i + Yi + Z i ) = ∑ X i + ∑ Yi + ∑ Z i
i =1 i =1 i =1
DALIL 2: Jika c adalah sebuah konstanta maka:

n n
∑ cX
i =1
i = c ∑ Xi
i =1
Bukti:
n
∑ cX
i =1
i = cX 1 + cX 2 + cX 3 + … + cX n
= c( X1 + X 2 + X 3 + … + X n )
n
= c ∑ Xi
i =1
DALIL 3: Jika c adalah sebuah konstanta maka:

n
∑c=nc
i =1
Bukti:
n
∑c= c + c + c
i =1
+ ... c = nc
n suku
Contoh 8: Jika X1 = 2 , X2 = 3, X3 = -1 Y1 = 1, Y2 = 2 dan Y3 = -1

maka hitung:
3
∑ (3 X
i =1
i − Yi + 3)
Penyelesaian:
3
∑ (3 X
i =1
i − Yi + 3) = (3 X 1 − Y1 + 3) + (3 X 2 − Y2 + 3) + (3 X 3 − Y3 + 3)
= (3(2)-1+3) + (3(3)-2+3) + (3(-1)+1+3

= (6-1+3) + (9-2+3) + (-3+1+3)
= 19
atau
3 3 3 3
∑ (3 X i − Yi + 3) = ∑ 3 X i − ∑ Yi + ∑ 3
i =1 i =1 i =1 i =1
3 3
= ∑ 3 X i − ∑ Yi + (3).(3)
i =1 i =1
= 3 ( X 1 + X 2 + X 3 ) − (Y1 + Y2 + Y3 ) + 9
= 3 (2 + 3 – 1) - (1 + 2 - 1) + 9
= 12 – 2 + 9 = 19
3
Contoh 9: Sederhanakan ∑ ( X − i)
i =1
2
Penyelesaian:
3 3
∑ ( X − i) = ∑ ( X
i =1
2
i =1
2
− 2 Xi + i 2 )
3 3 3
= ∑ X 2 − ∑ 2 Xi + ∑ i 2
i =1 i =1 i =1
3 3
= 3X 2 − 2 X ∑ i + ∑ i2
i =1 i =1
= 3 X − 2 X (1 + 2 + 3) + (1 + 4 + 9)
2
= 3 X 2 − 12 X + 14
L A TIH A N

1) Bulatkan bilangan-bilangan ini hingga ketelitian yang diberikan.
a. 50,75500 dibulatkan hingga perseratusan yang terdekat.
b. 18,45 dibulatkan hingga satu desimal.
c. 0,75645 dibulatkan hingga perseribuan yang terdekat.
2) Uraikan:
10
a. ∑W
i =6
i
2
4
b. ∑(X
h=2
h + h)
5
c. ∑ 3(Y
j =1
j − 2)
3) Sederhanakan:
4
a. ∑ (2 X + i)
i=2
2
3
b. ∑ ( X − Y + 3)
y =0
3
4) Jika X 1 = 4, X 2 = −3, X 3 = 6, dan X 4 = −1 maka hitung:

4
a. ∑X (X
i =1
i
2
i − 1)
4
∑( X + i)
2
b. i
i=2
m n m n
5) Perlihatkan bahwa ∑ ∑ cX
i =1 j =1
ij =c∑
i =1
∑X
j =1
ij
1) a. 50,76
b. 18,4
c. 0,756
10
2) a. ∑Wi =6
i
2
= W62 + W72 + W82 + W92 + W102
4
∑(X
h=2
h + h) = ( X 2 + 2) + ( X 3 + 3) + ( X 4 + 4)
b. = X2 + X3 + X4 + 2 + 3 + 4
= X2 + X3 + X4 + 9
5
c. ∑ 3(Y
j =1
j − 2) = 3(Y1 − 2) + 3(Y2 − 2) + 3(Y3 − 2) + 3(Y4 − 2) + 3(Y5 − 2)
= 3Y1 − 6 + 3Y2 − 6 + 3Y3 − 6 + 3Y4 − 6 + 3Y5 − 6

= 3Y1 + 3Y2 + 3Y3 + 3Y4 + 3Y5 − 30
4 4
3) a. ∑ (2 X + i)
i=2
2
= ∑ (4 X
i=2
2
+ 4 Xi + i 2 )
4 4 4
= ∑ 4 X 2 + ∑ 4Xi + ∑ i 2
i=2 i=2 i=2
4 4
= 12 X 2 + 4 X ∑ i + ∑ i 2
i=2 i=2
= 12 X + 4 X (2 + 3 + 4) + (4 + 9 + 16)
2
= 12 X 2 + 36 X + 29
3 3
b. ∑ ( X - Y + 3) = ∑ ( X
y =0
3
Y =0
3
+ 9 X 2 - 3 X 2Y -18 XY + 27 X + 3 XY 2 - 27Y + 9Y 2 - Y 3 + 27)
3 3 3 3 3 3
= ∑ X 3 + ∑ 9 X 2 − ∑ 3 X 2Y − ∑18 XY + ∑ 27 X + ∑ 3 XY 2 −
y =0 y =0 y =0 y =0 y =0 y =0
3 3 3 3
∑ 27Y + ∑ 9Y − ∑ Y + ∑ 27
y =0 y =0
2
y =0
3
y =0
∑x
y =0
3
= 4 x3
∑ 9x
y =0
2
= 4(9 x 2 ) = 36 x 2
3 3
∑ 3x
y =0
2
y = 3x 2 ∑ y = 3x
y =0
2
(0 + 1 + 2 + 3) = 18 x 2
3 3
∑18 xy = 18 x ∑ Y = 18 x (0 + 1 + 2 + 3) = 108 x
y =0 y =0
3
∑ 27 x = 4(27 x) = 108 x
y =0
3 3
∑18 xy = 18 x ∑ Y = 18 x (0 + 1 + 2 + 3) = 108 x
y =0 y =0
3 3
∑ 3xy
y =0
2
= 3x ∑Y
y =0
2
= 3x (02 + 12 + 22 + 32 ) = 42 x
3 3
∑ 27 y = 27 ∑ Y = 27 (0 + 1 + 2 + 3) = 162
y =0 y =0
3 3
∑9y
y =0
2
=9 ∑Y
y =0
2
= 9 (02 + 12 + 22 + 32 ) = 126
3
∑Y
y =0
3
= 03 + 13 + 23 + 33 + 36 = 36
3
∑ 27 =4(27) = 108
y =0
3
∑ ( X − Y + 3)
y =0
3
= 4 x 3 + 36 x 2 − 18 x 2 − 108 x + 108 x + 42 x − 162 + 126 − 36 + 108
= 4 X 3 −18 X 2 + 42 X + 36
4 4
4) a. ∑X (X
i =1
i
2
i − 1) = ∑ ( X i 3 − X i 2 )
i=2
4 4
= ∑ X i3 − ∑X i
2
i =1 i =1
= ( X 13 + X 23 + X 33 + X 43 ) − ( X 12 + X 2 2 + X 32 + X 4 2 )
= (43 + (-3)3 + 63 + (-1)3) - (42 + (-3)2+ 62 + (-1)2)
= 64 - 27 + 216 - 1 - 16 - 9 – 36 - 1 = 190
4 4
b. ∑(X
i=2
i + i)2 = ∑(X
i=2
i
2
+ 2iX i + i 2 )
4 4 4
= ∑ X i2 + 2 ∑ i X i + ∑ i2
i=2 i=2 i=2
= ( X 2 + X 3 + X 4 ) + 2(2 X 2 + 3 X 3 + 4 X 4 ) +
2 2 2
(22 + 32 + 42)
= [(-3)2 + (6)2 + (-1)2] + 2 [(2(-3) + 3 (6) + 4 (-1)] +
4 + 9 + 16
= 9 + 36 + 1 – 12 + 36 – 8 + 4 + 9 + 16
= 91
m n m
5) ∑ ∑ cX = ∑ ( cX
i =1 j =1
ij
i =1
i1 + cX i 2 + cX i 3 + ... + cX in )
m m m m
= ∑ cX i1 + ∑ cX i 2 + ∑ cX i 3 + ... + ∑ cX in
i =1 i =1 i =1 i =1
m
∑ cX
i =1
i1 = cX 11 + cX 21 + ... + cX m1
m
∑ cX
i =1
i2 = cX 12 + cX 22 + ... + cX m 2
∑ cX
i =1
in = cX 1n + cX 2 n + ... + cX mn
___________________________ +
m n
∑∑ cx = ( cX
i =1 j =1
ij 11 + cX 12 + ... + cX 1n ) + ( cX 21 + cX 22 + ... + cX 2 n )
+ …( cX m1 + cX m 2 + ... + cX mn )
= c ( X 11 + X 12 + ... + X 1n ) + c ( X 21 + X 22 + ... + X 2 n )
+ … c ( X m1 + X m 2 + ... + X mn )
= c ⎡⎣( X 11 + X 12 + ... + X 1n ) + ( X 21 + X 22 + ... + X 2 n )
+ …( X m1 + X m 2 + ... + X mn ) ⎤⎦
⎡ n n n ⎤
= c ⎢ ∑ X ij + ∑ X 2 j + … ∑ X mj ⎥
⎣ j =1 j =1 j =1 ⎦
⎡m n ⎤
= c ⎢ ∑∑ X ij ⎥
⎣ j =1 j =1 ⎦
m n m n
Jadi, terbukti bahwa: ∑
i =1
∑ cX ij = c ∑
j =1 i =1
∑X
j =1
ij
RA NGK UMA N
1. Ada tiga buah aturan pembulatan bilangan yang banyak digunakan

dalam penganalisaan:
a. ATURAN 1
Jika angka terkiri dari angka yang harus dihilangkan kurang dari
5 maka angka terkanan dari angka yang mendahuluinya tetap
(tidak berubah).
b. ATURAN 2
Jika angka terkiri dari angka yang harus dihilangkan lebih dari
5 atau angka 5 diikuti oleh angka-angka bukan nol semua maka
angka terkanan dari angka yang mendahuluinya bertambah
dengan satu.
c. ATURAN 3
Jika angka terkiri dari angka yang harus dihilangkan sama
dengan 5 atau angka 5 diikuti oleh angka-angka nol semua
maka angka terkanan dari angka yang mendahuluinya tetap jika
angka tersebut genap dan bertambah satu jika angka tersebut
ganjil.
2. Dalam statistika kita banyak sekali menjumpai perhitungan-
perhitungan yang menggunakan notasi jumlah. Notasi jumlah Σ
digunakan sebagai operator matematika untuk penjumlahan.
3. Misalkan kita mempunyai n buah pengamatan, X 1 , X 2 , …, X n
n
Pengoperasian simbol ∑X
i =1
i dapat dilakukan sebagai berikut.
i diganti 1 diperoleh X 1 ,
i diganti n diperoleh X n ,
Kemudian kita menjumlahkan suku-suku tersebut.
4. Ada tiga buah dalil yang berkaitan dengan notasi jumlah.

a. Dalil 1
Penjumlahan dari jumlah dua atau lebih variabel sama dengan
jumlah masing-masing penjumlahan variabelnya.
Jika ada tiga buah variabel X, Y, Z maka:
n n n n
∑(X
i =1
i + Yi + Z i ) = ∑ X i + ∑ Yi + ∑ Z i
i =1 i =1 i =1
b. Dalil 2
Jika c adalah sebuah konstanta maka:
n n
∑ cX
i =1
i = c ∑ Xi
i =1
c. Dalil 3
Jika c adalah sebuah konstanta maka:
n
∑c=nc
i =1
TES FORMATIF 2
1) 10,5500 dibulatkan hingga persepuluhan menjadi ....

A. 10,5
B. 11
C. 10,6
D. 10,55
2) 951,065 dibulatkan hingga perseratusan menjadi ....

A. 951,06
B. 951,10
C. 951,07
D. 951,00
2
3) Jika X1 = -2, X2 = 1, Y1 = 2 dan Y2 = 4 maka ∑X
i =1
i
3
Yi 2 sama dengan ....
A. 48
B. -13
C. 52
D. -16
4) Jika X1 = -2 , X2 = -1 , X3 = 2, Y1 = 2, Y2 = -2 dan Y3 = maka

2 2
⎡ 3 2⎤ ⎡ 3 ⎤
⎢ ∑ X i ⎥ ⎢ ∑ Yi ⎥ sama dengan .…
⎣ i =1 ⎦ ⎣ i =1 ⎦
A. 2025
B. 775
C. 2500
D. 225
3
5) ∑ ( X − 2i)
x=0
2
sama dengan ….
A. 4X2 - 24X + 14
B. 12i2 - 24i + 14
C. 16i2 - 24i +14
D. 16i2 - 24i - 14


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

meneruskan dengan modul selanjutnya. Bagus! Jika masih di bawah 80%,
belum dikuasai.
Kunci Jawaban Tes Formatif
Tes Formatif 1
1) B. Lihat definisi statistika.
2) B. Lihat definisi data kualitatif dan ukuran buku itu bisa besar atau
kecil.
3) A. Sudah jelas.
4) D. Lihat definisi sampling.
5) C. Sudah jelas.
Tes Formatif 2
1) C. Dalam hal ini angka-angka yang harus dihilangkan adalah 500 dan
angka terkiri dari 500 adalah 5 maka angka terkanan yang
mendahului 5000 yaitu 5 bertambah satu menjadi 6 (karena angka 5
ganjil).
2) A. Dalam hal ini angka yang harus dihilangkan adalah 5 dan angka
terkiri dari 5 adalah 5 maka angka terkanan yang mendahului 5 yaitu
6 tetap.
2
3) D. ∑X
i =1
i Yi 2 = X 13Y12 + X 2 2Y2 2
3
= (-2)3 (2) 2 + (1)3 (4) 2

= -32 + 16
= -16
2 2
⎡ 3 2⎤ ⎡ 3 ⎤
⎢ ∑ X i ⎥ ⎢ ∑ Yi ⎥ = ( X 1 + X 2 + X 3 ) (Y1 + Y2 + Y3 )
2 2 2 2 2
4) A.
⎣ i =1 ⎦ ⎣ i =1 ⎦
= ((-2) 2 + (-1) 2 + 22) 2 (2 − 2 + 5) 2
= (4 + 1 + 4) 2 (5) 2
= 2025
3 3 3 3 3
5) C. ∑ ( X − 2i) = ∑ ( X
x =0
2
x =0
2
− 4iX + 4i 2 ) = ∑ X 2 − 4i ∑ X + ∑ 4i 2
x =0 x =0 x =0
= (0 + 1 + 4 + 9 ) − 4i (0 + 1 + 2 + 3) + 4(4i 2)
= 14 − 24i + 16i 2
= 16i 2 − 24i + 14
Daftar Pustaka
Hinkle, Dennis E.; Wiersma, William and E. Jurs, Stephen. (1979). Applied
Statistics for the Behavioral Sciences. Chicago: Rand McNally College
Publishing Company.
Spiegel, M.R. (1981). Theory and Problems of Statistics, SI (Metric) edition,

Schaum’s Outline Series. Singapore: McCraw-Hill International Book
Company.
Sudjana. (1983). Metode Statistika. Edisi Keempat. Bandung: Tarsito.
Supranto, J. (1988). Statistik, Teori dan Aplikasi, Jilid I, Edisi Kelima.

Jakarta: Erlangga.
Walpole, R.E. (1982). Introduction to Statistics. Edition. New York: Mac

Millan, Publishing Co., Inc.
Modul 2
Penyajian Data dalam Bentuk Tabel

Drs. Nar Herhyanto
PENDAHULUA N
D alam modul ini Anda akan mempelajari teknik penyajian data dalam
bentuk tabel dan diagram. Materi ini merupakan kelanjutan dari materi
yang sudah Anda pelajari dalam Modul 1.
Dalam mempelajari Modul 2 ini, kegiatan belajar yang akan di berikan
terbagi atas dua bagian, yaitu Kegiatan Belajar 1 dan Kegiatan Belajar 2.
Dalam Kegiatan Belajar 1, Anda akan mempelajari macam-macam penyajian
data dalam bentuk tabel:
1. baris-kolom,
2. kontingensi,
3. distribusi frekuensi.
Pada Kegiatan Belajar 2, Anda akan mempelajari macam-macam tabel

distribusi frekuensi:
1. relatif,
2. kumulatif, dan
3. kumulatif relatif.
Dalam mempelajari materi Modul 2 ini, Anda akan banyak

menggunakan aturan-aturan pembulatan bilangan yang sudah Anda pelajari
dalam Modul 1.
Setelah Anda mempelajari Modul 2 ini, secara umum Anda diharapkan
dapat memahami teknik penyajian data dalam bentuk tabel. Sedangkan secara
khususnya, Anda diharapkan dapat:
1. menyusun sekumpulan data dalam bentuk tabel baris-kolom dan tabel
kontingensi;
2. menyusun sekumpulan data dalam bentuk tabel distribusi frekuensi;
3. menyusun sekumpulan data dalam bentuk tabel distribusi frekuensi
relatif; dan
4. menyusun sekumpulan data dalam bentuk tabel distribusi frekuensi

kumulatif, baik frekuensinya dalam bentuk mutlak (absolut) maupun
relatif.
Kegiatan Belajar 1
Macam-Macam Penyajian Data

dalam Bentuk Tabel
K ita mempunyai sekumpulan data, dan masih belum tersusun secara

teratur. Untuk keperluan penganalisisan, biasanya data itu disusun
dalam sebuah tabel. Oleh karena itu, kegiatan belajar ini akan menjelaskan
hal-hal yang berkaitan dengan penyajian data dalam bentuk tabel, seperti
aturan-aturan dalam pembuatan tabel, macam-macam tabel, dan cara
membuat tabel distribusi frekuensi.
A. ATURAN-ATURAN PEMBUATAN TABEL
Sebuah tabel biasanya terdiri dari beberapa baris dan beberapa kolom.
Dalam hal ini, untuk membuat sebuah tabel yang benar diperlukan aturan-
aturan sebagai berikut.
1. Judul Tabel
Dalam membuat judul tabel harus diperhatikan hal sebagai berikut.
a. Harus ditulis di tengah-tengah bagian teratas.
b. Diberi nomor agar lebih mudah dalam pencarian tabel. Biasanya
nomor itu meliputi bab berapa materi itu sedang dibahas dan nomor
urut tabel itu sendiri.
Contoh 1: Daftar 1 (2) artinya tabel itu membahas materi Bab I dan
urutan tabel kedua yang dibahas.
c. Ditulis dengan huruf kapital semua.
d. Ditulis secara singkat dan jelas meliputi masalah apa, di mana
masalah itu terjadi, kapan masalah itu terjadi, dan satuan dari objek
yang dipermasalahkan (bila ada).
e. Dapat ditulis dalam beberapa baris, tiap baris menggambarkan
sebuah kalimat yang lengkap.
f. Sebaiknya tiap baris jangan dilakukan pemisahan kata.
Contoh 2:
DAFTAR 2 (1)
BERAT BADAN MAHASISWA PROGRAM S-1
JURUSAN PENDIDIKAN MATEMATIKA
TAHUN 1991
(Dicatat Dalam Kg)
2. Judul Baris
a. Ditulis secara singkat dan jelas.
b. Dapat ditulis dalam beberapa baris
c. Sebaiknya jangan dilakukan pemisahan bagian kata.
3. Judul Kolom
a. Ditulis secara singkat dan jelas
b. Dapat ditulis dalam beberapa baris
c. Sebaiknya jangan dilakukan pemisahan bagian kata.
4. Di sebelah kiri bawah tabel biasanya terdapat bagian untuk menuliskan
catatan yang diberikan (bila perlu), atau bisa juga kata "Sumber" yang
menjelaskan dari mana data itu dikutip. Jika kata "Sumber" itu tidak ada,
ini berarti bahwa pemakai data itu sendiri yang mengumpulkan datanya
(bisa berupa data fiktif atau data yang benar-benar hasil penelitiannya).
5. Jika ada data mengenai waktu, maka waktu tersebut hendaknya disusun
secara berurutan.
Misalnya: a. Senin, Selasa, Rabu, dan seterusnya
b. 1980, 1981, 1982, dan seterusnya
c. Januari, Februari, Maret, dan seterusnya.
6. Jika ada data mengenai kategori, maka kategori disusun menurut
kebiasaan.
Misalnya: a. laki-laki dahulu, kemudian perempuan
b. besar dahulu, kemudian kecil
c. untung dahulu, kemudian rugi
d. bagus dahulu, kemudian rusak/jelek.
B. MACAM-MACAM TABEL
Untuk menyusun sekumpulan data yang urutannya belum tersusun

secara teratur ke dalam bentuk dari kategori terkecil hingga terbesar, atau dari
kategori terendah hingga tertinggi, sebaiknya data itu disajikan dalam sebuah
tabel. Dalam hal ini, tabel yang biasa digunakan ada tiga macam tabel:
1. baris-kolom;
2. kontingensi; dan
3. distribusi frekuensi.
Contoh 3: Berikut ini diberikan data mengenai jumlah lulusan mahasiswa

Program D-2, Program D-3, dan Program S-1 dari empat jurusan
yang ada di FMIPA sebuah IKIP selama setahun. Dari Jurusan
Pendidikan Biologi telah meluluskan 90 orang yang diperinci: 15
orang laki-laki lulusan S-1, 20 orang perempuan lulusan S-1, 10
orang laki-laki lulusan D-3, 17 orang perempuan lulusan D-3, 10
orang laki-laki lulusan D-2 dan 18 orang perempuan lulusan D-2.
Dari Jurusan Pendidikan Fisika telah meluluskan 99 orang yang
diperinci: laki-laki lulusan S-1 sebanyak 10 orang, 17 orang
perempuan lulusan S-1, 14 orang laki-laki lulusan D-3, 22 orang
perempuan lulusan D-3, 18 orang laki-laki lulusan D-2 dan 18
orang perempuan. lulusan D-2.
Dari Jurusan Pendidikan Kimia telah meluluskan sebanyak
88 orang yang diperinci: 12 orang laki-laki lulusan S-1, 12 orang
orang perempuan lulusan D-2.
Dari Jurusan Pendidikan Matematika telah meluluskan sebanyak
104 orang yang diperinci: 18 orang laki-laki lulusan S-1, 25 orang
orang perempuan lulusan D-2.
Jika kita memperhatikan data di atas maka kita akan mengalami

kesukaran dalam membandingkan lulusan mahasiswa antara jurusan yang
satu dengan jurusan lainnya. Untuk mengatasinya disusunlah data di atas ke
dalam sebuah tabel sebagai berikut.
DAFTAR 2 (1)
JUMLAH LULUSAN MAHASISWA S-1, D-3, DAN D-2
DARI EMPAT JURUSAN DI FMIPA SEBUAH IKIP
SELAMA SATU TAHUN
S-1 D-3 D-2
Jurusan Jumlah
Laki P Laki P Laki P
Biologi 15 20 10 17 10 18 90
Fisika 10 17 14 22 18 18 99
Kimia 12 12 12 18 18 16 88
Matematika 18 25 15 15 16 15 104
Jumlah 55 74 51 72 62 67 381
Dari Daftar 2 (1) diperoleh penafsiran sebagai berikut.

⎛ 90 ⎞
1. 24% ⎜ × 100 ⎟ dari jumlah lulusan FPMIPA berasal dari Jurusan
⎝ 381 ⎠
Pendidikan Biologi.
⎛ 99 ⎞
2. 26% ⎜ × 100 ⎟ dari jumlah lulusan FPMIPA berasal dari jurusan
⎝ 381 ⎠
Pendidikan Fisika.
⎛ 88 ⎞
⎝ 381 ⎠
Pendidikan Kimia.
⎛ 104 ⎞
⎝ 381 ⎠
Pendidikan Matematika.
⎛ 55 ⎞
5. 14% ⎜ × 100 ⎟ dari jumlah lulusan FPMIPA berasal dari laki-laki
⎝ 381 ⎠
Program S-1.
⎛ 55+51+62 ⎞
6. 44% ⎜ × 100 ⎟ dari jumlah lulusan FPMIPA berjenis kelamin
⎝ 381 ⎠
laki-laki.
Dan masih banyak lagi penafsiran yang dapat dibuat. Da1am hal ini, data
di atas disajikan dalam tabel baris-kolom. Data dalam Contoh 3 dapat
disajikan dalam tabel kontingensi ukuran 4 × 3, seperti nampak dalam
Daftar 2 (2).
DAFTAR 2 (2)
JUMLAH LULUSAN MAHASISWA S-1, D-3, DAN D-2
DARI EMPAT JURUSAN DI FMIPA SEBUAH IKIP
SELAMA SATU TAHUN
Program Jurusan S-1 D-3 D-2 Jumlah
Biologi 35 27 28 90
Fisika 27 36 36 99
Kimia 24 30 34 88
Matematika 43 30 31 104
Jumlah 129 123 129 381
C. TABEL DISTRIBUSI FREKUENSI
Masalah-masalah yang akan dibahas dalam tabel distribusi frekuensi ada

empat:
1. pengertiannya,
2. istilah-istilah yang ada di dalamnya,
3. cara pembuatannya, dan
4. penafsirannya.
Sebelum dibahas mengenai tabel distribusi frekuensi ada tiga istilah yang
perlu dibahas, yaitu array, baik untuk data tersebar maupun data
terkelompok. Array adalah penyusunan sekumpulan data menurut urutan
nilainya, mulai dari nilai data yang terkecil sampai nilai data yang terbesar.
Data tersebar adalah data yang nilai-nilainya belum disusun dalam tabel
distribusi frekuensi. Data terkelompok adalah data yang nilai-nilainya sudah
disusun dalam tabel distribusi frekuensi.
Untuk memberikan pengertian mengenai tabel distribusi frekuensi,
sebenarnya setiap orang dapat mendefinisikannya berdasarkan bentuk
umumnya. Oleh karena itu, berikut ini akan diberikan bentuk umum dari
tabel distribusi frekuensi, seperti nampak dalam Daftar 2 (3).
DAFTAR 2 (3)
BENTUK UMUM TABEL DISTRIBUSI FREKUENSI
Nilai Data Frekuensi
a −b f1
c−d f2
e− f f3
g −h f4
i− j f1
5
Jumlah ∑f
i =1
i
Dari bentuk umum di atas, tabel distribusi frekuensi dapat didefinisikan

sebagai sebuah tabel yang berisi nilai-nilai data dengan nilai-nilai tersebut
dikelompokkan ke dalam interval-interval dan setiap interval nilai masing-
masing mempunyai frekuensinya.
Mungkin ada orang yang akan mendefinisikan tabel distribusi frekuensi
berbeda dari definisi di atas. Hal ini tidak menjadi masalah, asalkan
pemberian definisi tersebut harus sesuai dengan bentuk umumnya.
Dalam tabel distribusi frekuensi, ada beberapa istilah yang digunakan di
dalamnya, antara lain:
1. Kelas Interval adalah kelompok nilai data yang berupa interval. Dari
Daftar 2 (3), tabel distribusi frekuensi terdiri dari lima kelas interval.
a − b merupakan kelas interval pertama,
c − d merupakan kelas interval kedua,
e − f merupakan kelas interval ketiga,
g − h merupakan kelas interval keempat, dan
i − j merupakan kelas interval kelima.
2. Ujung Bawah adalah bilangan yang terdapat di sebelah kiri interval nilai
data untuk setiap kelas interval. Dari bentuk umum dalam Daftar 2 (3)
maka ujung-ujung bawahnya adalah: a, c, e, g, i.
a merupakan ujung bawah kelas interval pertama,
c merupakan ujung bawah kelas interval kedua,
e merupakan ujung bawah kelas interval ketiga,
g merupakan ujung bawah kelas interval keempat,
i merupakan ujung bawah kelas interval kelima.
3. Ujung Atas adalah bilangan yang terdapat di sebelah kanan interval nilai
data untuk setiap kelas interval. Dari bentuk umum dalam Daftar 2 (3)
maka ujung-ujung atasnya adalah: b, d, f, h, j.
b merupakan ujung atas kelas interval pertama,
d merupakan ujung atas kelas interval kedua,
f merupakan ujung atas kelas interval ketiga,
h merupakan ujung atas kelas interval keempat,
j merupakan ujung atas kelas interval kelima.
4. Batas Bawah adalah bilangan yang diperoleh dengan cara ujung bawah
dikurangi ketelitian data yang digunakan. Dalam hal ini, ketelitian data
yang digunakan bergantung pada pencatatan datanya.
a. Jika data yang digunakannya dicatat dalam bilangan bulat, maka
ketelitian datanya 0,5.
b. Jika data yang digunakannya dicatat dalam bilangan satu desimal,
maka ketelitian datanya 0,05.
c. Jika data yang digunakannya dicatat dalam bilangan dua desimal,
maka ketelitian datanya 0,005.
d. Dan seterusnya.
Jika datanya dicatat dalam bilangan bulat, maka dari bentuk umum pada
Daftar 2 (3) batas-batas bawahnya adalah:
a − 0,5 merupakan batas bawah kelas interval pertama,
c − 0,5 merupakan batas bawah kelas interval kedua,
e − 0,5 merupakan batas bawah kelas interval ketiga,
g − 0,5 merupakan batas bawah kelas interval keempat,
i − 0,5 merupakan batas bawah kelas interval kelima.
5. Batas Atas adalah bilangan yang diperoleh dengan cara ujung atas
ditambah ketelitian data yang digunakan. Ketelitian datanya sama
dengan ketelitian data dalam menentukan batas bawah.
Misal datanya dicatat dalam bilangan bulat maka dari bentuk umum
dalam Daftar 2 (3) batas-batas atasnya adalah:
b + 0,5 merupakan batas atas kelas interval pertama,
d + 0,5 merupakan batas atas kelas interval kedua,
f + 0,5 merupakan batas atas kelas interval ketiga,
h + 0,5 merupakan batas atas kelas interval keempat,

j + 0,5 merupakan batas atas kelas interval kelima.
6. Titik Tengah (Tanda Kelas) adalah bilangan yang diperoleh dengan

cara ujung bawah ditambah ujung atas, kemudian hasilnya dibagi dua
untuk setiap kelas interval.
1
Titik Tengah = (Ujung Bawah + Ujung Atas)
2
Dari bentuk umum dalam Daftar 1 (3) maka kelima titik tengahnya
adalah sebagai berikut.
1
( a + b ) merupakan titik tengah kelas interval pertama,
2
1
( c + d ) merupakan titik tengah kelas interval kedua,
2
1
( e + f ) merupakan titik tengah kelas interval tiga,
2
1
( g + h ) merupakan titik tengah kelas interval keempat,
2
1
( i + j ) merupakan titik tengah kelas interval kelima.
2
7. Panjang Kelas adalah bilangan yang diperoleh dari jarak/selisih antara

ujung bawah dan ujung atas, dengan ujung bawahnya termasuk dihitung.
Untuk data yang dicatat dalam bilangan bulat, hal ini mudah, tetapi
untuk data yang dicatat dalam bilangan desimal, hal ini akan mengalami
kesulitan. Ada beberapa cara dalam menentukan panjang kelas untuk
kelas interval tertentu dari tabel distribusi frekuensi yang sudah tersedia,
antara lain:
a. ujung bawah kelas interval berikutnya dikurangi ujung bawah kelas
interval yang bersangkutan;
b. batas bawah kelas interval berikutnya dikurangi batas bawah kelas
c. ujung atas kelas interval berikutnya dikurangi ujung atas kelas
d. batas atas kelas interval berikutnya dikurangi batas atas kelas interval
yang bersangkutan;
e. ujung atas dikurangi ujung bawah masing-masing untuk kelas

interval yang bersangkutan, kemudian hasilnya ditambah dengan dua
kali ketelitian data yang digunakan. Perhitungan ketelitian datanya
sama dengan perhitungan batas bawah.
Untuk menyusun sekumpulan data ke dalam tabel distribusi frekuensi

dengan panjang kelas yang sama untuk setiap kelas interval diperlukan
langkah-langkah sebagai berikut.
1. Tentukan Nilai Rentang
Rentang diperoleh dengan cara nilai data yang terbesar dikurangi nilai
data terkecil.
Range ( R ) = Nilai Data Terbesar − Nilai Data Terkecil
Dalam hal ini diperlukan ketelitian dan kecermatan dalam memilih data
terbesar dan data terkecil, jangan sampai salah memilih. Hal ini akan
lebih sukar lagi, jika data yang digunakannya dicatat dalam bilangan
desimal.
2. Tentukan Banyak Kelas yang Digunakan

Biasanya banyak kelas yang digunakan itu paling sedikit 5 buah dan
paling banyak 15 buah, sehingga dapat ditulis
5 ≤ BANYAK KELAS ≤ 15
Ada sebuah aturan untuk menentukan banyak kelas yang digunakan
untuk membuat sebuah tabel distribusi frekuensi, yaitu ATURAN
STURGES dengan rumusnya sebagai berikut.
k = 1 + ( 3,3 × log n )
dengan: k = Banyak kelas interval.
n = Banyak data yang digunakan.
Jika kita memperhatikan perumusan di atas, hasil akhir dari
perhitungannya pasti berupa bilangan desimal. Karena banyak kelas
harus merupakan bilangan bulat, maka hasil akhir harus dibulatkan.
Pembulatan bilangannya boleh dilakukan ke bawah atau ke atas, tapi
sebaiknya pembulatan bilangannya dilakukan ke atas.
3. Tentukan Panjang Kelas

Panjang kelas diperoleh dengan cara nilai rentang dibagi dengan banyak
kelas, sehingga dapat ditulis:
R
p=
k
dengan: p = Panjang kelas
R = Range
k = Banyak kelas
Jika kita memperhatikan perumusan di atas, maka hasil akhir dari
perhitungannya biasanya berupa bilangan desimal. Oleh karena itu,
dalam menentukan panjang kelas harus dilakukan pembulatan bilangan
yang sesuai dengan pencatatan datanya, artinya:
a. Jika data yang digunakan dicatat dalam bilangan bulat, maka panjang
kelas pun dicatat dalam bilangan bulat.
b. Jika data yang digunakan dicatat dalam bilangan satu desimal, maka
panjang kelas pun dicatat dalam bilangan satu desimal.
c. Jika data yang digunakan dicatat dalam bilangan dua desimal, maka
panjang kelas pun dicatat dalam bilangan dua desimal.
d. dan seterusnya.
4. Tentukan Nilai Ujung Bawah Kelas Interval Pertama

Dalam hal ini, ada dua kemungkinan yang bisa terjadi, di antaranya
sebagai berikut.
a. Ujung bawah kelas interval pertama boleh mengambil nilai data
yang terkecil.
b. Ujung bawah kelas interval pertama boleh mengambil nilai data
yang lebih kecil dari nilai data yang terkecil.
Kedua kemungkinan ini bisa dilakukan dengan syarat, nilai data yang
terbesar harus tercakup dalam interval nilai data pada kelas interval
terakhir. Jadi dari sekumpulan data bisa dibuat satu atau beberapa buah
tabel distribusi frekuensi sesuai dengan pengambilan nilai data untuk
ujung bawah kelas interval pertamanya, namun nilai data terbesar harus
tercakup dalam kelas interval terakhir.
5. Masukkan Semua Data ke dalam Interval Kelas

Untuk memudahkan sebaiknya dibuat kolom tersendiri yang berisi garis
miring (tally/turus) sesuai dengan kelas intervalnya. Selanjutnya
jumlahkan semua tally/turus, yang terdapat pada masing-masing kelas
interval. Kemudian nilai jumlah tersebut diletakkan pada kolom
tersendiri. Kolom tersendiri ini disebut kolom Tally.
Contoh 4: Berikut ini diberikan data mengenai hasil testamen tengah

semester, mata kuliah Statistika dari mahasiswa Program S-1
Jurusan Pendidikan Matematika di IKIP.
65 72 67 82 72 91 67 73 71 70
85 87 68 86 83 90 74 89 75 61
65 76 71 65 91 79 75 69 66 85
95 74 73 68 86 90 70 71 88 68
Susunlah data di atas ke dalam tabel distribusi frekuensi dengan

panjang kelas yang sama.
Penyelesaian:
Langkah-langkah penyusunannya adalah sebagai berikut.
1. Rentang = R = 95 – 61 = 34
2. Banyak kelas = k = 1 + ( 3,3 × log n )
k = 1 + ( 3,3 × log 40 )
k = 1 + ( 3,3 × 1, 6021)
k = 1 + 5, 2868
k = 6, 2868
Jadi, banyak kelas yang digunakan bisa 6 buah atau 7 buah.
Di sini akan diambil banyak kelas sebanyak 7 buah.
R
3. Panjang kelas = p =
k
34
p= = 4,86
7
Karena datanya dicatat dalam bilangan bulat, maka panjang kelasnya
diambil 5.
4. Ujung bawah kelas interval pertamanya diambil nilai data terkecil yaitu
61. Untuk memasukkan sekumpulan data ke dalam kelas interval
diperlukan kolom tally, dengan cara:
a. nilai 65 termasuk ke dalam kelas interval pertama, yaitu 61 – 65 dan
pada kolom tally yang sesuai dengan kelas interval pertama ditulis /.
Selanjutnya, nilai 65 dicoret agar tidak dihitung dua kali.
b. nilai 67 termasuk ke dalam kelas interval kedua yaitu 66 – 70 dan

pada kolom tally yang sesuai kelas interval kedua ditulis /.
Selanjutnya nilai 67 dicoret agar tidak dihitung dua kali.
c. nilai 72 termasuk ke dalam kelas interval ketiga, yaitu 71 – 75 dan
pada kolom tally yang sesuai dengan kelas interval ketiga ditulis /.
Selanjutnya nilai 72 dicoret agar tidak dihitung dua kali,
d. Dan seterusnya sampai nilai data yang terakhir. Hasilnya dapat
dilihat dalam Daftar 2 (4).
DAFTAR 2 (4)
HASIL TENTAMEN TENGAH SEMESTER STATISTIKA
MAHASISWA PROGRAM S–1 JURUSAN PENDIDIKAN MATEMATIKA
DI IKIP
Hasil Tentamen Tally Banyak Mahasiswa
61 – 65 //// 4
66 – 70 //////// 9
71 – 75 ///////// 11
76 – 80 // 2
81 – 85 //// 4
86 – 90 ////// 7
91 – 95 /// 3
Jumlah 40
Dengan menghilangkan kolom tally, hasil tabel distribusi frekuensi yang

sebenarnya dapat dilihat dalam Daftar 2 (5).
DAFTAR 2 (5)
MAHASISWA PROGRAM S–1 JURUSAN PENDIDIKAN MATEMATIKA
DI IKIP
Hasil Tentamen Banyak Mahasiswa
61 – 65 4
66 – 70 9
71 – 75 11
76 – 80 2
81 – 85 4
86 – 90 7
91 – 95 3
Jumlah 40
Jika kita memperhatikan Daftar 2 (5) maka kita hanya dapat membuat
sebuah tabel saja dengan alasan jika kita mengambil ujung bawah kelas
interval pertamanya lebih kecil dari 61, misalnya 60, maka nilai data yang
terbesar, yaitu 95, tidak akan tercakup. Hal ini disebabkan karena ujung atas
kelas interval terakhirnya 94.
Dari Daftar 2 (5), kita dapat membuat penafsiran sebagai berikut.
a. Hasil tentamen tengah semester Statistika yang nilainya 61 sampai 65
ada 4 orang,
b. Hasil tentamen tengah semester Statistika yang nilainya 66 sampai 70
ada 9 orang,
c. Hasil tentamen tengah semester Statistika yang nilainya 71 sampai 75
ada 11 orang,
d. Dan seterusnya.
L A TIH A N

1) Berikut ini diberikan data mengenai jumlah siswa laki-laki dan
perempuan dari SD, SMP, dan SMA yang terdapat di kota A, B, C.
Di kota A, perincian jumlah siswa SD: 725 laki-laki dan 670 perempuan,
jumlah siswa SMP: 510 laki-laki dan 400 perempuan sedangkan jumlah
siswa SMA: 520 laki-laki 470 orang perempuan.
Di kota B, perincian jumlah siswa SD: 875 laki-laki dan 800 perempuan,
jumlah siswa SMP: 620 laki-laki dan 610 perempuan, sedangkan jumlah
siswa SMA: 515 laki-laki dan 505 perempuan.
Di kota C, perincian jumlah siswa SD: 660 laki-laki dan 720 perempuan,
jumlah siswa SMP: 600 laki-laki dan 615 perempuan, sedangkan jumlah
siswa SMA: 612 laki-laki dan 585 perempuan. Susun data di atas ke
dalam tabel baris-kolom.
2) Lihat kembali data pada soal nomor 1 di atas.
Susun data di atas ke dalam tabel kontingensi berukuran 3 × 3.
3) Berikut ini diberikan data mengenai berat badan (dicatat dalam kg) dari
sejumlah mahasiswa yang mengikuti mata kuliah Pengantar Statistika di
Jurusan Pendidikan Matematika di IKIP.
45,8 46,7 49,0 50,5 45,2 42,9 45,1 49,7

48,4 49,4 46,6 50,5 53,5 51,2 49,0 49,4
50,9 42,2 52,1 50,3 48,5 50,8 51,7 55,3
54,9 56,9 54,0 52,3 47,7 56,2 55,0 53,7
54,8 56,4 55,0 60,3 59,3 58,8 55,2 57,0
59,0 59,5 46,7 49,7 60,4 59,3 56,7 54,9
59,1 60,4 50,2 51,7
Susunlah data di atas ke dalam tabel distribusi frekuensi dengan panjang
kelas yang sama dan banyak kelasnya 7 buah.
4) Dari soal nomor 3 di atas, susun datanya ke dalam tabel distribusi
frekuensi dengan panjang kelas yang sama dan banyak kelasnya 10 buah.
5) Dari soal nomor 3 di atas, susun datanya ke dalam tabel distribusi
frekuensi dengan panjang kelasnya 2,9.

1) DAFTAR 2 (6)
JUMLAH SISWA LAKI-LAKI DAN PEREMPUAN SD, SMP, DAN SMA
DI KOTA A, B, DAN C
SD SMP SMA
Nama Kota
L P L P L P
A 725 670 510 400 520 470
B 875 800 620 610 515 505
C 660 720 600 615 612 585
Catatan: L = Laki-laki
P = Perempuan
2) DAFTAR 2 (7)
JUMLAH SISWA LAKI-LAKI DAN PEREMPUAN SD, SMP, DAN SMA
DI KOTA A, B, DAN C
Tingkat Sekolah Kota SD SMP SMA

A 1395 910 990
B 1675 1230 1020
C 1380 1215 1197
3) a. Rentang = R = 60,4 – 42,2 = 18,2

b. Banyak kelas = k = 1 + ( 3,3 × log n )
k = 1 + ( 3,3 × 1, 716 )
k = 1 + 5, 66281
k = 6, 66281
Banyak kelas yang diambil 7 buah.

R
c. Panjang kelas = p =
k
18, 2
p= = 2, 6
7
Panjang kelas yang digunakan 2,7
d. Ujung bawah kelas interval pertamanya 42,2
Hasil tabelnya dapat dilihat dalam Daftar 2 (8).
DAFTAR 2 (8)
BERAT BADAN DARI SEJUMLAH MAHASISWA
YANG MENGIKUTI MATA KULIAH PENGANTAR STATISTIKA
JURUSAN PENDIDIKAN MATEMATIKA DI IKIP
(Dicatat dalam Kg)
Berat Badan Banyak Mahasiswa
42,2 – 44,8 2
44,9 – 47,5 6
47,6 – 50,2 10
50,3 – 52,9 10
53,0 – 55,6 10
55,7 – 58,3 5
58,4 – 61,0 9
Jumlah 52
4) a. Rentang = R = 60,4 – 42,2 = 18,2

b. Banyak kelas = k = 10
R
c. Panjang kelas = p =
k
18, 2
p= = 1,82
10
Panjang kelas yang digunakan 1,9.
d. Ujung bawah kelas interval pertamanya 42,2
DAFTAR 2 (9)
(Dicatat dalam Kg)
42,2 – 44,0 2
44,1 – 45,9 3
46,0 – 47,8 4
47,9 – 49,7 8
49,8 – 51,6 7
51,7 – 53,5 5
53,6 – 55,4 9
55,5 – 57,3 5
57,4 – 59,2 3
59,3 – 61,1 6
Jumlah 52
5) Karena panjang kelas telah ditentukan 2,9 maka banyaknya kelas

menyesuaikan agar seluruh data masuk dalam tabel distribusi frekuensi.
DAFTAR 2 (10)
(Dicatat dalam Kg)
42,2 – 45,0 2
45,1 – 47,9 7
48,0 – 50,8 13
50,9 – 53,7 8
53,8 – 56,6 10
56,7 – 59,5 9
59,6 – 62,4 3
Jumlah 52
RA NGK UMA N
1. Aturan-aturan dalam pembuatan tabel adalah sebagai berikut.

a. Judul tabel.
b. Judul baris.
c. Judul kolom.
d. Di kiri bahwa tabel dibuat catatan (bila perlu) dan sumber.
e. Data waktu hendaknya berurutan.
f. Data kategori disusun menurut kebiasaan.
2. Macam-macam tabel ada tiga:
a. baris kolom,
b. kontingensi, dan
c. distribusi frekuensi.
3. Tabel distribusi frekuensi adalah sebuah tabel yang berisi nilai-nilai
data, dengan nilai-nilai tersebut dikelompokkan ke dalam interval-
interval dan setiap interval nilai masing-masing mempunyai
frekuensinya.
4. Istilah-istilah yang digunakan dalam tabel distribusi frekuensi
adalah kelas interval, ujung bawah, ujung atas, batas bawah, batas
atas, titik tengah, dan panjang kelas.
5. Langkah-langkah dalam membuat tabel distribusi frekuensi:
a. Tentukan nilai rentang, yaitu data terbesar dikurangi data
terkecil.
b. Tentukan banyak kelas dengan menggunakan Aturan Sturges,
yaitu: k = 1 + ( 3,3 × log n )
dengan: k = Banyak kelas interval.
n = Banyak data yang digunakan.
c. Tentukan panjang kelas interval dengan,menggunakan rumus:
R
p=
k
dengan: p = Panjang kelas
R = Range
k = Banyak kelas
d. Tentukan ujung bawah kelas interval pertama.
e. Masukkan semua nilai data ke dalam interval nilai data dengan
bantuan tally.
TES FORMATIF 1
1) Dalam tabel distribusi frekuensi, ujung bawah kelas interval pertamanya

ditentukan oleh ....
A. selalu nilai data yang terkecil
B. selalu nilai data yang lebih kecil dari nilai data yang terkecil
C. bisa nilai data yang terkecil dan bisa juga nilai data yang lebih kecil
dari nilai data yang terkecil
D. tidak ada pembatasan
2) DAFTAR 2 (11)
TINGGI BADAN MAHASISWA
(Dicatat dalam Cm)
161,1 – 161,2 9
161,3 – 162,4 8
162,5 – 163,6 11
163,7 – 166,3 15
166,4 – 168,3 12
168,4 – 169,5 10
169,6 – 170,7 10
A. batas bawah kelas interval pertama adalah 160,1

B. panjang kelas untuk kelas interval pertama adalah 1,1
C. titik tengah untuk kelas interval pertama adalah 160,6
D. batas atas kelas interval pertama adalah 161,25
3) Dari soal nomor 2, panjang kelas untuk kelas interval kelima adalah ....
A . 1,9
B. 2,0
C. 1,1
D. 1,2
4) Dari soal nomor 2 maka ....

A. titik tengah kelas interval kedua adalah 160,85
B. titik tengah kelas interval ketiga adalah 163,5
C. titik tengah kelas interval keempat adalah 165,0
D. titik tengah kelas internal ketujuh adalah 170,25
5) Dari soal nomor 2, banyak kelas yang digunakan berdasarkan aturan

Sturges adalah ....
A. 5 buah atau 6 buah
B. 6 buah atau 7 buah
C. 7 buah atau 8 buah
D. tidak bisa ditentukan


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Kegiatan Belajar 2
Macam-macam
Tabel Distribusi Frekuensi
A. TABEL DISTRIBUSI FREKUENSI RELATIF
Apabila kita sudah memperoleh tabel distribusi frekuensi maka

frekuensinya adalah mutlak atau absolut. Kemudian apabila frekuensi yang
absolut ini diubah ke dalam frekuensi relatif maka diperoleh tabel distribusi
frekuensi relatif. Frekuensi relatif ini diartikan sebagai frekuensi dalam
bentuk persentase. Tabel distribusi frekuensi relatif adalah sebuah tabel yang
berisi nilai-nilai data, dengan nilai-nilai tersebut dikelompokkan ke dalam
interval-interval dan setiap interval masing-masing mempunyai nilai
frekuensi dalam bentuk persentase. Bentuk umum dari tabel distribusi
frekuensi relatif dapat dilihat dalam Daftar 2 (12).
DAFTAR 2 (12)
BENTUK TABEL DISTRIBUSI FREKUENSI RELATIF
Nilai Data Frekuensi Absolut ( fi ) Frekuensi Relatif f Ri (%)

f1 f1
a −b f R1 = × 100
N
f2 f2
c−d f R2 = × 100
N
f3 f3
e− f f R3 = × 100
N
f4 f4
g −h f R4 = × 100
N
f5 f5
i− j f R5 = × 100
N
5
Jumlah N = ∑ fi 100
i =1
Jumlah semua frekuensi relatif ada kemungkinan tidak akan sama

dengan 100%, mungkin kurang dari 100% atau mungkin juga lebih dari
100%. Jika hal ini terjadi, maka di bawah tabel harus dibuat catatan yang
berisi pernyataan sebagai berikut.
”Jumlah Frekuensi Relatif Tidak Sama dengan 100%, Karena

Adanya Pembulatan Bilangan”
Walaupun jumlah semua frekuensi relatif itu tidak sama dengan 100%,
namun pada baris jumlah tetap ditulis 100, (di sini tidak ditulis tanda
persennya, karena pada kolom judul frekuensi relatif sudah ditulis tanda
persennya).
B. TABEL DISTRIBUSI FREKUENSI KUMULATIF
Tabel distribusi frekuensi kumulatif didefinisikan sebagai tabel yang

diperoleh dari tabel distribusi frekuensi, dengan frekuensinya dijumlahkan
selangkah demi selangkah (artinya kelas interval demi kelas interval). Dalam
kolom nilai data, bilangan yang digunakannya berupa ujung bawah untuk
masing-masing kelas interval. Tabel distribusi frekuensi kumulatif ada dua
macam:
1. kurang dari, dan
2. atau lebih.
Secara umum, kedua bentuk tabel distribusi frekuensi kumulatif tersebut

masing-masing dapat dilihat dalam Daftar 2 (13) dan Daftar 2(14).
DAFTAR 2 (13)
BENTUK UMUM TABEL DISTRIBUSI FREKUENSI KUMULATIF "KURANG DARI"
Nilai Data Fi
kurang dari a 0
kurang dari c f1
kurang dari e f1 + f 2
kurang dari g f1 + f 2 + f 3
kurang dari i f1 + f 2 + f 3 + f 4
kurang dari (i+p) f1 + f 2 + f 3 + f 4 + f 5
Dengan p adalah panjang kelas interval
DAFTAR 2 (14)
BENTUK UMUM TABEL DISTRIBUSI FREKUENSI KUMULATIF "ATAU LEBIH"
Nilai Data Fi
a atau lebih f1 + f 2 + f3 + f 4 + f 5
c atau lebih f 2 + f3 + f 4 + f5
e atau lebih f3 + f 4 + f5
g atau lebih f 4 + f5
i atau lebih f5
(i + p) atau lebih 0
Dengan p adalah panjang kelas interval
C. TABEL DISTRIBUSI FREKUENSI RELATIF KUMULATIF

Apabila dari tabel distribusi frekuensi kumulatif frekuensinya diubah ke
dalam bentuk persentase maka akan diperoleh tabel distribusi frekuensi
relatif kumulatif. Tabel distribusi frekuensi relatif kumulatif adalah tabel
yang diperoleh dari tabel distribusi frekuensi relatif, dengan frekuensinya
dijumlahkan selangkah demi selangkah (kelas interval demi kelas interval).
Tabel distribusi frekuensi relatif kumulatif ada dua macam:
1. kurang dari, dan
2. atau lebih.
Secara umum, bentuk dari tabel distribusi frekuensi relatif kumulatif

"kurang dari" dapat dilihat dalam Daftar 2 (15).
DAFTAR 2 (15)
BENTUK UMUM TABEL DISTRIBUSI FREKUENSI RELATIF KUMULATIF
“KURANG DARI”
Nilai Data FRi (%)

kurang dari a 0
kurang dari c ( f1 N ) × 100
kurang dari e (( f 1 + f 2 ) N ) × 100
kurang dari g (( f 1 + f 2 + f3 ) N ) × 100
kurang dari i (( f 1 + f 2 + f3 + f 4 ) N ) × 100
kurang dari (i+p) (( f
1 + f 2 + f3 + f 4 + f5 ) N ) × 100
Dengan N dapat dilihat dalam Daftar 2 (12)
Jika jumlah frekuensi relatif dalam tabel distribusi frekuensi relatif tidak
sama dengan 100% maka pada tabel distribusi frekuensi relatif kumulatif
"kurang dari" perlu diperhatikan dua hal sebagai berikut.
1. Pada kelas interval terakhir (kurang dari (i+p)), nilai frekuensi relatif
kumulatifnya, tetap ditulis 100.
2. Di bawah tabel dibuat catatan yang berisi pernyataan sebagai berikut.
"Frekuensi Relatif Kumulatif untuk Kelas Interval Terakhir Tidak Sama
dengan 100, karena Adanya Pembulatan Bilangan"
Bentuk umum dari tabel distribusi frekuensi relatif kumulatif "atau

lebih" dapat dilihat dalam Daftar 2.17.
DAFTAR 2 (16)
BENTUK UMUM TABEL DISTRIBUSI FREKUENSI RELATIF KUMULATIF
"ATAU LEBIH"
Nilai Data FRi (%)
a atau lebih ( ( f + f + f + f + f ) N ) × 100

1 2 3 4 5
c atau lebih ( ( f + f + f + f ) N ) × 100

2 3 4 5
e atau lebih ( ( f + f + f ) N ) × 100

3 4 5
g atau lebih ( ( f + f ) N ) × 100

4 5
i atau lebih f 5 × 100

(i + p) atau lebih 0
Dengan N dapat dilihat dalam Daftar 2 (12)
Jika jumlah frekuensi relatif dalam tabel distribusi frekuensi relatif tidak
sama dengan 100% maka pada tabel distribusi frekuensi relatif kumulatif
"atau lebih" perlu diperhatikan tiga hal sebagai berikut.
1. Pada kelas interval pertama (a atau lebih), nilai frekuensi relatif
kumulatifnya tetap ditulis 100.
2. Di bawah tabel dibuat catatan yang berisi pernyataan sebagai berikut.
"Frekuensi Relatif Kumulatif untuk Kelas Interval Pertama Tidak Sama
dengan 100, Karena Adanya Pembulatan Bilangan".
3. Jangan sekali-kali menghitung frekuensi relatif kumulatif untuk kelas
interval kedua sampai kelas interval terakhir dengan cara sebagai
berikut.
Untuk kelas interval c atau lebih FR2 = 100 − f 2 .
Untuk kelas interval e atau lebih FR3 = (100 − f1 ) − f 2

Untuk kelas interval g atau lebih FR4 = (100 − f1 − f 2 ) − f 3
Untuk kelas interval i atau lebih FR5 = (100 − f1 − f 2 − f3 ) − f 4
Contoh 5: Salin kembali data mengenai hasil tentamen tengah semester,

mata kuliah Statistika dari mahasiswa Program S-1 Jurusan
Pendidikan Matematika di sebuah IKIP yang sudah disusun
dalam tabel distribusi frekuensi, seperti nampak dalam
Daftar 2 (5).
61 – 65 4
66 – 70 9
71 – 75 11
76 – 80 2
81 – 85 4
86 – 90 7
91 – 95 3
Jumlah 40
1) Buat tabel distribusi frekuensi relatifnya.

2) Buat tabel distribusi frekuensi kumulatif ”kurang dari”
3) Buat tabel distribusi frekuensi kumulatif ”atau lebih”.
4) Buat tabel distribusi frekuensi relatif kumulatif ”kurang dari”.
5) Buat'tabel distribusi frekuensi relatif kumulatif ”atau lebih”.
Penyelesaian:
1) Tabel distribusi frekuensi relatif
DAFTAR 2 (17)
TABEL DISTRIBUSI FREKUENSI RELATIF
DARI MAHASISWA PROGRAM S-1
Hasil Tentamen Banyak Mahasiswa Frekuensi Relatif f Ri (%)

4
61 – 65 4 f R1 = × 100 = 10
40
9
66 – 70 9 f R2 = × 100 = 22,5
40
Hasil Tentamen Banyak Mahasiswa Frekuensi Relatif f Ri (%)

11
71 – 75 11 f R3 = × 100 = 27,5
40
2
76 – 80 2 f R4 = × 100 = 5
40
4
81 – 85 4 f R5 = × 100 = 10
40
7
86 – 90 7 f R6 = × 100 = 17,5
40
3
91 – 95 3 f R7 = × 100 = 7,5
40
Jumlah 40 100
2) Tabel distribusi frekuensi kumulatif ”kurang dari”

a. Untuk kelas interval pertama (kurang dari 61).
Karena tidak ada nilai data yang kurang dari 61 maka frekuensi
kumulatifnya 0 (nol).
b. Untuk kelas interval kedua (kurang dari 66).
Data yang nilainya kurang dari 66 adalah 61 sampai 65, sehingga
frekuensi kumulatifnya 4.
c. Untuk kelas interval ketiga (kurang dari 71).
frekuensi kumulatifnya 4 + 9 = 13.
d. Untuk kelas interval keempat (kurang dari 76)
frekuensi kumulatifnya 5 + 9 + 11 = 24
e. Untuk kelas interval kelima (kurang dari 81).
frekuensi kumulatifnya 4 + 9 + 11 + 2 = 26.
f. Untuk kelas interval keenam (kurang dari 86)
frekuensi kumulatifnya 4 + 9 + 11 + 2 + 4 = 30.
g. Untuk kelas interval ketujuh (kurang dari 91)
frekuensi kumulatifnya 4 + 9 + 11 + 2 + 4 + 7 = 37.
h. Untuk kelas interval kedelapan (kurang dari 96)

frekuensi kumulatifnya 4 + 9 + 11 + 2 + 4 + 7 + 3 = 40.
Daftar 2 (18)
TABEL DISTRIBUSI FREKUENSI KUMULATIF "KURANG DARI"
Hasil Tentamen Fi
kurang dari 61 0
kurang dari 66 4
kurang dari 71 13
kurang dari 76 24
kurang dari 81 26
kurang dari 86 30
kurang dari 91 37
kurang dari 96 40
3) Tabel distribusi frekuensi kumulatif ”atau lebih”

a. Untuk kelas interval pertama (61 atau lebih)
Data yang nilainya 61 atau lebih adalah dari 61 sampai 95, sehingga
frekuensi kumulatifnya 4+9+11+2+4+7+3 = 40.
b. Untuk kelas interval kedua (66 atau lebih)
Data yang nilainya 66 atau lebih adalah 66 sampai 95, sehingga
frekuensi kumulatifnya 9+11+2+4+7+3 = 36.
c. Untuk kelas interval ketiga (76 atau lebih)
frekuensi kumulatifnya 11 + 2 + 4 + 7 + 3 =27.
d. Untuk kelas interval keempat (76 atau lebih)
frekuensi kumulatifnya 2 + 4 + 7 + 3 = 16.
e. Untuk kelas interval kelima (81 atau lebih)
frekuensi kumulatifnya 4 + 7 + 3 = 14.
f. Untuk kelas interval keenam (86 atau lebih)
frekuensi kumulatifnya 7+3 = 10.
g. Untuk kelas interval ketujuh (91 atau lebih)

frekuensi kumulatifnya 3.
h. Untuk kelas interval kedelapan (96 atau lebih)
Karena tidak ada data yang nilainya 96 atau lebih, maka frekuensi
kumulatifnya 0 (nol).
Hasil tabelnya dapat dilihat dalam Daftar 2.20.
Daftar 2 (19)
TABEL DISTRIBUSI FREKUENSI KUMULATIF "ATAU LEBIH"
Hasil Tentamen Fi
61 atau lebih 40
66 atau lebih 36
71 atau lebih 27
76 atau lebih 16
81 atau lebih 14
86 atau lebih 10
91 atau lebih 3
96 atau lebih 0
4) Tabel distribusi Frekuensi Relatif kumulatif ”kurang dari”

DAFTAR 2 (20)
TABEL DISTRIBUSI FREKUENSI RELATIF KUMULATIF "KURANG DARI"
Hasil Tentamen Fi FRi (%)
kurang dari 61 0 FR1 = 0
4
kurang dari 66 4 FR2 = × 100 = 10
40
13
kurang dari 71 13 FR3 = × 100 = 32,5
40
24
kurang dari 76 24 FR4 = × 100 = 60
40
26
kurang dari 81 26 FR5 = × 100 = 65
40

30
kurang dari 86 30 FR7 = × 100 = 75
40
37
kurang dari 91 37 FR8 = × 100 = 92,5
40
kurang dari 96 40 FR8 = 100
5) Tabel distribusi frekuensi relatif kumulatif ”atau lebih”

Daftar 2 (21)
TABEL DISTRIBUSI FREKUENSI RELATIF KUMULATIF "ATAU LEBIH"

61 atau lebih 40 FR1 = 100
36
66 atau lebih 36 FR2 = × 100 = 90,0
40
27
71 atau lebih 27 FR3 = × 100 = 67,5
40
16
76 atau lebih 16 FR4 = × 100 = 40,0
40
14
81 atau lebih 14 FR5 = × 100 = 35,0
40
10
86 atau lebih 10 FR7 = × 100 = 25,0
40
3
91 atau lebih 3 FR8 = × 100 = 7,5
40
96 atau lebih 0 FR8 =0
L A TIH A N

Perhatikan Daftar 2 (22) berikut.
DAFTAR 2 (22)
BERAT BADAN BAYI YANG BARU LAHIR
DI RUMAH SAKIT BERSALIN "SEHAT" SELAMA SEBULAN
Berat Badan (gram) Banyak Bayi
2500 – 2599 8
2600 - 2699 10
2700 - 2799 11
2800 - 2899 10
2900 - 2499 6
3000 - 3099 5
1) Buatlah tabel distribusi frekuensi relatif dari Daftar 2(22)!

2) Buat tabel distribusi frekuensi kumulatif ”kurang dari” dari Daftar 2(22)!
3) Buat tabel distribusi frekuensi kumulatif ”atau lebih” dari Daftar 2(22)!
4) Dari hasil jawaban soal nomor 2, buat tabel distribusi frekuensi relatif
kumulatif ”kurang dari”!
5) Dari hasil jawaban soal nomor 3, buat tabel distribusi frekuensi relatif
kumulatif ”atau lebih”!
1) DAFTAR 2 (23)
TABEL DISTRIBUSI FREKUENSI RELATIF
DI RUMAH SAKIT BERSALIN "SEHAT A" SELAMA SEBULAN
Berat Badan (gram) f Ri (%)

2500 - 2599 16
2600 - 2699 20
2700 - 2799 22
2800 - 2899 20
2900 - 2499 12
3000 - 3099 10
Jumlah 100
2) DAFTAR 2 (24)
TABEL DISTRIBUSI FREKUENSI KUMULATIF "KURANG DARI"
Berat Badan (gram) Fi

kurang dari 2500 0
kurang dari 2600 8
kurang dari 2700 18
kurang dari 2800 29
kurang dari 2900 39
kurang dari 3000 45
kurang dari 3100 50
3) DAFTAR 2 (25)
TABEL DISTRIBUSI FREKUENSI KUMULATIF "ATAU LEBIH"
Berat Badan (gram) Fi

2500 atau lebih 50
2600 atau lebih 42
2700 atau lebih 32
2800 atau lebih 21
2900 atau lebih 11
3000 atau lebih 5
3100 atau lebih 0
4) DAFTAR 2 (26)
TABEL DISTRIBUSI FREKUENSI RELATIF KUMULATIF "KURANG DARI"
Berat Badan (gram) FRi (%)

kurang dari 2500 0
kurang dari 2600 16
kurang dari 2700 36
kurang dari 2800 58
kurang dari 2900 78
kurang dari 3000 90
kurang dari 3100 100
5) DAFTAR 2 (27)
TABEL DISTRIBUSI FREKUENSI RELATIF KUMULATIF "ATAU LEBIH"
Berat Badan (gram) FRi (%)

2500 atau lebih 100
2600 atau lebih 84
2700 atau lebih 64
2800 atau lebih 42
2900 atau lebih 22
3000 atau lebih 10
3100 atau lebih 0
RA NGK UMA N
1. Tabel distribusi frekuensi relatif adalah sebuah tabel yang berisi

nilai-nilai data, dengan nilai-nilai tersebut dikelompokkan ke dalam
interval-interval dan setiap interval masing-masing mempunyai nilai
frekuensi dalam bentuk persentase.
2. Tabel distribusi frekuensi kumulatif adalah sebuah tabel yang
diperoleh dari tabel distribusi frekuensi, dengan frekuensinya
dijumlahkan selangkah demi selangkah (kelas interval demi kelas
interval). Tabel distribusi frekuensi kumulatif ada dua macam: tabel
distribusi frekuensi kumulatif ”kurang dari” dan tabel distribusi
frekuensi kumulatif ”atau lebih”.
3. Tabel distribusi frekuensi relatif kumulatif adalah sebuah tabel yang
diperoleh dari tabel distribusi frekuensi relatif, dengan frekuensinya
dalam bentuk persentase dijumlahkan selangkah demi selangkah
(kelas interval demi kelas interval).
4. Tabel distribusi frekuensi relatif kumulatif ada dua macam: tabel
distribusi frekuensi. relatif kumulatif ”kurang dari” dan tabel
distribusi frekuensi relatif kumulatif ”atau lebih”.
TES FORMATIF 2

1)
Daftar Tabel 2.29
Tinggi Badan (dicatat dalam Cm) Sejumlah Pemuda Desa "A"
Tinggi Badan Banyak Orang
160,0 - 162,0 8
162,1 - 164,1 11
164,2 - 166,2 15
166,3 - 168,3 12
168,4 - 170,4 10
170,5 - 172,5 6
Jumlah 62
Besarnya persentase dari warga yang mempunyai tinggi badan terletak
pada kelas interval keempat adalah ....
A. 18,3
B. 18,4
C. 19,3
D. 19,4
2) Dari soal nomor 1, banyak warga yang mempunyai tinggi badan kurang
dari 166,3 cm adalah ....
A. 19
B. 26
C. 34
D. 46
3) Dari soal nomor 1, banyak warga yang mempunyai tinggi badan paling
kecil 164,2 cm adalah ....
A. 19
B. 28
C. 34
D. 43
4) Dari soal nomor 1, besarnya persentase dari warga yang mempunyai

tinggi badan kurang dari 168,4 cm adalah ....
A. 74,0
B. 74,1
C. 74,2
D. 74,3
5) Dari soal nomor 1, besarnya persentase dari warga yang mempunyai

tinggi badan paling kecil 166,3 cm adalah ....
A. 45,0
B. 45,1
C. 45,2
D. 45,3


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Tes Formatif 1
1) C. Sudah jelas.
2) D. Batas atas kelas interval pertama = 161,2 + 0,05 = 161,25
Batas bawah kelas interval pertama = 161,1 – 0,05 = 161,05
Panjang kelas untuk kelas interval pertama = 161,3 – 161,1 = 0,2
161,1 + 161, 2
Titik tengah untuk kelas interval pertama = = 161,15
2
3) B. Panjang kelas untuk kelas interval kelima = 168,4 – 166,4 = 2,0.
163, 7 + 166,3
4) C. X 4 = = 165, 0
2
161,3 + 162, 4
X2 = = 161,85
2
162,5 + 163, 6
X3 = = 163, 05
2
169, 6 + 170, 7
X7 = = 170,15
2
5) C. k = 1 + ( 3,3 × log n )
= 1 + ( 3,3 × log 75 )
= 1 + ( 3,3 ×1,875)
= 1 + 6,875
= 7,875
k bisa di ambil 7 atau 8.
Tes Formatif 2
12
1) D. f R4 = × 100 = 19, 4.
62
2) C. F4 = (8 + 11 + 15) orang
= 34 orang.
3) D. F3 = (15 + 12 + 10 + 6) orang
= 43 orang.
4) C. FR5 = ((8 + 11 + 15 + 12)/62) × 100%
= 74,2%.
5) C. FR4 = ((12 + 10 + 6)/62) × 100%

= 45,2%.
Daftar Pustaka
Publishing Company.

Schaum’s Outline Series. Singapore: McCraw-Hill International Book
Company.

Jakarta: Erlangga.

Modul 3
Penyajian Data dalam Bentuk Diagram

Drs. Nar Herhyanto
PENDAHULUA N
D alam modul ini Anda akan mempelajari teknik penyajian data dalam
bentuk diagram. Materi ini merupakan kelanjutan dari materi yang
sudah Anda pelajari dalam Modul 1 dan Modul 2.
Dalam mempelajari Modul 3 ini, kegiatan belajar yang di berikan terbagi
atas 2 (dua) kegiatan belajar (KB). Dalam Kegiatan Belajar 1, Anda akan
mempelajari beberapa bentuk diagram yang digambarkan berdasarkan data
tidak terkelompok, di antaranya diagram batang, diagram titik, diagram garis,
diagram lingkaran, dan diagram lambang. Pada Kegiatan Belajar 2, Anda
akan mempelajari beberapa bentuk grafik yang digambarkan berdasarkan
data terkelompok, seperti histogram, poligon frekuensi, dan ogive (ozaiv).
Dalam mempelajari materi Modul 3 ini, Anda akan banyak
menggunakan aturan-aturan pembulatan bilangan yang sudah Anda pelajari
dalam Modul 1 dan memanfaatkan data dalam bentuk tabel seperti yang telah
dibahas pada Modul 2.
Setelah Anda mempelajari Modul 3 ini, secara keseluruhan Anda
diharapkan dapat memahami konsep dasar teknik penyajian data dalam
diagram atau grafik. Sedangkan secara khususnya, Anda diharapkan dapat
menggambarkan:
1. diagram batang, diagram lingkaran, diagram titik, dan diagram lambang
berdasarkan data kuantitatif;
2. diagram garis berdasarkan data waktu;
3. grafik histogram berdasarkan data yang sudah disusun dalam tabel
distribusi frekuensi baik frekuensi berupa absolut maupun relatif;
4. poligon frekuensi berdasarkan histogram;
5. kurva frekuensi yang merupakan penghalusan poligon frekuensi; dan
6. ogive (ozaiv) berdasarkan tabel distribusi frekuensi kumulatif, baik
frekuensinya berupa absolut maupun relatif.
Kegiatan Belajar 1
Macam-Macam Bentuk Diagram untuk

Data Tidak Terkelompok
S ebelum kita memulai pada topik yang akan dibicarakan, ada baiknya kita
tinjau kembali tentang pengertian data statistik yang dibedakan antara
data terkelompok dan data tidak terkelompok.
Kedua jenis data tersebut mempunyai perbedaan-perbedaan yang khas,
yang Anda harus kuasai sebelum mempelajari uraian-uraian selanjutnya.
A. DATA TERKELOMPOK
Ibarat sesuatu benda, maka benda tersebut mempunyai tempat yang

khusus atau jika manusia mempunyai rumah, ada kemungkinan jumlah
penghuni rumah keluarga yang satu akan berbeda dengan jumlah penghuni
rumah keluarga lainnya. Begitu pula halnya dengan data, dari sebagian data
yang sejenis kalau kita telaah maka data tersebut terdiri dari beberapa
anggota, bahkan sampai tak terhitung banyaknya anggota yang memiliki ciri
yang sama.
Contoh 1: Misalnya, data tentang inteligensi anak-anak Sekolah Dasar.
Kumpulan data ini sejenis, karena hanya membicarakan soal
inteligensinya saja. Setiap anak Sekolah Dasar memiliki identitas
tentang indeks inteligensinya (IQ), namun IQ-IQ tersebut tidak
selalu sama antara anak yang satu dengan anak lainnya. Dengan
demikian data tersebut merupakan kumpulan dari IQ-IQ. Untuk
lebih memudahkan proses penyampaian, khususnya untuk
keperluan laporan dan pengolahan, biasanya kumpulan data itu
disederhanakan menjadi beberapa kumpulan bagian atau biasa kita
sebut kelompok-kelompok (klaster-klaster). Pengelompokan ini
mempunyai aturan tersendiri, seperti adanya panjang kelas
interval, dan banyaknya kelas interval.
B. DATA TIDAK TERKELOMPOK
Data yang tidak terkelompok umumnya digunakan bagi data yang

berasal dari ukuran yang kecil, di mana tanpa kita mengelompokkannya. Hal
itu tidak akan mengganggu teknik pengelolaan selanjutnya, misalkan data
tentang banyaknya murid perempuan dan laki-laki yang terdapat pada setiap
kelas sebuah sekolah dasar tertentu.
Biasanya banyak murid pada setiap kelasnya berkisar antara 40 sampai
dengan 50 siswa, katakanlah dari 50 siswa itu terdiri dari 30 murid
perempuan dan 20 murid laki-laki. Dengan data seukuran itu tentunya tidak
menyulitkan kita untuk melakukan pengelolaan (data itu tidak perlu diolah ke
dalam bentuk data terkelompok). Data semacam ini cukup diurutkan ke
dalam kolom-kolom yang tidak terlalu panjang, dan cara mengurutkannya
tidak perlu ada aturan-aturannya seperti pada data terkelompok, yaitu dengan
adanya panjang kelas interval, banyak kelas, dan sebagainya.
Umumnya pada data tidak terkelompok merupakan variabel diskrit, dan
perlu juga diperhatikan bahwa antara data yang satu dengan data yang
lainnya tidak memiliki suatu hubungan, atau dengan kata lain masing-masing
data itu terpisah (disjoint).
C. PENYAJIAN DATA TIDAK TERKELOMPOK DALAM BENTUK

DIAGRAM
Pada Modul 2 Anda telah mempelajari teknik penyajian data tidak

terkelompok dalam bentuk tabel baris-kolom dan tabel kontingensi. Cara lain
untuk menyajikan sekumpulan data tersebut adalah dalam bentuk diagram
atau grafik. Oleh karena itu, akan dijelaskan teknik penyajian data dalam
bentuk diagram berdasarkan data tidak terkelompok, artinya data yang belum
disusun dalam tabel distribusi frekuensi, di antaranya: diagram batang,
diagram garis, diagram lingkaran, diagram titik, dan diagram lambang.
1. Diagram Batang
Diagram batang adalah diagram yang berdasarkan data berbentuk
kategori. Langkah-langkah dalam membuat diagram batang adalah sebagai
berikut.
a. Buat dua buah sumbu, yaitu sumbu datar dan sumbu tegak. Dalam
sumbu datar ditulis nama kategorinya dan pada sumbu tegaknya ditulis
frekuensi yang bersesuaian dengan setiap kategori. Dalam pembagian

skalanya masing-masing sumbu sebaiknya mengambil skala yang
proporsional.
Buat batang-batang pada setiap kategori berupa empat persegi panjang
dengan lebar yang sama pada setiap kategori dan tingginya sesuai nilai
frekuensi pada setiap kategori. Jarak antara batang yang satu dengan
batang lainnya juga harus sama.
b. Untuk selanjutnya masing-masing batang tersebut diberi warna yang
sama atau diarsir dengan corak yang sama.
c. Di bawah diagram diberi judul diagram dengan paragraf tengah (center).
Judul diagram terdiri dari nomor, masalah apa, di mana masalah itu
terjadi, dan kapan masalah itu terjadi. Nomor diagram dibuat agar lebih
mudah dalam pencarian diagram. Biasanya nomor itu meliputi bab
berapa materi itu sedang dibahas dan nomor urut diagram itu sendiri.
Misal Gambar 3 (5) artinya gambar itu membahas bab tiga dan urutan
gambar kelima yang sedang dibahas.
Contoh 2: Misalkan jumlah siswa SD, SMP, SMA, SMEA dan STM di
kota "X" pada Tahun 1990 adalah
Jumlah siswa SD ada 1500 orang,
Jumlah siswa SMP ada 900 orang,
Jumlah siswa SMA ada 1100 orang,
Jumlah siswa SMEA ada 1250 orang,
Jumlah siswa STM ada 870 orang.
Gambarkan diagram batangnya.
Penyelesaian:
Perhatikan Gambar 3.1. di bawah ini.
Jumlah Siswa
Gambar 3.1.
Jumlah Siswa SD, SMP, SMA, SMEA, STM di kota 'X' pada tahun 1990
Pada Gambar 3.1, sumbu datarnya ditulis SD, SMP, SMA, SMEA dan
STM, sedangkan pada sumbu tegaknya ditulis jumlah siswa (frekuensi)
yang nilainya dimulai dari 0, 400, 800, 1200, 1600.
2. Diagram Lingkaran
Diagram lingkaran diartikan sebagai cara penyajian sekumpulan data ke
dalam lingkaran, lingkarannya dibagi menjadi beberapa bagian sesuai dengan
pengklasifikasian data. Dalam menggambarkan diagram lingkaran data yang
digunakan berupa nama-nama kategori yang masing-masing mempunyai nilai
frekuensinya.
Langkah-langkah dalam membuat diagram lingkaran adalah sebagai
berikut.
a. Ubah nilai data absolut ke dalam bentuk persentase untuk masing-
masing kategori.
b. Ubah nilai data dalam bentuk persentase ke dalam satuan derajat untuk
masing-masing kategori.
c. Buat sebuah lingkaran dengan menggunakan jangka, ukuran
lingkarannya jangan terlalu besar, dan jangan terlalu kecil.
d. Masukkan kategori yang pertama seukuran sudut kategori tersebut
dengan menggunakan busur derajat. Sebaiknya, dimulai dari titik yang
tertinggi (0000 pada jurusan tiga angka).
e. Masukkan kategori-kategori lainnya ke dalam lingkaran seukuran

masing-masing sudut pada kategori tersebut sesuai dengan arah jarum
jam.
f. Kemudian untuk setiap kategori yang terdapat dalam lingkaran,
hendaknya diberi corak atau warna yang berbeda.
g. Dan terakhir untuk setiap kategori yang terdapat dalam lingkaran
hendaknya diberi identitas.
1) nama kategori disertai nilai persentasenya, atau
2) nilai persentasenya saja, sedangkan nama kategorinya dicantumkan
pada catatan tersendiri yang terletak di luar lingkaran disertai
dengan corak atau warna yang sesuai seperti dalam lingkaran.
Contoh 3: Lihat kembali data dalam Contoh 2 mengenai jumlah siswa SD,
SMP, SMA, SMEA dan STM di kota ”X” pada Tahun 1990.
Gambarkan diagram lingkarannya.
Penyelesaian:
Sebelumnya kita harus mengubah dahulu ke dalam bentuk persentase
untuk masing-masing tingkatan sekolah.
1500
SD = × 100% = 27%
5620
900
SMP = × 100% = 16%
5620
1100
SMA = × 100% = 20%
5620
1250
SMEA = × 100% = 22%
5620
870
STM = × 100% = 15%
5620
Selanjutnya, nilai persentase tersebut diubah ke dalam satuan derajat

untuk masing-masing tingkatan sekolah.
1500
SD = × 3600 = 960
5620
900
SMP = × 3600 = 580
5620
1100
SMA = × 3600 = 700
5620
1250
SMEA = × 3600 = 800
5620
870
STM = × 3600 = 560
5620
Diagram lingkarannya dapat dilihat dalam Gambar 3.2.
Gambar 3.2.
Jumlah Siswa SD, SMP, SMA, SMEA, dan STM di kota “X”
pada tahun 1990
3. Diagram Titik
Diagram titik dapat juga dikatakan sebagai diagram koordinat karena
penyajian data melalui diagram ini hanya merupakan titik-titik koordinat
yang memberikan gambaran antara data atau variabel yang terdapat di sumbu
datar (horizontal) dengan yang terdapat di sumbu tegak (vertikal). Langkah-
langkah menggambarkannya tidak berbeda jauh dengan langkah-langkah
seperti menggambar diagram batang, namun pada setiap kategori, yang
terlihat bukan merupakan batang-batang, melainkan berupa titik-titik yang
merupakan koordinat antara absis dan ordinat.
Contoh di bawah ini, mengenai banyaknya penduduk pada daerah
tertentu.
Gambar 3.3.
Bentuk Umum Diagram Garis
Dalam hal ini, antara daerah yang satu dengan daerah lainnya terpisah
(disjoint). Oleh sebab itu, kita tidak boleh menghubungkan garis antara dua
titik yang berdekatan sehingga menjadi diagram garis. Kecuali jika sumbu
horizontal merupakan ”waktu”, di mana waktu tersebut merupakan variabel
yang kontinu.
1. Diagram Garis
Diagram garis adalah diagram yang digambarkan berdasarkan data
waktu. Biasanya waktu yang digunakan adalah tahun atau bulan. Langkah-
langkah dalam membuat diagram garis adalah sebagai berikut.
a. Buatlah dua buah sumbu, yaitu sumbu datar dan sumbu tegak. Pada
sumbu datar biasanya menunjukkan waktu, sedangkan pada sumbu tegak
menunjukkan bilangan frekuensinya. Dalam pembagian skala pada
masing-masing sumbu sebaiknya mengambil skala yang proporsional.
b. Sesuaikan data pada masing-masing sumbu, artinya data tahun pada
sumbu datar dibuat garis bantu ke atas sehingga berpotongan dengan
garis bantu dari sumbu tegak yang merupakan frekuensi kategori
tersebut.
c. Jika semua data sudah disesuaikan pada masing-masing sumbu, maka
akan terdapat sekumpulan titik-titik.
d. Hubungkan titik-titik tersebut sehingga akan diperoleh diagram garis.
e. Di bawah diagram diberi judul diagram dengan paragraf tengah (center).
mudah dalam pencarian diagram.
Contoh 4: Berikut ini diberikan data mengenai jumlah siswa yang diterima
di sebuah SMA dari Tahun 1980 sampai 1986.
Tahun 1980 siswa yang diterima berjumlah 150 orang.
Tahun 1982 siswa .yang diterima berjumlah 175 orang.
Gambar 3.4.
Jumlah Siswa yang Diterima di Sebuah SMA
Tahun 1980 sampai Tahun 1986
2. Diagram Lambang
Diagram Lambang adalah suatu cara penyajian data dalam menggunakan
lambang-lambang. Lambang-lambang yang digunakan harus sesuai dengan
objek yang diteliti. Misalnya, data yang digunakan mengenai jumlah siswa
maka lambang yang digunakannya adalah gambar orang. Langkah-langkah
dalam membuat diagram lambang adalah sebagai berikut.
a. Buat tiga buah kolom, dengan ketentuan sebagai berikut.
Kolom pertama berisi nama-nama kategori,
Kolom kedua berisi lambang yang digunakan, dan
Kolom ketiga berisi frekuensinya.
b. Di bawah diagram diberi catatan berisi satu lambang (digambarkan)

mewakili sejumlah objek tertentu. Bilangan yang dipakai untuk satu
lambang ini hendaknya jangan terlalu besar dan jangan terlalu kecil.
c. Tulis nama kategori pertama dan gambarkan lambangnya pada kolom
lambang serta tuliskan banyak datanya pada kolom frekuensi.
d. Banyaknya lambang yang digambarkan tidak sama dengan banyaknya
yang ada tetapi kalau dikalikan dengan bilangan yang mewakili satu
lambang tersebut sama dengan frekuensinya. Dengan demikian,
kemungkinan ada lambang yang digambarkan secara tidak utuh.
e. Untuk kategori lainnya dapat dilakukan seperti pada kategori pertama.
f. Di bagian tengah bawah diagram diberi nomor agar lebih mudah dalam
pencarian diagram. Biasanya nomor itu meliputi bab berapa materi itu
sedang dibahas dan nomor urut diagram itu sendiri. Kemudian di
bawahnya disertai penjelasan mengenai datanya.
Contoh 5: Lihat kembali data dalam Contoh 2, mengenai jumlah siswa SD,
SMP, SMEA, dan STM di kota ”X” pada tahun 1990.
Gambarkan diagram lambangnya.
Penyelesaian:
Dalam hal ini, setiap lambang yang digunakan untuk mewakili
300 orang. Diagram lambangnya dapat dilihat dalam Gambar 3.5.
Tingkatan Lambang Jumlah Siswa

Sekolah
SD 1500
SMP 900
SMA 1100
SMEA 1250
STM 870
Catatan: = 300 orang
= 200 orang
= 70 orang
= 50 orang
Gambar 3.5.
Jumlah Siswa SD, SMP, SMEA dan STM di Kota “X”
pada tahun 1990
L A TIH A N

1) Bagaimana Anda menggambarkan diagram batang, jika datanya
mempunyai nilai yang besar semua?
2) Hasil penjualan berbagai barang dari merek “X” (dicatat dalam unit)
selama Tahun 1989 adalah:
Jenis Barang Jumlah
Pompa Tangan 40
Lemari Es 23
Alat setrika 20
Televisi 18
Kipas Angin 42
Kompor Gas 20
Dari data tersebut buatlah diagram batangnya.

3) Dari soal nomor 2 di atas, gambarkan diagram lingkarannya.
4) Apakah yang Anda ketahui tentang diagram lambang?

1) Apabila data yang digunakan mempunyai nilai yang besar semua maka
untuk menggambarkan diagram batangnya dapat dilakukan sebagai
berikut.
”Pada sumbu tegaknya bisa dimulai tidak dari 0, melainkan dari nilai
frekuensi yang lebih kecil dari yang terkecil”.
2)
Jumlah
Jenis Barang
10 20 30 40 50
Pompa tangan 40
Lemari es 23
Alat seterika 20
Televisi 18
Kipas angin 42
Kompor gas 20
Gambar 3.6.
Hasil Penjualan Berbagai Barang Merek "X" selama Tahun 1989
3) Penyelesaian:
Untuk menggunakan diagram lingkaran berdasarkan soal nomor 2, kita
harus mengubah dahulu bentuk datanya ke dalam bentuk persentase
untuk masing-masing jenis barangnya, yaitu sebagai berikut.
40
- Pompa Tangan : × 100% = 25%
163
23
- Lemari Es : × 100% = 14%
163
20
- Alat Setrika : × 100% = 12%
163
18
- Televisi : × 100% = 11%
163
42
- Kipas Angin : × 100% = 26%
163
20
- Kompor Gas : × 100% = 12%
163
Selanjutnya, nilai persentase tersebut diubah ke dalam satuan derajat

untuk masing-masing jenis barang, yaitu sebagai berikut.
25
- Pompa Tangan : × 360° = 880
100
14
- Lemari Es : × 360° = 510
100
12
- Alat Setrika : × 360° = 440
100
11
- Televisi : × 360° =400
100
26
- Kipas Angin : × 360° = 930
100
12
- Kompor Gas : × 360° = 440
100
Bentuk diagram lingkarannya dapat dilihat pada Gambar 3.7.

Gambar 3.7.
Hasil Penjualan Berbagai Barang Merek "X” Selama Tahun 1989
4) Diagram lambang adalah suatu diagram yang merupakan penyajian data

yang berbentuk lambang-lambang, dengan lambang yang digunakan
harus sesuai dengan objek yang diteliti.
Dalam menggambarkan diagram tersebut, kita tidak perlu membuat
lambangnya sesuai dengan banyak data yang ada, tetapi cukup
menggambarkan beberapa buah lambang saja dengan satu lambangnya
mewakili sejumlah objek tertentu. Apabila masih ada bilangan sisa objek
yang bukan merupakan kelipatannya, maka akan mengalami kesukaran
dalam menggambarkan lambangnya. Hal inilah yang merupakan
kelemahan dari diagram lambang.
RA NGK UMA N
1. Diagram batang adalah diagram yang digambarkan berdasarkan

bentuk kategori.
2. Diagram garis adalah diagram yang digambarkan berdasarkan data
waktu, biasanya waktu yang digunakan adalah tahun.
3. Diagram lingkaran adalah cara penyajian data dalam lingkaran
sesuai dengan pengklasifikasian datanya.
4. Diagram lambang adalah diagram yang merupakan penyajian data
yang berbentuk lambang-lambang, dengan lambang yang digunakan
harus sesuai dengan objek yang diteliti.
5. Diagram titik adalah cara penyajian data berupa titik-titik

merupakan koordinat antara absis dan ordinat.
TES FORMATIF 1

1) Untuk menggambarkan diagram batang, sebaiknya data yang digunakan
adalah data ....
A. diskrit
B. kontinu
C. kualitatif
D. kuantitatif
2) Untuk menggambarkan diagram lingkaran, sebaiknya data yang

digunakan adalah data ....
A. diskrit
B. kuantitatif
C. kontinu
D. kualitatif
3) Hal-hal yang perlu diperhatikan dalam menggambarkan diagram

lingkaran di bawah ini semuanya benar, kecuali ....
A. memasukkan kategori yang pertama ke dalam lingkaran dari titik
yang tertinggi
B. memasukkan semua kategori ke dalam lingkaran menggunakan
busur derajat
C. untuk memasukkan kategori lainnya harus searah jarum jam
D. untuk setiap kategori hendaknya diberi warna atau corak yang sama
dalam lingkarannya
4) Misalkan nilai dari kategori B adalah 22 dan jumlah nilai dari seluruh
kategori adalah 72 maka besarnya persentase dan besarnya derajat dari B
itu masing-masing adalah ....
A. 30,6% dan 110,2°
B. 30,7% dan 110,5°
C. 30,5% dan 110,1°
D. 30,7% dan 110,6°
5) Hal-hal yang perlu diperhatikan dalam menggambarkan diagram

lambang di bawah ini semuanya benar, kecuali ....
A. lambang yang digunakan harus sesuai dengan objek yang diteliti
B. banyak lambang yang digambarkan untuk setiap kategori harus
sesuai dengan banyak datanya
C. bilangan yang digunakan untuk satu lambang sebaiknya jangan
terlalu besar dan jangan terlalu kecil
D. jika ada sisa bilangan yang bukan merupakan kelipatan dari bilangan
untuk satu lambang, maka gambar lambangnya tidak utuh
Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 1

yang terdapat di bagian akhir modul ini. Hitunglah jawaban yang benar.

Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Kegiatan Belajar 2
Macam-Macam Bentuk Diagram untuk

Data Terkelompok
B erikut ini akan dijelaskan teknik penyajian data dalam bentuk diagram
berdasarkan data terkelompok, artinya datanya sudah tersusun dalam
tabel distribusi frekuensi, yaitu histogram, poligon frekuensi, dan ozaiv
(ogive).
A. HISTOGRAM DAN POLIGON FREKUENSI
Apabila kita mempunyai sekumpulan data, kemudian data itu disusun

dalam tabel distribusi frekuensi. Apabila kita menggambarkan grafik
berdasarkan data yang sudah disusun dalam tabel distribusi frekuensi maka
akan diperoleh histogram dan poligon frekuensi.
Langkah-langkah dalam menggambarkan histogram dan poligon
frekuensi adalah sebagai berikut.
1. Buat dua sumbu, sumbu datar dan sumbu tegak. Pada sumbu datar
memuat bilangan yang merupakan batas-batas bawah semua kelas
interval dan batas atas pada kelas interval terakhir (ada juga yang
menggunakan titik tengah atau tanda kelas untuk setiap kelas interval).
Sumbu tegaknya mengenai nilai frekuensi dari data yang bersesuaian
dengan kelas intervalnya.
2. Untuk kelas interval pertama, pada sumbu datar dibatasi oleh batas
bawahnya dan batas atasnya. Pada batas bawah dan batas atas masing-
masing ditarik garis tegak lurus ke atas sampai menunjukkan bilangan
yang sesuai dengan frekuensi pada sumbu tegak. Selanjutnya,
hubungkan kedua ujungnya, sehingga akan terbentuk sebuah batang
yang berupa empat persegi panjang. Ulangi kegiatan ini hingga seluruh
kelas interval terakhir. Dalam hal ini, batas bawah kelas interval kedua
sama dengan batas atas kelas interval pertama, sehingga garis yang
ditarik tegak lurus akan berimpit dan akan diperoleh batang-batang yang
saling berimpit kemudian grafik inilah yang dinamakan histogram.
3. Apabila dari histogram ini, titik-titik tengah sisi atas persegi panjang
dihubungkan satu sama lain dan hubungkan sisi atas pertama dengan
setengah jarak dari panjang kelas yang diukurkan ke kiri batas bawah
kelas interval pertama, serta hubungkan sisi atas terakhir dengan
setengah jarak dari panjang kelas yang diukurkan ke kanan batas atas
interval terakhir maka akan diperoleh poligon frekuensi.
4. Di bawah diagram diberi judul diagram dengan paragraf tengah (center).
mudah dalam pencarian diagram.
Contoh 6. Misalkan tinggi badan (dicatat dalam cm) dari sejumlah

mahasiswa angkatan 1989/1990 di Universitas "A" diberikan
dalam tabel berikut.
Daftar 3 (1).
Tinggi Badan (dalam Cm) Mahasiswa Angkatan 1989/1990
di Universitas "A"
Tinggi Badan Banyak Mahasiswa

152 - 154 15
155 - 157 17
158 - 160 25
161 - 163 20
164 - 166 15
167 - 169 12
170 - 172 8
Gambarkan histogram serta poligon frekuensinya

Penyelesaian:
Ada dua cara kita yang dapat membuat histogram dan poligon frekuensi
dari daftar distribusi frekuensi di atas, yaitu dengan langkah-langkah berikut.
1. Pada sumbu tegaknya kita cantumkan bilangan-bilangan untuk nilai
frekuensinya. Untuk menyesuaikan dengan daftar di atas kita tentukan
bilangan-bilangan itu adalah 0, 5, 10, 15, 20, dan 25.
2. Pada sumbu datarnya kita bisa cantumkan data tinggi badan yang
diambil dari titik-titik tengah setiap kelas interval (dalam hal ini 153,
156, 159, 162, 165, 168, 171) atau dari batas bawah dan batas atas setiap
kelas interval (151,5, 154,5, 157,5, 160,5, 163,5, 166,5, 169,5, 172,5),
sehingga kita dapat membuat dua keadaan histogram dan poligon
frekuensi:
Banyak Mahasiswa
25 Poligon Frekuensi
20
15
10
0 Tinggi
153 156 159 162 165 168 171 Badan
Gambar 3.8.
Histogram dan Poligon Frekuensi
di Universitas "A”
Banyak Mahasiswa
25 Poligon Frekuensi
20
15
10
0 Tinggi
Badan
151,5
154,5
157,5
160,5
163,5
166,5
169,5
172,5
Gambar 3.9.
Histogram dan Poligon Frekuensi
di Universitas "A”
B. OGIVE (OZAIV)
Misalkan kita mempunyai sekumpulan data yang sudah disusun dalam

tabel distribusi frekuensi kumulatif maka dari daftar tersebut kita dapat
menggambarkan grafik ogive atau ozaiv. Karena tabel distribusi frekuensi
kumulatif ada dua macam, yaitu tabel distribusi frekuensi kumulatif ”kurang
dari” dan tabel distribusi frekuensi kumulatif ”atau lebih” maka grafiknya
juga ada dua macam, yaitu ogive positif dan ogive negatif.
Grafik yang dibuat berdasarkan data yang sudah disusun dalam tabel
distribusi frekuensi kumulatif ”kurang dari” disebut ogive positif. Sedangkan
grafik yang dibuat berdasarkan data yang sudah disusun dalam tabel
distribusi frekuensi kumulatif ”atau lebih” disebut ogive negatif.
Contoh 7: Diberikan data dalam tabel distribusi frekuensi kumulatif berikut
ini (lihat kembali data pada Daftar 2 (19) dan Daftar 2 (20)).
Daftar 3 (2).
Tabel Distribusi Frekuensi Kumulatif "Kurang Dari"
Hasil Tentamen FKum

Kurang dari 61 0
kurang dari 66 4
kurang dari 71 13
kurang dari 76 24
kurang dari 81 26
kurang dari 86 30
kurang dari 96 37
kurang dari 91 40
Daftar 3 (3).
Tabel Distribusi Frekuensi Kumulatif "Atau Lebih"
Hasil Tentamen FKum
61 atau lebih 40
66 atau lebih 36
71 atau lebih 27
76 atau lebih 16
81 atau lebih 14
86 atau lebih 10
91 atau lebih 3
96 atau lebih 0
Gambarkan ogive positif dan ogive negatif.

Penyelesaian:
Sumbu datarnya berisi bilangan-bilangan 61, 66, 71, 76, 81, 86, 91, 96.
Sumbu tegaknya berisi bilangan-bilangan 10, 20, 30, 40. Pada sumbu
datarnya jarak antara 0 dan 61 dibuat loncatan karena selisihnya 61,
sedangkan yang lainnya berselisih 5.
Hasil grafiknya dapat dilihat dalam Gambar 3.10.
Gambar 3.10.
Ogive Positif dan Ogive Negatif Hasil Tentamen
Tengah Semester Statistika Mahasiswa Program S-1
Jurusan Pendidikan Matematika di IKIP
L A TIH A N

1) Apakah yang Anda ketahui tentang histogram?
2) Apakah yang Anda ketahui tentang ogive?
3) Misalkan hasil tes formatif pertama mata kuliah Matematika dari
mahasiswa Program S-1 Jurusan Pendidikan Matematika di IKIP terlihat
seperti daftar berikut.

61 - 65 4
66 - 70 9
71 - 75 11
76 - 80 2
81 - 85 4
86 - 90 7
91 - 95 3
Jumlah 40
Gambarkan histogram dan poligon frekuensinya.
4) Diberikan data sebagai berikut.
Daftar 3 (4).
Tabel Distribusi Frekuensi Kumulatif "Kurang Dari"
di Universitas "A"
Hasil Tentamen FKum

kurang dari 152 0
kurang dari 155 15
kurang dari 158 32
kurang dari 161 57
kurang dari 164 77
kurang dari 167 92
kurang dari 170 104
kurang dari 173 112
Hasil Tentamen FKum

kurang dari 152 0
kurang dari 155 15
kurang dari 158 32
kurang dari 161 57
kurang dari 164 77
kurang dari 167 92
kurang dari 170 104
kurang dari 173 112
Gambarkan ozaiv (ogive)-nya.

5) Diberikan data sebagai berikut.

Daftar 3 (5).
Tabel Distribusi Frekuensi Kumulatif "Atau Lebih"
di Universitas "A"
Hasil Tentamen FKum

155 atau lebih 112
152 atau lebih 97
158 atau lebih 80
161 atau lebih 55
164 atau lebih 35
167 atau lebih 20
170 atau lebih 8
I73 atau lebih 0
Gambarkan ozaiv (ogive)-nya.
1) Histogram adalah grafik, yang dibuat berdasarkan pada data yang sudah
disusun dalam tabel distribusi frekuensi. Dalam membuat histogram
diperlukan dua buah sumbu, sumbu datar dan sumbu tegak dengan
ketentuan sebagai berikut.
a. Sumbu datar berisi batas-batas kelas interval atau titik tengah (tanda
kelas) untuk setiap kelas interval.
b. Sumbu tegak berupa frekuensinya.
Histogram ini bentuknya sama dengan grafik batang, namun batang-
batangnya dalam histogram saling berimpitan.
2) Ozaiv atau ogive adalah grafik yang dilukiskan berdasarkan data yang
sudah disusun dalam tabel distribusi frekuensi kumulatif.
Ozaiv positif adalah grafik yang dilukiskan berdasarkan data yang sudah
disusun dalam tabel distribusi frekuensi kumulatif ”kurang dari”. Ozaiv
negatif adalah grafik yang dilukiskan berdasarkan, data yang sudah
disusun dalam tabel distribusi frekuensi kumulatif ”atau lebih”.
Gambar 3.11.
Histogram dan Poligon Frekuensi Hasil Tentamen
Formatif Pertama Matematika Mahasiswa Program S-1
Jurusan Pendidikan Matematika di IKIP

Gambar 3.12.
Ogive Positif Tinggi Badan (dalam Cm) dari Sejumlah Mahasiswa
Angkatan 1998/1990 di Universitas “A”
RA NGK UMA N
1. Histogram adalah grafik yang digambarkan berdasarkan data yang

sudah disusun dalam tabel distribusi frekuensi.
2. Apabila dari histogram, tiap sisi atas tengah-tengah dihubungkan
satu sama lain dan hubungkan sisi atas pertama dengan setengah
jarak dari panjang kelas yang diukurkan ke kiri batas bawah kelas
interval pertama, serta hubungkan sisi atas terakhir dengan setengah
jarak dari panjang kelas yang diukurkan ke kanan, batas atas kelas
interval terakhir maka akan diperoleh poligon frekuensi.
3. Ozaiv (ogive) adalah grafik yang dilukiskan berdasarkan data yang
sudah disusun dalam tabel distribusi frekuensi kumulatif.
4. Ozaiv positif adalah grafik yang dilukiskan berdasarkan data yang
sudah disusun dalam tabel distribusi frekuensi kumulatif ”kurang
dari”.
5. Ozaiv negatif adalah grafik yang dilukiskan berdasarkan data yang
sudah disusun dalam tabel distribusi frekuensi kumulatif ”atau
lebih”.
TES FORMATIF 2
1) Hal-hal yang perlu diperhatikan dalam menggambarkan ini semuanya

benar, kecuali ....
A. sumbu datarnya berupa ujung-ujung kelas interval
B. batang-batangnya saling berimpitan
C. sumbu datarnya bisa juga titik tengah
D. sumbu tegaknya berupa frekuensi histogram di bawah
2) Hal-hal yang perlu diperhatikan dalam menggambarkan poligon

frekuensi di bawah ini semuanya benar, kecuali ....
A. sumbu tegaknya berupa frekuensi
C. sumbu datarnya berupa ujung-ujung kelas interval
D. sumbu datarnya bisa juga titik tengah
3) Hal-hal yang perlu diperhatikan dalam menggambarkan ozaiv positif di

bawah ini semuanya benar, kecuali ....
A. sumbu datarnya berupa ujung-ujung kelas interval
B. sumbu tegaknya berupa frekuensi kumulatif
C. grafiknya berjalan dari bawah ke kanan atas
D. grafiknya berupa kumpulan titik-titik
4) Hal-hal yang perlu diperhatikan dalam menggambarkan ozaiv negatif di

bawah ini semuanya benar, kecuali ....
A. grafiknya berjalan dari kiri bawah ke kanan atas
B. sumbu datarnya berupa ujung-ujung bawah kelas interval
C. sumbu tegaknya berupa frekuensi kumulatif
D. grafiknya berupa kumpulan titik-titik
5) Misalkan Anda akan menggambarkan grafik dari yang sudah disusun

dalam tabel distribusi frekuensi relatif. Hal-hal yang perlu diperhatikan
dalam menggambarkan grafik di bawah ini semuanya benar, kecuali ....
A. sumbu datarnya berupa ujung bawah kelas interval
C. sumbu tegaknya berupa frekuensi relatif
D. sumbu datarnya bisa juga titik tengah
Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 2

yang terdapat di bagian akhir modul ini. Hitunglah jawaban yang benar.

Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Tes Formatif 1
1) C. Lihat definisi diagram batang.
2) D. Lihat definisi diagram lingkaran.
3) D. Lihat langkah-langkah dalam membuat diagram lingkaran.
22
4) A. Kategori B = × 100% = 30,6%.
72
30, 6
Kategori B = × 360° = 110,2°.
100
5) B. Banyak lambang yang digambarkan untuk setiap kategori hanya
beberapa buah saja.
Tes Formatif 2
1) A. Lihat langkah-langkah dalam menggambarkan histogram.
2) C. Lihat definisi poligon frekuensi.
3) A. Cukup jelas.
4 A. Cukup jelas.
5) A. Lihat langkah-langkah dalam menggambarkan histogram.
Daftar Pustaka
Publishing Company.

Schaum's Outline Series. Singapore: McCraw-Hill International Book
Company.

Jakarta: Erlangga.

Modul 4
Ukuran Pemusatan, Lokasi,

dan Dispersi
Drs. H. M. Akib Hamid, M.Sc.
PENDAHULUA N
D alam Modul 2 dan Modul 3 yang telah Anda pelajari, penulis telah
mengemukakan secara panjang lebar tentang tabel distribusi frekuensi
berikut grafik-grafiknya. Materi dalam modul ini masih erat hubungannya
dengan apa yang telah diuraikan pada modul sebelumnya, serta merupakan
langkah lanjut dalam penyusunan data yang telah Anda kuasai.
Pengolahan data merupakan salah satu tindak lanjut dari penyajian data
yang telah Anda susun sebagaimana yang penulis telah uraikan dalam
Modul 2 dan Modul 3. Dalam Modul 4 ini, penulis akan menyajikan
beberapa ukuran yang banyak dipakai sebagai alat atau sebagai parameter
untuk dapat digunakan sebagai bahan bantuan dalam menafsirkan suatu
gejala atau suatu yang akan diteliti berdasarkan hasil pengolahan data yang
Anda kumpulkan.
Ukuran tersebut ialah ukuran pemusatan (tendensi sentral), ukuran
lokasi, dan ukuran dispersi (penyimpangan). Selanjutnya, setelah
mempelajari modul ini, Anda diharapkan dapat memahami arti dan kegunaan
ukuran pemusatan (ukuran gejala pusat), ukuran lokasi, dan ukuran dispersi.
Lebih khusus lagi, Anda diharapkan dapat:
1. membedakan antara kegunaan nilai rata-rata hitung dengan rata-rata
ukur;
harmonis;
kuadratis;
4. menghitung nilai rata-rata hitung untuk data tersebar;
5. menghitung nilai rata-rata ukur untuk data tersebar;
6. menghitung nilai rata-rata harmonis untuk data tersebar;
7. menghitung nilai rata-rata kuadratis untuk data tersebar;

8. menghitung nilai rata-rata untuk data terkelompok;
9. membedakan antara rumus nilai rata-rata hitung, median dan modus;
10. menentukan nilai median dari kelompok data yang ditentukan distribusi
frekuensinya;
11. menentukan nilai median dari kelompok data tersebar;
12. menentukan nilai modus dari kelompok data yang ditentukan distribusi
frekuensinya;
13. menentukan nilai modus dari kelompok data tersebar;
14. menentukan hubungan antara nilai rata-rata hitung, median dan modus;
15. menentukan nilai rentang sekelompok data yang diketahui;
16. menentukan nilai kuartil dari data tersebar;
17. menentukan nilai kuartil dari data terkelompok;
18. menentukan nilai desil dari data tersebar;
19. menentukan nilai desil dari data terkelompok;
20. menentukan nilai persentil dari data tersebar;
21. menentukan nilai persentil dari data terkelompok;
22. menentukan hubungan antara nilai kuartil, desil, dan persentil;
23. menghitung nilai simpangan baku data tersebar;
24. menghitung nilai simpangan baku data terkelompok; dan
25. menghitung nilai rata-rata simpangan.
Kegiatan Belajar 1
Nilai Rata-Rata
N ilai rata-rata merupakan salah satu ukuran untuk memberikan

gambaran yang lebih jelas dan singkat tentang sekumpulan data
mengenai sesuatu persoalan, apakah tentang sampel ataupun populasi selain
penyajian melalui daftar atau diagram.
Nilai rata-rata merupakan salah satu dari ukuran gejala pusat. Nilai rata-
rata ini merupakan wakil kumpulan data, atau nilai rata-rata dianggap suatu
nilai yang paling dekat dengan hasil ukuran yang sebenarnya.
Nilai rata-rata yang diperoleh dari hasil pengukuran sampel disebut
statistik sedangkan nilai rata-rata yang diperoleh dari hasil perhitungan
populasi disebut parameter. Jadi, untuk ukuran yang sama dapat disebut
statistik dan dapat pula disebut parameter, hal ini tergantung pada
pemakaiannya apakah dalam sampel ataukah dalam populasi.
Selanjutnya, nilai rata-rata dapat dibedakan antara nilai rata-rata hitung,
nilai rata-rata ukur, dan nilai rata-rata harmonis. Untuk memudahkan
membaca, akan digunakan simbol-simbol seperti: xi , x2 , dan seterusnya.
Simbol-simbol ini adalah nilai-nilai data kuantitatif dan n berfungsi untuk
menyatakan banyak data atau ukuran sampel yang digunakan, sedangkan N
untuk menyatakan ukuran populasi. x untuk menyatakan nilai rata-rata dari
sampel, sedangkan dari populasi dinyatakan dengan μ . Jadi, x adalah
statistik sedangkan μ parameter.
A. RATA-RATA HITUNG
Rata-rata hitung merupakan ukuran yang banyak dipakai.

x + x + x + … + xn
x= 1 2 3
n
n
∑x i
x= i =1
n
dengan x adalah nilai rata-rata
xi adalah nilai pengamatan data ke i
n adalah banyaknya data.
Contoh 1 : Jika diketahui empat buah data 25, 23, 26 dan 30, tentukan nilai
rata-rata data tersebut!
Penyelesaian:
Keempat data tersebut dapat kita tulis x1= 23; x2 = 25; x3 = 26; dan
x4 = 30, sehingga ∑ xi = 23 + 25 + 26 + 30 = 104; n = 4. Jadi, nilai rata-rata
n
∑x i
104
data tersebut x = i =1
= = 26
n 4
Rumus rata-rata hitung di atas digunakan untuk nilai-nilai data yang

tidak berbobot. Tetapi dipakai untuk nilai-nilai data berbobot seperti di
bawah ini.
xi fi
x1 2
x2 5
x3 8
15
2 x1 + 5 x2 + 8 x3
Maka x = .
15
Dalam hal ini Anda dapat lihat bahwa setiap nilai xi mempunyai bobot
yang berbeda. Ada yang berbobot 2, ada yang berbobot 5, dan ada pula yang
berbobot 8. Jumlah frekuensi merupakan banyak data (yang berarti sama
k
dengan n), n = 15 atau dalam bentuk umum n = ∑ f i . Dengan demikian,
i =1
untuk nilai-nilai data yang berbobot ditulis:

k
∑fx i i
x= i =1
k
∑fi =1
i
Untuk menggunakan rumus di atas, sebaiknya disiapkan dulu daftar

distribusi frekuensi seperti berikut.
xi fi f i xi
n = ∑ fi ∑fx i i
Contoh 2: Hitung nilai rata-rata dari nilai berbobot di bawah ini.
xi fi f i xi
17 2 34
20 5 100
31 6 186
39 4 156
17 476
Penyelesaian:
Dari tabel di atas diketahui bahwa n = ∑ fi = 17 dan ∑fx
i i = 476
476
sehingga x = = 28.
17
Rumus-rumus rata-rata hitung yang telah diuraikan di atas, umumnya

digunakan untuk data yang tidak terlalu banyak. Tetapi seandainya n cukup
besar, Anda akan mengalami kesulitan menghitung ∑ xi atau ∑ fi xi untuk
data berbobot. Bayangkan saja untuk x1 + x2 + x3 + … + xn dengan banyaknya
n yang cukup besar. Oleh sebab itu, ada cara lain yang disebut dengan cara
”data terkelompok”.
Di dalam Modul 2, penulis telah uraikan cara mengelompokkan data
dalam kelas-kelas interval, di setiap kelas interval mempunyai tanda kelas.
Masih ingatkah Anda? Setiap tanda kelas xi dapat ditentukan nilainya
1
dengan menghitung xi = ( bi + ai ) . Masih ingat pulakah Anda bahwa
2
kegunaan atau fungsi tanda kelas merupakan wakil nilai-nilai yang terdapat
dalam suatu kelas interval. Oleh sebab itu, kita anggap xi sebagai nilai data
baru.
No. Kelas Interval fi Tanda kelas ( xi ) f i xi

1. b1 − a1 f1 x1 f1 x1
2. b2 − a2 f2 x2 f 2 x2
3. b3 − a3 f3 x3 f3 x3
K bk − ak fk xk f k xk
k k
n = ∑ fi ∑fx i i
i =1 i =1
Nah sekarang, data yang semula terkelompok seolah-olah telah berubah

menjadi data yang berbobot sehingga kita dapat mempergunakan lagi rumus:
k
∑fx i i
x= i =1
k
∑f
i =1
i
Contoh 3: Hitung nilai rata-rata data di bawah ini dengan cara ”tanda kelas”
No. Urut Kelas interval fi xi f i xi

1 31 – 40 1 35,5 35,5
2 41 – 50 2 45,5 91,0
3 51 – 60 5 55,5 277,5
4 61 – 70 15 65,5 982,5
5. 71 – 80 25 75,5 1887,5
6. 81 – 90 20 85,5 1710,0
7. 91 – 100 12 95,5 1146,0
Jumlah 80 6130,0
Penyelesaian:
Dari tabel diketahui ∑f i = 80 dan ∑fx i i = 6130 , maka
k
∑fx i i
6130
x= i =1
k
=
∑f
80
i
i =1
= 76, 25
Cara lain yang lebih singkat dan lebih sederhana ialah dengan
mempergunakan nilai rata-rata duga (assumed mean) disingkat dengan AM.
Cara ini sering disebut pula dengan cara pendek atau ada yang menyebutnya
cara koding.
Keuntungan dengan cara ini, kita bekerja dengan bilangan-bilangan yang
lebih sederhana (relatif kecil), berbeda sekali dengan cara ”tanda kelas” di
mana kita akan bekerja dengan bilangan-bilangan yang lebih besar.
Rumus untuk menghitung x dengan metode AM ini seperti yang tertera
di bawah ini.
⎛ k ⎞
⎜ ∑ fi di ⎟
x = AM + p ⎜ ki =1 ⎟
⎜ ⎟
⎜ ∑ fi ⎟
⎝ i =1 ⎠
dengan AM adalah nilai rata-rata duga
p adalah panjang kelas
Sesuai dengan namanya, AM dapat ditentukan pada kelas interval mana

saja dan AM sendiri adalah salah satu dari tanda kelas-tanda kelas. Misalnya,
AM pada kelas interval nomor 3 sama dengan x3 , yaitu sama dengan tanda
kelas untuk kelas interval nomor 3, dan nilai x3 dapat diperoleh dari
1
( b3 + a3 ) .
2
Langkah selanjutnya kita tentukan selisih antara AM yang telah kita
ambil atau tentukan dari salah satu tanda kelas dengan setiap tanda kelas
lainnya. Sebutlah selisih itu dengan di′ . Perhatikan daftar di bawah ini.
No. Kelas Interval fi Tanda kelas ( xi ) di′

1. b1 − a1 f1 x1 x1 − x3
2. b2 − a2 f2 x2 x2 − x3
3. b3 − a3 f3 x3 x3 − x3
4. b4 − a4 f4 x4 x4 − x3
5. b5 − a5 f5 x5 x5 − x3
6. b6 − a6 f6 x6 x6 − x3
7. b7 − a7 f7 x7 x7 − x3
Oleh karena AM diambil pada kelas interval nomor 3 maka Anda lihat
bahwa d3′ = x3 − x3 = 0 . Dan jika nilai data itu disusun dari kecil ke besar
maka nilai di′ pun akan terpengaruh, yaitu setelah kelas interval nomor 3,
yaitu kelas interval nomor 4, 5, 6, dan 7 akan memperoleh nila di′ positif.
Sedangkan sebelum kelas interval nomor 3, yaitu kelas interval nomor 2 dan
1 akan memperoleh nilai di′ yang negatif.
Kalau Anda renungkan kembali, antara nilai di′ untuk setiap kelas
interval akan berselisih sebesar p, yaitu panjang kelas interval. Dengan kata
lain, bahwa untuk nilai di′ di atas dan di bawah kelas interval nomor 3
merupakan kelipatan p. Oleh sebab itu, sebenarnya nilai di′ untuk setiap
kelas interval dapat kita sederhanakan, yaitu semua nilai di′ tersebut dibagi
dengan p sehingga akan kita dapat d3′ = 0 dan nilai-nilai di′ sebelum kelas
interval nomor 3 berturut-turut adalah −1 dan nilai −2. Sedangkan nilai-nilai
di′ yang terletak setelah kelas interval nomor 3 berturut-turut akan bernilai
+1; +2; +3; dan +4. Sebutlah nilai di′ yang telah disederhanakan dengan cara
membagi dengan p ini dengan simbol ” di ” saja tanpa aksen sehingga kita
akan memperoleh daftar yang lebih sederhana seperti yang terlihat di bawah
ini.
No. Kelas Interval fi Tanda kelas ( xi ) di

1. b1 − a1 f1 x1 −2
2. b2 − a2 f2 x2 −1
3. b3 − a3 f3 x3 0
4. b4 − a4 f4 x4 1
5. b5 − a5 f5 x5 2
6. b6 − a6 f6 x6 3
7. b7 − a7 f7 x7 4
Nilai d = 0 bergantung pada nilai AM yang kita ambil. Jika AM kita

ambil dari x5, maka nilai d yang terletak pada kelas interval nomor 5 sama
dengan 0 (nol). Akibatnya nilai-nilai d yang terletak sebelum kelas interval
nomor 5 berturut-turut adalah −1, −2, −3, dan −4. Sedangkan sesudah kelas
interval nomor 5 berturut-turut adalah +1 dan +2.
Tetapi harus Anda ingat bahwa untuk meletakkan nilai d positif atau
negatif tergantung dari susunan kelas interval yang Anda kehendaki. Apakah
kelas interval yang Anda susun dari nilai yang kecil ke yang besar atau
sebaliknya. Jika kelas interval yang Anda susun dari nilai yang kecil ke yang
besar maka pada kolom d nilai-nilai d yang bertanda negatif kita letakkan
sebelum nilai d yang harganya sama dengan nol. Perhatikan Contoh 4.
Contoh 4: Perhatikan data berikut:
No. Urut Kelas interval Tanda Kelas ( xi ) fi di

1. 13 – 15 14 5 −2
2. 16 – 18 17 6 −1
3. 19 – 21 20 7 0
4. 22 – 24 23 2 +1
Jika kelas interval yang Anda susun dari nilai yang besar ke yang kecil,
maka nilai-nilai d yang terletak sebelum nilai d yang harganya sama dengan
nol, haruslah bernilai positif dan sesudahnya negatif. Untuk lebih jelasnya
perhatikanlah Contoh 5.
Contoh 5: Perhatikan data berikut:
No. Urut Kelas interval Tanda Kelas ( xi ) fi di

1. 22 – 24 23 2 +2
2. 19 – 21 20 7 +1
3. 16 – 18 17 5 0
4. 13 – 15 14 6 −1
⎛ k ⎞
⎜ ∑ fi di ⎟ k
Dari rumus x = AM + p ⎜ i =1k
⎜
⎟ kita harus mencari nilai
⎟
∑fd i i ,
⎜ ∑ fi ⎟
i =1
⎝ i =1 ⎠
untuk itu pada daftar harus kita lengkapi dengan kolom f i di .
No. Urut Kelas interval fi xi di fi di

∑fd
i =1
i i
k
disebut “faktor koreksi”. Mengapa harus ada faktor itu? Sebab kita
∑f
i =1
i
mempergunakan ”nilai rata-rata duga” atau AM dan AM ini dapat ditentukan

di mana saja, di kelas interval mana saja, oleh sebab itu faktor koreksi
diperlukan untuk memperoleh nilai rata-rata yang sebenarnya. Jika Anda
memperhatikan contoh-contohnya, akan jelas bagi Anda metode pendek ini
lebih mudah dari metode-metode lainnya.
Contoh 6: Hitung nilai rata-rata data di bawah ini dengan cara ”AM”!
No. Urut Kelas interval fi

1. 31 – 40 1
2. 41 – 50 2
3. 51 – 60 5
4. 61 – 70 15
5. 71 – 80 25
6. 81 – 90 20
7. 91 – 100 12
Jumlah 80
Penyelesaian:
Data pada tabel di atas kita ubah dulu ke dalam tabel berikut.
No. Urut Kelas interval fi di fi di

1. 31 – 40 1 −4 −4
2. 41 – 50 2 −3 −6
3. 51 – 60 5 −2 −10
4. 61 – 70 15 −1 −15
5. 71 – 80 25 0 0
6. 81 – 90 20 1 20
7. 91 – 100 12 2 24
Jumlah 80 9
AM diambil pada tanda kelas interval nomor 5 maka

AM = (71 + 80) = 75,5 ; ∑ fi = 80 ; ∑ fi di = 9 , dan panjang kelas interval
1
2
p = 10 maka
⎛ k ⎞
⎜ ∑ fi di ⎟
⎟ = 75,5 + 10 ⎛⎜ ⎞⎟
9
x = AM + p ⎜ i =1k
⎜ ⎟ ⎝ ⎠
⎜ ∑ fi ⎟
80
⎝ i =1 ⎠
= 75,5 + 10(0,1125) = 75,5 + 1,125
= 76, 625
Bandingkan hasilnya dengan hasil perhitungan pada Contoh 3.
Contoh 7: Seandainya AM pada data Contoh 6 diambil nilai tanda kelas pada
kelas interval nomor 6, tentukan rata-rata data tersebut!
Penyelesaian :
1
Tanda kelas untuk kelas interval ke-6 adalah AM = (81 + 90) = 85,5 .
2
Jadi, nilai rata-ratanya

1. 31 – 40 1 −5 −5
2. 41 – 50 2 −4 −8
3. 51 – 60 5 −3 −15
4. 61 – 70 15 −2 −30
5. 71 – 80 25 −1 −25
6. 81 – 90 20 0 0
7. 91 – 100 12 1 12
Jumlah 80 −71
⎛ k ⎞
⎜ ∑ fi di ⎟ −71 ⎞
x = AM + p ⎜ k i =1 ⎟ = 85,5 + 10 ⎛⎜ ⎟
⎜ ⎟ ⎝ 80 ⎠
⎜ ∑
⎝ i =1
f i ⎟
⎠
= 85,5 + 10(−0,8875) = 85,5 − 8,875
= 76, 625
Ternyata hasilnya tetap sama.
B. NILAI RATA-RATA UKUR
Nilai rata-rata ukur diberi simbol dengan U, di mana

U = n x1 ⋅ x2 ⋅ x3 xn . U digunakan perbandingan yang relatif tetap sehingga
seolah-olah urutan data merupakan barisan geometri. Misalnya, x1, x2, x3, x4
x x x
dan seterusnya, dengan 1 = 2 = 3 dan seterusnya. U banyak digunakan
x2 x3 x4
untuk data teknik atau yang bersifat enginering.
Contoh 8: Hitunglah nilai rata-rata dari 8192, 2, 32, 512, 128, 2048, 8.
Penyelesaian:
Jika data itu Anda susun, kita peroleh hasil penyusunan sebagai berikut
2, 8, 32, 128, 512, 2048, 8192 dan kalau Anda bandingkan antara dua data
yang berdekatan.
8 32 128 512 2048 8192
= = = = = ,
2 8 32 128 512 2048
data yang demikian lebih baik dihitung nilai rata-rata ukurnya atau U.
U = 7 2 × 8 × 32 × 128 × 512 × 2048 × 8192
= 7 562.949.953.421.312
= 128
Hasil ini didapat dengan mempergunakan kalkulator. Anda dapat pula
menghitungnya dengan mempergunakan daftar log.
(
log U = log 7 2 × 8 × 32 × 128 × 512 × 2048 × 8192 )
1
= log ( 2 × 8 × 32 × 128 × 512 × 2048 × 8192 ) 7
1
= log ( 2 × 8 × 32 ×128 × 512 × 2048 × 8192 )
7
1
= ( log 2 + log 8 + log 32 + + log 2048 + log 8192 )
7
1
= ( 0,301 + 0,903 + 1,505 + 2,107 + 2, 709 + 3,311 + 3,913)
7
1
= (14750 ) = 2,107
7
U = 218
Kadang kala hasilnya agak berbeda, hal ini dimungkinkan karena bekerja
dengan logaritma banyak sekali pembulatan-pembulatan.
C. NILAI RATA-RATA HARMONIS
Jika diketahui data-data x1, x2, x3, ... xn maka nilai rata-rata harmonis
yang diberi simbol H dapat ditentukan sebagai berikut.
n
H= atau dapat ditulis secara singkat
1 1 1 1
+ + + ... +
x1 x2 x3 xn
n
H= n
1
∑
i =1 xi
Contoh 9: Jarak antara Bandung Jakarta 180 km. Si A berangkat dengan

menggunakan mobil dari Bandung menuju Jakarta dengan
kecepatan rata-rata 80 km/jam. Pulangnya dengan menempuh jalan
yang sama dengan kecepatan 90 km/jam. Hitunglah kecepatan
rata-rata pulang pergi.
Jawaban yang salah

80 + 90
Kecepatan rata-rata = 85 km/jam
2
Kesalahannya, data ini terdiri dari dua dimensi, yaitu dimensi panjang dan
dimensi waktu. Semua nilai yang terdiri lebih dari 1 dimensi tidak dapat
diambil rata-rata begitu saja.
Jawaban yang seharusnya

Waktu yang diperlukan dari Bandung ke Jakarta:
180 km
= 2,25 jam.
80 km / jam
Sedangkan waktu yang diperlukan dari Jakarta ke Bandung:
180 km
= 2 jam.
90 km / jam
Jarak yang ditempuh pulang pergi = 2 × 180 km = 360 km dalam waktu
2,25 + 2 = 4,25 jam.
360 km
Maka kecepatan rata-rata p.p = km/jam = 84,71 km/jam.
4, 25
Dengan rumus rata-rata harmonis akan lebih cepat lagi. Di sini n = 2 yaitu
pergi dan pulang maka:
n 2 2 2 720
H= n = = = = 2×
1 1 1 9+8 17
∑ + 17
i =1 xi 80 90 720 720
= 84, 71 km/jam
D. NILAI RATA-RATA KUADRATIS (NKR)
Biasanya NRK disebut juga ”Akar Nilai Rata-rata Kuadratis” atau

dikatakan sebagai ”Ni1ai Rata-rata Kuadratis” dari kumpulan bilangan yang
merupakan urutan x1; x2; x3; ... xn, dan diberi simbol dengan:
NRK =
∑x i
2
Contoh 10: ada suatu deret bilangan 2, 4, 6, 8 maka NRK dapat dihitung
nilai rata-rata kuadratis dari data tersebut sebagai berikut.
n
∑x 2
i
x12 + x22 + ... + xn2
NRK = i =1
=
n n
2 + 4 +6 +8
2 2
120 2 2
= = = 30
4 4
= 5, 477
Biasanya NRK ini digunakan dalam ilmu-ilmu fisika dan teknik yang
banyak hubungannya dengan fisika.
L A TIH A N

1) Perhatikan daftar di bawah ini.
Jenis Barang Disimpan Rusak % Rusak
A 100 96 96
B 200 92 46
C 160 80 50
D 80 60 75
Jumlah 540 328 ?
Berapa % rata-rata barang yang rusak?
2) Tiga buah sampel masing-masing berukuran 10, 25, dan 15 dengan rata-
ratanya masing-masing 4, 3, dan 5. Hitung nilai rata-rata ketiga sampel
itu!
3) Hitung nilai rata-rata data berkelompok di bawah ini dengan
menggunakan cara ”tanda-kelas”!
No. Urut Kelas interval f
1. 20 – 24 3
2. 25 – 29 8
3. 30 – 34 13
4. 35 – 39 20
5. 40 – 44 17
6. 45 – 49 9
Jumlah 70
4) Sehubungan dengan soal nomor 3, hitung pula nilai rata-rata dengan cara
koding (AM).
5) Hitung nilai rata-rata data berkelompok di bawah ini dengan cara koding
atau AM.
No. Urut Kelas interval f
1. 87 – 92 1
2. 81 – 86 2
3. 75 – 80 0
4. 69 – 74 13
5. 63 – 68 10
6. 57 – 62 8
7. 51 – 56 8
8. 45 – 50 7
9. 39 – 44 0
10. 33 – 38 1
Jumlah 50
1) Cara yang salah: Nilai rata-rata persentase yang rusak

96 + 46 + 50 + 75
= 66,75%.
4
Seharusnya: Barang yang rusak 328 dari 540, ini berarti
328
× 100 % = 60,74%.
540
2) Lihat cara menghitung nilai rata-rata untuk data berbobot.

(10 × 4 ) + ( 25 × 3) + (15 × 5)
x= = 3,8
10 + 25 + 15
3) Buatlah terlebih dahulu tanda kelas dari masing-masing kelas interval!
No. Urut Tanda Kelas ( xi ) fi f i xi

1 22 3 66
2 27 8 216
3 32 13 416
4 37 20 740
5 42 17 714
6 47 9 423
Jumlah 70 2.575
x=
∑fx
i i
=
2575
= 36, 79
∑f i 20
4) Tentukan terlebih dahulu nilai dan kelas interval AM!

1. 20 – 24 3 -3 -9
2. 25 – 29 8 -2 -16
3. 30 – 34 13 -1 -13
4. 35 – 39 20 0 0
5. 40 – 44 17 1 17
6. 45 – 49 9 2 18
Jumlah 70 -3
(35 + 39) = 37; ∑ fi di = −3; p = 5

1
AM =
2
⎛ k ⎞
⎜ ∑ fi di ⎟ −3
x = AM + p ⎜ i =1k ⎟ = 37 + 5 ⎜⎛ ⎟⎞ = 36, 79
⎜ ⎟ ⎝ 70 ⎠
⎜ ∑ fi ⎟
⎝ i =1 ⎠
5) Sebaiknya, data tersebut diurutkan terlebih dahulu dari data terkecil

hingga data terbesar. Namun, apabila Anda ingin melakukan dengan cara
langsung akan diperoleh jawaban yang sama.

1 87 – 92 1 4 4
2 81 – 86 2 3 6
3 75 – 80 0 2 0
4 69 – 74 13 1 13
5 63 – 68 10 0 0
6 57 – 62 8 -1 -8
7 51 – 56 8 -2 -16
8 45 – 50 7 -3 -21
9 39 – 44 0 -4 0
10 33 – 38 1 -5 -5
Jumlah 50 -27
AM diambil pada kelas interval nomor 5 dengan nilai

AM = (63 + 68) = 65,5; p = 6; ∑ fi di = −27 .
1
2
⎛ k ⎞
⎜ ∑ fi di ⎟ −27 ⎞
Maka x = AM + p ⎜ i =1k ⎟ = 65,5 + 6 ⎜⎛ ⎟ = 62, 26
⎜ ⎟ ⎝ 50 ⎠
⎜ ∑ fi ⎟
⎝ i =1 ⎠
RA NGK UMA N
Nilai rata-rata merupakan nilai yang dianggap paling mendekati

nilai yang paling tepat dari hasil pengukuran. Nilai ini berfungsi sebagai
”wakil” dari nilai-nilai hasil pengukuran sekelompok data.
Pada dasarnya ada 3 (tiga) macam nilai rata-rata, yaitu nilai rata-rata
hitung, nilai rata-rata ukur, dan nilai rata-rata harmonis.
Nilai rata-rata hitung dapat dicari dengan rumus-rumus data
tersebar, nilai data terkelompok dengan cara ”tanda kelas” dan data
terkelompok dengan cara nilai ”rata-rata duga” atau cara koding atau
cara singkat.
TES FORMATIF 1
1) Suatu barisan bilangan merupakan deret aritmetika dengan suku pertama

2 dan suku terakhir 1895 dengan beda setiap dua suku yang berdekatan
sama dengan 3. Nilai rata-rata semua suku deret itu ialah ....
A. 940
B. 943
C. 946
D. 948
2) Nilai rata-rata dari data terkelompok sama dengan nilai rata-rata dari
semua nilai ....
A. data itu
B. setiap kelas interval
C. tengah dari setiap kelas interval
D. ujung bawah dan ujung atas dibagi banyaknya kelas interval
3) Dalam menghitung nilai rata-rata suatu data terkelompok dengan cara

”nilai rata-rata duga” maka nilai rata-rata duga itu (AM) dapat ditentukan
pada ....
A. setiap kelas
B. kelas interval yang berfrekuensi paling tinggi
C. kelas interval yang berkedudukan di tengah dari deretan kelas
interval
D. kelas interval yang berfrekuensi paling rendah
4) ”Nilai rata-rata duga” (AM) merupakan ....

A nilai rata-rata antara nilai data terendah dan nilai data tertinggi
B. salah satu tanda kelas interval
C. nilai rata-rata setiap kelas interval
D. setengah dari jumlah nilai terendah dengan nilai tertinggi dari setiap
kelas interval
5) Nilai rata-rata dari data terkelompok dalam daftar berikut adalah ....
No. Urut Kelas interval Frekuensi A. 8,84
1. 14 – 15 3 B. 9,10
2. 12 – 13 8 C. 9,23
3. 10 – 11 15 D. 10,17
4. 8–9 20
5. 6–7 10
6. 4–5 4
Jumlah 60
6) Ada 4 jenis buah-buahan. Jenis A terdiri dari 120 buah dengan rata-rata
berat 270 gram per buah; jenis B terdiri dari 100 buah dengan rata-rata
berat 250 gram per buah; jenis C terdiri dari 110 buah dengan berat rata-
rata 255 gram per buah dan jenis D terdiri dari 80 buah dengan berat
rata-rata 275 gram per buah. Rata-rata berat seluruh jenis buah-buahan
itu adalah ....
A. 262,07 gram
B. 262,17 gram
C. 162,31 gram
D. 262,50 gram
7) Jarak antara kota A dengan kota B 60 km, dari kota B ke kota C 80 km,
sedangkan jalan pintas dari kota C ke kota A 100 km. Seseorang
berangkat dari kota A ke kota B dengan kendaraan bermotor
berkecepatan rata-rata 40 km/jam. Kemudian ia melanjutkan perjalanan
ke kota C dengan kecepatan 30 km/jam. Setelah beristirahat di kota C, ia
kembali ke kota A dengan mempergunakan jalan pintas dengan
kecepatan 50 km/jam. Nilai kecepatan rata-rata pulang pergi yang
dicapai orang tersebut adalah ....
A. 40,83 km/jam
B. 40,00 km/jam
C. 38,96 km/jam
D. 38,30 km/jam
8) Suatu percobaan jenis makanan yang diberikan pada unggas tertentu

memberikan kenaikan berat badan sebagai berikut.
Minggu ke: Berat Badan (gram)
1 250
2 690
3 990
4 1.890
5 3.790
Kira-kira kenaikan berat badan unggas rata-rata tiap minggu adalah ....
A. 1.482 gram
B. 972,24 gram
C. 885,0 gram
D. 689,27 gram
9) Hitung nilai rata-rata data berkelompok di bawah ini dengan cara nilai
rata-rata duga.

1. 21 – 30 2 B. 58,9
2. 31 – 40 5 C. 59,5
3. 41 – 50 10 D. 60,21
4. 51 – 60 20
5. 61 – 70 15
6. 71 – 80 10
7. 81 – 90 8
10) Nilai rata-rata data terkelompok di bawah ini adalah ....

1. 2 B. 65,17
2. 3 C. 76,11
3. 53 – 61 5 D. 81,32
4. 62 – 70 10
5. 15
6. 18
7. 9
8. 3


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Kegiatan Belajar 2
Modus dan Median
A. MODUS
Modus digunakan untuk gejala-gejala yang sering terjadi, diberi simbol

dengan Mo, dan umumnya Mo dipakai sebagai ”nilai rata-rata” bagi data
kualitatif.
Kalau kita menyebutkan keadaan Indonesia di luar negeri, di Amerika
misalnya, umumnya bagi orang-orang Amerika yang pengetahuannya ”masih
rendah” negara Indonesia disamakannya dengan pulau Bali. Hal ini
disebabkan karena pulau Bali merupakan gejala yang paling sering mereka
dengar dan mereka ketahui.
Jika Anda mengajar dalam kelas tertentu, kebetulan salah seorang murid
Anda membuat kegaduhan ketika Anda mengajar. Biasanya Anda
menyimpulkan bahwa kelas itu merupakan kelas yang gaduh. Ini disebabkan
karena kegaduhan saat Anda mengajar yang memberikan kesan seolah-olah
begitulah kelas itu seharusnya.
Bagi seorang guru ”tidak baik” berkata demikian. Janganlah
beranggapan bahwa sesekali seorang anak berbuat kesalahan maka
selamanya anak tersebut dianggap sebagai anak yang nakal, anak yang selalu
berbuat kesalahan, atau mungkin sebaliknya, sekali anak memperoleh nilai
baik, untuk selanjutnya anak itu dianggap sebagai anak yang pandai. Semua
ini disebabkan pengaruh kesan pertama yang memberikan rangsangan lebih,
seolah-olah begitulah gejala itu selamanya.
Negara kita sudah bebas buta huruf, artinya frekuensi yang bebas buta
huruf jauh lebih besar dari orang-orang yang masih buta huruf. Oleh sebab
itu, Anda tidak usah heran kalau masih banyak orang yang masih buta huruf.
Banyak lagi kesimpulan-kesimpulan yang diambil, semuanya berdasarkan
modus. Kematian di beberapa tempat disebabkan wabah malaria. Selain itu,
kematian juga disebabkan kecelakaan lalu lintas yang umumnya karena
kecerobohan pengemudi. Ini berarti masing-masing merupakan modus
penyebab kematian pada kecelakaan lalu lintas.
Modus untuk data kuantitatif ditentukan dengan melihat frekuensi
tertinggi, misalnya: gejala A ada 5, gejala B ada 11, gejala C ada 19, gejala D
ada 17 dan gejala E ada 10. Gejala dengan, frekuensi tertinggi adalah gejala
C maka dikatakan modusnya adalah C atau ditulis Mo = gejala C.
Contoh 11: Tentukan modus data berikut ini!
Data ( xi ) Frekuensi
20 81
22 56
25 98
29 75
30 72
Penyelesaian:
Data dengan frekuensi tertinggi ialah 25 maka dikatakan modusnya 25,
ditulis Mo = 25.
Selanjutnya, jika data disusun secara terkelompok karena Anda

mempunyai data cukup besar maka Mo dapat dicari dengan rumus:
⎛ b ⎞
Mo = BbMo + p ⎜ 1 ⎟
⎝ b1 + b2 ⎠
BbMo = Batas bawah kelas interval yang mengandung modus atau dapat
juga dikatakan bahwa kelas interval yang mempunyai frekuensi
tertinggi.
b1 = Selisih frekuensi yang mengandung modus dengan frekuensi
sebelumnya.
b2 = Selisih frekuensi yang mengandung modus dengan frekuensi
sesudahnya
p = Panjang kelas interval.
Perlu diperhatikan istilah ”sebelum” dan ”sesudah”nya tergantung dari
susunan kelas interval:
No. Urut Kelas interval fi

1. _____________
U U
f1
2. _____________
U U
f2
3. _____________
U U
f3
4. _____________
U U
f4
5. _____________
U U
f5
Seandainya kelas interval itu disusun dari besar ke kecil, misalkan pula
frekuensi tertinggi pada kelas interval dengan nomor 2 dengan besar
frekuensi f2 maka fl disebut frekuensi sesudahnya dan f3 disebut frekuensi
sebelumnya, karena data disusun dari atas ke bawah dimulai dari besar ke
kecil. Dengan demikian, bl = f2 − f3 dan b2 = f2 − fl.
Tetapi jika Anda menyusunnya dari data yang bernilai kecil ke besar dan
misalnya secara kebetulan kelas interval nomor urut 2 mempunyai frekuensi
yang tertinggi pula maka f1 disebut frekuensi sebelumnya dan f3 disebut
frekuensi sesudahnya sedangkan f2 frekuensi kelas interval yang mengandung
modus. Maka bl = f2 − fl dan b2 = f2 − f3.
Kesimpulannya bahwa istilah ”sebelum” dan ”sesudah”nya bukan dilihat
berdasarkan nomor urut kelas interval, melainkan berdasarkan susunan kelas
interval, dari arah yang kecil ke arah yang besar (bisa dari atas ke bawah atau
sebaliknya).
B. MEDIAN
Median adalah nilai data yang terletak di tengah setelah data itu disusun
menurut urutan nilainya sehingga membagi dua sama besar. Maksudnya, jika
median kita sebut Me maka terdapat 50% dari banyak data yang nilai-
nilainya paling tinggi atau sama dengan Me dan 50% lagi paling rendah atau
sama dengan Me.
Kelompok A Me Kelompok B
50% 50%
Nilai tertinggi untuk kelompok A = Me

Nilai terendah untuk kelompok B = Me
Dengan kata lain, Me berfungsi sebagai nilai tertinggi dari kelompok A

dan juga berfungsi sebagai nilai terendah dari kelompok B. Banyak anggota
kelompok A sama dengan banyak anggota dari kelompok B.
Jika banyak data ganjil maka Me merupakan nilai data yang terletak di
tengah-tengah di mana sebelah kiri dan kanannya masing-masing terdapat
1
( n + 1) data.
2
Contoh 12 : Misalnya diberikan data 2; 3; 7; 9; 12.

Maka Me = 7 karena di sebelah kanan dan kiri Me masing-
masing terdapat dua buah data.
Tetapi jika banyak data genap maka setelah data itu disusun menurut
urutannya, Me diambil rata-rata hitung dari dua data tengah yaitu data ke
⎛1 ⎞ ⎛1 ⎞
⎜ n ⎟ dan data ke ⎜ n + 1⎟ .
⎝ 2 ⎠ ⎝ 2 ⎠
Contoh 13 : Misalnya diketahui kumpulan data 5; 7; 10; 15; 17; 23. Karena
datanya genap maka
⎛1 ⎞ ⎛1 ⎞
data ke ⎜ n ⎟ + data ke ⎜ n + 1⎟
Me = ⎝ 2 ⎠ ⎝ 2 ⎠ = data ke 3 + data ke 4
2 2
10+15
= = 12,5
2
Untuk data yang terkelompok, artinya yang disusun dalam daftar

distribusi frekuensi, Me dapat dihitung dengan rumus berikut.
⎛n ⎞
⎜ − FMe ⎟
Me = BbMe + p ⎜ 2 ⎟
⎜⎜ f Me ⎟⎟
⎝ ⎠
BbMe = Batas bawah kelas interval yang mengandung Me.

FMe = Frekuensi kumulatif sebelum kelas interval yang mengandung Me.
f Me = Frekuensi kelas interval yang mengandung Me.
Namun, sebelum menghitung nilai Me kita perlu mengetahui letak kelas

interval yang mengandung Me dengan rumus:
⎛1 ⎞
Letak Me = data ke ⎜ ( n + 1) ⎟
⎝2 ⎠
dengan n adalah banyaknya data ( Σfi )
Hubungan Empiris antara x , Me dan Mo

Jika x = Me = Mo , kurva merupakan kurva normal
x = Me = Mo
Tetapi jika x ≠ Me ≠ Mo , kurva mungkin positif, dan mungkin negatif.
Mo Me x x Me Mo
Kurva Positif Kurva Negatif
Hubungan empiris yang dapat diandalkan untuk ketiga besaran pusat

kecenderungan itu:
Mo + 2 x = 3Me
Me sering dipakai untuk menjelaskan kecenderungan pemusatan data

jika pada data tersebut dijumpai nilai-nilai yang ekstrem, di mana tidak cukup
untuk dijelaskan melalui nilai rata-ratanya saja.
Contoh 14: Tentukan modus dari data tersebar di bawah ini
15 25 21 16 20 17 19 25 21 15 17 16 19 20 17
20 15 25 16 21 19 16 17 25 19 21 20 19 19 21
17 20 16 21 20 21 16 20 17 19 20 19 17 21 19
20 16 19 19 17 20 21 19 19 21 19 17 20 19 15
Penyelesaian:
Nilai minimum = 15 dan nilai maksimum 25. Rentang = 25 – 15 paling
banyak sama dengan 10.
No. Urut xi Turus fi

1 15 //// 4
2 16 //// // 7
3 17 //// //// 9
4 18 0
5 19 //// //// //// 15
6 20 //// //// / 11
7 21 //// //// 10
8 22 0
9 23 0
10 24 0
11 25 //// 4
Jumlah 60
Mo terletak pada kelas interval ke 5 maka Mo = 19
Contoh 15 : Sehubungan dengan Contoh 14, cari Mo dengan mempergunakan

data tersebar tersebut sebagai data berkelompok.
Penyelesaian:
Jika kita tentukan panjang kelasnya 3 maka
No. Urut Kelas Interval fi Fi

1 15 – 17 20 20
2 18 – 20 26 46
3 21 – 23 10 56
4 24 – 24 4 60
Jumlah 60
Mo terletak pada kelas interval nomor urut 2 maka dari kelas interval yang
bersangkutan didapat:
Bb = 17,5
b1 = 26 – 20 = 6 dan
b2 = 26 – 10 = 16, sehingga
⎛ b ⎞ ⎛ 6 ⎞
Mo = BbMo + p ⎜ 1 ⎟ = 17,5 + 3 ⎜ ⎟
b +
⎝ 1 2⎠ b ⎝ 6 + 16 ⎠
= 17,5 + ( 3 × 0, 273) = 17,5 + 0,819
= 18,32
Coba Anda bandingkan dengan hasil perhitungan pada Contoh 14.
Contoh 16 : Sehubungan dengan daftar distribusi frekuensi pada Contoh 15,

hitunglah nilai Me.

1 15 – 17 20 20
2 18 – 20 26 46
3 21 – 23 10 56
4 24 – 24 4 60
Jumlah 60
Penyelesaian:
Sebelum kita menentukan nilai Me kita tentukan dulu letak datanya.
⎛1 ⎞
Letak Me = data ke ⎜ ( n + 1) ⎟ = data ke 30,5 , sehingga dapat kita tentukan
⎝2 ⎠
bahwa Me terletak pada kelas interval kedua. Selain itu, dapat kita tentukan
pula BbMe = 17,5 ; FMe = 20 ; dan f Me = 26 . Jadi,
⎛n ⎞ ⎛ 60 ⎞
⎜ 2 − FMe ⎟ ⎜ 2 − 20 ⎟
Me = BbMe + p ⎜ ⎟ = 17,5 + 3 ⎜ ⎟
⎜⎜ f Me ⎟⎟ ⎜⎜ 26 ⎟⎟
⎝ ⎠ ⎝ ⎠
⎛ 30 − 20 ⎞ ⎛ 10 ⎞
= 17,5 + 3 ⎜ ⎟ = 17,5 + 3 ⎜ ⎟
⎝ 26 ⎠ ⎝ 26 ⎠
= 17,5 + 3 ( 0,385) = 17,5 + 1,155
= 18, 66
L A TIH A N

1) Diberikan sampel dengan data 11, 6, 7, 13, 15, 18, 12, 9. Setelah Anda
susun menurut urutan nilainya, tentukan Me!
2) Perhatikan distribusi frekuensi berikut ini.
No. Urut Nilai Frekuensi
1. 31 – 35 1
2. 36 – 40 2
3. 41 – 45 3
4. 46 – 50 7
5. 51 – 55 12
6. 56 – 60 10
7. 61 – 65 5
Jumlah 40
Hitung nilai Me!

3) Sehubungan dengan data pada soal nomor 2, hitung pula Mo!
1) Kita susun dulu sampel itu menjadi:

6, 7, 9, 11, 12, 13, 15, 18. Karena banyaknya data genap maka
⎛1 ⎞ ⎛1 ⎞
Me = ⎝ 2 ⎠ ⎝ 2 ⎠ = data ke 4 + data ke 5
2 2
11+12
= = 11,5
2
2) Sebaiknya, Anda cari terlebih dahulu frekuensi kumulatifnya.
No. Urut Nilai fi Fi
1 31 – 35 1 1
2 36 – 40 2 3
3 41 – 45 3 6
4 46 – 50 7 13
5 51 – 55 12 25
6 56 – 60 10 35
7 61 – 65 5 40
⎛1 ⎞
Letak Me = data ke ⎜ ( n + 1) ⎟ = data ke 20,5 yaitu pada kelas interval
⎝2 ⎠
nomor urut 5, sehingga BbMe = 50,5 ; p = 5; FMe = 13 ; dan f Me = 12 . Jadi,
⎛n ⎞ ⎛ 40 ⎞
⎜ 2 − FMe ⎟ ⎜ 2 − 13 ⎟
Me = BbMe + p ⎜ ⎟ = 50,5 + 5 ⎜ ⎟
⎜⎜ f Me ⎟⎟ ⎜⎜ 12 ⎟⎟
⎝ ⎠ ⎝ ⎠
⎛ 20 − 13 ⎞ ⎛ ⎞7
= 50,5 + 5 ⎜ ⎟ = 50,5 + 5 ⎜ ⎟
⎝ 12 ⎠ ⎝ 12 ⎠
= 50,5 + 5 ( 0,583) = 50,5 + 2,915
= 53, 42
3) Mo terletak pada kelas interval dengan nomor urut 5 (frekuensi terbesar).
Data disusun dari kecil ke besar maka BbMe = 50,5 ; b1 = 12 – 7 = 5;
b2 = 12 – 10 = 2. Jadi,
⎛ b ⎞ ⎛ 5 ⎞ ⎛5⎞
Mo = BbMo + p ⎜ 1 ⎟ = 50,5 + 5 ⎜ ⎟ = 50,5 + 5 ⎜ ⎟
⎝ b1 + b2 ⎠ ⎝5+2⎠ ⎝7⎠
= 50,5 + 5(0, 714) = 50,5 + 3,57 = 54, 07
RA NGK UMA N
Modus ialah sesuatu gejala yang mempunyai frekuensi tertinggi atau

yang sering terjadi. Misalnya, dari sekelompok orang di antaranya
berbuat kegaduhan. Dikatakan bahwa kelompok itu merupakan
kelompok yang gaduh. Pada prinsipnya Mo dapat dicari pada frekuensi
tertinggi.
Median merupakan nilai data yang terletak di tengah setelah data itu
disusun menurut urutan nilainya sehingga membagi dua sama banyak.
TES FORMATIF 2
1) Apa yang Anda ketahui tentang kurva simetris?

A. Selalu mempunyai sebuah modus.
B. Mungkin mempunyai lebih dari sebuah modus.
C. Mungkin tidak mempunyai modus.
D. Letak pusat kecenderungan selalu tidak setempat.
2) Sampel dengan data 74, 81, 65, 56, 96, 63, 55, 91, 93, 85, 51, 59 dan 69
mempunyai nilai Me ....
A. 67
B. 69
1
C. 72
2
1
D. 74
2
3) Jika diberikan data statistik Me = 89 dan Mo = 87, artinya ....

A. 50% bernilai 89 dan 50% lagi bernilai 87
B. umumnya bernilai 87 sedangkan nilainya 50% saja yang bernilai 89
C. 50% bernilai di atas 89 dan 50% lagi bernilai di bawah 87
D. 50% bernilai di atas 89 dan 50% lagi bernilai di bawahnya tetapi
pada umumnya bernilai 87
4) Apa yang Anda ketahui tentang kurva normal?

A. Tidak selalu mempunyai satu modus.
B. Letak pusat kecenderungan pada satu titik.
C. Tidak mempunyai median.
D. Berlaku hubungan 3Mo = 2Me – x .
5) Pada kurva positif umumnya berlaku nilai ....

A. Me > nilai Mo
B. Me = nilai Mo
C. Me < nilai Mo
D. Me = nilai x
6) Suatu populasi tentang suatu fenomena alam mempunyai nilai

μ = 67,3 dan Mo = 45,2. Kira-kira nilai Me = ....
A. 45
B. 50
C. 60
D 70
7) Suatu hasil ujian Statistik mempunyai distribusi penyebaran nilai sebagai

berikut.
1. 60 – 69 1
2. 50 – 59 4
3. 40 – 49 10
4. 30 – 39 15
5. 20 – 29 8
6. 10 – 19 2
Jumlah 40
Nilai rata-ratanya dari daftar tersebut adalah ....
A. 35,5
B. 35,65
C. 36,15
D. 36,75
8) Sehubungan dengan data pada soal nomor 7 maka Mo-nya adalah ....
A. 33,67
B. 33,76
C. 35,33
D. 35,63
9) Suatu tabel distribusi frekuensi tersusun seperti di bawah ini.

1. 21 – 27 1
2. 28 – 34 0
3. 35 – 41 3
4. 42 – 48 6
5. 49 – 55 16
6. 56 – 62 18
7. 63 – 69 0
8. 70 – 76 4
9. 77 – 83 2
Jumlah 50
Nilai rata-ratanya adalah ....

A. 50,09
B. 55,08
C. 57,07
D. 59,01
10) Sehubungan dengan data pada soal nomor 9, Me-nya adalah ....
A. 50,14
B. 52,92
C. 53,25
D. 55,06


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Kegiatan Belajar 3
Kuartil, Desil, dan Persentil
D alam Kegiatan Belajar 1 dan Kegiatan Belajar 2, Anda telah

mempelajari kecenderungan memusat atau ukuran pemusatan. Masih
ingatkah Anda apa yang dimaksud dengan pusat kecenderungan memusat?
Sekadar mengulangi sedikit tentang apa yang telah Anda pelajari dalam
Kegiatan Belajar sebelumnya, meliputi nilai rata-rata, median dan modus.
Seperti yang Anda telah pelajari pula, nilai rata-rata merupakan salah satu
dari kecenderungan memusat yang banyak dipakai. Namun demikian, secara
matematis, meskipun ia merupakan wakil dari semua nilai data, masih tetap
dipertanyakan sejauh manakah ketetapan nilai itu? Untuk menjawab
pertanyaan ini, dalam dunia statistika, kurang lengkap kiranya jika sesuatu
nilai hasil pengukuran yang diwakili dalam hal ini oleh nilai rata-rata tanpa
dilengkapi nilai lain sebagai bahan pertimbangan. Nilai lain yang
dimaksudkan di sini ialah nilai penyimpangan, artinya sejauh manakah
penyimpangan-penyimpangan antara nilai data dengan nilai rata-rata. Nilai
penyimpangan yang akan dibicarakan dalam Modul 4 ini, merupakan salah
satu ukuran dispersi dalam dunia statistika sebab banyak ukuran-ukuran
dispersi lainnya yang akan diuraikan pula dalam Modul 4 ini antara lain
ukuran jangkauan kuartil, jangkauan 10 – 90 persentil, koefisien variasi, dan
sebagainya. Untuk mempelajari ini, perlu Anda kuasai terlebih dahulu apa
yang dimaksud kuartil, desil, persentil yang kesemuanya merupakan
pengembangan dari ukuran median.
Dalam Kegiatan Belajar 2, Anda telah mempelajari tentang median.
Pada prinsipnya median merupakan nilai yang terletak di tengah dari sebaris
nilai yang telah diurutkan letaknya dari yang bernilai kecil ke yang bernilai
besar sehingga membagi dua sama banyak.
A. DATA TERSEBAR
1. Kuartil
Kalau median dapat dikatakan sebagai ukuran perduaan maka kuartil
dapat dikatakan sebagai ukuran perempatan, artinya nilai-nilai kuartil akan
membagi 4 bagian yang sama banyak terhadap seluruh data yang sudah
diurutkan. Dengan demikian, kita kenal kuartil pertama (K1), kuartil kedua
(K2), dan kuartil ketiga (K3). Secara umum, ukuran perempatan tersebut dapat
digambarkan sebagai berikut.
U n1 , n2
U U , n3
U U , n4
U U U dengan n1 + n2 + n3 + n4 = n
K1 K2 K3
Jika banyak data (n) > 3 maka banyak data yang terletak di bawah
U U
K1 adalah n1. Banyak data yang terletak di antara K1 dan K2 adalah n2, dan
banyak data yang terletak di antara K2 dan K3 adalah n3 dan banyak data yang
terletak di atas K3 adalah n4 di mana n1 = n2 = n3 = n4. Untuk menentukan
letak Ki (i = 1, 2, 3) untuk data tersebar digunakan rumus:
i
Letak Ki = data ke ( n + 1) , i = 1, 2, 3
4
Contoh 17 : Diberikan sekelompok data terurut 2, 5, 7, 7, 9.
Dari data tersebut berarti n = 5 maka
1
a. Letak K1 = data ke (5 + 1) = data ke 1,5.
4
Artinya, nilai K1 terletak antara data ke-1 dan data ke-2.
K1 = nilai data ke 1 + 0,5(nilai data ke 2 − nilai data ke-1)
= 2 + 0,5 ( 5 − 2 ) = 2 + 0,5(3) = 2 + 1,5
= 3,5 .
2
b. Letak K2 = data ke (5 + 1) = data ke-3.
4
Artinya, nilai K2 terletak pada data ke-3. Jadi, K2 = 7.
3
c. Letak K3 = data ke (5 + 1) = data ke-4, 5.
4
Artinya, nilai K3 terletak antara data ke-4 dan ke-5.
K3 = nilai data ke-4 + 0,5(nilai data ke-5 − nilai data ke-4)
= 7 + 0,5 ( 9 − 7 ) = 7 + 0,5(2) = 7 + 1
=8.
Contoh 18 : Ditentukan data tersebar dengan susunan sebagai berikut.
9, 9, 10, 13, 14, 17, 19, 19, 21, 22, 23, 25, 25, 29, 33, 35, 35, 39,
43, 47.
a. Tentukan nilai K3.

Penyelesaian:
Karena n = 20, maka
3
Letak K3 = data ke ( 20 + 1) = data ke-15,75
4
K3 = nilai data ke-15 + 0,75 (nilai data ke-16 – nilai data ke-15)
= 33 + 0,75 ( 35 − 33) = 33 + 0,75(2) = 33 + 1,5
= 34,5.
b. Tentukan nilai K1
Penyelesaian:
1
Letak K1 = data ke (20 + 1) = data ke-5,25.
4
K1 = nilai data ke 5 + 0,25(nilai data ke-6 – nilai data ke-5)
= 14 + 0, 25 (17 − 14 ) = 14 + 0, 25(3) = 14 + 0,75
= 14, 75.
2. Desil
Jika kumpulan data dibagi menjadi 10 bagian yang sama banyak maka
tiap bagian disebut ”persepuluhan” atau disebut ”desil”. Seperti halnya
dengan kuartil begitu pula pada desil (Di) akan terdapat D1, D2, D3, ..., D9.
i
Letak Di = data ke (n + 1), i = 1, 2, 3, ... 9.
10
Contoh 19 : Misalkan banyaknya data n = 25 maka

7
Letak D7 = data ke (25 + 1) = data ke-18,2.
10
Artinya, letak nilai D7 antara data ke-18 dan ke-19. Sehingga
D7 = nilai data ke-18 + 0,2 (nilai data ke-19 – nilai data ke-18).
Contoh 20 : Tentukan nilai D6 dari data tersebar di bawah ini.

9, 9, 10, 13, 14, 17, 19, 19, 21, 22, 23, 25, 27, 29, 33, 35, 35, 39,
43, 47.
Penyelesaian:
6
n = 20, sehingga Letak D6 = data ke (20 + 1) = data ke-12,6
10
D6 = data ke 12 + 0,6 (data ke-13 – data ke-12)

= 25 + 0,6 ( 27 − 25) = 25 + 0,6(2) = 25 + 1, 2
= 26, 2.
3. Persentil
Persentil (Pi) merupakan ukuran lokasi yang paling halus karena
pembagiannya 1 sampai dengan 99.
i
Letak Pi = data ke (n + 1); i = 1, 2, 3,...99.
100
Contoh 21: Misalkan banyaknya data (n) = 50 akan dicari nilai P57.
Penyelesaian :
57
Letak P57 = data ke (50 + 1) = data ke-29,07.
100
Artinya, letak nilai P57 antara data ke-29 dan data ke-30.
P57 = data ke-29 + 0,07 (data ke-30 – data ke-29).
Contoh 22: Tentukan nilai P38 dari data tersebar di bawah ini:
9, 9, 10, 13, 14, 17, 19, 20, 21, 22, 23, 25, 27, 29, 33, 35, 35, 39,
43, 47.
Penyelesaian:
38
100
Artinya, letak nilai P38 antara data ke-7 dan data ke-8.
P38 = data ke-7 + 0,98 (data ke-8 – data ke-7)
= 19 + 0,98 ( 20 − 19 ) = 19 + 0,98(1) = 19 + 0,98
= 19,98
B. DATA TERKELOMPOK
Penulis yakin bahwa Anda masih ingat akan rumus median untuk data
terkelompok.
⎛n ⎞
⎜ 2 − FMe ⎟
Me = BbMe + p ⎜ ⎟
⎜⎜ f Me ⎟⎟
⎝ ⎠
Kalau kita kembangkan rumus itu, letak lokasi yang lain, sebenarnya
bergantung pada nilai n, yaitu banyak data.
1. Kuartil
i
Untuk nilai kuartil bergantung pada n, (i = 1, 2, dan 3). Artinya, untuk
4
1 2
K1 bergantung pada nilai n; untuk K2 bergantung pada n; dan untuk K3
4 4
3
bergantung pada n. Dengan demikian, bentuk umum nilai kuartil untuk
4
data terkelompok:
⎛i ⎞
⎜ 4 n − FKi ⎟
K i = BbKi + p ⎜ ⎟ , i = 1, 2, 3
⎜⎜ f Ki ⎟⎟
⎝ ⎠
dengan BbKi = Batas bawah kelas interval yang mengandung Ki.
n = Banyak data.
FKi = Frekuensi kumulatif sebelum kelas interval Ki
f Ki = Frekuensi kelas interval yang mengandung Ki
2. Desil dan Persentil

Begitu pula dengan lokasi ”persepuluhan” atau desil dan lokasi
”perseratusan” atau persentil.
⎛ i ⎞
⎜ 10 n − FDi ⎟
Di = BbDi + p ⎜ ⎟ ; i = 1, 2, 3,...9.
⎜⎜ f Di ⎟⎟
⎝ ⎠
dengan BbDi = Batas bawah kelas interval yang mengandung Di.
n = Banyak data.
FDi = Frekuensi kumulatif sebelum kelas interval Di.

f Di = Frekuensi kelas interval yang mengandung Di.
Sedangkan untuk persentil:
⎛ i ⎞
⎜ 100 n − FPi ⎟
Pi = BbPi + p ⎜ ⎟ ; i = 1, 2, 3,...99.
⎜⎜ f Pi ⎟⎟
⎝ ⎠
dengan BbPi = Batas bawah kelas interval yang mengandung Pi.
n = Banyak data.
FPi = Frekuensi kumulatif sebelum kelas interval Pi.
f Pi = Frekuensi kelas interval yang mengandung Pi.
Contoh 23: Pada data terkelompok yang berdistribusi sebagai berikut.

1 10 – 14 2 2
2 15 – 19 3 5
3 20 – 24 5 10
4 25 – 29 6 16
5 30 – 34 7 23
6 35 – 39 8 31
7 40 – 44 9 40
8 45 – 49 11 51
9 50 – 54 13 64
10 55 – 59 8 72
11 60 – 64 4 76
12 65 – 69 3 79
13 70 – 74 1 80
Jumlah 80
a. Hitung nilai K3.

Penyelesaian:
3
Letak K3 = data ke ( n + 1)
4
3
= data ke ( 80 + 1) = data ke 60,75.
4
Sehingga K3 terletak pada kelas interval ke-9. Dari letak K3 maka

diketahui BbK3 = 50 − 0,5 = 49,5 ; p = 5 ; FK3 = 51 ; dan f K3 = 13 . Jadi,
⎛3 ⎞
⎜ 4 n − FK3 ⎟ ⎛ 60 − 51 ⎞
K 3 = BbK3 + p ⎜ ⎟ = 49,5 + 5 ⎜ ⎟
⎜⎜ f K3 ⎟⎟ ⎝ 13 ⎠
⎝ ⎠
⎛9⎞ 45
= 49,5 + 5 ⎜ ⎟ = 49,5 + = 49,5 + 3, 46 = 52,96
⎝ 13 ⎠ 13
b. Hitung nilai D7.

Penyelesaian:
7 7
Letak D7 = data ke ( n + 1) = data ke (80 + 1) = data ke-56,7.
10 10
Sehingga D7 terletak pada kelas interval ke-9. Dari letak D7 maka
diketahui BbD7 = 50 − 0,5 = 49,5; p = 5 ; FD7 = 51 ; dan f D7 = 13. Jadi,
⎛ 7 ⎞
⎜ 10 n − FD7 ⎟ ⎛ 56 − 51 ⎞
D7 = BbD7 + p ⎜ ⎟ = 49,5 + 5 ⎜ ⎟
⎜⎜ f D7 ⎟⎟ ⎝ 13 ⎠
⎝ ⎠
⎛4⎞ 20
= 49,5 + 5 ⎜ ⎟ = 49,5 + = 49,5 + 1,54 = 51, 04 .
⎝ ⎠
13 13
c. Hitung nilai P23.

Penyelesaian:
23 23
Letak P23 = data ke ( n + 1) = data ke (80 + 1) = data ke-18,63.
100 100
Sehingga P23 terletak pada kelas interval ke-5. Dari letak P23 maka
diketahui BbP23 = 30 − 0,5 = 29,5; p = 5 ; FP23 = 16 ; dan f P23 = 7 . Jadi,
⎛ 23 ⎞
⎜ 100 n − FP23 ⎟ ⎛ 18, 4 − 16 ⎞
P23 = BbP23 + p ⎜ ⎟ = 29,5 + 5 ⎜ ⎟
⎜⎜ f P23 ⎟⎟ ⎝ 7 ⎠
⎝ ⎠
⎛ 2, 4 ⎞ 12
= 29,5 + 5 ⎜ ⎟ = 29,5 + = 29,5 + 1, 71 = 31, 21
⎝ 7 ⎠ 7
L A TIH A N

1) Jelaskan arti K1 = 28; D7 = 7 dan P10 = 65.
2) Data tersebar 31, 31, 35, 36, 39, 40, 43, 47, 50, 53, 55, 55, 59, 60, 62, 69,
70, 75, 79, 82, 85, 87, 87, 88, 90. Hitung nilai K3, D4, dan P67. Hitung
pula nilai K2, D5, dan P50.
3) Dari data terkelompok dengan distribusi frekuensi sebagai berikut.

1 31 – 37 1 1
2 38 – 44 2 3
3 45 – 51 5 8
4 52 – 58 12 20
5 59 – 65 23 43
6 66 – 72 18 61
7 73 – 79 10 71
8 80 – 86 5 76
9 87 – 93 3 79
10 94 – 100 1 80
Hitung nilai K2, D8, dan P89.
1) K1 = 28 artinya ada 25% dari banyak data yang mempunyai nilai di

bawah 28.
D7 = 75 artinya ada 70% dari banyak data yang mempunyai nilai di
bawah 75.
P10 = 65 artinya ada 10% dari banyak data yang mempunyai nilai di
bawah 65.
2) No. Urut 1 2 3 4 5 6 7 8 9 10 11 12 13
Data 31 31 35 36 39 40 43 47 50 53 55 55 59
No. Urut 14 15 16 17 18 19 20 21 22 23 24 25
Data 60 62 69 70 75 79 82 85 87 87 88 90
3
a. Letak K3 = data ke (25 + 1) = data ke-19,5
4
K3 = data ke 19 + 0,5 (data ke-20 – data ke-19)
= 79 + 0,5 ( 82 − 79 ) = 79 + 0,5(3) = 79 + 1,5 = 80,5
4
Letak D4 = data ke (25 + 1) = data ke-10,4
10
D4 = data ke-10 + 0,4 (data ke-11 – data ke-10)
= 53 + 0, 4 ( 55 − 53) = 53 + 0, 4(2) = 53 + 0,8 = 53,8
Letak P67 = data ke 67 (25 + 1) = data ke-17,42

100
= 70 + 0, 42 ( 75 − 70 ) = 70 + 0, 42(5) = 70 + 2,1 = 72,1
2
b. Letak K2 = data ke (25 + 1) = data ke-13,
4
K2 = data ke-13 = 59.
5
Letak D5 = data ke (25 + 1) = data ke-13,
10
D5 = data ke-13 = 59.
50
Letak P50 = data ke (25 + 1) = data ke-13,
100
P50 = data ke-13 = 59.
Kesimpulan Nilai K2 = Nilai D5 = nilai P50
1
3) Letak K2 = data ke (80 + 1) = data ke-40,5. Sehingga K2 terletak pada
2
kelas interval ke-5 dan BbK2 = 59 − 0,5 = 58,5 ; p = 59 − 52 = 7 ;
FK2 = 20 ; dan f K2 = 23 . Jadi,
⎛2 ⎞
⎜ 4 n − FK2 ⎟ ⎛ 40 − 20 ⎞ ⎛ 20 ⎞
K 2 = BbK2 + p ⎜ ⎟ = 58,5 + 7 ⎜ ⎟ = 58,5 + 7 ⎜ ⎟
⎜⎜ f K2 ⎟⎟ ⎝ 23 ⎠ ⎝ 23 ⎠
⎝ ⎠
= 58,5 + 7 ( 0,87 ) = 58,5 + 6,09 = 64,59
8
Letak D8 = data ke (80 + 1) = data ke-64. Sehingga D8 terletak pada
10
kelas interval ke-7 dan BbD8 = 73 − 0,5 = 72,5 ; FD8 = 61 ; dan f D8 = 10 .
Jadi,
⎛ 8 ⎞
⎜ 10 n − FD8 ⎟ ⎛ 64 − 61 ⎞ ⎛ 3⎞
D8 = BbD8 + p ⎜ ⎟ = 72,5 + 7 ⎜ ⎟ = 72,5 + 7 ⎜ ⎟
⎜⎜ f D8 ⎟⎟ ⎝ 10 ⎠ ⎝ 10 ⎠
⎝ ⎠
= 72,5 + 7 ( 0,3) = 72,5 + 2,1 = 74,6
89
Letak P89 = data ke (80 ) = data ke-71,2. Sehingga P89 terletak pada
100
kelas interval ke-8 dan BbP89 = 80 − 0,5 = 79,5 ; FP89 = 71 ; dan f P89 = 5 .
Jadi,
⎛ 89 ⎞
⎜ 100 n − FP89 ⎟ ⎛ 71, 2 − 71 ⎞ ⎛ 0, 2 ⎞
P89 = BbP89 + p ⎜ ⎟ = 79,5 + 7 ⎜ ⎟ = 79,5 + 7 ⎜ ⎟
⎜⎜ f P89 ⎟⎟ ⎝ 5 ⎠ ⎝ 5 ⎠
⎝ ⎠
= 79,5 + 7 ( 0,04 ) = 79,5 + 0, 28 = 79,78
RA NGK UMA N
Kuartil merupakan ukuran lokasi ”perempatan”, sedangkan Desil

merupakan ukuran lokasi ”persepuluhan” dan Persentil ukuran lokasi
”perseratusan”.
Jika banyak data dinyatakan dengan n maka letak ukuran lokasi
untuk data tersebut dalam bentuk umum dapat dirumuskan:
i
Letak Li = data ke (n + 1)
k
Untuk i = 1, 2, dan 3; dan k = 4 maka Li = Ki
Untuk i = 1, 2, ...9; dan k = 10 maka Li = Di
Untuk i = 1, 2, ... 99; dan k = 100 maka Li = Pi
Sedangkan untuk data terkelompok, dalam bentuk umum dapat

dirumuskan nilai ukuran letak sebagai berikut.
⎛i ⎞
⎜ n − FLi ⎟
Li = BbLi + p ⎜ k ⎟
⎜⎜ f Li ⎟⎟
⎝ ⎠
BbLi = Batas bawah kelas interval yang mengandung Li.

n = Banyak data.
FLi = Frekuensi kumulatif sebelum kelas interval Li.
f Li = Frekuensi kelas interval yang mengandung Li.
Untuk i = 1, 2, dan 3; dan k = 4 maka Li = Ki

Untuk i = 1, 2, ...9; dan k = 10 maka Li = Di
Untuk i = 1, 2, .. 99; dan k = 100 maka Li = Pi
Dapat dilihat dari rumus bahwa nilai K2 = D5 = P50 = Me.
TES FORMATIF 3
Pada data tersebar 7, 10, 13, 13, 15, 19, 20, 25, 25, 27, 29, 31, 34, 34, 35, dan
37.
1) Nilai K3 = ....
A. 31 ,00
B. 32,50
C. 33,25
D. 34, 00
2) Nilai D5 = ....
A. 23,50
B. 25,00
C. 26,00
D. 26,75
3) Nilai P87 = ....

A. 34,00
B. 34,50
C. 34,79
D. 34,87
4) Pada suatu kelompok data maka nilai K2 = ....

A. nilai D5
B. nilai P2
C. nilai D2
D. nilai P5.
5) Suatu bilangan yang terdiri atas 13 unsur. Letak D7 = ....

A. pada unsur ke-9
B. pada unsur ke-9,5
C. antara unsur ke-9 dan ke-10
D. pada unsur ke-10
6) Suatu baris bilangan yang terdiri atas 11 unsur. Letak nilai K2 dan P57
pada unsur ke ....
A. 6 dan ke-6,84
B. 6 dan ke-10
C. 5,5 dan ke-9,5
D. 5,5 dan ke-10,5
7) Daftar distribusi frekuensi seperti di bawah ini.
No. Urut Kelas Interval Frekuensi

1 90 – 99 2
2 80 – 89 12
3 70 – 79 22
4 60 – 69 20
5 50 – 59 14
6 40 – 49 4
7 30 – 39 1
Jumlah 75
Letak nilai K3 pada kelas interval dengan nomor urut ....

A. 2
B. 3
C. 4
D. 5
8) Sehubungan dengan data pada soal nomor 7, letak P25 pada kelas interval
dengan nomor urut ....
A. 3
B. 4
C. 5
D. 6
9) Daftar distribusi frekuensi seperti di bawah ini.

1. 60 – 69 1
2. 50 – 59 4
3. 40 – 49 10
4. 30 – 39 15
5. 20 – 29 8
6. 10 – 19 2
Jumlah 40
Nilai K1 adalah ....

A. 20,00
B. 29,00
C. 29,50
D. 44,50
10) Sehubungan dengan data pada soal nomor 9 nilai D7 = ....

A. 34,50
B. 38,17
C. 42,50
D. 44,50


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Kegiatan Belajar 4
Ukuran Dispersi
A. UKURAN DISPERSI DENGAN RANGE ATAU RENTANG
Dalam suatu kelompok data kuantitatif mempunyai nilai data minimum

dan nilai data maksimum. Jarak antara kedua nilai ekstrem itu disebut
”rentang” atau ”range” yang diberi simbol dengan huruf ”R”. R inilah yang
disebut dengan dispersi dengan rentang
R = Nilai Maksimum – Nilai Minimum
B. UKURAN DISPERSI DENGAN KUARTIL
Selain rentang antara dua nilai ekstrem dalam suatu kelompok data,
dikenal juga ”rentang antarkuartil” (RAK). Sebagaimana kita ketahui bahwa
dalam suatu kelompok data kuantitatif terdapat tiga nilai kuartil, yaitu
”kuartil pertama (K1), kuartil kedua (K2), dan kuartil ketiga (K3)”. Selisih
antara nilai K3 dengan K1 itulah yang disebut RAK. Secara umum dapat
ditulis dalam bentuk formula:
RAK = K 3 − K1
Selain RAK ada dispersi lain yang dinamakan ”Renteng Semi Kuartil”
atau ditulis dengan singkatan ”RSK” yang di beberapa buku Statistika
biasanya hanya ditulis dengan ”SK,” singkatan dari ”Semi Kuartil”. Nilai
RSK sama dengan setengah RAK. Dengan singkat dapat ditulis dalam
formula:
RSK = 12 RAK = 1
2 ( K3 − K1 )
C. UKURAN DISPERSI DENGAN RATA-RATA SIMPANGAN
Jika kita mempunyai data x1, x2, ... xn dan nilai rata-ratanya x maka kita
dapat menentukan jarak atau rentang atau selisih tiap-tiap nilai data dengan
nilai rata-ratanya ( x ) sehingga kita peroleh urutan data baru sebagai berikut:
( x1 − x ) , ( x2 − x ) ,… , ( xn − x ) .
Tentu urutan nilai data baru ada yang positif ada yang negatif. Tetapi
jika kita bicara soal jarak atau soal rentang ataupun soal selisih, kita tidak
membedakan antara nilai yang bertanda positif maupun negatif. Oleh karena
itulah, ukuran nilai data tadi diambil harga mutlaknya menjadi:
x1 − x , x2 − x ,... xn − x
Jika urutan xi − x kita jumlah kemudian dibagi dengan banyak data (n),
diperoleh ”nilai rata-rata simpangan” (RS), ditulis dengan formula:
RS =
∑ x −xi
D. UKURAN DISPERSI DENGAN SIMPANGAN BAKU
Penulis baru saja menjelaskan pada Anda tentang ”rata-rata simpangan”.

Nilai ini mempunyai kelemahan sebagai akibat bekerja dengan bilangan
mutlak. Jika kita ambil contoh:
−4 + −6 + 3 1
=4
3 2
Sebenarnya terdapat rentang antara nilai maksimum dan nilai minimum
sebesar 9. Tetapi lain halnya dengan:
4+6+3 1
=4
2 2
Rentang antara nilai maksimum dan minimum sama dengan 3, padahal
mempunyai rata-rata simpangan yang sama. Oleh sebab itu, nilai rata-rata
simpangan tidak dapat membedakan antara rentang yang lebih besar dengan
rentang yang lebih sempit.
Untuk mengatasi kelemahan rata-rata simpangan ini, dipelajari nilai
”simpangan baku”. Ukuran penyimpangan inilah yang umum banyak dipakai.
Kuadrat dari simpangan baku disebut varian. s merupakan simbol dari

simpangan baku suatu sampel sedangkan σ merupakan simbol simpangan
baku suatu populasi.
Jika kita mempunyai sampel berukuran n dengan data x1, x2, x3, ... xn dan
nilai rata-rata x dan setiap selisih antara x dan xi dikuadratkan sehingga
tidak akan ada lagi masalah negatif atau positif maka
( x1 − x ) 2 + ( x2 − x ) 2 + ... + ( xn − x ) 2
s2 =
n −1
Mengapa dibagi dengan n−1 bukan dibagi oleh n saja? Sebab seandainya
kita hanya mengadakan pengukuran dua kali, artinya hanya terdapat satu
selisih pengukuran, yaitu perbedaan antara pengukuran pertama dengan
pengukuran kedua. Tidak dapat dicari nilai rata-ratanya karena belum
meyakinkan. Atas dasar itulah juga untuk relevansi rumus-rumus berikutnya,
rumus varian:
s2 =
∑ (x − x )
i
2
n −1
Karena setiap selisih dikuadratkan maka hasilnya harus ditarik kembali

akarnya untuk memperoleh nilai simpangan baku.
s=
∑ (x − x ) i
2
n −1
Daftar yang diperlukan untuk menghitung:
xi ( xi − x ) ( xi − x ) 2
Jika rumus itu dikembangkan lagi, akan kita peroleh bentuk yang lebih
sederhana:
s2 =
∑ (x − x )
i
2
=
∑ (x 2
i − 2 xi x + x 2 )
n −1 n −1
=
∑ ( xi2 − 2 x ∑ xi + ∑ x 2 )
n −1
=
∑ xi2 − 2 x ∑ xi + nx 2
n −1
∑ x ⋅ ∑ x + n ⎛⎜ ∑ x
2
⎞
∑ xi2 − 2
n
i
⎜ n i
i
⎟⎟
= ⎝ ⎠
n −1
n ∑ xi2 − 2 ( ∑ xi ) + (∑ x )
2 2
i
=
n (n − 1)
n ∑ xi2 − ( ∑ xi )
2
=
n (n − 1)
n ∑ xi2 − ( ∑ xi )
2
s=
n (n − 1)
Daftar yang dibutuhkan untuk menghitungnya:
xi xi2
Selanjutnya, dapat dengan mudah Anda buktikan sendiri rumus-rumus

untuk data yang berbobot.
s=
∑ f i ( xi − x ) 2
n −1
Daftar yang dibutuhkan untuk perhitungan.
xi fi ( xi − x ) ( xi − x )2 fi ( xi − x )2
n ∑ f i xi2 − ( ∑ f i xi )
2
Atau s =
n (n − 1)
Daftar yang diperlukan untuk perhitungan:
xi fi xi2 fixi fi xi2
Semua rumus-rumus simpangan baku yang baru saja penulis sampaikan

kepada Anda dapat juga berlaku untuk data terkelompok, asal saja Anda
harus tahu apa yang dimaksud dengan xi untuk data terkelompok. Masih
ingatkah Anda xi dalam data terkelompok merupakan ”tanda kelas” tiap kelas
interval? Oleh sebab itu, jika rumus-rumus itu akan digunakan untuk data
terkelompok, perlu disiapkan dulu daftar yang akan digunakan:
No. Urut Kelas Interval Tanda Kelas (xi) fi xi2 fixi fi xi2
Seperti halnya menghitung nilai rata-rata dengan cara koding atau

dengan "mean duga" (AM) di mana Anda merasakan sendiri merupakan cara
yang paling sederhana, praktis, dan mudah dari segi perhitungan. Untuk
menghitung simpangan baku pun dapat pula dilakukan dengan cara koding
itu.
( xi − x )
Anda masih ingatkah bahwa ? Jika Anda lupa, silakan lihat
p
kembali dalam modul sebelumnya.
(x − x )
di = i → xi = di p + x persamaan ini kita substitusikan pada
p
n ∑ f i xi2 − ( ∑ f i xi )
2
s =
2
n (n − 1)
n ∑ fi (di p + x ) 2 − ⎡⎣ ∑ f i (di p + x ) ⎤⎦
2
=
n (n − 1)
n ∑ fi ( di2 p 2 + 2di px + x 2 ) − ⎡⎣( ∑ fi di p ) + n x ⎤⎦

2
=
n (n − 1)
=
np 2
∑ fi d + 2npx ∑ f i di + nx 2 ∑ f i
i
2
n (n − 1)
(∑ f d p ) + 2nx ∑ f i di p + n 2 x 2
2
i i
−
n(n − 1)
=
np 2
∑ f i d + 2npx ∑ f i di + n x
i
2 2 2
n (n − 1)
p 2 ( ∑ fi di ) + 2npx ∑ f i di + n 2 x 2
2
−
n(n − 1)
np 2 ∑ fi di2 − p 2 ( ∑ f i di )
2
=
n (n − 1)
⎛
∑ f i di2 ( ∑ fi di ) ⎞
2
=p ⎜ 2
− ⎟
⎜ n −1 n (n − 1) ⎟
⎝ ⎠
Untuk n cukup besar maka (n −1) sama dengan n sehingga:

⎛ f i di2 ⎛ ∑ fi di ⎞ ⎞
∑ ∑ ⎛ ∑ fi di
2 2
f i di2 ⎞
s =p
2 ⎜ 2
−⎜ ⎟⎟ ⎟ maka s = p −⎜ ⎟⎟
⎜ ⎜ ⎜
⎝
n ⎝ n ⎠ ⎟⎠ n ⎝ n ⎠
Daftar yang diperlukan untuk perhitungan:
No. Urut Kelas Interval fi di di2 fidi fidi2
Contoh:
1. Ditentukan data tersebar sebagai berikut: 25, 37, 28, 29, 35, 30, 21, 31.
Tentukan rata-rata simpangannya.
Penyelesaian:
x=
∑ xi = 236 = 29,5
n 8
25 − 29,5 + 37 − 29,5 + 28 − 29,5 + 29 − 29,5 + 35 − 29,5

RS =
8
+ 30 − 29,5 + 21 − 29,5 + 31 − 29,5
8
−4,5 + 7,5 + −1,5 + −0,5 + 5,5 + 0,5 + −8,5 + 1,5
=
8
4,5 + 7,5 + 1,5 + 0,5 + 5,5 + 0,5 + 8,5 + 1,5 30
= = = 3, 75
8 8
Tentukan pula simpangan bakunya.
Jawab:
s2 =
∑ (x − x )
i
2
n −1
2
(25-29,5) + (37-29,5) 2 + (28.29,5) 2 + (29-29,5) 2
s2 =
8 −1
+ (35-29,5) 2 + (30-29,5) 2 + (21-29,5) 2 + (31-29,5) 2
8 −1
( −4,5) + ( 7,5 ) + ( −1,5 ) + ( −0,5 )
2 2 2 2
=
7
+ ( 5,5 ) + ( 0,5 ) + ( −8,5 ) + (1,5 )
2 2 2 2
7
20, 25 + 56, 25 + 2, 25 + 0, 25 + 30, 25 + 0, 25 + 72, 25 + 2, 25
=
7
184
= = 26, 286
7
s = s 2 = 26, 286 = 5,13
2. Ditentukan data tersebar 25, 30, 29, 25, 25, 30, 29, 35, 26, 30, 27, 30, 28,
30, 29, 27, 29, 30, 28, 35. Hitung simpangan baku dengan rumus untuk
data berbobot!
Penyelesaian:
xi Turus fi fixi ( xi − x ) ( xi − x ) 2 fi ( xi − x ) 2
25 /// 3 75 − 3,85 14,8225 44,4675
26 / 1 26 − 2,85 8,1225 8,1225
27 // 2 54 − 1,85 3,4225 6,8450
28 // 2 56 − 0,85 0,7225 1,4450
29 //// 4 116 0,15 0,0225 0,0900
30 //// / 6 180 1,15 1,3225 7,9350
35 // 2 70 6,15 37,8225 75,6450
Jumlah 20 577 144,5500
x =
∑ fi xi
=
577
= 28,85
n 20
s=
∑f i ( xi − x ) 2
=
144,55
= 7, 607895 = 2, 76
n −1 19
Dapat pula dihitung dengan, rumus:

n ∑ fi xi2 − ( ∑ f i xi )
2
s=
n (n − 1)
Sehingga penggunaan daftar untuk perhitungan akan lebih sederhana
lagi.
xi fi xi2 fixi fi xi2
25 3 625 75 1875
26 1 676 26 676
27 2 729 54 1458
28 2 784 56 1568
29 4 841 116 3364
30 6 900 180 5400
35 2 1225 70 2450
20 577 16791
( 20 )(16791) − ( 577 )
2
335.820 − 332.929
s= = = 7, 6079 = 2, 76
( 20 )(19 ) 380
3. Diketahui 40 data seperti di bawah ini.

63 81 67 85 77 78 57 80 53 74 85 97 62 71 75 95
61 78 83 71 77 75 65 68 60 62 87 79 63 93 93 73
84 85 70 90 82 80 76 68.
Untuk menyederhanakan data di atas, perlu dikelompokkan terlebih

dahulu.
Nilai maksimum data tersebut 97 dan nilai minimumnya 53, sehingga
range-nya: R = 97 – 53 = 44.
Banyak kelas interval: k = 1 + 3,3 log 40 = 6,29. Sehingga dapat kita
putuskan banyak kelas interval sama dengan 7.
44
Panjang kelas interval: p = = 6, 29 sehingga dapat kita tentukan
7
panjang kelas interval adalah 7.
Lakukan tabulasi (menurus)!
No. Urut Kelas Interval Turus fi
1 53 - 59 // 2
2 60 – 66 //// // 7
3 67 - 73 //// // 7
4 74 - 80 //// //// / 11
5 81 - 87 //// // 7
6 88 - 94 //// 4
7 95 - 101 // 2
Jumlah 40
Menghitung s dengan rumus:
∑ f (x − x)
2
i i
s=
n −1
No. Kelas Tanda Kelas

fi ( xi − x ) ( xi − x ) 2 fi ( xi − x ) 2
Urut Interval (xi)
1 53 – 59 2 56 -19,95 398,0025 796,0050
2 60 – 66 7 63 12,95 167,7025 1173,9175
3 67 – 73 7 70 -5,95 35,4025 247,8175
4 74 – 80 11 77 1,05 1,1025 12,1275
5 81 – 87 7 84 8,05 64,8025 453,6175
6 88 – 94 4 91 15,05 226,5025 906,0100
7 95 – 101 2 98 22,05 486,2025 972,4050
Jumlah 40 4561,9000
x dapat dicari dengan rumus x =

∑ fi xi
=
3.038
= 75,95
n 40
4561,9
s= = 10,82
39
Menghitung s dengan cara koding
∑ ⎛ ∑ fi di ⎞
2
fi di2
s= p −⎜ ⎟⎟
n ⎜ n
⎝ ⎠
Akan jauh lebih sederhana dan lebih mudah.
No. Urut Kelas Interval fi di di2 fi di fi di2

1 53 – 59 2 -3 9 -6 18
2 60 – 66 7 -2 4 -14 28
3 67 – 73 7 -1 1 -7 7
4 74 – 80 11 0 0 0 0
5 81 – 87 7 1 1 7 7
6 88 – 94 4 2 4 8 16
7 95 – 101 2 3 9 6 18
Jumlah 40 -6 94
94 ⎛ −6 ⎞
2
s=7 − ⎜ ⎟ = 7 2,35 − ( 0,15 ) = 7 2,35 − 0, 0225

2
40 ⎝ 40 ⎠
= 7 2,3275 = 10, 68
Mengapa berbeda hasil? Karena dengan cara koding ini kita telah
mengadakan pendekatan n cukup besar maka n-1 sama dengan n.
Namun, apabila kita hitung dengan menggunakan rumus:
∑ (∑ fi di )
2
f i di2
s= p −
n −1 n (n − 1)
Maka hasilnya:
94 ( −6 )
2
s=7 − = 10,87
39 40(39)
Hasil ini lebih dekat dengan cara nilai tengah. Oleh karena itu,
pendekatan n–1 menjadi sebaiknya digunakan apabila n > 100.
L A TIH A N

1) Dalam tabel distribusi frekuensi seperti di bawah ini.

1. 10 - 19 2
2. 20 - 29 3
3. 30 - 39 5
4. 40 - 49 8
5. 50 - 59 10
6. 60 - 69 9
7. 70 - 79 7
8. 80 - 89 4
9. 90 - 99 2
Jumlah 50
Hitung s dengan mempergunakan rumus-rumus simpangan yang
berbeda-beda!
Untuk mengetahui benar tidaknya jawaban yang Anda buat, gunakan

rambu-rambu jawaban berikut.
∑ f (x − x )
2
i i
s=
n −1
No. Kelas
fi xi fixi ( xi − x ) ( xi − x ) 2 f i ( xi − x ) 2
Urut Interval
1. 10 – 19 2 14,5 29 41,6 1730,56 3461,12
2. 20 – 29 3 24,5 73,5 -32,1 1030,41 2995,68
3. 30 – 39 5 34,5 172,5 -21,6 466,56 2332,80
4. 40 – 49 8 44,5 356 -11,6 134,56 1076,48
5. 50 – 59 10 54,5 545 -1,6 2,56 25,60
6. 60 – 69 9 64,5 580,5 7,9 62,41 635,04
7. 70 – 79 7 74,5 521,5 18,4 338,56 2369,92
8. 80 – 89 4 84,5 338 28,4 806,56 3226,24
9. 90 – 99 2 94,5 189 38,4 1474,56 2949,12
Jumlah 50 2805 19072
∑ f (x − x )
2
2805 i i 19072
x= = 56,1; s = = = 19, 73
50 n −1 49
n ∑ f i xi2 − ( ∑ f i xi )
2
Dengan rumus: s =
n (n − 1)
No. Urut Kelas Interval fi xi xi2 fixi fixi2

1. 10 – 19 2 14,5 210,25 29,0 420,50
2. 20 – 29 3 24,5 600,25 73,5 1.800,75
3. 30 – 39 5 34,5 1190,25 172,5 5.951,25
4. 40 – 49 8 44,5 1980,25 356,0 15.842,00
5. 50 – 59 10 54,5 2970,25 545,0 29.702,50
6. 60 – 69 9 64,5 4160,25 580,5 37.442,25
7. 70 – 79 7 74,5 5550,25 521,5 38.851,75
8. 80 – 89 4 84,5 7140,25 338,0 28.581,00
9. 90 – 99 2 94,5 8930,25 189,0 17.860,50
Jumlah 50 2.805,0 176.432,50
( 50 ×176.432,5 ) − (2.805)2
s= = 19, 73
50 × 49
Dengan koding (n < 100):
∑ (∑ fi di )
2
fi d 2
s= p −
n −1 n(n − 1)
Anda akan rasakan, jauh lebih sederhana dari cara-cara sebelumnya.
No. Urut Kelas Interval fi di di2 fi di fi di2

1. 10 – 19 2 -4 16 -8 32
2. 20 – 29 3 -3 9 -9 27
3. 30 – 39 5 -2 4 -10 20
4. 40 – 49 8 -1 1 -8 8
5. 50 – 59 10 0 0 0 0
6. 60 – 69 9 1 1 9 9
7. 70 – 79 7 2 4 14 28
8. 80 – 89 4 3 9 12 36
9. 90 – 99 2 4 16 8 32
Jumlah 50 8 192
192 82
s = 10 − = 10 3,9184 − 0, 021 = 19, 73
49 ( 50 )( 49 )
RA NGK UMA N
Ukuran Dispersi:
1. Rentang = nilai data maksimum – nilai data minimum
2. Rentang antarkuartil (RAK) = K3 – K1
1
3. Simpangan kuartil atau rentang semi kuartil = (RAK)
2
n
∑ x −x i
4. Rata-rata simpangan: RS = i =1
n
5. Simpangan baku:
a. s=
∑ (x − x )
i
2
n −1
b. s=
∑ fi ( xi − x ) 2
n −1
n ∑ xi2 − ( ∑ xi )
2
c. s=
n (n − 1)
n ∑ f i xi2 − ( ∑ f i xi )
2
d. s=
n (n − 1)
∑ (∑ fi di )
2
fi di2
e. s= p − untuk n < 100
n −1 n ( n − 1)
∑ ⎛ ∑ fi di
2
f i di2 ⎞
f. s= p −⎜ ⎟⎟ untuk n > 100
n ⎜ n
⎝ ⎠
TES FORMATIF 4
1) Hitung rata-rata simpangan dari 25, 25, 17, 34, 21, 42.
A. 6,13
B. 7,11
C. 8,19
D. 9,05
2) Hitung rata-rata simpangan dari data berbobot di bawah ini.

xi fi A. 2,34
25 2 B. 3,42
27 4 C. 4,13
28 9 D. 5,37
31 7
35 3
Jumlah 25
3) Hitung simpangan baku dari data berbobot:

xi fi A. 0,89
35 1 B. 1,97
40 4 C. 2,81
42 9 D. 3,09
45 8
47 3
Jumlah 25
4) Hitung simpangan baku dari: 27, 32, 37, 40, 42.

A. 5,15
B. 6,11
C. 7,47
D. 8,19
5) Hitung rata-rata simpangan dari data berbobot di bawah ini.

No. Urut Kelas Interval Frekuensi A. 2,89
1. 41 – 45 2 B. 2,91
2. 46 – 50 5 C. 3,63
3. 51 – 55 10 D. 3,87
4. 56 – 60 6
5. 61 – 65 2
6) Hitung rata-rata simpangan dari:

1. 2 B. 3,19
2. 4 C. 4,21
3. 10 D. 5,09
4. 21 – 23 6
5. 24 – 26 2
6. 1
7) Hitung simpangan baku dari:

1. 31 – 40 5 B. 11 ,57
2. 41 – 50 7 C. 12,71
3. 10 D. 13,18
4. 8
5. 5
Jumlah 35
8) Hitung simpangan baku dari:

1. 70 – 75 3 B. 8,04
2. 64 – 69 7 C. 8,19
3. 9 D. 9,27
4. 11
5. 8
6. 2
9) Panjang sebidang tanah diukur 5 kali pengukuran dengan hasil

pengukuran yang berbeda-beda: 12,01 m, 11,97 m, 12,14 m, 11,97 m,
dan 12,0 m. Panjang bidang tanah sebenarnya terletak dalam interval ....
A. (12,00 − 12,02) m
B. (11,974 − 12,018) m
C. (11,97 − 12,09) m
D. (11,948 − 12,088) m.
10) Hasil menimbang sebuah benda dengan 5 kali penimbangan
menghasilkan hasil penimbangan yang berbeda: 57,87 kg, 58,09 kg,
58,17 kg, 57,96 kg, dan 57,89 kg. Berat benda sebenarnya terletak dalam
interval ....
A. (57,996 - 58,126) kg
B. (57,886 - 58,126) kg
C. (57,886 - 57,996) kg
D. (57,996 - 78, 197) kg.


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Tes Formatif 1
1) D. U1 = 2 , U n = 1895 , dan b = 3 Æ U1 + (n − 1)b = 1895 Æ

2 + (n − 1)3 = 1895 Æ 2 + 3n − 3 = 1895 Æ 3n = 1896 Æ n = 632
632
632
∑x
i =1
i =
2
(U1 + U 632 ) = 316 ( 2 + 1895 ) = 599.452
632
∑x
599.452 i
Jadi x = i =1
=
= 948,5
632 632
2) C. Lihat tentang data berbobot.
3) A. Sesuai dengan namanya ”Mean duga”.
ujung bawah + ujung atas
4) B. Sebab =
2
5) C.
Kelas interval fi xi f i xi k
4–5 4 4,5 18,0 ∑fx i i

554
6–7 10 6,5 65,0 x= i =1
k
= = 9, 23
∑f
8–9 20 8,5 170,0 60
i
10 – 11 15 10,5 157,5 i =1
12 – 13 8 12,5 100,0
14 – 15 3 14,5 43,5
Jumlah 60 554,0
6) A. nA = 120 , x A = 270 , nB = 100 , xB = 250 , nC = 110 , xC = 225 ,

nD = 80 , dan xD = 275 , jadi
nA x A + nB xB + nC xC + nD xD
x=
nA + nB + nC + nD
(120 × 270 ) + (100 × 250 ) + (110 × 255 ) + (80 × 275 )
=
120 + 100 + 110 + 80
107.450
= = 262, 073
410
7) C. n = 60 + 80 + 100 = 240 , x1 = 40 , x2 = 30 , dan x3 = 50 , jadi

n 3 3 3 600
H= = = = = 3×
1 1 1 1 15 + 20 + 12 47
∑ x 40 + 30 + 50 600 600
47
i
= 3 ×12, 766 = 38, 298

8) D. Yang dinyatakan kenaikan antara minggu ke-1 dengan minggu ke-2,
ke-2 dengan ke-3, dan selanjutnya. Hasil seolah-olah merupakan
barisan geometri. Oleh sebab itu, rata-rata kenaikannya merupakan
nilai rata-rata ukur.
U = 4 440 × 300 × 900 × 1900 = 4 2, 257 × 1011 = 689, 27
9) D.
21 – 30 2 25,5 51,0 ∑fx i i

4215
31 – 40 5 35,5 177,5 x= i =1
k
= = 60, 21
∑f
70
41 – 50 10 45,5 455,0 i
i =1
51 – 60 20 55,5 1110,0
61 – 70 15 65,5 982,5
71 – 80 10 75,5 755,0
81 – 90 8 85,5 684,0
Jumlah 70 4215,0
10) C.
35 – 43 2 39 78 ∑fx i i
4947
44 – 52 3 48 144 x= i =1
k
= = 76,11
∑f
65
53 – 61 5 57 285 i
i =1
62 – 70 10 66 660
71 – 79 15 75 1125
80 – 88 18 84 1512
89 – 97 9 93 837
98 – 106 3 102 306
Jumlah 65 4947
Tes Formatif 2
1) B. Karena bimodal mungkin simetris.
2) B. Susun data menurut urutan dari kecil ke besar
51, 55, 56, 59, 63, 65, 69, 74, 81, 85, 91, 93, 96
1
Letak Me = data ke (13 + 1) = data ke 7
2
Me = 69
3) D. Lihat definisi Median dan Modus

4) B. Jawaban A, C dan D tidak mungkin
5) A. Lihat uraian
6) C. Gunakan rumus empiris Mo + 2 x = 3Me
45 + 134, 6
45 + ( 2 × 67,3) = 3Me ↔ Me = = 59,867
3
7) D.
Nilai fi di fi di ⎛ k ⎞
60 – 69 1 3 3 ⎜ ∑ fi di ⎟
50 – 59 4 2 8 x = AM + p ⎜ i =1k ⎟
⎜ ⎟
⎜ ∑ fi ⎟
40 – 49 10 1 10
30 – 39 15 0 0 ⎝ i =1 ⎠
20 – 29 8 -1 -8
10 – 19 2 -2 -4 ⎛ 9 ⎞
= 34,5 + 10 ⎜ ⎟
40 9 ⎝ 40 ⎠
= 34,5 + 2, 25 = 36, 75
⎛ b ⎞ ⎛ 7 ⎞
8) C. Mo = BbMo + p ⎜ 1 ⎟ = 29,5 + 10 ⎜ ⎟ = 29,5 + 10 ( 0,583)
b +
⎝ 1 2⎠b ⎝7+5⎠
= 29,5 + 5,83 = 35,33
9) B.
Nilai fi xi f i xi Fi k
21 – 27 1 24 24 1 ∑fx i i
2754
28 – 34 0 31 0 1 x= i =1
k
= = 55, 08
∑f
35 – 41 3 38 114 4 50
i
42 – 48 6 45 270 10 i =1
49 – 55 16 52 832 26
56 – 62 18 59 1062 44
63 – 69 0 66 0 44
70 – 76 4 73 292 48
77 – 83 2 80 160 50
Jumlah 50 2754
1
10) D. Letak Me = data ke ( 50 + 1) = data ke-25,5
2
⎛n ⎞ ⎛ 50 ⎞
⎜ 2 − FMe ⎟ ⎜ 2 − 10 ⎟
Me = BbMe + p ⎜ ⎟ = 48,5 + 7 ⎜ ⎟
⎜⎜ f Me ⎟⎟ ⎜⎜ 16 ⎟⎟
⎝ ⎠ ⎝ ⎠
⎛ 15 ⎞
= 48,5 + 7 ⎜ ⎟ = 48,5 + 6,5625 = 55, 0625
⎝ 16 ⎠
Tes Formatif 3
3
1) C. Letak K3 = data ke (16 + 1) = data ke-12,75.
4
K3 = data ke-12 + 0,75 (data ke-13 – data ke-12)
= 31 + 0,75 (34 – 31) = 33,25.
5
2) B. Letak D5 = data ke (16 +1) = data ke-8,5.
10
D5 = data ke 8 + 0,5 (data ke-9 – data ke-8)
= 25 + 0,5 (25 – 25) = 25
87
3) C. Letak P87 = data ke (16 + 1) = data ke-14,79.
100
= 34 + 0,79 (35 – 34) = 34,79
4) A. Sebab K2 = D5 = P50 = Me.
7
5) C. Letak D7 = data ke (13 + 1) = data ke-9,8. Dengan kata lain, D7
10
terletak antara data ke-9 dan ke-10.
2
6) A. Letak K2 = data ke (11 + 1) = data ke-6, dan
4
57
100
3
7) B. Sebab letak K3 = data ke (75 + 1) = data ke-57, artinya untuk
4
mencapai K3 paling sedikit frekuensi kumulatif harus mencapai 57.
No Kelas Interval Frekuensi Frekuensi Kumulatif

7. 30 – 39 1 1
6. 40 – 49 4 5
5. 50 – 59 14 19
4. 60 – 69 20 39
3. 70 – 79 22 61
2. 80 – 89 12 73
1. 90 – 99 2 75
25
8) C. Letak P25 = data ke (75 + 1) = data ke-19
100
1
9) C. Nilai K1 = data ke (40 + 1) = data ke-10,25.
4
Kelas Interval Frekuensi Frekuensi Kumulatif
10 – 19 2 2
20 – 29 8 10
30 – 39 15 25
40 – 49 10 35
50 – 59 4 39
60 – 69 1 40
Jumlah 40
Sehingga diketahui BbK1 = 29,5 ; p = 10 ; FK1 = 10 ; f K1 = 15. Jadi,

⎛n ⎞ ⎛ 40 ⎞
⎜ − FK1 ⎟ ⎜ 4 − 10 ⎟
K1 = BbK1 + p ⎜ 4 ⎟ = 29,5 + 10 ⎜ ⎟ = 29,5
⎜⎜ f K1 ⎟⎟ ⎜⎜ 15 ⎟⎟
⎝ ⎠ ⎝ ⎠
7
10) C. Nilai D7 = data ke (40 + 1) = data ke-28,7 Sehingga diketahui
10
BbD7 = 39,5 ; p = 10 ; FD7 = 25 ; f D7 = 10. Jadi,
⎛ 7n ⎞ ⎛ 280 ⎞
⎜ − FD7 ⎟ ⎜ 10 − 25 ⎟
D7 = BbD7 + p ⎜ 10 ⎟ = 39,5 + 10 ⎜ ⎟ = 39,5 + 3 = 42,5
⎜⎜ f D7 ⎟⎟ ⎜⎜ 10 ⎟⎟
⎝ ⎠ ⎝ ⎠
Tes Formatif 4
1) B. x=
∑x i
=
25 + 25 + 17 + 34 + 21 + 42 164
= = 27,33
n 6 6
n
∑ x −x i
25 − 27,33 + 25 − 27,33 + 17 − 27,33
RS = i =1
=
n 6
+ 34 − 27,33 + 21 − 27,33 + 42 − 27,33
6
2,33 + 2,33 + 10,33 + 6, 67 + 6,33 + 14, 67 42, 66
= = = 7,11
6 6
2) A. x=
∑fx i i
=
732
= 29, 28
∑f i 25
xi fi fi xi xi − x f i xi − x
25 2 50 4,28 8,56
27 4 108 2,28 9,12
28 9 252 1,28 11,52
31 7 217 1,72 12,04
35 3 105 5,72 17,16
Jumlah 25 732 58,40
RS =
∑ f i xi − x 58, 4
= = 2,34
n 25
3) C. x=
∑fx i i
=
1.074
= 42,96
∑f i 25
xi − x ( xi − x ) f i ( xi − x )
2 2
xi fi
35 1 −7,96 63,3616 63,3616
40 4 −2,96 8,7616 35,0464
42 9 −0,96 0,9216 8,2944
45 8 2,04 4,1616 33,2928
47 3 4,04 16,3216 48,9648
Jumlah 25 188,9600
s=
∑ fi ( xi − x ) 2
=
188,96
= 7,873 = 2,81
n −1 24
4) B. x=
∑x i
=
25 + 32 + 37 + 40 + 42 178
= = 35, 6
n 5 5
s=
∑ (x − x ) i
2
n −1
( 27 − 35, 6 ) + ( 32 − 35, 6 ) + … + ( 42 − 35, 6 )
2 2 2
=
4
73,96 + 12,96 + 1,96 + 19,36 + 40,96
= = 37,3 = 6,11
4
5) D. x=
∑fx i i
=
1.330
= 53, 2
∑f i 25
Kelas Interval fi xi fi xi xi − x f i xi − x
41 – 45 2 43 86 10,2 20,4
46 – 50 5 48 240 5,2 26,0
51 – 55 10 53 530 0,2 2,0
56 – 60 6 58 348 4,8 28,8
61 – 65 2 63 126 9,8 19,6
25 1.330 96,8
RS =
∑ f x −x i i
=
96,8
= 3,87
∑f i 25
6) A. x=
∑fx i i
=
490
= 19, 6
∑f i 25
Kelas Interval fi xi f i xi xi − x f i xi − x
12 – 14 2 13 26 6,6 13,2
15 – 17 4 16 64 3,6 14,4
18 – 20 10 19 190 0,6 6,0
21 – 23 6 22 132 2,4 14,4
24 – 26 2 25 50 5,4 10,8
27 – 29 1 28 28 8,4 8,4
25 490 67,2
RS =
∑ f x −x i i
=
67, 2
= 2, 69
∑f i 25
7) C.
Kelas Interval fi di di2 fi di f i di2
31 – 40 5 −2 4 −10 20
41 – 50 7 −1 1 −7 7
51 – 60 10 0 0 0 0
61 – 70 8 1 1 8 8
71 – 80 5 2 4 10 20
Jumlah 35 1 55
∑ (∑ fi di )
2
f i di2 55 12
s= p − = 10 −
n −1 n ( n − 1) 34 35 × 34
= 10 1, 6176 − 0, 0008 = 10 1, 6168 = 12, 71
8) B. Sama dengan jawaban 7.

Kelas Interval fi di di2 fi di f i di2
70 – 75 3 −3 9 −9 27
64 – 69 7 −2 4 −14 28
70 – 75 9 −1 1 −9 9
76 – 81 11 0 0 0 0
82 – 87 8 1 1 8 8
88 – 93 2 2 4 4 8
40 −20 80
∑ (∑ fi di ) 80 ( −20 )
2 2
f i di2
s= p − =6 −
n −1 n ( n − 1) 39 39 × 40
= 6 2, 0513 − 0, 2564 = 6 1, 7949 = 8, 04
9) D. Sebab x = 12,018 dan s = 0,0704 maka

(12,018 − 0,0704) s.d (12,018 + 0,0704) = 11,948 s.d 12,0884.
10) B. Sebab x = 57,996 dan s = 0,13 maka

(57,996 − 0,13) s.d (57,996 − 0,13) = 57,866 s.d 58,126
Daftar Pustaka
Garret, Henry E. (1960). Statistics in Psychology and Education. New York:

Longmans, Green and Co.
Spiegel, M.R. (1972). Statistics. New Yor: McGraw-Hill Book Company.
Sudjana. (1982). Metode Statistika. Bandung: Tarsito.
Surjadi, P.A. (1980). Pendahuluan Teori Kemungkinan dan Statistika.

Bandung.
Modul 5
Ukuran Kemiringan dan Ukuran

Keruncingan dari Kurva Normal
Drs. Nar Herrhyanto
PENDAHULUA N
D alam modul ini Anda akan mempelajari ukuran-ukuran yang berkaitan

dengan bentuk lengkungan, yaitu ukuran kemiringan dan ukuran
keruncingan. Di samping itu, juga akan dipelajari kurva normal termasuk
sifat-sifatnya dan penggunaannya.
Dalam mempelajari Modul 5 ini kegiatan belajar yang diberikan terbagi
atas dua bagian, yaitu Kegiatan Belajar 1 dan Kegiatan Belajar 2. Dalam
Kegiatan Belajar 1, Anda akan mempelajari ukuran kemiringan. Dalam
Kegiatan Belajar 2, Anda akan mempelajari ukuran keruncingan (kurtosis).
Dalam mempelajari materi Modul 5 ini, Anda akan menggunakan
ukuran gejala pusat, ukuran letak, dan ukuran dispersi yang Anda pelajari
dalam Modul 4.
Setelah Anda mempelajari Modul 5 ini, secara keseluruhan Anda
diharapkan dapat memahami ukuran kemiringan dan ukuran keruncingan.
Sedangkan secara khususnya, Anda diharapkan dapat:
1. menghitung koefisien kemiringan dari sekumpulan data;
2. menentukan model distribusi dari sekumpulan data ditinjau dari
kemiringannya;
3. menghitung koefisien keruncingan dari sekumpulan data;
4. menentukan model distribusi dari sekumpulan data ditinjau dari
keruncingannya;
Kegiatan Belajar 1
Ukuran Kemiringan
M isalkan kita mempunyai sekumpulan data populasi. Apabila

digambarkan grafiknya maka akan diperoleh beberapa macam model
distribusinya. Dari beberapa model distribusi tersebut ada enam model yang
dikaitkan dengan ukuran kemiringan dan ukuran keruncingan. Oleh karena
itu, berikut ini akan dibahas kedua macam ukuran tersebut.
A. UKURAN KEMIRINGAN
Ukuran kemiringan adalah ukuran yang menyatakan sebuah model

distribusi yang mempunyai kemiringan tertentu. Apabila diketahui besarnya
nilai ukuran ini maka dapat diketahui pula bagaimana model distribusinya,
apakah distribusi itu simetrik, positif atau negatif.
Berikut ini diberikan ketiga macam model distribusi tersebut.
x x x
Gambar 5.1 Gambar 5.2 Gambar 5.3
Distribusi Positif Distribusi Simetrik Distribusi Negatif
Untuk mengetahui apakah sekumpulan data mengikuti model distribusi

positif, negatif atau simetrik, hal ini dapat dilihat berdasarkan nilai koefisien
kemiringannya. Ada beberapa rumus untuk menghitung koefisien
kemiringan, yaitu:
1. Koefisien Kemiringan Pertama dari Pearson

x − Mo
Koefisien kemiringan =
s
dengan: x = rata-rata; Mo = Modus; s = simpangan baku
2. Koefisien Kemiringan Kedua dari Pearson
3( x − Me)
s
dengan: x = rata-rata; Me = Median; s = simpangan baku
3. Jika kita menggunakan Nilai Kuartil maka Rumusnya adalah
K 3 − 2 K 2 + K1
K 3 − K1
dengan: K1 = Kuartil pertama; K2 = Kuartil kedua; K3 = Kuartil ketiga
4. Jika kita menggunakan Nilai Persentil maka rumusnya adalah
P90 − 2 P50 + P10

P90 − P10
dengan: P10 = Persentil ke-10; P50 = Persentil ke-50; P90 = Persentil

ke-90
Menurut Pearson, dari hasil koefisien kemiringan di atas, ada tiga

kriteria untuk mengetahui model distribusi dari sekumpulan data (baik data
tidak terkelompok maupun data terkelompok), yaitu:
a. Jika koefisien kemiringan lebih kecil dari nol maka bentuk distribusinya
negatif.
b. Jika koefisien kemiringannya sama dengan nol maka bentuk
distribusinya simetrik.
c. Jika koefisien kemiringan lebih besar dari nol maka bentuk distribusinya
positif.
Contoh:
Misalkan berat badan bayi (dicatat dalam kg) yang baru lahir selama
seminggu tertentu di Rumah Sakit Bersalin ”SEHAT” dapat dilihat dalam
Tabel 5.1.
Tabel 5.1
Berat Badan Bayi yang Baru Lahir (dalam Kg)
Selama Seminggu Tertentu di Rumah Sakit Bersalin "SEHAT"
Berat Badan Banyak Bayi

2,5 – 2,6 2
2,7 – 2,8 3
2,9 – 3,0 5
3,1 – 3,2 7
3,3 – 3,4 6
3,5 – 3,6 5
Jumlah 28
Hitung koefisien kemiringannya dengan menggunakan nilai kuartil.
Penyelesaian:
Rumus yang digunakannya adalah:
K − 2 K 2 + K1
Koefisien kemiringan = 3
K 3 − K1
Sebelumnya kita harus menghitung dahulu K1, K2, dan K3.
Untuk kuartil pertama (K1)

Kelas kuartil pertama adalah sebuah kelas interval yang frekuensinya
apabila dijumlahkan dari frekuensi kelas interval pertama mencapai paling
1 1
sedikit ( n + 1) , yaitu = × 29 orang = 7 orang.
4 4
Ternyata kelas kuartil kesatu terletak pada kelas interval ketiga, karena
jumlah frekuensi kumulatifnya (2 + 3 + 5) orang = 10 orang. Sehingga kita
bisa menghitung besaran-besaran yang diperlukan dalam rumus kuartil
kesatu, yaitu BbK1 = 2,9 − 0, 05 = 2,85 ; p = 3,1 – 2,9 = 0,2; FK1 = 2 + 3 = 5 ;
dan f K1 = 5. Jadi:
⎛1 ⎞
⎜ n − FK1 ⎟ ⎛ 7−5⎞
K1 = BbK1 + p ⎜ 4 ⎟ = 2,85 + 0, 2 ⎜ ⎟ = 2,85 + 0, 2 ( 0, 4 )
⎜⎜ f K1 ⎟⎟ ⎝ 5 ⎠
⎝ ⎠
= 2,85 + 0, 08 = 2,93
Untuk kuartil kedua, (K2)

Kelas kuartil kedua adalah sebuah kelas interval yang frekuensinya
2 2
4 4
Ternyata kelas kuartil kedua terletak pada kelas interval keempat, karena
jumlah frekuensinya (2 + 3 + 5 + 7) orang = 17 orang. Sehingga kita bisa
menghitung besaran-besaran yang diperlukan dalam rumus kuartil kedua,
yaitu BbK2 = 3,1 − 0, 05 = 3, 05 ; p = 0,2; FK2 = 2 + 3 + 5 = 10 ; dan f K2 = 7 .
Jadi:
⎛2 ⎞
⎜ 4 n − FK2 ⎟ ⎛ 14 − 10 ⎞
K 2 = BbK2 + p ⎜ ⎟ = 3, 05 + 0, 2 ⎜ ⎟ = 3, 05 + 0, 2 ( 0,57 )
⎜⎜ f K2 ⎟⎟ ⎝ 7 ⎠
⎝ ⎠
= 3, 05 + 0,114 = 3,16
Untuk kuartil ketiga, (K3)

Kelas kuartil ketiga adalah sebuah kelas interval yang frekuensinya
3 3
4 4
Ternyata kelas kuartil ketiga terletak pada kelas interval kelima, karena
jumlah frekuensinya (2 + 3 + 5 + 7 + 6) orang = 23 orang, sehingga kita bisa
menghitung besaran-besaran yang diperlukan dalam rumus kuartil ketiga,
yaitu: BbK3 = 3,3 − 0, 05 = 3, 25 ; p = 0,2; FK3 = 2 + 3 + 5 + 7 = 17 ; dan
f K3 = 6 . Jadi:
⎛3 ⎞
⎜ 4 n − FK3 ⎟ ⎛ 21 − 17 ⎞
K 3 = BbK3 + p ⎜ ⎟ = 3, 25 + 0, 2 ⎜ ⎟ = 3, 25 + 0, 2 ( 0, 667 )
⎜⎜ f K3 ⎟ ⎝ 6 ⎠
⎟
⎝ ⎠
= 3, 25 + 0,133 = 3,38
Sehingga,
3,38 − 2(3,16) − 2,93 −0, 01
koefisien kemiringannya = = = −0,022.
3,38 − 2,93 0, 45
L A TIH A N

1) Berikut ini diberikan data mengenai tinggi badan (dalam cm) dari
sejumlah mahasiswa:
160,3; 161,8; 160,5; 165,6; 164,9; 166,0; 169,2; 165,1; 165,1; 160,7;
161,9; 166,2; 168,1; 163,0; 162,2; 166,4.
Hitung koefisien kemiringan dengan menggunakan rumus pertama dari
Pearson!
2) Dari soal nomor 1, hitung koefisien kemiringan dengan menggunakan
rumus kedua dari Pearson.
nilai kuartil.
nilai persentil.
1) Rumus yang digunakan adalah

x − Mo
s
x=
∑ xi = 160,3 + 161,8 + … + 166, 4 = 2.627 = 164,1875
n 16 16
Mo = 165,1
n ∑ xi2 − ( ∑ xi )
2
s=
n (n − 1)
16 (160,32 + 161,82 + … + 166, 42 ) − 2.627 2
=
16(15)
16 ( 431.434,56 ) − 6.901.129 1.823,96
= = = 2, 76
240 240
Sehingga:
164,1875 − 165,1 −0,9125

Koefisien kemiringan = = = −0,331
2, 76 2, 76
2) Sebelum kita menghitung koefisien kedua dari Pearson terlebih dahulu
kita urutkan datanya dari yang terkecil hingga terbesar:
160,3; 160,5; 160,7; 161,8; 161,9; 162,2; 163,0; 164,9; 165,1; 165,1;
165,6; 166,0; 166,2; 166,4; 168,1; 169,2
Rumus yang digunakannya adalah:
3( x − Me)
s
Kita sudah menghitung x dan s, yaitu x = 164,1875 dan s = 2,76
Sedangkan Median
⎛1 ⎞ ⎛1 ⎞
Me = ⎝2 ⎠ ⎝2 ⎠ = data ke 8 + data ke 9
2 2
164,9 + 165,1
= = 165
2
Sehingga:
3 (164,1875 − 165 ) −2, 4375
Koefisien kemiringan = = = −0,883
2, 76 2, 76
3) Rumus yang digunakannya adalah:

K − 2 K 2 + K1
Koefisien kemiringan = 3
K 3 − K1
Untuk kuartil kesatu, K1
1(16 + 1)
Letak K1 = data ke = data ke-4,25
4
K1 = data ke-4 + 0,25 (data ke-5 − data ke-4)
= 161,8 + 0,25 (161,9 − 161,8) = 161,8 + (0,25)(0,1)
= 161,8 + 0,025 = 161,825
Untuk kuartil kedua, K2

2(16 + 1)
4
K2 = data ke-8 + 0,5 (data ke-9 − data ke-8)
= 164,9 + 0,50 (165,1 – 164,9) = 164,9 + (0,50)(0,2)
= 164,9 + 0,1 = 165
Untuk kuartil ketiga, K3

3(16 + 1)
4
K3 = data ke-12 + 0,75 (data ke-13 – data ke-12)
= 166,0 + 0,75 (166,2 – 166,0) = 166,0 + (0,75)(0,2)
= 166,0 + 0,15 = 166,15
166,15 – 2(165,0) + 161,825
Jadi, koefisien kemiringan = = –0,468
166,15 −161,825
4) Rumus yang digunakan adalah
P − 2 P50 + P10
koefisien kemiringan = 90
P90 − P10
Untuk Persentil ke-10, P10
10 (16 + 1)
Letak P10 = data ke = data ke-1,7
100
P10 = data ke 1 + 0,7 (data ke-2 – data ke-1)
= 160,3 + 0,7 (160,5 – 160,3) = 160,3 + (0,7)(0,2)
= 160,3 + 0,14 = 160,44.

50 (16 + 1)
100
= 164,9 + 0,5 (165,1 – 164,9) = 164,9 + (0,5)(0,2)
= 164,9 + 0,1 = 165,0

90 (16 + 1)
100
= 168,1 + 0,3 (169,2 – 168,1) = 168,1 + (0,3)(1,1)
= 168,1 + 0,33 = 168,43
168,43 – 2(165,0) + 160,44
Jadi, koefisien kemiringan = = −0,1414
168, 43 − 160, 44
RA NGK UMA N
1. Beberapa distribusi yang dikaitkan dengan ukuran kemiringan

adalah distribusi positif, distribusi simetrik dan distribusi negatif.
2. Untuk mengetahui distribusi dari sekumpulan data ditinjau dari
kemiringannya, kita harus menghitung koefisien kemiringannya.
Ada empat rumus untuk menghitung koefisien kemiringan, yaitu
a. Koefisien kemiringan pertama dari Pearson.
x − Mo
s
b. Koefisien kemiringan kedua dari Pearson
3( x − Me)
Koefisien kemiringan = .
s
c. Koefisien kemiringan dengan menggunakan nilai kuartil.
K 3 − 2 K 2 + K1
K 3 − K1
d. Koefisien kemiringan dengan menggunakan nilai persentil
P90 − 2 P50 + P10
P90 − P10
TES FORMATIF 1
1) Misalkan sekumpulan data mempunyai distribusi positif. Jika kita

menghitung nilai-nilai median, rata-rata dan modus maka akan diperoleh
hubungan sebagai berikut ....
A. modus lebih keci1 dari rata-rata dan median lebih kecil dari modus
B. modus lebih kecil dari rata-rata dan median lebih kecil dari rata-rata
C. median lebih kecil dari modus dan modus lebih kecil dari rata-rata
D. median lebih besar dari rata-rata dan median lebih kecil dari modus
2) Untuk menghitung koefisien kemiringan dari sekumpulan data di

antaranya digunakan rumus ....
A. koefisien kemiringan sama dengan modus dikurangi rata-rata
kemudian hasilnya dibagi simpangan baku
B. koefisien kemiringan sama dengan rata-rata ditambah modus,
C. koefisien kemiringan sama dengan rata-rata dikurangi median,

D. koefisien kemiringan sama dengan rata-rata dikurangi modus,
kemudian hasilnya dibagi simpangan buku
3) Kriteria yang digunakan dalam menentukan distribusi dari sekumpulan

data adalah sebagai berikut, kecuali jika koefisien kemiringannya ....
A. kurang dari nol maka distribusinya adalah negatif
B. sama dengan nol maka distribusinya adalah simetrik
C. lebih dari nol maka distribusinya adalah positif
D. sama dengan nol maka distribusinya adalah anti simetris
4) Jika koefisien kemiringan dari sekumpulan data hasilnya sama dengan

1,25 maka distribusinya adalah ....
A. simetrik
B. positif
C. negatif
D. leptokurtik
5) Diberikan data hasil ulangan siswa SD X sebagai berikut:
Nilai Frekuensi
50 – 59 11
60 – 69 23
70 – 79 36
80 – 89 24
90 – 99 16
Koefisien kemiringan pertama dari Pearson dari data tersebut adalah ….

A. 0,067
B. 0,076
C. 0,670
D. 0,760
6) Dari data pada Nomor 5, Koefisien kemiringan kedua dari Pearson

adalah ....
A. 0,034
B. 0,043
C. 0,34
D. 0,43
7) Dari data pada No. 5, koefisien kemiringan dengan kuartil adalah ….

A. 0,01
B. 0,02
C. 0,03
D. 0,04
8) Dari data pada No. 5, koefisien kemiringan dengan persentil adalah ….

A. 0,022
B. 0,033
C. 0,044
D. 0,055
9) Dari data pada No. 5, distribusi data tersebut adalah ….

A. negatif
B. positif
C. simetris
D. kuadratis
10) Dari data pada No. 5, bentuk distribusi data tersebut adalah ….
A.
B.
C.
D.


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Kegiatan Belajar 2
Ukuran Keruncingan (Kurtosis)
K urtosis adalah derajat kepuncakan dari suatu distribusi, biasanya

diambil relatif terhadap distribusi normal. Sebuah distribusi yang
mempunyai puncak relatif tinggi dinamakan leptokurtik (lihat Gambar 5.4).
Sebuah distribusi yang mempunyai puncak mendatar dinamai platikurtik
(lihat Gambar 5.5). Distribusi normal yang puncaknya tidak terlalu tinggi
atau puncaknya tidak mendatar dinamakan mesokurtik (lihat Gambar 5.6).
Gambar 5.4 Gambar 5.5 Gambar 5.6

Leptokurtik Platikurtik Mesokurtik
Untuk mengetahui apakah sekumpulan data mengikuti distribusi

leptokurtik, platikurtik atau mesokurtik, hal ini dapat dilihat berdasarkan nilai
koefisien kurtosisnya. Untuk menghitung koefisien kurtosis digunakan rumus
koefisien kurtosis, yaitu:
1
( K 3 − K1 )
K=2
P90 − P10
dengan: K1 = Kuartil pertama
K3 = Kuartil ketiga
P10 = Persentil ke 10
P90 = PersentiL ke 90
Dari hasil koefisien kurtosis di atas, ada tiga kriteria untuk mengetahui
model distribusi dari sekumpulan data, yaitu:
1. jika koefisien kurtosisnya kurang dari 0,263 maka distribusinya adalah
platikurtik;
2. jika koefisien kurtosisnya sama dengan 0,263 maka distribusinya adalah

mesokurtik; dan
3. jika koefisien kurtosisnya lebih dari 0,263 maka distribusinya adalah
leptokurtik.
Contoh:
Lihat data dalam daftar (1), yaitu mengenai berat badan bayi yang baru
lahir selama seminggu tertentu dari Rumah Sakit Bersalin ”SEHAT”. Hitung
koefisien kurtosisnya.
Penyelesaian:
1
( K 3 − K1 )
Rumus yang digunakannya adalah: K = 2
P90 − P10
Kita sudah menghitung: K1 = 2,93 dan K3 = 3,38
Kita akan menghitung P10 dan P90
Untuk Persentil ke 10, P10

10 10
Letak P10 = data ke ( n + 1) data ke × 29 = data ke-2,9. Ternyata
100 100
kelas persentil ke-10 terletak pada kelas interval kedua, karena jumlah
frekuensinya mencapai (2 + 3) orang = 5 orang. Sehingga kita bisa
menghitung besaran-besaran yang diperlukan dalam rumus persentil ke-10,
yaitu BbP10 = 2, 7 − 0, 05 = 2, 65 ; p = 0,2; FP10 = 2 ; dan f P10 = 3. Jadi,
⎛ 10 ⎞
⎜ n − FP10 ⎟ ⎛ 2,8 − 2 ⎞
P10 = BbP10 + p ⎜ 100 ⎟ = 2, 65 + 0, 2 ⎜ ⎟ = 2, 65 + 0, 2 ( 0, 267 )
⎜⎜ f P10 ⎟⎟ ⎝ 3 ⎠
⎝ ⎠
= 2, 65 + 0, 05 = 2, 6

90 90
Letak P90 = data ke ( n + 1) = data ke × 29 = data ke-26,1.
100 100
Ternyata kelas persentil ke-90 terletak pada interval keenam, karena
jumlah frekuensinya mencapai (2 + 3 + 5 + 7 + 6 + 5) orang = 28 orang
sehingga kita bisa menghitung besaran-besaran yang diperlukan dalam rumus

persentil ke-90, yaitu BbP10 = 3,5 − 0, 05 = 3, 45 ; p = 0,2; FP10 = 2 3; dan
f P10 = 5. Jadi,
⎛ 90 ⎞
⎜ 100 n − FP90 ⎟ ⎛ 25, 2 − 23 ⎞
P90 = BbP90 + p ⎜ ⎟ = 3, 45 + 0, 2 ⎜ ⎟ = 3, 45 + 0, 2 ( 0, 44 )
⎜⎜ f P90 ⎟⎟ ⎝ 5 ⎠
⎝ ⎠
= 3, 45 + 0, 088 = 3,54
1 1
( K 3 − K1 ) (3,38 − 2,93)
0, 225
Berarti: K = 2 = 2 = = 0,265
P90 − P10 3,54 − 2, 6 0,85
L A TIH A N

Diberikan data sebagai berikut.
169,1; 169,2; 166,0; 164,9; 165,6; 160,5; 161,8; 160,3; 166,4; 162,2; 163,0;
168,1; 166,2; 161,9; 160,7 dan 165,1
Hitung koefisien kurtosisnya.

1
( K 3 − K1 )
Rumus yang digunakan: K = 2
P90 − P10
Dapat dengan mudah dihitung besaran-besaran, K1, K3, P10 dan P90, yaitu
sebagai berikut.
1
Letak K1 = data ke (16 + 1) = data ke-4,25
4
K1 = data ke-4 + 0,25 (data ke-5 – data ke-4) = 161,8 + 0,25 (161,9 – 161,8)
= 161,8 + 0,025 = 161,825
3
Letak K3 = data ke (16 + 1) = data ke-12,75
4
K3 = data ke-12 + 0,75(data ke-13–data ke-12) = 166,2 + 0,75(166,4 – 166,2)

= 166,2 + 0,15 = 166,35
10
Letak P10 = data ke (16 + 1) = data ke-1,7
100
P10 = data ke-1 + 0,7 (data ke-2 – data ke-1) = 160,3 + 0,7 (160,5 – 160,3)
= 160,3 + 0,14 = 160,44
90
Letak P90 = data ke (16 + 1) = data ke-15,3
100
P90 = data ke-15 + 0,3(data ke-16 – data ke-15) = 169,1 + 0,3 (169,2 – 169,1)
= 169,1 + 0,03 = 169,13
1
(166,35 − 161,825 )
2, 2625
Maka koefisien kurtosisnya: K = 2 = = 0, 26
169,13 −160, 44 8, 69
RA NGK UMA N
Koefisien kurtosis ialah suatu indeks untuk melihat sejauh mana

keruncingan suatu kurva. Apakah kurva tersebut termasuk kategori
leptokurtik, mesokurtik atau platikurtik.
Rumus yang digunakan untuk menghitung koefisien kurtosis:
1
( K 3 − K1 )
K=2
P90 − P10
Untuk nilai:
K > 0,263 Kurva tergolong leptokurtik.
K = 0,263 Kurva tergolong mesokurtik.
K < 0,263 Kurva tergolong platikurtik.
TES FORMATIF 2
1) Kurva normal umumnya tergolong kurva ....

A. leptokurtik
B. mediokurtik
C. platikurtik
D. mesokurtik
2) Suatu kurva diketahui koefisien kurtosisnya 0,273. Mana yang lebih

tidak runcing dibandingkan dengan kurva tersebut jika kurva-kurva
lainnya diketahui koefisien kurtosisnya ....
A. 0,269
B. 0,277
C. 0,267
D. 0,278
3) Rumus yang digunakan untuk menghitung koefisien kurtosis ....

1
( K 3 + K1 )
A. K = 2
P90 + P10
1
( K 3 − K1 )
B. K=2
P90 + P10
1
( K 3 − K1 )
C. K=2
P90 − P10
1
( K 3 + K1 )
D. K=2
P90 − P10
4) Jika koefisien kurtosis dari sekumpulan data setelah dihitung sama

dengan 0,206 maka distribusinya adalah ....
A. platikurtik
B. positif
C. mesokurtik
D. leptokurtik
5) Diberikan data hasil ulangan siswa SD X sebagai berikut.
Nilai Frekuensi
50 – 59 11
60 – 69 23
70 – 79 36
80 – 89 24
90 – 99 16
Koefisien keruncingan dari data tersebut adalah ….

A. 0,027
B. 0,072
C. 0,272
D. 0,722


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Tes Formatif 1
1) B. M 0 < Me < x → Mo < x , Me < x
x − Mo
2) D. Koefisien kemiringan =
s
3) B. Koefisien kemiringan lebih besar dari nol maka distribusinya
berbentuk positif.
4) B. Koefisien kemiringan > 0 maka distribusinya positif.
5) A.
Nilai fi Fi di fi di d i2 f i di2
50 – 59 11 11 −2 −22 4 44
60 – 69 23 34 −1 −23 1 23
70 – 79 36 70 0 0 0 0
80 – 89 24 94 1 24 1 24
90 – 99 16 110 2 32 4 64
Jumlah 110 11 155
⎛ ∑ fi di ⎞ ⎛ 11 ⎞
x = AM + p ⎜ = 74,5 + 10 ⎜ ⎟ = 75,5
⎜ ∑ f ⎟⎟ ⎝ 110 ⎠
⎝ i ⎠
⎛ b ⎞ ⎛ 13 ⎞
Mo = BbMo + p ⎜ 1 ⎟ = 69,5 + 10 ⎜ ⎟ = 74, 7
⎝ b1 + b2 ⎠ ⎝ 13 + 12 ⎠
∑ (∑ fi di )
2
f i di2 155 112
s= p − = 10 − = 11,882
n −1 n ( n − 1) 109 109 × 110
x − Mo 75,5 − 74, 7
Koefisien kemiringan = = = 0, 067
s 11,882
1
6) B. Letak Me = data ke (110 + 1) = data ke-55,5
2
⎛n ⎞
⎜ 2 − FMe ⎟ ⎛ 55 − 34 ⎞
Me = BbMe + p ⎜ ⎟ = 69,5 + 10 ⎜ ⎟ = 75,33
⎜⎜ f Me ⎟⎟ ⎝ 36 ⎠
⎝ ⎠
3 ( x − Me ) 3 ( 75,5 − 75,33)
Koefisien kemiringan = = = 0, 043
s 11,882
1
7) D. Letak K1 = data ke ( n + 1) = data ke-27,75.
4
diketahui BbK1 = 60 − 0,5 = 59,5 ; p = 10 ; FK1 = 11 ; dan f K1 = 23 .
⎛1 ⎞
⎜ 4 n − FK1 ⎟ ⎛ 27,5 − 11 ⎞
Jadi, K1 = BbK1 + p ⎜ ⎟ = 59,5 + 10 ⎜ ⎟
⎜⎜ f K1 ⎟⎟ ⎝ 23 ⎠
⎝ ⎠
⎛ 16,5 ⎞ 165
= 59,5 + 10 ⎜ ⎟ = 59,5 + = 59,5 + 7,17 = 66, 67
⎝ 23 ⎠ 23
K2 = Me = 75,33
3
Letak K3 = data ke ( n + 1) = data ke-83,25.
4
⎛3 ⎞
⎜ 4 n − FK3 ⎟ ⎛ 82,5 − 70 ⎞
Jadi, K 3 = BbK3 + p ⎜ ⎟ = 79,5 + 10 ⎜ ⎟
⎜⎜ f K3 ⎟⎟ ⎝ 24 ⎠
⎝ ⎠
⎛ 12,5 ⎞ 125
= 79,5 + 10 ⎜ ⎟ = 79,5 + = 79,5 + 5, 21 = 84, 71
⎝ 24 ⎠ 24
K 3 − 2 K 2 + K1
Jadi, koefisien kemiringan =
K 3 − K1
84, 71 − 2(75,33) + 66, 67 0, 72
= =
84, 71 − 66, 67 18, 04
= 0, 04
10
8) C. Letak P10 = data ke ( n + 1) = data ke-11,1.
100
Sehingga P10 terletak pada kelas interval ke-2. Dari letak K1 maka
⎛ 10 ⎞
⎜ 100 n − FP10 ⎟ ⎛ 11 − 11 ⎞
Jadi, P10 = BbP10 + p ⎜ ⎟ = 59,5 + 10 ⎜ ⎟ = 59,5
⎜⎜ f P10 ⎟⎟ ⎝ 23 ⎠
⎝ ⎠
P50 = Me = 75,33
90
Letak P90 = data ke ( n + 1) = data ke 99,9.
100
Sehingga P90 terletak pada kelas interval ke 5. Dari letak P90 maka
diketahui BbP90 = 90 − 0,5 = 89,5 ; p = 10 ; FP90 = 94 ; dan f P90 = 16 .
⎛ 90 ⎞
⎜ 100 n − FP90 ⎟ ⎛ 99 − 94 ⎞
Jadi, P90 = BbP90 + p ⎜ ⎟ = 89,5 + 10 ⎜ ⎟
⎝ 16 ⎠
⎜⎜ ⎟⎟
f P90
⎝ ⎠
⎛ 5⎞ 50
= 89,5 + 10 ⎜ ⎟ = 89,5 + = 89,5 + 3,125 = 92, 625
⎝ 16 ⎠ 16
P90 − 2 P50 + P10
Jadi, koefisien kemiringan =
P90 − P10
92, 625 − 2(75,33) + 59,5 1, 465
= =
92, 625 − 59,5 33,125
= 0, 044
9) C. Karena koefisien dari keempat cara adalah 0 maka data tersebut

berdistribusi simetris.
10) B.
Tes Formatif 2
1) D. Sebab tidak boleh terlalu runcing (leptokurtik) dan juga tidak boleh
terlalu datar (platikurtik).
2) C. Sebab B dan D sudah jelas bukan yang termasuk lebih tidak runcing
karena lebih besar dari 0,273. Sedangkan A lebih besar dari B,
kiranya lebih leptokurtik.
3) C. Lihat uraian.
4) A. Sebab lebih kecil dari 0,263.
5) C. Dari Tes Formatif 1 telah diperoleh nilai-nilai K1 = 66,67;

K3 = 84,71, P10 = 59,5; dan P90 = 92,625
1 1
( K 3 − K1 ) (84, 71 − 66, 67 ) 9, 02
Jadi, K = 2 = 2 = = 0, 272
P90 − P10 92, 625 − 59,5 33,125
Daftar Pustaka
Publishing Company.

Company.

Jakarta: Erlangga.

Modul 6
Kurva Normal dan Kegunaannya

PENDAHULUA N
P ada modul-modul yang telah Anda pelajari, pernah disinggung tentang

model-model populasi. Masih ingatkah Anda tentang kurva normal,
bimodal, dan sebagainya? Coba Anda lihat kembali sejenak Modul 5
Kegiatan Belajar 2!
Dalam modul ini akan penulis uraikan kurva-kurva normal yang berasal
dari distribusi dengan peubah acak kontinu, oleh karena lebih banyak
digunakan dalam kehidupan sehari-hari terutama dalam dunia pendidikan.
Kurva-kurva yang akan dibicarakan dalam modul ini pun penulis batasi
pada kurva-kurva yang berasal dari distribusi Gauss dan distribusi Student.
Selanjutnya, setelah mempelajari modul ini, Anda diharapkan dapat
memahami arti dan kegunaan kurva normal. Lebih khusus lagi, Anda
diharapkan dapat:
1. menunjukkan fungsi distribusi normal yang ditemukan oleh Gauss;
2. menyebutkan interval pada fungsi distribusi normal dari Gauss;
3. menunjukkan rumus transformasi distribusi normal yang dibakukan;
4. mencari nilai baku z jika ditentukan unsur-unsurnya;
5. dapat mencari luas daerah di bawah kurva normal yang dibakukan yang
diketahui nilai z-nya;
6. menggunakan nilai z dalam bentuk soal terapan;
7. membedakan antara rumus distribusi normal baku dengan rumus
distribusi t;
8. mencari nilai t jika ditentukan unsur-unsurnya;
9. mencari luas daerah t yang diketahui nilai t-nya; dan
10. menggunakan nilai t dalam bentuk soal terapan.
Kegiatan Belajar 1
Distribusi Gauss
D istribusi Gauss merupakan salah satu dari distribusi normal yang

berasal dari distribusi dengan peubah acak kontinu. Kurvanya disebut
kurva normal. Distribusi ini merupakan salah satu yang paling penting serta
banyak digunakan. Fungsi distribusi Gauss diberikan dengan persamaan:
2
1⎛ x−μ ⎞
1 − ⎜ ⎟
f ( x) = e 2⎝ σ ⎠
6.1
σ 2π
dengan
π = konstanta yang nilainya sama dengan 3,1416
e = konstanta yang nilainya sama dengan 2,7183
μ = parameter, yaitu nilai rata-rata dari distribusi populasi
σ = parameter yang merupakan simpangan baku distribusi populasi
x = peubah kontinu yang daerah (jangkauan) nilainya − ∞ < x < ∞
Sifat distribusi normal:

1. Grafiknya selalu terletak di atas sumbu X.
2. Bentuk grafiknya simetris terhadap x = μ
0,3989
3. Modus tercapai pada μ =
σ
4. Grafiknya asymptotis terhadap sumbu X.
5. Luas daerah grafik sama dengan satu satuan persegi.
Untuk setiap pasang nilai μ dan σ sifat-sifat di atas selalu dipenuhi

hanya bentuknya saja berubah. Untuk nilai-nilai σ yang besar, kurvanya
semakin rendah (platikurtik) sedangkan untuk nilai-nilai σ yang semakin
kecil, kurvanya semakin tinggi (leptokurtik).
Dalam pemakaian, kita tidak lagi menggunakan rumus di atas oleh
karena telah disiapkan Daftar Distribusi Normal Baku. Distribusi Normal
Baku adalah distribusi normal dengan nilai rata-rata μ = 0 dan simpangan
baku σ = 1. Fungsi densitinya dinyatakan dalam peubah acak z sebagai

berikut.
1 − 12 z 2
f ( z) = e 6.2
2π
dengan daerah z ialah interval − ∞ < z < ∞
Kalau kita perhatikan hubungan antara rumus (6.1) dan (6.2), distribusi
normal ini menjadi distribusi normal baku dengan menggunakan
transformasi:
x−μ x−x
z= bagi populasi dan z = bagi sampel.
σ s
Mengapa dikatakan fungsi dari z? Mungkin berasal dari kata "zero" atau
"nol". Seperti telah dikatakan di atas bahwa μ = 0 , berarti nilai rata-rata dari
z sama dengan nol dengan simpangan bakunya sama dengan 1. Dapat
dibuktikan bahwa nilai rata-rata dari z sama dengan 0.
Bukti:
∞ ⎛ − 1 z 2 ⎞⎟
μ z = ∫−∞ z f ( z ) dz = ∫−∞∞ ⎜⎜ 1
e 2 ⎟ dz
⎜ 2π ⎟
⎝ ⎠
∞ ⎛ ⎞
1
− z2
= 1 ∫−∞ ⎜ z e 2
⎟⎟ dz
2π ⎜
⎝ ⎠
∞ ⎛ − z ⎞
1 2
1
= 1 ∫−∞ ⎜ e 2 z ⎟dz , misal u = z 2 du = zdz
2π ⎜ ⎟ 2
⎝ ⎠
∞
= 1 ∫−∞ (e−u ) du =− 1 e−u |∞−∞
2π 2π
1
1 − z2 ∞
= e 2
| = 0
−∞
2π
Begitu pula dapat dibuktikan bahwa σ z = 1.

Bukti:
∞
σ z2 = ∫−∞ ( z − μz )2 f ( z )dz
∞
= ∫ z 2 f ( z )dz
−∞
∞ z2 1
− z2
=∫ e 2
dz = 1
−∞
2π
Setelah kita memiliki distribusi normal baku yang diperoleh dari

x −μ
distribusi normal ”umum”, dengan transformasi z = i maka tabel
σ
distribusi normal baku dapat digunakan.
Cara menggunakan/membaca Daftar Distribusi Normal Baku adalah

sebagai berikut.
1. Hitung nilai z hingga dua desimal!

2. Gambarkan sketsa kurvanya!
Z=0
3. Tentukan nilai z pada sumbu z, kemudian buatlah garis tegak lurus

sumbu z melalui z = 0 hingga memotong atau membagi luas kurvanya
sama besar.
Nilai z ada 2 kemungkinan, positif atau negatif sehingga sketsanya pun

mungkin seperti lukisan (a) atau lukisan (b) di halaman berikut.
0 0
4. Luas yang tertera dalam daftar F adalah luas daerah antara garis yang
tegak lurus sumbu Z melalui titik z = 0 dan lengkungan kurva.
5. Dalam Tabel 6.1, di bawah kolom z, carilah nilai z sampai dengan
1 desimal sedangkan desimal yang kedua didapat pada baris paling atas.
6. Dari nilai daerah desimal yang terdapat pada kolom paling kiri ditelusuri,
maju ke kanan dan dari nilai z di baris atas ditelusuri turun ke bawah
sehingga seolah-olah bertemu di satu titik ”koordinat” maka pertemuan
pada titik ”koordinat” itulah bilangan yang merupakan luas yang dicari.
Contoh 1: Luas di bawah kurva normal baku antara z = 0 sampai dengan

z = 0, 23 dapat dilihat langsung pada tabel distribusi normal
baku
z 0 1 2 3 ... 9
0,0
....
0,1
0,2 . . . . . . . . . . . . . . . . . . 0,0910. . . . . . . .
0,3
akan diperoleh 0,0910 kira-kira sama dengan 9,1%.
0,0910
0
Tabel 6.1.
Tabel Distribusi Normal Baku
Luas di bawah Lengkungan Normal Standar dari 0 ke z
z 0 1 2 3 4 5 6 7 8 9
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
Dikutip kembali dari: SUDJANA, Metode Statistika, Tarsito, Bandung, 1975.
Contoh 2: Gunakan Tabel 6.1, tentukan luas daerah di bawah kurva normal
baku
1. Antara z = 0 dan z = 1,25 Di bawah kolom z cari 1,2 kemudian ikuti
ke kanan hingga bertemu dengan bilangan
yang terdapat di bawah kolom angka 5.
Bilangan yang dimaksud ialah 0,3944.
Maka luas daerah yang dicari ialah daerah
yang diarsir yaitu 0,3944 atau 39,44%.
2. Antara z = −2,13 dan z = 0 Nilai z = −2,13 terletak pada daerah

negatif. Perlu Anda ketahui bahwa kurva
normal baku berdistribusi simetris. Oleh
karena itu, setengah bagian dari kurva
tersebut setangkup satu sama lainnya,
sehingga untuk menentukan luas antara
z = −2,13 dan z = 0 sama dengan mencari
= luas Antara z = 0 dan z = 2,13. Di bawah
0,4834 kolom z cari 2,1 kemudian ikuti ke kanan
sehingga bertemu bilangan yang berada di
bawah kolom bilangan 3 yaitu 0,4834.
Luas daerah yang dicari ialah daerah yang
2,13 diarsir = 0,4834 atau 48,34%.
3. Antara z = − 1,73 dan Kalau kita perhatikan secara seksama
z = 2,51 maka luas di bawah kurva normal baku
antara z = − 1,73 dan z = 2,51 sama
dengan menentukan luas di bawah kurva
normal baku antara z = − 1,73 dan z = 0
ditambah dengan luas di bawah kurva
normal baku antara z = 0 dan z = 2,51.
Seperti halnya pada Contoh 6.2.1 dan
6.2.2, Anda cari luas z = 1,73 terdapat
0,4582 sedangkan z = 2,51 terdapat
0,4940.
Dengan demikian, luas daerah yang dicari
merupakan jumlah kedua luas tersebut,
0,4582 + 0,4940 = 0,9522 atau 95,22%.
4. Antara z = −2,73 dan Pada kasus ini kita dapat menentukan luas
z = −0,98 daerah yang diarsir dengan cara mencari
luas di bawah kurva normal antara
z = −2,73 dan z = 0, kemudian hasil
tersebut dikurangi luas di bawah kurva
normal antara z = −0,98 dan z = 0. Luas di
bawah kurva normal antara z = −2,73 dan
z = 0 adalah 0,4968, dan luas di bawah
kurva normal antara z = −0,98 dan z = 0
adalah 0,3365.
Luas daerah yang dicari = 0,4968 −
0,3365 = 0,1603 atau 16,03%.
5. z > -1,09 Coba Anda lihat daerah yang diarsir pada

kurva di samping. Daerah tersebut
merupakan luas di bawah kurva normal
baku antara z = − 1,09 dan z = 0 ditambah
setengah luas kurva normal baku. Luas di
bawah kurva normal baku antara
z = − 1,09 dan z = 0 adalah 0,3621, dan
luas setengah kurva normal baku adalah
0,5.
Luas daerah yang diarsir = 0,3621 + 0,5 =
0,8621 atau 86,21%.
6. z > 1,96 Kebalikan dari kasus pada Contoh 6.2.5,

luas di bawah kurva normal baku z > 1,96
dapat ditentukan dengan mengurangi luas
setengah kurva normal dengan luas di
bawah kurva normal baku antara z = 0 dan
z =1,96. Luas di bawah kurva normal
antara z = 0 dan z =1,96 adalah 0,4750.
Luas daerah yang diminta = 0,50 − 0,4750
= 0,0250 atau 2,5%.
7. Contoh Penerapan pada Kasus Sehari-hari

Nilai rata-rata ujian masuk suatu perguruan tinggi 67,75 dengan
simpangan baku 6,25. Jika distribusinya normal dan banyak calon peserta
10.000 orang, tentukanlah:
a. Berapa % calon peserta yang nilainya lebih dari 70?
b. Berapa orang calon peserta yang nilainya antara 70 dan 80?
c. Berapa orang calon peserta yang nilainya lebih besar atau sama dengan
75?
d. Berapa orang calon peserta yang nilainya 75?
Penyelesaian:
x = nilai hasil ujian
x = 67,75
s = 6,25
x−x 70 − 67, 75
a. Dengan rumus z = untuk x > 70 maka z > → z > 0,36
s 6, 25
Luas daerah di bawah kurva normal baku yang terletak di sebelah kanan
dari nilai z = 0,36 adalah luas setengah kurva normal dikurangi luas di
bawah kurva normal antara z = 0 dan z = 0,36. Luas di bawah kurva
normal antara z = 0 dan z = 0,36 adalah 0,1406.
Jadi, luas daerah z > 0,36 = 0,50 – 0,1406 = 0,3594. Berdasarkan hasil
perhitungan ini dapat disimpulkan bahwa calon peserta yang nilainya
lebih besar dari 70 adalah 35,94%.
b. Untuk menentukan banyaknya calon peserta yang nilainya antara 70 dan

80 maka kita konversi terlebih dahulu ke dalam bentuk z.
70 − 67, 75 80 − 67, 75
z1 = = 0,36 dan z2 = = 1,96
6, 25 6, 25
Luas di bawah kurva normal baku antara z = 0,36 dan z = 1,96 adalah
luas di bawah kurva normal baku antara z = 0 dan z = 1,96 dikurangi
dengan luas di bawah kurva normal baku antara z = 0 dan z = 0,36. Luas
di bawah kurva normal baku antara z = 0 dan z = 1,96 adalah 0,4750 dan
luas di bawah kurva normal baku antara z = 0 dan z = 0,36 adalah
0,1406.
Jadi, luas di bawah kurva normal baku untuk 0,36 < z < 1,96 adalah
0,4750 − 0,1406 = 0,3344. Dengan demikian, banyak calon peserta yang
nilainya antara 70 dan 80 adalah 0,3344 × 10.000 = 3.344 orang.
c. Untuk menentukan banyaknya calon peserta yang nilainya lebih besar

atau sama dengan 75 kita perlu mengingat kembali tentang nilai batas
bawah. Batas bawah dari 75 adalah 74,5. Agar nilai 75 termasuk
diperhitungkan, maka batas nilai x yang digunakan menjadi 74,5.
74,5 − 67, 75
z= = 1, 08
6, 25
0
Luas z > 1,08 = luas setengah kurva normal dikurangi luas di bawah
kurva normal antara z = 0 dan z = 1,08. Luas di bawah kurva normal
antara z = 0 dan z = 1,08 adalah 0,3599.
Jadi, luas z > 1,08 = 0,50 – 0,3599 = 0,1401, yang berarti banyak calon
peserta yang nilainya lebih dari atau sama dengan 75 adalah
0,1401 × 10.000 = 1.401 orang.
d. Nilai 75 terletak antara nilai batas bawahnya dan nilai batas atasnya yaitu
antara 74,5 dan 75,5. Dengan demikian, untuk mencari persentase yang
bernilai 75 harus dicari persentase yang nilai terletak di antara nilai
x1 = 74,5 dan x2 = 75,5.
74,5 − 67, 75 75,5 − 67, 75
z1 = = 1, 08 dan z2 = = 1, 24
6, 25 6, 25
Luas 1, 08 < z < 1, 24 = luas 0 < z < 1, 24 dikurangi luas 0 < z < 1, 08 =
0,3925 – 0,1401 = 0,2524. Jadi, banyak calon peserta yang bernilai 75
adalah 0,2524 × 10.000 = 2.524 orang.
Penulis yakin Anda masih ingat akan kejadian sekeping uang logam
yang dilempar akan muncul bagian muka atau bagian belakang. Suatu
kejadian yang menghasilkan peristiwa A dan bukan A ( A ) dengan P(A) = p.
Karena p merupakan nilai kemungkinan terjadi peristiwa A maka P ( A ) = q =
1 – p. Kejadian yang demikian jika dilakukan berulang kali, distribusinya
disebut distribusi Binomial yaitu sama dengan distribusi dengan peubah acak
diskrit dengan nilai P(A) = p dan P ( A ) = q = 1 – p.
Antara distribusi Binomial dan distribusi Normal terdapat hubungan
tertentu. Jika n cukup besar dan p = P(A) yaitu nilai kemungkinan kejadian A
dengan p tidak terlalu dekat dengan nol maka distribusi Binomial dapat
didekati oleh distribusi Normal dengan nilai rata-rata μ = np dan simpangan
x − np
bakunya σ = np (1 − p) sehingga z menjadi z =
np (1 − p)
Karena mengubah peubah acak diskret dari distribusi Binomial menjadi
peubah acak kontinu dalam distribusi Normal maka nilai x perlu mendapat
penyesuaian dengan jalan menambah atau mengurangi dengan 0,5
(SUDJANA, DR., 1975: 140).
Contoh 3: 15% dari tamatan SMA merupakan hasil PMDK. Sampel acak
yang berukuran 600 tamatan SMA telah digunakan. Tentukan
nilai kemungkinan yang akan terdapat:
a) Paling sedikit 70 orang dan paling banyak 80 sebagai basil
PMDK.
b) Lebih besar atau sama dengan 100 orang yang memperoleh
PMDK.
Penyelesaian:
a) x terletak antara: (70 – 0,5) < x < (80 + 0,5) atau 69,5 < x < 80,5
μ = 0,15 × 600 = 90
σ = 600 × 0,15 × 0,85 = 8,75
69,5 − 90 80,5 − 90
z1 = = − 2,34 dan z2 = = − 1, 09
8, 75 8, 75
Luas −2,34 < z < −1, 09 = luas −2,34 < z < 0 − luas −1, 09 < z < 0
= luas 0 < z < 2,34 − luas 0 < z < 1, 09
= 0,4904 − 0,3621 = 0,1283.
Jadi, nilai kemungkinan terdapat paling sedikit 70 orang dan paling
banyak 80 orang sebagai hasil PMDK ada 0,1283 atau 12,83%.
b) Lebih besar atau sama dengan 100 artinya x > 99,5

99,5 − 90
Luas z > → z > 1, 09
8, 75
0
Luas z > 1, 09 = luas setengah kurva normal – luas 0 < z < 1, 09
= 0,50 – 0,3621 = 0,1379
Jadi, banyak siswa yang termasuk PMDK lebih besar atau sama dengan
100 adalah 0,1379 atau 13,79%.
L A TIH A N

1) Cari luas daerah untuk:
a. z antara 1,21 dan 2,97
b. z antara −2,75 dan −1,17
c. antara −0,65 dan 1,28
d. z > 0,57
e. z < 1,25
2) Cari harga z dalam kurva normal baku sehingga luas:

a. dari z ke kanan 0,1003
b. dari z ke kiri 0,9732
c. dari z ke kanan 0,7995
d. dari z ke kiri 0,0708
3) Misalkan distribusi tentang tinggi mahasiswa adalah normal dengan nilai

rata-rata 167,5 cm dan simpangan baku 4,6 cm. Semuanya ada 200.000
mahasiswa. Tentukan ada berapa mahasiswa yang tingginya: (soal dari
SUDJANA, DR., 1975: p.155).
a. lebih dari 175 cm
b. lebih dari 160 cm
c. kurang dari 170 cm
d. kurang dari 166 cm
e. antara 158 dan 170 cm
f. 172 cm
1) a. Luas 1,21 < z < 2,97 = luas 0 < z < 2,97

luas 0 < z < 1,21 −
U
= 0,4985 − 0,3869
= 0,1116
1,21 2,97
b. Luas −2,97 < z < −1,17 = luas 1,17 < z < 2,97
= luas 0 < z < 2,97
= luas 0 < z < 1,17 −
U
= 0,4970 – 0,3790
= 0,1180
-2,75 -1,17
c. Luas −0,65 < z < 1,28 = luas 0 < z < 0,65
= luas 0 < z < 1,28 +
U
= 0,2422 + 0,3997
= 0,6419
-0,65 1,28
d. Luas z > 0,57 = 0,5 – Luas 0 < z < 0,57

= 0,5 – 0,2157 = 0,2843
0,57
e. Luas z < 1,25 = 0,5 + Luas 0 < z < 1,25
= 0,5 + 0,3944 = 0,8944
1,25
2) a. Luas z > za = 0,5 – Luas 0 < z < za

0,1003 = 0,5 – Luas 0 < z < za
Luas 0 < z < za = 0,5 – 0,1003 = 0,3997
za = 1,28
za
b. Luas z < zb = 0,5 + Luas 0 < z < zb

0,9732 = 0,5 + Luas 0 < z < zb
Luas 0 < z < zb = 0,9732 – 0,5 = 0,4732
zb = 1,93
zb
c. Luas z > zc = Luas zc < z < 0 + 0,5

0,7996 = Luas zc < z < 0 + 0,5
Luas zc < z < 0 = 0,7995 − 0,5 = 0,2995
zc = − 0,84
zc(-)
d. Luas z < zd = 0,5 − Luas zd < z < 0

0,0708 = 0,5 − Luas zd < z < 0
Luas zd < z < 0= 0,5 − 0,0708 = 0,4292
Zd = − 1,47
zd(-)
3) a. 175 −167,5
z= = 1, 63 untuk x > 175
4, 6
Luas z > 1,63 = 0,5 – luas 0 < z < 1,63
= 0,5 – 0,4484 = 0,0516.
Maka banyak mahasiswa yang tingginya
lebih dari 175 cm = 0,0516 × 200.000 =
1,63 10.320 orang.
b. 160 − 167,5
z= = − 1, 63 untuk x > 160
4, 6
Luas z > –1,63 = 0,5 + luas –1,63 < z < 0
= 0,5 + luas 0 < z < 1,63
= 0,5 + 0,4484 = 0,9484.
-1,63 lebih dari 160 cm = 0,9484 × 200.000 =
189.680 orang.
c. 170 −167,5
z= = 0,54 untuk x < 170
4, 6
Luas z < 0,54 = 0,5 + luas 0 < z < 0,54
= 0,5 + 0,2054 = 0,7054.
lebih dari 170 cm = 0,7054 × 200.000
0,54 = 141.080 orang.
d. 166 − 167,5
z= = − 0,331 untuk x < 166
4, 6
Luas z < –0,33 = 0,5 – luas –0,33 < z < 0
= 0,5 – luas 0 < z < 1,63
= 0,5 – 0,1293 = 0,3707.
-0,33 Maka banyak mahasiswa yang tingginya
lebih dari 166 cm = 0,3707 × 200.000 =
74.140 orang.
e. 158 −167,5
z1 = = − 2, 06
4, 6
170 −167,5
z2 = = 0,54
4, 6
Luas –2,06 < z < 0,54 = luas –2,06 < z < 0
-2,06 0,54 luas 0 < z < 0,54 +
U
= luas 0 < z < 2,06 + luas 0 < z < 0,54

= 0,4803 + 0,2054 = 0,6857.
antara 158 dan 170 cm = 0,6857 × 200.000
= 137.140 orang.
f. 171,5 −167,5
z1 = = 0,87
4, 6
172,5 − 167,5
z2 = =1, 09
4, 6
Luas 0,87 < z <1,09 = luas 0 < z < 0,87
Uluas 0 < z < 0,54 +
0,87 1,09
= 0,3621 – 0,3078
= 0,0543.
172 cm = 0,0543 × 200.000 = 10.860 orang.
RA NGK UMA N
Distribusi Gauss merupakan salah satu distribusi normal yang

berasal dari peubah acak kontinu. Kurvanya merupakan kurva normal
dengan persamaan fungsinya:
2
1⎛ x− μ⎞
1 − ⎜ ⎟
f ( x) = e 2⎝ σ ⎠
σ 2π
x −μ
Dengan transformasi z = terdapat rata-rata dari z sama
σ
dengan nol dan simpangan baku untuk z sama dengan 1, sehingga
diperoleh fungsi densitinya:
1 2
1 − z
f ( z) = e 2
2π
-1 0 +1
Bagi Anda tidak usah susah-susah menghitung/memperhatikan

persamaan fungsi-fungsi tersebut karena telah disediakan Tabel 5.1 yang
tinggal Anda pergunakan!
TES FORMATIF 1

1) Luas daerah kurva normal baku untuk z antara 0,97 dan 1,25 ialah ....
A. 0,0604
B. 0,0713
C. 0,5103
D. 0,6070
2) Luas daerah kurva normal baku untuk z antara −0,71 dan −1,75 ialah ....
A. 0,0985
B. 0,1672
C. 0,1988
D. 0,3541
3) Luas daerah kurva normal baku untuk z antara −0,82 dan 2,15 ialah ....
A. 0,6670
B. 0,7781
C. 0,7892
D. 0,8003
4) Luas daerah kurva normal baku untuk z antara –0,54 dan 1,82 ialah ....
A. 0,3467
B. 0,4578
C. 0,5689
D. 0,6710
5) Luas daerah kurva normal baku untuk z lebih besar dari 0,86 ialah ....
A. 0,0838
B. 0,1948
C. 0,2050
D. 0,3161
6) Luas daerah kurva normal baku untuk z lebih besar dari –1,97 ialah ....
A. 0,9756
B. 0,7534
C. 0,4756
D. 0,2534
7) Luas daerah kurva normal baku untuk z lebih kecil dari –0,56 ialah ....
A. 0,1011
B. 0,1012
C. 0,2123
D. 0,2877
8) Luas daerah kurva normal baku untuk z lebih kecil dari 1,28 ialah ....
A. 0,8981
B. 0 8997
C. 0,3997
D. 0,3746
9) Nilai rata-rata suatu ujian saringan calon pegawai suatu perusahaan 125
dengan simpangan baku 12,73. Jika yang turut ujian saringan ada 10.000
orang, berapa banyakkah yang bernilai lebih dari 100?
A. 9185.
B. 9750.
C. 9627.
D. 9512.
10) Indeks rata-rata 10.000 calon pengikut ujian masuk suatu perguruan
tinggi mencapai skor 70,25 dengan simpangan baku 6,75. Jika daya
tampung perguruan tinggi tersebut hanya 1950 orang, untuk indeks
berapakah paling rendah yang dapat diterima? Diketahui distribusi

skornya normal.
A. 63,50.
B. 70,25.
C. 73,70.
D. 76,06.


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Kegiatan Belajar 2
Distribusi Student
D istribusi dengan peubah acak kontinu lainnya ialah distribusi yang

ditemukan oleh seorang mahasiswa yang tidak mau disebut namanya.
Untuk menghargai hasil penemuannya itu, distribusinya disebut distribusi
Student yang lebih dikenal dengan distribusi ”t”, diambil dari huruf terakhir
kata ”student”. Bentuk persamaan fungsinya:
K
f (t ) = 1
n
⎛ t2 ⎞2
1+ ⎜ ⎟
⎝ n −1 ⎠
Berlaku untuk −∞ < t < ∞ dan K merupakan tetapan yang besarnya

tergantung dari besar n sedemikian sehingga luas daerah antara kurva fungsi
itu dan sumbu t adalah 1. Bilangan n – 1 disebut derajat kebebasan (dk).
Yang dimaksudkan dengan dk ialah kemungkinan banyak pilihan dari
sejumlah objek yang diberikan. Misalnya, kita mempunyai 2 objek yaitu
A dan B. Dari dua objek ini kita hanya mungkin melakukan 1 kali pilihan
saja, A dan B. Seandainya yang terpilih A maka B tidak usah dipilih lagi,
untuk itu dk = 2 – 1 = 1. Jika banyak objek 4 yaitu A, B, C dan D, kita hanya
mungkin melakukan 3 pilihan yaitu:
Pilihan ke-1 kita memilih l dari 4 objek.
Pilihan ke-2 kita memilih 1 dari 3 objek.
Pilihan ke-3 kita memilih 1 dari 2 objek, sisanya karena tinggal 1 objek
lagi tidak usah dipilih lagi. Oleh karena itu, dalam hal ini dk = 4 – 1 = 3
artinya tingkat kebebasan memilih hanya sebanyak 3 kali.
Bentuk kurva distribusi ”t” ini mirip dengan bentuk kurva normal baku.
Untuk perhitungan-perhitungan yang berhubungan dengan distribusi ”t”;
seperti halnya dengan distribusi normal baku, telah disiapkan daftar
Distribusi ”t”.
Tabel 6.2.
Nilai Persentil untuk Distribusi t
(Bilangan dalam badan daftar menyatakan tp)

tp
dk t0,995 t0,990 t0,975 t0,950 t0,900 t0,800 t0,750 t0,700 t0,600 t0,550
1 63,66 31,82 12,71 6,31 3,08 1,376 1,000 0,727 0,325 0,158
2 9,92 6,96 4,30 2,92 1,89 1,061 0,816 0,617 0,289 0,142
3 5,84 4,54 3,18 2,35 1,64 0,978 0,765 0,584 0,277 0,137
4 4,60 3,75 2,78 2,13 1,53 0,941 0,741 0,569 0,271 0,134
5 4,03 3,36 2,57 2,02 1,48 0,920 0,727 0,559 0,267 0,132
6 3,71 3,14 2,45 1,94 1,44 0,906 0,718 0,553 0,265 0,131
7 3,50 3,00 2,36 1,89 1,41 0,896 0,711 0,549 0,263 0,130
8 3,36 2,90 2,31 1,86 1,40 0,889 0,706 0,546 0,262 0,130
9 3,25 2,82 2,26 1,83 1,38 0,883 0,703 0,543 0,261 0,129
10 3,17 2,76 2,23 1,81 1,37 0,879 0,700 0,542 0,260 0,129
11 3,11 2,72 2,20 1,80 1,36 0,876 0,697 0,540 0,260 0,129
12 3,05 2,68 2,18 1,78 1,36 0,873 0,695 0,539 0,259 0,128
13 3,01 2,65 2,16 1,77 1,35 0,870 0,694 0,538 0,259 0,128
14 2,98 2,62 2,14 1,76 1,35 0,868 0,692 0,537 0,258 0,128
15 2,95 2,60 2,13 1,75 1,34 0,866 0,691 0,536 0,258 0,128
16 2,92 2,58 2,12 1,75 1,34 0,865 0,690 0,535 0,258 0,128
17 2,90 2,57 2,11 1,74 1,33 0,863 0,689 0,534 0,257 0,128
18 2,88 2,55 2,10 1,73 1,33 0,862 0,688 0,534 0,257 0,127
19 2,86 2,54 2,09 1,73 1,33 0,861 0,688 0,533 0,257 0,127
20 2,85 2,53 2,09 1,72 1,33 0,860 0,687 0,533 0,257 0,127
21 2,83 2,52 2,08 1,72 1,32 0,859 0,686 0,532 0,257 0,127
22 2,82 2,51 2,07 1,72 1,32 0,858 0,686 0,532 0,256 0,127
23 2,81 2,50 2,07 1,71 1,32 0,858 0,685 0,532 0,256 0,127
24 2,80 2,49 2,06 1,71 1,32 0,857 0,685 0,531 0,256 0,127
25 2,79 2,49 2,06 1,71 1,32 0,856 0,684 0,531 0,256 0,127
26 2,78 2,48 2,06 1,71 1,31 0,856 0,684 0,531 0,256 0,127
27 2,77 2,47 2,05 1,70 1,31 0,855 0,684 0,531 0,256 0,127
28 2,76 2,47 2,05 1,70 1,31 0,855 0,683 0,530 0,256 0,127
29 2,76 2,46 2,05 1,70 1,31 0,854 0,683 0,530 0,256 0,127
30 2,75 2,46 2,04 1,70 1,31 0,854 0,683 0,530 0,256 0,127
40 2,70 2,42 2,02 1,68 1,30 0,851 0,681 0,529 0,255 0,126
60 2,66 2,39 2,00 1,67 1,30 0,848 0,679 0,527 0,254 0,126
120 2,62 2,36 1,98 1,66 1,29 0,845 0,677 0,526 0,254 0,126
∞ 2,58 2,33 1,96 1,645 1,28 0,842 0,674 0,524 0,253 0,126
Dikutip dari: SUDJANA, Metode Statistika, Tarsito, Bandung, 1975
Coba Anda perhatikan Tabel 6.2:
Kolom pertama (dk) merupakan kolom untuk mencari derajat kebebasan

yang akan dipakai. Kolom-kolom berikutnya berisikan nilai-nilai
kemungkinan tergantung dari tingkat berarti yang digunakan. Yang dimaksud
dengan tingkat berarti ialah suatu bilangan yang menunjukkan berapa
persentase toleransi berbuat kesalahan. Misalnya, tingkat berarti 5% atau
dikatakan diteliti dengan α = 5% artinya jika kita menarik suatu kesimpulan,
dari 100 gejala kira-kira ada 5 gejala yang tidak tepat.
Berbeda dengan Tabel 6.1 yaitu daftar distribusi normal baku, maka
pada daftar distribusi t ini bilangan-bilangan yang terdapat dalam badan
daftar menunjukkan nilai t dari persentase yang telah dikurangi tingkat berarti
yang kita gunakan. Misalnya, kita menggunakan α = 1% maka untuk dk
yang bersangkutan, kita memperoleh nilai t untuk (100 − 1)% = 99%.
Dengan demikian, dalam daftar kita pergunakan kolom t0,99 yang selanjutnya
untuk menemukan angka-angka pada badan daftar tergantung dari nilai
derajat kebebasan yang digunakan. Dapat juga dikatakan untuk t0,99,
melukiskan daerah t seluas 0,99 atau 99% yaitu luas daerah yang dibatasi
oleh kurva distribusi t dari nilai t0,99 ke sebelah kiri. Secara umum dapat
ditulis untuk "tp" berarti luas daerah lengkung kurva seluas "p" mulai dari
nilai tp ke kiri.
Contoh Penggunaan dan Pembacaan Tabel 6.2.
1. Cari nilai t untuk n = 14 dan α = 5%.

Jawab: dk = n − 1 = 14 − 1 = 13; α = 5%
maka p = 100% − 5% = 95%. Lihat daftar
di bawah kolom dk cari bilangan 13
kemudian ikuti ke kanan hingga bertemu
dengan bilangan yang berada di bawah
kolom t0,95 diperoleh nilai 1,77. Artinya,
t0,95(13) = 1,77. Luas daerahnya sebesar 0,95% terbentang mulai dari nilai
t = 1,77 ke sebelah kiri atau dapat dikatakan luas daerahnya mulai dari
–∞ sampai dengan t = 1,77 adalah 95%.
2. Untuk n = 18, tentukan nilai t sehingga luas daerah kurva yang dicari
sama dengan 95%.
Dari lukisan di sebelah ini dapat dilihat
bahwa nilai harga mutlak t membatasi luas
daerah kurva yang letaknya simetris terhadap
t = 0. Mudah dimengerti pula bahwa luas
ujung kiri sama dengan luas ujung kanan
1
sama dengan (1 – 0,95) = 0,025.
2
Kalau kita peroleh nilai t bagian yang positif, berarti kita telah
memperoleh pula nilai t yang negatif. Luas daerah dari tp ke kiri atau luas
daerah yang lebih kecil dari tp = 0,95 + luas daerah yang lebih kecil dari
−tp = 0,95 + 0,025 = 0,975. Mengapa bilangan ini kita perlukan? Oleh
karena sifat dari kurva distribusi t ini selalu menunjukkan luas dari −∞
sampai dengan nilai tp tertentu. Oleh karena itu, dalam contoh ini, p sama
dengan 0,975. Jika dk = 17, di bawah kolom dk cari bilangan 17
kemudian ikuti ke kanan sampai dengan bertemu dengan bilangan yang
berada di bawah kolom t0,975 maka akan dijumpai bilangan 2,11 artinya
nilai t = + 2,11.
U U
3. Tentukan t sehingga luas dari t ke kiri sebesar 0,025 dengan dk = 20.

Penyelesaian:
Untuk ini p = 1 – 0,025 = 0,975. Kalau kita lukiskan kurvanya seperti:
Sedangkan yang diminta:
Maka dari Tabel 6.2 akan diperoleh nilai t0,975 untuk dk = 20 sama
dengan 2,09. Jadi, nilai t yang dicari ialah −2,09.
L A TIH A N

Dengan mempergunakan Tabel 6.2, tentukan nilai t sehingga luas:
1) dari t ke kanan sama dengan 0,005 dengan dk = 5.
2) dari t ke kanan sama dengan 0,05 dengan dk = 10 .
3) dari t ke kiri sama dengan 0,20 dengan dk = 11.
4) dari t ke kiri sama dengan 0,40 dengan dk = 5.
5) dari t ke kiri dan ke kanan masing-masing 0,05 dengan dk = 15.
6) didapat t = 1,74. Berapa luas daerah dari t ke kanan dan berapa pula dk-
nya?
7) diketemukan t = −2,05 dengan dk = 28. Berapa luas daerah dari t ke kiri?
1) t(1 - 0,005)(5) = t0,995 (5) = 4,03

2) t(1 - 0,05)(10) = t0,95 (10) = 1,81
3) t0,20 (11) = − t1−0,20 (11) = −t0,80(11) = −0,876
4) t0,40 (5) = − t1−0,40 (5) = −t0,60(5) = −0,267
5) α = 0,05 Æ p = 1 – 0,05 = 0,95 Æ t0,95(15) = + 1,75

U U
6) t(p)(dk) = 1,74; p = 0,95 dan dk = 17 maka luas daerah dari t ke kanan

= 1 – 0,95 = 0,05
7) t(1−p)(28) = −2,05; t(p)(28) = 2,05; p = 0,975 maka luas daerah dari t ke kiri
= 1 – 0,975 = 0,025
RA NGK UMA N
Distribusi Student atau distribusi ”t” dengan persamaan:
K
f (t ) = 1
n
⎛ t2 ⎞2
1+ ⎜ ⎟
⎝ n −1 ⎠
dengan interval −∞ < t < ∞ grafiknya merupakan kurva normal yang

bentuk dan luas daerahnya secara umum sama dengan bentuk kurva
normal baku simetris terdapat t = 0 (bandingkan dengan kurva z yang
simetris terhadap z = 0).
Seperti dengan kurva normal baku, untuk perhitungan-perhitungan
pada distribusi t ini pun telah disiapkan Tabel 6.2.

TES FORMATIF 2
1) Untuk t dengan dk = 9 maka nilai untuk luas daerah dari t ke kanan sama
dengan 0,05 ialah ....
A. 1,83
B. 2,26
C. 2,82
D. 3,25
2) Untuk t dengan dk = 13 maka nilai t untuk luas daerah dari t ke kanan

0,975 ialah ....
A. 2,14
B. 1,35
C. −1,77
D. −2,16

0,45 ialah ....
A. 0,127
B. 0,128
C. 0,257
D. 0,534
4) Untuk t dengan dk = 21 maka nilai t untuk luas daerah dari t ke kiri sama
A. 0,257
B. 0,532
C. 0,686
D. 0,859

sama dengan 0,05 ialah ....
A. 2,02
B. 2,57
C. 3,36
D. 4,03
6) Untuk t dengan dk = 19 maka nilai t untuk luas daerah antara −t dan +t

sama dengan 0,80 ialah ....
A. + 0,861
U U
B. + 1,33
U U
C. + 1,74
U U
D. + 2,11
U U
7) Untuk t = 2,48 dan dk = 26 maka luas daerah t ke kanan adalah ....

A. 0,99
B. 0,90
C. 0,10
D. 0,01
8) Untuk dk = 23 harga t = 1,32 maka luas daerah t ke kiri ialah ....

A. 0,10
B. 0,80
C. 0,90
D. 0,95
9) Untuk dk = 26 harga t = 2,06 maka luas daerah yang terletak antara –t

dan +t sama dengan ....
A. 0,950
B. 0,975
C. 0,980
D. 0,990
10) Untuk dk = 11 harga t = 2,20 maka luas daerah dari t ke kanan adalah ....
A. 0,10
B. 0,05
C. 0,025
D. 0,0125


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Tes Formatif 1
1) A. Luas 0,97 < z < 1,25 = luas 0 < z < 1,25 − luas 0 < z < 0,97
= 0,3944 – 0,3340 = 0,0604
2) C. Luas −1,75 < z < −0,71 = luas −1,75 < z < 0 − luas −0,71 < z < 0
= luas 0 < z < 1,75 − luas 0 < z < 0,71
= 0,4599 – 0,2611 = 0,1988
3) B. Luas −0,82 < z < 2,15 = luas −0,82 < z < 0 + luas 0 < z < 2,15
= luas 0 < z < 0,82 + luas 0 < z < 2,15
= 0,2939 + 0,4842 = 0,7781
4) D. Luas −0,54 < z < 1,82 = luas −0,54 < z < 0 + luas 0 < z < 1,82
= luas 0 < z < 0,54 + luas 0 < z < 1,82
= 0,2054 + 0,4656 = 0,6710
.
5) B. Luas z > 0,86 = 0,5 – luas 0 < z < 0,86 = 0,5 – 0,3052 = 0,1948
.
6) A. Luas z > –1,97 = 0,5 + luas –1,97 < z < 0 = 0,5 + luas 0 < z < 1,97
= 0,5 + 0,4756 = 0,9756
7) D. Luas z < –0,56 = 0,5 – luas –0,56 < z < 0 = 0,5 – luas 0 < z < 0,56
= 0,5 – 0,2123 = 0,2877
8) B. Luas z < 1,28 = 0,5 + luas 0 < z < 1,28 = 0,5 + 0,3997 = 0,8997
100 − 125
9) B. z= = −1,96 untuk x > 100
12, 73
Luas z > –1,96 = 0,5 + luas –1,96 < z < 0 = 0,5 + luas 0 < z < 1,96
= 0,5 + 0,4750 = 0,9750
Banyak peserta ujian yang bernilai lebih dari 100 = 0,975 × 10.000
= 9.750 orang
1.950
10) D. Persentase yang diterima = 0,1950 = Luas z > zα
10.000
Luas z > zα = 0,5 – luas 0 < z < zα
Luas 0 < z < zα = 0,5 – luas z > zα = 0,5 – 0,1950 = 0,3050
x−x x − 70, 25
zα = 0,86 = Æ 0,86 = Æ
s 6, 75
x = (0,86 × 6,75) + 70,25 = 76,055
Tes Formatif 2
1) A. t(1−0,05)(9) = t0,95(9) = 1,83
2) D. t1−0,975(13) = t0,025(13) =−t1−0,025(13) = −t0,975(13) = −2,16
3) B. t(1−0,45)(17) = t55(17) = 0,128
4) C. t(0,75)(21) = 0,686
5) A. t(1 - 0,05)(5) = t(0,95)(5) = 2,02
6) B. t⎛ ⎛ 1− 0,80 ⎞ ⎞
= t( 0,8+ 0,10)(19) = t0,90(19) = ±1,33
⎜ 0,80 + ⎜ ⎟ ⎟ (19 )
⎝ ⎝ 2 ⎠⎠
7) D. t(1−p)(26) = 2,48 Æ 1–p = 0,990 Æ p = 1 – 0,990 = 0,01
8) C. t(p)(23) = 1,32 Æ p = 0,900
9) A. t(1−α)(26) = 2,06 Æ 1 – α = 0,975 Æ α = 0,025 Æ p = 1 – 2α = 0,95
10) C. t(1 - p)(11) = 2,20 Æ 1 – p = 0,975 Æ p = 0,025

Daftar Pustaka
Publishing Company.

Company.

Jakarta: Erlangga.

Modul 7
Kurva-Kurva Lain dan Penggunaannya

PENDAHULUA N
D alam Modul 6, penulis telah mengutarakan kurva-kurva normal dan

kegunaannya. Dalam Modul 7 ini akan disajikan kurva-kurva lain yang
merupakan kurva-kurva dari distribusi yang tidak normal, yang manfaatnya
tidak kurang penting dari kurva-kurva sebelumnya. Namun, seperti halnya
dengan kurva-kurva normal yang telah Anda pelajari, dalam pemakaian
kurva-kurva berikut pun Anda tidak usah menghitung dengan perhitungan-
perhitungan yang rumit apalagi dengan penurunan rumus-rumusnya. Sebab
dalam modul ini telah disiapkan tabel-tabel dari kurva yang bersangkutan
begitu pula rumus-rumus yang akan digunakan.
Kurva-kurva yang penulis maksudkan akan disajikan dalam Modul 7 ini
ialah kurva dari distribusi χ 2 (baca: khi kuadrat, dalam bahasa Inggris χ
dibaca ”Kai”) dan kurva dari distribusi F.
Tentu saja dalam modul ini, penulis hanya sekedar menguraikan cara
mempergunakan atau membaca tabel-tabel dari kurva yang bersangkutan,
dan memberikan beberapa latihan yang sederhana. Sedangkan kegunaannya
yang lebih lanjut, yang erat sekali hubungannya dengan pengujian-pengujian
hipotesis dan analisis regresi, diberikan pada Modul 8 dan Modul 9.
Selanjutnya, setelah mempelajari modul ini, Anda diharapkan dapat
memahami arti dan kegunaan kurva dari distribusi χ 2 dan distribusi F. Lebih
khusus lagi, Anda diharapkan dapat:
1. mencari nilai khi kuadrat ( χ 2 ) dari daftar distribusi khi kuadrat;
2. menentukan luas daerah di bawah kurva khi kuadrat yang ditentukan
nilainya dan derajat kebebasannya;
3. mencari nilai F dari daftar distribusi F; dan
4. menentukan luas daerah di bawah kurva distribusi F yang ditentukan
nilainya serta derajat kebebasan pembilang dan derajat kebebasan
penyebutnya.
Kegiatan Belajar 1
Distribusi Khi Kuadrat (χ ) 2
D istribusi χ 2 juga merupakan distribusi dengan peubah acak kontinu.

Bentuk persamaannya:
1 1
γ −1 − u
f (u ) = Ku 2 e 2
dengan u = χ 2 > 0; γ = dk sedemikian rupa sehingga luas di bawah kurva

sama dengan 100% atau 1.
Umumnya grafik merupakan kemiringan atau kelandaian positif, yaitu
grafik dengan kelandaian ke kanan. Kelandaian ini semakin berkurang jika dk
semakin besar.
Umumnya grafik mempunyai kelandaian
(kemiringan) positif (ke kanan) untuk dk
yang makin besar, kelandaian semakin
berkurang.
Untuk perhitungan-perhitungan telah disiapkan tabel distribusi kuadrat

seperti halnya juga dengan distribusi-distribusi yang lain sebagai berikut.
Kolom pertama (v = dk) ialah bilangan-bilangan yang menunjukkan

derajat kebebasan yang akan dipakai. Sedangkan kolom-kolom berikutnya
menunjukkan χ 2 bergantung pada tingkat keberartian atau luas daerah di
bawah kurva khi kuadrat yang digunakan.
Tabel 7.1
Nilai persentil untuk distribusi χ 2
ν = dk (Bilangan dalam badan daftar menyatakan χ 2p ,v )
Percentile Values (χ )
2
p ,v for The Chi-Square Distribution
with v degrees of freedom (shaded area = p)
Sumber: Table of Percentage Points of the χ2 Distribution, Thompsoft, C.M., Biometrika, Vol. 32
(1941).
Dikutip dari: SUDJANA, Dr., Metoda Statistika; Tarsito Bandung, 1975.
Cara membaca Tabel 7.1:

1. Untuk mencari nilai χ 2p dengan p = 0,99 dan dk = 19 maka di bawah
kolom dk cari bilangan 19 kemudian telusuri ke kanan sampai bertemu
dengan bilangan yang terdapat pada kolom χ 0,99

2
. Bilangan yang dicari
ialah 36,2. Artinya, nilai χ 0,99(19)
2
= 36,2.
2. Kurva di sebelah ini untuk dk = 15
a. Jika luas daerah yang diarsir di sebelah kiri χ 2 = 0,25 artinya

p = 0,25 maka nilai χ 0,25
2
, untuk dk = 15 ialah 11,00.
b. Jika luas daerah yang diarsir di sebelah kanan χ 2 = 0,025 artinya
p = 1 – 0,025 = 0,975 maka nilai χ 0,975
2
untuk dk = 15 ialah 27,50.
c. Jika jumlah luas yang diarsir 0,10 akan terjadi banyak hal. Karena
distribusi χ 2 tidak simetris, mungkin luas ujung kanan = 0,02 dan
luas ujung kiri = 0,08 atau mungkin juga 0,07 dan 0,03 dan
seterusnya. Dalam hal demikian jika tidak dinyatakan apa-apa,
biasanya digunakan. Fifty-fifty yaitu luas daerah yang kanan sama
dengan luas daerah yang kiri. Seandainya dk = 9 maka luas daerah
ujung kiri 0,05 berarti p = 0,05 maka χ 0,05(9) 2
didapat 3,33.
Sedangkan luas daerah ujung kanannya 0,05 berarti p = 1 – 0,05 =
0,95 maka nilai χ 0,95(9)
2
didapat 16,9.
L A TIH A N

1) Untuk yang berdistribusi χ 2 dengan dk = 17, carilah nilai χ 2 sehingga

luas:
a. dari χ 2 ke kanan sama dengan 0,05
b. dari χ 2 ke kanan besarnya 0,99
c. dari χ 2 ke kanan sama dengan 0,25

d. dari χ 2 ke kiri sama dengan 0,25
e. dari χ 2 ke kiri sama dengan 0,99
f. dari χ 2 ke kiri sama dengan 0,10
2) Carilah luas daerah dari χ 2 = 12,5 ke kiri jika dk = 10
3) Carilah luas daerah dari χ 2 = 18,1 ke kanan jika dk = 23
1) a. Luas dari χ 2 ke kanan = 0,05 berarti p = 1 − 0,05 = 0,95
χ 0,95(17)
2
= 27, 6
b. χ (12 − 0,99)(17) = χ 0,01(17)

2
= 6,41
c. χ (12 − 0,25)(17) = χ 0,75(17)
2
= 20,5
d. χ 0,25(17)
2
= 12,8
e. χ 0,99(17)
2
= 33,4
f. Luas dari χ 2 ke kiri = 0,10 berarti p = 0,10 (cara menggunakan
tabel sama seperti soal a) χ 0,10(17)
2
= 10,1
2) χ 2p (10) = 12,5 → p = 0,75 maka luas daerahnya 0,75.
3) χ (12 − p )(23) = 18,1 → 1 – p = 0,25 maka luas daerah yang ditanya
p = 1 – 0,25 = 0,75.
RA NGK UMA N
1 1
γ −1 −
f (u ) = Ku 2 e 2
merupakan persamaan distribusi khi-kuadrat
dengan u > 0 sebab u = χ 2 ; K bilangan tetap yang tergantung dari nilai
sedemikian rupa sehingga luas daerah di bawah kurva prima dengan satu
sedangkan e = 2,7183.
Grafiknya merupakan kurva asimetris positif yaitu landai ke kanan.
Untuk perhitungan-perhitungan, daftar distribusi khi-kuadrat telah
disiapkan dalam Tabel 7.1.
TES FORMATIF 1
1) Untuk gejala yang berdistribusi χ 2 dengan dk = 17, nilai χ 2 sehingga

luas daerah dari χ 2 ke kanan sama dengan 0,025 ialah ....
A. 5,70
B. 7,56
C. 12,8
D. 30,2
2) Dengan dk = 20, nilai χ 2 sehingga luas daerah dari χ 2 ke kiri sama

A. 15,5
B. 19,3
C. 23,8
D. 34,2
3) Dengan dk = 9, nilai χ 2 sehingga luas daerah χ 2 ke kiri sama dengan

0,95 ialah ....
A. 3,33
B. 5,90
C. 16,9
D. 23,6
4) Dengan dk = 13, nilai χ 2 sehingga luas daerah χ 2 ke kiri sama dengan

0,01 ialah ....
A. 3,57
B. 4,11
C. 7,04
D. 27,7
5) Dengan dk = 29, nilai χ 2 sehingga luas daerah χ 2 ke kanan sama

A. 13,1
B. 14,3
C. 39,1
D. 49,6
6) Dengan dk = 25, nilai χ 2 sehingga luas daerah χ 2 ke kanan sama

A. 16,5
B. 34,4
C. 37,7
D. 44,3
7) Dengan dk = 30, nilai χ 2 sehingga luas daerah antara χ12 dan χ 22 = 0,90
ialah ....
A. 45,6 dan 24,5
B. 24,5 dan 16,8
C. 24,5 dan 34,8
D. 18,5 dan 43,8
8) Nilai χ 2 untuk dk = 9 sebesar 11,4 maka luas daerah dari nilai χ 2 itu ke
kiri ialah ....
A. 0,25
B. 0,75
C. 0,025
D. 0,975
9) Nilai χ 2 untuk dk = 17 sebesar 12,8 maka luas daerah dari nilai χ 2 ke

kanan ialah ....
A. 0,025
B. 0,25
C. 0,50
D. 0,75
10) Nilai χ 2 untuk dk = 5 sebesar 9,24 maka luas daerah dari nilai χ 2 ke
kanan ialah ....
A. 0,90
B. 0,75
C. 0,10
D. 0,05


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Kegiatan Belajar 2
Distribusi F
F ungsi kepadatan peluang (density) distribusi F mempunyai persamaan:
1
( γ1 − 2)
F2
f (F ) = K 1
( γ1 + γ2 )
⎡ γ1 F ⎤ 2
⎢1+ ⎥
⎣ γ1 ⎦
Distribusi ini ialah distribusi peubah acak kontinu F dengan daerah

(0, ∞) atau F > 0, K bilangan tetap yang nilainya bergantung pada nilai γ1
dan γ2 yang dipakai sehingga luas daerah antara kurva itu dan sumbu F sama
dengan 1.
γ1 adalah dk untuk pembilang, sedangkan γ2 merupakan dk untuk
penyebut. Grafiknya asimetris dengan skewness yang positif.
Seperti halnya dengan distribusi-distribusi lainnya, untuk distribusi F

pun telah disiapkan Tabel 7.2 yang dapat digunakan untuk perhitungan-
perhitungan.
Berbeda dengan tabel yang sudah dibicarakan, khusus mengenai tabel
distribusi F ini dalam beberapa buku statistika diperuntukkan hanya untuk
tingkat keberartian (level of significant atau los) yaitu p = 0,01 dan p = 0,05
saja.
Bentuk Tabel distribusi F.
Kalau Anda perhatikan setiap pasangan dk yang digunakan tersedia dua

bilangan yang dapat Anda pilih. Bilangan yang letaknya di atas dan yang di
bawah. Bilangan yang di atas menunjukkan nilai F untuk luas daerah dari
nilai F ke kanan sebesar 0,05. Dalam hal ini p = 0,05. Bilangan yang di
bawahnya menunjukkan nilai F untuk luas daerah dari nilai F ke kanan
sebesar 0,01 dalam hal ini p = 0,01.
Seperti halnya dengan distribusi yang lain, penggunaan p = 0,01 atau

0,05 bergantung pada pemilihan kita dalam soal yang akan dipecahkan.
Contoh:
Untuk pasangan dk pembilang dan penyebut γ1 = 16 dan γ2 = 9 ditulis
dengan ( γ1 , γ2 ) = (16,9) untuk p = 0,05 didapat nilai F = 2,98 (lihat:
Tabel 7.2). Biasanya ditulis: F0,05;(16,9) = 2,98. Grafiknya atau kurvanya.
Jika kita gunakan p = 0,01 diperoleh nilai F0,01;(16,9) = 4,92. Kurvanya:
Meskipun Tabel 7.2 hanya untuk nilai-nilai F dengan nilai kemungkinan

0,01 dan 0,05 saja, namun sebenarnya dapat juga dihitung nilai-nilai F
dengan nilai kemungkinan 0,99 atau 0,95. Untuk ini, digunakan hubungan:
1
F(1− p );( γ1 , γ2 ) =
Fp;( γ2 , γ1 )
Contoh:
Jika kita lihat dalam Tabel 7.2 nilai F0,05;(12,20) = 2, 28 maka jika kita
memerlukan nilai F0,95;( 20,12 ) maka dapat digunakan hubungan di atas.
1 1
F0,95;(20,12) = = = 0, 44
F0,05(12,20) 2, 28
Selanjutnya, Anda kerjakan soal-soal latihan berikut!
L A TIH A N

Dengan dk pembilang sama dengan 9 dan dk penyebut sama dengan 20,
carilah nilai F sehingga luas di bawah kurva distribusi F;
1) dari F ke kanan 0,01.
2) dari F ke kanan 0,05.
3) dari F ke kiri 0,99.
1) Luas di bawah kurva distribusi F dari F ke kanan 0,01 berarti p = 0,01
F0,01;(9,20) = 3, 45. Demikian seterusnya cara menggunakan tabelnya.
2) F0,01;(9,20) = 2, 40.
3) Luas di bawah kurva distribusi F dari F ke kiri 0,99 berarti 1− p = 0,99
atau p = 0,01. Jadi F(1− 0,99);( 9,20) = F0,01;(9,20) = 3, 45 .
RA NGK UMA N
1
( γ1 − 2)
F2
f (F) = K 1

( γ1 + γ2 )
⎡ γ1 F ⎤ 2
⎢1+ ⎥
⎣ γ1 ⎦
Merupakan persamaan distribusi F dengan F >.0; K ialah bilangan

tetap yang nilainya bergantung pada γ1 dan γ2 di mana γ1 = dk
pembilang dan γ2 = dk penyebut.
Distribusi F ini mempunyai dua buah atau sepasang dk yaitu dk
pembilang dan dk penyebut. Kurvanya asimetris, sepintas lalu seperti
kurva distribusi χ 2 .
TES FORMATIF 2
1) Dengan dk pembilang 9 dan dk penyebut 21, nilai F sehingga luas daerah

di bawah kurva distribusi F dari F ke kanan sama dengan 0,01 adalah ....
A. 2,37
B. 2,40
C. 3,40
D. 3,45
2) Dengan dk pembilang 5 dan dk penyebut 8, nilai F sehingga luas daerah

di bawah kurva distribusi F dari F ke kanan sama dengan 0,05 adalah ....
A. 3 ,69
B. 3,97
C. 6,06
D. 6,63
3) Dengan dk pembilang 11 dan dk penyebut 16, nilai F sehingga luas

daerah di bawah kurva distribusi F dari F ke kiri sama dengan 0,01
adalah ....
A. 0,24
B. 0,28
C. 0,37
D. 0,41
4) Dengan dk pembilang 16 dan dk penyebut 24, nilai F sehingga luas

daerah di bawah kurva distribusi F dari F ke kiri 0,05 adalah ....
A. 0,31
B. 0,35
C. 0,45
D. 0,48
5) Nilai F0,05;(12,9) ialah ....

A. 5,67
B. 5,11
C. 3,31
D. 3,07
6) Nilai F0,01;( 20,7 ) ialah ....

A. 6,15
B. 5,36
C. 3,44
D. 3,15
7) Nilai F0,95;(8,16) ialah ....

A. 0,18
B. 0,26
C. 0,31
D. 0,39
8) Nilai F0,99;(30,24 ) ialah ....

A. 0,39
B. 0,40
C. 0,52
D. 0,53


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Tes Formatif 1
1) D. Cari nilai χ (12 - 0,025)(17)
2) A. Cari nilai χ 0,025(20)
2
3) C. Cari nilai χ 0,95(9)

2
4) B. Cari nilai χ 0,01(13)

2
5) D. Cari nilai χ (1-

2
0,01) (29)
6) A. Cari nilai χ (1-

2
0,90) (25)
7) D. Cari nilai χ ⎛21−0,90 ⎞ dan χ ⎛2

⎛ 1−0,90 ⎞ ⎞
⎜ ⎟( 30 ) ⎜ 1−⎜ ⎟ ⎟( 30 )
⎝ 2 ⎠ ⎝ ⎝ 2 ⎠⎠
8) B. Cari nilai p dari χ p2 (9) = 11, 4

9) D. Cari nilai 1 − p dari χ (21− p )(17 ) = 12,8
10) C. Cari nilai p dari χ (12 - p) = 9, 24
Tes Formatif 2
1) C. Cari nilai F0,01;(9,21) = 3, 40
2) A. Cari nilai F0,05;(5,8) = 3, 69
1 1
3) A. F(1− 0,01);(11,16) = F(0,99);(11,16) = = = 0, 24
F(0,01);(16,11) 4, 21
1 1
4) C. F(1− 0,05);(16,24) = F(0,95);(16,24) = = = 0, 45
F(0,95);(24,16) 2, 24
5) D. F0,05;(12,9 ) = 3, 07
6) A. F0,01;( 20,7 ) = 6,15
1 1
7) C. F0,95;(8,16) = = = 0,39
F0,05;(16,8) 2,59
1 1
8) B. F0,99;(30,24) = = = 0, 40
F0,01;( 24,30) 2, 47
Daftar Pustaka
Publishing Company.

Company.

Jakarta: Erlangga.

Modul 8
Pengujian Hipotesis
Kartono, S.Pd., M.Si.
PENDAHULUA N
D alam Modul 8 ini kita akan belajar mengenai pengujian hipotesis.

Modul ini dibagi menjadi tiga kegiatan belajar. Pada Kegiatan Belajar
(KB) 1 akan dikupas mengenai pengertian hipotesis statistik, kesalahan
jenis I dan kesalahan jenis II, pengujian hipotesis statistik, serta uji satu-arah
dan dua-arah. Pada Kegiatan Belajar 2 akan dibahas mengenai uji normalitas
dan uji homogenitas. Pada Kegiatan Belajar 3 akan dikaji mengenai uji beda
rataan satu sampel dan uji beda rataan dua sampel.
Sebelum Anda mempelajari modul ini, Anda diharapkan telah
memahami benar Modul 4 sebelumnya mengenai ukuran pemusatan dan
ukuran dispersi, karena dalam pembahasan Modul 8 ini akan banyak
melibatkan rataan, ragam, dan standar deviasi. Selain tuntutan pada
pemahaman pada Modul 4, Anda diharapkan dapat memahami benar Modul
6 dan Modul 7, karena dalam penarikan kesimpulan Anda akan dihadapkan
dengan permasalahan membaca tabel distribusi normal baku, tabel distribusi
t, tabel distribusi khi kuadrat dan tabel distribusi F.
Setelah mempelajari Modul 8 ini, secara umum Anda diharapkan dapat
menggunakan pengujian hipotesis statistik guna penarikan kesimpulan yang
sah. Secara terperinci, setelah mempelajari modul ini Anda diharapkan dapat:
1. menyebutkan definisi hipotesis statistik;
2. menyebutkan pengertian kesalahan jenis I dan kesalahan jenis II;
3. menentukan kesalahan jenis I atau kesalahan jenis II dari suatu masalah
penelitian;
4. menentukan hipotesis nol dan hipotesis tandingan dari suatu masalah
penelitian;
5. menarik kesimpulan pengujian hipotesis satu arah dari suatu masalah
penelitian;
6. menarik kesimpulan pengujian hipotesis dua arah dari suatu masalah
penelitian;
7. menentukan kenormalan pada distribusi suatu gugus data;

8. menentukan kehomogenan dari dua gugus data;
9. menarik kesimpulan pengujian hipotesis untuk uji beda rataan satu
sampel dari suatu masalah penelitian; dan
10. menarik kesimpulan pengujian hipotesis untuk uji beda rataan dua
sampel dari suatu masalah penelitian.
Kegiatan Belajar 1
Hipotesis Statistik
P ersoalan berat yang harus kita hadapi dalam suatu penelitian ialah kita
harus mengambil kesimpulan tentang suatu populasi berdasarkan sampel
yang kita peroleh. Misalnya, kita harus mengetahui bagaimana sikap
masyarakat Indonesia (populasi) terhadap penggunaan kalkulator di sekolah
dasar melalui sebagian kecil data (sampel) yang kita kumpulkan. Dalam
pengambilan kesimpulan tersebut, semestinya kita harus mengetahui rataan
dari populasi (parameter) sikap rakyat Indonesia terhadap penggunaan
kalkulator itu, namun pada kenyataannya, kita hanya mengetahui rataan dari
sampel (statistik) yang kita peroleh, yaitu rataan dari sikap sebagian kecil
rakyat Indonesia. Oleh karena itu, untuk dapat menarik kesimpulan yang sah,
kita membutuhkan alat uji yang tepat dalam menduga parameter melalui
statistik yang kita miliki.
A. HIPOTESIS STATISTIK
Hipotesis statistik ialah suatu anggapan atau pernyataan yang mungkin

benar atau tidak, mengenai satu populasi atau lebih. Kebenaran atau
ketidakbenaran hipotesis statistik tidak pernah diketahui dengan pasti kecuali
apabila seluruh populasi diamati. Pengamatan pada seluruh anggota populasi
tentunya tidak praktis dalam suatu penelitian. Oleh karena itu, perlu diambil
sampel acak dari suatu populasi yang ingin diselidiki dan dengan
menggunakan informasi yang terkandung dalam sampel tersebut untuk
kemudian diputuskan apakah hipotesis tersebut dapat dinyatakan benar atau
salah.
Petunjuk dari sampel yang tidak sesuai dengan hipotesis, menjurus
kepada penolakan hipotesis, sedangkan petunjuk yang mendukung hipotesis
menjurus kepada penerimaan hipotesis. Perlu ditegaskan bahwa pada tahap
perumusan hipotesisi statistik, penerimaan suatu hipotesis statistik
diakibatkan oleh tidak cukupnya petunjuk untuk menolaknya, namun bukan
berarti menunjukkan bahwa hipotesis itu mutlak benar.
Contoh 1:
Dalam pelemparan sekeping uang logam, dapat dirumuskan hipotesis
statistik bahwa uang tersebut setangkup, yang berarti bahwa jika uang
tersebut dilantunkan tak berhingga kali banyaknya maka proporsi muncul sisi
muka adalah p = 0,5.
Jika dalam pelemparan uang logam tersebut sebanyak 100 kali
menghasilkan 48 kali muncul muka, maka tidak salah jika kita menarik
kesimpulan bahwa uang logam tersebut setangkup. Jadi, dalam menerima
hipotesis, hanya satu hal yang kita yakini secara wajar yaitu bahwa proporsi
sesungguhnya, muka yang muncul tidak jauh berbeda dengan setengah. Jika
dari seratus pelemparan tersebut menghasilkan hanya 35 muka, maka
terdapat petunjuk yang mendukung penolakan hipotesis. Mengingat bahwa
peluang mendapat 35 muka dari 100 pelemparan uang logam tersebut
p = 0,35 yang cukup jauh dari nilai proporsi uang logam yang setangkup
p = 0,5.
Kendati pun akan sering digunakan istilah diterima dan ditolak dalam
modul ini, penting dipahami bahwa penolakan suatu hipotesis berarti
menyimpulkan bahwa hipotesis tersebut tidak benar, sedangkan penerimaan
suatu hipotesis hanyalah menunjukkan bahwa tidak cukup petunjuk untuk
mempercayai bahwa hipotesis tersebut tidak benar. Karena itulah,
statistikawan atau yang melakukan percobaan (pencoba) seharusnya selalu
menyatakan suatu pernyataan sebagai hipotesis yang dia harapkan akan
ditolak. Kalau dia ingin meneliti vaksin flu yang baru, dia menganggap
bahwa vaksin itu tidak lebih baik dari vaksin yang sudah beredar di pasaran
dan kemudian merencanakan untuk menolaknya. Begitu pula, untuk
membuktikan bahwa suatu teknik mengajar lebih unggul dari yang lainnya,
dapat dirumuskan suatu hipotesis bahwa kedua teknik mengajar tersebut
tidak ada bedanya.
Hipotesis yang dirumuskan dengan harapan untuk ditolak disebut
hipotesis nol dan dinyatakan dengan H0, sedangkan hipotesis yang
dirumuskan dengan harapan untuk diterima disebut hipotesis tandingan dan
dinyatakan dengan H1.
Contoh 2:
Ingin diteliti apakah hasil belajar siswa yang diajarkan dengan metode
CBSA lebih baik dari hasil belajar siswa yang diajarkan dengan metode
ceramah. Dari permasalahan tersebut dapat kita rumuskan hipotesis nol dan
hipotesis tandingannya:
H 0 : μ A = μB
H1 : μ A > μ B
Dengan μ A adalah rata-rata hasil belajar siswa yang diajarkan dengan
metode CBSA.
μB adalah rata-rata hasil belajar siswa yang diajarkan dengan
metode ceramah.
B. KESALAHAN JENIS I DAN JENIS II
Seperti telah dijelaskan sebelumnya bahwa kebenaran atau

ketidakbenaran hipotesis statistik tidak pernah diketahui dengan pasti. Oleh
karena itu, terdapat dua kemungkinan kebenaran atau ketidakbenaran
hipotesis statistik, yaitu penolakan terhadap hipotesis nol (H0) padahal
hipotesis tersebut benar yang biasa disebut dengan kesalahan jenis I, dan
penerimaan terhadap hipotesis nol (H0) padahal hipotesis tersebut salah yang
biasa disebut dengan kesalahan jenis II.
Peluang melakukan kesalahan jenis I disebut taraf keberartian uji
tersebut dan dinyatakan dengan α. Nilai α tersebut dapat ditentukan dengan
bantuan tabel distribusi peubah acak seperti tabel distribusi normal baku,
tabel distribusi t, tabel distribusi khi kuadrat, dan tabel distribusi F yang telah
Anda pelajari pada Modul 6 dan Modul 7. Namun untuk keperluan praktis,
dapat ditentukan terlebih dahulu dengan harga yang biasa digunakan, yaitu
α = 0,01 atau α = 0,05. Dengan α = 0,05 atau sering pula disebut taraf nyata
5%, berarti kira-kira 5 dari tiap 100 kesimpulan bahwa kita akan menolak
hipotesis yang seharusnya diterima. Dengan kata lain, kira-kira 95% yakin
bahwa kita telah membuat kesimpulan yang benar. Dalam hal demikian
dikatakan bahwa hipotesis telah ditolak pada taraf nyata 0,05 yang berarti
kita mungkin salah dengan peluang 0,05. Peluang melakukan kesalahan
jenis II, dinyatakan dengan β, tidak mungkin dihitung kecuali bila hipotesis
tandingannya ditentukan secara khusus. Untuk setiap pengujian dengan α
yang ditentukan, besar β dapat dihitung. Harga (1 – β) disebut dengan kuasa
uji.
Prosedur perhitungan nilai α dijelaskan pada contoh di bawah ini.
Contoh 3:
Misalkan akan dikaji mengenai dugaan apakah nilai rata-rata Ujian
Akhir Nasional (UAN) pada bidang studi matematika siswa kelas IX SMP
lebih besar dari 4,25. Jika kita tentukan bahwa taraf signifikansi = 0,025 dan
data sampel dari 100 orang yang kita peroleh berdistribusi normal dengan
x = 5, 00 dan s = 2,5.
Dari masalah tersebut maka dapat dirumuskan hipotesisi statistik sebagai
berikut.
H 0 : μ = 4, 25
H1 ; μ > 4, 25
Daerah penolakan dan penerimaan H0 adalah
Gambar 8.1.
Daerah penerimaan dan penolakan H0
Jika kita hitung nilai z-hitung dari data sampel tersebut akan diperoleh
x−μ 5, 00 − 4, 25
zhitung = = =3
σ/ n 2,5 /10
Maka kita dapat menghitung nilai α

α = P ( x > 4, 25) = P( z > z3,0 ) = 0, 05 − z3,0 = 0,5 − 0, 4986 = 0, 0014
Peluang tersebut ternyata cukup kecil, yang berarti kemungkinan penerimaan

H0 kecil, dengan kata lain peluang nilai rata-rata Ujian Akhir Nasional
(UAN) pada bidang studi matematika siswa kelas IX SMP lebih besar dari
4,25 akan sangat besar.
C. PENGUJIAN HIPOTESIS STATISTIK
Pengujian terhadap kebenaran hipotesis statistik yang telah kita

rumuskan, dapat dilakukan dengan membandingkan statistik yang kita
peroleh dari sampel dengan parameter dari populasi yang sebenarnya.
Langkah-langkah dalam melakukan pengujian hipotesis adalah sebagai
berikut.
1. Merumuskan Hipotesis Statistik

Seperti telah dijelaskan sebelumnya, dalam merumuskan hipotesis yang
perlu diperhatikan adalah hipotesis yang dirumuskan dengan harapan untuk
ditolak disebut hipotesis nol dan dinyatakan dengan H0, sedangkan hipotesis
yang dirumuskan dengan harapan untuk diterima disebut hipotesis tandingan
dan dinyatakan dengan H1.
2. Menentukan Taraf Signifikan

Penentuan taraf signifikan (α) disesuaikan dengan tingkat risiko yang
akan dihadapi dalam menarik kesimpulan. Misalnya, jika seorang dokter
ingin mengetahui keampuhan dari suatu obat yang memiliki efek samping
terhadap kematian, maka harus ditentukan nilai. Namun, berbeda dengan
penelitian yang dilakukan oleh seorang guru dalam menguji keefektifan suatu
metode pengajaran, ia cukup memilih nilai α = 5% bahkan ada juga beberapa
kalangan memperbolehkan penentuan nilai α hingga 25%.
3. Menentukan Daerah Kritis

Penentuan daerah kritis disesuaikan dengan rumusan hipotesis statistik,
nilai α, dan distribusi dari data sampel yang diperoleh. Rumusan hipotesis
statistik diperlukan dalam menentukan daerah penolakan atau penerimaan H0.
Distribusi dari data sampel diperlukan untuk menentukan nilai kritis dengan
bantuan tabel standar dari distribusi yang bersesuaian seperti kurva normal
baku, kurva distribusi t, kurva distribusi khi kuadrat, dan kurva distribusi F.
4. Menghitung Nilai Statistik

Penguji hipotesis statistik yang kita rumuskan dapat dilakukan dengan
menghitung nilai statistik dari data sampel untuk kemudian dibandingkan
dengan nilai kritisnya.
Contoh 4:
Hipotesis statistik suatu penelitian adalah sebagai berikut.
H 0 : μ = μ0
H1 : μ < μ0
Apabila ditentukan nilai dan distribusi dari n buah data sampel tersebut
normal dengan rata-rata x dan simpangan baku s maka dapat digambarkan
daerah penolakan dan daerah penerimaan H0 sebagai berikut.
Gambar 8.2.
Daerah penolakan dan penerimaan H0 dari data sampel
berdistribusi normal dengan H1 : μ < μ0
x−μ
Dengan menghitung nilai statistik zhitung = maka kita dapat
σ/ n
menarik kesimpulan apakah H0 diterima atau di tolak. Apabila nilai
zhitung < − z0,5− α maka H0 ditolak, dan sebaliknya apabila nilai zhitung > − z0,5− α
maka H0 diterima.
Contoh 5:
H 0 : μ = μ0
H 0 : μ > μ0
Apabila ditentukan nilai α dan distribusi dari n buah data sampel
tersebut normal dengan rata-rata x dan simpangan baku s maka dapat
digambarkan daerah penolakan dan daerah penerimaan H0 sebagai berikut.
Gambar 8.3.
berdistribusi normal dengan H1 : μ > μ0
x−μ
σ/ n
zhitung > z0,5− α maka H0 ditolak, dan sebaliknya apabila nilai zhitung < z0,5− α
maka H0 diterima.
Contoh 6:
H 0 : μ = μ0
H 0 : μ ≠ μ0
Apabila ditentukan nilai α dan distribusi dari n buah data sampel
tersebut normal dengan rata-rata x dan simpangan baku s, maka dapat
digambarkan daerah penolakan dan daerah penerimaan H0 sebagai berikut.
Gambar 8.4.
berdistribusi normal dengan H1 : μ ≠ μ0
x−μ
σ/ n
− z α < zhitung < z α maka H0 ditolak, dan sebaliknya apabila nilai
0,5 − 0,5 −
2 2
zhitung < − z α atau zhitung > z α maka H0 diterima.

0,5 − 0,5 −
2 2
D. UJI EKA ARAH DAN DWI ARAH
Pada pengujian hipotesis dengan hipotesis tandingan H1 bernilai lebih

dari atau kurang dari nilai parameter yang ditetapkan pada H0 maka dapat
dilakukan uji eka arah (one tail), sedangkan pengujian hipotesis dengan
hipotesis tandingan H1 bernilai tidak sama dengan nilai parameter yang
ditetapkan pada H0 maka dapat dilakukan uji dwi arah (two tail). Pengujian
hipotesis yang disajikan pada Contoh 8.4 dan Contoh 8.5 di atas merupakan
uji eka arah, sedangkan pengujian hipotesis yang disajikan pada Contoh 8.6
di atas merupakan uji dwi arah. Uji dwi arah bisanya dilakukan apabila tidak
ada teori yang mendukung bahwa nilai statistik akan lebih dari atau kurang
dari nilai parameter dugaan.
Contoh 7:
Misalkan akan diteliti keefektifan dari dua metode pengajaran, yaitu
pengajaran dengan Student Team Achievement Division (STAD) dan Team
Grup Tournament (TGT). Berdasarkan teori yang ada bahwa kedua metode
memiliki kelebihan dan kekurangan. Oleh karena itu, hipotesis statistik yang
dapat kita rumuskan adalah sebagai berikut.
H 0 : μ A = μB
H1 : μ A ≠ μ B
dengan μ A adalah rata-rata hasil belajar siswa yang diajarkan dengan
metode STAD
μB adalah rata-rata hasil belajar siswa yang diajarkan dengan
metode TGT
Daerah penolakan dan penerimaan dari hipotesis tersebut adalah sebagai

berikut.
L A TIH A N

1) Apakah yang dimaksud dengan hipotesis statistik?
2) Apakah yang dimaksud dengan:
a. kesalahan jenis I, dan
b. kesalahan jenis II.
3) Dalam suatu penelitian, akan ditelusuri dugaan apakah siswa Sekolah

Dasar dapat menyelesaikan soal cerita lebih dari 50% dari soal
matematika yang diberikan.
a. Tuliskan hipotesis statistiknya!
b. Tentukan kesalahan jenis I dan kesalahan jenis II dari hipotesis
tersebut!
4) Suatu penelitian ingin mengetahui dugaan apakah jumlah nilai UAN
siswa kelas XII SMA lebih dari 20. Dipilih sampel sebanyak 64 orang
siswa dan ternyata sampel tersebut berdistribusi normal dengan rata-rata
21 dan simpangan bakunya 6.
a. Tuliskan hipotesis statistik dari penelitian tersebut!
b. Berapa persenkah peluang kesalahan dugaan peneliti tersebut?
5) Seorang guru matematika mengadakan penelitian tentang metode
menghafal rumus-rumus trigonometri dengan dua jenis pendekatan.
Guru tersebut tidak menemukan penelitian atau referensi yang
menguatkan kedua metode tersebut. Bantulah guru tersebut merumuskan
hipotesisnya dan menggambar daerah penolakan dan daerah penerimaan
hipotesis nol!
1) Hipotesis statistik adalah suatu anggapan atau pernyataan yang mungkin

benar atau tidak, mengenai satu populasi atau lebih.
2) a. Kesalahan jenis I adalah penolakan terhadap hipotesis nol (H0)
padahal hipotesis tersebut benar.
b. Kesalahan jenis II adalah penerimaan terhadap hipotesis nol (H0)
padahal hipotesis tersebut salah.
3) a. H 0 : p = 0,5
H1 : p > 0,5
b. Kesalahan jenis I adalah penolakan terhadap hipotesis bahwa 50%
soal cerita dapat diselesaikan padahal hipotesis tersebut benar.
Kesalahan jenis II adalah penerimaan terhadap hipotesis bahwa 50%
soal cerita dapat diselesaikan padahal hipotesis tersebut salah.
4) a. H 0 : μ = 20
H1 : μ > 20
μ = 20 z = 1,33
b. Jika dihitung z-hitungnya maka

x − μ 21 − 20
zhitung = = = 1,33
σ/ n 6/8
α = P ( x > 21) = P ( z > z1,33 ) = 0, 05 − z1,33 = 0,5 − 0, 4082 = 0, 0918
Jadi, peluang kesalahan dugaan peneliti tersebut adalah 9,2%.
5) H 0 : μ A = μB
H1 : μ A ≠ μ B
dengan:
μ A adalah rata-rata hasil belajar siswa yang diajarkan dengan metode I.
μB adalah rata-rata hasil belajar siswa yang diajarkan dengan metode II.

RA NGK UMA N
1. Hipotesis statistik ialah suatu anggapan atau pernyataan yang

mungkin benar atau tidak, mengenai satu populasi atau lebih.
2. Petunjuk dari sampel yang tidak sesuai dengan hipotesis, menjurus
kepada penolakan hipotesis, sedangkan petunjuk yang mendukung
hipotesis menjurus kepada penerimaan hipotesis.
3. Hipotesis yang dirumuskan dengan harapan untuk ditolak disebut
hipotesis nol dan dinyatakan dengan H0, sedangkan hipotesis yang
dirumuskan dengan harapan untuk diterima disebut hipotesis
tandingan dan dinyatakan dengan H1.
4. Kesalahan jenis I adalah penolakan terhadap H0 padahal hipotesis

tersebut benar, sedangkan kesalahan jenis II adalah penerimaan
terhadap H0 padahal hipotesis tersebut salah.
5. Pengujian hipotesis dengan hipotesis tandingan H1 bernilai lebih
dari atau kurang dari nilai parameter yang ditetapkan pada H0 maka
dapat dilakukan uji eka arah (one tail), sedangkan pengujian
hipotesis dengan hipotesis tandingan H1 bernilai tidak sama dengan
nilai parameter yang ditetapkan pada H0 maka dapat dilakukan uji
dwi arah (two tail).
TES FORMATIF 1
1) Seorang guru hendak menelusuri dugaan bahwa nilai rata-rata UAN

siswa kelas XII di sekolahnya masih di bawah nilai standar yang
ditetapkan yaitu 4,25. Hipotesis statistik penelitian guru tersebut
adalah ....
A. H 0 : μ = 4, 25
H1 : μ < 4, 25
B. H 0 : μ = 4, 25
H1 : μ ≠ 4, 25
C. H 0 : μ = 4, 25
H1 : μ > 4, 25
D. H 0 : μ = 4, 255
H1 : μ < 4, 255
2) Seorang kepala sekolah ingin meneliti proporsi banyaknya siswa di

sekolahnya yang berhasil masuk ke perguruan tinggi negeri. Ia menduga
bahwa proporsi banyaknya siswa yang berhasil lebih dari 40%. Hipotesis
statistik dari penelitian tersebut adalah ….
A. H 0 : p = 0, 4
H1 : p < 0, 4
B. H 0 : p = 0, 4
H1 : p ≠ 0, 4
C. H 0 : p = 0, 4
H1 : p > 0, 4
D. H 0 : p = 0, 45
H1 : p > 0, 45
3) Seorang guru hendak mengetahui peningkatan hasil belajar siswa setelah

diberikan pelajaran menggunakan metode baru. Ia tidak dapat
menemukan teori yang mendukung metode tersebut dapat meningkatkan
hasil belajar siswa. Apabila ia menduga rata-rata hasil belajar siswa yang
diajarkan dengan metode baru tersebut lebih tinggi dibandingkan rata-
rata siswa yang diajarkan dengan metode lama dengan mengambil taraf
signifikansi 5% maka hasil penelitian guru tersebut memiliki tingkat
kepercayaan ….
A. 0,025
B. 0,05
C. 0,75
D. 0,95
4) Dari soal nomor 3 maka kesalahan jenis I pada penelitian guru tersebut
adalah ….
A. penolakan terhadap hipotesis bahwa rata-rata hasil belajar siswa
yang diajarkan dengan metode baru sama dengan rata-rata hasil
belajar siswa yang diajarkan dengan metode lama karena hipotesis
tersebut salah
B. penolakan terhadap hipotesis bahwa rata-rata hasil belajar siswa
belajar siswa yang diajarkan dengan metode lama padahal hipotesis
tersebut benar
C. penerimaan terhadap hipotesis bahwa rata-rata hasil belajar siswa
tersebut benar
D. penerimaan terhadap hipotesis bahwa rata-rata hasil belajar siswa
tersebut salah
5) Dari soal nomor 3 maka kesalahan jenis II pada penelitian guru tersebut
adalah ….
A. penolakan terhadap hipotesis bahwa rata-rata hasil belajar siswa
tersebut salah
B. penolakan terhadap hipotesis bahwa rata-rata hasil belajar siswa

tersebut benar
C. penerimaan terhadap hipotesis bahwa rata-rata hasil belajar siswa
tersebut benar
D. penerimaan terhadap hipotesis bahwa rata-rata hasil belajar siswa
tersebut salah
6) Seorang siswa akan meneliti kebenaran teori bahwa biji kacang hijau
akan berubah menjadi kecambah rata-rata dalam 72 jam dengan
simpangan baku 0,255 jam. Persentase kesalahan dugaan dari masalah
tersebut adalah ….
A. 0,025
B. 0,05
C. 0,75
D. 0,95
7) Seorang guru ingin mengetahui dugaan bahwa pembelajaran materi

geometri dengan menggunakan alat peraga dapat meningkatkan rata-rata
hasil belajar di atas nilai ketuntasan belajar yaitu 6,5. Bila ternyata dari
penelitian tersebut diperoleh data yang berdistribusi t dari 30 orang siswa
memiliki rata-rata 7,8 dan standar deviasi 4,19 maka persentase
kesalahan jenis I adalah ....
A. 0,025
B. 0,05
C. 0,75
D. 0,95
8) Jika pada penelitian soal nomor 7 diperoleh data yang berdistribusi t dari
30 orang siswa memiliki rata-rata 7 dan standar deviasi 4,01 maka
persentase kesalahan jenis I adalah ....
A. 0,025
B. 0,05
C. 0,25
D. 0,5
9) Jika pada penelitian soal nomor 7 guru tersebut tidak memperoleh

literatur yang mendukung dugaannya namun ia hanya ingin
membuktikan bahwa rata-rata hasil belajar 30 orang siswanya yang
memiliki rata-rata tidak sama dengan nilai ketuntasan belajar dengan
asumsi datanya berdistribusi t dengan standar deviasi 0,20896 maka
persentase kesalahan jenis I adalah ....
A. 0,02
B. 0,05
C. 0,80
D. 1,00
10) Jika pada penelitian soal nomor 7 guru tersebut tidak memperoleh
literatur yang mendukung dugaannya namun ia hanya ingin
membuktikan bahwa rata-rata tidak sama dengan nilai ketuntasan belajar
berdasarkan data yang diperoleh berdistribusi t dari 30 orang siswa pada
kelas A memiliki rata-rata 5,2 dan 30 orang siswa pada kelas B memiliki
rata-rata 7,8 dengan standar deviasi untuk masing-masing kelas 4,19
maka persentase kesalahan jenis I adalah ....
A. 0,01
B. 0,05
C. 0,10
D. 0,50


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Kegiatan Belajar 2
Uji Normalitas dan Uji Homogenitas
P ada pengujian hipotesis, khususnya uji parametrik (menduga parameter),

uji normalitas sangat diperlukan untuk mengetahui apakah distribusi dari
data sampel yang kita gunakan memenuhi asumsi berdistribusi normal.
Penyimpangan terhadap asumsi kenormalan tersebut dapat berakibat terhadap
keabsahan dalam penarikan kesimpulan, karena statistik hitung yang kita
gunakan diturunkan dari fungsi distribusi normal. Oleh karena itu, sebelum
kita melakukan uji hipotesis, kita harus menguji terlebih dahulu kenormalan
dari distribusi data sampel yang akan digunakan.
Apabila suatu penelitian akan membandingkan dua gugus data atau
lebih maka perlu dilakukan uji kesamaan keragaman atau variansi antar
gugus data atau biasa disebut dengan uji homogenitas. Uji homogenitas
tersebut perlu dilakukan agar dua gugus data atau lebih tersebut layak untuk
dibandingkan (comparable). Selain itu, uji homogenitas pada uji beda rataan
dapat digunakan untuk menentukan rumus statistik hitung yang dapat
digunakan, hal ini akan dijelaskan lebih lanjut pada KB 3 dalam modul ini.
A. UJI NORMALITAS
Uji normalitas yang biasa digunakan adalah uji Liliefors, uji

Kolmogorov-Smirnov, uji Anderson-Darling, dan uji Shapiro-Wilks.
Hipotesis statistik dari uji normalitas adalah sebagai berikut.
H0 : sampel acak berasal dari populasi yang berdistribusi normal.
H1 : sampel acak berasal dari populasi yang tidak berdistribusi normal.
Pada kegiatan belajar ini akan dijelaskan mengenai uji normalitas

menggunakan uji Liliefors. Penggunaan uji Liliefors relatif mudah dan
akurat. Prosedur penggunaan uji Liliefors adalah sebagai berikut.
1. Menstandardisasi Data Sampel

Data sampel x1, x2, x3,…, xn distandardisasikan menjadi bilangan baku
x −x
z1, z2, z3, …, zn dengan menggunakan rumus: zi = i
s
Keterangan:
zi adalah bilangan baku
xi adalah nilai ke-i
s adalah simpangan baku
x adalah rata-rata nilai
2. Menentukan Peluang Bilangan Baku [F(zi)]

Dengan menggunakan daftar distribusi normal baku, dihitung peluang
setiap bilangan baku F ( zi ) = P ( z ≤ zi ).
3. Menentukan Proporsi Bilangan Baku [S(zi)]

Selanjutnya, dihitung proporsi z1, z2, z3, …, z30 yang kurang dari atau
sama dengan zi . Jika proporsi ini dinyatakan oleh S(zi), maka
banyaknya z1 , z2 , z3 ,..., zn yang kurang dari zi
S ( zi ) =
n
4. Menghitung selisih F(zi) dengan S(zi), kemudian tentukan harga
mutlaknya.
5. Ambil harga mutlak yang paling besar di antara harga mutlak selisih
F(zi) dengan S(zi). Harga mutlak terbesar itulah yang menjadi Lo.
6. Bandingkan nilai Lo dengan nilai L-tabel sesuai dengan taraf signifikansi
dan banyak datanya (n). Jika Lo < L-tabel maka data tersebut
berdistribusi normal, sedangkan jika Lo > L-tabel maka data tersebut
tidak berdistribusi normal. Nilai L-tabel dapat dilihat pada Tabel 8.1 di
bawah ini.
Tabel 8.1.
Daftar Nilai Kritis untuk Uji Liliefors
Ukuran Taraf Nyata (a)

Sampel 0,01 0,05 0,10 0,15 0,20
N=4 0,417 0,381 0,352 0,319 0,300
5 0,405 0,337 0,315 0,299 0,285
6 0,364 0,319 0,294 0,277 0,2-65
7 0,348 0,300 0,276 0,258 0,247
8 0,331 0,285 0,261 0,244 0,233
9 0,311 0,271 0,249 0,233 0,223
10 0,294 0,258 0,239 0,224 0,215
11 0,284 0,249 0,230 0,217 0,206
12 0,275 0,242 0,223 0,212 0,199
13 0,268 0,234 0,214 0,202 0,190
Ukuran Taraf Nyata (a)

Sampel 0,01 0,05 0,10 0,15 0,20
14 0,261 0,227 0,207 0,194 0,183
15 0,257 0,220 0,201 0,187 0,177
16 0,250 0,213 0,195 0,182 0,173
17 0,245 0,206 0,289 0,177 0,169
18 0,239 0,200 0,184 0,173 0,166
19 0,235 0,195 0,179 0,169 0,163
20 0,231 0,190 0,174 0,166 0,160
25 0,200 0,173 0,158 0,147 0,142
30 0,187 0,161 0,144 0,136 0,131
1,031
U U 0,886
U U 0,805
U U 0,768 U U 0,736
U U
n > 30
n n n n n
Contoh 8:
Diberikan data hasil ulangan matematika 40 orang siswa sebagai berikut.
6, 7, 8, 7, 8, 6, 6, 6, 7, 9, 6, 6, 8, 6, 7, 8, 6, 6, 7, 6
7, 7, 7, 6, 8, 7, 7, 8, 7, 7, 8, 7, 5, 7, 7, 9, 8, 5, 5, 7
Apakah data hasil ulangan tersebut berdistribusi normal?
Penyelesaian:
6 + 7 + 8 +…+ 7
x= = 6,875
40
( 6 − 6,875 ) + ( 7 − 6,875 ) + ( 8 − 6,875 ) + … + ( 7 − 6,875 )
2 2 2 2
s= = 0,992
40 − 1
Tabel 8.2.
Daftar Perhitungan Nilai Lo
fi xi zi F ( zi ) S ( zi ) F ( zi ) − S ( zi ) F ( zi ) − S ( zi )
3 5 -1,89 0,0294 0,0750 -0,0456 0,0456
11 6 -0,88 0,1889 0,3500 -0,1611 0,1611
16 7 0,13 0,5501 0,7500 -0,1999 0,1999 Lo
8 8 1,13 0,8716 0,9500 -0,0784 0,0784
2 9 2,14 0,9839 1,0000 -0,0161 0,0161
0,886
Jika kita tetapkan nilai α = 0, 05 maka nilai L-tabel = = 0,14.
40
Karena nilai Lo > L-tabel maka dapat disimpulkan bahwa data tersebut tidak
berdistribusi normal.
Agar data tersebut dapat digunakan dalam penarikan kesimpulan dengan
uji parametrik yang mengharuskan terpenuhinya asumsi kenormalan maka
dapat dilakukan transformasi data atau mengambil sub-sampel secara acak.
Banyaknya sub-sampel yang dihilangkan hendaknya tidak terlalu banyak,
karena semakin banyak sub-sampel yang dihilangkan maka akan semakin
banyak pula informasi yang hilang.
Contoh 9:
Dari data yang diberikan pada Contoh 8.8 akan dipilih secara acak
30 orang hasil belajar siswa dengan ringkasan data sebagai berikut.
xi fi
5 3
6 7
7 10
8 8
9 2
Dari data tersebut dapat dihitung rata-rata dan standar deviasinya
xi fi f i xi xi2 fi xi2
5 3 15 25 75
6 7 42 36 252
7 10 70 49 490
8 8 64 64 512
9 2 18 81 162
Jumlah 30 209 1.491
5
∑fx i i
209
x= i =1
= = 6,97
n 30
5 5
n∑ fi xi2 − ∑ ( f i xi )
2
s= i =1 i =1
n(n − 1)
30(1.491) − (209) 2 30(1.491) − (209) 2 1.049
= = = = 1, 206 = 1,1
30(30 − 1) 30(30 − 1) 870
Jadi, data tersebut bisa ditentukan nilai Lo dengan perhitungan sebagai

berikut.
3 5 -1,79 0,0367 0,1000 -0,0633 0,0633
7 6 -0,88 0,1889 0,3333 -0,1444 0,1444
10 7 0,03 0,5109 0,6667 -0,1558 0,1558 Lo
8 8 0,94 0,8255 0,9333 -0,1079 0,1079
2 9 1,85 0,9675 1,0000 -0,0325 0,0325
Jika kita tetapkan nilai α = 0, 05 maka nilai L-tabel = 0,161. Karena

nilai Lo < L-tabel maka dapat disimpulkan bahwa data tersebut berdistribusi
normal.
B. UJI HOMOGENITAS
Uji homogenitas yang biasa digunakan adalah uji F, uji Bartlett, uji
Hartley, uji Scheffé, dan uji Levene (Levene’s test). Uji F, uji Bartlett, uji
Hartley, dan uji Scheffé, biasanya digunakan apabila datanya memenuhi
asumsi berdistribusi normal, sedangkan uji Levene dapat digunakan baik
datanya memenuhi atau tidak memenuhi asumsi berdistribusi normal.
Penggunaan uji F, uji Hartley, dan uji Scheffé memiliki kesamaan pada
uji statistiknya, yaitu menggunakan statistik F. Di sisi lain, statistik yang
digunakan oleh uji Bartlett adalah khi kuadrat ( χ 2 ). Perbedaan yang sangat
terlihat dalam penggunaan uji F uji Bartlett, uji Hartley, dan uji Scheffé
adalah pada banyaknya gugus data yang akan dibandingkan. Penggunaan uji
F hanya dapat digunakan untuk membandingkan dua gugus data sedangkan
penggunaan uji Bartlett, uji Hartley, dan uji Scheffé dapat digunakan untuk
membandingkan lebih dari dua gugus data.
Pembahasan uji homogenitas yang akan dikaji secara mendalam pada
modul ini adalah uji F. Penggunaan uji F relatif lebih mudah, walaupun
memiliki keterbatasan pada asumsi normalitas dan hanya dapat digunakan
untuk membandingkan dua gugus data. Hipotesis statistik yang akan diuji
H 0 : σ12 = σ 22
H 0 : σ12 ≠ σ 22
Prosedur penggunaan uji F adalah sebagai berikut.

1. Ujilah pemenuhan asumsi kenormalan dari kedua gugus sampel tersebut.
Apabila kedua gugus sampel tersebut memenuhi asumsi berdistribusi
normal maka lanjutkanlah dengan langkah berikutnya. Jika tidak
memenuhi asumsi berdistribusi normal maka Anda dapat melakukan
transformasi data atau mengambil sub-sampel pada masing-masing
gugus data.
2. Hitungkah nilai variansi (ragam) dari masing-masing gugus sampel yaitu
s12 dan s22 , dengan
s12 adalah nilai variansi (ragam) dari gugus data yang pertama, dan
s22 adalah nilai variansi (ragam) dari gugus data yang kedua.
3. Hitunglah nilai statistik F (F-hitung) dengan rumus:
s2
F = 12 , s12 > s22
s2
4. Bandingkan F-hitung tersebut dengan nilai F-tabel pada taraf signifikansi
α / 2, derajat kebebasan pertama ν1 = n1 − 1 dan derajat kebebasan kedua
ν2 = n2 − 1 atau yang biasa ditulis F( α / 2)( υ1 ,υ2 ) dan nilai F-tabel pada taraf
signifikansi (1 − α / 2 ) , derajat kebebasan pertama ν1 = n1 − 1 dan derajat
kebebasan kedua ν2 = n2 − 1 F(1− α / 2)(υ1 ,υ2 ) dengan n1 adalah banyaknya
data pada gugus sampel pertama, n2 adalah banyaknya data pada gugus
1
sampel kedua, dan F(1− α / 2)(υ1 ,υ2 ) = . Perlu Anda ingat bahwa
F( α / 2)(υ2 ,υ1 )
besarnya n1 boleh tidak sama dengan besarnya n2 .
5. Kriteria pengujian ini adalah
a. Apabila nilai F(1− α / 2)(υ1 ,υ2 ) < F-hitung < F( α / 2)(υ1 ,υ2 ) maka H0 diterima
yang berarti kedua gugus sampel homogen.
b. Apabila nilai F-hitung < F(1− α / 2)(υ1 ,υ2 ) atau F-hitung > F( α / 2)(υ1 ,υ2 ) maka
H0 ditolak yang berarti kedua gugus sampel tidak homogen.
Contoh 10:
Diberikan data hasil belajar matematika siswa SMA (berdistribusi
normal) sebanyak 30 orang pada kelas XA dan 30 orang pada kelas XB untuk
topik Bilangan Berpangkat sebagai berikut.
Hasil belajar matematika siswa SMA kelas XA

6,39 6,47 5,48 6,26 6,63 6,32 6,83 5,52 6,57 4,93 6,56 6,25 5,80 6,56 6,15
5,85 6,07 6,77 7,13 6,36 5,31 5,96 6,31 6,21 6,97 6,16 6,43 6,68 6,40 6,55
Hasil belajar matematika siswa SMA kelas XB

6,17 8,03 6,24 6,50 6,64 7,65 7,04 7,41 7,30 6,78 5,86 6,74 6,23 7,07 7,40
7,43 7,40 7,52 7,50 7,62 7,17 7,35 6,45 6,94 6,54 7,30 6,69 7,59 7,28 7,60
Dari dua gugus sampel tersebut harus memenuhi asumsi berdistribusi

normal (coba buktikanlah bahwa kedua gugus sampel tersebut masing-
masing berdistribusi normal). Jika kedua gugus data tersebut memenuhi
asumsi berdistribusi normal maka dapat dilanjutkan dengan menghitung nilai
rata-ratanya sebagai berikut.
6,39 + 6, 47 + … + 6,55 187,88
xA = = = 6, 263
30 30
6,17 + 8, 03 + … + 7, 60 211, 44
xB = = = 7, 048
30 30
Dan dapat pula dihitung variansinya sebagai berikut.

( 6,39 − 6, 263) + ( 6, 47 − 6, 263) + … + ( 6,55 − 6, 263)
2 2 2
sA =
2
30 − 1
7, 00279
= = 0, 241
29
( 6,17 − 7, 048 ) + ( 8, 03 − 7, 048 ) + … + ( 7, 60 − 7, 048 )
2 2 2
s =
2
B
30 − 1
8,38488
= = 0, 289
29
Sehingga diperoleh F-hitung:
s 2 0, 289
F = B2 = = 1,197
s A 0, 241
Jika ditetapkan nilai α = 0, 05 maka nilai F(1− α / 2)( υ1 ,υ2 ) = 0, 48 dan nilai
F( α / 2)(υ1 ,υ2 ) = 2,1 . Karena nilai F(1− α / 2)(υ1 ,υ2 ) < F-hitung < F( α / 2)(υ1 ,υ2 ) maka dapat
ditarik kesimpulan bahwa kedua gugus sampel tersebut homogen.
L A TIH A N

Seorang peneliti hendak mengkaji keefektifan dari dua metode
pengajaran, yaitu pengajaran dengan Student Team Achievement Division
(STAD) dan Team Grup Tournament (TGT). Dengan mengambil dua kelas
yang diajarkan oleh guru yang memiliki kemampuan dan latar belakang
pendidikan yang sama ia mengambil data hasil belajar siswa untuk salah satu
topik dalam suatu mata pelajaran pada kelas yang diajarkan dengan
pendekatan STAD dan pada kelas yang diajarkan dengan pendekatan TGT.
Hasil belajar siswa tersebut adalah sebagai berikut.
Hasil belajar siswa yang diajarkan dengan pendekatan STAD
5,0 6,9 6,0 7,4 6,6 6,7 8,1 7,9 7,1 6,4
5,6 6,8 6,3 6,7 7,0 6,8 6,3 6,9 7,6 6,6
7,3 6,4 7,3 8,3 6,9 7,0 6,4 4,2 6,3 5,9
Hasil belajar siswa yang diajarkan dengan pendekatan TGT

6,0 7,8 6,9 7,9 5,9 7,4 7,1 7,7 6,5 7,1 7,5 6,8
5,9 7,4 7,7 6,8 7,9 6,4 6,0 7,8 6,8 7,0 6,7 6,7
7,7 7,6 6,8 5,8 6,1 6,4 7,1 6,6 5,6 8,0 9,0
1) Tentukanlah nilai rata-rata dan standar deviasi dari hasil belajar siswa
yang diajarkan dengan pendekatan STAD dan hasil belajar siswa yang
diajarkan dengan pendekatan TGT!
2) Lengkapi tabel perhitungan Lo untuk data hasil belajar siswa yang
diajarkan dengan pendekatan STAD berikut!
1 6,0
3 6,3
2 6,8
1 7,4
1 7,9
1 8,3
1 5,0
3 6,9
2 6,6
2 6,7
1 8,1
1 7,1
3 6,4
1 5,6
2 7,0
1 7,6
2 7,3
1 4,2
1 5,9
3) Lengkapi tabel perhitungan Lo untuk data hasil belajar siswa yang

diajarkan dengan pendekatan TGT berikut!
1 5,6
1 5,8
2 5,9
2 6,0
1 6,1
2 6,4
1 6,5
1 6,6
2 6,7
4 6,8
1 6,9
1 7,0
3 7,1
2 7,4
1 7,5
1 7,6
3 7,7
2 7,8
2 7,9
1 8,0
1 9,0
4) Tentukan nilai Lo dan L-tabel dengan taraf signifikansi α = 0, 05 untuk:

a. data hasil belajar siswa yang diajarkan dengan pendekatan STAD!
b. data hasil belajar siswa yang diajarkan dengan pendekatan TGT!
5) Dari jawaban pada soal nomor 4, kesimpulan apakah yang dapat Anda
tarik?
6) Tentukan nilai variansi untuk data hasil belajar siswa yang diajarkan
dengan pendekatan STAD dan data hasil belajar siswa yang diajarkan
dengan pendekatan TGT!
7) Tentukan nilai statistik F dari data hasil belajar siswa yang diajarkan
dengan pendekatan STAD dan data hasil belajar siswa yang diajarkan
dengan pendekatan TGT!
8) Jika digunakan taraf signifikansi α = 0,1 , kesimpulan apakah yang dapat
Anda tarik berdasarkan hasil perhitungan nomor 7?
1) Dari hasil belajar siswa yang diajarkan dengan pendekatan STAD

diperoleh:
5
∑fx i i
5, 0 + 6,9 + … + 5,9
x= i =1
= = 6, 69
n 30
( 5, 0 − 6, 69 ) + ( 6,9 − 6, 69 ) + ( 6, 0 − 6, 69 ) + … + ( 5,9 − 6, 69 )
2 2 2 2
s=
30 − 1
= 0, 714 = 0,845
Dari hasil belajar siswa yang diajarkan dengan pendekatan TGT

diperoleh:
∑fx i i
6, 0 + 7,8 + … + 9, 0
x= i =1
= = 6,98
n 35
( 6, 0 − 6,98 ) + ( 7,8 − 6,98 ) + ( 6,9 − 6,98 ) + … + ( 9, 0 − 6,98 )
2 2 2 2
s=
35 − 1
= 0, 6 = 0, 775
2) Tabel perhitungan Lo untuk data hasil belajar siswa yang diajarkan

dengan pendekatan STAD adalah sebagai berikut.
fi xi zi F ( zi ) S ( zi ) F ( zi ) − S ( zi ) F ( zi ) − S ( z i )
1 4,2 -2,95 0,0016 0,0333 -0,0317 0,0317
1 5,0 -2,00 0,0228 0,0667 -0,0439 0,0439
1 5,6 -1,29 0,0985 0,1000 -0,0015 0,0015
1 5,9 -0,93 0,1762 0,1333 0,0416 0,0416
1 6,0 -0,82 0,2061 0,1667 0,0404 0,0404
3 6,3 -0,46 0,3228 0,2667 0,0555 0,0555
3 6,4 -0,34 0,3669 0,3667 -0,0010 0,0010
2 6,6 -0,11 0,4562 0,4333 0,0243 0,0243
2 6,7 0,01 0,5040 0,5000 0,0047 0,0047
2 6,8 0,13 0,5517 0,5667 -0,0149 0,0149
3 6,9 0,25 0,5987 0,6667 -0,0686 0,0686
2 7,0 0,37 0,6443 0,7333 -0,0902 0,0902 Lo
1 7,1 0,49 0,6879 0,7667 -0,0805 0,0805
2 7,3 0,72 0,7642 0,8333 -0,0685 0,0685
1 7,4 0,84 0,7995 0,8667 -0,0671 0,0671
1 7,6 1,08 0,8599 0,9000 -0,0408 0,0408
1 7,9 1,43 0,9236 0,9333 -0,0094 0,0094
1 8,1 1,67 0,9525 0,9667 -0,0143 0,0143
1 8,3 1,91 0,9719 1,0000 -0,0284 0,0284
3) Tabel perhitungan Lo untuk data hasil belajar siswa yang diajarkan

dengan pendekatan TGT berikut!
fi xi zi F ( zi ) S ( zi ) F ( zi ) − S ( z i ) F ( zi ) − S ( z i )
1 5,6 -1,7806 0,0375 0,0286 0,0089 0,0089
1 5,8 -1,5226 0,0639 0,0571 0,0068 0,0068
2 5,9 -1,3935 0,0817 0,1143 -0,0326 0,0326
2 6,0 -1,2645 0,1030 0,1714 -0,0684 0,0684
1 6,1 -1,1355 0,1281 0,2000 -0,0719 0,0719
2 6,4 -0,7484 0,2271 0,2571 -0,0300 0,0300
1 6,5 -0,6194 0,2678 0,2857 -0,0179 0,0179
1 6,6 -0,4903 0,3120 0,3143 -0,0023 0,0023
2 6,7 -0,3613 0,3589 0,3714 -0,0125 0,0125
4 6,8 -0,2323 0,4082 0,4857 -0,0775 0,0775 Lo
1 6,9 -0,1032 0,4589 0,5143 -0,0554 0,0554
1 7,0 0,0258 0,5103 0,5429 -0,0326 0,0326
3 7,1 0,1548 0,5615 0,6286 -0,0670 0,0670
2 7,4 0,5419 0,7061 0,6857 0,0204 0,0204
1 7,5 0,6710 0,7489 0,7143 0,0346 0,0346
1 7,6 0,8000 0,7881 0,7429 0,0453 0,0453
3 7,7 0,9290 0,8236 0,8286 -0,0050 0,0050
2 7,8 1,0581 0,8550 0,8857 -0,0307 0,0307
2 7,9 1,1871 0,8824 0,9429 -0,0605 0,0605
1 8,0 1,3161 0,9059 0,9714 -0,0655 0,0655
1 9,0 2,6065 0,9954 1,0000 -0,0046 0,0046
4) Nilai Lo dan L-tabel dengan taraf signifikansi α = 0, 05 untuk:

a. data hasil belajar siswa yang diajarkan dengan pendekatan STAD
adalah Lo = 0,0902 dan nilai L-tabel = 0,0253.
b. data hasil belajar siswa yang diajarkan dengan pendekatan TGT
adalah Lo = 0,0775 dan nilai L-tabel = 0,1634.
5) Dari hasil perhitungan pada data hasil belajar siswa yang diajarkan
dengan pendekatan STAD nilai Lo > L-tabel maka dapat disimpulkan
bahwa data tersebut tidak berdistribusi normal, sedangkan dari hasil
perhitungan pada data hasil belajar siswa yang diajarkan dengan
pendekatan TGT nilai Lo < L-tabel maka dapat disimpulkan bahwa data
tersebut berdistribusi normal.
6) Perhitungan nilai variansi untuk data hasil belajar siswa yang diajarkan
dengan pendekatan STAD.
f i ( xi − x )
2
fi xi f i xi
1 4,2 4,2 6,2001
1 5,0 5,0 2,8561
1 5,6 5,6 1,1881
1 5,9 5,9 0,6241
1 6,0 6,0 0,4761
3 6,3 18,9 0,4563
3 6,4 19,2 0,2523
2 6,6 13,2 0,0162
2 6,7 13,4 0,0002
2 6,8 13,6 0,0242
3 6,9 20,7 0,1323
2 7,0 14,0 0,1922
1 7,1 7,1 0,1681
2 7,3 14,6 0,7442
1 7,4 7,4 0,5041
1 7,6 7,6 0,8281
1 7,9 7,9 1,4641
1 8,1 8,1 1,9881
1 8,3 8,3 2,5921
30 200,7 20,7070
x=
∑fx i i 200, 7
= = 6, 69 jadi s 2 =
∑ fi ( xi − x ) = 20, 7070 = 0, 714
n 30 n −1 29
Perhitungan nilai variansi untuk data hasil belajar siswa yang diajarkan
dengan pendekatan TGT.
f i ( xi − x )
2
fi xi f i xi
1 5,6 5,6 1,9123
1 5,8 5,8 1,3992
2 5,9 11,8 2,3452
2 6,0 12,0 1,9320
1 6,1 6,1 0,7794
2 6,4 12,8 0,6794
1 6,5 6,5 0,2332
1 6,6 6,6 0,1466
2 6,7 13,4 0,1600
4 6,8 27,2 0,1337
1 6,9 6,9 0,0069
1 7,0 7,0 0,0003
3 7,1 21,3 0,0412
f i ( xi − x )
2
fi xi f i xi
2 7,4 14,8 0,3480
1 7,5 7,5 0,2674
1 7,6 7,6 0,3809
3 7,7 23,1 1,5429
2 7,8 15,6 1,3354
2 7,9 15,8 1,6823
1 8,0 8,0 1,0346
1 9,0 9,0 4,0689
35 244,4 20,4297
x=
∑fx i i
=
244, 4
= 6,983 jadi s 2 =
∑ f ( x − x ) = 20, 4297 = 0, 6009
i i
n 35 n −1 34
7) Nilai statistik F dari data hasil belajar siswa yang diajarkan dengan
pendekatan STAD dan data hasil belajar siswa yang diajarkan dengan
s2 0, 714
pendekatan TGT adalah Fhitung = A2 = = 1,188.
sB 0, 6009
8) Jika digunakan taraf signifikansi α = 0,1 maka nilai kritis
1 1
F 0,1 = = 0,546 dan F0,1 = 1,805. Karena nilai
1− ;34;29
2 F0,1 1,83 2
;34;29
;29;34
2
Fhitung di antara kedua nilai kritis tersebut maka dapat disimpulkan bahwa
kedua kelas tersebut homogen.
RA NGK UMA N
1. Uji normalitas diperlukan untuk mengetahui apakah distribusi dari

data sampel yang kita gunakan memenuhi asumsi berdistribusi
normal.
2. Penyimpangan terhadap asumsi kenormalan tersebut dapat berakibat
terhadap keabsahan dalam penarikan kesimpulan, karena statistik
hitung yang kita gunakan diturunkan dari fungsi normal.
3. Apabila suatu penelitian akan membandingkan dua gugus data atau
lebih maka perlu dilakukan uji kesamaan keragaman atau variansi
antargugus data atau biasa disebut dengan uji homogenitas.
4. Uji normalitas yang biasa digunakan adalah uji Liliefors, uji
Kolmogorov-Smirnov, uji Anderson-Darling, dan uji Shapiro-Wilks.
5. Uji homogenitas yang biasa digunakan adalah uji F, uji Bartlett, uji
Hartley, uji Scheffé, dan uji Levene (Levene’s test).
TES FORMATIF 2
Untuk soal nomor 1 sampai dengan nomor 10 gunakan data hasil penelitian
seorang guru yang ingin mengetahui hasil belajar dengan dua pendekatan
yaitu metode A dan metode B. Guru tersebut menggunakan dua kelas sebagai
sampel. Hasil belajar siswa pada kelas yang diajarkan menggunakan metode
A sebagai berikut.
5,46 5,82 5,79 6,05 6,40 6,86 6,26 6,14 6,32 6,38
5,80 6,13 5,30 7,34 5,32 5,75 5,19 6,15 5,34 5,98
5,88 5,97 6,68 5,55 6,32 6,45 6,35 6,58 5,71 6,99
Dan hasil belajar siswa pada kelas yang diajarkan menggunakan metode B
sebagai berikut.
5,48 5,62 6,11 5,86 5,21 5,37 5,82 5,20 5,75 5,04
5,20 4,76 5,82 5,85 5,41 6,14 5,36 5,87 6,31 5,04
6,49 5,35 5,68 5,72 5,52
1) Nilai Lo dari data hasil belajar siswa pada kelas yang diajarkan
menggunakan metode A adalah ….
A. 0,0017
B. 0,0170
C. 0,0701
D. 0,0710
2) Nilai Lo dari data hasil belajar siswa pada kelas yang diajarkan
menggunakan metode B adalah ….
A. 0,0049
B. 0,0449
C. 0,0949
D. 0,0994
3) Nilai L-tabel dari data hasil belajar siswa pada kelas yang diajarkan
menggunakan metode A pada taraf kepercayaan 95% adalah ….
A. 0,161
B. 0,173
C. 0,187
D. 0,200
4) Nilai L-tabel dari data hasil belajar siswa pada kelas yang diajarkan
menggunakan metode B pada taraf kepercayaan 95% adalah ....
A. 0,161
B. 0,173
C. 0,187
D. 0,200
5) Dari hasil perhitungan Lo dari data hasil belajar siswa pada kelas yang
diajarkan menggunakan metode A dapat disimpulkan bahwa pada taraf
nyata 0,05 data tersebut ....
A. berdistribusi normal
B. tidak berdistribusi normal
C. homogen
D. tidak homogen
6) Dari hasil perhitungan Lo dari data hasil belajar siswa pada kelas yang
diajarkan menggunakan metode B dapat disimpulkan bahwa pada taraf
nyata 0,05 data tersebut ....
C. homogen
D. tidak homogen
7) Nilai Fhitung dari kedua kelas tersebut adalah ....

A. 0,155
B. 0,551
C. 1,155
D. 1,551
8) Nilai kritis pada uji homogenitas kedua kelas tersebut pada taraf nyata
0,1 adalah ....
A. 0,392 dan 2,49
B. 0,392 dan 1,90
C. 0,513 dan 1,90
D. 0,513 dan 2,49
9) Nilai kritis pada uji homogenitas kedua kelas tersebut pada taraf nyata
0,02 adalah ....
A. 0,392 dan 2,49
B. 0,392 dan 1,90
C. 0,513 dan 1,90
D. 0,513 dan 2,49
10) Dari hasil perhitungan nilai Fhitung dari kedua kelas tersebut maka dapat
disimpulkan bahwa pada taraf nyata 0,1 kedua kelas tersebut ....
C. homogen
D. tidak homogen


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Kegiatan Belajar 3
Uji Beda Rataan
U ji beda rataan merupakan salah satu analisis data yang sering dilakukan
dalam penelitian yang ingin mengetahui permasalahan perbandingan
dua perlakuan atau pengaruh dari suatu perlakuan yang dibandingkan dengan
unit kontrol. Dinamakan uji beda rataan karena parameter yang digunakan
pada analisis statistiknya merupakan nilai rata-rata ( μ ) dari dua perlakuan.
Untuk menguji perbedaan parameter tersebut pada uji beda rataan, umumnya
digunakan statistik z dan statistik t.
Statistik z digunakan apabila banyaknya sampel yang digunakan relatif
besar (n > 30), namun apabila sampel yang digunakan pada suatu penelitian
relatif kecil ( n ≤ 30 ) maka sebaiknya digunakan statistik t. Asumsi yang
harus dipenuhi pada penggunaan statistik z maupun statistik t adalah
distribusi dari data yang akan dianalisis harus menyebar normal dengan rata-
rata μ dan simpangan baku σ .
Langkah-langkah dalam pengujian hipotesis pada uji beda rataan adalah
sebagai berikut.
1. Tentukan hipotesis statistik yang sesuai dengan permasalahan penelitian.
H 0 : μ = μ0
H1 : μ < μ0 , μ > μ0 , atau μ ≠ μ0
atau
H 0 : μA − μA = d0
H1 : μ A − μ A < d 0 , μ A − μ A > d 0 , atau μ A − μ A ≠ d 0
2. Pilih taraf keberartian α.
3. Pilih uji statistik yang sesuai dengan permasalahan penelitian kemudian
cari daerah kritisnya.
4. Hitunglah nilai statistik dari sampel berukuran n.
5. Dengan kriteria pengujian hipotesis pada KB 2, buatlah kesimpulan
penerimaan atau penolakan terhadap hipotesis: tolak H 0 bila statistik
tersebut mempunyai nilai dalam daerah kritis, jika tidak maka terima
H0.
Adapun ringkasan uji statistik yang dapat digunakan dalam uji beda
rataan adalah sebagai berikut.
Tabel 8.3.
Uji Statistik Menyangkut Rataan
H0 Uji Statistik H1 Daerah Kritis
μ = μ0 x − μ0 μ < μ0 z < − zα
z= , σ diketahui
σ/ n μ > μ0 z > zα
μ ≠ μ0 z < − zα / 2 dan
z > zα / 2
μ = μ0 x − μ0 μ < μ0 t < −tα
t= ; υ = n −1 , σ
s/ n μ > μ0 t > tα
tidak diketahui μ ≠ μ0 t < −tα / 2 dan
t > tα / 2
μ A − μB = d 0 ( x A − xB ) − d 0 μ A − μB < d 0 z < − zα
z= , σA
(σ 2
A / nA ) + ( σ B2 / nB ) μ A − μB > d 0 z > zα
μ A − μB ≠ d 0 z < − zα / 2 dan
dan σ B diketahui
z > zα / 2
μ A − μB = d 0 ( x A − xB ) − d 0 μ A − μB < d 0 t < −tα
t= ;
sp (1/ nA ) + (1/ nB ) μ A − μB > d 0 t > tα
υ = nA + nB − 2 , σ A = σ B μ A − μB ≠ d 0 t < −tα / 2 dan
tetapi tidak diketahui, t > tα / 2
( nA − 1) s 2
+ ( nB − 1) s 2
s 2p = A B
nA + nB − 2
μ A − μB = d 0 ( x A − xB ) − d 0 μ A − μB < d 0 t < −tα
t= ;
(s / n ) + (s / n )
2
A A
2
B B
μ A − μB > d 0 t > tα
μ A − μB ≠ d 0 t < −tα / 2 dan
(( s / n ) + ( s / n ))
2
2 2
υ=
A A B B
;
t > tα / 2
(s / n ) + (s / n )
2 2 2 2
A A B B
nA − 1 nB − 1
σ A ≠ σ B tetapi tidak diketahui,
μD = d 0 xD − d 0 μ < μ0 t < −tα
t= ; υ = n −1
(untuk sd / n μ > μ0 t > tα
pengamatan
berpasangan) μ ≠ μ0 t < −tα / 2 dan
t > tα / 2
Contoh 11:
SMA X menerapkan suatu metode pembelajaran baru untuk dapat
meningkatkan nilai UAN 50 orang siswanya. Setelah nilai UAN keluar,
sekolah tersebut bahwa metode baru tersebut akan berhasil mendongkrak
nilai rata-rata UAN siswanya di atas nilai rata-rata UAN tahun lalu yaitu 70
dan simpangan bakunya 10. Apabila ternyata nilai rata-rata 50 orang siswa
tersebut adalah 78 apakah hipotesis sekolah tersebut signifikan pada taraf
0,05?
Penyelesaian:
Sesuai dengan langkah-langkah dalam pengujian hipotesis di atas maka:
1. Hipotesis statistik yang sesuai dengan permasalahan tersebut adalah
H 0 : μ = 70
H1 : μ > 70
2. Taraf keberartian α = 0, 05.
3. Uji statistik yang sesuai dengan permasalahan penelitian tersebut adalah
x − μ0
z= ; σ diketahui.
σ/ n
4. Nilai statistik dari sampel berukuran 30 adalah
x = 78
σ = 10
x − μ0 78 − 70 8 8
z= = = = = 5, 674
σ / n 10 / 50 10 / 7, 07 1, 41
z0,05 = 1, 645
5. Daerah kritis dari hipotesis tersebut adalah zhitung > z0,05 , karena nilai
thitung > 1,645 maka dapat disimpulkan bahwa rata-rata nilai UAN 50
orang siswa tersebut lebih dari 50, yang berarti bahwa metode baru
tersebut berhasil.
Contoh 12:
Diberikan data nilai ulangan harian pelajaran matematika siswa kelas VII
SMP X pada pokok bahasan lingkaran sebagai berikut.
45,05 57,07 48,94 51,57 34,56 52,73 63,11 59,78 53,43 52,08
47,01 36,00 57,70 49,88 67,66 52,35 52,76 52,02 42,66 31,41
50,31 37,98 62,38 72,47 45,70 60,01 52,61 37,28 57,39 54,54
Dengan menggunakan taraf keberartian 5% dan asumsi sebaran normal

terpenuhi, ujilah hipotesis bahwa rata-rata nilai ulangan tersebut tidak sama
dengan 50!
Pembahasan:
H 0 : μ = 50
H1 : μ ≠ 50
2. Taraf keberartian α = 0, 05.
x − μ0
t= ; υ = n − 1 , σ tidak diketahui.
s/ n
x = 51, 28
s = 9, 68
x − μ0 50, 28 − 50 1, 28 1, 28
t= = = = = 0, 024
s / n 9, 68 / 30 9, 68 / 5, 48 53, 05
υ = n − 1 = 30 − 1 = 29
t0,025;29 = 2, 045
5. Daerah kritis dari hipotesis tersebut adalah thitung < −t0,025;29 dan
thitung > t0,025;29 , karena nilai thitung < 2,045 maka dapat disimpulkan bahwa
rata-rata nilai ulangan siswa tersebut sama dengan 50.
Contoh 13:
Sebuah sekolah ingin menguji coba penerapan dua metode pembelajaran
pada satu pokok bahasan yang sama. Sekolah tersebut menggunakan dua
kelas dengan masing-masing kelas berisi 28 orang dan 25 orang serta murid
dan pengajar pada kedua kelas tersebut memiliki kemampuan akademik yang
sepadan. Setelah penerapan kedua metode tersebut diterapkan di masing-
masing kelas percobaan diperoleh hasil nilai tes (kedua kelas diberikan soal
tes yang sama) sebagai berikut.
Kelas yang diberikan metode A: x = 65 dan s = 10,28
Kelas yang diberikan metode B: x = 70 dan s = 20,82
Dari hasil tes tersebut sekolah membuat kesimpulan sementara bahwa

metode B lebih baik dari metode A. Apabila nilai tes tersebut memenuhi
asumsi sebaran normal, apakah kesimpulan tersebut benar pada taraf
kepercayaan 99%?
Penyelesaian:
H 0 : μ A = μB atau μ A − μB = 0
H1 : μ A < μB atau μ A − μB < 0
2. Taraf keberartian α = 1 – 0,99 = 0,01.
( x A − xB ) − d 0
t= ; υ = nA + nB − 2 , σ A = σ B tetapi tidak diketahui,
s p (1/ nA ) + (1/ nB )
( nA − 1) s A2 + ( nB − 1) sB2
s 2p =
nA + nB − 2
x A = 65 xB = 70
s A = 10, 28 sB = 20,82
nA = 28 nB = 25
( nA − 1) s A2 + ( nB − 1) sB2 ( 28 − 1)(10, 28 ) + ( 25 − 1)( 20,82 )
2 2
s =
2
p =
nA + nB − 2 28 + 25 − 2
2.853,3168 + 10.403,3376 13.256, 6544
= = = 259,9344
51 51
s p = 259,9344 = 16,122
( x A − xB ) − d 0 65 − 70
t= =
sp (1/ nA ) + (1/ nB ) 16,122 (1/ 28) + (1/ 25)
−5 5 5
= =− =−
16,122 0, 0357 + 0, 04 16,122 0, 0757 16,122 × 0, 2751
5
=− = −1,127
4, 4352
υ = 28 + 25 − 2 = 51
t0,01;51 = 2, 402
5. Daerah kritis dari hipotesis tersebut adalah thitung < −t0,01;51 , karena nilai
thitung > -2,402 maka dapat disimpulkan bahwa rata-rata nilai tes kedua
metode tersebut sama, dengan perkataan lain kedua metode tersebut
menghasilkan hasil belajar yang sama.
Contoh 14:
Seorang guru akan menerapkan suatu metode pembelajaran baru. Ia
menetapkan satu kelas yang berisi 30 orang siswa sebagai sampel. Sebelum
menerapkan metode baru tersebut ia mengajar dengan metode yang biasa ia
lakukan pada kelas percobaan tersebut kemudian diberikan tes. Kemudian ia
mengajar pokok bahasan yang sama dengan menggunakan metode baru dan
diberikan tes lagi dengan kisi-kisi yang sama. Hasil dari kedua tes tersebut
Hasil tes dengan Hasil tes dengan

menggunakan metode lama menggunakan metode baru
5,86 6,06
5,52 5,61
8,52 8,63
7,84 8,20
5,18 5,10
7,08 6,86
5,45 5,68
6,42 6,85
6,46 6,84
4,12 4,61
6,43 6,37
4,64 4,49
6,06 5,44
7,69 7,56
6,33 6,12
5,86 5,81
5,19 5,26
5,46 5,47
4,19 3,55
6,15 6,72
5,01 4,97
4,14 4,10
3,41 3,89
6,16 6,14

8,18 9,13
5,53 5,57
6,38 6,44
7,11 7,46
7,31 7,61
6,36 6,18
Apakah metode baru yang digunakan oleh guru tersebut lebih baik dari
metode lama dengan taraf kepercayaan 95%?
Penyelesaian:
H 0 : μD = 0
H1 : μ D > 0
2. Taraf keberartian α = 1 – 0,95 = 0,05
x − d0
t= D ; υ = n −1 .
sd / n
di di2
5,86 6,06 -0,19 0,04
5,52 5,61 -0,09 0,01
8,52 8,63 -0,11 0,01
7,84 8,20 -0,36 0,13
5,18 5,10 0,07 0,01
7,08 6,86 0,23 0,05
5,45 5,68 -0,24 0,06
6,42 6,85 -0,43 0,18
6,46 6,84 -0,38 0,15
4,12 4,61 -0,49 0,24
6,43 6,37 0,07 0,00
4,64 4,49 0,15 0,02
6,06 5,44 0,62 0,39
7,69 7,56 0,13 0,02
6,33 6,12 0,21 0,05
5,86 5,81 0,05 0,00

di di2
5,19 5,26 -0,08 0,01
5,46 5,47 0,00 0,00
4,19 3,55 0,64 0,41
6,15 6,72 -0,57 0,32
5,01 4,97 0,04 0,00
4,14 4,10 0,04 0,00
3,41 3,89 -0,48 0,23
6,16 6,14 0,02 0,00
8,18 9,13 -0,95 0,91
5,53 5,57 -0,04 0,00
6,38 6,44 -0,06 0,00
7,11 7,46 -0,35 0,12
7,31 7,61 -0,30 0,09
6,36 6,18 0,18 0,03
Jumlah -2,68 3,49
−2, 68
xD = = −0, 089
30
30(3, 49) − (−2, 68) 2 104, 6443 − 7, 20 97, 45
s= = =
30(30 − 1) 870 870 .
= 0,112 = 0,335
xD − d 0 −0, 089
t= = = −0, 048
sd / n 0,335 / 5, 477
υ = n − 1 = 30 − 1 = 29
t0,05;29 = 1, 699
5. Daerah kritis dari hipotesis tersebut adalah thitung > t0,05;29 , karena nilai
thitung < 1,699 maka dapat disimpulkan bahwa rata-rata nilai tes kedua
metode tersebut sama, dengan perkataan lain metode baru tersebut tidak
berbeda dengan metode lama.
L A TIH A N

1) Hasil UAN mata pelajaran Matematika 20 orang siswa SMP X
mempunyai rata-rata 52,8 dengan simpangan baku 4,51. Apabila data
sampel tersebut memenuhi asumsi distribusi normal, apakah dapat
disimpulkan bahwa rata-rata hasil UAN siswa SMP seluruh Indonesia
lebih besar dari 50 pada taraf keberartian 0,05?
2) Suatu penelitian menunjukkan bahwa penerapan metode A akan
meningkatkan rata-rata hasil belajar siswa paling sedikit 8 poin
dibandingkan jika diterapkan metode B. Untuk menguji kebenaran
kesimpulan tersebut seorang guru mengambil sampel dua kelas yang
memiliki kemampuan akademik yang sama. Apabila dari kelas pertama
dengan siswa 50 orang diterapkan metode A memiliki rata-rata hasil
belajar 86,7 dengan simpangan baku 6,28 dan dari kelas kedua dengan
siswa 50 orang diterapkan metode B memiliki rata-rata 77,8 dengan
simpangan baku 5,61. Jika hasil belajar kedua kelas tersebut memenuhi
asumsi distribusi normal maka guru tersebut dapat mempercayai
kesimpulan penelitian tersebut pada taraf nyata 0,05?
3) Seorang kepala sekolah ingin meneliti keefektifan dari kurikulum baru.
Apabila guru tersebut menggunakan data hasil UAN 30 orang siswanya
tahun lalu yang masih menggunakan kurikulum lama dengan rata-rata 86
dan simpangan baku 15 dan data hasil UAN 30 orang siswa yang
menerima pelajaran dengan kurium baru dengan rata-rata 90 dan
simpangan baku 25, dapatkah kepala sekolah tersebut menyimpulkan
bahwa kurikulum baru lebih baik dari kurikulum lama dengan tingkat
kepercayaan 99% dengan asumsi data hasil UAN siswa pada dua
angkatan tersebut menyebar normal dan memiliki kemampuan akademik
yang homogen?
4) Suatu penelitian dilakukan untuk mengetahui perbedaan penghasilan
guru SD negeri dan swasta di suatu daerah. Sebanyak 30 orang guru
negeri mempunyai rata-rata penghasilan Rp1.500.000,00 per bulan
dengan simpangan baku Rp150.000,00 sedangkan dari 25 orang guru
swasta mempunyai rata-rata penghasilan Rp1.300.000,00 dengan
simpangan baku Rp100.000,00. Apabila penghasilan guru negeri dan
guru swasta tersebut berdistribusi normal dan memiliki keragaman yang

berbeda (tidak homogen), apakah dapat disimpulkan bahwa penghasilan
guru negeri dan guru swasta berbeda pada taraf kepercayaan 95%?
5) Lima sampel zat yang mengandung besi diuji untuk menentukan apakah
ada perbedaan kandungan besi antara analisis kimia secara laboratorium
dengan analisis pendar fluor sinar-X. Tiap sampel dibagi menjadi dua
anak sampel dan kedua jenis analisis digunakan pada masing-masing
anak sampel tersebut. Apabila diperoleh hasil pengujian sebagai berikut.
Sampel
Analisis
1 2 3 4 5
Laboratorium 2,0 2,0 2,3 2,1 2,4
Sinar-X 2,2 1,9 2,5 2,3 2,4
dan data sampel tersebut diasumsikan berdistribusi normal, apakah
kedua cara analisis tersebut memberi hasil yang sama pada taraf nyata
0,05?
1) a. Hipotesis statistik
H 0 : μ = 50
H1 : μ > 50
b. Taraf keberartian α = 0, 05.
c. Nilai statistik dari sampel berukuran 50 adalah
x = 52,8
s = 4,51
x − μ0 52,8 − 50 2,8 2,8
t= = = = = 4,375
s / n 4,51/ 50 4,51/ 7, 07 0, 64
υ = n − 1 = 20 − 1 = 19
t0,05;19 = 1, 729
d. Daerah kritis dari hipotesis tersebut adalah thitung > t0,05;19 , karena
nilai thitung > 1,729 maka dapat disimpulkan bahwa rata-rata hasil
UAN siswa SMP seluruh Indonesia lebih besar dari 50.
H 0 : μ A − μB = 8
H1 : μ A − μ B > 8

c. Nilai statistik dari sampel berukuran nA = nB = 50 adalah
x A = 86, 7 xB = 77,8
σ A = 6, 28 σ B = 5, 61
( x A − xB ) − d 0 (86, 7 − 77,8 ) − 20 0,9
z= = =
(σ 2
A / nA ) + ( σ / nB )
2
B ( 6, 28) + ( 5, 61)
2 2
39, 4384 31, 4721
+
50 50 50 50
0,9 0,9
= = = 0, 756
1, 41821 1,1909
z0,05 = 1, 645
d. Daerah kritis dari hipotesis tersebut adalah zhitung > z0,05 , karena
nilai zhitung < 1,645 maka dapat disimpulkan bahwa penerapan
metode A hanya memberikan peningkatan 8 poin dibandingkan
penerapan metode B.
H 0 : μ A − μB = 0
H1 : μ A − μ B < 0
b. Taraf keberartian α = 1 – 0,99 = 0,01.
c. Nilai statistik dari sampel berukuran nA = nB = 30 adalah
x A = 86 xB = 90
s A = 15 sB = 25
( nA − 1) s A2 + ( nB − 1) sB2 ( 30 − 1)(15 ) + ( 30 − 1)( 25 )
2 2
s 2p = =
nA + nB − 2 30 + 30 − 2
6.525 + 18.125 24.650
= = = 425
58 58
s p = 425 = 20, 616
( x A − xB ) − d 0 86 − 90 −4
t= = =
sp (1/ nA ) + (1/ nB ) 20, 616 (1/ 30 ) + (1/ 30 ) 5,323
= −0, 751
υ = 30 + 30 − 2 = 58
t0,01;58 = 2,392
d. Daerah kritis dari hipotesis tersebut adalah thitung < −t0,01;58 , karena
nilai thitung > -2,392 maka dapat disimpulkan bahwa tidak ada
perbedaan hasil belajar siswa yang menggunakan kurikulum lama
dengan kurikulum baru.
H 0 : μ A − μB = 0
H1 : μ A − μ B ≠ 0
b. Taraf keberartian α = 1 – 0,95 = 0,05.
c. Nilai statistik dari sampel adalah
nA = 30 nB = 25
x A = 1.500.000 xB = 1.300.000
s A = 150.000 sB = 100.000
( x A − xB ) − d 0 1.500.000 − 1.300.000
t= =
(s 2
A / nA ) + ( s / nB )
⎛ 150.0002 ⎞ ⎛ 100.0002 ⎞
⎜
2
B
⎟+⎜ ⎟
⎝ 30 ⎠ ⎝ 25 ⎠
200.000 200.000
= = = 5,898
750.000.000 + 400.000.000 33.911, 6499
(( s / nA ) + ( sB2 / nB ) ) = ((150.000 / 30 ) + (100.0002 / 25 ) )
2 2
2 2
A
υ=
(s / nA ) (s / nB ) (150.000 / 30 ) (100.000 / 25 )
2 2 2 2 2 2 2 2
A B
+ +
nA − 1 nB − 1 30 − 1 25 − 1
( 750.000.000 + 400.000.000 )
2
=
( 750.000.000 ) + ( 400.000.000 )
2 2
29 24
1,3225 × 10 18
= = 50, 73
1,940 × 1016 + 0, 667 × 1016
t0,025;51 = 2, 008
d. Daerah kritis dari hipotesis tersebut adalah thitung < −t0,025;51 dan
thitung > t0,025;51 , karena nilai thitung > 2,008 maka dapat disimpulkan
bahwa penghasilan guru negeri dan guru swasta berbeda.
H 0 : μD = 0
H1 : μ D ≠ 0

c. Nilai statistik dari sampel berukuran 5 adalah
Sampel
Analisis
1 2 3 4 5
Laboratorium 2,0 2,0 2,3 2,1 2,4
Sinar-X 2,2 1,9 2,5 2,3 2,4
di –0,2 0,1 –0,2 –0,2 0,0
di2 0,04 0,01 0,04 0,04 0,00
xD = −0,1
sd = 0, 02 = 0,14142
xD − d 0 −0,1
t= = = −1, 6
sd / n 0,14142 / 5
υ = n −1 = 5 −1 = 4
t0,025;4 = 2, 776
d. Daerah kritis dari hipotesis tersebut adalah thitung < −t0,025;4 dan
thitung > t0,025;4 , karena nilai -2,776 < thitung < 2,776 maka dapat
disimpulkan bahwa kedua cara analisis tersebut memberikan hasil
yang sama.
RA NGK UMA N
1. Uji beda rataan merupakan salah satu analisis data yang sering
dilakukan dalam penelitian yang ingin mengetahui permasalahan
perbandingan dua perlakuan atau pengaruh dari suatu perlakuan
yang dibandingkan dengan unit kontrol.
2. Pada uji beda rataan, umumnya digunakan statistik z dan statistik t
untuk menguji perbedaan parameter tersebut.
3. Statistik z digunakan apabila banyaknya sampel yang digunakan
relatif besar (n > 30).
4. Statistik t digunakan apabila banyaknya sampel yang digunakan
relatif kecil (n ≤ 30).
5. Asumsi yang harus dipenuhi pada penggunaan statistik z maupun
statistik t adalah distribusi dari data yang akan dianalisis harus
menyebar normal dengan rata-rata μ dan simpangan baku σ.
6. Langkah-langkah dalam pengujian hipotesis pada uji beda rataan

adalah:
a. Tentukan hipotesis statistik yang sesuai dengan permasalahan
penelitian.
b. Pilih taraf keberartian α.
c. Pilih uji statistik yang sesuai dengan permasalahan penelitian
kemudian cari daerah kritisnya.
d. Hitunglah nilai statistik dari sampel berukuran n.
e. buat kesimpulan penerimaan atau penolakan terhadap hipotesis.
TES FORMATIF 3
Untuk soal nomor 1 sampai dengan nomor 4!

Seorang guru ingin mengevaluasi apakah hasil belajar siswa yang diajarkan
dengan metode A lebih baik dari hasil belajar siswa yang diajarkan dengan
metode B. Ia mengambil dua kelas sebagai sampel dengan kelas pertama
yang berisi 30 orang siswa di ajarkan menggunakan metode A dan kelas
kedua yang berisi 30 orang siswa di ajarkan menggunakan metode B. Apabila
hasil belajar kedua kelas tersebut berdistribusi normal dan homogen dengan
kelas pertama memiliki rata-rata 7,5 dan simpangan baku 0,55 sedangkan
kelas kedua memiliki rata-rata 6,8 dan simpangan baku 0,65.
1) Hipotesis dari masalah tersebut adalah ....
A. H 0 : μ A − μB = 0
H1 : μ A ≠ μ B
B. H 0 : μ A − μB = 0
H1 : μ A − μ B ≠ 0
C. H 0 : μ A − μB = 0
H1 : μ A − μ B < 0
D. H 0 : μ A − μB = 0
H1 : μ A − μ B > 0
2) Nilai thitung dari kedua rata-rata tersebut adalah ....

A. 1,384
B. 1,438
C. 3,184
D. 3,481
3) Daerah kritis dari pengujian hipotesis tersebut adalah ....

A. thitung < 1,995
B. thitung > 1,995
C. thitung < 1, 668
D. thitung > 1, 668
4) Kesimpulan dari pengujian hipotesis tersebut adalah ....

A. hasil belajar siswa dari kedua kelas tersebut tidak memiliki berbeda
yang signifikan
B. hasil belajar siswa yang diajarkan dengan kedua metode tersebut
tidak memiliki berbeda yang signifikan
C. hasil belajar siswa yang diajarkan dengan metode A lebih baik dari
hasil belajar siswa yang diajarkan dengan metode B
D. hasil belajar siswa yang diajarkan dengan metode B lebih baik dari
hasil belajar siswa yang diajarkan dengan metode A
Untuk soal nomor 5 sampai dengan nomor 8!

Seorang guru bermaksud mengevaluasi apakah hasil belajar siswanya yang
diajarkan dengan menggunakan pendekatan realistik matematika dapat
meningkat 1 poin (pada skala nilai 0 – 10). Hasil tes pada pokok bahasan X
dengan pendekatan metode yang biasa ia gunakan adalah sebagai berikut.
4,97 5,24 4,83 4,91 4,73 5,35 4,33 4,58 5,46 4,53
4,36 5,13 5,14 5,19 5,42 4,47 4,80 4,68 5,12 4,64
Kemudian kelas tersebut di ajarkan kembali pokok bahasan X menggunakan

pendekatan matematika realistik dan dites kembali dengan menggunakan
kisi-kisi tes yang sama dengan sebelumnya yang hasilnya sebagai berikut.
6,18 5,96 6,08 5,87 6,17 5,93 5,89 6,04 6,11 5,95
5,77 5,72 5,99 6,09 6,25 6,03 5,55 6,36 6,36 5,86

Apabila kedua hasil belajar tersebut berdistribusi normal pada α = 0, 05 ,
maka
5) Hipotesis dari permasalahan tersebut adalah ....
A. H 0 : μD = 0
H1 : μ D ≠ 0
B. H 0 : μD = 0
H1 : μ D > 0
C. H 0 : μD = 1
H1 : μ D ≠ 1
D. H 0 : μD = 1
H1 : μ D > 1
6) Nilai rata-rata peningkatan/penurunan dari 20 orang siswa tersebut

adalah ....
A. 0,011
B. 0,111
C. 1,114
D. 1,411
7) Nilai thitung dari hasil belajar tersebut adalah ....

A. 0,021
B. 1,114
C,. 1,198
D. 1,730
8) Kesimpulan dari pengujian hipotesis tersebut adalah ....

A. pendekatan matematika realistik tidak dapat meningkatkan hasil
belajar siswa
B. pendekatan matematika realistik tidak dapat meningkatkan hasil
belajar siswa 1 poin
C. pendekatan matematika realistik dapat meningkatkan hasil belajar
siswa
D. pendekatan matematika realistik dapat meningkatkan hasil belajar
siswa 1 poin
9) Seorang peneliti ingin mengetahui apakah hasil UAN di Provinsi X pada

mata pelajaran matematika tahun 2008 lebih baik dari hasil UAN tahun
2007. jika diketahui dari 100 siswa yang mengikuti UAN mata pelajaran
matematika tahun 2007 menunjukkan rata-rata 5,46 dan simpangan baku
0,275 dan 150 siswa yang mengikuti UAN mata pelajaran matematika
tahun 2008 menunjukkan rata-rata 5,53 dan simpangan baku 0,325 dan
distribusi kedua gugus data tersebut menyebar normal ada taraf nyata
0,05 maka dapat disimpulkan bahwa ....
A. hasil UAN mata pelajaran matematika siswa pada tahun 2007 tidak
berbeda nyata dengan hasil UAN mata pelajaran matematika siswa
pada tahun 2008
B. hasil UAN mata pelajaran matematika siswa pada tahun 2007

berbeda nyata dengan hasil UAN mata pelajaran matematika siswa
pada tahun 2008
C. hasil UAN mata pelajaran matematika siswa pada tahun 2007 lebih
rendah dibandingkan dengan hasil UAN mata pelajaran matematika
siswa pada tahun 2008
D. hasil UAN mata pelajaran matematika siswa pada tahun 2007 lebih
tinggi dibandingkan dengan hasil UAN mata pelajaran matematika
siswa pada tahun 2008
10) Seorang guru hendak meneliti apakah hasil belajar siswa yang diajarkan
menggunakan pendekatan pembelajaran kooperatif berbeda dengan hasil
belajar siswa yang diajarkan menggunakan pendekatan pembelajaran
konstruktivis. Ia mengambil sampel dua kelas yang memiliki
kemampuan yang homogen. Apabila hasil belajar siswa yang diajarkan
menggunakan pendekatan pembelajaran kooperatif memiliki rata-rata ....
A. hasil belajar siswa yang diajarkan dengan kedua metode pendekatan
tersebut tidak memiliki perbedaan yang signifikan
B. hasil belajar siswa yang diajarkan dengan kedua metode pendekatan
tersebut memiliki perbedaan yang signifikan
C. hasil belajar siswa yang diajarkan dengan pendekatan pembelajaran
kooperatif lebih baik dari hasil belajar siswa yang diajarkan dengan
pendekatan pembelajaran konstruktivis
D. hasil belajar siswa yang diajarkan dengan pendekatan pembelajaran
kooperatif lebih rendah dari hasil belajar siswa yang diajarkan
dengan pendekatan pembelajaran konstruktivis


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Tes Formatif 1
1) A. Karena dugaan guru tersebut nilai di bawah standar 4,25.
2) C. Karena dugaan kepala sekolah tersebut proporsi siswa yang
diterima di PTN lebih dari 40%.
3) D. Karena tingkat kepercayaan = 1 – taraf signifikansi = 1 – 0,5 =
0,95.
4) B. Ingat definisi kesalahan jenis I.
5) D. Ingat definisi kesalahan jenis II.
6) B. H 0 : μ = 72
H1 : μ ≠ 72
x − μ 71,5 − 72
z1 = = = −1,96
σ 0, 255
x − μ 72,5 − 72
z2 = = = 1,96
σ 0, 255
α = P( x ≠ 72) = P( z < z−1,96 ) + P( z > z1,96 )
= 2 × ( 0,5 − z1,96 ) = 2 × ( 0,5 − 0, 4750 ) = 2 × 0, 0250 = 0, 05
7) B. H 0 : μ = 6,5
H1 : μ > 6,5
x−μ 7,8 − 6,5

t= = = 1, 699
s/ n 4,19 / 30
α = P( x > 7,8) = P ( t > tα ,(30 −1) ) = P ( t > 1, 699 ) = 0, 05
8) C. H 0 : μ = 6,5
H1 : μ > 6,5
x−μ 7 − 6,5
t= = = 0, 683
s/ n 4, 01/ 30
α = P( x > 7) = P ( t > tα ,(30 −1) )
= P ( t > 0, 683) = 1 − P ( t < 0, 683) = 1 − 0, 75 = 0, 25
9) C. H 0 : μ = 6,5
H1 : μ ≠ 6,5
x−μ 6, 45 − 6,5
t1 = = = −1,311
s/ n 0, 20896 / 30
x−μ 6,55 − 6,5
t2 = = = 1,311
s/ n 0, 20896 / 30
α = P( x ≠ 6,5) = P ( x < 6, 45 ) + P ( x > 6,55 )
= P ( t < −tα / 2;29 ) + P ( t > tα / 2;29 ) = 1 − 2 × P ( tα / 2;29 )
= 1 − 2 × 0,10 = 1 − 0, 2 = 0,80
10) C. H 0 : μ = 6,5
H1 : μ ≠ 6,5
x−μ 5, 2 − 6,5
t1 = = = −1, 699
s/ n 4,19 / 30
x−μ 7,8 − 6,5
t2 = = = 1, 699
s/ n 4,19 / 30
α = P( x < 5, 2) + P( x < 7,8) = P ( t < −1, 699 ) + P ( t > 1, 699 )
= 2 × (1 − P ( t > 1, 70 ) ) = 2 × (1 − 0,95 ) = 2 × 0, 05 = 0,1
Tes Formatif 2
1) C. Perhitungan Lo untuk data hasil belajar siswa pada kelas yang
diajarkan menggunakan metode A
(x − x) S ( zi ) F ( zi ) − S ( zi ) F ( zi ) − S ( zi )
2
xi i
zi F ( zi )
5,19 0,7838 -1,6937 0,0452 0,0333 0,0118 0,0118
5,30 0,6011 -1,4832 0,0690 0,0667 0,0023 0,0023
5,32 0,5705 -1,4450 0,0742 0,1000 -0,0258 0,0258
5,34 0,5407 -1,4067 0,0798 0,1333 -0,0536 0,0536
5,46 0,3786 -1,1772 0,1196 0,1667 -0,0471 0,0471
5,55 0,2760 -1,0050 0,1575 0,2000 -0,0425 0,0425
5,71 0,1335 -0,6989 0,2423 0,2333 0,0090 0,0090
5,75 0,1058 -0,6224 0,2668 0,2667 0,0002 0,0002
5,79 0,0814 -0,5459 0,2926 0,3000 -0,0074 0,0074
5,80 0,0758 -0,5267 0,2992 0,3333 -0,0341 0,0341
5,82 0,0652 -0,4885 0,3126 0,3667 -0,0541 0,0541
5,88 0,0382 -0,3737 0,3543 0,4000 -0,0457 0,0457
5,97 0,0111 -0,2015 0,4202 0,4333 -0,0132 0,0132
5,98 0,0091 -0,1824 0,4276 0,4667 -0,0390 0,0390
6,05 0,0006 -0,0485 0,4807 0,5000 -0,0193 0,0193
6,13 0,0030 0,1046 0,5416 0,5333 0,0083 0,0083
6,14 0,0042 0,1237 0,5492 0,5667 -0,0174 0,0174
6,15 0,0056 0,1428 0,5568 0,6000 -0,0432 0,0432
6,26 0,0341 0,3533 0,6381 0,6333 0,0047 0,0047
6,32 0,0599 0,4681 0,6801 0,6667 0,0135 0,0135
6,32 0,0599 0,4681 0,6801 0,7000 -0,0199 0,0199
6,35 0,0754 0,5254 0,7004 0,7333 -0,0330 0,0330
6,38 0,0928 0,5828 0,7200 0,7667 -0,0467 0,0467
6,40 0,1054 0,6211 0,7327 0,8000 -0,0673 0,0673
6,45 0,1404 0,7168 0,7632 0,8333 -0,0701 0,0701 Lo
6,58 0,2547 0,9654 0,8328 0,8667 -0,0338 0,0338
6,68 0,3656 1,1567 0,8763 0,9000 -0,0237 0,0237
6,86 0,6157 1,5011 0,9333 0,9333 0,0000 0,0000
6,99 0,8366 1,7498 0,9599 0,9667 -0,0067 0,0067
7,34 1,5994 2,4194 0,9922 1,0000 -0,0078 0,0078
182,26 7,9241
x=
∑x i
=
182, 26
= 6, 075 jadi
n 30
∑(x − x )
2
7,9241 i
s= =
= 0, 2732 = 0,5227
n −1 29
2) D. Perhitungan Lo untuk data hasil belajar siswa pada kelas yang
diajarkan menggunakan metode B
fi ( xi − x ) S ( z i ) F ( z i ) − S ( z i ) F ( zi ) − S ( z i )
2
fi xi fi xi zi F ( zi )
1 4,76 4,76 0,7043 -1,9998 0,0228 0,0400 -0,0172 0,0172
2 5,04 10,08 0,6254 -1,3326 0,0913 0,1200 -0,0287 0,0287
2 5,20 10,40 0,3187 -0,9513 0,1707 0,2000 -0,0293 0,0293
1 5,21 5,21 0,1515 -0,9275 0,1768 0,2400 -0,0632 0,0632
1 5,35 5,35 0,0621 -0,5939 0,2763 0,2800 -0,0037 0,0037
1 5,36 5,36 0,0572 -0,5700 0,2843 0,3200 -0,0357 0,0357
1 5,37 5,37 0,0525 -0,5462 0,2925 0,3600 -0,0675 0,0675
1 5,41 5,41 0,0358 -0,4509 0,3260 0,4000 -0,0740 0,0740
1 5,48 5,48 0,0142 -0,2841 0,3882 0,4400 -0,0518 0,0518
1 5,52 5,52 0,0063 -0,1887 0,4251 0,4800 -0,0549 0,0549
1 5,62 5,62 0,0004 0,0496 0,5198 0,5200 -0,0002 0,0002
1 5,68 5,68 0,0065 0,1925 0,5763 0,5600 0,0163 0,0163
1 5,72 5,72 0,0146 0,2879 0,6133 0,6000 0,0133 0,0133
1 5,75 5,75 0,0227 0,3594 0,6403 0,6400 0,0003 0,0003
2 5,82 11,64 0,0975 0,5262 0,7006 0,7200 -0,0194 0,0194
1 5,85 5,85 0,0629 0,5977 0,7250 0,7600 -0,0350 0,0350
1 5,86 5,86 0,0680 0,6215 0,7329 0,8000 -0,0671 0,0671
1 5,87 5,87 0,0733 0,6453 0,7406 0,8400 -0,0994 0,0994 Lo
1 6,11 6,11 0,2609 1,2173 0,8882 0,8800 0,0082 0,0082
1 6,14 6,14 0,2925 1,2887 0,9013 0,9200 -0,0187 0,0187
1 6,31 6,31 0,5052 1,6939 0,9549 0,9600 -0,0051 0,0051
1 6,49 6,49 0,7935 2,1228 0,9831 1,0000 -0,0169 0,0169
25 139,98 4,226184
x=
∑x i
=
139,98
= 5,599
n 25
∑(x − x )
2
4, 2262 i
Jadi, s = = = 0,1761 = 0, 4196
n −1 24
3) A. Nilai L-tabel untuk n = 30 dan α = 0, 05 adalah 0,161.
4) B. Nilai L-tabel untuk n = 25 dan α = 0, 05 adalah 0,173.
5) A. Karena pada data hasil belajar siswa pada kelas yang diajarkan
menggunakan metode A nilai Lo < L-tabel maka dapat disimpulkan
bahwa data tersebut berdistribusi normal.
6) A. Karena pada data hasil belajar siswa pada kelas yang diajarkan
menggunakan metode B nilai Lo < L-tabel maka dapat disimpulkan
bahwa data tersebut berdistribusi normal.
s 2 0, 2732
7) D. Fhitung = A2 = = 1,551
sB 0,1761
8) C. Nilai kritis untuk uji homogenitas kedua data tersebut pada α = 0,1
1 1
adalah F 0,1 = = = 0,513 dan F0,1 = 1,90
1− ;29;24
2 F0,1 1,95 2
;29;24
;24;29
2
9) A. Nilai kritis untuk uji homogenitas kedua data tersebut pada

1 1
α = 0, 02 adalah F 0,02 = = = 0,392 dan
1−
2
;29;24 F0,02 2,55
;24;29
2
F0,02 = 2, 49
;29;24
2
10) C. Karena nilai F 0,1 < Fhitung < F0,1 maka dapat disimpulkan
1− ;29;24 ;29;24
2 2
bahwa kedua kelas tersebut homogen
Tes Formatif 3
1) D. H 0 : μ A − μB = 0
H1 : μ A − μ B > 0
( nA − 1) s A2 + ( nB − 1) sB2 29 ( 0,55 ) + 29 ( 0, 65 )
2 2
2) C. s 2p = = = 0,3625
nA + nB − 2 30 + 30 − 2
( x A − xB ) − d 0 7,5 − 6,8
t= = = 3,184
sp (1/ nA ) + (1/ nB ) 0, 60208 (1/ 30 ) + (1/ 30 )
3) D. υ = nA + nB − 2 = 30 + 30 − 2 = 58
Nilai kritis t0,05;58 = 1, 668 dengan kriteria pengujian hipotesis tolak
H0 apabila thitung > tα ;ν . Jadi, daerah kritis dari pengujian hipotesis
tersebut adalah thitung > 1, 668 .
4) C. Karena nilai thitung = 3,184 lebih besar dari nilai tα ;ν = 1, 668 maka
dapat disimpulkan tolak H0 yang berarti bahwa hasil belajar siswa
yang diajarkan dengan metode A lebih baik dari hasil belajar siswa
yang diajarkan dengan metode B.
5) D. H 0 : μD = 1
H1 : μ D > 1
22, 28
6) C. xD = = 1,114
20
Metode biasa Metode matematika realistik di di2

4,97 6,18 1,21 1,47
5,24 5,96 0,72 0,52
4,83 6,08 1,25 1,56
4,91 5,87 0,96 0,91
4,73 6,17 1,43 2,06
5,35 5,93 0,57 0,33
4,33 5,89 1,56 2,44
4,58 6,04 1,47 2,15
5,46 6,11 0,65 0,42
4,53 5,95 1,42 2,02
4,36 5,77 1,40 1,97
5,13 5,72 0,59 0,35
5,14 5,99 0,86 0,74
5,19 6,09 0,90 0,81
5,42 6,25 0,82 0,68
4,47 6,03 1,55 2,42
4,80 5,55 0,75 0,57
4,68 6,36 1,68 2,84
5,12 6,36 1,24 1,54
4,64 5,86 1,22 1,49
22,28 27,28
7) A. xD = 1,114
sd = 27, 28 /19 = 1,198
xD − d 0 0,114
t= = = 0, 021
sd / n 1,198 / 20
8) B. υ = n − 1 = 20 − 1 = 19 dan t0,05;19 = 1, 73 . Karena thitung < t0,05;19 maka

dapat disimpulkan bahwa pendekatan matematika realistik tidak
dapat meningkatkan hasil belajar siswa 1 poin.
9) C. H 0 : μ A = μB atau μ A − μB = 0
H1 : μ A < μB atau μ A − μB < 0
( x A − xB ) − d 0 5, 46 − 5,53
z= =
(σ 2
A / nA ) + ( σ B2 / nB ) (( 0, 275) 2
) (
/100 + ( 0,325 ) /150
2
)
= −1,832
Nilai kritis zα = z0,05 = 1, 645 dan daerah kritisnya zhitung < − zα .
Karena nilai zhitung < − zα maka dapat disimpulkan bahwa hasil UAN
mata pelajaran matematika siswa pada tahun 2007 lebih rendah
dibandingkan dengan hasil UAN mata pelajaran matematika siswa
pada tahun 2008.
10) A. H 0 : μ A = μB atau μ A − μB = 0
H1 : μ A ≠ μB atau μ A − μB ≠ 0
( x A − xB ) − d 0 6, 75 − 6, 65
t= = = 1, 47 ;
( s / nA ) + ( s / nB )
2
A
2
B(( 0, 225) / 25) + (( 0, 255) / 25)
2 2
( ( s / n ) + ( s / n )) = (( ( 0, 225) / 25) + ( ( 0, 255) / 25))

2 2
2 2 2 2
A A B B
υ=
( s / n ) + ( s / n ) ( ( ( 0, 225) / 25) ) ( ( 0, 255) / 25)
2 2 2 2 2 2
2 2
A A B B
nA − 1 nB − 1 +
24 24
= 47, 26 ≈ 47
Nilai kritis t α / 2;ν = t0,025;47 = 2, 012 daerah kritis dari pengujian
hipotesis tersebut adalah thitung < −t α / 2;ν dan thitung > t α / 2;ν . Karena
nilai −t α / 2;ν < thitung < t α / 2;ν maka dapat disimpulkan bahwa hasil
belajar siswa yang diajarkan dengan kedua metode pendekatan
tersebut tidak memiliki perbedaan yang signifikan.
Daftar Pustaka
Moore, D. S dan McCabe, G. P. (1989). Introduction to the Practice of

Statistics. New York: W. H. Freeman and Company.
Sudjana. (1992). Metoda Statistika. Edisi ke-5. Bandung: Tarsito.
Walpole, R. E. (1995). Pengantar Statistika. Edisi ke-3. Alih Bahasa:

Bambang Sumantri. Jakarta: Gramedia Pusaka Utama.
Walpole, R. E dan Myers, R. H. (1986). Ilmu Peluang dan Statistika untuk

Insinyur dan Ilmuwan. Edisi ke-2. Alih Bahasa: R. K. Semiring.
Bandung: ITB.
Modul 9
Analisis Regresi Linear Sederhana

dan Korelasi
Drs. Suwarno, M.Si.
PENDAHULUA N
F rancis Galton, adalah orang yang

pertama kali memperkenalkan alat
statistik yang bernama analisis regresi dan
analisis korelasi. Ia lahir pada 16 Februari
1822 di Birmingham, Inggris.
Galton mempelajari hubungan antara
tinggi badan ayah dan anak. Ia mengamati
bahwa tinggi anak yang berasal dari tinggi
dan pendek cenderung “mundur (regress)” ke
arah rata-rata grup. Ia menamakan
kecenderungan ini regresi ke arah
“mediokritas (sedang)”. Galton kemudian
mengembangkan suatu deskripsi matematis bagi kecenderungan regresi ini.
Istilah regresi tetap bertahan sampai hari ini untuk menjelaskan hubungan
statistik antara dua atau lebih peubah.
Dengan mempelajari Modul 9 ini, Anda diharapkan memperoleh
pengetahuan tentang beberapa konsep yang terkait dengan analisis regresi
linear sederhana dan analisis korelasi.
Secara umum, setelah mempelajari modul ini secara umum, Anda
diharapkan dapat membedakan penggunaan analisis regresi linear sederhana
dan analisis korelasi.
Secara khusus, Anda diharapkan dapat:
1. membedakan analisis regresi linear sederhana dengan analisis korelasi;
2. menentukan korelasi linear antara dua peubah;
3. menjelaskan pengertian peubah tak bebas (dependent variable) dengan
peubah bebas (independent variable);
4. menjelaskan asumsi-asumsi yang mendasari analisis regresi linear

sederhana;
5. menentukan dan mengartikan penduga intersep dan slope pada regresi
linear sederhana;
6. menjelaskan konsep koefisien determinasi; dan
7. melakukan uji hipotesis terhadap intersep dan slope pada regresi linear
sederhana.
Sajian materi modul ini dibagi dalam tiga kegiatan belajar, yaitu
Kegiatan Belajar 1: mencakup hakikat regresi linear, regresi linear
sederhana, peubah tak bebas dengan peubah bebas,
asumsi-asumsi dalam regresi linear sederhana,
pengertian interesep dan slope, konsep koefisien
determinasi.
Kegiatan Belajar 2: inferensi dalam analisis regresi linear sederhana: uji
hipotesis interesep dan slope.
Kegiatan Belajar 3: mencakup hakikat korelasi, analisis korelasi, perbedaan
analisis korelasi dan analisis regresi linear sederhana.
Agar Anda dapat memahami modul ini dengan baik, sebaiknya Anda
bekerja sama dalam kelompok belajar untuk mendiskusikan dan
menyelesaikan kesulitan yang Anda hadapi ketika mempelajari modul.
Mulailah dengan membaca dan mencoba memahami penjelasan dalam modul
disertai dengan catatan-catatan yang Anda anggap perlu. Kerjakan setiap
contoh soal dan latihan, dan melihat penyelesaiannya kemudian setelah Anda
selesai mengerjakan. Demikian juga ketika Anda mengerjakan soal tes
formatif. Jika hasil yang Anda peroleh masih salah, pahami kembali teorinya
dan kerjakan kembali soalnya hingga Anda tidak menemukan kesalahan.
Selamat Belajar, Semoga Berhasil.

Kegiatan Belajar 1
Analisis Regresi Linear Sederhana
A nalisis regresi merupakan alat statistik yang memanfaatkan hubungan

antara dua atau lebih peubah kuantitatif sehingga salah satu peubah bisa
diramalkan dari peubah-peubah lainnya. Misalnya, jika kita tahu hubungan
antara kemampuan awal siswa dan prestasi belajarnya pada tahun pertama di
Sekolah Menengah Pertama (SMP) maka kita dapat meramal prestasi belajar
siswa melalui analisis regresi jika kemampuan awal siswa telah kita ketahui.
Pada modul ini, kita akan membahas analisis regresi dengan satu peubah
peramal untuk meramal peubah yang menarik perhatian kita. Di dalam modul
ini khususnya, kita kupas gagasan dasar analisis regresi dan membahas
pendugaan parameter-parameter yang ada di dalam model.
A. HUBUNGAN ANTARA PEUBAH-PEUBAH
Konsep suatu hubungan antara dua peubah, seperti misalnya antara

pendapatan keluarga dan pengeluaran keluarga untuk perumahan, sudah
sangat kita kenal. Kita akan membedakan antara hubungan fungsional dan
hubungan statistik, dan akan mengupas masing-masing itu.
1. Hubungan Fungsional antara Dua Peubah

Suatu hubungan fungsional antara dua peubah dinyatakan melalui suatu
rumus matematis. Jika X peubah bebas (independent variable) dan Y peubah
tak bebas (dependent variable), hubungan fungsional adalah berbentuk:
Y = f(X)
Jika suatu nilai X diketahui, fungsi f dapat menunjukkan nilai Y padanannya.
Contoh 9.1:
Perhatikan hubungan antara volume penjualan dalam rupiah (Y) sebuah
produk yang dijual pada harga tetap tertentu dan banyaknya unit barang yang
terjual (X). Jika harga jualnya adalah Rp2.000,00 per unit maka hubungan
antara keduanya dapat dinyatakan oleh persamaan:
Y = 2X
Hubungan fungsional ini ditunjukkan dalam Gambar 9.1. Banyaknya unit

terjual dan volume penjualan selama tiga periode terakhir (harga jual tetap
konstan pada Rp2.000,00 per unit) ialah sebagai berikut.
Ribuan Rp
Y
300
200
100 Y = 2X
0 50 100 X
Unit terjual
Gambar 9.1.
Contoh Hubungan Fungsional
Tabel 9.1.
Banyaknya Unit Terjual pada Setiap Periode
Volume Penjualan
Periode Banyaknya Unit Terjual
(Ribuan Rupiah)
1 75 150
2 25 50
3 130 260
Amatan-amatan ini kemudian diplotkan dalam Gambar 9.1. Perhatikan

bahwa semua titik amatan jatuh tepat pada garis hubungan fungsional. Inilah
ciri hubungan fungsional.
2. Hubungan Statistik antara Dua Peubah

Hubungan statistik, tidak seperti fungsional, tidaklah sempurna. Pada
umumnya, amatan-amatan untuk suatu hubungan statistik tidak jatuh tepat
pada kurva hubungan tersebut.
Contoh 9.2:
Suatu penelitian ingin mengetahui hubungan antara Perhatian Orang Tua
(POT) dengan Prestasi Belajar Siswa. Tabel 9.1. mencantumkan data skor
POT dan prestasi belajar siswa untuk 10 siswa yang dipilih secara acak dari
suatu sekolah. Data ini diplotkan dalam Gambar 9.2a. Prestasi belajar siswa
diambil sebagai peubah tak bebas atau peubah respons Y, sedangkan skor
POT sebagai peubah bebas atau peubah peramal X. Pengeplotannya
dilakukan seperti sebelumnya. Sebagai misal, siswa pertama diplotkan
sebagai X = 30, Y = 44.
(a)
(b)
Gambar 9.2.
Hubungan Statistik antara POT dan Prestasi Belajar Siswa
Gambar 9.2a secara jelas mengindikasikan adanya suatu hubungan antara

skor POT dengan prestasi belajar siswa, dalam pengertian bahwa semakin
besar skor POT, semakin besar pula prestasi belajarnya. Akan tetapi,
hubungan ini tidak sempurna. Titik-titiknya agak memencar, menunjukkan
bahwa ada keragaman prestasi belajar yang tidak bisa dijelaskan oleh skor
POT. Misalnya, dua siswa runtutan (1 dan 8) yang sama-sama memiliki skor
POT 30, namun keduanya memiliki prestasi belajar yang sedikit berbeda.
Karena perpencarannya titik-titik di dalam suatu hubungan statistik maka
Gambar 9.2a dinamakan diagram pencar atau plot pencar. Dalam terminologi
statistika, setiap titik dalam diagram pencar menyatakan suatu tindakan (trial)
atau suatu kasus.
Dalam Gambar 9.2b, kita telah memplot suatu garis yang
menggambarkan hubungan statistik antara prestasi belajar siswa dengan
POT. Garis ini mengindikasikan kecenderungan umum bervariasinya prestasi
belajar siswa berkaitan dengan berubahnya skor POT. Perhatikan bahwa
sebagian besar titik tidak jatuh tepat pada garis hubungan statistik tersebut.
Perpencaran titik-titik di sekitar garis ini menggambarkan keragaman prestasi
belajar siswa yang tidak ada kaitannya dengan skor POT dan biasanya
dianggap bersifat acak. Hubungan statistik bisa sangat bermanfaat, walaupun
hubungan semacam ini tidak memiliki kepastian seperti halnya hubungan
fungsional.
Contoh 9.3:
Gambar 9.3. menyajikan data umur dan kandungan sejenis steroid di
dalam plasma untuk 17 perempuan sehat yang berumur antara 8 dan
25 tahun. Data ini mengindikasikan adanya suatu hubungan statistik yang
kurvilinear (tidak linear). Kurva ini mengimplikasikan bahwa sejalan dengan
semakin tingginya umur, kandungan steroid naik sampai suatu titik tertentu
dan kemudian mulai menurun. Perhatikan sekali lagi memencarnya titik-titik
di sekitar kurva hubungan statistik ini yang tipikal pada semua hubungan
statistik.
Gambar 9.3.
Hubungan Statistik Kurvilinear antara Umur dan Kandungan Steroid pada
Perempuan Sehat Berumur 8 sampai 25.
B. MODEL REGRESI DAN KEGUNAANNYA
1. Konsep Dasar
Model regresi merupakan suatu cara formal untuk mengekspresikan dua
unsur penting suatu hubungan statistik:
a. suatu kecenderungan berubahnya peubah tidak bebas Y secara sistematis
sejalan dengan berubahnya peubah besar X.
b. perpencaran titik-titik di sekitar kurva hubungan statistik itu.
Kedua ciri ini disatukan dalam suatu model regresi dengan cara
mempostulatkan bahwa:
a. ada suatu rencana peluang peubah Y untuk setiap taraf (level) peubah X;
dan
b. rata-rata sebaran-sebaran peluang berubah secara sistematis sejalan
dengan berubahnya nilai peubah X.
Contoh 9.4:
Misalkanlah Y menyatakan prestasi belajar siswa dan X menyatakan skor
perhatian orang tua (POT). Dalam hal ini di dalam model regresi peubah Y
diperlakukan sebagai suatu peubah acak. Untuk setiap skor perhatian orang
tua, ada sebaran peluang bagi Y. Gambar 9.4. menunjukkan sebaran peluang
demikian ini untuk X = 30, yaitu skor POT sebesar 30. Tabel 9.1. Nilai
amatan Y yang sesungguhnya (44 dalam contoh kita ini) dengan demikian
dipandang sebagai suatu amatan acak dari sebaran peluang ini.
Gambar 9.4.
Representasi Gambar bagi Model Regresi Linear
Gambar 9.4. juga menunjukkan sebaran peluang Y untuk ukuran POT

X = 50 dan X = 70. Perhatikan bahwa rata-rata sebaran-sebaran peluang ini
mempunyai hubungan yang sistematis dengan taraf-taraf peubah X.
Hubungan sistematis ini dinamakan fungsi regresi Y terhadap X. Grafik
fungsi regresi ini dinamakan kurva regresi. Perhatikan bahwa fungsi regresi
dalam Gambar 9.4. adalah linear. Ini berimplikasi untuk contoh kita bahwa
prestasi belajar siswa rata-rata bervariasi secara linear dengan skor POT.
Tentu saja tidak ada alasan apriori mengapa prestasi belajar siswa
mempunyai hubungan linear dengan skor POT.
Dua model regresi mungkin saja berbeda dalam hal bentuk fungsi
regresinya, dalam hal bentuk sebaran peluang bagi peubah Y, atau dalam hal
lainnya lagi. Apapun perbedaannya, konsep sebaran peluang bagi Y untuk X
yang diketahui merupakan pasangan formal bagi diagram pencar dalam suatu
relasi statistik. Begitu pula, kurva regresi, yang menjelaskan hubungan antara
rata-rata sebaran-sebaran peluang bagi Y dengan X, merupakan pasangan
formal bagi kecenderungan umum bervariasinya Y secara sistematis terhadap
X dalam suatu hubungan statistik.
Catatan:
Ungkapan “peubah bebas” atau “peubah peramal” bagi X dan “peubah
tak bebas” atau “peubah respons” bagi Y dalam suatu model regresi adalah
kebiasaan saja. Tidak ada implikasi bahwa Y bergantung secara kausal pada
X. Betapa pun kuatnya suatu hubungan statistik, ini tidak berimplikasi adanya
hubungan sebab-akibat. Dalam kenyataannya, suatu peubah bebas mungkin
saja sesungguhnya bergantung secara kausal pada peubah responsnya, seperti
bila kita menduga suhu (respons) dari tinggi air raksa (peubah bebas) dalam
suatu termometer.
2. Bentuk Fungsional Hubungan Regresi

Pemilihan bentuk fungsional hubungan regresi terkait dengan pemilihan
peubah bebasnya. Ada kalanya, teori bilang ilmu bersangkutan bisa
menunjukkan bentuk fungsional yang cocok. Teori belajar, misalnya,
mungkin mengindikasikan bahwa fungsi regresi yang menghubungkan biaya
produksi dengan berapa kali suatu item tertentu telah pernah muncul harus
memiliki bentuk tertentu dengan sifat-sifat asimtotik tertentu pula.
Yang lebih sering dijumpai adalah bahwa bentuk fungsional hubungan
regresi tersebut tidak diketahui sebelumnya, sehingga harus ditetapkan
setelah datanya diperoleh dan dianalisis. Oleh karenanya, fungsi regresi linier
atau kuadratik sering digunakan sebagai suatu hampiran yang cukup
memuaskan bagi fungsi regresi yang tidak diketahui bentuknya. Bahkan,
kedua jenis fungsi regresi yang sederhana itu masih juga sering digunakan
meskipun teori yang mendasarinya menunjukkan bentuk fungsionalnya,
terutama bila bentuk fungsional yang ditunjukkan oleh teori terlalu rumit
namun secara logis bisa dihampiri oleh suatu fungsi linier atau kuadratik.
3. Cakupan Model
Ketika memformulasikan suatu model regresi, kita biasanya harus
membatasi cakupan model ke suatu selang atau daerah nilai-nilai tertentu
peubah bebasnya. Cakupan ini ditentukan oleh rancangan penelitian atau oleh
jangkauan data yang tersedia. Misalnya, sebuah perusahaan yang
mempelajari pengaruh harga terhadap volume penjualan menyelidiki enam
tingkat harga, mulai dari Rp4.950,00 sampai Rp6.950,00. Di sini cakupan
model akan dibatasi pada harga-harga yang berkisar dari dekat Rp5.000,00 ke
dekat Rp7.000,00. Bentuk fungsi regresi akan cukup meragukan di luar
kisaran harga ini sebab penelitian tidak memberikan informasi mengenai
sifat hubungan statistik di bawah Rp4.950,00 dan di atas Rp6.950,00.
4. Kegunaan Analisis Regresi

Analisis regresi mempunyai tiga kegunaan utama: (a) deskripsi,
(b) kontrol atau kendali, dan (c) peramalan. Ketiga kegunaan itu telah
diilustrasikan oleh ketiga contoh yang telah dikemukakan di atas. Studi
tentang pembelian traktor mempunyai tujuan deskripsi. Dalam studi biaya
pengoperasian kantor cabang, tujuannya adalah pengendalian administrasi;
dengan mengembangkan suatu hubungan statistik yang bermanfaat antara
biaya dengan peubah-peubah bebas di dalam sistem itu maka pihak
manajemen berhasil menetapkan biaya standar untuk setiap kantor cabang.
Dalam studi medis terhadap anak-anak pendek, tujuannya adalah peramalan.
Dokter dapat menggunakan hubungan statistik untuk meramalkan
kekurangan hormon pertumbuhan pada anak-anak pendek dengan
menggunakan indikator-indikator sederhana yang mudah diukur.
Di dalam praktik, beberapa kegunaan regresi sering ditemukan dalam
suatu analisis regresi, misalnya ialah contoh hubungan POT dengan prestasi
belajar siswa. Pengetahuan mengenai hubungan antara skor POT dengan
prestasi belajar siswa, di masa datang dapat digunakan untuk memberikan
pengetahuan pada orang tua bahwa anaknya perlu mendapatkan perhatian
dalam belajarnya, jika ingin anaknya mempunyai prestasi belajar yang cukup
baik.
C. MODEL REGRESI LINEAR SEDERHANA DENGAN SEBARAN

SUKU-SUKU GALAT TIDAK DIKETAHUI
1. Model
Pada Kegiatan Belajar 1 ini, kita akan membahas suatu model regresi
dasar yang melibatkan hanya satu peubah bebas dan fungsi regresinya linear.
Adapun model regresinya dapat dituliskan sebagai berikut.
Yi = β 0 + β1 X i + ε i (9.1.)
Dalam hal ini Yi adalah nilai perubahan respons dalam amatan ke-i, β0
dan β1 adalah parameter, Xi adalah konstanta yang diketahui, yaitu nilai
peubah bebas dari amatan ke-i, εi adalah suku galat yang bersifat acak dengan
rata-rata E {ε i } = 0 dan ragam σ 2 {ε i } = σ 2 , εi dan εj tidak berkorelasi
sehingga peragam (covariance) σ{εi, εj} = 0 untuk semua i, j; i ≠ j, i = 1, 2, .

. . ., n.
Model regresi (9.1.) dikatakan sederhana, linear dalam parameter, dan

linier dalam peubah bebas. Dikatakan “sederhana” karena hanya ada satu
peubah bebas, “linear dalam parameter” karena tidak ada parameter yang
muncul sebagai salah satu eksponen atau dikalikan atau dibagi oleh
parameter lain, dan “linear dalam peubah bebas” sebab peubah ini di dalam
model berpangkat satu. Model yang linear dalam parameter dan linear dalam
peubah bebas juga dinamakan model ordo-pertama.
2. Ciri-Ciri Penting Model

a. Nilai Yi teramati pada amatan ke-i merupakan jumlah dua komponen:
(1) suku konstan β0 + β1Xi dan
(2) suku galat εi. Jadi, Yi adalah suatu peubah acak.
b. Karena E{εi} = 0, maka kita peroleh:
E{Yi} = E{β0 + β1Xi + εi} = β0 + β1Xi + E{εi} = β0 + β1Xi
Perhatikan bahwa β0 + β1Xi memainkan peranan sebagai konstanta. Jadi,
respons Yi bila nilai X pada amatan ke-i adalah Xi berasal dari suatu
sebaran peluang yang rata-ratanya adalah:
E{Yi} = β0 + β1Xi (9.2)
oleh karena itu kita peroleh fungsi regresi bagi model (9.1), yaitu:
E{Y} = β0 + β1X (9.3)
Karena fungsi regresi menghubungkan rata-rata sebaran peluang bagi Y
untuk X tertentu dengan nilai X itu sendiri.
c. Nilai teramati Y pada amatan ke-i lebih besar atau lebih kecil daripada
nilai fungsi regresi dengan selisih sebesar εi.
d. Setiap suku galat εi diasumsikan mempunyai ragam yang sama σ 2 . Oleh
karenanya, respons Yi mempunyai ragam yang sama pula:
σ 2 {Yi } = σ 2 (9.4)
Karena, berdasarkan sifat variansi, kita memperoleh:
σ 2 {β 0 + β1 X i + ε i } = σ 2 {ε i } = σ 2 σ2{β0 + β1Xi + εi} = σ2 {εi) = σ2
Jadi, model regresi (9.1) mengasumsikan bahwa sebaran peluang bagi Y
mempunyai ragam yang sama σ 2 , tidak tergantung pada nilai peubah
bebas X.
e. Suku-suku galat diasumsikan tidak berkorelasi. Oleh karenanya, hasil

dari setiap amatan manapun yang mempengaruhi galat dari amatan lain
yang manapun baik positif atau negatif, kecil atau besar. Karena galat,
εi dan εj tidak berkorelasi maka begitu juga dengan respons Yi dengan Yj.
f. Ringkasan model regresi (9.1) mengimplementasikan bahwa peubah
respons Yi bersal dari sebaran peluang dengan rata-rata E{Yi} = β0 + β1Xi
dan ragam σ 2 yang sama untuk semua nilai X. lebih lanjut, dua amatan
sembarang Yi dan Yj tidak berkorelasi.
Contoh 9.5:
Misalkan bahwa model regresi (9.1) dapat diterapkan pada contoh
Hubungan Skor Perhatian Orang Tua dengan Prestasi Belajar Siswa
dimodelkan sebagai Yi = 15, 6 + 1, 09 X i + ε i
Pada Gambar 9.5 dapat dilihat fungsi regresi: E{Y} = 15,6 + 1,09X
Gambar 9.5.
Fungsi Regresi: E{Y} = 15,6 + 1,09X
Misalnya, bahwa suatu skor POT X1 = 40 dan ternyata prestasi belajar

siswa yang teramati ialah Y1 = 62 maka galatnya ialah εi = +2,8 sebab
E{Y1) = 15,6 + 1,09(40) = 59,2
dan
Yi = 62 = 59,2+2,8
Gambar 9.5 memperlihatkan sebaran peluang bagi Y untuk X= 40, dan

memperlihatkan dari mana di dalam sebaran ini amatan Y1 = 62 berasal.
Perhatikan sekali lagi bahwa suku galat εi tidak lain adalah simpangan Yi dari
nilai rata-ratanya E(Yi).
Gambar 9.5 juga memperhatikan sebaran peluang bagi Y bila X = 20.
Perhatikan bahwa sebaran ini mempunyai ragam yang sama seperti sebaran
peluang bagi Y untuk X = 45, sesuai dengan persyaratan model regresi (9.1).
3. Makna Parameter Regresi

Kedua parameter β0 dan β1 dalam model regresi (9.1.1) dinamakan
koefisien regresi. β1 adalah kemiringan (slope) garis regresi. Kemiringan
menunjukkan perubahan rata-rata sebaran peluang bagi Y untuk setiap
kenaikan X satu satuan. Parameter β0 adalah nilai intersep Y garis regresi
tersebut. Bila cakupan model tidak mencakup X = 0 maka β0 tidak
mempunyai makna.
Contoh 9.6:
Gambar 9.6 memperlihatkan fungsi regresi: E(Y) = 15,6 + 1,09X. Bagi
contoh hubungan POT dengan prestasi belajar siswa. Kemiringan β1 = 1,09
menunjukkan bahwa kenaikan skor POT satu satuan akan menaikkan rata-
rata sebaran peluang bagi Y sebesar 1.09.
Gambar 9.6.
Fungsi regresi E(Y) = 15,6 + 1,09X
Intersep β0 = 15,6 menunjukkan nilai fungsi pada X = 0. Akan tetapi,

karena model regresi linear ini diformulasikan untuk diterapkan pada skor
POT yang berkisar antara 20 sampai 80 maka dalam hal ini β0 tidak
mempunyai makna. Khususnya, parameter ini tidak berarti bisa diartikan
sebagai rata-rata prestasi belajar siswa bila tidak mendapatkan perhatian
orang tua sama sekali. Suatu model dengan fungsi regresi kurvilinear dan
satuan nilai β0 yang berbeda daripada yang ada di dalam model linear ini
mungkin diperlukan cakupan model yang diperluas sampai nol.
D. PENDUGAAN FUNGSI REGRESI
Kita coba perhatikan contoh hubungan Skor Perhatian Orang Tua (POT)
dengan Prestasi Belajar Siswa untuk mengilustrasikan pendugaan fungsi
regresi linear sederhana. Data observasional untuk runtutan siswa yang
teramati, yaitu skor POT (X) dan prestasi belajar siswa disajikan dalam
Tabel 9.1. Kita akan melambangkan amatan (X, Y) dari tindakan pertama
sebagai (X1, Y1) untuk tindakan kedua sebagai (X2, Y2) dan secara umum
untuk tindakan ke-i sebagai (Xi, Yi), dengan i = 1, 2, . . . ., n. Untuk data
dalam Tabel 9.1, X1 = 30, Y1 = 40, dan seterusnya, dan n = 10.
Tabel 9.2
Data Skor Perhatian Orang Tua (POT) dan Prestasi Belajar Siswa
Runtutan ke- i Skor POT Xi Prestasi Belajar Yi

1 30 44
2 20 38
3 60 87
4 80 98
5 40 62
6 50 70
7 60 80
8 30 47
9 70 92
10 60 85
1. Metode Kuadrat Terkecil

Untuk mendapatkan penduga yang “baik” bagi parameter regresi β0 dan
β1 kita akan menerapkan metode kuadrat terkecil. Untuk setiap amatan
sampel (Xi, Yi), metode kuadrat terkecil akan menggunakan simpangan Yi dari
nilai harapannya:
Yi – (β0 + β1Xi) (9.5)
Lebih tepatnya metode kuadrat terkecil akan menggunakan jumlah n

simpangan kuadrat. Kriterium ini dilambangkan sebagai Q:
n
Q = ∑ (Yi − β0 − β1 X i )
2
(9.6)
i −1
Menurut metode kuadrat terkecil, penduga bagi β0 dan β1 ialah nilai-nilai b0

dan b1 yang meminimumkan kriterium Q untuk data amatan yang dimiliki.
Contoh 9.7:
Gambar 9.7a mengulang kembali diagram pencar data dalam Tabel 9.1
untuk contoh hubungan skor POT dengan Prestasi Belajar Siswa. Dalam
Gambar 9.7b diplotkan garis regresi suaian (fitted regression line) dengan
menggunakan nilai dugaan sembarang berikut.
(a) (b)
Gambar 9.7.
Garis Regresi Contoh 9.7.
Gambar 9.8.
Strategi untuk Analisis Regresi
Misalkanlah bahwa:
b0 = 30 b1 = 0
maka simpangan dari garis regresi ialah Yi – 30 – (0)Xi. Perhatikan bahwa
setiap simpangan digambarkan sebagai jarak vertikal antara Yi dengan garis
regresi suaian. Tampak jelas bahwa garis ini kurang cocok (kurang pas) bagi
data tersebut. Ini tercermin dari besarnya simpangan-simpangan. Simpangan
yang besar membuat simpangan kuadrat juga besar. Jumlah simpangan
kuadrat Q ialah:
Q = (44 – 30)2 + (38 – 30)2 + . . . . +(85 – 30)2 = 20415
Nilai ini jelas cukup besar.
Sekarang perhatikan jika b0 = 15 dan b1 = 1,5. Garis ini lebih cocok

(namun masih belum baik), simpangan-simpangan sudah jauh lebih kecil,
sehingga jumlah simpangan-simpangan kuadrat berkurang menjadi Q = 4545.
Ini berarti garis regresi yang lebih cocok menghasilkan Q yang lebih kecil.
Tujuan metode kuadrat terkecil adalah menemukan nilai dugaan b0 dan
b1 yang menghasilkan Q minimum. Dalam pengertian tertentu, yang segera
akan kita bahas, nilai dugaan itu akan menghasilkan fungsi regresi linier yang
“terbaik”.
2. Penduga Kuadrat Terkecil

Penduga b0 dan b1 yang memenuhi kriterium kuadrat terkecil dapat
ditemukan dalam dua cara berikut. Pertama, digunakan suatu prosedur
pencarian numerik. Prosedur ini untuk berbagai nilai dugaan b0 dan b1 yang
berbeda sampai diperoleh nilai dugaan yang meminimumkan Q. Pendekatan
kedua adalah menemukan nilai-nilai b0 dan b1 secara analitis yang
meminimumkan Q. Pendekatan analitis mungkin dilakukan bila model
regresinya secara sistematis tidak terlalu rumit, seperti halnya di sini. Dapat
diperlihatkan nilai-nilai b0 dan b1 yang meminimumkan Q untuk data sampel
yang dimiliki diberikan oleh sistem persamaan linear berikut.
∑ Yi = nb0 + b1 ∑ X i (9.7a)
∑ X 1Yi = b0 ∑ X i + b1 ∑ X i
2
(9.7b)
Persamaan (9.7a) dan (9.7b) dinamakan persamaan normal; b0 dan b1

dinamakan penduga titik (point estimator) bagi β0 dan β1.
Besaran-besaran ΣYi, ΣXi, dan seterusnya di dalam (9.7) dihitung dari
amatan-amatan sampel (Xi, Yi). Dengan demikian, kedua persamaan itu bisa
diselesaikan. Untuk memperoleh b0 dan b1 bisa dihitung secara langsung
menggunakan rumus:
∑ X i ∑ Yi
∑ X iYi −
n ∑ ( X i − X )(Yi − Y )
b1 = = (9.8a)
( ∑ Xi ) ∑( Xi − X )
2 2
∑ Xi −
2
n
1
b0 = ( ∑ Yi − b1 ∑ X i ) = Y − b1 X (9.8b)
n
dalam hal ini X dan Y berturut-turut adalah rata-rata Xi dan rata-rata Yi.
Persamaan normal (9.7) dapat diturunkan secara kalkulus. Untuk suatu

data amatan (Xi, Yi), besaran Q dalam (9.6) merupakan suatu fungsi β0 dan
β1 yang meminimumkan Q dapat diturunkan dengan cara mendiferensialkan
(9.6) terhadap β0 dan β1 . Kita peroleh:
∂Q
= −2∑ (Yi − β0 − β1 X i )
∂β0
∂Q
= −2∑ X i (Yi − β0 − β1 X i )
∂β1
Selanjutnya, kedua turunan parsial ini disamakan dengan nol, menggu-

nakan b0 dan b1 untuk menyatakan β0 dan β1 yang meminimumkan Q
maka:
∑ (Y − β − β X ) = 0
i 0 1 i
∑ X (Y − β − β X ) = 0
i i 0 1 i
Sistem persamaan ini dinamakan persamaan normal. Dengan

menyelesaikan persamaan-persamaan normal ini diperoleh:
n∑ X iYi − ( ∑ X i )( ∑ Yi )
b1 =
n∑ X i2 − ( ∑ X i )
2
b0 = Y − b1 X
Rumus terakhir ini merupakan versi lain dari rumusan yang telah
disajikan di depan, namun akan menghasilkan nilai yang sama (Anda dapat
membuktikannya).
Penduga kuadrat terkecil ini ialah penduga tak bias dan merupakan
fungsi linear dari Yi , yaitu:
a. E (b0 ) = β0 dan E (b1 ) = β1 (jadi merupakan penduga tak bias).
n∑ X iYi − ( ∑ X i )( ∑ Yi )
b. b1 =
n∑ X i2 − ( ∑ X i )
2
=
∑( X i − X )Yi
= ∑ kiYi
(∑ X −X)
2
i
dimana:
ki =
∑( X − X )
i
(∑ X − X )
2
i
1
b0 =
n
∑ Yi − X ∑ kiYi = ∑ b1Yi
dimana:
⎛1 ⎞
bi = ⎜ − Xki ⎟
⎝ n ⎠
(jadi baik b1 maupun b0 merupakan kombinasi linear atau fungsi linear
dari Yi).
L A TIH A N

1) Tabel di bawah ini menyajikan skor motivasi belajar Matematika (X) dan
prestasi belajar Matematika (Y) dari 20 siswa yang dipilih secara acak
dari suatu sekolah menengah pertama.
X 78 60 57 40 59 70 65 66 68 58 44 38 70 60 65 68 50 74 46 54
Y 85 70 65 45 78 89 50 60 75 50 50 40 87 75 78 80 45 90 50 58
a. Gambarkan diagram pencar untuk data di atas!

b. Tentukan nilai dugaan koefisien regresi b1 dan b0!
c. Tuliskan persamaan regresi dugaannya!
d. Gambarkan garis regresi dugaan tersebut pada gambar diagram
pencar pada soal a!
2) Suatu penelitian telah dilakukan untuk menentukan hubungan antara
peubah bebas X dan peubah tak bebas Y. Data hasil penelitian telah
dihitung dan didapatkan hasil sebagai berikut.
∑ X = 63, 6; ∑ X 2 = 339,18; ∑ Y = 62; ∑ Y 2 = 390;
∑ XY = 339,1; n = 12 .
a. Tentukan nilai dugaan b1 dan b0!
b. Tuliskan persamaan regresi dugaannya!

1) a. Diagram pencar untuk data tersebut adalah
b. Sebelum kita mencari nilai dugaan tersebut sebaiknya Anda

lengkapi tabel berikut
Xi 78 60 … 54 ∑ X = 1.190
i
Yi 85 70 … 58 ∑ Y = 1.320
i
X iYi 6.630 4.200 … 3.132 ∑ X Y = 81.539

i i
X i
2
6.084 3.600 … 2.916 ∑ X = 73.220
i
2
Jadi nilai dugaan

n∑ X iYi − ( ∑ X i )( ∑ Yi ) 20 ( 81.539 ) − (1.190 × 1.320 )
b1 = =
n∑ X i2 − ( ∑ X i ) 20 ( 73.220 ) − (1.190 )
2 2
1.630.780 − 1.570.800 59.980

= = = 1, 2418
1.464.400 − 1.416.100 48.300
1 1
b0 = ( ∑ Yi − b1 ∑ X i ) = (1.320 − 1, 2418 × 1.190 )
n 20
1
= ( −157, 742 ) = −7,8871
20
c. persamaan garis regresi dugaannya adalah Yˆ = −7,98 + 1, 24 X
d. Gambar garis regresi dugaannya sebagai berikut
2) a. Diketahui ∑ X = 63, 6; ∑ X 2 = 339,18; ∑ Y = 62; ∑ Y 2 = 390;

∑ XY = 339,1; n = 12 . Dengan rumus yang telah digunakan pada
soal latihan 1.b akan diperoleh
n∑ X iYi − ( ∑ X i )( ∑ Yi ) 12 ( 339,1) − ( 63, 6 × 62 )
b1 = =
n∑ X i2 − ( ∑ X i ) 12 ( 339,18 ) − ( 63, 6 )
2 2
4.069, 2 − 3.943, 2 126

= = =5
4.070,16 − 4.044,96 25, 2
1 1 1
b0 = ( ∑ Yi − b1 ∑ X i ) = ( 62 − 5 × 63, 6 ) = ( −256 ) = −21,333
n 12 12
RA NGK UMA N
Hubungan statistik antara peubah babas X dan peubah tak bebas Y

telah kita pelajari di muka. Analisis regresi mempelajari hubungan antara
rerata semua Y yang berkaitan dengan X tertentu. Dalam analisis regresi
sederhana kita menganggap bahwa hubungan antara X dan Y berbentuk
garis lurus, yaitu:
Y = β0 + β1 X + ε ;
di mana ε merupakan suku galat yang bersifat acak.

Dengan metode kuadrat terkecil kita duga persamaan regresi

tersebut berdasarkan data berpasangan (Xi, Yi) i=1, 2, 3, ..., n. Adapun
rumus dugaan dari koefisien regresi tersebut adalah sebagai berikut.
n∑ X iYi − (∑ X i )(∑ Yi )
b1 = , dan b0 = Y − b1 X .
n∑ X i2 − (∑ X i ) 2
Dari nilai dugaan koefisien regresi tersebut di atas didapatkan

penduga garis regresi sebagai berikut.
Yˆ = b0 + b1 X .
Kita ketahui bahwa penduga-penduga di atas merupakan penduga

tak bias.
TES FORMATIF 1
A. Pada tabel di bawah ini, data menunjukkan harga X yang menyatakan

tingkat kenyamanan guru dalam lingkungannya bekerja, dan Y yang
menyatakan motivasi guru dalam untuk meningkatkan kinerjanya dalam
memberikan pembelajaran terhadap siswanya.
X 93 96 108 86 92 80 96 117 95 92 96 108 92

Y 73 69 83 54 67 51 70 85 78 74 76 79 68
Bila masalah tersebut di dalam regresi dimodelkan dengan model regresi
linear Y = β0 + β1 X + ε maka:
1) Nilai dugaan untuk b1 adalah ....

A. 1,268
B. 0,998
C. 0,898
D. 0,998

A. −25,131
B. −15,132
C. −5,321
D. 1,825
3) Untuk Xk = 100 maka nilai dugaan bagi Yk yaitu Yˆk sama dengan ....
A. 84,479
B. 80,345
C. 76,684
D. 74,668
4) Untuk Xk = 80 maka nilai dugaan bagi Yk yaitu Yˆk sama dengan ....
A. 45,780
B. 54,708
C. 56,708
D. 65,078
5) Oleh sebab itu, untuk Xk = 80 maka didapatkan nilai galat (residu) ek

sama dengan ....
A. 7,508
B. 5,708
C. −5,708
D. −6,780
B. Data pada tabel di bawah ini menunjukkan nilai X yang menyatakan skor
total dalam ujian masuk di suatu sekolah, dan Y yang menyatakan nilai
tes pelajaran Fisika dari sampel random 20 siswa tahun pertama pada
sekolah tersebut.
X 53 36 88 84 86 64 45 48 39 67
Y 45 43 89 79 84 66 49 48 43 76
X 54 73 65 29 52 22 76 32 51 37
Y 59 77 56 28 51 27 76 34 60 32
Bila masalah tersebut di dalam regresi dimodelkan dengan model regresi

linear:
Y = β0 + β1 X + ε maka:

A. 0,943
B. 0,749
C. 0,643
D. 0,479

A. 0,943
B. 3,881
C. 4,184
D. 6,184
8) Untuk Xk = 80 maka nilai dugaan bagi Yk , yaitu Yˆk sama dengan ....
A. 84,479
B. 79,624
C. 76,624
D. 69,188
9) Untuk Xk = 64 maka nilai dugaan bagi Yk , yaitu Yˆk sama dengan ....
A. 34,536
B. 35,653
C. 45,365
D. 64,536
10) Oleh sebab itu, untuk Xk = 64, maka didapatkan nilai galat (residu)
ek sama dengan ....
A. 6,424
B. 4,464
C. 4,264
D. 1,464


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Kegiatan Belajar 2
Inferensi dalam Analisis Regresi
D i dalam Kegiatan Belajar 2 ini, pertama-tama kita akan membahas

inferensi tentang parameter regresi, β0 dan β1, dalam bentuk pendugaan
selang dan uji hipotesis bagi kedua parameter itu. Selanjutnya, kita akan
mendiskusikan pendekatan uji linear persamaan regresi menggunakan
analisis ragam. Dan terakhir akan dibahas ukuran proporsi keragaman di
sekitar nilai tengah.
Model regresi:
Yi = β0 + β1 X i + εi (9.9)
Dalam hal ini:

β0 dan β1 adalah parameter.
Xi konstanta yang diketahui nilainya.
εi menyebar N(0, σ2) dan bebas satu sama lain.
A. INFERENSI TENTANG β1
Sering kali kita ingin menarik kesimpulan tentang β1 yang merupakan

kemiringan garis regresi dalam model (9.9). Misalnya, seorang guru yang
sedang meneliti ingin memperoleh dugaan selang bagi β1 yang merupakan
informasi tentang rata-rata peningkatan UAN siswa yang akan diperoleh dari
setiap peningkatan nilai try out UAN.
Ada kalanya kita tertarik untuk menguji tentang β1, khususnya yang
berbentuk:
H 0 : β1 = 0 H a : β1 ≠ 0
Alasan mengapa kita tertarik untuk menguji apakah β1 = 0 atau tidak

adalah bahwa β1 = 0 mengindikasikan tidak adanya asosiasi linear antara Y
dan X. Gambar (9.9) mengilustrasikan kasus bila β1 = 0 untuk model regresi
bergalat normal (9.9). Perhatikan bahwa garis regresi mendatar dan bahwa,
oleh karenanya, rata-rata sebaran Y sama, yaitu sebesar:
E{Y} - β0 + (0)X = β0
Karena model regresi (9.9) mengasumsikan bahwa sebaran peluang Y

normal dengan ragam yang sama, karena rata-ratanya sama bila β1 = 0, maka
ini berarti bahwa sebaran-sebaran peubah Y sama semuanya bila β1 = 0. Ini
ditunjukkan dalam Gambar 9.9. Jadi, β1 = 0 bagi model regresi (9.9)
berimplikasi bahwa tidak hanya tidak ada asosiasi linear antara Y dan X
namun juga tidak ada hubungan dalam bentuk apapun antara Y dan X, karena
sebaran peluang peubah Y sama pada semua taraf X.
Gambar 9.9.
Model Regresi (9.9) bila β1 = 0
Dalam (9.8a) penduga titik b1 telah diberikan rumusnya, yaitu
b1 =
∑ ( X − X )(Y − Y )
i i
∑(X − X )
i
2
Sebaran penarikan sampel bagi b1 pada hakikatnya menggambarkan nilai-

nilai b1 yang akan diperoleh bila kita melakukan penarikan sampel berulang-
ulang dengan taraf-taraf peubah bebas X yang dibuat tetap dari sampel satu
ke sampel lainnya.
Untuk model regresi (9.9), sebaran penarikan sampel bagi b1 adalah
σ2
normal, dengan rata-rata E{b1} = β1 dan ragam σ 2 {b1} = .
∑( Xi − X )
2
Oleh karena itu, untuk menguji hipotesis mengenai β1 digunakan sebuah

teorema penting di dalam statistika:
b1 − β1
∼ tn − 2 (9.10)
s {b1}
dengan s {b1} =
( ∑ (Y − Y ) − b ∑ ( X − X )(Y − Y )) .
i
2
1 i i
( n − 2) ∑ ( X i − X )
2
Karena (b1 – β1)/s{b1} mengikuti sebaran t maka kita bisa membuat

pernyataan peluang berikut.
P{t(α/2; n – 2) < (b1 – β1)/s{b1} < t(1 – α/2;n – 2)} = 1 – α

U U U U (9.11)
Dalam hal ini t(α/2; n – 2) menyatakan persentil (α/2)100 dari sebaran

dengan n – 2 derajat bebas. Karena sebaran t setangkup (simetrik) terhadap 0
maka:
t(α/2; n – 2) = –t(1 – α/2; n – 2) (9.12)
Setelah menata kembali dua ketidaksamaan di dalam (9.11) dan dengan

menggunakan (9.12) maka kita memperoleh:
P{b1 – t(1 – α/2; n – 2)s{b1} < β1 < b1 + t (1 – α/2;n – 2)s{b1}} = 1 – α

U U U U (9.13)
Karena (9.13) berlaku untuk semua kemungkinan nilai β1 maka batas-

batas kepercayaan 1 – α bagi β1 adalah sebagai berikut.
b1 + t(1 – α/2; n – 2)s{b1}

U U (9.14)
Contoh 9.8:
Marilah kita kembali ke contoh tentang skor Perhatian Orang Tua (POT)
dalam Kegiatan Belajar 1. Misalkan kita ingin menguji asosiasi antara POT
dengan prestasi belajar siswa dengan koefisien kepercayaan 95%. Dari hasil
perhitungan koefisien regresi di atas diperoleh b0 = 15,594 dan b1 = 1,094.
Sebelum melakukan pengujian ada baiknya kita lengkapi terlebih dahulu
tabel perhitungan sebagai berikut.
NO. Xi Yi Xi 2 Yi 2 XiYi
1. 30 44 900 1.936 1.320
2. 20 38 400 1.444 760
3. 60 87 3.600 7.569 5.220
4. 80 98 6.400 9.604 7.840
5. 40 62 1.600 3.844 2.480
6. 50 70 2.500 4.900 3.500
7. 60 80 3.600 6.400 4.800
8. 30 47 900 2.209 1.410
9. 70 92 4.900 8.464 6.440
10. 60 85 3.600 7.225 5.100
Σ 500 703 28.400 53.595 38.870
Dari tabel tersebut dapat diperoleh
∑ X i2 −
(∑ X i )2
= ∑( X i − X ) 2 = 28.400 −
( 500 ) = 3.400 2
n 10
∑ Yi 2 −
(∑ Yi ) 2
= ∑(Yi − Y ) 2 = 53.595 −
( 703 ) = 4.174,1
2
n 10
∑ X i ∑ Yi 500 × 703
∑ X iYi − = ∑( X i − X )(Yi − Y ) = 38.870 − = 3.720
n 10
sehingga
s {b } =
2
( ∑ (Y − Y ) − b ∑ ( X − X )(Y − Y )) = 4.174,1 − (1, 094 × 3.720)
i
2
1 i i
( n − 2) ∑ ( X i − X )
1 2
8 × 3.400
= 0, 0038
s {b1 } = 0, 0038 = 0, 06196
dan
b1 1, 094
t= = = 17, 66
s {b1} 0, 06196
Untuk koefisien kepercayaan 95%, kita memerlukan t(0.975; 8). Dari Tabel
distribusi t pada Modul 6, kita memperoleh t(0.975; 8) = 2,306. Dengan
demikian nilai t-hitung > t(0.975; 8) yang berarti tolak H0 atau dengan kata lain
ada asosiasi antara POT dengan prestasi belajar siswa. Di sisi lain, selang
kepercayaan 95% menurut (9.13), ialah:
1.094 – 2.31(0.06196) < β1< 1.094 + 2.31 (0.06196)
U U U U
atau
0.951 < β1 < 1.237
U U U U
Jadi, dengan tingkat kepercayaan 95%, kita juga duga bahwa rata-rata
prestasi belajar siswa akan naik sekitar antara 0.951 sampai 1.237 untuk
setiap kenaikan satu unit skor Perhatian Orang Tua.
B. INFERENSI MENGENAI β0
Sebagaimana dikemukakan Kegiatan Belajar 1, hanya kadangkala saja

kita ingin melakukan inferensi mengenai β0 intersep garis regresi. Ini terjadi
bila cakupan model mencakup X = 0.
Penduga titik b0 telah diberikan dalam (9.10b), yaitu:
b0 = Y − b1 X
Sebaran penarikan sampel bagi b0 mengacu pada nilai-nilai b0 yang

berbeda yang akan diperoleh bila penarikan sampel pada taraf-taraf yang
sama peubah bebas X diulang-ulang. Untuk model regresi (9.9), sebaran
penarikan sampel b0 adalah sebaran normal dengan rata-rata E{b0} = β0 dan
∑ X i2 2 ⎡1 X2 ⎤
ragam σ 2 {b0 } = σ 2 = σ ⎢ + 2 ⎥
.
n ∑( X i − X ) 2
⎣ n ∑( X i − X ) ⎦
Penduga bagi σ2{b0} diperoleh cukup dengan mengganti σ2 dengan
penduga titiknya.
⎛
⎜
s {b0 } = ⎜
2
( ∑ (Y − Y ) − b ∑ ( X − X )(Y − Y )) ⎞⎟ ⎛⎜
i
2
1 i i ∑ X i2 ⎞
( n − 2) ⎟ n ∑( X − X ) 2 ⎟
⎜ ⎟⎝ i ⎠
⎝ ⎠
Akar kuadratnya, yaitu s{b0} merupakan penduga bagi σ{b0}.

Analog terhadap teorema (9.10) bagi b1, ada teorema serupa untuk b0
yang mengatakan bahwa untuk menguji b0:
b0 − β0
mengikuti sebaran t(n – 2) (9.15)
s{b0 }
Oleh karenanya, selang kepercayaan bagi β0 dapat dilakukan secara biasa

dengan menggunakan sebaran t.
Batas-batas kepercayaan 1 − α bagi β0 diperoleh dengan cara yang sama
seperti untuk β1 yang telah diuraikan sebelumnya, yaitu:
b0 + t(1 - α/2;n – 2)s{b0}

U U (9.16)
Contoh 9.9:
Sebagaimana telah dikemukakan sebelumnya, cakupan model bagi
Contoh mengenai POT tidak mencakup skor POT X = 0. Oleh karenanya,
parameter regresi β0 mungkin saja tidak memiliki makna di sini. Akan tetapi,
seandainya saja selang kepercayaan 95% bagi β0 diinginkan maka itu bisa
kita lakukan. Mula-mula kita cari t(0.95; 8) dan s{b0}. Dari tabel distribusi t kita
peroleh t(0.95; 8) = 1,860. Dengan memanfaatkan angka-angka dalam
perhitungan sebelumnya, dapat diperoleh
⎛
⎜
s 2 {b0 } = ⎜
∑ ((
2
)
Yi − Y ) − b1 ∑ ( X i − X )(Yi − Y ) ⎞ ⎛
⎟
⎜
∑ X i2 ⎞
⎟ 2 ⎟
⎜ ( n − 2) ⎟ ⎝ n ∑( X i − X ) ⎠
⎝ ⎠
⎛ 4.174,1 − (1, 094 × 3.720 ) ⎞ ⎛ 28.400 ⎞
=⎜ ⎟⎜ ⎟ = 10,90268
⎝ 8 ⎠ ⎝ 10 × 3.400 ⎠
atau
s {b0 } = s 2 {b0 } = 3,30192
Jadi,
b0 15,594
t= = = 4, 7227
s {b0 } 3,30192
karena t-hitung > t(0.95; 8) maka dapat disimpulkan tolak H0, yang berarti
prestasi belajar siswa tanpa perhatian orang tua adalah 15,594 poin. Di sisi
lain, selang kepercayaan 95% bagi β0 ialah sebagai berikut.
15,595 – 1,860(3,30192) ≤ β0 ≤ 15,595 + 1,860(3,30192)
9,45 ≤ β0 ≤ 24,38
Perlu diingatkan lagi bahwa selang kepercayaan ini tidak selalu
memberikan informasi yang bermanfaat. Misalnya, dalam hal ini, selang
tersebut belum tentu memberi informasi bahwa prestasi belajar siswa tanpa
perhatian orang tua antara 9,45 hingga 24,38 poin, karena kita belum yakin
apakah model regresi linear masih tetap berlaku bila cakupan modelnya
diperluas sehingga mencakup X = 0.
C. MENGUJI KELINIERAN PERSAMAAN REGRESI
Setelah kita menduga dan menguji keberartian koefisien-koefisien

parameter dugaan, langkah selanjutnya adalah mengevaluasi/ menguji
kelinieran persamaan regresi. Pada dasarnya pengujian terhadap kelinieran
pada analisis regresi linier sederhana ini sama halnya dengan pengujian
parameter β1. Untuk mempermudah penarikan proses pengujian terhadap
linieritas tersebut kita dapat memanfaatkan tabel analisis ragam atau analysis
of variance (ANOVA) dengan bentuk sebagai berikut.
Tabel 9.3.
Tabel Analisis Ragam atau Analysis of Variance (ANOVA) untuk
Analisis Regresi Linier Sederhana
Sumber Derajat Bebas Jumlah Kuadrat

Kuadrat Tengah (KT) F
Keragaman (db) (JK)
Regresi 1 JKR KTR = JKR KTR/KTG
Galat n–2 JKG KTG = JKG/(n – 2)
Total n–1 JKT
dengan
⎛
JKR = b1 ⎜ ∑ ( X iYi ) −
( ∑ X i )( ∑ Yi ) ⎞⎟
⎜ n ⎟
⎝ ⎠
(∑Y )
2
JKT = ∑ Yi
i
2
−
n
JKG = JKT − JKR
Contoh 9.10:
Dengan menggunakan perhitungan pada data POT dapat kita peroleh
tabel analisis ragamnya sebagai berikut
⎛
JKR = b1 ⎜ ∑ ( X iYi ) −
( ∑ X i )( ∑ Yi ) ⎞⎟ = 1, 094 ⎛ 38.870 − 500 × 703 ⎞ = 4.070,1
⎜ ⎟ ⎜ ⎟
⎝ n ⎠ ⎝ 10 ⎠
(∑Y )
2
7032
JKT = ∑ Yi
i
2
− = 53.595 −
= 4.174,1
n 10
JKG = JKT − JKR = 4.174,1 − 4.070,1 = 104
KTG = JKG / (n − 2) = 104 / 8 = 13
Sumber Derajat Jumlah Kuadrat Kuadrat Tengah

F
Keragaman Bebas (db) (JK) (KT)
Regresi 1 4.070,1 4.070,1 313,14
Galat 8 104,0 13,0
Total 9 4.174,1
Kriteria penolakan H0 adalah jika F-hitung > Fα,(1, n – 2). Berdasarkan tabel
ANOVA di atas dapat disimpulkan tolak H0 yang berarti terdapat jumlah
ragam yang berarti dalam prestasi belajar siswa yang disebabkan fungsi linier
antara prestasi belajar siswa dengan perhatian orang tua.
Selain uji kelinieran, pada analisis regresi juga diperlukan informasi

mengenai ukuran proporsi keragaman yang dapat dijelaskan oleh model
regresi. Ukuran tersebut menggunakan derajat determinasi yang akan Anda
pelajari lebih dalam pada kegiatan Belajar 3. Perhitungan derajat determinasi
dapat dilakukan dengan bantuan rumus:
⎛ n X Y − ( X )( Y ) ⎞
R 2 = b1 ⎜
∑ ii ∑ i ∑i ⎟ (9.17)
⎜ n∑ Yi 2 − ( ∑ Yi ) ⎟
2
⎝ ⎠
Nilai R2 berada pada interval 0 hingga 1. Semakin besar nilai R2 berarti makin
besar keragaman yang dapat dijelaskan oleh model regresi.
Contoh 9.11:
Dengan menggunakan perhitungan pada data POT dapat kita peroleh
indeks determinasi
⎛ n X Y − ( X )( Y ) ⎞
R 2 = b1 ⎜
∑ i i ∑ i ∑ i ⎟ = 1, 094 ⎛⎜ 10 ( 38.870 ) − 500 ( 703) ⎞⎟
⎜ 10 ( 53595 ) − 7032 ⎟
⎜ n∑ Yi 2 − ( ∑ Yi ) ⎟
2
⎝ ⎠ ⎝ ⎠
= 0,975
Nilai ini berarti persamaan regresi dapat menjelaskan 97% keragaman dalam
data.
L A TIH A N

1) Lihatlah lagi soal 1 dalam soal latihan pada Kegiatan Belajar 1:
a. Tentukan s{b1} dan s{b0}!
b. Tentukan selang kepercayaan 95% bagi β1!
c. Tentukan selang kepercayaan 95% bagi β0!
d. Lakukanlah uji mengenai H0: β1 =0 vs Ha: β1 ≠ 0 dengan taraf
nyata α = 5%!
e. Buatlah tabel ANOVA beserta kesimpulan yang ditarik dari tabel
tersebut!
f. Hitunglah indeks determinasi dari data tersebut!
2) Lihatlah lagi soal 2 dalam soal-soal latihan pada Kegiatan Belajar 1:

a. Tentukan s{b1} dan s{b0}!
b. Tentukan selang kepercayaan 95% bagi β1!
c. Tentukan selang kepercayaan 95% bagi β0!
d. Lakukanlah uji mengenai H0: β1 =0 vs Ha: β1 ≠ 0 dengan taraf
nyata α = 5%!
e. Buatlah tabel ANOVA beserta kesimpulan yang ditarik dari tabel
tersebut!
f. Hitunglah indeks determinasi dari data tersebut!
1) a. sebaiknya kita gunakan tabel perhitungan sebagai berikut

NO. Xi Yi Xi 2 Yi 2 XiYi
1. 78 85 6.084 7.225 6.630
2. 60 70 3.600 4.900 4.200
3. 57 65 3.249 4.225 3.705
4. 40 45 1.600 2.025 1.800
5. 59 78 3.481 6.084 4.602
6. 70 89 4.900 7.921 6.230
7. 65 50 4.225 2.500 3.250
8. 66 60 4.356 3.600 3.960
9. 68 75 4.624 5.625 5.100
10. 58 50 3.364 2.500 2.900
11. 44 50 1.936 2.500 2.200
12. 38 40 1.444 1.600 1.520
13. 70 87 4.900 7.569 6.090
14. 60 75 3.600 5.625 4.500
15. 65 78 4.225 6.084 5.070
16. 68 80 4.624 6.400 5.440
17. 50 45 2.500 2.025 2.250
18. 74 90 5.476 8.100 6.660
19. 46 50 2.116 2.500 2.300
20. 54 58 2.916 3.364 3.132
Σ 1.190 1.320 73.220 92.372 81.539
Dari tabel tersebut dapat diperoleh
∑ X i2 −
(∑ X i )2
= ∑( X i − X ) 2 = 73.220 −
(1.190 ) = 2.415
2
n 20
∑ Yi 2 −
(∑ Yi ) 2
= ∑(Yi − Y ) 2 = 92.372 −
(1.3202 ) = 5.252
n 20
∑ X i ∑ Yi 1.190 × 1.320
∑ X iYi − = ∑( X i − X )(Yi − Y ) = 81.539 −
n 20
= 2.999
sehingga
s {b } =
2
( ∑ (Y − Y ) − b ∑ ( X − X )(Y − Y ))
i
2
1 i i
( n − 2) ∑ ( X i − X )
1 2
5.252 − (1, 2418 × 2.999 )

= = 0, 035147
18 × 2.415
s {b1 } = 0,187475
b. 1,2418 – 2,10(0,187475) < β1 < 1,2418 + 2,10(0,187475)
0,85 < β1 < 1,64
c.
⎛
2⎜
s {b0 } = ∑ X i ⎜
2
(
∑ (Yi − Y ) − b1 ∑ ( X i − X )(Yi − Y ) ⎞⎟
2
)
⎟
⎜ ( n − 2 ) ( n ∑( X i − X ) 2 ) ⎟
⎝ ⎠
⎛ 5.252 − (1, 2418 × 2.999 ) ⎞ ⎛ 73.220 ⎞
=⎜ ⎟⎜ ⎟ = 128, 6733
⎝ 18 ⎠ ⎝ 20 × 2.415 ⎠
s {b0 } = 11,34343
Jadi selang kepercayaan bagi β0 adalah
− 7,8871 – 1,73(11,34343) < β0 < − 7,8871 + 1,73(11,34343)
− 27,51 < β0 < 11,73
b 1, 2418
d. t= 1 = = 6, 62
s {b1} 0,187475
karena t-hitung > t(1 – 0,025); 18 maka tolak H0 yang berarti ada
asosiasi antara peubah X dan Y.
e.
⎛
JKR = b1 ⎜ ∑ ( X iYi ) −
( ∑ X i )( ∑ Yi ) ⎞⎟
⎜ n ⎟
⎝ ⎠
⎛ 1.190 × 1.320 ⎞
= 1, 2418 ⎜ 81.539 − ⎟ = 3.724,158
⎝ 20 ⎠
(∑Y )
2
1.3202
JKT = ∑ Yi
i
2
− = 92.372 −
= 5.252
n 20
JKG = JKT − JKR = 5.252 − 3.724,158 = 1.527,842
KTG = JKG / (n − 2) = 1.527,842 / 18 = 84,8801
Sumber Keragaman db JK KT F
Regresi 1 3.724,158 3.724,158 43,88
Galat 18 1.527,842 84,880
Total 19 5.252,000
Berdasarkan hasil pada tabel ANOVA yang dibandingkan dengan
nilai F0,05;(1,18) = 4,41 maka F-hitung > F0,05;(1,18) maka dapat
disimpulkan bahwa terdapat jumlah ragam yang berarti dalam Y
yang disebabkan fungsi linier antara Y dengan X.
⎛ n X Y − ( X )( Y ) ⎞
f. R 2 = b1 ⎜
∑ ii ∑ i ∑i ⎟
⎜ n∑ Yi 2 − ( ∑ Yi ) ⎟
2
⎝ ⎠
⎛ 20 ( 81.539 ) − 1.190 (1.320 ) ⎞
= 1, 2418 ⎜⎜ ⎟⎟ = 0, 715
⎝ 20 ( 92.327 ) − 1.320
2
⎠
2) a. Diketahui ∑ X = 63, 6; ∑ X 2 = 339,18; ∑ Y = 62; ∑ Y 2 = 390;
∑ XY = 339,1; n = 12 .
∑ X i2 −
(∑ X i )2
= ∑( X i − X ) 2 = 339,18 −
( 63, 6 2
) = 2,1
n 12
∑ Yi 2 −
(∑ Yi ) 2
= ∑(Yi − Y ) 2 = 390 −
( 622 ) = 69, 67
n 12
∑ X i ∑ Yi 63, 6 × 62
∑ X iYi − = ∑( X i − X )(Yi − Y ) = 339,1 − = 10,5
n 12
sehingga s {b } =
2
( ∑ (Y − Y ) − b ∑ ( X − X )(Y − Y ))
i
2
1 i i
( n − 2) ∑ ( X i − X )
1 2
69, 67 − ( 5 × 10,5 )
= = 0,817619
10 × 2,1
s {b1} = 0,904223
b. 5 – 2,23(0,904223) < β1 < 5 + 2,23(0,904223)
2,984 < β1 < 7,016
c.
⎛
⎜
s 2 {b0 } = ∑ X i2 ⎜
∑( ( Yi − Y ) − b1 ∑ ( X i − X )(Yi − Y )
2
) ⎞⎟
⎟
⎜ ( n − 2 ) ( n ∑( X i − X ) 2 ) ⎟
⎝ ⎠
⎛ 69, 67 − ( 5 × 10,5 ) ⎞ ⎛ 339,18 ⎞
=⎜ ⎟⎜ ⎟ = 23,11
⎝ 10 ⎠ ⎝ 12 × 2,1 ⎠
s {b0 } = 4,807286
Jadi selang kepercayaan bagi β0 adalah
− 21,333 – 1,81(4,807286) < β0 < − 21,333 + 1,81(4,807286)
− 30,03 < β0 < −12,63
b 5
d. t= 1 = = 5,53
s {b1} 0,904223
karena t-hitung > t(1 – 0,025); 12 maka tolak H0 yang berarti ada
asosiasi antara peubah X dan Y.
e.
⎛
JKR = b1 ⎜ ∑ ( X iYi ) −
( ∑ X i )( ∑ Yi ) ⎞⎟
⎜ n ⎟
⎝ ⎠
⎛ 63, 6 × 62 ⎞
= 5 ⎜ 339,1 − ⎟ = 52,5
⎝ 12 ⎠
(∑Y )
2
622
JKT = ∑ Yi
i
2
− = 390 −
= 197,8
n 20
JKG = JKT − JKR = 197,8 − 52,5 = 145,3
KTG = JKG / (n − 2) = 145,3 / 10 = 14,53
Sumber
db JK KT F
Keragaman
Regresi 1 52,5 52,50 3,61
Galat 10 145,3 14,53
Total 11 197,8
Berdasarkan hasil pada tabel ANOVA yang dibandingkan dengan
nilai F0,05;(1,10) = 4,96 maka F-hitung < F0,05;(1,18) maka dapat
disimpulkan bahwa tidak cukup bukti untuk menunjukkan
terdapat jumlah ragam yang berarti dalam Y yang disebabkan
fungsi linier antara Y dengan X.
⎛ n X Y − ( X )( Y ) ⎞
f. R 2 = b1 ⎜
∑ ii ∑ i ∑i ⎟
⎜ n∑ Yi 2 − ( ∑ Yi ) ⎟
2
⎝ ⎠
⎛ 12 ( 339,1) − 63, 6 ( 62 ) ⎞
= 5 ⎜⎜ ⎟⎟ = 0, 754
⎝ 12 ( 390 ) − 622 ⎠
RA NGK UMA N
Sampai sejauh ini kita telah mempelajari inferensi dalam analisis

regresi sederhana. Dalam inferensi ini, khususnya bila ukuran sampel
kita cukup kecil (n < 30), kita perlu membuat anggapan bahwa suku
galat menyebar normal dengan rata-rata nol dan ragam sama dengan σ2.
Dari anggapan inilah dapat kita turunkan sebaran bagi Y, b0, b1, Yˆh , dan
seterusnya.
Inferensi untuk β1 dapat kita lakukan dengan menghitung selang

kepercayaan (1− α)100% atau dengan uji hipotesis H0: β1= 0 lawan
Ha: β1 ≠ 0. Inferensi ini didasarkan pada transformasi yang dinyatakan
dalam besaran:
b
thitung = 1
s {b1}
yang menyebar t dengan derajat bebas (n – 2).
Inferensi untuk β0 dapat dilakukan dengan menghitung selang
kepercayaan (1– α)100% yang dinyatakan oleh:
b0 + t(1 - α/2;n – 2)s{b0}

U U
Namun, perlu diketahui bahwa inferensi mengenai β0, layak

dilakukan bila model regresi mencakup X = 0.
TES FORMATIF 2
A. Gunakan data soal A dalam Tes Formatif 1 pada Kegiatan Belajar 1.

Selanjutnya, kita lakukan inferensi sebagai berikut.
1) Nilai s{b1} = ….
A. 0,015
B. 0,151
C. 0,511
D. 5,011
2) Selang kepercayaan 95% bagi β1 adalah ....

A. 0,565 < β1 < 1,231
B. 0,656 < β1 < 1,312
C. 0,665 < β1 < 1,321
D. 1,321 < β1 < 3,211
3) Jika kita uji hipotesis H0: β1 =0 vs Ha: β1 ≠ 0, dan kita hitung statistik
uji t maka nilai t hitung adalah ....
A. 4,59
B. 5,49
C. 5,94
D. 9,54
4) Untuk uji hipotesis pada soal 3 di atas, jika kita gunakan taraf nyata
α = 5% maka keputusan uji hipotesis ialah ....
A. H0 tidak ditolak juga Ha tidak ditolak
B. H0 tidak ditolak dan Ha ditolak
C. H0 diterima dan Ha ditolak
D. H0 ditolak dan Ha diterima
5) Nilai F hitung dari tabel ANOVA analisis regresi tersebut ....

A. 31,35
B. 31,53
C. 33,51
D. 35,31
B. Gunakan data soal B dalam Tes Formatif 1 pada Kegiatan Belajar 1.

Selanjutnya kita lakukan inferensi sebagai berikut.
6) Nilai s{b1} = ….
A. 0,0596
B. 0,0659
C. 0,0695
D. 0,0965
7) Selang kepercayaan 95% bagi β1 adalah ....

A. 0,818 < β1 < 1,068
B. 1,088 < β1 < 1,680
C. 1,808 < β1 < 1,860
D. 1,880 < β1 < 1,886
8) Jika kita uji hipotesis H0: β1 = 0 lawan Ha: β1 ≠ 0, dan kita hitung
statistik uji t maka nilai t hitung adalah ....
A. 12,58
B. 15,28
C. 15,82
D. 18,52
9) Untuk uji hipotesis pada soal 8 di atas, jika kita gunakan taraf nyata
α = 5% maka keputusan uji hipotesis ialah ....
A. H0 tidak ditolak juga Ha tidak ditolak
B. H0 tidak ditolak dan Ha ditolak
C. H0 diterima dan Ha ditolak
D. H0 ditolak dan Ha diterima
10) Nilai F hitung dari tabel ANOVA analisis regresi tersebut ....
A. 250,29
B. 259,09
C. 290,25
D. 295,20


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Kegiatan Belajar 3
Analisis Korelasi
H ubungan fungsional antara peubah-peubah telah diuraikan dalam

Kegiatan Belajar 1 dan Kegiatan Belajar 2. Di sana ditinjau bagaimana
persamaan regresi linier ditentukan dan juga bagaimana pengujian terhadap
parameter-parameter dilakukan.
Persoalan berikutnya yang dirasakan perlu, jika data hasil pengamatan
terdiri dari banyak peubah, ialah seberapa kuat hubungan antara peubah-
peubah itu terjadi. Dalam kata lain, perlu ditentukan derajat hubungan antara
peubah-peubah.
Studi yang membahas tentang derajat hubungan antara peubah-peubah
dikenal dengan nama analisis korelasi. Ukuran yang dipakai untuk
mengetahui derajat hubungan, terutama untuk data kuantitatif, dinamakan
koefisien korelasi.
Perlu diketahui bahwa dalam analisis regresi, kita anggap peubah bebas
X adalah konstan, jadi bukan suatu peubah acak. Dalam analisis korelasi,
peubah X dan Y keduanya merupakan peubah acak yang menyebar bersama.
Di dalam Kegiatan Belajar 3 ini akan diuraikan bagaimana koefisien
korelasi dihitung dan selanjutnya juga diberikan penjelasan mengenai cara-
cara pengujiannya.
A. INDEKS DETERMINASI
Pembahasan analisis korelasi tidak dapat dipisahkan dari analisis regresi.

Karenanya kita pun akan menggunakan hasil-hasil dari Kegiatan Belajar 1
dan Kegiatan Belajar 2. Secara umum, untuk pengamatan yang terdiri dari
dua variabel X dan Y, kita tinjau hal berikut.
Misalnya, persamaan regresi Y atas X tidak perlu harus linier yang
dihitung dari sampel, berbentuk: Y = f(X). Jika regresinya linier, jelas
f ( X ) = a + bX dan jika berbentuk parabola atau kuadratik
f ( X ) = a + bX + cX 2 , dan seterusnya. Apabila Y menyatakan rata-rata
untuk data variabel Y maka kita dapat membentuk jumlah JKG = Σ (Yi − Yi)2
dengan menggunakan harga-harga Yi yang didapat dari regresi Y = f(X).
Besaran keragaman data yang dapat dijelaskan oleh model regresi ditentukan
oleh rumus:
ˆ )2
∑ (Yi − Y) 2 − ∑(Yi − Y
I= i
(9.18)
∑(Yi − Y) 2
atau
JKT − JKG
I=
JKT
Rumus tersebut dinamakan indeks determinasi yang mengukur derajat

hubungan (korelasi) antara variabel X dan Y, apabila antara X dan Y terdapat
hubungan regresi berbentuk Y = f(X). Indeks determinasi ini bersifat bahwa
jika titik-titik diagram pencar letaknya semakin dekat kepada garis regresi
maka harga I makin dekat kepada satu. Sebaliknya, jika titik-titik itu makin
jauh dari garis regresi maka harga I makin dekat kepada nol. Sehingga secara
umum berlaku 0 ≤ I ≤ 1.
B. KORELASI DALAM ANALISIS REGRESI LINIER
Apabila garis regresi yang terbaik untuk sekumpulan data berbentuk

linier maka derajat hubungannya akan dinyatakan dengan r dan biasa
dinamakan koefisien korelasi karena rumus (9.18) di atas bersifat umum
maka itu pun berlaku apabila pola hubungan antara Y dan X berbentuk
regresi linier.
Dalam hal ini I akan diganti oleh r2 dan diperoleh:
∑ (Y − Y ) −∑ (Y − Yˆ )
2 2
i i i
r 2
= (9.19)
∑ (Y − Y )
2
i
r2 dinamakan koefisien determinasi atau koefisien penentu. Dinamakan

demikian oleh karena 100% r2 daripada variasi yang terjadi dalam variabel
tak bebas Y dapat dijelaskan oleh variabel bebas X dengan adanya persamaan
garis regresi linier Y atas X. Harga 1- r 2 dinamakan koefisien alienasi atau
koefisien perenggangan. Harga 1–r2 sendiri dapat dinamakan koefisien non
determinasi.
Koefisien korelasi r tentu saja didapat dengan jalan mengambil akar dari
r2. Mudah dilihat bahwa dari Rumus (9.18) dan Rumus (9.19) akan berlaku
0 ≤ r2 < 1 sehingga untuk koefisien korelasi didapat hubungan −1 < r < +1.
U U U U U U
Harga r = −1 menyatakan adanya hubungan linier sempurna tak langsung

antara X dan Y. Ini berarti bahwa titik-titik yang ditentukan oleh (Xi, Yi)
seluruhnya terletak pada garis regresi linier dan harga X yang besar
menyebabkan atau berpasangan dengan Y yang kecil sedangkan harga X yang
kecil berpasangan dengan Y yang besar. Harga r = +1 menyatakan adanya
hubungan linier sempurna langsung antara X dan Y. Letak titik-titik ada pada
garis regresi linier dengan sifat bahwa harga X yang besar berpasangan
dengan harga Y yang besar, sedangkan harga X yang kecil berpasangan
dengan Y yang kecil pula.
Harga-harga r lainnya bergerak antara −1 dan +1 dengan tanda negatif
menyatakan adanya korelasi tak langsung atau korelasi negatif dan tanda
positif menyatakan korelasi langsung atau korelasi positif. Khusus untuk
r = 0 maka hendaknya ini ditafsirkan bahwa tidak terdapat hubungan linier
antara variabel-variabel X dan Y.
Untuk keperluan perhitungan koefisien r berdasarkan sekumpulan data
(Xi, Yi) berukuran n dapat digunakan rumus:
n∑ X iYi − ( ∑ X i )( ∑ Yi )
r= (9.20)
{n ∑ X i
2
− (∑ Xi )
2
} {n ∑ Y
i
2
− ( ∑ Yi )
2
}
Bentuk lain dapat pula digunakan sebagai berikut.
r = 1 − sxy2 s y (9.21)
dengan s yx2 = ∑ (Yi − Y )( X i − X ) yang merupakan kuadrat kekeliruan
taksiran dan sY2 = ∑ (Yi − Y ) yang merupakan ragam untuk variabel Y.

2
Jika persamaan regresi linier Y atas X telah ditentukan dan sudah didapat
koefisien arah b maka koefisien determinasi r2 dapat ditentukan oleh rumus:
b {n ∑ X iYi − (∑ X i )(∑ Yi )}
r2 = (9.22)
n ∑ Y 2i − (∑ Yi ) 2
Dengan sedikit pengerjaan aljabar, dari rumus di atas dapat diturunkan

rumus koefisien korelasi.
r = b sx / sy (9.23)
dengan sx simpangan baku untuk variabel X dan sy simpangan baku untuk

variabel Y.
Masih ada rumus lain, yaitu yang ditentukan oleh koefisien arah garis
regresi Y atas X dan regresi X atas Y. jika koefisien arah regresi Y atas X dan
b2 koefisien arah regresi X atas Y untuk data yang sama maka:
r2 = b1b2 (9.24)
Rumus itu menyatakan bahwa koefisien korelasi r adalah rata-rata ukur

daripada koefisien-koefisien arah b1 dan b2.
Contoh 9.12:
Misalkanlah kita ingin mengetahui hubungan antara banyaknya
pengunjung (X) dan banyaknya yang berbelanja (Y) di sebuah toko. Bila data
telah kita hitung sebagai berikut: ΣXi = 1.105, ΣYi = 1.001, ΣXiYi = 37.094,
ΣX i2 = 41.029, ΣYi 2 = 33.599 dan n = 30. Dari rumus (9.5) kita peroleh:
30(37.094) − (1.105)(1.001)
r= = 0,876
{30(41.029) − (1.105) }{30(33.599) − (1.001) }
2 2
Dari hasil ini ternyata didapat korelasi positif antara banyak pengunjung
X dan yang berbelanja Y. berarti, meningkatnya pengunjung yang datang
meningkatkan pula banyaknya yang berbelanja. Besar hubungannya
ditentukan oleh koefisien determinasi r2 = 0,7670 atau sebesar 76,7%. Ini
berarti bahwa meningkatnya atau menurunnya pembeli 76,7% dapat
dijelaskan oleh banyaknya pengunjung melalui hubungan linier X dan Y,
sedangkan sisanya ditentukan oleh keadaan lain.
Contoh 9.13:
Misalkanlah model regresi Y = 2 + X2, yang jelas bahwa model regresi
ini bukan regresi linier. Kita ambil harga-harga sebagai berikut.
Xi −3 −2 −1 0 1 2 3
Yi 11 6 3 2 3 6 11
Dari sini mudah dihitung bahwa: ΣXi = 0, ΣYi = 42, ΣX i2 = 28, ΣYi 2 = 336,
ΣXiYi = 0 dan n = 7.
Dengan rumus didapat:
7(0) − (0)(42)
r= =0
{7(28) − (0)2 }{7(336) − (42)2 }
yang berarti tidak terdapat hubungan linier antara X dan Y. Memang
hubungan yang ada antara X dan Y, yakni Y = 2 + X2, berbentuk parabola atau
kuadratik. Sekarang, marilah kita lihat berapa derajat hubungan yang ada
antara X dan Y dalam bentuk kuadratik tersebut.
Untuk ini kita gunakan Rumus (9.21). Kita lihat bahwa Y = 6 dengan
demikian, ∑ (Yi − Yi ) 2 = 0, sehingga dari Rumus (9.21) mudah dilihat bahwa
r2 = 1. Ini berarti bahwa terdapat hubungan sempurna antara X dan Y yang
dinyatakan oleh parabola dengan persamaan Y = 2 + X2.
Contoh 9.12. ini memperlihatkan, bahwa koefisien korelasi r = 0
dihitung dengan rumus (9.21), bukan berarti tidak terdapat hubungan antara X
dan Y. Yang benar adalah tidak terdapat hubungan linier antara X dan Y,
melainkan hubungan berbentuk lain (dalam hal ini kuadratik).
C. DISTRIBUSI SAMPLING KOEFISIEN KORELASI
Uraian tentang koefisien korelasi r dalam bagian-bagian yang lalu

seluruhnya berlaku untuk hubungan antara X dan Y dan tidak bergantung
pada asumsi yang dikenakan kepada variabel-variabel X dan Y. Apabila
sekarang untuk X dan Y terdapat pola tertentu, misalnya bagaimana X dan Y
berdistribusi, maka analisis korelasi bisa berjalan lebih jauh, antara lain
menentukan interval taksiran dan menguji hipotesis. Untuk ini dimisalkan
bahwa X dan Y berdistribusi gabungan normal bervariabel dua yang di
dalamnya antara lain berisikan parameter ρ (baca: rho) sebagai koefisien
korelasinya.
Dari populasi normal bervariabel dua ini, ambillah semua sampel acak
berukuran n lalu hitung koefisien-koefisien korelasinya r dengan rumus yang
telah dijelaskan di atas. Maka didapat kumpulan koefisien korelasi
r1, r2, r3, ...
Dari kumpulan ini kita dapat membentuk distribusi sampling koefisien

korelasi dan selanjutnya rata-rata dan simpangan bakunya dapat dihitung.
Rata-rata dari simpangan baku untuk distribusi sampling koefisien korelasi
ini akan diberi simbol μr dan σr.
1. Jika Populasinya Mempunyai ρ = 0

Jika semua sampel acak itu berasal dari populasi normal bervariabel dua
dengan ρ = 0 maka distribusi sampling koefisien korelasi akan simetrik
dengan μr = 0. Jika dibentuk statistik:
r n-2
t= (9.25)
1- r 2
maka akan diperoleh distribusi Student t dengan dk = (n – 2)
2. Jika Populasinya Mempunyai ρ ≠ 0

Jika populasi sampel acak itu diambil mempunyai ρ = ρ0 ≠ 0 maka
distribusi sampling koefisien korelasi tidak simetrik. Dalam hal ini, dengan
menggunakan sebuah transformasi akan menyebabkan distribusi yang tidak
simetrik itu mendekati distribusi normal. Transformasi yang digunakan ialah
transformasi Fisher:
⎛ 1+ r ⎞
Z = ½ ln ⎜ ⎟ (9.26)
⎝ 1- r ⎠
dengan ln berarti logaritma asli, yaitu logaritma dengan bilangan pokok e.

Dalam logaritma biasa, transformasi ini dapat juga ditulis sebagai
berikut.
⎛ 1+ r ⎞
Z = (1,1513) log ⎜ ⎟ (9.27)
⎝ 1- r ⎠
Dengan transformasi ini, distribusi normal yang terjadi (suatu bentuk

pendekatan) mempunyai rata-rata dan simpangan baku.
⎛ 1 + ρ0 ⎞ 1
μz = 1 2 ln ⎜ ⎟ dan σ r = (9.28)
⎝ 1-ρ0 ⎠ n−3
Rumus μz dapat pula ditulis dalam bentuk:
⎛ 1 + ρ0 ⎞
μz = (1,1513) log ⎜ ⎟ (9.29)
⎝ 1 − ρ0 ⎠
D. MENAKSIR KOEFISIEN KORELASI
Sebagaimana halnya menaksir parameter-parameter lain (rata-rata μ,

simpangan baku σ, proporsi π) ada dua macam penaksiran, ialah taksiran
titik dan taksiran interval maka untuk koefisien korelasi ρ pun didapat hal
yang sama. Taksiran titik ρ dengan mudah dapat ditentukan ialah koefisien
korelasi r yang didapat dari sampel. Jika hubungan antara X dan Y berbentuk
regresi linier maka r dihitung dengan Rumus (9.21) atau yang sejenisnya.
Dalam hal lain, r dihitung dengan rumus (9.20). Untuk kita di sini hanya
dibahas penaksiran koefisien korelasi apabila regresi antara X dan Y
berbentuk linier.
Untuk menentukan interval taksiran koefisien korelasi ρ, digunakan
transformasi Fisher, yaitu Z. Setelah Z didapat, baru batas-batas μz
ditentukan. Jika γ = koefisien kepercayaan yang diberikan maka interval
taksiran μz dihitung oleh:
Z – z½ γσz < μz < Z + z½ γσz (9.30)
dengan z½γσz didapat dari daftar distribusi normal baku menggunakan

peluang ½γ.
Akhirnya, batas-batas ρ dapat ditentukan dengan menggunakan batas-
batas μz yang didapat dari Rumus (9.29) dan
⎛ 1 + ρ0 ⎞
μz = (1,1513) log ⎜ ⎟ (9.31)
⎝ 1 − ρ0 ⎠
Contoh 9.14:
Sebuah sampel acak dengan ukuran n = 28 telah diambil dari sebuah
populasi normal bervariabel dua. Dari sampel itu didapat r = 0,80. Tentukan
taksiran koefisien korelasi ρ untuk populasi.
Penyelesaian:
Titik taksiran dengan mudah dapat ditentukan ialah ρ = 0,80. Untuk
menentukan interval taksiran ρ dengan angka kepercayaan γ = 95% misalnya
dengan Rumus (9.27) kita peroleh:
⎛ 1 + 0,8 ⎞
Z = (1,1513) log ⎜ ⎟ = 1,0986
⎝ 1 − 0,8 ⎠
Dari rumus (9.28) dan rumus (9.30) didapat:
1,96 1,96
1,0986 - < μz < 1,0986 +
28 − 3 28 − 3
atau 0,7066 < μz < 1,4906.
Substitusikan batas-batas ini ke dalam rumus (9.29). Untuk μz = 0,7066

didapat:
⎛1+ ρ ⎞
0,7066 = (1,1513) log ⎜ ⎟
⎝ 1-ρ ⎠
⎛1+ ρ ⎞
log ⎜ ⎟ = 0,06137 yang menghasilkan ρ = 0,609
⎝ 1-ρ ⎠
Untuk μz = 1,4906 dihasilkan:
⎛1+ ρ ⎞
1,4906 = (1,1513) log ⎜ ⎟
⎝ 1-ρ ⎠
⎛1+ ρ ⎞
⎝ 1-ρ ⎠
Interval taksiran ρ dengan angka kepercayaan 95% adalah
0,609 < ρ < 0,903

E. MENGUJI HIPOTESIS
Kembali pada populasi bervariabel dua dengan koefisien korelasi ρ. Dari

modelnya, jika ρ = 0 maka ternyata bahwa X dan Y independen. Sehingga
dalam hal populasi berdistribusi normal ρ = 0 mengakibatkan bahwa X dan Y
independen dan sebaliknya. Sifat ini tidak berlaku untuk populasi yang tidak
berdistribusi normal.
Mengingat dalam banyak penelitian sering ingin mengetahui apakah
antara dua variabel terdapat hubungan yang independen atau tidak, maka kita
perlu melakukan uji independen. Dalam hal ini, hipotesis yang harus diujikan
adalah:
H0 : ρ = 0 melawan H1 : ρ ≠ 0
Uji ini sebenarnya ekuivalen dengan uji H0 : θ2 = 0 di mana θ2 menyatakan
koefisien arah regresi linier untuk populasi. Untuk menguji H0 : ρ = 0
melawan H1 : ρ ≠ 0, jika sampel acak yang diambil dari populasi normal
bervariabel dua itu berukuran n memiliki koefisien korelasi r maka dapat
digunakan statistik t seperti dicantumkan dalam rumus (9.25), yaitu:
r n-2
t=
1- r 2
Selanjutnya, untuk taraf nyata = α, maka hipotesis kita terima jika
–t(1- ½α) < t < t(1- ½α), di mana distribusi t yang digunakan mempunyai
dk = (n − 2). Dalam hal lainnya H0 kita tolak.
Tentu saja bentuk alternatif untuk menguji hipotesis H0 bisa H1 : ρ > 0
atau H1 : ρ < 0. Dalam hal pertama merupakan uji pihak kanan sedangkan
yang kedua merupakan uji pihak kiri. Daerah kritis pengujian, seperti biasa
harus disesuaikan dengan alternatif yang diambil.
Contoh 9.15:
Untuk pengujian H0 : ρ = 0 melawan H1 : ρ ≠ 0 berdasarkan sebuah
sampel acak berukuran n = 27 dengan r = 0,28 maka dari Rumus (9.25)
didapat:
( 0, 28 ) 27 − 2
t= = 1,458
1 − ( 0, 28 )
2
Jika taraf nyata α = 0,05 maka dengan dk = 25, dari daftar distribusi t
didapat, untuk uji dua pihak, t0,995 = 2,060.
Mudah dilihat bahwa t = 1,458 terletak antara −2,060 dan 2,060. Jadi, H0
diterima. Cobalah buat sendiri kesimpulannya!
Sekarang marilah kita tinjau bagaimana menguji hipotesis ρ yang tidak
nol dapat dilakukan. Seperti telah dijelaskan sebelumnya, jika sampel acak
diambil dari populasi normal bervariabel dua dengan koefisien korelasi ρ ≠ 0
maka dengan transformasi Fisher dalam Rumus (9.26) akan diperoleh
distribusi normal dengan rata-rata dan simpangan baku seperti tertera dalam
rumus (9.3.12). Untuk dapat menggunakan daftar distribusi normal baku,
selanjutnya perlu digunakan angka z:
Z-μz
z= (9.32)
σz
Angka z inilah yang akan digunakan untuk menguji hipotesis H0 : ρ = ρ0 ≠ 0

melawan salah satu alternatif:
H1 : ρ ≠ ρ0, atau
H1 : ρ > ρ0, atau
H1 : ρ < ρ0, atau
Jika taraf nyata pengujian diambil α maka daerah kritis ditentukan oleh
bentuk alternatif, apakah dua pihak, pihak kanan atau pihak kiri.
Contoh 9.16:
Dalam Contoh 9.11, telah dihitung koefisien antara banyak pengunjung
dan yang berbelanja untuk sampel berukuran n = 30. Di situ telah didapat
r = 0,8758. Jika diduga bahwa populasinya mempunyai ρ = 0,75. Dapatkah
sampel tadi menguatkan dugaan tersebut?
Pertanyaan ini akan terjawab apabila kita melakukan pengujian terhadap
hipotesis H0 : ρ = 0,75 melawan H1 : ρ ≠ 0,75
Dengan rumus (9.27) kita dapat menghitung:
⎛ 1 + 0,8758 ⎞
Z = (1,1513) log ⎜ ⎟ = 1,3573
⎝ 1 − 0,8758 ⎠
sedangkan dari rumus (9.28) dan rumus (9.29) dengan ρ0 = 0,75 (dari
hipotesis H0) didapat:
⎛ 1 + 0, 75 ⎞
μz = (1,1513) log ⎜ ⎟ = 0,9729
⎝ 1 − 0, 75 ⎠
dan
1
σz = = 0,1924
30 − 3
Akhirnya, rumus (9.32) memberikan bilangan baku:

1,3573 − 0,9729
z= = 2, 00
0,1924
Jika diambil α = 0,05, maka daerah penerimaan H0 adalah −1,96 < z < 1,96.
Ternyata bahwa pengujian memberikan hasil yang berarti. Sampel itu
tidak berasal dari populasi dengan ρ = 0,75.
Contoh 9.17:
Berasal dari populasi dengan ρ berapa sampel di muka telah diambil?
Penyelesaian:
Jika diambil α = 0,05 maka untuk menguji hipotesis Ho : ρ = ρ0 melawan
H1 : ρ ≠ ρ0, dengan ρ0 bilangan yang akan dicari, supaya hipotesis bisa
diterima, harus berlaku:
1,3573 - μ z
−1,96 < < 1,96
0,1924
1,3573 - μ z
Pertama kita selesaikan ketidaksamaan sebelah kiri: > −1,96
0,1924
⎛ 1 + ρ0 ⎞ ⎛ 1 + ρ0 ⎞
yaitu: (1,1513) log ⎜ ⎟ < 1, 7344 , atau ⎜ ⎟ < 32,1 . Sehingga
⎝ 1 − ρ0 ⎠ ⎝ 1 − ρ0 ⎠
diperoleh ρ0 < 0,9395.
1,3573 − μ z
Kedua menyelesaikan ketidaksamaan sebelah kanan: < 1,96
0,1924
⎛ 1 + ρ0 ⎞ 1 + ρ0
yaitu : (1,1513) log ⎜ ⎟ > 0,9802 atau > 7,1 sehingga diperoleh
⎝ 1 − ρ0 ⎠ 1 − ρ0
ρ0 > 0,7530.
Jadi, dapat disimpulkan bahwa sampel berukuran n = 30 tersebut berasal

dari sebuah populasi dengan ρ yang besarnya antara 0,7530 dan 0,9395.
L A TIH A N

1) Tabel di bawah ini menyajikan skor motivasi belajar Matematika (X) dan
prestasi belajar Matematika (Y) dari 20 siswa yang dipilih secara acak
dari suatu sekolah menengah pertama (lihat soal latihan 1 Kegiatan
Belajar 1).
X 78 60 57 40 59 70 65 66 68 58 44 38 70 60 65 68 50 74 46 54
Y 85 70 65 45 78 89 50 60 75 50 50 40 87 75 78 80 45 90 50 58
Bila kita anggap bahwa baik motivasi belajar matematika (X) maupun
prestasi belajar (Y) keduanya merupakan peubah acak.
a. Hitunglah koefisien korelasi r!
b. Tentukan koefisien determinasinya!
c. Lakukan uji hipotesis H0: ρ = 0 lawan H1: ρ ≠ 0 (gunakan taraf
nyata α = 5%).
2) Suatu penelitian telah dilakukan untuk menentukan hubungan antara
peubah acak X dan peubah acak Y. Data hasil penelitian telah dihitung
dan didapatkan hasil sebagai berikut.
∑ X = 63, 6; ∑ X 2 = 339,18; ∑ Y = 62; ∑ Y 2 = 390; ∑ XY = 339,1;
n = 12.
a. Hitunglah koefisien korelasi r!
b. Tentukan koefisien determinasinya!
c. Tentukan selang kepercayaan 95% bagi ρ.
d. Lakukan uji hipotesis H0: ρ = 0 lawan Ha: ρ ≠ 0.
Gunakan taraf nyata α = 1% dan 5%. Bagaimana hasilnya?
1) Dari data pada soal No. 1 diperoleh ∑X i = 1.190 , ∑Y i = 1.320 ,

∑X i
2
= 73.220 , ∑Y i
2
= 92.372 , ∑X Y
i i = 81.539 , n = 20.
n ∑ X iYi − (∑ X i )(∑ Yi )
a. r=
{n ∑ X 2
i − (∑ X i ) 2 }{n ∑ Y 2i − (∑ Yi ) 2 }
20 ( 81.539 ) − (1.190 )(1.320 )
= = 0,842
{20 ( 73.220) − (1.190 )}{20 (92.327 ) − (1.320 )}
2 2
b. r 2 = 0,8422 = 0, 7091
r n-2 0,842 20 − 2
c. t= = = 6, 622
1- r 2
1 − 0,8422
nilai t0,025;18 = −2,10 dan t0,975;18 = 2,10. Karena t-hitung > t0,975;18
maka tolak H0.
n ∑ X iYi − (∑ X i )(∑ Yi )
2) a. r=
{n ∑ X 2i − (∑ X i )2 }{n ∑ Y 2i − (∑ Yi )2 }
12 ( 339,1) − ( 63, 6 )( 62 )
= = 0,868
{ }{
12 ( 339,18 ) − ( 63, 62 ) 12 ( 390 ) − ( 622 ) }
b. r = 0,868 = 0, 754
2 2
⎛ 1 + 0, 754 ⎞
c. Z = (1,1513) log ⎜ ⎟ = 0,9822
⎝ 1 − 0, 754 ⎠
1,96 1,96
0,9822 − < μz < 0,9822 +
20 − 3 20 − 3
atau 0,5202 < μz < 1,4442
⎛ 1+ ρ ⎞
Untuk μz = 0,5202 didapat 0,5202 = (1,1513) log ⎜ ⎟
⎝ 1-ρ ⎠
⎛1+ ρ ⎞
⎝ 1-ρ ⎠
⎛ 1+ ρ ⎞
Untuk μz = 1,4442 dihasilkan 1,4442 = (1,1513) log ⎜ ⎟
⎝ 1-ρ ⎠
⎛1+ ρ ⎞
⎝ 1-ρ ⎠
r n-2 0,868 12 − 2
d. t= = = 5,528
1- r 2
1 − 0,8682
Untuk α = 0,01 nilai t0,005;10 = −3,17 dan t0,995;10 = 3,17. Karena
t-hitung > t0,975;18 maka tolak H0.
Untuk α = 0,05 nilai t0,025;10 = −2,23 dan t0,975;10 = 2,23. Karena
t-hitung > t0,975;18 maka tolak H0.
RA NGK UMA N
Hubungan statistik antara peubah X dan peubah Y yang keduanya

merupakan peubah acak, dapat kita tentukan kuat lemahnya dengan
menghitung koefisien korelasinya. Namun, perlu diketahui bahwa kuat
lemahnya hubungan antara X dan Y yang ditunjukkan oleh koefisien
korelasi ini adalah hubungan linear.
Jika sampel acak berukuran n, yaitu: (X1, Y1), (X2, Y2), ...., (Xn, Yn)
dari suatu populasi maka koefisien korelasi sampel antara X dan Y
dinyatakan oleh rumus:
n ∑ X iYi − (∑ X i )(∑ Yi )
r=
{n ∑ X 2
i − (∑ X i ) 2 }{n ∑ Y 2i − (∑ Yi ) 2 }
yang merupakan penduga titik bagi koefisien korelasi ρ.

Besaran r2 dinamakan koefisien determinasi yang menunjukkan
besarnya keragaman Y yang dapat dijelaskan oleh hubungannya dengan
X.
Inferensi mengenai ρ berdasarkan r, kita gunakan statistik:
1 ⎛ 1+ r ⎞
Z= ln ⎜ ⎟
2 ⎝1− r ⎠
yang menyebar normal dengan rata-rata μZ dan ragam σ Z2 , di mana:

1 ⎛ 1+ ρ ⎞ 1
μZ = ⎟ dan σ Z =
2
ln ⎜
2 ⎝ 1− ρ ⎠ n−3
TES FORMATIF 3
A. Pada tabel di bawah ini, data menunjukkan harga X yang menyatakan

tingkat kenyamanan guru dalam lingkungannya bekerja, dan Y yang
menyatakan kinerja guru dalam memberikan pembelajaran terhadap
siswanya.
X 93 96 108 86 92 80 96 117 95 92 96 108 92

Y 7.3 6.9 8.3 5.4 6.7 5.1 7.0 8.5 7.8 7.4 7.6 7.9 6.8
dari data tersebut di atas kita hitung:
1) Koefisien korelasi r; kita peroleh ....

A. 0,783
B. 0,873
C. 0,893
D. 0,973
2) Koefisien determinasi kita peroleh ....

A. 0,762
B. 0,862
C. 0,872
D. 0,876
3) Statistik penguji Z untuk uji H0: ρ = 0 lawan Ha: ρ ≠ 0 kita peroleh ....
A. 0,436
B. 0,463
C. 0,643
D. 1,346
4) Oleh sebab itu, pada taraf α = 0,05 maka ....

A. H0 ditolak dan Ha diterima
B. H0 diterima dan Ha ditolak
C. H0 tidak ditolak dan Ha ditolak
D. H0 tidak ditolak dan Ha diterima
B. Data pada tabel di bawah ini menunjukkan nilai X yang menyatakan

panjang sayap, dan Y yang menyatakan panjang ekor beberapa burung
jenis tertentu (dalam cm) hasil penelitian siswa dalam pelajaran Biologi.
X 10,4 10,8 11,1 10,2 10,3 10,2 10,7 10,5 10,8 11,2 10,6 11,4
Y 7,4 7,6 7,9 7,2 7,4 7,1 7,4 7,2 7,8 7,7 7,8 8,3
dari data di atas kita hitung.
5) Koefisien korelasi r kita peroleh ....

A. 0,780
B. 0,870
C. 0,877
D. 0,888

A. 0,457
B. 0,578
C. 0,587
D. 0,758
A. 1,333
B. 2,133
C. 2,313
D. 2,333
C. Gunakan data pada soal B dalam Tes Formatif 1 Kegiatan Belajar 1.

Dari data tersebut kita hitung.
8) Koefisien korelasi r kita peroleh ....

A. -0,478
B. 0,566
C. 0,666
D. 0,966

A. 0,339
B. 0,393
C. 0,933
D. 0,993
A. 2,029
B. 2,209
C. 2,290
D. 2,902


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

mengikuti Ujian Akhir Semester (UAS). Selamat! Jika masih di bawah 80%,
belum dikuasai.
Tes Formatif 1 Tes Formatif 2 Tes Formatif 3

1) C. 1) B. 1) B.
2) B. 2) A. 2) A.
3) D. 3) C. 3) D.
4) C. 4) D. 4) A.
5) C. 5) D. 5) B.
6) A. 6) A. 6) D.
7) C. 7) A. 7) A.
8) B. 8) C. 8) D.
9) D. 9) D. 9) C.
10) D. 10) A. 10) A.
Daftar Pustaka
Bhattacharryya, G.K. & R.A. Johnson. (1977). Statistical Concepts and

Methods. John Wiley.
Walpole, R.E. (1982). Introduction to Statistics. 3th edition. McMillan.
Walpole, R.E. & R.H. Myers. (1982). Probability and Statistics for
Engineers and Scientist. 2nd edition. McMillan.

Statistika Pendidikan Materi Pokok 1-9

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Statistika Pendidikan Materi Pokok 1-9

Diunggah oleh

Hak Cipta:

Format Tersedia

Hak Cipta  dan Hak Penerbitan dilindungi Undang-undang ada pada

Universitas Terbuka - Kementerian Riset, Teknologi, dan Pendidikan Tinggi

Dilarang mengutip sebagian ataupun seluruh buku ini

Penulis : 1. Drs. H.M. Akib Hamid, M.Sc.

Desain oleh Tim P2M2 :

MAT MATERI pokok statistika pendidikan; 1 – 9/ PEMA4210/ 3 sks/

TINJAUAN MATA KULIAH ........................................................... ix

MODUL 1: PENGETAHUAN DASAR STATISTIKA 1.1

KUNCI JAWABAN TES FORMATIF ............................................. 1.26

MODUL 2: PENYAJIAN DATA DALAM BENTUK TABEL 2.1

KUNCI JAWABAN TES FORMATIF ............................................. 2.36

MODUL 3: PENYAJIAN DATA DALAM BENTUK DIAGRAM 3.1

KUNCI JAWABAN TES FORMATIF ............................................. 3.26

MODUL 4: UKURAN PEMUSATAN, LOKASI, DAN DISPERSI 4.1

Latihan …………………………………………............................... 4.41

KUNCI JAWABAN TES FORMATIF ............................................. 4.64

MODUL 5: UKURAN KEMIRINGAN DAN UKURAN

KUNCI JAWABAN TES FORMATIF ............................................. 5.19

MODUL 6: KURVA NORMAL DAN KEGUNAANNYA 6.1

Rangkuman ………………………………….................................... 6.16

KUNCI JAWABAN TES FORMATIF ............................................. 6.28

MODUL 7: KURVA-KURVA LAIN DAN PENGGUNAANNYA 7.1

KUNCI JAWABAN TES FORMATIF ............................................. 7.15

MODUL 8: PENGUJIAN HIPOTESIS ............................................. 8.1

KUNCI JAWABAN TES FORMATIF ............................................. 8.52

MODUL 9: ANALISIS REGRESI LINEAR SEDERHANA DAN

KUNCI JAWABAN TES FORMATIF ............................................. 9.59

Tinjauan Mata Kuliah

M ata kuliah Statistika Pendidikan merupakan jenjang awal untuk

Untuk menyelesaikan kesembilan modul ini, disarankan agar Anda

Menarik kesimpulan dari permasalahan pendidikan dengan

Menarik kesimpulan Menarik kesimpulan

Menggunakan Menggunakan Menggunakan

Menentukan ukuran Menentukan ukuran

Menentukan nilai-nilai Menentukan nilai-nilai Menentukan nilai-nilai

Menyajikan data dalam bentuk

Menyebutkan definisi statistika,

Pengetahuan Dasar Statistika

D alam Modul 1 ini, Anda akan mempelajari pengetahuan dasar statistika

S ebelum kita membahas mengenai data statistik, lebih dahulu akan

Kata statistik dapat diartikan sebagai kumpulan angka-angka mengenai

Dalam hal ini persentase, rata-rata, dan kebanyakan termasuk ke dalam

Statistika menurut fungsinya dibagi menjadi dua bagian yaitu statistika

B. MACAM -MACAM DATA

Dalam menyelidiki suatu masalah selalu diperlukan data. Data dapat

b. Data kuantitatif adalah data yang berbentuk bilangan.

2. Menurut Cara Memperolehnya

Jika kita memperhatikan definisi statistika maka fungsi pertamanya

Dalam pengertian sensus dan sampling ada istilah populasi. Istilah

Semua contoh di atas merupakan contoh populasi. Pada prakteknya kita

b. Tabel bilangan acak

2. Cara Tidak Acak

Untuk memperdalam pemahaman Anda mengenai materi di atas,

2) Dari pernyataan-pernyataan soal nomor 1, manakah yang termasuk data

Petunjuk Jawaban Latihan

1) Yang termasuk data kualitatif:

1. Statistik dapat diartikan sebagai berikut.

8. Sebuah populasi mencakup semua anggota dari kelompok yang

Pilihlah satu jawaban yang paling tepat!

2) Pernyataan ”Ukuran beberapa buku yang terdapat di rak buku”

3) Data mentah adalah data yang ....

4) Seorang petugas dari kantor kecamatan sedang mengumpulkan data