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
519.5
1. statistika pendidikan
I. Hamid, H.M. Akib [et.al.]
iii
Daftar Isi
Kegiatan Belajar 2:
Dasar-dasar Analisis ........................................................................... 1.13
Latihan …………………………………………............................... 1.19
Rangkuman ………………………………….................................... 1.23
Tes Formatif 2 ……………………………..…….............................. 1.24
Kegiatan Belajar 2:
Macam-macam Tabel Distribusi Frekuensi ....................................... 2.22
Latihan …………………………………………............................... 2.31
Rangkuman ………………………………….................................... 2.33
Tes Formatif 2 ……………………………..…….............................. 2.34
iv
Kegiatan Belajar 2:
Macam-macam Bentuk Diagram untuk Data Terkelompok .............. 3.16
Latihan …………………………………………............................... 3.20
Rangkuman ………………………………….................................... 3.24
Tes Formatif 2 ……………………………..…….............................. 3.24
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
Kegiatan Belajar 4:
Ukuran Dispersi .................................................................................. 4.48
Latihan …………………………………………............................... 4.58
Rangkuman ………………………………….................................... 4.60
Tes Formatif 4 ……………………………..…….............................. 4.61
Kegiatan Belajar 2:
Ukuran Keruncingan (Kurtosis)......................................................... 5.13
Latihan …………………………………………............................... 5.15
Rangkuman ………………………………….................................... 5.16
Tes Formatif 2 ……………………………..…….............................. 5.17
Kegiatan Belajar 2:
Distribusi Student ............................................................................... 6.20
Latihan …………………………………………............................... 6.24
Rangkuman ………………………………….................................... 6.25
Tes Formatif 2 ……………………………..…….............................. 6.25
Kegiatan Belajar 2:
Distribusi F ......................................................................................... 7.9
Latihan …………………………………………............................... 7.11
Rangkuman ………………………………….................................... 7.12
Tes Formatif 2 ……………………………..…….............................. 7.13
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
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
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
PENDAHULUA N
Kegiatan Belajar 1
Data Statistik
A. PENGERTIAN STATISTIK
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.
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.
1.4 Statistika Pendidikan z
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.
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.
z PEMA4210/MODUL 1 1.5
C. PENGUMPULAN DATA
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.
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.
L A TIH A N
RA NGK UMA N
TES FORMATIF 1
Kegiatan Belajar 2
Dasar-Dasar Analisis
A. PEMBULATAN BILANGAN
Berikut ini akan diberikan tiga buah aturan pembulatan bilangan yang
banyak digunakan dalam penganalisaan data.
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.
B. NOTASI JUMLAH
∑X
i =1
i
z PEMA4210/MODUL 1 1.15
∑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
∑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
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
= (1 – 1) + (3 – 1) + (5 – 1)
=0+2+4=6
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 ⎞⎛ 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.
∑ ( 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
∑ 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
1.18 Statistika Pendidikan z
∑c=nc
i =1
Bukti:
n
∑c= c + c + c
i =1
+ ... c = nc
n suku
∑ (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 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 )
z PEMA4210/MODUL 1 1.19
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
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
∑( X + i)
2
b. i
i=2
1.20 Statistika Pendidikan z
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)
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
z PEMA4210/MODUL 1 1.21
∑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
1.22 Statistika Pendidikan z
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 ⎦
z PEMA4210/MODUL 1 1.23
⎡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
i diganti 1 diperoleh X 1 ,
i diganti 2 diperoleh X 2 ,
i diganti 3 diperoleh X 3 ,
i diganti n diperoleh X n ,
Kemudian kita menjumlahkan suku-suku tersebut.
1.24 Statistika Pendidikan z
∑(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
A. 48
B. -13
C. 52
D. -16
z PEMA4210/MODUL 1 1.25
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
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
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
z PEMA4210/MODUL 1 1.27
Daftar Pustaka
Hinkle, Dennis E.; Wiersma, William and E. Jurs, Stephen. (1979). Applied
Statistics for the Behavioral Sciences. Chicago: Rand McNally College
Publishing Company.
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.
Kegiatan Belajar 1
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.
2.4 Statistika Pendidikan z
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
1. baris-kolom;
2. kontingensi; dan
3. distribusi frekuensi.
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
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).
z PEMA4210/MODUL 2 2.7
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
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).
2.8 Statistika Pendidikan z
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
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.
z PEMA4210/MODUL 2 2.9
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,
2.10 Statistika Pendidikan z
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.
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
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.
2.14 Statistika Pendidikan z
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
DAFTAR 2 (5)
HASIL TENTAMEN TENGAH SEMESTER STATISTIKA
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
z PEMA4210/MODUL 2 2.15
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
2) DAFTAR 2 (7)
JUMLAH SISWA LAKI-LAKI DAN PEREMPUAN SD, SMP, DAN SMA
DI KOTA A, B, DAN C
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
DAFTAR 2 (9)
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 – 44,0 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
DAFTAR 2 (10)
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 – 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
z PEMA4210/MODUL 2 2.19
RA NGK UMA N
TES FORMATIF 1
2) DAFTAR 2 (11)
TINGGI BADAN MAHASISWA
JURUSAN PENDIDIKAN MATEMATIKA DI IKIP
(Dicatat dalam Cm)
Berat Badan Banyak Mahasiswa
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
3) Dari soal nomor 2, panjang kelas untuk kelas interval kelima adalah ....
A . 1,9
B. 2,0
C. 1,1
D. 1,2
Kegiatan Belajar 2
Macam-macam
Tabel Distribusi Frekuensi
DAFTAR 2 (12)
BENTUK TABEL DISTRIBUSI FREKUENSI RELATIF
Jumlah N = ∑ fi 100
i =1
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).
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
2.24 Statistika Pendidikan z
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
DAFTAR 2 (15)
BENTUK UMUM TABEL DISTRIBUSI FREKUENSI RELATIF KUMULATIF
“KURANG DARI”
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"
DAFTAR 2 (16)
BENTUK UMUM TABEL DISTRIBUSI FREKUENSI RELATIF KUMULATIF
"ATAU LEBIH"
Nilai Data FRi (%)
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 .
2.26 Statistika Pendidikan z
Penyelesaian:
1) Tabel distribusi frekuensi relatif
DAFTAR 2 (17)
TABEL DISTRIBUSI FREKUENSI RELATIF
HASIL TENTAMEN TENGAH SEMESTER STATISTIKA
DARI MAHASISWA PROGRAM S-1
JURUSAN PENDIDIKAN MATEMATIKA DI IKIP
Daftar 2 (18)
TABEL DISTRIBUSI FREKUENSI KUMULATIF "KURANG DARI"
HASIL TENTAMEN TENGAH SEMESTER STATISTIKA
DARI MAHASISWA PROGRAM S-1
JURUSAN PENDIDIKAN MATEMATIKA DI IKIP
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
Daftar 2 (19)
TABEL DISTRIBUSI FREKUENSI KUMULATIF "ATAU LEBIH"
HASIL TENTAMEN TENGAH SEMESTER STATISTIKA
DARI MAHASISWA PROGRAM S-1
JURUSAN PENDIDIKAN MATEMATIKA DI IKIP
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
L A TIH A N
1) DAFTAR 2 (23)
TABEL DISTRIBUSI FREKUENSI RELATIF
BERAT BADAN BAYI YANG BARU LAHIR
DI RUMAH SAKIT BERSALIN "SEHAT A" SELAMA SEBULAN
2) DAFTAR 2 (24)
TABEL DISTRIBUSI FREKUENSI KUMULATIF "KURANG DARI"
BERAT BADAN BAYI YANG BARU LAHIR
DI RUMAH SAKIT BERSALIN "SEHAT" SELAMA SEBULAN
3) DAFTAR 2 (25)
TABEL DISTRIBUSI FREKUENSI KUMULATIF "ATAU LEBIH"
BERAT BADAN BAYI YANG BARU LAHIR
DI RUMAH SAKIT BERSALIN "SEHAT" SELAMA SEBULAN
4) DAFTAR 2 (26)
TABEL DISTRIBUSI FREKUENSI RELATIF KUMULATIF "KURANG DARI"
BERAT BADAN BAYI YANG BARU LAHIR
DI RUMAH SAKIT BERSALIN "SEHAT" SELAMA SEBULAN
5) DAFTAR 2 (27)
TABEL DISTRIBUSI FREKUENSI RELATIF KUMULATIF "ATAU LEBIH"
BERAT BADAN BAYI YANG BARU LAHIR
DI RUMAH SAKIT BERSALIN "SEHAT" SELAMA SEBULAN
RA NGK UMA N
TES FORMATIF 2
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
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%.
z PEMA4210/MODUL 2 2.37
Daftar Pustaka
Hinkle, Dennis E.; Wiersma, William and E. Jurs, Stephen. (1979). Applied
Statistics for the Behavioral Sciences. Chicago: Rand McNally College
Publishing Company.
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.
3.2 Statistika Pendidikan z
Kegiatan Belajar 1
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
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
3.4 Statistika Pendidikan z
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).
3.6 Statistika Pendidikan z
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
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.
3.8 Statistika Pendidikan z
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).
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.
z PEMA4210/MODUL 3 3.9
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 1981 siswa yang diterima berjumlah 162 orang.
Tahun 1982 siswa .yang diterima berjumlah 175 orang.
Tahun 1983 siswa yang diterima berjumlah 200 orang.
Tahun 1984 siswa yang diterima berjumlah 225 orang.
Tahun 1985 siswa yang diterima berjumlah 230 orang.
Tahun 1986 siswa yang diterima berjumlah 240 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.
3.10 Statistika Pendidikan z
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.
Gambar 3.5.
Jumlah Siswa SD, SMP, SMEA dan STM di Kota “X”
pada tahun 1990
z PEMA4210/MODUL 3 3.11
L A TIH A N
Gambar 3.6.
Hasil Penjualan Berbagai Barang Merek "X" selama Tahun 1989
3.12 Statistika Pendidikan z
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
Gambar 3.7.
Hasil Penjualan Berbagai Barang Merek "X” Selama Tahun 1989
RA NGK UMA N
TES FORMATIF 1
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°
z PEMA4210/MODUL 3 3.15
Kegiatan Belajar 2
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).
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).
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.
Daftar 3 (1).
Tinggi Badan (dalam Cm) Mahasiswa Angkatan 1989/1990
di Universitas "A"
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
Tinggi Badan (dalam Cm) Mahasiswa Angkatan 1989/1990
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
Tinggi Badan (dalam Cm) Mahasiswa Angkatan 1989/1990
di Universitas "A”
z PEMA4210/MODUL 3 3.19
B. OGIVE (OZAIV)
Daftar 3 (2).
Tabel Distribusi Frekuensi Kumulatif "Kurang Dari"
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
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) 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”.
z PEMA4210/MODUL 3 3.23
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”
3.24 Statistika Pendidikan z
RA NGK UMA N
TES FORMATIF 2
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.
z PEMA4210/MODUL 3 3.27
Daftar Pustaka
Hinkle, Dennis E.; Wiersma, William and E. Jurs, Stephen. (1979). Applied
Statistics for the Behavioral Sciences. Chicago: Rand McNally College
Publishing Company.
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;
2. membedakan antara kegunaan nilai rata-rata hitung dengan rata-rata
harmonis;
3. membedakan antara kegunaan nilai rata-rata hitung dengan rata-rata
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;
4.2 Statistika Pendidikan z
Kegiatan Belajar 1
Nilai Rata-Rata
A. RATA-RATA HITUNG
∑x i
x= i =1
n
dengan x adalah nilai rata-rata
xi adalah nilai pengamatan data ke i
n adalah banyaknya data.
4.4 Statistika Pendidikan z
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
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
∑fx i i
x= i =1
k
∑fi =1
i
xi fi f i xi
n = ∑ fi ∑fx i i
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
K bk − ak fk xk f k xk
k k
n = ∑ fi ∑fx i i
i =1 i =1
∑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”
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
z PEMA4210/MODUL 4 4.7
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
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.
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.
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.
⎛ 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 .
∑fd
i =1
i i
k
disebut “faktor koreksi”. Mengapa harus ada faktor itu? Sebab kita
∑f
i =1
i
Contoh 6: Hitung nilai rata-rata data di bawah ini dengan cara ”AM”!
Penyelesaian:
Data pada tabel di atas kita ubah dulu ke dalam tabel berikut.
⎛ 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
⎛ 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.
4.12 Statistika Pendidikan z
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
z PEMA4210/MODUL 4 4.13
Kadang kala hasilnya agak berbeda, hal ini dimungkinkan karena bekerja
dengan logaritma banyak sekali pembulatan-pembulatan.
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
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
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.
z PEMA4210/MODUL 4 4.15
L A TIH A N
x=
∑fx
i i
=
2575
= 36, 79
∑f i 20
RA NGK UMA N
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
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
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
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.
Kegiatan Belajar 2
A. MODUS
ada 17 dan gejala E ada 10. Gejala dengan, frekuensi tertinggi adalah gejala
C maka dikatakan modusnya adalah C atau ditulis Mo = gejala C.
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.
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%
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
⎛n ⎞
⎜ − FMe ⎟
Me = BbMe + p ⎜ 2 ⎟
⎜⎜ f Me ⎟⎟
⎝ ⎠
x = Me = Mo
Mo Me x x Me Mo
Kurva Positif Kurva Negatif
Mo + 2 x = 3Me
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
z PEMA4210/MODUL 4 4.27
Penyelesaian:
Nilai minimum = 15 dan nilai maksimum 25. Rentang = 25 – 15 paling
banyak sama dengan 10.
Penyelesaian:
Jika kita tentukan panjang kelasnya 3 maka
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
4.28 Statistika Pendidikan z
⎛ 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.
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
z PEMA4210/MODUL 4 4.29
L A TIH A N
⎛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
TES FORMATIF 2
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
8) Sehubungan dengan data pada soal nomor 7 maka Mo-nya adalah ....
A. 33,67
B. 33,76
C. 35,33
D. 35,63
10) Sehubungan dengan data pada soal nomor 9, Me-nya adalah ....
A. 50,14
B. 52,92
C. 53,25
D. 55,06
Kegiatan Belajar 3
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
z PEMA4210/MODUL 4 4.35
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.
4.36 Statistika Pendidikan z
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
Penyelesaian:
6
n = 20, sehingga Letak D6 = data ke (20 + 1) = data ke-12,6
10
z PEMA4210/MODUL 4 4.37
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
Letak P38 = data ke (20 + 1) = data ke-7,98.
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.
4.38 Statistika Pendidikan z
⎛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.
p = Panjang kelas interval.
n = Banyak data.
FKi = Frekuensi kumulatif sebelum kelas interval Ki
f Ki = Frekuensi kelas interval yang mengandung Ki
L A TIH A N
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
4.42 Statistika Pendidikan z
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
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
z PEMA4210/MODUL 4 4.43
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
⎛i ⎞
⎜ n − FLi ⎟
Li = BbLi + p ⎜ k ⎟
⎜⎜ f Li ⎟⎟
⎝ ⎠
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
z PEMA4210/MODUL 4 4.45
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
8) Sehubungan dengan data pada soal nomor 7, letak P25 pada kelas interval
dengan nomor urut ....
A. 3
B. 4
C. 5
D. 6
Kegiatan Belajar 4
Ukuran Dispersi
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 )
z PEMA4210/MODUL 4 4.49
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
−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.
4.50 Statistika Pendidikan z
( 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
s=
∑ (x − x ) i
2
n −1
xi ( xi − x ) ( xi − x ) 2
Jika rumus itu dikembangkan lagi, akan kita peroleh bentuk yang lebih
sederhana:
z PEMA4210/MODUL 4 4.51
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)
xi xi2
s=
∑ f i ( xi − x ) 2
n −1
xi fi ( xi − x ) ( xi − x )2 fi ( xi − x )2
4.52 Statistika Pendidikan z
n ∑ f i xi2 − ( ∑ f i xi )
2
Atau s =
n (n − 1)
No. Urut Kelas Interval Tanda Kelas (xi) fi xi2 fixi fi xi2
s =
2
n (n − 1)
n ∑ fi (di p + x ) 2 − ⎡⎣ ∑ f i (di p + x ) ⎤⎦
2
=
n (n − 1)
z PEMA4210/MODUL 4 4.53
=
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) ⎟
⎝ ⎠
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
4.54 Statistika Pendidikan z
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!
z PEMA4210/MODUL 4 4.55
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
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
4.56 Statistika Pendidikan z
∑ ⎛ ∑ fi di ⎞
2
fi di2
s= p −⎜ ⎟⎟
n ⎜ n
⎝ ⎠
Akan jauh lebih sederhana dan lebih mudah.
94 ⎛ −6 ⎞
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.
4.58 Statistika Pendidikan z
L A TIH A N
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
z PEMA4210/MODUL 4 4.59
∑ 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)
( 50 ×176.432,5 ) − (2.805)2
s= = 19, 73
50 × 49
∑ (∑ fi di )
2
fi d 2
s= p −
n −1 n(n − 1)
Anda akan rasakan, jauh lebih sederhana dari cara-cara sebelumnya.
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
⎝ ⎠
z PEMA4210/MODUL 4 4.61
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
Tes Formatif 1
∑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
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
4.66 Statistika Pendidikan z
⎛ 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
z PEMA4210/MODUL 4 4.67
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
P87 = data ke-14 + 0,79 (data ke-15 – data ke-14)
= 34 + 0,79 (35 – 34) = 34,79
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
Letak P57 = data ke (11 + 1) = data ke-6,84.
100
4.68 Statistika Pendidikan z
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.
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
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 ⎟⎟
⎝ ⎠ ⎝ ⎠
z PEMA4210/MODUL 4 4.69
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
4.70 Statistika Pendidikan z
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
z PEMA4210/MODUL 4 4.71
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
∑ (∑ 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
Daftar Pustaka
PENDAHULUA N
Kegiatan Belajar 1
Ukuran Kemiringan
A. UKURAN KEMIRINGAN
x x x
Gambar 5.1 Gambar 5.2 Gambar 5.3
Distribusi Positif Distribusi Simetrik Distribusi Negatif
3( x − Me)
Koefisien kemiringan =
s
K 3 − 2 K 2 + K1
Koefisien kemiringan =
K 3 − K1
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.
5.4 Statistika Pendidikan z
Tabel 5.1
Berat Badan Bayi yang Baru Lahir (dalam Kg)
Selama Seminggu Tertentu di Rumah Sakit Bersalin "SEHAT"
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.
Sehingga,
3,38 − 2(3,16) − 2,93 −0, 01
koefisien kemiringannya = = = −0,022.
3,38 − 2,93 0, 45
5.6 Statistika Pendidikan z
L A TIH A N
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:
z PEMA4210/MODUL 5 5.7
RA NGK UMA N
TES FORMATIF 1
Nilai Frekuensi
50 – 59 11
60 – 69 23
70 – 79 36
80 – 89 24
90 – 99 16
10) Dari data pada No. 5, bentuk distribusi data tersebut adalah ….
A.
B.
5.12 Statistika Pendidikan z
C.
D.
Kegiatan Belajar 2
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;
5.14 Statistika Pendidikan z
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
L A TIH A N
RA NGK UMA N
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.
z PEMA4210/MODUL 5 5.17
TES FORMATIF 2
Nilai Frekuensi
50 – 59 11
60 – 69 23
70 – 79 36
80 – 89 24
90 – 99 16
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
5.20 Statistika Pendidikan z
1
7) D. Letak K1 = data ke ( n + 1) = data ke-27,75.
4
Sehingga K1 terletak pada kelas interval ke-2. Dari letak K1 maka
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
Sehingga K3 terletak pada kelas interval ke-4. Dari letak K3 maka
diketahui BbK1 = 80 − 0,5 = 79,5 ; p = 10 ; FK3 = 70 ; dan f K3 = 24 .
⎛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
diketahui BbK1 = 60 − 0,5 = 59,5 ; p = 10 ; FK1 = 11 ; dan f K1 = 23 .
z PEMA4210/MODUL 5 5.21
⎛ 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
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.
5.22 Statistika Pendidikan z
Daftar Pustaka
Hinkle, Dennis E.; Wiersma, William and E. Jurs, Stephen. (1979). Applied
Statistics for the Behavioral Sciences. Chicago: Rand McNally College
Publishing Company.
PENDAHULUA N
Kegiatan Belajar 1
Distribusi Gauss
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 < ∞
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
Bukti:
∞
σ z2 = ∫−∞ ( z − μz )2 f ( z )dz
∞
= ∫ z 2 f ( z )dz
−∞
∞ z2 1
− z2
=∫ e 2
dz = 1
−∞
2π
Z=0
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.
z 0 1 2 3 ... 9
0,0
....
0,1
0,2 . . . . . . . . . . . . . . . . . . 0,0910. . . . . . . .
0,3
0,0910
0
6.6 Statistika Pendidikan z
Tabel 6.1.
Tabel Distribusi Normal Baku
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.
z PEMA4210/MODUL 6 6.7
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%.
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%.
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%.
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.
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
z PEMA4210/MODUL 6 6.11
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
6.12 Statistika Pendidikan z
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%.
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
= 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
6.14 Statistika Pendidikan z
0,57
e. Luas z < 1,25 = 0,5 + Luas 0 < z < 1,25
= 0,5 + 0,3944 = 0,8944
1,25
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.
Maka banyak mahasiswa yang tingginya
-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.
Maka banyak mahasiswa yang tingginya
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.
6.16 Statistika Pendidikan z
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
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.
Maka banyak mahasiswa yang tingginya
172 cm = 0,0543 × 200.000 = 10.860 orang.
RA NGK UMA N
σ 2π
z PEMA4210/MODUL 6 6.17
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
TES FORMATIF 1
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
6.18 Statistika Pendidikan z
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
z PEMA4210/MODUL 6 6.19
Kegiatan Belajar 2
Distribusi Student
K
f (t ) = 1
n
⎛ t2 ⎞2
1+ ⎜ ⎟
⎝ n −1 ⎠
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”.
z PEMA4210/MODUL 6 6.21
Tabel 6.2.
Nilai Persentil untuk Distribusi t
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
6.22 Statistika Pendidikan z
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
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
RA NGK UMA N
K
f (t ) = 1
n
⎛ t2 ⎞2
1+ ⎜ ⎟
⎝ n −1 ⎠
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
6.26 Statistika Pendidikan z
4) Untuk t dengan dk = 21 maka nilai t untuk luas daerah dari t ke kiri sama
dengan 0,75 ialah ....
A. 0,257
B. 0,532
C. 0,686
D. 0,859
B. + 1,33
U U
C. + 1,74
U U
D. + 2,11
U U
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
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
z PEMA4210/MODUL 6 6.29
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
4) C. t(0,75)(21) = 0,686
6) B. t⎛ ⎛ 1− 0,80 ⎞ ⎞
= t( 0,8+ 0,10)(19) = t0,90(19) = ±1,33
⎜ 0,80 + ⎜ ⎟ ⎟ (19 )
⎝ ⎝ 2 ⎠⎠
Daftar Pustaka
Hinkle, Dennis E.; Wiersma, William and E. Jurs, Stephen. (1979). Applied
Statistics for the Behavioral Sciences. Chicago: Rand McNally College
Publishing Company.
PENDAHULUA N
Kegiatan Belajar 1
1 1
γ −1 − u
f (u ) = Ku 2 e 2
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.
L A TIH A N
χ 0,95(17)
2
= 27, 6
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
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
7.8 Statistika Pendidikan z
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
Kegiatan Belajar 2
Distribusi F
1
( γ1 − 2)
F2
f (F ) = K 1
( γ1 + γ2 )
⎡ γ1 F ⎤ 2
⎢1+ ⎥
⎣ γ1 ⎦
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.
z PEMA4210/MODUL 7 7.11
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
L A TIH A N
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 ⎦
TES FORMATIF 2
Tes Formatif 1
1) D. Cari nilai χ (12 - 0,025)(17)
2) A. Cari nilai χ 0,025(20)
2
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
7.16 Statistika Pendidikan z
z PEMA4210/MODUL 7 7.17
7.18 Statistika Pendidikan z
z PEMA4210/MODUL 7 7.19
7.20 Statistika Pendidikan z
Daftar Pustaka
Hinkle, Dennis E.; Wiersma, William and E. Jurs, Stephen. (1979). Applied
Statistics for the Behavioral Sciences. Chicago: Rand McNally College
Publishing Company.
Pengujian Hipotesis
Kartono, S.Pd., M.Si.
PENDAHULUA N
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
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
z PEMA4210/MODUL 8 8.5
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.
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
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:
Hipotesis statistik suatu penelitian adalah sebagai berikut.
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.
Daerah penolakan dan penerimaan H0 dari data sampel
berdistribusi normal dengan H1 : μ > μ0
z PEMA4210/MODUL 8 8.9
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 6:
Hipotesis statistik suatu penelitian adalah sebagai berikut.
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.
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
− z α < zhitung < z α maka H0 ditolak, dan sebaliknya apabila nilai
0,5 − 0,5 −
2 2
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
L A TIH A N
μ = 20 z = 1,33
RA NGK UMA N
TES FORMATIF 1
D. H 0 : p = 0, 45
H1 : p > 0, 45
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
yang diajarkan dengan metode baru sama dengan rata-rata hasil
belajar siswa yang diajarkan dengan metode lama padahal hipotesis
tersebut benar
C. penerimaan 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 benar
D. penerimaan 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 padahal hipotesis
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
yang diajarkan dengan metode baru sama dengan rata-rata hasil
belajar siswa yang diajarkan dengan metode lama karena hipotesis
tersebut salah
z PEMA4210/MODUL 8 8.15
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
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
8.16 Statistika Pendidikan z
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
Kegiatan Belajar 2
A. UJI NORMALITAS
Keterangan:
zi adalah bilangan baku
xi adalah nilai ke-i
s adalah simpangan baku
x adalah rata-rata nilai
Tabel 8.1.
Daftar Nilai Kritis untuk Uji Liliefors
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
8.20 Statistika Pendidikan z
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
z PEMA4210/MODUL 8 8.21
fi xi zi F ( zi ) S ( zi ) F ( zi ) − S ( zi ) F ( zi ) − S ( zi )
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
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
adalah sebagai berikut.
H 0 : σ12 = σ 22
H 0 : σ12 ≠ σ 22
8.22 Statistika Pendidikan z
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.
z PEMA4210/MODUL 8 8.23
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.
8.24 Statistika Pendidikan z
L A TIH A N
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!
fi xi zi F ( zi ) S ( zi ) F ( zi ) − S ( zi ) F ( zi ) − S ( zi )
1 6,0
3 6,3
2 6,8
1 7,4
1 7,9
z PEMA4210/MODUL 8 8.25
fi xi zi F ( zi ) S ( zi ) F ( zi ) − S ( zi ) F ( zi ) − S ( zi )
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
fi xi zi F ( zi ) S ( zi ) F ( zi ) − S ( zi ) F ( zi ) − S ( zi )
3 7,7
2 7,8
2 7,9
1 8,0
1 9,0
∑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
∑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
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
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
8.28 Statistika Pendidikan z
fi xi zi F ( zi ) S ( zi ) F ( zi ) − S ( zi ) F ( zi ) − S ( zi )
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
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.
z PEMA4210/MODUL 8 8.29
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
8.30 Statistika Pendidikan z
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
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
8.32 Statistika Pendidikan z
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 ....
A. berdistribusi normal
B. tidak berdistribusi normal
C. homogen
D. tidak homogen
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
z PEMA4210/MODUL 8 8.33
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 ....
A. berdistribusi normal
B. tidak berdistribusi normal
C. homogen
D. tidak homogen
Kegiatan Belajar 3
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.
z PEMA4210/MODUL 8 8.35
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
8.36 Statistika Pendidikan z
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
z PEMA4210/MODUL 8 8.37
Pembahasan:
Sesuai dengan langkah-langkah dalam pengujian hipotesis di atas maka:
1. Hipotesis statistik yang sesuai dengan permasalahan tersebut adalah
H 0 : μ = 50
H1 : μ ≠ 50
2. Taraf keberartian α = 0, 05.
3. Uji statistik yang sesuai dengan permasalahan penelitian tersebut adalah
x − μ0
t= ; υ = n − 1 , σ tidak diketahui.
s/ n
4. Nilai statistik dari sampel berukuran 30 adalah
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
8.38 Statistika Pendidikan z
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
z PEMA4210/MODUL 8 8.39
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
adalah sebagai berikut.
Apakah metode baru yang digunakan oleh guru tersebut lebih baik dari
metode lama dengan taraf kepercayaan 95%?
Penyelesaian:
Sesuai dengan langkah-langkah dalam pengujian hipotesis di atas maka:
1. Hipotesis statistik yang sesuai dengan permasalahan tersebut adalah
H 0 : μD = 0
H1 : μ D > 0
2. Taraf keberartian α = 1 – 0,95 = 0,05
3. Uji statistik yang sesuai dengan permasalahan penelitian tersebut adalah
x − d0
t= D ; υ = n −1 .
sd / n
4. Nilai statistik dari sampel berukuran 30 adalah
Hasil tes dengan Hasil tes dengan
di di2
menggunakan metode lama menggunakan metode baru
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
z PEMA4210/MODUL 8 8.41
L A TIH A N
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.
2) a. Hipotesis statistik
H 0 : μ A − μB = 8
H1 : μ A − μ B > 8
8.44 Statistika Pendidikan z
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
z PEMA4210/MODUL 8 8.45
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.
4) a. Hipotesis statistik
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.
5) a. Hipotesis statistik
H 0 : μD = 0
H1 : μ D ≠ 0
8.46 Statistika Pendidikan z
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.
z PEMA4210/MODUL 8 8.47
TES FORMATIF 3
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
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
z PEMA4210/MODUL 8 8.49
H1 : μ D > 0
C. H 0 : μD = 1
H1 : μ D ≠ 1
D. H 0 : μD = 1
H1 : μ D > 1
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
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
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
8.54 Statistika Pendidikan z
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
z PEMA4210/MODUL 8 8.55
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.
8.56 Statistika Pendidikan z
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
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
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
z PEMA4210/MODUL 8 8.57
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
7) A. xD = 1,114
sd = 27, 28 /19 = 1,198
xD − d 0 0,114
t= = = 0, 021
sd / n 1,198 / 20
8.58 Statistika Pendidikan z
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.
z PEMA4210/MODUL 8 8.59
Daftar Pustaka
PENDAHULUA N
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.
Kegiatan Belajar 1
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
9.4 Statistika Pendidikan z
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
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
9.6 Statistika Pendidikan z
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.
z PEMA4210/MODUL 9 9.7
Gambar 9.3.
Hubungan Statistik Kurvilinear antara Umur dan Kandungan Steroid pada
Perempuan Sehat Berumur 8 sampai 25.
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
9.8 Statistika Pendidikan z
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
Catatan:
Ungkapan “peubah bebas” atau “peubah peramal” bagi X dan “peubah
tak bebas” atau “peubah respons” bagi Y dalam suatu model regresi adalah
z PEMA4210/MODUL 9 9.9
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.
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.
9.10 Statistika Pendidikan z
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
z PEMA4210/MODUL 9 9.11
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
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
9.14 Statistika Pendidikan z
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
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.
9.16 Statistika Pendidikan z
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.
z PEMA4210/MODUL 9 9.17
∑ Yi = nb0 + b1 ∑ X i (9.7a)
∑ X 1Yi = b0 ∑ X i + b1 ∑ X i
2
(9.7b)
∑ 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.
9.18 Statistika Pendidikan z
∑ X (Y − β − β X ) = 0
i i 0 1 i
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:
z PEMA4210/MODUL 9 9.19
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
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
Xi 78 60 … 54 ∑ X = 1.190
i
Yi 85 70 … 58 ∑ Y = 1.320
i
X i
2
6.084 3.600 … 2.916 ∑ X = 73.220
i
2
RA NGK UMA N
Y = β0 + β1 X + ε ;
n∑ X iYi − (∑ X i )(∑ Yi )
b1 = , dan b0 = Y − b1 X .
n∑ X i2 − (∑ X i ) 2
Yˆ = b0 + b1 X .
TES FORMATIF 1
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
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
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
Kegiatan Belajar 2
Model regresi:
Yi = β0 + β1 X i + εi (9.9)
A. INFERENSI TENTANG β1
Gambar 9.9.
Model Regresi (9.9) bila β1 = 0
b1 =
∑ ( X − X )(Y − Y )
i i
∑(X − X )
i
2
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
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.
z PEMA4210/MODUL 9 9.29
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
∑ 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
9.30 Statistika Pendidikan z
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
b0 = Y − b1 X
⎛
⎜
s {b0 } = ⎜
2
( ∑ (Y − Y ) − b ∑ ( X − X )(Y − Y )) ⎞⎟ ⎛⎜
i
2
1 i i ∑ X i2 ⎞
( n − 2) ⎟ n ∑( X − X ) 2 ⎟
⎜ ⎟⎝ i ⎠
⎝ ⎠
b0 − β0
mengikuti sebaran t(n – 2) (9.15)
s{b0 }
z PEMA4210/MODUL 9 9.31
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
9.32 Statistika Pendidikan z
apakah model regresi linear masih tetap berlaku bila cakupan modelnya
diperluas sehingga mencakup X = 0.
Tabel 9.3.
Tabel Analisis Ragam atau Analysis of Variance (ANOVA) untuk
Analisis Regresi Linier Sederhana
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
z PEMA4210/MODUL 9 9.33
⎛
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
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.
⎛ 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
9.34 Statistika Pendidikan z
⎛ 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
∑ 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
9.36 Statistika Pendidikan z
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.
z PEMA4210/MODUL 9 9.37
⎛ 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
9.38 Statistika Pendidikan z
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
TES FORMATIF 2
1) Nilai s{b1} = ….
A. 0,015
B. 0,151
C. 0,511
D. 5,011
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
9.40 Statistika Pendidikan z
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
6) Nilai s{b1} = ….
A. 0,0596
B. 0,0659
C. 0,0695
D. 0,0965
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
z PEMA4210/MODUL 9 9.41
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
Kegiatan Belajar 3
Analisis Korelasi
A. INDEKS DETERMINASI
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
∑ (Y − Y ) −∑ (Y − Yˆ )
2 2
i i i
r 2
= (9.19)
∑ (Y − Y )
2
i
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
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
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
z PEMA4210/MODUL 9 9.45
r = b sx / sy (9.23)
r2 = b1b2 (9.24)
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.
9.46 Statistika Pendidikan z
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.
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).
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
r n-2
t= (9.25)
1- r 2
⎛ 1+ r ⎞
Z = ½ ln ⎜ ⎟ (9.26)
⎝ 1- r ⎠
⎛ 1 + ρ0 ⎞ 1
μz = 1 2 ln ⎜ ⎟ dan σ r = (9.28)
⎝ 1-ρ0 ⎠ n−3
⎛ 1 + ρ0 ⎞
μz = (1,1513) log ⎜ ⎟ (9.29)
⎝ 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 ⎠
1,96 1,96
1,0986 - < μz < 1,0986 +
28 − 3 28 − 3
atau 0,7066 < μz < 1,4906.
E. MENGUJI HIPOTESIS
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
z PEMA4210/MODUL 9 9.51
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
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:
9.52 Statistika Pendidikan z
⎛ 1 + 0, 75 ⎞
μz = (1,1513) log ⎜ ⎟ = 0,9729
⎝ 1 − 0, 75 ⎠
dan
1
σz = = 0,1924
30 − 3
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.
z PEMA4210/MODUL 9 9.53
L A TIH A N
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?
9.54 Statistika Pendidikan z
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 ⎞
log ⎜ ⎟ = 0,4518 yang menghasilkan ρ = 0,4779
⎝ 1-ρ ⎠
⎛ 1+ ρ ⎞
Untuk μz = 1,4442 dihasilkan 1,4442 = (1,1513) log ⎜ ⎟
⎝ 1-ρ ⎠
z PEMA4210/MODUL 9 9.55
⎛1+ ρ ⎞
log ⎜ ⎟ = 1,2544 yang menghasilkan ρ = 0,8945
⎝ 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
TES FORMATIF 3
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
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
7) Statistik penguji Z untuk uji H0: ρ = 0 lawan Ha: ρ ≠ 0 kita peroleh ....
A. 1,333
B. 2,133
C. 2,313
D. 2,333
10) Statistik penguji Z untuk uji H0: ρ = 0 lawan Ha: ρ ≠ 0 kita peroleh ....
A. 2,029
B. 2,209
C. 2,290
D. 2,902
Daftar Pustaka
Walpole, R.E. & R.H. Myers. (1982). Probability and Statistics for
Engineers and Scientist. 2nd edition. McMillan.