SUWARNO-Statistika Dalam Pendidikan Compressed

STATISTIKA DALAM PENDIDIKAN
Hak penerbitan ada pada IAIN Jember Press

Hak cipta dilindungi undang-undang
All rights reserved
Penulis:
Suwarno, M.Pd
Editor:
Hisbiyatul Hasanah, M.Pd
Layout:
Imam Ashari
Cetakan I:
NOVEMBER 2015
Foto Cover:
Internet
Penerbit:
IAIN Jember Press
Jl. Mataram No. 1 Mangli Jember
Tlp. 0331-487550 Fax. 0331-427005
e-mail: iainjember.press14@gmail.com
ISBN: 978-602-414-047-2
Isi diluar tanggung jawab penerbit

BAB 1
PENGANTAR PENULIS
Alhamdulillah, rasa syukur ke hadirat Ilahi Robbi (Allah

SWT), karena hanya dengan rahmat, hidayah, dan karunia-Nya,
buku yang berjudul” Statistika dalam Pendidikan” ini dapat ter-
selesaikan.
Penyusunan buku ini di maksudkan untuk melengkapi
sumber belajar bagi mahasiswa Jurusan Tarbiyah dalam me-
nempuh mata Kuliah Statistika Pendidikan. Pada Kesempatan
ini penulis hanya mengupas Statistika deskriptif secara men-
dalam dan dikaitkan dengan permasalahan yang muncul dalam
dalam dunia pendidikan. Sementara Statistika inferensial disaji-
kan dalam diktat yang lain.
Penulis sadar bahwa buku ini masih sangat jauh dari ke-
sempurnaan dan dalam penyelesaiannya tidak terlepas dari
kontribusi dan bantuan berbagai pihak, baik langsung maupun
tidak langsung. Karenanya, pada kesempatan ini penulis meng-
ucapkan terima kasih dan penghargaan kepada jajaran pimpi-
nan IAIN Jember, khususnya Rektor IAIN Jember, Prof. Dr. H.
Babun Suharto, SE, MM., dan Wakil Rektor Bidang Akademik
dan Pengembangan Kelembagaan, H. Nur Solikin, S. Ag., MH
v
atas apresiasi dan kesempatan yang telah diberikan kepada pe-
nulis untuk ikut berpartisipasi dalam program GELARKU perio-
de ketiga tahun 2015 yang pembiayaannya bersumber dari
DIPA STAIN Jember Tahun 2015, Nomor: SP DIPA-025.04.2.
423786/2015 tertanggal 5 Desember 2014.
Akhirnya saran dan kritik konstruktif sangat kami harap-
kan demi perbaikan buku ini kedepannya.
Jember, Juni 2015

Penyusun
vi
BAB 1
PENGANTAR
REKTOR IAIN JEMBER
Puji syukur kita panjatkan kehadirat Allah SWT, Dzat Yang

Maha Memberi atas segala limpahan nikmat, karunia dan anu-
gerah pengetahuan kepada hamba-Nya, sehingga program
GELARKU (Gerakan Lima Ratus Buku) periode tahun ketiga,
2015 dapat berjalan sesuai rencana. Sholawat serta salam se-
moga tetap tercurahkan kepada junjungan Nabi Muhammad
SAW, keluarga, serta para sahabatnya yang telah mengarahkan
umat manusia kepada jalan yang benar melalui agama Islam.
Program GELARKU (Gerakan Lima Ratus Buku) ini terlahir
dari semangat untuk menumbuhkan atmosfir akademik di ka-
langan civitas akademika, termasuk tenaga kependidikan. Dan
program GELARKU periode 2015 ini merupakan program peri-
ode ketiga sejak dicanangkan sebagai program unggulan tahun
2013. Karenanya, GELARKU merupakan program yang dimak-
sudkan untuk memberikan target yang jelas terhadap karya
akademik yang dapat dihasilkan warga kampus. Hal ini sekali-
gus mendorong semua warga kampus untuk terus berkarya.
vii
Setidaknya, program ini sebagai rangkaian dari program yang
sudah dicanangkan, yakni “Doktorisasi di Kampus Santri”, seba-
gai salah satu ukuran bahwa di masa kepemimpinan kami tidak
ada lagi dosen yang bergelar magister.
Boleh dikatakan, berbagai program itu diakselerasikan de-
ngan kekuatan sumber daya manusia yang tersedia di kampus
yang memang sudah menyandang “alih status” dari STAIN Jem-
ber menjadi IAIN Jember. Sehingga tidak berlebihan, jika IAIN
Jember sebagai satu-satunya Perguruan Tinggi Islam Negeri di
wilayah Tapal Kuda bukan sekedar lembaga pelayanan pendi-
dikan dan pengajaran, tetapi juga sebagai pusat penelitian dan
pengabdian kepada masyarakat. IAIN Jember sebagai salah satu
pusat kajian berbagai disiplin ilmu keislaman, selalu dituntut
terus berupaya menghidupkan budaya akademis yang berkua-
litas bagi civitas akademikanya.
Untuk itu, dalam kesempatan ini, saya mengajak kepada
seluruh warga kampus untuk memanfaatkan program GELAR-
KU ini sebagai pintu lahirnya kreatifitas yang tiada henti dalam
melahirkan gagasan, pemikiran, ide-ide segar dan mencerdas-
kan untuk ikut memberikan kontribusi dalam pembangunan
peradaban bangsa. Siapapun, anak bangsa memiliki peran dan
fungsi masing-masing dalam menata bangunan intelektual me-
lalui karya-karya besar dari kampus Mangli ini.
Setidaknya, terdapat dua parameter untuk menilai kualitas
karya akademik. Pertama, produktivitas karya-karya ilmiah
yang dihasilkan sesuai dengan latar belakang kompetensi keil-
muan yang dimiliki. Kedua, apakah karya-karya tersebut mam-
pu memberi pencerahan kepada publik, yang memuat ide
energik, konsep cemerlang atau teori baru. Maka kehadiran bu-
ku ilmiah dalam segala jenisnya bagi civitas akademika maupun
viii
tenaga kependidikan merupakan sebuah keniscayaan.
Pada kesempatan ini, kami sampaikan apresiasi positif ke-
pada para dosen, mahasiswa, dan karyawan yang telah mencu-
rahkan segala pikiran untuk menghasilkan karya buku dan kini
diterbitkan oleh IAIN Jember Press. Salam hangat juga kepada
warga “Kampus Mangli” yang merespon cepat program yang
kami gulirkan, yakni GELARKU (Gerakan Lima Ratus Buku) se-
bagai ikhtiar kami menciptakan iklim akademik, yakni mengha-
silkan karya dalam bentuk buku.
Karya buku ini akan terus berlangsung dan tidak boleh
berhenti. Sebab, buku adalah “pintu ilmu” untuk membuka ger-
bang peradaban bangsa. Buku adalah jembatan meluaskan pe-
mahaman, mengkonstruksi pemikiran, dan menajamkan akal
analisis terhadap beragam fenomena yang ada di sekitar hidup
dan kehidupan kita.
Dan tentu saja, karya-karya yang ditulis oleh berbagai pi-
hak diharapkan akan memberikan kontribusi positif bagi ma-
syarakat dan atau dunia akademik bersamaan dengan program
GELARKU (Gerakan Lima Ratus Buku) periode ketiga yang di-
canangkan IAIN Jember dalam tahun ini. Program GELARKU ini
diorientasikan untuk meningkatkan iklim akademis di tengah-
tengah tantangan besar tuntutan publik yang menginginkan
“referensi intelektual” dalam menyikapi beragam problematika
kehidupan masyarakat di masa-masa mendatang.
Akhirnya, kami ucapkan selamat kepada para penulis buku

yang ikut memperkaya GELARKU sebagai program intelektuali-
tas. Dengan harapan, IAIN Jember makin dikenal luas, tidak ha-
nya skala nasional, tetapi juga internasional. Dan, yang lebih
ix
penting, beraneka “warna pemikiran” yang terdokumentasi da-
lam buku ini menjadi referensi pembaca dalam memaknai se-
tiap problematika kehidupan.
Jember, Medio Agustus 2015

Rektor IAIN Jember
Prof. Dr. H. Babun Suharto, SE, MM
x
BAB 1
DAFTAR ISI
PENGANTAR PENULIS ▬ v
PENGANTAR REKTOR IAIN JEMBER ▬ vii
DAFTAR ISI ▬ xi
BAB 1
PENDAHULUAN ▬ 1
A. Sejarah Singkat Statistika ▬ 1
B. Pengertian Statistika ▬ 4
C. Ruang Lingkup Statistika ▬ 5
D. Peranan Statistika dalam Penelitian ▬ 9
E. Statistika Pendidikan ▬ 10
BAB 2
DATA 19
A. Pengertian Data ▬ 19
B. Jenis-jenis ▬ 19
C. Prinsip Pengumpulan Data ▬ 22
D. Teknik Pengumpulan Data Dengan Tes ▬ 28
xi
BAB 3
PENYAJIAN DATA ▬ 33
A. Penyajian Data Dengan Tabel ▬ 33
B. Menyajikan Data Dalam Bentuk Grafik
atau Diagram ▬ 47
BAB 4
UKURAN PEMUSATAN DATA ▬ 51
A. Mean ▬ 51
B. Median ▬ 56
C. Modus ▬ 60
BAB 5
UKURAN PENYEBARAN/UKURAN DISPERSI/UKURAN
VARIABILITAS ▬ 71
A. Jangkauan (Range) ▬ 72
B. Simpangan Kuartil ▬ 75
C. Simpangan Rata-rata ▬ 77
D. Ragam dan Standar Deviasi ▬ 80
E. Skewnes dan Kurtosis ▬ 88
BAB 6
DISTRIBUSI PELUANG 93
A. Distribusi Gauss ▬ 93
B. Distribusi Student ▬ 101
C. Distribusi Khi Kuadrat ▬ 107
D. Distribusi F ▬ 110
BAB 7
UJI NORMALITAS 115
A. Pengertian Data Normal ▬ 115
xii
B. Kertas Probabilitas Normal ▬ 117
C. Uji Chi Kuadrat ▬ 118
D. Uji Lilliefors ▬ 123
BAB 8
ANALISIS KORELASI ▬ 127
A. Uji Korelasi Dengan Product Moment ▬ 127
B. Uji Korelasi Dengan Tata Jenjang ▬ 133
C. Uji Korelasi Dengan Korelasi Ganda ▬ 135
D. Uji Korelasi Dengan Korelasi Phi ▬ 139
BAB 9
ANALISIS KOMPARASIONAL ▬ 143
A. Pengertian T-Tes dan Chi Square (Kai Kuadrat) ▬ 143
B. T-Tes Dan Contoh Penggunaannya ▬ 144
C. Uji Kai Kuadrat dan Contoh Penggunaannya ▬ 149
DAFTAR PUSTAKA ▬ 155

TENTANG PENULIS ▬ 157
xiii
xiv
BAB 1
PENDAHULUAN
A. SEJARAH SINGKAT STATISTIKA (AWAL MUNCUL STATISTIK)

Istilah statistika sudah sangat tua. Statistika bermula seba-
gai suatu cara berhitung untuk membantu pemerintah yang i-
ngin mengetahui kekayaan dan banyaknya warganya dalam
usaha menarik pajak atau pun berperang. William si penakluk
memerintahkan diadakannya survey di seluruh Inggris untuk
tujuan pajak dan tugas kemiliteran. Hasil Survey ini dikumpul-
kan dalam sebuah kumpulan yang disebut Domesday Book.
Beberapa abad setelah Domesday Book, ditemukan suatu
penerapan peluang empirik dalam asuransi perkapalan, yang
tampaknya sudah tersedia bagi kapal-kapal bangsa Flem pada
abad ke-14. Perjudian, dalam bentuk permainan, telah mengan-
tarkan kita ke teori peluang. Teori ini pertama kali dikembang-
kan oleh Pascal dan Fermat sekitar abad ke-17, karena mereka
tertarik pada pengalaman-pengalaman judi Chevalier de Mere.
Kurva normal telah terbukti sangat penting dalam pengemba-
ngan statistika. Persamaan kurva ini pertama kali diumumkan
pada tahun 1733 oleh de Moivre. De Moivre sama sekali tidak
tahu bagaimana menerapkan penemuannya tersebut pada data
Statistika Dalam Pendidikan | 1

hasil percobaan, dan karyanya ini tetap tidak diketahui sampai
Karl Pearson menemukannya di suatu perpustakaan pada ta-
hun 1924.
Walaupun demikian, hasil yang sama dikembangkan ke-
mudian oleh dua astronom matematik, Laplace, 1749-1855 dan
Gauss, 1777-1855, secara terpisah. Pada abad ke-19 Charles
Lyell telah mengajukan suatu argumentasi yang pada dasarnya
bersifat statistik terhadap suatu masalah geologi. Dalam peri-
ode 1830-1833, diterbitkan 3 jilid Principles of Geology karya
Lyell, yang mengurutkan batu-batuan zaman Tertier, serta se-
kaligus memberi nama pada masing-masing batuan. Bersama
dengan M.Deshayes, seorang ahli biologi dari Prancis, mereka
mengidentifikasikan dan mendaftarkan spesies-spesies fosil
yang terdapat dalam satu atau lebih strata, dan meramalkan
proporsi jenis-jenis yang masih hidup di bagian-bagian laut ter-
tebtu. Berdasarkan proporsi-proporsi tersebut mereka mem-
beri nama Pleistosen, Pliosen, Miosen, dan Eosen. Argumentasi
Lyell sesungguhnya bersifat statistika. Sayangnya setelah dite-
tapkan dan diterimanya nama-nama tersebut, metodenya sege-
ra dilupakan orang. Hal ini terjadi baik di bidang ilmu-ilmu bi-
ologi maupun fisika.
Pada abad ke-19 pula, perlunya landasan yang lebih kokoh
bagi statistika menjadi semakin jelas. Karl Pearson, seorang ahli
fisika matematik, menerapkan matematika pada biologi. Pear-
son melewatkan hampir setengah abad dalam penelitian statis-
tika yang serius. Di samping itu, ia juga mendirikan jurnal Bio-
metrika dan sebuah aliran statistika. Dengan demikian kajian
statistika memperoleh dorongan besar.
Sementara Pearson hanya memperhatikan contoh besar
(large samples), teori sampel besar yang dikembangkan ternya-
2 | Suwarno
ta tidak memuaskan peneliti yang selalu berhubungan dengan
sampel kecil (small samples). Di antara mereka adalah W.S.
Gosset, 1876-1937, murid Karl Pearson. Namun kemampuan
matematika Gosset belum memadai untuk mendapatkan seba-
ran-sebaran pasti dari simpangan baku sampel, rasio antara ra-
ta-rata sampel dengan simpangan baku sampel, dan koefisien
korelasi; statistik-statistik yang paling banyak diperhatikannya.
Akibatnya, ia terpaksa mendasarkan pada kartu; mengocok,
mengambil, dan kemudian membuat sebaran frekuensi empi-
riknya. Makalah yang membuat hasil penelitiannya ini muncul
dalam Biometrika pada tahun 1908, dan ia menggunakan nama
student. Sekarang ini sebaran t-Student merupakan alat dasar
bagi statistikawan dan peneliti; dan me-student-kan merupa-
kan istilah yang lazim dalam statistika. Kini penggunaan seba-
ran t-Student begitu meluas, dan menarik untuk diperhatikan
bahwa seorang astronom Jerman, Helmert, telah mendapat-
kannya secara matematika jauh sebelumnya, yaitu pada tahun
1875.
R.A. Fisher, 1890-1962, yang dipengaruhi oleh Karl Pear-
son dan Student, memberikan sumbangan yang sangat banyak
dan penting bagi statistika. Ia dan murid-muridnya memberi-
kan dorongan yang besar bagi penggunaan prosedur-prosedur
statistika dalam banyak bidang, terutama dalam bidang-bidang
pertanian, biologi, dan genetika.
J.Neyman (1895) dan E.S.Pearson (1895), mengemukakan
teori pengujian hipotesis pada tahun 1936 dan 1938. Teori ini
meransang sejumlah besar penelitian dan banyak hasilnya
mempunyai kegunaan praktis.
Pada tahun 1902-1950, Abraham Wald menulis dua buku
yang sangat bermanfaat hingga saat ini, yakni ‘Sequential Anal-

ysis’ dan ‘Statistical Decision Functions’. Dalam abad inilah
(hingga saat ini) hampir semua metode statistika yang kini di-
gunakan itu dikembangkan.
B. PENGERTIAN STATISTIKA
Statistika adalah cabang ilmu matematika terapan yang
terdiri dari teori dan metoda mengenai bagaimana cara me-
ngumpulkan, mengukur, mengklasifikasi, menghitung, menje-
laskan, mensintesis, menganalisis, dan menafsirkan data yang
diperoleh secara sistematis.Dengan demikian, didalamnya ter-
diri dari sekumpulan prosedur mengenai bagaimana cara: Me-
ngumpulkan data, Meringkas data, Mengolah data,Menyajikan
data, Menarik kesimpulan dan interpretasi data berdasarkan
kumpulan data dan hasil analisisnya
Statistik vs Parameter:
Statistik (bukan statistika):
o Kumpulan data, bilangan, maupun non bilangan yang di-
susun dalam tabel dan atau diagram yang melukiskan atau
menggambarkan suatu persoalan
 Statistik Penduduk, kelahiran, pendidikan, produksi,
pertanian, dsb.
o Ukuran sebagai wakil dari kumpulan data
 Rata-rata, median, mode, simpangan baku, ragam, per-
sen, dsb.
Parameter
 Pengertiannya hampir sama dengan statistik, perbedaan-
nya hanya terletak pada sumber data yang digunakan. Sta-
tistik menggunakan sumber data yang berasal dari sampel,
4 | Suwarno
sedangkan parameter menggunakan sumber data yang be-
rasal dari populasi.
 Statistik digunakan untuk mengestimasi nilai dari parame-
ter populasi.
Metoda Statistik
Metoda Statistik adalah prosedur-prosedur yang digunakan da-
lam pengumpulan, penyajian, analisis, dan penafsiran data.
C. RUANG LINGKUP STATISTIKA

1. Berdasarkan orientasi pembahasannya:
a. Statistika matematik: statistika teoritis yang lebih be-
rorientasi kepada pemahaman model dan teknik-teknik
statistika secara matematis teoritis.
b. Statistika terapan: statistika yang lebih berorientasi
kepada pemahaman intuitif atas konsep dan teknik-
teknik statistika serta penggunaannya di berbagai bi-
dang. Beberapa contoh statistika terapan antara lain
adalah statistika ekonomi, statistika pertanian, statisti-
ka pendidikan.
2. Berdasarkan tahapan dan tujuan analisisnya:

a. Statistika deskriptif:
1) Statistika deskriptif berkaitan dengan penerapan
metode statistik mengenai pengumpulan, pengola-
han, dan penyajian suatu gugus data sehingga bisa
memberikan informasi yang berguna.

2) Statistika yang menggunakan data pada suatu ke-
lompok untuk menjelaskan atau menarik kesimpu-
lan mengenai kelompok itu saja
3) Menjelaskan/menggambarkan berbagai karakteris-
tik data melalui:
 Ukuran Lokasi (Central Tendency): mode, mean,
median, dll
 Ukuran Variabilitas/Dispersi: varians, deviasi
standar, range, dll
 Ukuran Bentuk: skewness, kurtosis, plot boks
 Penyajian tabel dan grafik misalnya
- Distribusi Frekuensi
- Histogram, Pie chart, Box-Plot dsb
b. Statistika Inferensial:
Statistik induktif atau inferensial dimanfaatkan pe-
neliti dalam pengambilan kesimpulan terhadap masa-
lah-masalah yang didasarkan atas penelitian dengan
metode sampel. Dalam penerapan statistik induktif di-
harapkan dapat diketahui bagaimana sifat-sifat (karak-
teristik) dari populasi tersebut.
Statistika inferensial adalah statistik yang berkai-
tan dengan analisis data (sampel) untuk kemudian di-
lakukan penyimpulan penyimpulan (inferensi) yang di-
generalisasikan kepada seluruh subyek tempat data di-
ambil (populasi). Statistika inferensial adalah statistik
yang berhubungan dengan penarikan kesimpulan yang
bersifat umum dari data yang telah disusun dan diolah.
Statistika inferensial atau statistika induktif bermaksud
menyajikan, menganalisa data dari suatu kelompok un-
6 | Suwarno
tuk ditarik kesimpulan-kesimpulan, prinsip-prinsip ter-
tentu yang berlaku bagi kelompok yang lebih besar
(populasi) disamping berlaku bagi kelompok yang ber-
sangkutan (sampel).
o Statistika inferensi (inference statistics) merupa-
kan cabang ilmu statistik yang berkaitan dengan
penerapan metode‐metode statistik untuk me-
naksir dan/atau menguji karakteristik populasi
yang dihipotesiskan berdasarkan data sampel.
o Statistika yang menggunakan data dari suatu
sampel untuk menarik kesimpulan mengenai po-
pulasi dari mana sampel tersebut diambil
o Membuat berbagai inferensi (penarikan kesimpu-
lan) terhadap sekumpulan data yang berasal dari
suatu sampel. Tindakan inferensi tersebut seperti
melakukan perkiraan, peramalan, pengambilan
keputusan dan sebagainya.
Statistika inferensial merupakan langkah akhir da-
ri tugas statistika karena dalam setiap penelitian ke-
simpulan inilah yang diinginkan. Statistika inferensial
harus berdasar pada statistika deskriptif, sehingga ke-
dua-duanya harus ditempuh secara benar agar kita
mendapatkan kegunaan maksimal dari statistika ini.
Tujuan dari statistik pada dasarnya adalah mela-
kukan deskripsi terhadap data sampel, kemudian mela-
kukan inferensi terhadap populasi data berdasar pada
informasi (hasil statistik deskriptif) yang terkandung
dalam sampel. Dengan demikian, dalam prakteknya ke-
dua bagian statistik tersebut digunakan bersama-sama,
umumnya dimulai dengan statistik deskriptif lalu dilan-

jutkan dengan berbagai analisis statistik untuk inferen-
si.
3. Berdasarkan asumsi distribusi yang digunakan:

a. Statistika parametrik:
1) teknik-teknik pengukuran statistik yang didasarkan
pada asumsi tertentu, misalnya data yang diambil
dari populasi yang berdistribusi normal.
2) Teknik statistik ini digunakan untuk data yang bers-
kala interval dan rasio.
b. Statistika non-parametrik:
1) Teknik-teknik statistika yang menggunakan sedikit
asumsi (atau bahkan tidak sama sekali) terkadang
juga dikenal dengan model statistika yang bebas ter-
hadap distribusi tertentu
2) Statistika non parametrik ini digunakan untuk men-
ganalisis data berskala nominal dan ordinal.
Pada umumnya, setiap teknik pengujian data den-
gan teknik statistika parametrik mempunyai teknik pa-
danannya pada statistika non parametrik. Teknik pada-
nan pada statistika non parametrik biasa digunakan
apabila data interval/rasio tidak memenuhi asumsi-
asumsi tertentu, misalnya data tidak berdistribusi nor-
mal.
4. Berdasarkan jumlah variabel:

a. Statistika Univariat: teknik analisis statistik yang
hanya melibatkan satu variabel dependent
8 | Suwarno
b. Statistika Multivariat: teknik analisis statistik yang
melibatkan lebih dari satu variabel dependent sekali-
gus.
D. PERANAN STATISTIKA DALAM PENELITIAN

Statistika merupakan salah satu komponen utama dalam
tahapan metode penelitian, menentukan ukuran sampel, men-
gumpulkan, menyajikan, dan menganalisis data serta untuk me-
lihat derajat ilmiahnya. Selanjutnya peranan statistika dapat
diuraikan sebagai berikut:
1. Memberikan informasi tentang karakteristik distribusi su-
atu populasi tertentu, baik diskrit maupun kontinyu. Pen-
getahuan ini berguna dalam menghayati perilaku populasi
yang sedang diamati
2. Menyediakan prosedur praktis dalam melakukan survey
pengumpulan data melalui metode pengumpulan data
(teknik sampling). Pengetahuan ini berguna untuk men-
dapatkan hasil pengukuran yang terpercaya
3. Menyediakan prosedur praktis untuk menduga karakteris-
tik suatu populasi melalui pendekatan karakteristik sam-
pel, baik melalui metode penaksiran, metode pengujian
hipotesis, metode analisis varians. Pengetahuan ini bergu-
na untuk mengetahui ukuran pemusatan dan ukuran pe-
nyebaran serta perbedaan dan kesamaan populasi.
4. Menyediakan prosedur praktis untuk meramal keadaan
suatu obyek tertentu di masa mendatang berdasarkan
keadaan di masa lalu dan masa sekarang. Melalui metode
regresi dan metode deret waktu. Pengetahuan ini berguna
memperkecil resiko akibat ketidakpastian yang dihadapi
di masa mendatang.

5. Menyediakan prosedur praktis untuk melakukan pengu-
jian terhadap data yang bersifat kualitatif melalui statistik
non parametrik.
E. STATISTIKA PENDIDIKAN
Merujuk pada penggolongan statistika diatas, maka statis-
tika pendidikan adalah salah satu dari statistika terapan. Statis-
tika pendidikan membahas mempelajari dan mengembangkan
prinsip-prinsip, metode dan prosedur yang perlu ditempuh
atau dipergunakan dalam rangka pengumpulan, penyusunan,
penyajian, penganalisaan bahan keterangan yang berwujud
angka mengenai hal-hal yang berkaitan dengan pendidikan
(khususnya dalam proses belajar mengajar), dan penarikan
kesimpulan, pembutan perkiraan serta ramalan secara ilmiah
atas dasar kumpulan data. Bagi seorang pendidik profesional,
statistika memilki kegunaan yang cukup besar, sebab dengan
menggunakan statistika sebagai alat bantu, berbekal dengan
data
1. Memperoleh gambaran baik secara umum, maupun secara
khusus tentang suatu kedaan
2. Menyusun laporan yang berupa data kuantitatif secara
teratur, ringkas dan jelas
3. Mengetahui gejala yang satu ada hubungannya dengan ge-
jala yang lain
4. Mengetahui apakah gejala yang satu berbeda dengan ge-
jala yang lain ataukah tidak
5. Mengambil kesimpulan secara logis, mengambil keputu-
san secra tepat, serta dapat memperkirakan hal hal yang
mungkin terjadi dimasa mendatang, dan langkah apa yang
perlu dilakukan oleh seorang pendidik.
10 | Suwarno
F. DASAR-DASAR ANALISIS
Dalam melakukan penganalisisan data, Anda mungkin
akan dihadapkan dengan bilangan-bilangan yang tidak bulat,
artinya bilangan yang mengandung angka desimal. Untuk ke-
perluan praktis biasanya dapat dilakukan pembulatan bilangan
terhadap hasil analisis yang mengandung angka desimal. Di
samping itu, juga dalam penganalisisan akan banyak dijumpai
perhitungan-perhitungan yang menggunakan notasi jumlah.
Oleh karana itu, berikut ini akan dibahas aturan-aturan dalam
membulatkan sebuah bilangan dan notasi jumlah.
1. Pembulatan Bilangan
Berikut ini akan diberikan tiga buah aturan pembulatan
bilangan yang bayak digunakan dalam penganalisisan data.
Aturan 1 : Jika angka terkiri dari angka yang harus
dihilangkan kurang dari 5 maka angka
terkanan dari angka yang mendahuluinya
tetap (tidak berubah).
Contoh 1: 50,15 ton dibulatkan hingga satuan ton terdekat

menjadi 50 ton. Dalam hal ini angka-angka yang
harus dihilangkan adalah 15 dan angka terkiri
dari 15 itu adalah 1 (kurang dari 5) maka angka
terkanan yang mendahului 15, yaitu 0, tetap.
Aturan 2 : Jika angka terkiri dari angka yang harus

dihilangkan lebih dari 5 atau angka 5 diikuti
oleh angka-angka bukan nol semua maa
angka terkanan dari angka yang
mendahuluinya bertambah dengan satu.

Contoh 2 : 6895 kg dibulatkan hingga ribuan kg menjadi 7000
kg. Dalam hal ini, angka-angka yang harus dihi-
langkan adalah 895 dan angka terkiri dari 895 itu
adalah 8 (lebih dari 5) maka angka terkanan yang
mendahului 895, yaitu 6, bertambah dengan satu
menjadi 7.
Contoh 3 : 50,15001 menit dibulatkan hingga persepuluh
menit terdekat menjadi 50,2. Dalam hal ini angka-
angka yang harus dihilangkan adalah 5001 dan
angka terkiri dari 5001 adalah 5 tapi diikuti oleh
angka-angka buka nol semua maka angka terka-
nan yang mendahului 5001, yaitu 1, bertambah
dengan satu menjadi 50,2.
Aturan 3: Jika angka terkiri dari angka yang harus
dihilangkan sama dengan 5 atau angka 5
diikuti oleh angka-angka nol semua maka
angka terkanan dari angka yang
mendahuluinya tetap jika angka tersebut
genap, dan bertambah satu jika angaka
tersebut ganjil.
Contoh 4 : 14,36 gram dibulatkan hingga persepuluhan gram

terdekat menjadi 14,4 gram. Dalam hal ini angka
yang harus dihilangkan adalah angka 5 maka ang-
ka terkanan yang mendahului 5, yaitu 3 bertam-
bah satu menjadi 4 (Karena 3 merupakan angka
ganjil).
Contoh 5 : 24,5000 cm dibulatkan hingga satuan cm menjadi
24 cm. Dalam hal ini angka-angka yang harus dihi-
langkan adlah 5000 da angka terdiri dari 5000 itu
12 | Suwarno
adalah 5 maka angka terkanan yang mendahului
5000, yaitu 4 tetap (karena 4 merupakan angka
genap).
2. Notasi Jumlah
Dalam statistika banyak sekali dijumpai perhitungan-
perhitungan yang menggunakan notasi jumlah. Huruf Yunani
∑ dinyatakan sebagai operator matematika untuk penjumla-
han dan dibaca “jumlah dari”. Notasi penjumlahan ini diguna-
kan untuk menunjukkan penambahan atau penjumlahan dari
sekumpulan bilangan. Misalkan, berat badan (dicatat dalam
kg) dari 5 orang mahasiswa adalah 60, 55, 58, 62, 63. Dalam
hal ini berat badan dapat dikatakan sebagai sebuah variabel,
katakanlah X. Dengan menggunakan simbol-simbol X1 , X 2 ,
X 3 , X 4 dan X 5 untuk menyatakan berat badan dari 5 orang
mahasiswa, jumlah dari berat badan tersebut dapat ditulis se-
bagai berikut.
5
X
i 1
i
X
Notasi ini dibaca penjumlahan berat badan i dari i = 1
sampai i = 5 artinya jumlah dari lima berat badan:
5
X i
X X
i 1 = X1 + X 2 + 3 + X 4 + 5
= 60 + 55 + 58 + 62 + 63
= 298

Secara umum, jika ada n buah nilai dijumlahkan maka:
n
X i
X X
i 1 = X1 + X 2 + 3 + . . . + n
n

Kadang-kadang notasi penjumlahan i 1 disederhana-
kan menjadi  , dengan pengertian penjumlahan ini dilaku-

kan anas n buah pengamatan.
n
X i
Pengoperasian simbol i 1 dapat dilakukan sebagai be-
rikut.
i diganti 1 diperoleh X1 ,
i diganti 2 diperoleh X 2 ,
X
i diganti 3 diperoleh 3 ,.....
X
i diganti n diperoleh n .
Kemudian kia menjumlahkan semua suku-suku tersebut.

oleh karena itu, dengan cara yang sama dapat ditulis:
4
2
X i 2 2 2 2
i 1 = X1 + X 2 + X 3 + X 4
4
Y Y i i
Y3Y3 + Y4Y4
i 1 = Y1Y1 + Y2Y2 +
3
2
Y Y i i 2 2 2
i 1 = Y1Y1 + Y2Y2 + Y3Y3
14 | Suwarno
Biasanya untuk indeks banyak digunakan i, j atau k.
X
Contoh 6 : Jika X1 = 1, X 2 = 3 dan 3 = 5, maka hitunglah:
3
X i
a. i 1 =...
3
2
2X i
b. i 1 =...
3
(X i  1)
c. i 1 =...
Penyelesaian:
3
X i 2 2
X
2
a. i 1 = X1 + X 2 + 3
=1+3+5
=9
3
2
 2X i 2 2 2
b. i 1 = 2X 1 + 2X 2 + 2X 3
2 2 2
= 2(1) + 2(3) + 2(5)
= 2 + 18 + 50
= 70
3
(X i  1)
( X 3  1)
c. i 1 = ( X 1  1) + ( X 2  1) +
= (1-1) + (3-1) + (5-1)
=0+2+4
=6

X Y
Contoh 7. Jika X1 = 2, X 2 = -3, 3 = 1, Y1 = 1, Y2 = 2, dan 3 = 4
Maka hitunglah!
Y Y i i
a. i 1 =...
 3  3 2
  X i    Yi 
b.  i 1   j 1  = . . .
Penyelesaian:
3
Y Y i i
YY
a. i 1 = Y1Y1 + Y2Y2 + 3 3
= (2)(1) + (-3)(2) + (1)(4)
=2–6+4
=0
3
  3 2
  X i    Yi 
b.  i 1   j 1 

=  X 1  X 2  Y1  Y2  Y3
2 2 2


= 2   3 1  2  4
2 2 2

= (-1) (1 + 4 + 16)
= (-1) (21)
= -21
Berikut ini akan diberikan tiga buah dalil yang berkaitan

dengan notasi jumlah.
16 | Suwarno
Aturan 1. : Penjumlahan dari jumlah dua atau lebih
variabel sama dengan jumlah masing-masing
penjumlahan variabelnya. Jika ada tiga buah
variabel X, Y, dan Z maka:
n n n n
 ( X i  Yi  Z i )   X i   Y1   Z i
i 1 i 1 i 1 i 1
Bukti:
n
(X i  Yi  Z i )
i 1 = ( X1  Y1  Z1 ) + ( X 2  Y2  Z 2 ) +
( X 3  Y3  Z 3 ) + ... + ( X n  Yn  Z n )
( X  X 2  X 3  ...  X n ) +
= 1
(Y1  Y2  Y3  ...  Yn ) +
(Z1  Z 2  Z 3  ...  Z n )
n n n n
 ( X i  Yi  Z i )  X i   Yi   Z i
i 1 = i 1 i 1 i 1
Aturan 2 : Jika c adalah sebuah konstanta maka:

n n
 cX i  c X i
i 1 i 1
Bukti:

n
 cX i
cX 1  cX 2  cX 3  ...  cX n
i 1 =
c( X 1  X 2  X 3  ...  X n )
=
n
c X i
= i 1
Dalil 3 : Jika c adalah sebuah konstanta maka:

n
 c  nc
i 1
Bukti:
n
c  c  c  ...c  nc
c 
i 1 n suku
X 1  2, X 2  3, X 3  1 Y1  1, Y2  2, Y3  1
Contoh 8 : Jika
maka hitung:
3
 (3 X
i 1
i  Yi  3)
18 | Suwarno
BAB 2
DATA
A. PENGERTIAN DATA
Menurut Bahasa Inggris “Data” merupakan bentuk jamak
dari “datum’. Dalam webster’s new world dictionary tertulis
bahwa datum is something know/assemed. Artinya datum me-
rupakan suatu yang diketahui/dianggap. Dengan demikian,
data dapat diartikan sebagai sejumlah informasi yang dapat
memberikan gambaran tentang suatu keadaan atau masalah
baik yang berupa angka angka maupun yang berbentuk kate-
gori seperti baik, buruk, tinggi, rendah dan sebagainya.
B. JENIS-JENIS
1. Menurut Cara Memperolehnya
a. Data Primer
Data primer adalah secara langsung diambil dari objek/
obyek penelitian oleh peneliti perorangan maupun or-
ganisasi. Contoh : Melakukan test langsung kepada sis-
wa untuk memperoleh hasil belajar
b. Data Sekunder
Data sekunder adalah data yang didapat tidak secara

langsung dari objek penelitian. Peneliti mendapatkan
data yang sudah jadi yang dikumpulkan oleh pihak lain
dengan berbagai cara atau metode baik secara komer-
sial maupun non komersial. Contohnya adalah pada pe-
neliti yang menggunakan data statistik hasil riset dari
jurnal penelitian.
2. Berdasarkan Sumber Data
a. Data Internal
Data internal adalah data yang menggambarkan situasi
dan kondisi pada suatu organisasi secara internal. Mi-
sal: data keuangan suatu sekolah, data pegawai, dsb.
b. Data Eksternal.
Data eksternal adalah data yang menggambarkan situa-
si serta kondisi yang ada di luar organisasi. Contohnya
adalah data tentang persepsi orang tua wali murid ter-
hadap pelayanan akademik , dan lain sebagainya.
3. Berdasarkan Jenis Datanya
a. Data Kuantitatif
Data kuantitatif adalah data yang dipaparkan dalam
bentuk angka-angka. Misalnya adalah jumlah mahasis-
wa STAIN Jember tahun angkatan 2012, tinggi badan
siswa kelas 3 ips 2, nilai mahasiswadan lain-lain.
b. Data Kualitatif
Data kualitatif adalah data yang disajikan dalam bentuk
kata-kata yang mengandung makna. Contohnya seperti
persepsi siswa terhadap proses pembelajaran, angga-
pan para ahli terhadap kepribadian mahasiswa dan
lain-lain.
20 | Suwarno
4. Pembagian Jenis Data Berdasarkan Sifat Data
a. Data Diskrit
Data diskrit adalah data yang nilainya adalah bilangan
asli. Contohnya: jumlah siswa di suatu sekolah
b. Data Kontinyu
Data kontinyu adalah data yang nilainya ada pada suatu
interval tertentu atau berada pada nilai yang satu ke ni-
lai yang lainnya. Contoh: tinggi badan, panjang ukuran
celana siswa, IPK mahasiswa
5. Menurut Waktu Pengumpulannya
a. Data Cross Section
Data cross-section adalah data yang menunjukkan titik
waktu tertentu. Contohnya laporan akademik per 31
desember 2006, data IPK tahun akademik 2011, dan
lain sebagainya.
b. Data Time Series / Berkala
Data berkala adalah data yang datanya menggambar-
kan sesuatu dari waktu ke waktu atau periode secara
historis. Contoh data time series adalah data perkem-
bangan Nilai IPK dari tahun 2004 sampai 2006, dll.
6. Menurut Cara Menyusunnya
a. Data nominal
Adalah data statistik yang memuat angka yang tidak
mempunyai arti apa apa, angka yang terdapat pada da-
ta ini hanya merupakan tanda atau simbol dari obyek
yang akan di analisis. Misalnya data yang berkaitan
dengan jenis kelamin.yang disimbolkan dengan angka 1
untuk laki-laki, sementara 2 untuk perempuan. Data
nominal berfungsi untuk menggolongkan saja

b. Data Ordinal
Adalah data ststistik yang mempunyai daya berjen-
jang/urutan , seperti perbedaan antara angka yang satu
dengan yang lain tidak konstan atau tidak mempunyai
interval yang tetap. Misalnya untuk mendata hasil tes
MTK dalam beberapa kelompok.
c. Data Interval
Adalah data yang jarak antara satu afan lainnya sama
dan telah di tetapkan sebelumnaya. Data interval ini ba-
nyak digunakan dalam penelitian pendidikan.
d. Data Ratio
Adalah jenis data yang mempunyai tingkatan tertinggi,
data ini mempunyai interval yang sama juga mempu-
nyai nilai nol mutlak. Misalnya hasil pengukuran suhu,
nilai ujian pilihan ganda dsb.
C. TEKNIK PENGUMPULAN DATA

Di bawah ini adalah beberapa teknik pengumpulan data,
yaitu:
1. Angket
Agket (self-administered questionnaire) adalah teknik
pengumpulan data dengan menyerahkan atau mengirimkan
daftar pertanyaan untuk diisi sendiri oleh responden. Res-
ponden adalah orang yang menjawab atau memberikan tang-
gapan atas pertanyaan yang diajukan. Dan pertanyaan atau
pernyataan dalam angket tersebut tidak akan terlepas dari
indikator-indikator dari variabel yang terdapat pada judul pe-
nelitian
22 | Suwarno
Keuntungan Teknik Kerugian Teknik Angket
Angket
Dapat menjangkau sam- Karena dikirim melalui pos,
pel dalam jumlah besar persentase pengembalian
karena dapat dikirim angket relatif rendah
melalui pos
Biaya membuat angket Pertanyaan dalam angket da-
relatif murah pat salah ditafsirkan dan ti-
dak ada kesempatan menda-
patkan penjelasan
Tidak terlalu menggang- Tidak dapat digunakan bagi
gu responden karena pe- responden yang kurang bisa
ngisiannya ditentukan membaca dan menulis, atau
oleh responden sendiri memiliki tingkat pendidikan
yang kurang memadai
Dua macam pertanyaan dalam instrumen penelitian ada-

lah pertanyaan terbuka dan tertutup. Di bawah ini akan di-
sebutkan perbedaan antara keduanya.
Pertanyaan Terbuka Pertanyaan Tertutup
Jawaban tidak disedia- Jawaban sudah disediakan,
kan sehingga responden responden hanya memilih sa-
bebas menulis jawaban ja
sendiri sesuai pandan-
gannya
Jawaban dari responden Mudah mengolahnya karena
sangat bervariasi sehing- jawaban tidak bervariasi
ga sulit mengolahnya ka-
rena harus menggolong-
kan jawaban yang ada
Hal-hal yang perlu diperhatikan dalam menggolongkan

jawaban atas pertanyaan terbuka:

a. Penggolongan hanya didasarkan pada satu prinsip (di-
mensi) sehingga seseorang tidak masuk ke lebih dari sa-
tu golongan
b. Golongan-golongan yang dibuat harus saling meniada-
kan (mutually exclusive)
c. Golongan yang dibuat harus menyeluruh (exhaustive),
artinya tidak satupun yang tidak termasuk ke salah satu
golongan.
Pedoman yang perlu diperhatikan dalam membuat per-
tanyaan untuk instrumen penelitian (Rubin & Habibie, 1989):
a. Pertanyaan harus jelas dan tidak meragukan
b. Hindari pertanyaan atau pernyataan berganda
c. Responden harus mampu menjawab
d. Pertanyaan-pertanyaan harus relevan, artinya berke-
naan dengan tujuan penelitian
e. Pertanyaan atau pernyataan pendek adalah yang terbaik
f. Hindari pertanyaan, pernyataan, atau istilah yang bias,
termasuk tidak mengajukan pertanyaan yang sugestif
g. Mulailah pertanyaan angket dengan pertanyaan yang
menarik, tidak sensitif atau yang sangat pribadi. Untuk
pertanyaan identitas diajukan terakhir
h. Petunjuk pengisian harus jelas
2. Wawancara
Wawancara yang juga dikenal dengan interview adalah
pengumpulan data dengan mengajukan pertanyaan secara
langsung oleh pewawancara kepada responden dan jawaban
responden dicatat atau direkam. Selain itu wawancara juga
dapat dilakukan melalui telepon. Teknik wawancara dapat
digunakan pada responden yang buta huruf atau tidak terbia-
24 | Suwarno
sa membaca atau menulis, termasuk anak-anak.
Keuntungan Wawancara Kerugian Wawancara

Dapat digunakan pada res- Membutuhkan biaya yang
ponden yang tidak bisa besar untuk perjalanan pe-
membaca dan menulis ngumpul data
Pewawancara dapat segera Hanya dapat menjangkau
menjelaskan jika ada perta- jumlah responden yang le-
nyaan yang kurang dipa- bih kecil
hami
Wawancara dapat menge- Kehadiran pewawancara
cek kebenaran jawaban mungkin mengganggu res-
responden dengan menga- ponden
jukan pertanyaan pemban-
ding atau dengan melihat
wajah dan gerak-gerik res-
ponden
Dalam kegiatan wawancara calon responden berhak un-

tuk tidak bersedia menjadi responden. Untuk menghindari
hal tersebut, ada beberapa hal yang perlu diperhatikan, yaitu:
a. Penampilan fisik, termasuk cara berpakaian pewawan-
cara. Penampilan yang baik akan menciptakan kesan
yang baik di mata responden
b. Sikap dan tingkah laku pewawancara. Sikap yang baik
dan sopan akan menyenangkan responden
c. Identitas. Pewawancara harus mengenalkan dirinya, bila
perlu beserta kartu pengenal dan surat tugas
d. Persiapan. Pewawancara harus menguasai apa saja yang
akan ditanyakan pada responden
e. Pewawancara harus bersikap netral, tidak mengarahkan
jawaban responden. Bila pewawancara merasa kesulitan

dalam menggolongkan jawaban responden, tanyakan
kepada reponden kategori mana yang menurut respon-
den paling sesuai untuk jawaban itu.
3. Observasi
Observasi diartikan sebagai pengamatan dengan indera
penglihatan yang berarti tidak mengajukan pertanyaan.
Keuntungan Observasi Kerugian Observasi
Data yang diperoleh ada- Pengamat harus mengamati
lah data yang segar, ar- sampai tingkah laku yang
tinya diperoleh dari sub- diharapkan terjadi. Jika da-
jek saat terjadinya tingkah na yang tersedia cukup be-
laku sar pengamat dapat meng-
gunakan video perekam
Keabsahan alat ukur da- Beberapa tingkah laku, se-
pat diketahui langsung perti tingkah laku kriminal
yang bersifat pribadi sukar
diamati bahkan dapat mem-
bahayakan pengamat
a. Berdasarkan keterlibatan pengamat dalam kegiatan

orang yang diamati, observasi dapat dibedakan menjadi:
1) Observasi partisipan (participant observation)
Pengamat ikut serta dalam kegiatan yang dilakukan
oleh subjek yang diteliti namun tetap waspada untuk
mengamati kemunculan tingkah laku tertentu.
2) Observasi takpartisipan (nonparticipant observation)
Pengamat berada di luar subjek yang diamati
b. Berdasarkan cara pengamatan yang dilakukan, observasi
dibedakan menjadi:
26 | Suwarno
1) Observasi tak berstruktur
Pengamat tidak membawa catatan tentang tingkah
laku apa saja yang secara khusus akan diamati. Ia
akan mengamati arus peristiwa dan mencatatnya
atau meringkasnya untuk kemudian dianalisis.
2) Observasi berstruktur
Pengamat memusatkan perhatian pada tingkah laku
tertentu sehingga dapat dibuat pedoman tentang
tingkah laku apa saja yang harus diamati. Tingkah la-
ku lainnya diabaikan.
4. Studi dokumentasi
Studi dokumentasi merupakan teknik pengumpulan data
yang tidak ditujukan langsung kepada subjek penelitian. Do-
kumen yang diteliti dapat berbagai macam, tidak hanya do-
kumen resmi, bisa berupa buku harian, surat pribadi, laporan,
notulen rapat, catatan kasus (case records) dalam pekerjaan
sosial, dan dokumen lainnya.
Dokumen dapat dibedakan menjadi:
a. Dokumen primer
Dokumen ditulis oleh orang yang langsung mengalami
suatu peristiwa. Sebagai contoh adalah autobiografi
b. Dokumen sekunder
Peristiwa dilaporkan pada orang lain yang selanjutnya
ditulis oleh orang ini. Contohnya adalah biografi.
Sebagaimana metode historic, dalam studi dokumentasi
perlu dilakukan kritik terhadap sumber data, baik kritik in-
ternal maupun eksternal.

Keuntungan Studi Do- Kerugian Studi Dokumentasi
kumentasi
Merupakan cara tepat un- Karena dokumen yang dibuat bu-
tuk subjek penelitian yang kan untuk keperluan penelitian,
sukar atau sulit dijangkau data yang tersedia mungkin bias
Takreaktif. Data yang di- Catatan tentang orang ternama
perlukan tidak terpenga- mungkin disimpan dengan baik,
ruh oleh kehadiran pene- tetapi catatan tentang orang biasa
liti atau pengumpul data tidak selalu, bahkan tidak ada
(tersedia secara selektif)
Cara yang terbaik untuk Karena dokumen ditulis bukan
kasus yang bersifat longi- untuk penelitian, mungkin data
tudinal, khususnya yang yang tersedia tidak lengkap / ti-
menjangkau ke masa lalu dak tercatat pada dokumen
Teknik ini memungkin- Format dokumen dapat berma-
kan untuk mengambil cam-macam sehingga bisa mem-
sampel yang lebih besar persulit pengumpulan data dan
karena biaya yang diper- sukar memberikan kode p
lukan relatif kecil
D. TEKNIK PENGUMPULAN DATA DENGAN TES

Secara operasional tes dapat didefinisikan sejumlah tugas
yang harus dikerjakan oleh yang dites (Joni,1984:6). Test me-
rupakan suatu metode penelitian psikologis untuk memperoleh
informasi tentang berbagai aspek dalam tingkah laku dan kehi-
dupan batin seseorang, dengan menggunakan pengukuran
(measurement) yang menghasilkan suatu deskripsi kuantitatif
tentang aspek yang diteliti.
Dilihat dari aspek yang diukur tes dapat dibagi menjadi
dua bagian: tes psikologis dan tes non psikologis, nama tes psi-
kologis dibedakan menjadi dua macam: Pertama, Tes psikologis
yang tertuju pada aspek efektif (non intelektual). Tes yang di-
rancang untuk tujuan ini umumnya dikenal dengan tes kepri-
28 | Suwarno
badian.Walaupun beberapa psikolog menggunkan dengan isti-
lah kepribadian untuk pengertian yang lebih luas, yaitu menga-
cu pada seluruh individu (Anastasia,1982:17). Dalam termino-
logi pengukuran psikologi, nama tes kepribadian hanya digu-
nakan untuk mengukur aspek afektif individu, seperti pernya-
tan emosional, hubungan interpersonal,persepsi, sikap, motiva-
si, dan minat.
Jenis kedua dari tes psikologis adalah tes yang direspon
didasarkan pada kemampuan intelektual. Oleh sebab itu, jenis
tes ini sering disebut tes kemampuan(ability test)yang menca-
kup tes bakat dan tes kemahiran. Tes prestasi bealajar temasuk
dalam kategori tes kemahiran. Dalam literatur berbahasa
inggris tentang pengukuran dan penilaian pendidikan, biasanya
dibicarakan dua jenis tes yang dikenal dengan tes baku dan tes
buatan guru. Dalam kegiatan penelitian, jenis tes yang disebut
belakangan bisa disenut tes buatan peneliti. Kedua jenis tes ini
penting dipehatikan dalam proses pengumpulan data karena
erat hubungannya dengan data yang diperoleh.Tes baku me-
persyaratkan adanya kesamaan kondisi pelaksanaan (petunjuk,
waktu, alat-alat yang digunkan) bagi oarang yang mengambil-
nya. Tanpa adanya kesamaan kondisi antara pelaksanaan dan
yang dipersyaratkan, maka norma-norma serta validitas dan
reliabilitas yang dicantumkan dalam pedoman pemakaian
(manual) menjadi kecil manfaatnya.
Ditinjau dari sasaran atau subjek yang akan diukur, maka
dibedakan adanya beberapa macam tes dan alat ukur.
1. Tes kepribadian atau personality test, yaitu tes yang digun-
kan untuk mengungkap kepriadian seseorang.
2. Tes bakat atau aptitude test, yaitu tes yang digunakan un-
tuk mengetahui dan mengukur bakat seseorang, misalnya

bakat bahasa.
3. Tes intelegensi atau intellengence test, yaitu tes yang di-
gunakan untuk memperkirakan tingkat intelektual seseo-
rang dengan cara memberikan beberapa tugas kepada
orang yang akan diukur intelegensinya.
4. Tes sikap atau attitude test, yang sering disebut dengan
skala sikap, yaitu alat yang digunakan untuk mengukur si-
kap seseorang terhadap sesuatu.
5. Tes minat atau measures of interest, yaitu alat untuk
menggali minat seseorang terhadap sesuatu.
6. Tes prestasi belajar atau achievement test, yaitu tes yang
digunakan untuk mengukur pencapaian seseotang setelah
mempelajari sesuatu dalam periode tertentu. Tes hasil be-
lajar boiasanya digunakan untuk mengukur variable ter-
gantung dalam penelitian pendidikan, misalnya THB pada
akhir semester.
7. Tes kemampuan atau proficiency test, yaitu suatu tes yang
digunakan untuk mengukur kemampuan seseorang misal-
nya kemampuan berbahasa inggris. Berbeda dengan tes
hasil belajar yang diberikan setelah seseorang mengikuti
program belajar, maka tes kemapuan dapat diberika ka-
pan saja, tidak tergantung apakah seseorang tersebut telah
mengikuti suatu program pengajaran tertentu atau tidak.
Kelebihan dan kelemahan teknik tes:
Kelebihan teknik tes adalah :
a. Lebih akurat karena test berulang-ulang direvisi.
b. Instrument penelitian yang objektif.
Kelemahan teknik tes adalah :
a. Hanya mengukur satu aspek data.
30 | Suwarno
b. Memerlukan jangka waktu yang panjang karena harus
dilakukan secara berulang-ulang.
c. Hanya mengukur keadaan siswa pada saat test itu dila-
kukan. yaitu uji validitas dan uji reliabilitas.
Instrumen–instrumen dalam ilmu sosial baik yang beru-pa
test atau angket sudah ada yang baku (standar) karena telah te-
ruji validitas dan reliabilitasnya, teatapi banyak juga yang be-
lum baku, bahkan belum ada. Untuk itu peneliti harus menyu-
sun sendiri instrumen dan menguji validitas dan reliabilitasnya.
1. Pengujian Validitas Instrumen

Instrumen yang valid berarti alat ukur yang digunakan
untuk mendapatkan data (mengukur) itu valid. Valid berarti
instrumen tersebut dapat digunakan untuk mengukur apa
yang seharusnya di ukur.
a. Pengujian Validitas Konstrak (Cunstruct Validity)
Untuk menguji validitas konstrak, dapat digunakan
pendapat dari para ahli. Dalam hal ini setelah instrumen di-
konstruksi tentang aspek-aspek yang akan diukur dengan
berlandaskan teori tertentu, maka selanjutnya dikonsulta-
sikan dengan ahli. Para ahli diminta pendapatnya tentang
instrumen yang telah disusun. Mungkin para ahli akan
memberi keputusan: instrumen dapat digunakan tanpa per-
baikan, ada perbaikan, dan mungkin dirombak total.
b. Pengujian Validitas Isi (Content Validity)
Pengujian validitas isi dapat dilakukan dengan mem-
bandingkan antara isi instrumen dengan materi. Secara tek-
nis pengujian validitas konstrak dan validitas isi dapat iban-
tu dengan menggunakan kisi-kisi instrumen atau matrik pe-

ngembangan instrumen. Dalam kisi-kisi terdapat variabel
yang diteliti, indikator sebagai tolak ukur dan nomor butir
(item) pertanyaan atau pernyataan yang telah dijabarkan
dari indikator. Dengan kisi-kisi instrumen itu maka penguji-
an validitas dapat dilakukan dengan mudah dan sistematis.
c. Pengujian Validitas Eksternal
Validitas eksternal instrumen diuji dengan cara mem-
bandingkan (untuk mencari kesamaan) antara kriteria yang
ada pada instrumen dengan fakta-fakta empiris yang terjadi
di lapangan. Instrumen penelitian yang mempunyai validi-
tas eksternal yang tinggi akan mengakibatkan hasil peneli-
tian yang tinggi pula.
32 | Suwarno
BAB 3
PENYAJIAN DATA
Hasil pengukuran yang kita peroleh disebut dengan data

mentah. Besarnya hasil pengukuran yang kita peroleh biasanya
bervariasi. Apabila kita perhatikan data mentah tersebut, sa-
ngatlah sulit bagi kita untuk menarik kesimpulan yang berarti.
Untuk memperoleh gambaran yang baik mengenai data terse-
but, data mentah tersebut perlu di olah terlebih dahulu.
A. PENYAJIAN DATA DENGAN TABEL

Pada saat kita dihadapkan pada sekumpulan data yang ba-
nyak, seringkali membantu untuk mengatur dan merangkum
data tersebut dengan membuat tabel yang berisi daftar nilai da-
ta yang mungkin berbeda (baik secara individu atau berdasar-
kan pengelompokkan) bersama dengan frekuensi yang sesuai,
yang mewakili berapa kali nilai-nilai tersebut terjadi. Daftar se-
baran nilai data tersebut dinamakan dengan Daftar Frekuensi
atau Sebaran Frekuensi (Distribusi Frekuensi).
Dengan demikian, distribusi frekuensi adalah daftar nilai
data (bisa nilai individual atau nilai data yang sudah dikelom-
pokkan ke dalam selang interval tertentu) yang disertai dengan

nilai frekuensi yang sesuai. Pengelompokkan data ke dalam be-
berapa kelas dimaksudkan agar ciri-ciri penting data tersebut
dapat segera terlihat. Daftar frekuensi ini akan memberikan
gambaran yang khas tentang bagaimana keragaman data. Sifat
keragaman data sangat penting untuk diketahui, karena dalam
pengujian-pengujian statistik selanjutnya kita harus selalu
memperhatikan sifat dari keragaman data. Tanpa memperhati-
kan sifat keragaman data, penarikan suatu kesimpulan pada
umumnya tidaklah sah.
Sebagai contoh, perhatikan contoh data pada Tabel 1. Ta-
bel tersebut adalah daftar nilai ujian Matakuliah Statistik dari
80 Mahasiswa (Sudjana, 19xx).
Tabel 1. Daftar Nilai Ujian Matakuliah Statistik
79 49 48 74 81 98 87 80
80 84 90 70 91 93 82 78
70 71 92 38 56 81 74 73
68 72 85 51 65 93 83 86
90 35 83 73 74 43 86 88
92 93 76 71 90 72 67 75
80 91 61 72 97 91 88 81
70 74 99 95 80 59 71 77
63 60 83 82 60 67 89 63
76 63 88 70 66 88 79 75
Sangatlah sulit untuk menarik suatu kesimpulan dari daf-

tar data tersebut. Secara sepintas, kita belum bisa menentukan
berapa nilai ujian terkecil atau terbesar. Demikian pula, kita be-
lum bisa mengetahui dengan tepat, berapa nilai ujian yang pal-
34 | Suwarno
ing banyak atau berapa banyak mahasiswa yang mendapatkan
nilai tertentu. Dengan demikian, kita harus mengolah data ter-
sebut terlebih dulu agar dapat memberikan gambaran atau ke-
terangan yang lebih baik.
Bandingkan dengan tabel yang sudah disusun dalam ben-
tuk daftar frekuensi (Tabel 2a dan Tabel 2b). Tabel 2a merupa-
kan daftar frekuensi dari data tunggal dan Tabel 2b merupa-
kan daftar frekuensi yang disusun dari data yang sudah di ke-
lompokkan pada kelas yang sesuai dengan selangnya. Kita bisa
memperoleh beberapa informasi atau karakteristik dari data
nilai ujian mahasiswa.
Tabel 2a.
No Nilai Ujian Frekuensi
(xi ) ( fi )
1 35 1
2 36 0
3 37 0
4 38 1
: : :
16 70 4
17 71 3
: : 1
42 98 1
43 99 1
Total 80
Pada Tabel 2a, kita bisa mengetahui bahwa ada 80 maha-

siswa yang mengikuti ujian, nilai ujian terkecil adalah 35 dan
tertinggi adalah 99. Nilai 70 merupakan nilai yang paling ba-

nyak diperoleh oleh mahasiswa, yaitu ada 4 orang, atau kita ju-
ga bisa mengatakan ada 4 mahasiswa yang memperoleh nilai
70, tidak ada satu pun mahasiswa yang mendapatkan nilai 36,
atau hanya satu orang mahasiswa yang mendapatkan nilai 35.
Tabel 2b.
Kelas Nilai Ujian Frekuensi fi
ke-
1 31 – 40 2
2 41 – 50 3
3 51 – 60 5
4 61 – 70 13
5 71 – 80 24
6 81 – 90 21
7 91 – 100 12
Jumlah 80
Tabel 2b merupakan daftar frekuensi dari data yang sudah

dikelompokkan. Daftar ini merupakan daftar frekuensi yang se-
ring digunakan. Kita sering kali mengelompokkan data contoh
ke dalam selang-selang tertentu agar memperoleh gambaran
yang lebih baik mengenai karakteristik dari data. Dari daftar
tersebut, kita bisa mengetahui bahwa mahasiswa yang mengi-
kuti ujian ada 80, selang kelas nilai yang paling banyak dipero-
leh oleh mahasiswa adalah sekitar 71 sampai 80, yaitu ada 24
orang, dan seterusnya. Hanya saja perlu diingat bahwa dengan
cara ini kita bisa kehilangan identitas dari data aslinya. Sebagai
contoh, kita bisa mengetahui bahwa ada 2 orang yang menda-
patkan nilai antara 31 sampai 40. Meskipun demikian, kita ti-
dak akan tahu dengan persis, berapa nilai sebenarnya dari 2
orang mahasiswa tersebut, apakah 31 apakah 32 atau 36 dst.
36 | Suwarno
Data tersebar adalah data yang nilai-nilainya belum dis-
usun dalam tabel distribusi frekuensi. Data terkelompok adalah
data yang nilai-nilainya sudah disusun dalam tabel distribusi
frekuensi.
DAFTAR 2 (3)
Bentuk Umum Tabel Distribusi Frekuensi
Nilai Data Frekuensi

a–b f1
c–d
f2
e–f
g–h f3
i–j f4
f1
5
Jumlah f
i 1
1
Dari bentuk umum di atas, tabel distribusi frekuensi dapat

didefinisikan sebagai sebuah tabel yang berisi nilai-nilai data
dengan nilai-nilai tersebut dikelompokkan ke dalam interval-
interval dan setiap interval nilai masing-masing mempunyai
frekuensinya.
Mungkin ada orang yang akan mendefinisikan tabel distri-
busi frekuensi berbeda dari definisi di atas. Hal ini tidak menja-
di masalah, asalkan pemberian definisi tersebut harus sesuai
dengan bentuk umumnya.
Dalam tabel distribusi frekuensi, ada beberapa istilah yang
digunakan di dalamnya, antara lain:

a. Kelas Interval adalah kelompok nilai data yang berupa
interval. Dari Daftar 2 (3), tabel distribusi frekuensi terdiri
dari lima kelas interval.
a – b merupakan kelas interval pertama,
c – d merupakan kelas interval kedua,
e – f merupakan kelas interval ketiga,
g – h merupakan kelas interval keempat, dan
i – j marupakan kelas interval kelima.
b. Ujung Bawah adalah bilangan yang terdapat di sebelah

kiri interval nilai data untuk setiap kelas interval. Dari ben-
tuk 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.
c. Ujung Atas adalah bilangan yang terdapat di sebelah ka-

nan interval nilai data untuk setiap kelas interval. Dari
bentuk umum dalam Daftar 2 (3) maka ujung-ujung atas-
nya 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.
38 | Suwarno
d. Batas Bawah adalah bilangan yang diperoleh dengan cara
ujung bawah dikurangi ketelitian data yang digunakan. Da-
lam hal ini, ketelitian data yang digunakan bergantung pa-
da pencatatan datanya.
a. Jika data yang digunakannya dicatat dalam bilangan bu-
lat, 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.
e. Batas Atas adalah bilangan yang diperoleh dengan cara

ujung atas ditambah ketelitian data yang digunakan. Kete-
litian datanya sama dengan ketelitian data dalam menen-
tukan batas bawah.
Misal datanya dicatat dalam bilangan bulat maka dari ben-
tuk umum Daftar 2 (3) batas-batas atasnya adalah:
b + 0,5 merupakan batas atas kelas interval pertama,
d + 0,5 merupakan batas atas kelas interval kedua,
f + 0,5 merupakan batas atas kelas interval ketiga,
h + 0,5 merupakan batas atas kelas interval keempat,

j + 0,5 merupakan batas atas kelas interval kelima.
f. Titik Tengah (Tanda Kelas) adalah bilangan yang diper-

oleh dengan cara ujung bawah ditambah ujung atas, kemu-
dian hasilnya dibagi dua untuk setiap kelas interval.
1
Titik Tengan = 2 (Ujung Bawah + Ujung Atas)
Dari bentuk umum dalam Daftar 2 (3) maka kelima titik te-
ngahnya adalah sebagai berikut.
1
( a  b)
2 merupakan titik tengah kelas interval pertama,
1
(c  d )
2 merupakan titik tengah kelas interval kedua,
1
(e  f )
2 merupakan titik tengah kelas interval ketiga,
1
( g  h)
2 merupakan titik tengah kelas interval keempat,
1
(i  j )
2 merupakan titik tengah kelas interval kelima.
g. Panjang Kelas adalah bilangan yang diperoleh dari jarak/

selisih antara ujung bawah dan ujung atas, dengan ujung
bawahnya termasuk dihitung. Untuk data yang dicatat da-
lam bilangan bulat, hal ini mudah, tetapi untuk data yang
dicatat dalam bilangan desimal, hal ini akan mengalami ke-
sulitan. Ada beberapa cara dalam menentukan panjang ke-
las untuk kelas interval tertentu dari tabel distribusi freku-
ensi yang sudah tersedia, antara lain:
a. Ujung bawah kelas interval berikutnya dikurangi ujung
40 | Suwarno
bawah kelas interval yang bersangkutan;
b. Batas bawah kelas interval berikutnya dikurangi batas
bawah kelas interval yang bersangkutan;
c. Ujung atas kelas interval berikutnya dikurangi ujung
atas kelas interval yang bersangkutan;
d. Batas atas kelas interval berikutnya dikurangi batas
atas kelas interval yang bersangkutan;
e. Ujung atas dikurangi ujung bawah masing-masing un-
tuk kelas interval yang bersangkutan, kemudian hasil-
nya ditambah dengan dua kali ketelitian data yang digu-
nakan. Perhitungan ketelitian datanya sama dengan
perhitungan batas bawah.
Untuk menyusun sekumpulan data ke dalam tabel distri-

busi frekuensi dengan panjang kelas yang sama untuk setiap
kelas interval diperlukkan langkah-langkah sebagai berikut.
a. Tentukan Nilai Rentang

Rentang diperoleh dengan cara nilai data yang terbesar
dikurangi nilai data terkecil.
Range (R) = Nilai Data Terbesar – Nilai Data Terkecil
Dalam hal ini diperlukan ketelitian dan kecermatan dalam
memilih data terbesar dan data terkecil, jangan sampai sa-
lah memilih. Hal ini akan lebih sukar lagi, jika data yang di-
gunakannya dicatat dalam bilangan desimal.
b. Tentukan Banyak Kelas yang Digunakan

Biasanya banyak kelas yang digunakan itu paling sedikit 5
buah dan paling banyak 15 buah, sehingga dapat ditulis
5 < BANYAK KELAS < 15

Ada sebuah aturan untuk menentukan banyak kelas yang
digunakan untuk membuat sebuah tabel distribusi freku-
ensi, yaitu ATURAN STURGES dengan rumusnya sebagai
berikut:
k  1  (3,3  log n)
Dengan: k = Banyak kelas interval
n = Banyak data yang digunakan
Jika kita memperhatikan perumusan di atas, hasil akhir
dari perhitungannya pasti berupa bilangan desimal. Kare-
na banyak kelas harus merupakan bilangan bulat, maka
hasil akhir harus dibulatkan. Pembulatan bilangannya bo-
leh dilakukan ke bawah atau ke atas, tapi sebaiknya pem-
bulatan bilangannya dilakukan ke atas.
c. Tentukan Panjang Kelas

Panjang kelas diperoleh dengan cara nilai rentang dibagi
dengan banyak kelas, sehingga dapat ditulis:
R
p
k
Dengan: p = Panjang kelas
R = Range
k = Banyak Kelas
Jika kita memperhatikan perumusan di atas, maka hasil
akhir dari perhitungannya biasanya berupa bilangan desi-
mal. 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
42 | Suwarno
desimal, maka panjang kelas pun dicatat dalam bila-
ngan satu desimal.
c. Jika data yang digunakan dicatat dalam bialngan dua
desimal, maka panjang kelas pun dicatat dalam bila-
ngan dua desimal.
d. Dan seterusnya.
d. Tentukan Nilai Ujung Bawah Kelas Interval Pertama

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

Untuk memudahkan sebaiknya dibuat kolom tersendiri
yang berisi garis miring (tally/turus) sesuai dengan kelas
intervalnya. Selanjutnya jumlahkan semua tally/turus,
yang terdapat pada masing-masing kelas interval. Kemu-
dian nilai jumlah tersebut diletakkan pada kolom tersen-
diri. Kolom tersendiri ini disebut kolom Tally.
Contoh: Berikut ini diberikan data mengenai hasil tenta-
men tengah semester, mata kuliah Statistik dari
mahasiswa Program S-1 Jurusan Pendidikan
Matematika di IKIP.
65 72 67 82 72 91 67 73 71 70
85 87 68 86 83 90 74 89 75 61
65 76 71 65 91 79 75 69 66 85
95 74 73 68 86 90 70 71 88 68
Susunlah data di atas ke dalam tabel distribusi frekuensi

dengan panjang kelas yang sama.
Penyelesaian:
Langkah-langkah penyusunannya adalah sebagai berikut.
1. Rentang = R = 95 – 61 = 34
2. Banyak kelas = k  1  (3,3  log n)
k  1  (3,3  log 40)
k  1  (3,3  1,6021)
k  1 5,2868
k  6,2868
Jika, banyak kelas yang digunakan bisa 6 buah atau 7
buah.
Di sini akan diambil banyak kelas sebanyak 7 buah.
R
p
3. Panjang kelas = k
34
p
7 = 4,86
Karena datanya dicatat dalam bilangan bulat, maka
panjang kelasnya diambil 5.
4. Ujung bawah kelas interval pertamanya diambil nilai
44 | Suwarno
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 de-
ngan kelas interval pertama ditulis /. Selanjutnya,
nilai 65 dicoret agar tidak dihitung dua kali.
b. Nilai 67 termasuk ke dalam kelas interval kedua ya-
itu 66 – 70 dan pada kolom tally yang sesuai kelas
interval kedua ditulis /. Selanjutnya nilai 67 dicoret
agar tidak dihitung dua kali.
c. Nilai 72 termasuk ke dalam kelas interval ketiga,
yaitu 71 – 75 dan pada kolom tally yang sesuai de-
ngan kelas interval ketiga ditulis /. Selanjutnya nilai
72 dicoret agar tidak dihitung dua kali.
d. Dan seterusnya sampai nilai data yang terakhir.
Hasilnya dapat dilihat dalam Daftar 2 (4).
Tabel 3
Hasil Tentamen Tengah Semester Statistika
Hasil Tentamen Tally Banyak Mahasiswa

61 – 65 IIII 4
66 – 70 IIII IIII 9
71 – 75 IIII IIII I 11
76 – 80 II 2
81 – 85 IIII 4
86 – 90 IIII II 7
91 – 95 III 3
Jumlah 40

f. Distribusi Frekuensi Relatif dan Kumulatif
Variasi penting dari distribusi frekuensi dasar adalah de-
ngan menggunakan nilai frekuensi relatifnya, yang disusun
dengan membagi frekuensi setiap kelas dengan total dari
semua frekuensi (banyaknya data). Sebuah distribusi fre-
kuensi relatif mencakup batas-batas kelas yang sama
seperti TDF, tetapi frekuensi yang digunakan bukan fre-
kuensi aktual melainkan frekuensi relatif. Frekuensi relatif
kadang-kadang dinyatakan sebagai persen.
Frekuensi relatif =
Contoh: frekuensi relatif kelas ke-1:
fi = 2; n = 80
Frekuensi relatif = 2/80 x 100% = 2.5%
Kelas ke- Nilai Ujian Frekuensi relatif (%)
1 31 – 40 2.50
2 41 – 50 3.75
3 51 – 60 6.25
4 61 – 70 16.25
5 71 – 80 30.00
6 81 – 90 26.25
7 91 – 100 15.00
Jumlah 100.00
g. Distribusi Frekuensi kumulatif

Variasi lain dari distribusi frekuensi standar adalah fre-
kuensi kumulatif. Frekuensi kumulatif untuk suatu kelas
adalah nilai frekuensi untuk kelas tersebut ditambah de-
ngan jumlah frekuensi semua kelas sebelumnya.
Perhatikan bahwa kolom frekuensi selain label headernya
46 | Suwarno
diganti dengan frekuensi kumulatif kurang dari, batas-ba-
tas kelas diganti dengan “kurang dari” ekspresi yang
menggambarkan kisaran nilai-nilai baru.
Nilai Ujian Frekuensi kumulatif kurang dari

kurang dari 30.5 0
kurang dari 40.5 2
kurang dari 50.5 5
kurang dari 60.5 10
kurang dari 70.5 23
kurang dari 80.5 47
kurang dari 90.5 68
kurang dari 100.5 80
atau kadang disusun dalam bentuk seperti ini:
Nilai Ujian Frekuensi kumulatif kurang dari

kurang dari 41 2
kurang dari 51 5
kurang dari 61 10
kurang dari 71 23
kurang dari 81 47
kurang dari 91 68
kurang dari 101 80
B. MENYAJIAKAN DATA DALAM BENTUK GRAFIK ATAU DIAGRAM

Maksud dan tujuan menyajukan data statistik dalam ben-
tuk grafik atau diagram adalah memudahkan pemberian infor-
masi secara visual. Penyajian data dalam bentuk grafik maupun

diagram sangat banyak digunakan. Karena kedua bentuk ini
sangat efektif untuk menyebarkan informasi baik melalui me-
dia surat kabar, majalah, maupun laporan-laporan statistik.
1. Diagram Lambang
Diagram lambang adalah penyajian data statistik dalam
bentuk gambar-gambar dengan ukuran tertentu untuk me-
nunjukkan nilai masing-masing data.
Contoh:
Jumlah lulusan STAIN dari Tahun 2001-2005 adalah sebagai
berikut:
No Tahun Jumlah lulusan
1 2001 200
2 2002 250
3 2003 350
4 2004 400
5 2005 500
Jumlah 1700
Data di atas disajikan dengan diagram lambang adalah seba-

gai berikut:
Jumlah Lulusan STAIN Dari Tahun 2001-2005
2001 
2002 
2003 
2004 
2005 
Keterangan : = 50
48 | Suwarno
2. Histogram
Histogram adalah merupakan bagian dari grafik batang
di mana skala horisontal mewakili nilai-nilai data kelas dan
skala vertikal mewakili nilai frekuensinya. Tinggi batang se-
suai dengan nilai frekuensinya, dan batang satu dengan lain-
nya saling berdempetan, tidak ada jarak/ gap diantara batang.
Kita dapat membuat histogram setelah tabel distribusi fre-
kuensi data pengamatan dibuat.
3. Poligon Frekuensi:
Poligon Frekuensi menggunakan segmen garis yang
terhubung ke titik yang terletak tepat di atas nilai-nilai titik
tengah kelas. Ketinggian dari titik-titik sesuai dengan fre-
kuensi kelas, dan segmen garis diperluas ke kanan dan kiri se-
hingga grafik dimulai dan berakhir pada sumbu horizontal

.
4. Ogive
Ogive adalah grafik garis yang menggambarkan frekuen-
si kumulatif, seperti daftar distribusi frekuensi kumulatif. Per-
hatikan bahwa batas-batas kelas dihubungkan oleh segmen
garis yang dimulai dari batas bawah kelas pertama dan ber-
akhir pada batas atas dari kelas terakhir. Ogive berguna un-
tuk menentukan jumlah nilai di bawah nilai tertentu. Sebagai
contoh, pada gambar berikut menunjukkan bahwa 68 maha-
siswa mendapatkan nilai kurang dari 90.5.
50 | Suwarno
BAB 4
UKURAN PEMUSATAN
DATA
Salah satu aspek yang paling penting untuk menggambar-

kan distribusi data adalah nilai pusat data pengamatan (tenden-
si sentral). Setiap pengukuran aritmatika yang ditujukan untuk
menggambarkan suatu nilai yang mewakili nilai pusat atau nilai
sentral dari suatu gugus data (himpunan pengamatan) dikenal
sebagai ukuran tendensi sentral.
Terdapat tiga ukuran tendensi sentral yang sering diguna-
kan, yaitu:
 Mean (Rata-rata hitung/rata-rata aritmetika)
 Median
 Mode
A. MEAN (ARITHMETIC MEAN)

Rata-rata hitung atau arithmetic mean atau sering disebut
dengan istilah mean saja merupakan metode yang paling ba-
nyak digunakan untuk menggambarkan ukuran tendensi sen-
tral. Mean dihitung dengan menjumlahkan semua nilai data pe-
ngamatan kemudian dibagi dengan banyaknya data. Definisi

tersebut dapat di nyatakan dengan persamaan berikut:
Sampel:
Populasi:
Keterangan:
∑ = lambang penjumlahan semua gugus data pengamatan
n = banyaknya sampel data
N = banyaknya data populasi
= nilai rata-rata sampel
μ = nilai rata-rata populasi
Mean dilambangkan dengan (dibaca “x-bar”) jika kumpu-
lan data ini merupakan contoh (sampel) dari populasi, sedang-
kan jika semua data berasal dari populasi, mean dilambangkan
dengan μ (huruf kecil Yunani mu).
Sampel statistik biasanya dilambangkan dengan huruf Ing-
gris, , sementara parameter-parameter populasi biasanya di-
lambangkan dengan huruf Yunani, misalnya μ
1. Rata-rata hitung (Mean) untuk data tunggal
Contoh 1:
Hitunglah nilai rata-rata dari nilai ujian matematika kelas
3 SMU berikut ini:
2; 4; 5; 6; 6; 7; 7; 7; 8; 9
Jawab:
52 | Suwarno
Nilai rata-rata dari data yang sudah dikelompokkan bisa
dihitung dengan menggunakan formula berikut:
Keterangan:
fi = frekuensi data ke-i
n = banyaknya sampel data
Contoh 2:
Berapa rata-rata hitung pada tabel frekuensi berikut:
xi fi
70 5
69 6
45 3
80 1
56 1
Catatan: Tabel frekuensi pada tabel di atas merupakan ta-
bel frekuensi untuk data tunggal, bukan tabel frekuensi da-
ri data yang sudah dikelompokkan berdasarkan selang/
kelas tertentu.
Jawab:
xi fi fixi
70 5 350
69 6 414
45 3 135
80 1 80
56 1 56
Jumlah 16 1035

2. Mean dari data distribusi Frekuensi atau dari gabungan:
Distribusi Frekuensi:
Rata-rata hitung dari data yang sudah disusun dalam ben-
tuk tabel distribusi frekuensi dapat ditentukan dengan
menggunakan formula yang sama dengan formula untuk
menghitung nilai rata-rata dari data yang sudah dikelom-
pokkan, yaitu:
Keterangan:
fi = frekuensi data ke-i
Contoh 3:
Tabel berikut ini adalah nilai ujian statistik 80 mahasiswa
yang sudah disusun dalam tabel frekuensi. Berbeda de-
ngan contoh 2, pada contoh ke-3 ini, tabel distribusi freku-
ensi dibuat dari data yang sudah dikelompokkan berdasar-
kan selang/kelas tertentu (banyak kelas = 7 dan panjang
kelas = 10).
54 | Suwarno
Kelas ke- Nilai Ujian fi
1 31 – 40 2
2 41 – 50 3
3 51 – 60 5
4 61 – 70 13
5 71 – 80 24
6 81 – 90 21
7 91 – 100 12
Jumlah 80
Jawab:
Buat daftar tabel berikut, tentukan nilai pewakilnya (xi)
dan hitung fixi.
Kelas ke- Nilai Ujian fi xi fixi
1 31 – 40 2 35.5 71.0
2 41 – 50 3 45.5 136.5
3 51 – 60 5 55.5 277.5
4 61 – 70 13 65.5 851.5
5 71 – 80 24 75.5 1812.0
6 81 – 90 21 85.5 1795.5
7 91 – 100 12 95.5 1146.0
Jumlah 80 6090.0
Catatan: Pendekatan perhitungan nilai rata-rata hitung de-

ngan menggunakan distribusi frekuensi kurang akurat di-
bandingkan dengan cara perhitungan rata-rata hitung de-
ngan menggunakan data aktualnya. Pendekatan ini seha-

rusnya hanya digunakan apabila tidak memungkinkan un-
tuk menghitung nilai rata-rata hitung dari sumber data as-
linya.
Rata-rata Gabungan atau rata-rata terboboti (Weighted
Mean)
Rata-rata gabungan (disebut juga grand mean, pooled me-
an, atau rata-rata umum) adalah cara yang tepat untuk
menggabungkan rata-rata hitung dari beberapa sampel.
Contoh 4:
Tiga sub sampel masing-masing berukuran 10, 6, 8 dan ra-
ta-ratanya 145, 118, dan 162. Berapa rata-ratanya?
Jawab:
Kebaikan:
a. Mudah diingat, dimengerti, dipahami dan dihitung
b. Tingkat perubahan data tidak terlalu mempengaruhi
prosedur perhitungan
c. Berdasarkan populasi/sampel yang ada.
Kelemahan:
a. Nilai ekstrim besar pengaruhnya
b. Kelas terbuka sulit ditentukan rata-ratanya.
B. MEDIAN
Median dari n pengukuran atau pengamatan x1, x2 ,…, xn
adalah nilai pengamatan yang terletak di tengah gugus data se-
telah data tersebut diurutkan. Apabila banyaknya pengamatan
56 | Suwarno
(n) ganjil, median terletak tepat ditengah gugus data, sedang-
kan bila n genap, median diperoleh dengan cara interpolasi yai-
tu rata-rata dari dua data yang berada di tengah gugus data. De-
ngan demikian, median membagi himpunan pengamatan men-
jadi dua bagian yang sama besar, 50% dari pengamatan terle-
tak di bawah median dan 50% lagi terletak di atas median.
Median sering dilambangkan dengan (dibaca “x-tilde”)
apabila sumber datanya berasal dari sampel (dibaca “μ-tilde”)
untuk median populasi. Median tidak dipengaruhi oleh nilai-ni-
lai aktual dari pengamatan melainkan pada posisi mereka.
Prosedur untuk menentukan nilai median, pertama urut-
kan data terlebih dahulu, kemudian ikuti salah satu prosedur
berikut ini:
 Banyak data ganjil → mediannya adalah nilai yang berada
tepat di tengah gugus data
 Banyak data genap → mediannya adalah rata-rata dari dua
nilai data yang berada di tengah gugus data
a. Median data tunggal:
Untuk menentukan median dari data tunggal, terlebih dulu
kita harus mengetahui letak/posisi median tersebut. Posisi
median dapat ditentukan dengan menggunakan formula
berikut:
dimana n = banyaknya data pengamatan.

Median apabila n ganjil:
Contoh 5:
Hitunglah median dari nilai ujian matematika kelas 3 SMU
berikut ini:

8; 4; 5; 6; 7; 6; 7; 7; 2; 9; 10
Jawab:
 data: 8; 4; 5; 6; 7; 6; 7; 7; 2; 9; 10
 setelah diurutkan: 2; 4; 5; 6; 6; 7; 7; 7; 8; 9; 10
 banyaknya data (n) = 11
 posisi Me = ½(11+1) = 6
 jadi Median = 7 (data yang terletak pada urutan ke-6)
Nilai Ujian 2 4 5 6 6 7 7 7 8 9 10
Urutan data ke- 1 2 3 4 5 6 7 8 9 10 11
↑
Median apabila n genap:
Contoh 6:
Hitunglah median dari nilai ujian matematika kelas 3 SMU
berikut ini:
8; 4; 5; 6; 7; 6; 7; 7; 2; 9
Jawab:
 data: 8; 4; 5; 6; 7; 6; 7; 7; 2; 9
 setelah diurutkan: 2; 4; 5; 6; 6; 7; 7; 7; 8; 9
 banyaknya data (n) = 10
 posisi Me = ½(10+1) = 5.5
 Data tengahnya: 6 dan 7
 jadi Median = ½ (6+7) = 6.5 (rata-rata dari 2 data yang
terletak pada urutan ke-5 dan ke-6)
Nilai Ujian 24 5 6 67 7 7 8 9
Urutan data ke- 1 2 3 4 5 6 7 8 9 10
↑
58 | Suwarno
b. Median dalam distribusi frekuensi:
Formula untuk menentukan median dari tabel distribusi
frekuensi adalah sebagai berikut:
b = batas bawah nyata kelas median dari kelas selang yang

mengandung unsur atau memuat nilai median
p = panjang kelas median
n = ukuran sampel/banyak data
f = frekuensi kelas median
F = Jumlah semua frekuensi dengan tanda kelas lebih kecil
dari kelas median (∑fi)
Contoh 7:
Tentukan nilai median dari tabel distribusi frekuensi pada
Contoh 3 di atas!
Jawab:
Kelas ke- Nilai Ujian fi fkum
1 31 – 40 2 2
2 41 – 50 3 5
3 51 – 60 5 10
4 61 – 70 13 23
5 71 – 80 24 47 ←letak kelas median
6 81 – 90 21 68
7 91 – 100 12 80
8 Jumlah 80
 Letak kelas median: Setengah dari seluruh data = 40,
terletak pada kelas ke-5 (nilai ujian 71-80)
 b = 70.5, p = 10

 n = 80, f = 24
 f = 24 (frekuensi kelas median)
 F = 2 + 3 + 5 + 13 = 23
C. MODUS
Modus adalah data yang paling sering muncul/terjadi. Un-
tuk menentukan modus, pertama susun data dalam urutan me-
ningkat atau sebaliknya, kemudian hitung frekuensinya. Nilai
yang frekuensinya paling besar (sering muncul) adalah modus.
Modus digunakan baik untuk tipe data numerik atau pun data
kategoris. Modus tidak dipengaruhi oleh nilai ekstrem.
Beberapa kemungkinan tentang modus suatu gugus data:
 Apabila pada sekumpulan data terdapat dua mode, maka
gugus data tersebut dikatakan bimodal.
 Apabila pada sekumpulan data terdapat lebih dari dua mo-
de, maka gugus data tersebut dikatakan multimodal.
 Apabila pada sekumpulan data tidak terdapat mode, maka
gugus data tersebut dikatakan tidak mempunyai modus.
Meskipun suatu gugus data mungkin saja tidak memiliki
modus, namun pada suatu distribusi data kontinyu, modus da-
pat ditentukan secara analitis.
 Untuk gugus data yang distribusinya simetris, nilai mean,
median dan modus semuanya sama.
 Untuk distribusi miring ke kiri (negatively skewed): mean
< median < modus
 Untuk distribusi miring ke kanan (positively skewed): ter-
jadi hal yang sebaliknya, yaitu mean > median > modus.
60 | Suwarno
Hubungan antara ketiga ukuran tendensi sentral untuk da-
ta yang tidak berdistribusi normal, namun hampir simetris da-
pat didekati dengan menggunakan rumus empiris berikut:
Mean – Mode = 3 (Mean – Median)
a. Modus Data Tunggal:
Contoh 8:
Berapa modus dari nilai ujian matematika kelas 3 SMU be-
rikut ini:
 2, 4, 5, 6, 6, 7, 7, 7, 8, 9
 2, 4, 6, 6, 6, 7, 7, 7, 8, 9
 2, 4, 6, 6, 6, 7, 8, 8, 8, 9
 2, 4, 5, 5, 6, 7, 7, 8, 8, 9
 1, 2, 3, 4, 5, 6, 7, 8, 9, 10
Jawab:
 2, 4, 5, 6, 6, 7, 7, 7, 8, 9
→ Nilai yang sering muncul adalah angka 7 (frekuensi
terbanyak = 3), sehingga Modus (M) = 7
 2, 4, 6, 6, 6, 7, 7, 7, 8, 9
→ Nilai yang sering muncul adalah angka 6 dan 7 (mas-
ing-masing muncul 3 kali), sehingga Modusnya ada dua,
yaitu 6 dan 7. Gugus data tersebut dikatakan bimodal
karena mempunyai dua modus. Karena ke-2 mode ter-

sebut nilainya berurutan, mode sering dihitung dengan
menghitung nilai rata-rata keduanya, ½ (6+7) = 6.5.
 2, 4, 6, 6, 6, 7, 8, 8, 8, 9
→ Nilai yang sering muncul adalah angka 6 dan 8 (mas-
ing-masing muncul 3 kali), sehingga Modusnya ada dua,
yaitu 6 dan 8. Gugus data tersebut dikatakan bimodal
karena mempunyai dua modus. Nilai mode tunggal ti-
dak dapat dihitung karena ke-2 mode tersebut tidak be-
rurutan.
 2, 4, 5, 5, 6, 7, 7, 8, 8, 9
→ Nilai yang sering muncul adalah angka 5, 6 dan 7
(masing-masing muncul 2 kali), sehingga Modusnya
ada tiga, yaitu 5, 6 dan 7. Gugus data tersebut dikatakan
multimodal karena modusnya lebih dari dua.
 1, 2, 3, 4, 5, 6, 7, 8, 9, 10
→ Pada gugus data tersebut, semua frekuensi data sa-
ma, masing-masing muncul satu kali, sehingga gugus
data tersebut dikatakan tidak mempunyai modusnya
b. Mode dalam Distribusi Frekuensi:
dimana:
Mo = modal = kelas yang memuat modus
b = batas bawah kelas modal
p = panjang kelas modal
bmo = frekuensi dari kelas yang memuat modus
(yang nilainya tertinggi)
b1= bmo – bmo-1 = frekuensi kelas modal – freku-
ensi kelas sebelumnya
b2 = bmo – bmo+1 = frekuensi kelas modal – freku-
62 | Suwarno
ensi kelas sesudahnya
Contoh 9:
Tentukan nilai median dari tabel distribusi frekuensi pada
Contoh 3 di atas!
Jawab:
Kelas Nilai fi
ke- Ujian
1 31 – 40 2
2 41 – 50 3
3 51 – 60 5
4 61 – 70 13
→ b1 = (24 – 13) = 11
5 71 – 80 24 ← kelas modal (freku-
ensinya paling besar)
→ b2 =(24 – 21) =3
6 81 – 90 21
7 91 – 12
100
8 Jumlah 80
 Kelas modul =kelas ke-5
 b = 71-0.5 = 70.5
 b1 = 24 -13 = 11
 b2 = 24 – 21 = 3
 p = 10
Selain tiga ukuran tendensi sentral di atas (mean, median,

dan mode), terdapat ukuran tendensi sentral lainnya, yaitu ra-
ta-rata ukur (Geometric Mean) dan rata-rata harmonis (Harmo-
nic Mean)

 Rata-rata Ukur (Geometric Mean)
Untuk gugus data positif x1, x2, …, xn, rata-rata geometrik
adalah akar ke-n dari hasil perkalian unsur-unsur datanya. Se-
cara matematis dapat dinyatakan dengan formula berikut:
Dimana:
U = rata-rata ukur (rata-rata geometrik)
n = banyaknya sampel
Π = Huruf kapital π (pi) yang menyatakan jumlah dari hasil kali
unsur-unsur data.
Rata-rata geometrik sering digunakan dalam bisnis dan
ekonomi untuk menghitung rata-rata tingkat perubahan, rata-
rata tingkat pertumbuhan, atau rasio rata-rata untuk data beru-
rutan tetap atau hampir tetap atau untuk rata-rata kenaikan da-
lam bentuk persentase.
a. Rata-rata ukur untuk data tunggal
Contoh 10:
Berapakah rata-rata ukur dari data 2, 4, 8?
Jawab:
atau:
b. Distribusi Frekuensi:
64 | Suwarno
xi = tanda kelas (nilai tengah)
fi = frekuensi yang sesuai dengan xi
Contoh 11:
Tentukan rata-rata ukur dari tabel distribusi frekuensi pa-
da Contoh 3 di atas!
Jawab
Kelas ke- Nilai Ujian fi xi log xi fi.log xi
1 31 – 40 2 35.5 1.5502 3.1005
2 41 – 50 3 45.5 1.6580 4.9740
3 51 – 60 5 55.5 1.7443 8.7215
4 61 – 70 13 65.5 1.8162 23.6111
5 71 – 80 24 75.5 1.8779 45.0707
6 81 – 90 21 85.5 1.9320 40.5713
7 91 – 100 12 95.5 1.9800 23.7600
8 Jumlah 80 149.8091
 Rata-rata Harmonik (H)

Rata-rata harmonik dari suatu kumpulan data x1, x2, …, xn
adalah kebalikan dari nilai rata-rata hitung (aritmetik mean).
Secara matematis dapat dinyatakan dengan formula berikut:
Secara umum, rata-rata harmonic jarang digunakan. Rata-

rata ini hanya digunakan untuk data yang bersifat khusus. Mi-
salnya,rata-rata harmonik sering digunakan sebagai ukuran
tendensi sentral untuk kumpulan data yang menunjukkan ada-
nya laju perubahan, seperti kecepatan.

a. Rata-rata harmonic untuk data tunggal
Contoh 12:
Si A bepergian pulang pergi. Waktu pergi ia mengendarai
kendaraan dengan kecepatan 10 km/jam, sedangkan wak-
tu kembalinya 20 km/jam. Berapakah rata-rata kecepatan
pulang pergi?
Jawab:
Apabila kita menghitungnya dengan menggunakan rumus
jarak dan kecepatan, tentu hasilnya 13.5 km/jam!
Apabila kita gunakan perhitungan rata-rata hitung, hasil-
nya tidak tepat!
Pada kasus ini, lebih tepat menggunakan rata-rata harmo-

nik:
b. Rata-rata Harmonik untuk Distribusi Frekuensi:
Contoh 13:
Berapa rata-rata Harmonik dari tabel distribusi frekuensi
pada Contoh 3 di atas!
66 | Suwarno
Jawab:
Kelas ke- Nilai Ujian fi xi fi/xi
1 31 – 40 2 35.5 0.0563
2 41 – 50 3 45.5 0.0659
3 51 – 60 5 55.5 0.0901
4 61 – 70 13 65.5 0.1985
5 71 – 80 24 75.5 0.3179
6 81 – 90 21 85.5 0.2456
7 91 – 100 12 95.5 0.1257
8 Jumlah 80 1.1000
Perbandingan Ketiga Rata-rata (Mean):
Karakteristik penting untuk ukuran tendensi sentral yang baik

Ukuran nilai pusat/tendensi sentral (average) merupakan nilai
pewakil dari suatu distribusi data, sehingga harus memiliki si-
fat-sifat berikut:
 Harus mempertimbangkan semua gugus data
 Tidak boleh terpengaruh oleh nilai-nilai ekstrim.
 Harus stabil dari sampel ke sampel.
 Harus mampu digunakan untuk analisis statistik lebih lan-
jut.
Dari beberapa ukuran nilai pusat, Mean hampir memenuhi
semua persyaratan tersebut, kecuali syarat pada point kedua,
rata-rata dipengaruhi oleh nilai ekstrem. Sebagai contoh, jika
item adalah 2; 4; 5; 6; 6; 6; 7; 7; 8; 9 maka mean, median dan

modus semua bernilai sama, yaitu 6. Jika nilai terakhir adalah
90 bukan 9, rata-rata akan menjadi 14.10, sedangkan median
dan modus tidak berubah. Meskipun dalam hal ini median dan
modus lebih baik, namun tidak memenuhi persyaratan lainnya.
Oleh karena itu Mean merupakan ukuran nilai pusat yang ter-
baik dan sering digunakan dalam analisis statistik.
Kapan kita menggunakan nilai tendensi sentral yang ber-
beda?
Nilai ukuran pusat yang tepat untuk digunakan tergantung
pada sifat data, sifat distribusi frekuensi dan tujuan. Jika data
bersifat kualitatif, hanya modus yang dapat digunakan. Sebagai
contoh, apabila kita tertarik untuk mengetahui jenis tanah yang
khas di suatu lokasi, atau pola tanam di suatu daerah, kita
hanya dapat menggunakan modus. Di sisi lain, jika data bersifat
kuantitatif, kita dapat menggunakan salah satu dari ukuran ni-
lai pusat tersebut, mean atau median atau modus.
Meskipun pada jenis data kuantitatif kita dapat menggun-
kan ketiga ukuran tendensi sentral, namun kita harus memper-
timbangkan sifat distribusi frekuensi dari gugus data tersebut.
 Bila distribusi frekuensi data tidak normal (tidak simetris),
median atau modus merupakan ukuran pusat yang tepat.
 Apabila terdapat nilai-nilai ekstrim, baik kecil atau besar,
lebih tepat menggunakan median atau modus.
 Apabila distribusi data normal (simetris), semua ukuran
nilai pusat, baik mean, median, atau modus dapat diguna-
kan. Namun, mean lebih sering digunakan dibanding yang
lainnya karena lebih memenuhi persyaratan untuk ukuran
pusat yang baik.
 Ketika kita berhadapan dengan laju, kecepatan dan harga
lebih tepat menggunakan rata-rata harmonik.
68 | Suwarno
 Jika kita tertarik pada perubahan relatif, seperti dalam ka-
sus pertumbuhan bakteri, pembelahan sel dan sebagainya,
rata-rata geometrik adalah rata-rata yang paling tepat.

70 | Suwarno
BAB 5
UKURAN PENYEBARAN/
UKURAN DISPERSI/
UKURAN VARIABILITAS
Ukuran tendensi sentral (mean, median, mode) merupakan

nilai pewakil dari suatu distribusi frekuensi, tetapi ukuran ter-
sebut tidak memberikan gambaran informasi yang lengkap me-
ngenai bagaimana penyebaran data pengamatan terhadap nilai
sentralnya. Sebagai contoh, kita mempunyai distribusi nilai uji-
an, masing-masing terdiri dari 5 . Andaikan distribusi datanya
sebagai berikut:
Kelompok I : 45 42 42 41 40
Kelompok II : 54 48 42 36 30
Kita dapat melihat bahwa nilai mean kelompok I dan II
bernilai sama, 42 kg, namun apabila kita perhatikan, keraga-
man kedua kelompok tersebut berbeda. Kelompok I mungkin
lebih dipilih karena lebih konsisten. Hal ini terlihat dari data
hasil pada kelompok I lebih seragam dibandingkan dengan Ke-
lompok II. Pada Kelompok I, hasilnya tidak terlalu jauh dari ni-
lai pusatnya, 42 , sedangkan pada Kelompok II, sebaran datanya
sangat beragam (perhatikan gambar berikut).

Pada contoh tersebut, jelas bahwa ukuran tendensi sentral
saja tidak cukup untuk menggambarkan distribusi frekuensi.
Selain itu kita harus memiliki ukuran persebaran data penga-
matan. Ukuran penyebaran atau ukuran keragaman pengama-
tan dari nilai rata-ratanya disebut simpangan (deviation/dis-
persi).
Terdapat beberapa ukuran untuk menentukan dispersi da-
ta pengamatan, seperti jangkauan/rentang (range), simpangan
kuartil (quartile deviation), simpangan rata-rata (mean devia-
tion), dan simpangan baku (standard deviation).
A. JANGKAUAN (RANGE)
Ukuran penyebaran yang paling sederhana adalah Range
(Jangkauan/Rentang, terkadang di beberapa literatur diterje-
mahkan dengan istilah wilayah). Range dari suatu kelompok
data pengamatan adalah selisih antara nilai minimum dan mak-
simum.
72 | Suwarno
Misalnya, range untuk Kelompok I pada tabel di atas ada-
lah 45 – 40 = 5 (45 adalah nilai maksimum dan 40 adalah nilai
minimum). Seringkali kita mengatakan range dengan pernya-
taan seperti “hasil berkisar antara 40 – 45 kg per petak”. Kisa-
rannya lebih sempit dibandingkan dengan pernyataan “hasil
berkisar antara 40 – 60 kg per petak”. Pernyataan pertama
menggambarkan bahwa variasi hasil padi tidak terlalu bera-
gam, sedangkan pada pernyataan kedua, terjadi hal sebaliknya.
Range hanya memperhitungkan dua nilai, yaitu nilai mak-
simum dan nilai minimum dan tidak memperhitungkan semua
nilai, sehingga sangat tidak stabil atau tidak dapat diandal-
kan sebagai indikator dari ukuran penyebaran. Hal ini terjadi
karena range sangat dipengaruhi oleh nilai-nilai ekstrim. Pada
contoh di atas, jika hasil tertinggi kelompok I adalah 60 kg/pe-
tak, bukan 45 kg/petak, maka range-nya = 60-40= 20 kg/petak.
Jelas, interpretasi kita akan berubah. Kita lebih sepakat
mengatakan bahwa variasi hasil sangat beragam. Benarkah de-
mikian? Apabila kita perhatikan kembali, nilai hasil padi lainnya
hampir seragam, berkisar antara 40-44 kg/petak. Namun de-
ngan adanya pencilan hasil, 60 kg/petak, interpretasinya jadi
lain, kita cenderung mengatakan bahwa hasil beragam, padahal
keragaman tersebut sebenarnya tidak mewakili semua nilai da-
lam sampel/populasinya.
Hasil sebesar 60 kg/petak merupakan contoh dari nilai ek-
strem dan tidak biasa. Nilai tersebut merupakan pencilan (out-
lier) dan sebaiknya di periksa kembali kebenaran datanya atau
dihilangkan dari data pengamatan, karena akan menghasilkan
kesimpulan yang tidak tepat.
Contoh 2:
Contoh kasus lain yang bisa menimbulkan salah interpretasi
mengenai ukuran penyebaran data dengan menggunakan Ra-
nge adalah sebagai berikut:
Berikut ini adalah nilai Quiz ke-1 dan ke-2 Matakuliah Statistik.
Tentukan Range untuk masing-masing Quiz. Apa kesimpulan
Anda?
Quiz ke-1: 1 20 20 20 20 20 20 20 20 20 20
Quiz ke-2: 2 3 4 5 6 14 15 16 17 18 19
Jawab:
Quiz 1: range = 20-1 = 19
Quiz 2: range = 19-2 = 17
Kesimpulan:
Quiz ke-1 lebih bervariasi di banding Quiz 2 karena nilai range
Quiz 1 > Quiz 2. Bandingkan dengan kesimpulan yang diperoleh
dengan menggunakan simpangan kuartil dan Standar deviasi.
Kelemahan lain dari Range adalah tidak menggambarkan seba-
ran data terhadap nilai pusatnya. Perhatikan contoh dan gam-
bar berikut.
Contoh 3:
Tentukan Mean dan Range dari kedua Kelompok berikut. Ke-
simpulan apa yang bisa Anda tarik berdasarkan nilai mean (ra-
ta-rata) dan range-nya?
Kelompok I 45 42 42 41 40
Kelompok III 45 40 44 41 40
Jawab:
Kelompok I: Mean = 42; range = 5
Kelompok II: Mean = 42; range = 5
Kesimpulan:
Kedua Kelompok, I dan III mempunyai nilai mean dan range
74 | Suwarno
yang sama, yaitu mean = 42 dan range = 5.
Apabila kita hanya menggunakan ukuran range sebagai

ukuran penyebaran, pasti kita mengatakan bahwa keragaman
hasil kedua kelompok sama. Namun apabila kita perhatikan ba-
gaimana sebaran data kedua kelompok terhadap nilai pusat-
nya, mungkin kita lebih memilih Kelompok I, karena pada Ke-
lompok I sebaran datanya tidak jauh dari nilai pusatnya.
Untuk menghindari kelemahan range seperti di atas, uku-
ran dispersi lain seperti simpangan kuartil lebih disukai.
B. SIMPANGAN KUARTIL (QUARTILE DEVIATION)

Simpangan kuartil dihitung dengan cara menghapus nilai-
nilai yang terletak di bawah kuartil pertama dan nilai-nilai di
atas kuartil ketiga, sehingga nilai-nilai ekstrem, baik yang bera-
da di bawah ataupun di atas distribusi data, dihilangkan.
Simpangan kuartil didapatkan dengan cara menghitung nilai
rata-rata dari kedua kuartil tersebut, Q1 dan Q3.
Simpangan kuartil lebih stabil dibandingkan dengan Range

karena tidak dipengaruhi oleh nilai ekstrem. Nilai-nilai ekstrim
sudah dihapus. Meskipun demikian, sama seperti Range, sim-
pangan kuartil juga tetap tidak memperhatikan dan memperhi-
tungkan penyimpangan semua gugus datanya. Simpangan
kuartil hanya memperhitungkan nilai pada kuartil pertama dan
kuartil ketiga saja.
Contoh 4
Tentukan nilai simpangan kuartil pada Contoh 2.
Jawab:
Untuk menentukan nilai kuartil, terlebih dahulu sampel data
harus diurutkan. Kebetulan pada contoh ini, data sudah terurut.
Selanjutnya tentukan letak dari kuartil tersebut dan terakhir
tentukan nilai kuartilnya.
1 2 3 4 5 6 7 8 9 10 11
Quiz 1: 1 20 20 20 20 20 20 20 20 20 20
Quiz 2: 2 3 4 5 6 14 15 16 17 18 19
n = 11
Quiz 1:
Letak Q1 = ¼(11+1) = 3 sehingga nilai Q1 adalah data yang ter-
76 | Suwarno
letak pada urutan ke-3, yaitu 20
Letak Q3 = ¾(11+1) = 9 sehingga nilai Q1 adalah data yang ter-
Quiz 2:
Letak Q1 = ¼(11+1) = 3 sehingga nilai Q1 adalah data yang ter-
Letak Q3 = ¾(11+1) = 9 sehingga nilai Q1 adalah data yang ter-
Kesimpulan:
Berdasarkan simpangan kuartil, Quiz ke-2 lebih bervariasi di-
bandingkan dengan Quiz ke-1. (kesimpulannya berbeda dengan
kesimpulan berdasarkan range)
C. SIMPANGAN RATA-RATA (MEAN DEVIATION)

Simpangan rata-rata merupakan penyimpangan nilai-nilai
individu dari nilai rata-ratanya. Rata-rata bisa berupa mean
atau median. Untuk data mentah simpangan rata-rata dari me-
dian cukup kecil sehingga simpangan ini dianggap paling sesuai
untuk data mentah. Namun pada umumnya, simpangan rata-ra-
ta yang dihitung dari mean yang sering digunakan untuk nilai
simpangan rata-rata. Simpangan rata-rata dihitung dengan for-
mula berikut:
Formula tersebut tentu memenuhi dua kriteria sebelum-

nya, dihitung dari semua data dan menunjukkan dispersi rata-

rata dari mean, tetapi tidak memenuhi kriteria ketiga. Bagaima-
napun dispersi dari data, semua perhitungan dengan rumus ini
akan selalu menghasilkan nilai nol. Hal ini karena pembilang
dari rumus di atas menunjukkan bahwa hasil pen-
jumlahannya akan selalu sama dengan nol.
Terdapat dua cara untuk mengantisipasi masalah ini, ke-
duanya akan menghilangkan tanda-tanda negatif dari perhitu-
ngan.
Cara pertama adalah dengan menggunakan formula berikut:
Sampel:
Populasi:
Untuk data yang sudah disusun dalam bentuk tabel frekuensi:

Data Tunggal (tidak di grupkan berdasarkan selang kelas):
Data kelompok (sudah digrupkan berdasarkan selang terten-

tu):
Simpangan rata-rata yang dihitung dari distribusi frekuensi da-
ta yang dikelompokkan menggunakan nilai data perkiraan, bu-
kan data aslinya. Data pewakil tersebut disimbolkan dengan m.
Untuk membuat perhitungan dari data yang sudah dikelom-
pokkan kita harus menganggap, bahwa semua nilai dalam se-
buah kelas, sama dengan nilai pewakilnya (tanda kelasnya, mi).
Selanjutnya, nilai perkiraan simpangan rata-rata dapat dihitung
dengan menggunakan rumus:
78 | Suwarno
Pada formula di atas, pembilangnya akan selalu bernilai positif,
karena yang diambil adalah nilai mutlaknya, perhatikan tanda
modulus || yang berarti baik hasilnya negatif ataupun positif
akan selalu diperlakukan sebagai data positif.
Cara kedua adalah dengan menggunakan jumlah kuadrat dari
semua nilai simpangan datanya. Cara ini dikenal dengan istilah
Ragam (varians) dan standar deviasi.
Contoh 5
Tentukan nilai simpangan rata-rata pada Contoh 2.
Jawab:
Quiz I: rata-rata =18.27
Quiz 2: rata-rata = 10.82
Quiz Quiz
No 1 2
(xi) (xi)
1 1 -17.27 17.27 2 -8.82 8.82
2 20 1.73 1.73 3 -7.82 7.82
3 20 1.73 1.73 4 -6.82 6.82
4 20 1.73 1.73 5 -5.82 5.82
5 20 1.73 1.73 6 -4.82 4.82
6 20 1.73 1.73 14 3.18 3.18
7 20 1.73 1.73 15 4.18 4.18
8 20 1.73 1.73 16 5.18 5.18
9 20 1.73 1.73 17 6.18 6.18
10 20 1.73 1.73 18 7.18 7.18
11 20 1.73 1.73 19 8.18 8.18
Jumlah 34.55 Jumlah 68.18

Quiz 1:
Quiz 2:
Kesimpulan:
Berdasarkan simpangan rata-rata, Quiz ke-2 lebih bervariasi
dibandingkan dengan Quiz ke-1. (kesimpulannya berbeda den-
gan kesimpulan berdasarkan range)
Catatan:
Untuk menentukan simpangan rata-rata dari tabel frekuensi,
caranya mirip dengan contoh 7 dan 8.
Contoh Tambahan:
Dengan cara yang sama seperti di atas, nilai simpangan rata-
rata untuk ketiga kelompok:
Kelompok I = 1.2
Kelompok II = 7.2
Kelompok III = 2
D. RAGAM DAN STANDAR DEVIASI

Ukuran penyebaran dengan menggunakan perhitungan
simpangan rata-rata diperoleh dengan mengabaikan tanda-tan-
da penyimpangan.
Secara matematis hal tersebut tidak benar. Cara kedua, ya-
itu dengan mengkuadratkan nilai simpangan sehingga nilai ne-
gatif berubah menjadi positif. Cara ini lebih tepat. Rata-rata dari
jumlah nilai simpangan dikenal dengan ragam (varians). Sete-
lah nilai ragam diperoleh, selanjutnya nilai ragam tersebut di-
80 | Suwarno
akarkan untuk mendapatkan kembali satuan asal dari variabel
tersebut (bukan kg2/petak2, tapi kg/petak. Cara pengukuran ke-
ragaman seperti ini dikenal dengan Standar deviasi.
Secara matematis, standar deviasi dapat dihitung dengan
menggunakan formula:
Standar deviasi populasi disimbolkan dengan Ʃ (baca
‘sigma’) dan standar deviasi sampel disimbolkan dengan s.
Standar deviasi sampel yang baik seharusnya merupakan uku-
ran yang tidak bias terhadap standar deviasi populasinya, ka-
rena kita menggunakan ukuran standar deviasi sampel untuk
memperkirakan nilai standar deviasi populasi. Untuk itu, nilai n
pada formula di atas diganti dengan n – 1 sehingga formula un-
tuk standar deviasi sampel adalah sebagai berikut:
Data pada tabel distribusi frekuensi:
Data Tunggal:
Data kelompok (sudah digrupkan berdasarkan selang terten-

tu):
Sama seperti pada perhitungan simpangan rata-rata. Standar
deviasi dan ragam yang dihitung dari distribusi frekuensi data
yang sudah dikelompokkan menggunakan nilai data perkiraan,
bukan data aslinya. Data pewakil tersebut disimbolkan den-
gan m. Untuk membuat perhitungan dari data yang sudah dike-
lompokkan kita harus menganggap, bahwa semua nilai dalam
sebuah kelas, sama dengan nilai pewakilnya (tanda kelasnya,
mi). Selanjutnya, nilai perkiraan standar deviasi dapat dihitung

dengan menggunakan rumus:
Nilai kuadrat dari standar deviasi dikenal dengan ragam (va-

riance). Pada teknik analisis varian, dikenal dengan
Jumlah Kuadrat (Sum of Square), dan ragam (varian) dikenal
dengan istilah Kuadrat Tengah/Rata-rata Jumlah Kuadrat
(Mean Square).
Standar deviasi merupakan ukuran penyebaran yang pal-
ing banyak digunakan. Semua gugus data dipertimbangkan se-
hingga lebih stabil dibandingkan dengan ukuran lainnya. Na-
mun, apabila dalam gugus data tersebut terdapat nilai ekstrem,
standar deviasi menjadi tidak sensitif lagi, sama halnya seperti
mean.
Standar Deviasi memiliki beberapa karakteristik khusus
lainnya. SD tidak berubah apabila setiap unsur pada gugus da-
tanya di tambahkan atau dikurangkan dengan nilai konstan ter-
tentu. SD berubah apabila setiap unsur pada gugus datanya di-
kali/dibagi dengan nilai konstan tertentu. Bila dikalikan dengan
nilai konstan, standar deviasi yang dihasilkan akan setara den-
gan hasilkali dari nilai standar deviasi aktual dengan konstan.
Contoh 6
Apabila data nilai Quiz pada contoh 2 diambil dari sampel, ten-
tukan nilai ragam dan standar deviasinya.
Jawab:
Untuk mencari nilai standar deviasi sampel, kita bisa menggu-
nakan salah satu formula berikut:
Formula pertama adalah formula secara definitif. Formula yang
82 | Suwarno
direkomendasikan untuk perhitungan secara manual adalah
formula yang ke-2. Cara perhitungan dengan formula yang ke-2
bisa di lihat pada contoh 7 dan 8. Pada contoh ini, sebagai lati-
han, kita gunakan formula yang pertama. Untuk perhitungan
dengan formula pertama, kita memerlukan nilai rata-ratanya,
sehingga terlebih dahulu kita harus menghitung nilai rata-
ratanya.
Quiz I: rata-rata =18.27
Quiz 2: rata-rata = 10.82
N Qui Qui
o z1 z2
(xi) (xi)
1 1 -17.27 298.35 2 -8.82 77.76
2 20 1.73 2.98 3 -7.82 61.12
3 20 1.73 2.98 4 -6.82 46.49
4 20 1.73 2.98 5 -5.82 33.85
5 20 1.73 2.98 6 -4.82 23.21
6 20 1.73 2.98 14 3.18 10.12
7 20 1.73 2.98 15 4.18 17.49
8 20 1.73 2.98 16 5.18 26.85
9 20 1.73 2.98 17 6.18 38.21
10 20 1.73 2.98 18 7.18 51.58
11 20 1.73 2.98 19 8.18 66.94
Jumlah 328.1818 453.6364
Quiz 1:

Quiz 2:
Kesimpulan:
Berdasarkan nilai ragam dan standar deviasi, Quiz ke-2 lebih
bervariasi dibandingkan dengan Quiz ke-1. (kesimpulannya
berbeda dengan kesimpulan berdasarkan range)
Contoh 7
Hitung nilai standar deviasi dan ragam dari tabel frekuensi data
tunggal berikut:
No xi fi
1 70 5
2 69 6
3 45 3
4 80 1
5 56 1
Jumlah 320 16
Jawab:
Untuk kemudahan dalam perhitungan secara manual, kita gu-
nakan formula standar deviasi berikut:
Selanjutnya kita buat tabel seperti pada tabel berikut:
No xi fi fi.xi fi.xi2
1 70 5 350 24500
2 69 6 414 28566
3 45 3 135 6075
4 80 1 80 6400
5 56 1 56 3136
Jumlah 320 16 1035 68677
84 | Suwarno
Dari tabel tersebut didapat:
n = 16
mean = 1035/12 = 64.69
Standar deviasi:
Contoh 8
Hitung nilai standar deviasi dan ragam dari tabel frekuensi
yang sudah dikelompokkan:
Tabel berikut ini adalah nilai ujian statistik 80 mahasiswa yang
sudah disusun dalam tabel frekuensi. Berbeda dengan contoh
di atas, pada contoh ini, tabel distribusi frekuensi dibuat dari
data yang sudah dikelompokkan berdasarkan selang/kelas ter-
tentu (banyak kelas = 7 dan panjang kelas = 10).
Kelas ke- Nilai Ujian fi
1 31 – 40 2
2 41 – 50 3
3 51 – 60 5
4 61 – 70 13
5 71 – 80 24
6 81 – 90 21
7 91 – 100 12
Jumlah 80
Jawab:
Untuk kemudahan dalam perhitungan secara manual, kita gu-
nakan formula standar deviasi berikut:

Selanjutnya kita buat daftar tabel berikut, tentukan nilai tengah
kelas/pewakilnya (mi) dan lengkapi kolom berikutnya.
Kelas ke- Nilai Ujian fi mi fi.mi fi.mi2
1 31 – 40 2 35.5 71.0 2520.5
2 41 – 50 3 45.5 136.5 6210.8
3 51 – 60 5 55.5 277.5 15401.3
4 61 – 70 13 65.5 851.5 55773.3
5 71 – 80 24 75.5 1812.0 136806.0
6 81 – 90 21 85.5 1795.5 153515.3
7 91 – 100 12 95.5 1146.0 109443.0
Jumlah 80 458.5 6090.0 479670.0
Dari tabel tersebut didapat:
n = 80
mean = 6090/80 = 76.13
Standar deviasi dan ragam:
Contoh Tambahan:
Dengan cara yang sama seperti di atas, nilai standar deviasi un-
tuk ketiga kelompok:
Kelompok I = 1.87
Kelompok II = 9.49
Kelompok III = 2.35
Ukuran sebaran relatif (Measures of Relative Dispersion)
Perhatikan contoh kasus Kelompok I vs Kelompok II di atas. Ke-
dua kelompok tersebut mempunyai nilai rata-rata yang sama.
Untuk dua distribusi data dengan nilai rata-rata yang sama atau
hampir sama, kita dapat secara langsung membandingkan ke-
ragaman kedua distribusi tersebut dengan melihat nilai standar
86 | Suwarno
deviasinya. Kita sepakat untuk mengatakan bahwa Kelompok II
lebih beragam dibandingkan dengan Kelompok I. Namun apa-
bila rata-rata dari kedua distribusi data tersebut jauh berbeda,
kita tidak dapat membandingkan keragamannya dengan meng-
gunakan nilai standar deviasinya secara langsung. Pada kasus
tersebut, untuk membandingkan tingkat keragaman dari kedua
distribusi datanya, kita harus menggunakan ukuran penyeba-
ran relatif.
Terdapat beberapa ukuran penyebaran relatif untuk Range,
Simpangan Kuartil, Simpangan Rata-rata, dan Standar deviasi.
Koefisien Keragaman (coefficient of variation) yang paling
penting dan sering digunakan adalah ukuran penyebaran re-
latif dari Standar Deviasi.
Koefisien Keragaman Standar deviasi dihitung dengan formula
berikut:
Koefisien Keragaman merupakan ukuran yang bebas satuan

dan selalu dinyatakan dalam bentuk persentase. Nilai KK yang
kecil menunjukkan bahwa data tidak terlalu beragam dan di ka-
takan lebih konsisten. KK tidak dapat diandalkan apabila nilai
rata-rata hampir sama dengan 0 (nol). KK juga tidak stabil apa-
bila skala pengukuran data yang digunakan bukan skala rasio.
Contoh 9:
Perhatikan gugus data untuk Kelompok A dan Kelompok B
A 2 4 5 6 6 7 7 7 8 9
B 3 6 7 9 9 10 10 10 11 12
Kelompok A: Rata-rata = 6.1; s = 2.0
Kelompok B: Rata-rata = 8.7; s = 2.7

Nilai Koefisien keragaman kelompok B lebih kecil diban-
dingkan dengan kelompok A. Namun apabila kita perhatikan ni-
lai standar deviasinya, justru hal sebaliknya yang terjadi, SD A
lebih kecil dibandingkan dengan SD B. Dengan demikian, untuk
melihat keragaman relatif suatu gugus data, kita jangan
hanya menyandarkan pada nilai standar deviasinya.
E. SKEWNESS DAN KURTOSIS

Rata-rata dan ukuran penyebaran dapat menggambarkan
distribusi data tetapi tidak cukup untuk menggambarkan sifat
distribusi. Untuk dapat menggambarkan karakteristik dari su-
atu distribusi data, kita menggunakan konsep-konsep lain yang
dikenal sebagai kemiringan (skewness) dan keruncingan (kur-
tosis).
Skewness
Kemiringan (skewness) berarti ketidaksimetrisan. Sebuah
distribusi dikatakan simetris apabila nilai-nilainya tersebar me-
rata disekitar nilai rata-ratanya. Sebagai contoh, distribusi data
berikut simetris terhadap nilai rata-ratanya, 3.
x 1 2 3 4 5
frek (f) 5 9 12 9 5
88 | Suwarno
Pada contoh gambar berikut, distribusi data tidak simetris.
Gambar pertama miring (menjulur) ke arah kiri dan gambar ke-
2 miring ke arah kanan.

Pada distribusi data yang simetris, mean, median dan mo-
dus bernilai sama.
Beberapa langkah-langkah perhitungan digunakan untuk

menyatakan arah dan tingkat kemiringan dari sebaran data.
Langkah-langkah tersebut diperkenalkan oleh Pearson.
Koefisien kemiringan(Coefficient of Skewness):
Interpretasi: Untuk distribusi data yang simetris, Sk = 0.

Apabila distribusi data menjulur ke kiri (negatively skewed),
Sk bernilai negatif, dan apabila menjulur ke kanan (positively
skewed), SK bernilai positif. Kisaran untuk SK antara -3 dan 3.
Ukuran kemiringan yang lain adalah koefisien β1 (baca ‘be-
ta-satu’):
dimana:
Interpretasi:
Distribusi dikatakan simetris apabila nilai b1 = 0. Skewness
positif atau negatif tergantung pada nilai b1 apakah bernilai po-
sitif atau negatif.
90 | Suwarno
Kurtosis
Kurtosis merupakan ukuran untuk mengukur keruncingan
distribusi data.
Distribusi pada gambar di atas semuanya simetris terha-

dap nilai rata-ratanya. Namun bentuk ketiganya tidak sama.
Kurva berwarna biru dikenal sebagai mesokurtik (kurva nor-
mal), kurva berwarna merah dikenal sebagai leptokurtik
(kurva runcing) dan kurva berwarna hijau dikenal sebagai pla-
tikurtik (kurva datar).
Kurtosis dihitung dengan menggunakan koefisien Pearson,
β2 (baca ‘beta – dua’).
dimana:
Interpretasi:
Distribusi dikatakan:
 Mesokurtik (Normal) jika b2 = 3
 Leptokurtik jika b2 > 3
 platikurtik jika b2 < 3

92 | Suwarno
BAB 6
DISTRIBUSI PELUANG
A. DISTRIBUSI GAUSS
Distribusi Gauss merupakan salah satu dari distribusi nor-
mal yang berasal dari distribusi dengan peubah acak kontinu.
Kurvanya disebut kurva normal. Distribusi ini merupakan sa-
lah satu yang paling penting serta banyak digunakan. Fungsi
distribusi Gauss diberikan dengan persamaan:
2
1  x 
1  
 

f ( x)  e 2
 2 6.1
Dengan:
 = Konstanta yang nilainya sama dengan 3,1416
e = Konstanta yang nilainya sama dengan 2,7183
 = Parameter, yaitu nilai rata-rata dari distribusi popu-
lasi
 = Parameter yang merupakan simpangan baku distri-
busi populasi
x = Peubah kontinu yang daerah (jangkauan) nilainya
 x

Sifat distribusi normal:
1. Grafiknya selalu terletak di atas sumbu X.
2. Bentuk grafiknya simetris terhadap x  
0,3989

3. Modus tercapai pada 
4. Grafiknya asymptotis terhadap sumbu X.
5. Luas daerah grafik sama dengan satu satuan persegi.
Dalam pemakaian, kita tidak lagi menggunakan rumus di

atas oleh karena telah disiapkan Daftar Ditribusi Normal Baku.
Distribusi Normal Baku adalah distribusi normal dengan rata-
rata   0 dan simpangan baku   1 . Fungsi densitinya di-
nyatakan dalam peubah acak z sebgai berikut.
1
1  2 z2
f ( z)  e
2 6.2
Dengan daerah z ialah interval    z  
Kalau kita perhatikan hubungan antara rumus (6.1) dan

(6.2), distribusi normal ini menjadi distribusi normal baku de-
ngan menggunakan transformasi:
x xx
z z
 bagi populasi dan s bagi sampel.
Mengapa dikatakan fungsi dari z? Mungkin berasal dari ka-

ta “zero” atau “nol”. Seperti telah dikatakan di atas bahwa
  0 , berarti nilai rata-rata dari z sama dengan nol dengan
94 | Suwarno
simpangan bakunya sama dengan 1.
Contoh 2: Gunakan Tabel 6.1, tentukan luas daerah di bawah

kurva normal baku
1. Antara z = 0 dan z =
1,25 Di bawah kolom z cari
1,2 kemudian ikuti ke kanan
hingga bertemu dengan
bilangan yang terdapat di
bawah kolom angka 5.
Bilangan yang dimaksud ialah 0,3944.
Maka luas daerah yang dicari ialah daerah yang diarsir yaitu
0,3944 atau 39,44%.
2. Antara z =  2,13 dan z

=0 Nilai z =  2,13 terletak
pada daerah negatif. Perlu
Anda ketahui bahwa kurva
normal baku berdistribusi simetris. Oleh karena itu, sete-
ngah bagian dari kurva tersebut setangkup satu sama lain-
nya, sehingga untuk menentukan luas antara z =  2,13 dan z
= 0 sama dengan mencari luas Antara z = 0 dan z =  2,13 . Di
bawah kolom z cari 2,1 kemudian ikuti ke kanan sehingga
bertemu bilangan yang berada di bawah kolom bilangan 3
yaitu 0,4834.
Luas daerah yang dicari ialah daerah yang diarsir = 0,4834
atau 48,34%.

3. Antara z =  1,73 dan
z = 2,51 Kalau kita
perhatikan secara seksama
maka luas di bawah kurva
normal baku antara z =
 1,73 dan z = 2,51 sama dengan menentukan luas di bawah
kurva normal baku antara z =  1,73 dan z = 0 ditambah

dengan luas di bawah kurva normal baku antara z = 0 dan z
= 2,51 .
Seperti halnya pada contoh 6.2.1 dan 6.2.2, Anda cari luas z =
1,73 terdapat 0,4582 sedangkan z = 2,51 terdapat 0,4940.
Dengan demikian, luas

daerah yang dicari
merupakan jumlah kedua
luas tersebut, 0,4582 +
0,4940 = 0,9522 atau
95,22%.
4. Antara z =  2,73 dan z =

 0,98 Pada kasus ini kita
dapat menentukan luas
daerah yang diarsir dengan
cara mencaari luas di
bawah kurva normal
antara z =  2,73 dan z = 0, kemudian hasil tersebut diku-
rangi luas di bawah kurva normal antara z =  0,98 dan z =
96 | Suwarno
0. Luas di bawah kurva normal antara z =  2,73 dan z = 0
adalah 0,4968, dan luas di bawah kurva normal antara z =
 0,98 dan z = 0 adalah 0,3365. Luas daerah yang dicari =
0,4968 – 0,3365 = 0,1603 atau 16,03%.
5. z > -1,09Coba Anda
lihat daerah yang diarsir pada
kurva di samping. Daerah ter-
sebut merupakan luas di ba-
wah kurva normal baku an-
tara z = -1,09 dan z = 0
ditambah setengah luas kurva normal baku. Luas di bawah
kurva normal baku antara z = -1,09 dan z = 0 adalah 0,3621,
dan luas setengah kurva normal baku adalah 0,5.
Luas daerah yang diarsir = 0,3621 + 0,5 = 0,8621 atau
86,21%.
6. z > 1,96Kebalikan dari

kasus pada Contoh 6.2.5, luas
di bawah kurva normal baku z
> 1,96 dapat ditentukan de-
ngan mengurangi luas sete-
ngah kurva normal dengan
luas di bawah kurva normal baku antara z = 0 dan z = 1,96.
Luas di bawah kurva normal antara z = 0 dan z = 1,96 adalah
0,4750.
Luas daerah yang diminta = 0,50 – 0,4750 = 0,0250 atau
2,5%.
7. Contoh penerapan pada Kasus Sehari-hari
Nilai rata-rata ujian masuk suatu perguruan tinggi 67,75
dengan simpangan baku 6,25. Jika distribusinya normal dan

banyak calon peserta 10.000 orang, tentukanlah:
a. Berapa % calon peserta yang nilainya lebih dari 70?
b. Berapa orang calon peserta yang nilainya antara 70
dan 80?
c. Berapa orang calon peserta yang nilainya lebih besar
atau sama dengan 75?
d. Berapa orang calon peserta yang nilainya 75?
Penyelesaian:
x = nilai hasil ujian
x = 67,75
s = 6,25
xx
z
a. Dengan rumus s untuk x  70 maka
70  67,75
z  z  0,36
6,25
Luas daerah di bawah kurva normal baku yang terletak

di sebelah kanan dari nilai z  0,36 adalah luas sete-
ngah kurva normal dikurangi luas di bawah kurva nor-
mal antara z  0 dan z  0,36 . Luas di bawah kurva
normal antara z  0 dan z  0,36 adalah 0,1406.
98 | Suwarno
Jadi, luas daerah z  0,36  0,50  0,1406  0,3594 .
Berdasarkan hasil perhitungan ini dapat disimpulkan
bahwa calon peserta yang nilainya lebih besar dari 70
adalah 35,94%.
b. Untuk menentukan banyaknya calon peserta yang ni-
lainya antara 70 dan 80 maka kita konversi terlebih da-
hulu ke dalam bentuk z.
70  67,75 80  67 ,75
z1   0,36 z2   1,96
6,25 dan 6 , 25
Luas di bawah kurva normal baku antara z  0,36 dan

z  1,96 adalah luas di bawah kurva normal baku an-
tara z  0 dan z  1,96 dikurangi dengan luas di ba-

wah kurva normal baku antara z  0 dan z  0,36 . Lu-
as di bawah kurva normal baku antara z  0 dan
z  1,96 adalah 0,4750 dan luas di bawah kurva nor-
mal baku antara z  0 dan z  0,36 adalah 0,1406.

Jadi luas di bawah kurva normal baku untuk
0,36  z  1,96 adalah 0,4750  0,1406  0,3344 .
Dengan demikian, banyak calon peserta yang nilainya
antara 70 dan 80 adalah 0,3344  10.000  3.344 orang.
c. Untuk menentukan banyaknya calon peserta yang ni-
lainya lebih besar atau sama denan 75 kita perlu

mengingat kembali tentang nilai batas bawah. Batas
bawah dari 75 adalah 74,5. Agar nilai 75 termasuk di-
perhitungkan, maka batas nilai x yang digunakan
menjadi 74,5.
74,5  67,75
z 1
6,25
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 ber-
arti 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 de-
mikian, untuk mencari persentase yang bernilai 75 ha-
rus 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 z2   1,24
6,25 dan 6,25
100 | Suwarno
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.
B. DISTRIBUSI STUDENT
Distribusi dengan peubah acak kontinu lainnya ialah dis-
tribusi yang ditemukan oleh seorang mahasiswa yang tidak
mau disebut namanya. Untuk menghargai hasil penemuannya
itu, distribusinya disebut distribusi Student yang lebih dikenal
dengan distribusi “t”, diambil dari huruf terakhir kata “student”.
Bentuk persamaan fungsinya:
K
f (t )  1
n
 t2 2
1   
 n 1
Berlaku untuk    t   dan K merupakan tetapan yang

besarnya tergantung dari besar n sedemikian sehingga luas
daerah antara kurva fungsi itu dan sumbu t adalah 1. Bilangan n
– 1 disebut derajat kebebasan (dk). Yang dimaksudkan dengan
dk ialah kemungkinan banyak pilihan dari sejumlah objek yang

diberikan. Misalnya, kita mempunyai 2 objek yaitu A dan B.
Dari dua objek ini kita hanya mungkin melakukan 1 kali pilihan
saja, A dan B. Seandainya yang terpilih A maka B tidak usah
dipilih lagi, untuk itu dk = 2 – 1 = 1. Jika banyak objek 4 yaitu A,
B, C dan D, kita hanya mungkin melakukan 3 pilihan yaitu:
Pilihan ke-1 kita memilih 1 dari 4 objek.
Pilihan ke-2 kita memilih 1 dari 3 objek.
Pilihan ke-3 kita memilih 1 dari 2 objek, sisanya karena
tinggal 1 objek lagi tidak usah dipilih lagi. Oleh karena
itu, dalam hal ini dk = 4 – 1 = 3 artinya tingkat
kebebasan memilih hanya sebanyak 3 kali.
Bentuk kurva distribusi “t” ini mirip dengan bentuk kurva
normal baku. Untuk perhitungan dengan distribusi “t”; seperti
halnya dengan distribusi normal baku, telah disiapkan daftar
Distribusi “t”.
Tabel 6.2.
Nilai Persentil untuk Distribusi t
(Bilangan dalam badan daftar menyatakan tp)
tp
dk t0,995 t0,990 t0,975 t0,950 t0,900 t0,800 t0,750 t0,700 t0,600 t0,550
1 63,66 31,82 12,71 6,31 3,08 1,376 1,000 0,727 0,325 0,158
2 9,92 6,96 4,30 2,92 1,89 1,061 0,816 0,617 0,289 0,142
3 5,84 4,54 3,18 2,35 1,64 0,978 0,765 0,584 0,277 0,137
4 4,60 3,75 2,78 2,13 1,53 0,941 0,741 0,569 0,271 0,134
5 4,03 3,36 2,57 2,02 1,48 0,920 0,272 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
102 | Suwarno
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 1,72 1,31 0,855 0,684 0,531 0,256 0,127
28 2,76 2,47 2,05 1,72 1,31 0,855 0,683 0,530 0,256 0,127
29 2,76 2,46 2,05 1,72 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

Coba Anda perhatikan Tabel 6.2:
Kolom pertama (dk) merupakan kolom untuk mencari de-

rajat kebebasan yang akan dipakai. Kolom-kolom berikutnya
berisikan nilai-nilai kemungkinan tergantung dari tingkat ber-
arti yang digunakan. Yang dimaksud dengan tingkat berarti
ialah suatu bilangan yang menunjukkan berapa persentase
toleransi berbuat kesalahan. Misalnya, tingkat berarti 5% atau
dikatakan diteliti   5% artinya jika kita menarik suatu kesim-
pulan, dari 100 gejala kira-kira ada 5 gejala yang tidak tepat.
Berbeda dengan Tabel 6.1 yaitu daftar distribusi normal
baku, maka pada daftar distribusi t ini bilangan-bilangan yang
terdapat dalam badan daftar menunjukkan nilai t dari persen-
tase yang telah dikurangi tingkat berarti yang kita gunakan. Mi-
salnya, kita menggunakan   1% maka untuk dk yang ber-
sangkutan, kita memperoleh nilai t untuk (100 - 1)% = 99%.
Dengan demikian, dalam daftar kita pergunakan kolom t0,990
yang selanjutnya untuk menemukan angka-angka pada badan
daftar tergantung dari nilai derajat kebebasan yang digunakan.
Dapat juga dikatakan untuk t0,990, melukiskan daerah t seluas
0,99 atau 99% yaitu luas daerah yang dibatasi oleh kurva dis-
tribusi t dari nilai t0,990 ke sebelah kiri. Secara umum dapat
ditulis untuk “tp” berarti luas daerah lengkung kurva seluas “p”
mulai dari nilai tp ke kiri.
104 | Suwarno
Contoh Penggunaan dan Pembacaan Tabel 6.2.
1. Cari nilai t untuk n = 14 dan   5% .
Jawab: dk = n – 1 = 14 – 1 =
13;   5% maka p =
100% - 5% = 95%. Lihat
daftar di bawah kolom dk
cari bilangan 13 kemudian
ikuti ke kanan hingga ber-
temu dengan bilangan yang berada di bawah kolom t0,95 di
peroleh nilai 1,77. Artinya, t0,95 (13) = 1,77. Luas daerahnya
sebesar 0,95% terbentang mulai dari nilai t = 1,77 ke
sebelah kiri atau dapat dikatakan luas daerahnya mulai da-
ri   sampai dengan t = 1,77 adalah 95%.
2. Untuk n = 18, tentukan nilai t sehingga luas daerah kurva
yang dicari sama dengan 95%.
Dari lukisan di sebelah
ini dapat dilihat bahwa
nilai harga mutlak t
membatasi luas daerah
kurva yang letaknya si-
metris terhadap t = 0.
Mudah dimengerti pula
bahwa luas ujung kiri sama dengan luas ujung kanan sama

1
(1  0,95)  0,025
dengan 2 .
Kalau kita peroleh nilai t bagain yang positif, berarti kita te-
lah memperoleh pula nilai t yang negatif. Luas daerah 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 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 ba-
wah 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 arti-
nya nilai t = + 2,11.
3. Tentukan t sehingga luas dari t ke kiri sebesar 0,025 de-

ngan dk = 20.
Penyelesaian:
Untuk ini p = 1 – 0,025 = 0,975. Kalau kita lukiskan kurva-
nya seperti:
106 | Suwarno
Sedangkan yang diminta:
Maka dari Tabel 6.2 akan diperoleh nilai t0,975 untuk dk =

20 sama dengan 2,09. Jadi, nilai t yang dicari ialah – 2,09.
C. DISTRIBUSI KHI KUADRAT 

2
 
2
Distribusi  juga merupakan distribusi dengan peubah
acak kontinu. Bentuk persamannya:
1 1
 1  u
f (u )  Ku 2 e 2
2
Dengan u =   0;   dk sedemikian rupa sehingga luas
di bawah kurva sama dengan 100% atau 1.
Umumnya grafik merupakan kemiringan atau kelandaian
positif, yaitu grafik dengan kelandaian ke kanan. Kelandaian ini
semakin berkurang jika dk semakin besar.
Umumnya grafik mempunyai

kelandaian (kemiringan) positif
(ke kanan) untuk dk yang ma-
kin besar, kelandaian semakin
berkurang.

Untuk perhitungan-perhitungan telah disiapkan tabel dis-
tribusi kuadrat seperti halnya juga dengan distribusi-distribusi
yang lain sebagai berikut.
Kolom pertama (  dk ) ialah bilangan-bilangan yang me-

nunjukkan derajat kebebasan yang akan dipakai. Sedangkan
2
kolom-kolom berikutnya menunjukkan  bergantung pada
tingkat keberartian atau luas daerah di bawah kurva khi kuad-
rat yang digunakan.
Tabel 7.1
2
Nilai persentil untuk distribusi 
2
  dk (Bilangan dalam badan daftar menyatakan  p ,v )
2
Percentile Values ( p ,v ) for The Chi-Square Distribution with 
degrees of freedom (shaded area = p)
108 | Suwarno
Cara membaca tabel:
2
1. Untuk mencari nilai p dengan p = 0,99 dan dk = 19 maka
di bawah kolom dk cari bilangan 19 kemudian telusuri ke
kanan sampai bertemu dengan bilangan yang terdapat
2
pada kolom 0 ,99 . Bilangan yang dicari ialah 36,2. Artinya,
2
nilai 0 ,99 (19 ) = 36,2.
2. Kurva di bawah ini untuk dk = 15
 2  0,25
a. Jika luas daerah yang diarsir di sebelah kiri
2
artinya p = 0,25 maka nilai 0 , 25 , untuk dk = 15 ialah
11,00.
b. Jika luas daerah yang diarsir di sebelah kanan
 2  0,025
artinya p  1  0,025  0,975 maka nilai
 02,975
untuk dk = 15 ialah 27,50.
c. Jika jumlah luas yang diarsir 0,10 akan terjadi banyak
2
hal. Karena distribusi tidak simetris, mungkin luas
ujung kanan = 0,02 dan luas ujung kiri = 0,08 atau
mungkin juga 0,07 dan 0,03 dan seterusnya. Dalam hal
demikian jika tidak dinyatakan apa-apa, biasanya
digunakan. Fifty-fifty yaitu luas daerah yang kanan
sama dengan luas daerah yang kiri. Seandainya dk = 9

maka luas daerah ujung kiri 0,05 berarti p = 0,05 maka
 02,05 ( 9)
didapat 3,33. Sedangkan luas daerah ujung
kanannya 0,05 berarti p = 1 – 0,05 = 0,95 maka nilai
 02, 95 ( 9 )
didapat 16,9.
D. DISTRIBUSI F
Fungsi kepadatan peluang (density) distribusi F mempu-
nyai persamaan:
1
F ( 1  2)
f (F )  K 2
1
(  1  2 )
  1F  2
1 
  1 
Distribusi ini ialah distribusi peubah acak kontinu F
dengan daerah (0, ) atau F  0 , K bilangan tetap yang nilai-
nya bergantung pada nilai  1 dan  2 yang dipakai sehingga
luas daerah antara kurva itu dan sumbu F sama dengan 1.
 1 adalah dk untuk pembilang, sedangkan  2 merupakan
dk untuk penyebut. Grafiknya asimetris dengan skewness yang
positif.
P = 1 % atau 5 %
110 | Suwarno
Seperti halnya dengan distribusi-distribusi lainnya, untuk
distribusi F pun telah disiapkan Tabel 7.2 yang dapat diguna-
kan untuk perhitungan-perhitungan.
Berbeda dengan tabel yang sudah dibicarakan, khusus
mengenai tabel distribusi F ini dalam beberapa buku statistika
diperuntukkan hanya untuk tingkat keberartian (level signi-
ficant atau los) yaitu p = 0,01 dan p = 0,05 saja.
Bentuk Tabel distribusi F.
Kalau Anda perhatikan setiap pasangan dk yang digunakan

tersedia dan bilangan yang dapat Anda pilih. Bilangan yang le-
taknya di atas dan yang di bawah. Bilangan yang di atas me-
nunjukkan nilai F untuk luas daerah dari nilai F ke kanan
sebesar 0,05. Dalam hal ini p = 0,05. Bilangan yang di bawahnya
menunjukkan nilai F untuk luas daerah dari nilai F ke kanan se-
besar 0,0e dlam hal ini p = 0,01.
Luas p % p = 1 % atau 5 %

Seperti halnya dengan distribusi yang lain, penggunaan p =
0,01 atau 0,05 bergantung pada pemilihan kita dalam soal yang
akan dipecahkan.
Contoh:
Untuk pasangan dk pembilang dan penyebut  1 = 16 dan
 2 = 9 ditulis dengan (  2 ,  2 ) = (16,9) untuk p = 0,05 didapat
F0, 05:(16 , 9 )
nilai F = 2,98 (lihat Tabel 7.2). biasanya ditulis: = 2,98.
Grafiknya atau kurvanya.
F0 , 01:(16 , 9 )
Jika kita gunakan p = 0,01 diperoleh nilai =
4,92. Kurvanya:
Meskipun Tabel 7.2 hanya untuk nilai-nilai F dengan nilai

kemungkinan 0,01 dan 0,05 saja, namun sebenarnya dapat juga
dihitung nilai-nilai F dengan nilai kemungkinan 0,99 atau 0,95.
Untuk ini, digunakan hubungan:
112 | Suwarno
1
F(1 p );(1 , 2 ) 
Fp;( 2 , 1 )
Contoh:
F  2,28
Jika kita lihat dalam Tabel 7.2 nilai 0, 05:(12 , 20 ) maka
F0 ,95:( 20 ,12 )
jika kita memerlukan nilai maka dapat digunakan
hubungan di atas.
1 1
F0 , 95;( 20 ,12 )    0,44
F0 ,05 (12 , 20 ) 2,28

114 | Suwarno
BAB 7
UJI NORMALITAS
A. PENGERTIAN DATA NORMAL

Pengujian normalitas adalah pengujian tentang kenorma-
lan distribusi data. Uji ini merupakan pengujian yang paling ba-
nyak dilakukan untuk analisis statistik parametrik. Karena data
yang berdistribusi normal merupakan syarat dilakukannya tes
parametrik. Sedangkan untuk data yang tidak mempunyai dis-
tribusi normal, maka analisisnya menggunakan tes non para-
metric.
Data yang mempunyai distribusi yang normal berarti
mempunyai sebaran yang normal pula. Dengan profit data se-
macam ini maka data tersebut dianggap bisa mewakili popula-
si. Normal disini dalam arti mempunyai distribusi data normal.
Normal atau tidaknya berdasarkan patokan distribusi normal
dari data dengan mean dan standar deviasi yang sama. Jadi uji
normalitas pada dasarnya melakukan perbandingan antara da-
ta yang kita miliki dengan data berdistribusi normal yang me-
miliki mean dan standar deviasi yang sama dengan data kita.
Untuk mengetahui bentuk distribusi data dapat digunakan
grafik distribusi dan analisis statistik. Penggunaan grafik distri-
busi merupakan cara yang paling gampang dan sederhana. Cara

ini dilakukan karena bentuk data yang terdistribusi secara nor-
mal akan mengikuti pola distribusi normal di mana bentuk gra-
fiknya mengikuti bentuk lonceng (atau bentuk gunung). Se-
dangkan analisis statistik menggunakan analisis keruncingan
dan kemencengan kurva dengan menggunakan indikator ke-
runcingan dan kemencengan. Perhatikan data hasil belajar sis-
wa kelas 2 SMP pada mata pelajaran matematika dibawah ini.
Nomor Nama Nilai

1 Amir 78
2 Budi 75
3 Cici 76
4 Donny 67
5 Elisa 87
6 Farhan 69
7 Ghulam 65
8 Hilma 64
9 Ilyasa 68
10 Jarot 74
11 Kamila 73
12 Lala 76
13 Munir 78
14 Nisa 85
15 Opik 81
16 Qori 67
17 Rosa 65
18 Tutik 68
19 Umi 64
20 Vonny 63
21 Xerric 67
116 | Suwarno
Nomor Nama Nilai
22 Wolly 69
23 Yonny 74
24 Zidni 75
25 Agung 68
26 Boby 67
27 Catur 62
28 Dadang 71
29 Emy 72
30 Fonny 45
Terdapat 4 cara untuk menentukan apakah data diatas ter-

sebut berasal dari populasi yang berdistribusi normal atau ti-
dak. Empat cara pengujian normalitas data sebagai berikut:
B. KERTAS PROBABILITAS NORMAL

Apabila dari penelitian sudah terkumpul data lengkap, ma-
ka untuk pengujian normalitas dilalui langkah-langkah sebagai
berikut.
1. Membuat tabel distribusi frekuensi.
2. Menentukan batas nyata tiap-tiap kelas interval.
3. Mencari frekuensi kumulatif dan frekuensi kumulatif rela-
tive (dalam persen).
4. Dengan skala sumbu mendatar dan sumbu menegak,
menggambarkan grafik dengan data yang ada, pada kertas
probabilitas normal.
5. Dengan angka-angka yang ada pada tabel distribusi dile-
takkan titik-titik frekuensi kumulatif relative pada kertas
probabilitas yang telah disediakan pada buku-buku statis-

tic. Jika letak titik-titik berada pada garis lurus atau hampir
lurus, maka dapat disimpulkan dua hal:
 Mengenai data itu sendiri
Dikatakan bahwa data itu terdistribusi normal atau hampir
normal (atau dapat didekati oleh distribusi normal).
 Mengenai populasi dari mana data sampel diambil.
Dikatakan bahwa populasi dari mana data sampel itu diam-
bil ternyata berdistribusi normal atau hampir terdistribusi
normal, atau dapat didekati oleh distribusi normal. Jika titik-
titik yang diletakkan tidak menunjukkan terletak pada garis
lurus maka dapat disimpulkan bahwa data atau sampel yang
diambil tidak berasal dari populasi normal.
C. UJI CHI KUADRAT

Menurut Prof.DR.Sugiono (2005, dalam buku “ Statistika
untuk Penelitian “), salah satu uji normalitas data yaitu chi kua-
drat ( ) merupakan pengujian hipotesis yang dilakukandengan
cara membandingkan kurve normal yang terbentuk dari data
yang telah terkumpul (B) dengan kurve normal baku atau stan-
dar (A). Jadi membandingkan antara (B/A). Bila B tidak berbe-
da secara signifikan dengan A, maka B merupakan data yang
berdistribusi normal.
Ho:data berasal dari populasi yang berdistribusi normal
H1:data tidak berasal dari populasi yang berdistribusi nor-
mal
Grafik distribusi chi kuadrat ( ) umumnya merupakan kur-
ve positif , yaitu miring ke kanan. Kemiringan ini makin berku-
ran jika derajat kebebasan (dk) makin besar.
118 | Suwarno
Langkah-Langkah Menguji Data Normalitas dengan Chi
Kuadrat:
1. Menentukan Mean/ Rata-Rata
2. Menentukan Simpangan Baku
3. Membuat daftar distribusi frekuensi yang diharapkan
 Menentukan batas kelas
 Mencari nilai Z skor untuk batas kelas interval
 Mencari luas 0 – Z dari tabel kurva normal
 Mencari luas tiap kelas interval
 Mencari frekuensi yang diharapkan (Ei)
4. Merumuskan formula hipotesis
Ho: data berasal dari populasi yang berdistribusi normal.
H1: data tidak berasal dari populasi yang berdistribusi nor-
mal.
5. Menentukan taraf nyata (a)
Untuk mendapatkan nilai chi-square tabel
6. dk = k – 1
dk = Derajat kebebasan
k = banyak kelas interval
7. Menentukan Nilai Uji Statistik
Keterangan:
Oi = frekuensi hasil pengamatan pada klasifikasi ke-i
Ei = Frekuensi yang diharapkan pada klasifikasi ke-i
8. Menentukan Kriteria Pengujian Hipotesis

9. Memberi Kesimpulan
Perhatikah data hasil belajar siswa kelas 2 SMP pada mata

pelajaran matematika di atas. Kita akan melakukan uji normali-
tas data dengan chi kuadrat.
1. Kita siapkan terlebih dahulu tabel distribusi frekuensi :
Interval prestasi Frekuensi
45-54 1
55-64 4
65-74 16
75-84 7
85-94 2
Jumlah 30
2. Mencari Mean dan Simpangan Baku

Interval
Prestasi F f^2
45-54 1 49,5 49,5 -21,6667 469,4444 469,4444
55-64 4 59,5 238 -11,6667 136,1111 544,4444
65-74 16 69,5 1112 -1,66667 2,777778 44,44444
75-84 7 79,5 556,5 8,333333 69,44444 486,1111
85-94 2 89,5 179 18,33333 336,1111 672,2222
Jumlah 2135 2216,667
120 | Suwarno
3. Membuat daftar distribusi frekuensi yang diharapkan
 Menentukan Batas Kelas
Angka skor kiri pada kelas interval dikurangi 0,5
Angka skor kanan pada kelas interval ditambah 0,5
Sehingga diperoleh batas kelas sbb:
Batas Kelas
44,5
54,5
64,5
74,5
84,5
94,5
 Mencari nilai Z skor untuk batas kelas interval
Sehingga diperoleh:
Z
-3,050343249
-1,9061785
-0,7620137
0,382151
1,5263158
2,6704805
 Mencari luas 0 – Z dari tabel kurva normal
Luas 0-Z pada tabel
0,4989
0,4713
0,2764
0,148
0,4357
0,4962

 Mencari luas tiap kelas interval
Yaitu angka baris pertama dikurangi baris kedua, angka
baris kedua dikurangi baris ketiga, dst. Kecuali untuk
angka pada baris paling tengah ditambahkan dengan
angka pada baris berikutnya. Sehingga diperoleh hassil
sbb:
Luas Tiap Interval Kelas
0,0276
0,1949
0,4244
0,2877
0,0605
 Mencari frekuensi yang diharapkan (E)
Dengan cara mengalikan luas tiap interval dengan jum-
lah responden (n = 30). Diperoleh:
E
0,828
5,847
12,732
8,631
1,815
Tabel Frekuensi yang Diharapkan dan Pengamatan

Batas In- Luas 0-Z Luas Tiap In-
Z E F f-E
terval pada tabel terval Kelas
44,5 -3,050343249 0,4989 0,0271 0,828 1 0,172 0,029584 0,035729469
54,5 -1,9061785 0,4713 0,1949 5,847 4 -1,8 3,411409 0,583446
64,5 -0,7620137 0,2764 0,4244 12,73 16 3,27 10,67982 0,838817
74,5 0,382151 0,148 0,2877 8,631 7 -1,6 2,660161 0,30821
84,5 1,5263158 0,4357 0,0605 1,815 2 0,19 0,034225 0,018857
94,5 2,6704805 0,4962 1,785059469
122 | Suwarno
4. Menentukan taraf nyata dan chi-kuadrat tabel
Karena
Maka berasal dari populasi data yang berdistribusi normal
sehingga dapat diterima. Data berdistribusi normal.
D. UJI LILLIEFORS
Menurut Sudjana (1996: 466), uji normalitas data dilaku-
kan dengan menggunakan uji Liliefors (Lo) dilakukan dengan
langkah-langkah berikut. Diawali dengan penentuan taraf sigi-
fikansi, yaitu pada taraf signifikasi 5% (0,05) dengan hipotesis
yang diajukan adalah sebagai berikut :
H0: Sampel berasal dari populasi yang berdistribusi nor-
mal
H1 : Sampel tidak berasal dari populasi yang berdistribusi
normal
Dengan kriteria pengujian :
Jika Lhitung< Ltabel terima H0, dan
Jika Lhitung ≥ Ltabel tolak H0
Adapun langkah-langkah pengujian normalitas adalah :
1. Data pengamatan x1, x2 , x3, ….., xn dijadikan bilangan baku
z1, z2 , z3, ….., zn dengan menggunakan rumus (dengan dan
masing-masing merupakan rata-rata dan simpangan baku)
2. Untuk setiap bilangan baku ini dengan menggunakan daf-
tar distribusi normal baku, kemudian dihitung peluang
F(zi) = P(z < zi).
3. Selanjutnya dihitung proporsi z1, z2 , z3, ….., zn yang lebih
kecil atau sama dengan zi. Jika proporsi ini dinyatakan oleh
S(zi) maka:

4. Hitung selisih F(zi) – S(zi), kemudian tentukan harga mut-
laknya.
5. Ambil harga yang paling besar di antara harga-harga mut-
lak selisih tersebut, misal harga tersebut L0.
Untuk menerima atau menolak hipotesis nol (H0), dilaku-
kan dengan cara membandigkan L0 ini dengan nilai kritis L
yang terdapat dalam tabel untuk taraf nyata yang dipilih .
Contoh pengujian normalitas data dengan uji liliefors:
Uji Normalitas Data Hasil Belajar Matematika Siswa
H0: Sampel berasal dari populasi yang berdistribusi nor-
mal
H1 : Sampel tidak berasal dari populasi yang berdistribusi
normal
No
1 45 -3,1987 0,001 0,03333 0,0323

2 62 -1,0604 0,1446 0,06667 0,07793
3 63 -0,9346 0,1762 0,1 0,0762
4 64 -0,8088 0,2119 0,13333 0,07857
5 64 -0,8088 0,2119 0,16667 0,04523
6 65 -0,683 0,2483 0,2 0,0483
7 65 -0,683 0,2483 0,23333 0,01497
8 67 -0,4314 0,3336 0,26667 0,06693
9 67 -0,4314 0,3336 0,3 0,0336
10 67 -0,4314 0,3336 0,33333 0,00027
11 67 -0,4314 0,3336 0,36667 0,0331
12 68 -0,3057 0,3821 0,4 0,0179
124 | Suwarno
13 68 -0,3057 0,3821 0,43333 0,0512
14 68 -0,3057 0,3821 0,46667 0,0846
15 69 -0,1799 0,4325 0,5 0,0675
16 69 -0,1799 0,4325 0,53333 0,1008
17 71 0,0717 0,5279 0,56667 0,0388
18 72 0,19748 0,5745 0,6 0,0255
19 73 0,32327 0,6255 0,63333 0,0078
20 74 0,44906 0,676 0,66667 0,00933
21 74 0,44906 0,676 0,7 0,024
22 75 0,57484 0,7157 0,73333 0,0176
23 75 0,57484 0,7157 0,76667 0,051
24 76 0,70063 0,758 0,8 0,042
25 76 0,70063 0,758 0,83333 0,0753
26 78 0,9522 0,8289 0,86667 0,0378
27 78 0,9522 0,8289 0,9 0,0711
28 81 1,32956 0,9049 0,93333 0,0284
29 85 1,8327 0,9664 0,96667 0,0003
30 87 2,08428 0,9812 1 0,0188
Rata-rata:
Standar Deviasi:
Dari kolom terakhir dalam tabel di atas didapat L0 =
0,1008 dengan n = 30 dan taraf nyata α = 0,05. Dari tabel Nilai
Kritis L untuk Uji Lilieforsdi dapat L = 0,161 yang lebih besar da-
ri L0 = 0,1008sehingga hipotesis H0 diterima.
Simpulan:
Data berasal dari populasi yang berdistribusi normal.

126 | Suwarno
BAB 8
ANALISIS KORELASI
A. UJI KORELASI DENGAN PRODUCT MOMENT

Korelasi adalah istilah statistik yang menyatakan derajat
hubungan linier antara dua variabel atau lebih, yang ditemukan
oleh Karl Pearson pada awal 1990. Oleh sebab itu terkenal de-
ngan sebutan Karl Pearson Product Moment (PPM). Korela-
si adalah salah satu teknik analisis statistik yang paling banyak
digunakan oleh para peneliti. Karena peneliti umumnya tertarik
terhadap peristiwa-peristiwa yang terjadi dan mencoba untuk
menghubungkannya. Misalnya menghubungkan antara motiva-
si dengan prestasi belajar, antara umur dengan tekanan darah-
nya.
Teknik korelasi product moment merupakan salah satu
teknik untuk mencari tingkat keeratan hubungan antara dua
variable dengan cara memperkalikan momen – momen (hal-hal
penting) kedua variable tersebut. Teknik korelasi ini digunakan
untuk mencari hubungan dan membuktikan hipotesis hubu-
ngan dua variable bila data kedua variable berbentuk interval
atau ratio, dan sumber data dari dua variable atau lebih terse-
but adalah sama.

Kegunaan korelasi PPM ini yaitu :
1. Untuk menyatakan ada tidaknya hubungan yang signifikan
antara variabel satu dengan yang lainnya.
2. Untuk menyatakan besarnya sumbangan variabel satu ter-
hadap yang lainnya yang dinyatakan dalam persen. dengan
demikian, maka r2 x 100% terjadi dalam variabel terikat Y
yang mana ditentukan oleh variabel X.
Asumsi ataupun persyaratan yang harus dipenuhi dalam
menggunakan korelasi PPM adalah :
1. Data variabel yang dikorelasikan berjenis data continue
atau berupa interval/rasio.
2. Sampel yang ditelitinya memenuhi syarat homogenitas-
nya.
3. Bentuk hubungannya merupakan regresi yang linear.
4. Variabel yang dihubungkan mempunyai data yang berdi-
stribusi normal.
5. Variabel yang dihubungkan mempunyai data yang dipilih
secara acak (random).
6. Variabel yang dihubungkan mempunyai pasangan sama
dari subjek yang sama pula (variasi skor variabel yang di-
hubungkan harus sama).
Kelayakan Nilai r, adalah :
1. Batas nilai r
Nilai r terbesar ialah +1, dan terkecil ialah -1 sehingga da-
pat ditulis -1 ≤ r ≤ +1. Untuk r = +1 disebut hubungannya
positif sempurna dan hubungan linier langsung sangat
tinggi. Sebaliknya jika r = -1 disebut hubungannya negatif
sempurna dan hubungannya tidak langsung (indirect) sa-
ngat tinggi, yang disebut inverse.
128 | Suwarno
2. Hanya untuk hubungan linier saja.
3. Tidak berlaku untuk sample dengan varian = 0, karena z ti-
dak dapat dihitung dan akhirnya r tidak dapat dihitung ju-
ga.
4. r tidak mempunyai satuan (dimensi).
Jika r = +1 diberi makna hubungan kedua variabel adalah
linier, positif dan sangat tinggi; dan jika r = -1, diberi arti
hubungan kedua variabel adalah linier, negatif dan sangat
tinggi. Jika nilai r terdapat di antara -1 dengan +1, misalnya
+0,01; +0,7; -0.5; -0,2.
Berdasarkan persyaratan di atas, untuk menghitung kore-
lasi linear antara dua variabel ditempuh langkah – langkah se-
bagai berikut :
1. Merumuskan hipotesis
2. Menentukan persamaan regresi kedua variabel
3. Menguji linearitas regresinya
4. Jika regresinya linear, dilanjutkan dengan menghitung ni-
lai koefisien korelasi (r) product moment
5. Menguji hipotesis berdasarkan nilai koefisien korelasi (r)
untuk sample, sedangkan untuk populasi adalah ρ (rho)
Syarat lain untuk populasi :
5.1 Jika ρ = 0 artinya tidak berkorelasi linear
5.2 Jika ρ ≠ 0 dilanjutkan menghitung interval
6. Jika pada langkah (3) diketahui regresinya tidak linear, pe-
ngujian korelasi dilakukan dengan statistic nonparametrik.
Untuk mencari r dalam product moment ada beberapa ru-
mus untuk menentukannya, antara lain;

rxy =
r=
Keterangan :
rxy = Koefisien korelasi (angka korelasi) antara variabel
x dan y
∑xy = Jumlah dari hasil kali antara devisiasi skor – skor X
(yaitu x) dan devisiasi
skor – skor Y (y)
N = Jumlah subyek penelitian
Contoh :
1. Kita akan meneliti korelasi antara intelegensi dengan
prestasi belajar siswa. Skor intelegensi digunakan seba-
gai variabel X dan prestasi belajar sebagai variabel Y.
a. Merumuskan Hipotesa :
H0 = Tidak ada hubungan antara intelegensi dengan
prestasi belajar siswa
Ha = Ada hubungan antara intelegensi dengan pres-
tasi belajar siswa
130 | Suwarno
b. Menghitung koefisien korelasi product moment
N X Y X2 Y2 XY
1 2 2 4 4 4
2 4 5 16 25 20
3 2 2 4 4 4
4 3 4 9 16 12
5 5 3 25 9 15
6 2 5 4 25 10
7 4 8 16 64 32
8 3 6 9 36 18
9 3 3 9 9 9
10 2 2 4 4 4
 30 40 100 196 128
NXY  X.Y
rxy 
(N.X )  (X) (N.Y )  (Y ) )
2 2 2 2
10.128 30.40

(10.100)  (30) (10.196)  (40) 
2 2
80

189,7
 0,42
c. Pengujian Hipotesa
Kriteria Pengujian : Jika rhitung ≥ rtabel , maka H0 dito-
lak (Ha diterima)
Jika rhitung < rtabel , maka H0 dite-
rima (Ha ditolak)

-rhitung = 0,42
-Untuk menentukan rtabel ditetapkan dulu ;
-Taraf signifikansi alpha = 5%
-maka nilai rtabel pada alpha=5% adalah rtabel = 0,632
-Jadi rhitung < rtabel , maka H0 diterima (Ha ditolak)
-Kesimpulan
Tidak ada hubungan antara intelegensi dengan
prestasi belajar siswa.
2. Cara menentukan product moment dengan mengguna-

kan rumus yang lain
Subyek
X Y x y xy X
2
Y
2
(N)
1 2 2 -1 -2 2 1 4
2 4 5 1 1 1 1 1
3 2 2 -1 -2 2 1 4
4 3 4 0 0 0 0 0
5 5 3 2 -1 -2 4 1
6 2 5 -1 1 -1 1 1
7 4 8 1 4 4 1 16
8 3 6 0 2 0 0 4
9 3 3 1 -1 0 0 1
10 2 2 -1 -2 2 1 4
∑X= ∑Y=
∑ 0 0 8 10 36
30 40
x = X - rata² ∑X
y = Y - rata² ∑Y
132 | Suwarno
rxy = =
= = 0.42
Untuk langkah selanjutnya yaitu menentukan kesimpulan,

caranya sama dengan contoh yang pertama tadi. Karena hasil-
nya sama, maka kesimpulan yang didapat juga sama, yaitu tidak
ada hubungan antara intelegensi dengan prestasi belajar siswa.
B. UJI KORELASI DENGAN TATA JENJANG

Korelasi tata jenjang di sebut juga rank order correlation
adalah teknik korelasi yang dikembangkan oleh Charles Spear-
man, dimaksudkan untuk menghitung atau menentukan tingkat
hubungan antara 2 variabel yang kedua-duanya merupakan da-
ta ordinal atau tata jenjang. Data ordinal selalu menunjukkan
adanya suatu urutan, tingkatan, ranking, atau gradasi yang me-
nunjukkan perbedaan besar antara nilai variabel yang satu de-
ngan yang lain.
Rumus yang dikemukakan:
6 D 2
 1
N N 2  1
 = Koefisien korelasi tata jenjang

D = Difference atau beda antar rangking atau ordinal
N = Number atau jumlah individu
1& 6 = Bilangan konstan

Contoh ; misalkan kita meneliti korelasi antara nilai Rang-
king ujian B.Inggris (X) dengan Rangking ujian B.Arab (Y)
pada mahasiswa Jurusan Tarbiyah.
1. Merumuskan Hipotesa :
H0 = Tidak ada hubungan antara Rangking ujian B.Inggris
dengan Rangking ujian B.Arab
Ha = Ada hubungan antara Rangking ujian B.Inggris dengan
Rangking ujian B.Arab
2. Menghitung Koefisien korelasi Spearman :
NO X Y D D²
1 1 1 0 0
2 8 6 2 4
3 4 3 1 1
4 2 4 -2 4
5 6 7 -1 1
6 5 5 0 0
7 7 8 -1 1
8 3 2 1 1
- - 0 12
134 | Suwarno
6 D 2
 1

N N 2 1 
6 . 12
1 
8 ( 8 2  1)
72
1
504
 1  0 ,143
 0 ,857
3. Pengujian Hipotesa
Kriteria Pengujian : Jika rhitung ≥ rtabel , maka H0 ditolak (Ha
diterima), Jika rhitung < rtabel , maka H0 diterima (Ha ditolak)
r hitung = 0,857
r tabel pada N = 8 dan Taraf signifikansi alpha 5% adalah =
0,738
r tabel pada N = 8 dan Taraf signifikansi alpha 1% adalah =
0,881
4. Penarikan Kesimpulan
a. Terdapat hubungan antara nilai Rangking ujian B. Ing-
gris dengan Rangking ujian B.Arab pada alpha 5% rhitung
> r tabel , maka H0 ditolak (Ha diterima )
b. Tidak ada hubungan antara nilai Rangking ujian B. Ing-
gris dengan Rangking ujian B.Arab pada alpha 1% rhitung
< rtabel , maka H0 diterima (Ha ditolak )
C. UJI KORELASI DENGAN KORELASI GANDA

Uji korelasi ganda (multiple product moment correlation)
adalah suatu teknik korelasi yang digunakan untuk menguji ko-
relasi linier antara satu variabel terikat (Y) dengan sekelompok
variabel bebas (X) sebagai satu kesatuan variabel. Dimana data

pada masing-masing variabel harus berjenis interval atau rasio.
Rumus yang digunakan untuk menghitung korelasi ganda
antara variabel terikat (Y) dengan dua variabel bebas (X1 dan
X2) adalah sebagai berikut :
Ry1.2 =
Keterangan :
Ry.12 = korelasi antara X1 dan X2 dengan Y
r1.y = korelasi antara X1 dengan Y
r2.y = korelasi antara X2 dengan Y
r1.2 = korelasi antara X1 dengan X2
Dari rumus korelasi ganda tersebut, tampak bahwa harus
ditemukan terlebih dahulu korelas tunggalnya. Sebagaimana te-
lah dijelaskan pada bagian sebelumnya bahwa untuk menghi-
tung korelasi tunggal dapat diperoleh melalui rumus sebagai
berikut :
rxy =
Contoh, kita akan meneliti hubungan antara ketekunan

(X1) dan kecerdasan (X2) dengan prestasi belajar siswa (Y). Ber-
dasarkan hasil penelitian didapatkan data seperti yang terdapat
pada table kerja berikut ini :
136 | Suwarno
S X1 X2 Y X12 X22 Y2 X1X2 X1Y X2Y
1 2 3 3 4 9 9 6 6 9
2 6 6 7 36 36 49 36 42 42
3 5 5 6 25 25 36 25 30 30
4 4 4 4 16 16 16 16 16 16
5 7 6 7 49 36 49 42 49 42
6 3 4 5 9 16 25 12 15 20
7 6 6 6 36 36 36 36 36 36
8 5 6 6 25 36 36 30 30 36
∑ 38 40 44 200 210 256 203 224 231
Berdasarkan harga-harga yang terdapat pada tabel, maka

koefisien korelasi dapat dihitung sebagai berikut :
ry1 =
=
= 0,91
ry2 =
=
= 0,93

r1.2 =
=
= 0,93
Berdasarkan harga-harga korelasi ganda, dapat dihitung

sebagai berikut :
Ry1.2 =
=
= 0,93
Sebelum digunakan untuk mengambil kesimpulan maka

harga korelasi ganda sebesar 0,93 tersebut harus diuji signifi-
kasinya terlebih dahulu, yaitu dengan menggunakan rumus se-
bagai berikut ;
F=
Keterangan :
R² = korelasi kuadrat (koefisien determinasi)
m = jumlah variabel bebas
N = jumlah individu
138 | Suwarno
Sehingga harag F dapat dihitung :
F= = 15,36
Dengan mengunakan db= 2 dan 5 dapat ditemukan harga

F teoritis dalam tabel nilai F sebesar 5,79 pada taraf 5% dan
13,27 pada tabel taraf 1%. Oleh karena harga F empiric terbukti
lebih besar daripada F teoritik baik ada taraf 5% maupun 1%,
maka dapat disimpulkan bahwa koefisien korelasi ganda antara
ketekunan (X1) dan kecerdasan (X2) dengan prestasi belajar (Y)
sangat signifikan.
D. UJI KORELASI DENGAN KORELASI PHI (Φ)

Teknik korelasi ini digunakan untuk menguji hubungan
antara dua variabel diskrit. Misalnya, antara laki- laki dan pe-
rempuan, benar – salah, berhasil – gagal, dll. Apabila variabel-
nya bukan bergejala diskrit, untuk mengujinya dengan phi ha-
rus diubah dulu ke variabel diskrit. Kisaran besarnya nilai koe-
fisien korelasi phi, yaitu antara 0 sampai dengan ± 1. Untuk me-
nyelesaikan analisis dengan teknik phi digunakan table konti-
ngensi 2x2.
Rumusnya adalah :
adbc

(a  b)(c  d)(a  c)(b  d)

Contoh penggunaan runus korelasi Phi, misalkan kita akan
meneliti hubungan anatra jenis kelamin (JK) siswa dengan pili-
han program studi (PPS) di Perguruan Tinggi. Jenis kelamin
dapat dibedakan secara terpisah menjadi laki-laki (L) dan pe-
rempuan (P) termasuk data nominal dan pilihan program studi
di PT juga dapat dibedakan secara terpisah misalnya menjadi
program eksakta (E) dan social (S) ini juga termasuk data no-
minal.
Misalnya yang menjadi sampel penelitian adalah 200 sis-
wa lulusan SMA yang akan melanjutkan ke Perguruan Tinggi.
Hasil pengumpulan data ditabulasikan pada table berikut
JK PPS Total
E S
L 70 (a) 30 (b) 100 (a+b)
P 40 (c) 60 (d) 100 (c+d)
110 90
Total 200
a+c b+d
ad  bc

( a  b)( c  d )( a  c )( b  d )
70.60  30.40

(100)(100)(110)(90)
3000

9950
 0,30
Untuk mengetahui taraf signifikansi hasil analisis korelasi
phi sebesar 0,30 tersebut, kita harus melakukan konversi ke ni-
lai chi-square (X²). Rumus nilai chi-square adalah, X²= ϕ x N.
Sehingga nilai chi-squqrenya (0,30) x 200 =18
Untuk mengetahui nilai chi-square empiric diperluka nilai
140 | Suwarno
chi-square teoritik yang sudah tersedia dalam table nilai chi-
square. Sebelumnya harus ditemukan lebih dulu derajat kebe-
basan (db) dari distribusi yang diteliti yaitu dengan mengguna-
kan rumus, db= (K-1) (B-1). K = jumlah kolom, B = jumlah baris.
Pada tabel kontingensi di atas ada 2 kolom, yaitu E dan S, juga
ada baris, yaitu L dan P. Maka, db = (2-1) (2-1) sehingga db = 1.
Pada tabel nila-nilai chi-square, apabila db = 1, maka pada
taraf signifikansi 5% akan menunjukkan angka 3,841. Sedang-
kan pada taraf 1% akan menunjukkan angka 6,635. Berdasar-
kan hasil ini, dapat dilihat bahwa nilai chi-square empiric sebe-
sar 18 jauh berada di atas nilai chi-square teoritiknya, yaitu
3,841(5%) dan 6,635 (1%).
Dengan demikian dapat disimpulkan bahwa ada hubungan
yang signifikan antara jenis kelamin siswa dengan pilihan pro-
gram studinya. Dimana siswa laki-laki cenderung memilih pro-
gram pendidikan eksakta sedangkan siswa perempuan cende-
rung memilih program pendidikan social.

142 | Suwarno
BAB 9
ANALISIS
KOMPARASIONAL
A. PENGERTIAN T-TES DAN CHI SQUARE (KAI KUADRAT)

Uji t adalah tes statistik yang dapat dipakai untuk menguji
perbedaan atau kesamaan dua kondisi atau dua kelompok yang
berbeda dengan prinsip meperbadingkan rata-rata(mean) dua
kelompok tersebut.
Uji t merupakan salah satu teknik statistik inferensial yang
memiliki misi membuat kesimpulan secara umum (generelisa-
si) dan mampu memberikan estimasi rentangan penyimpangan
pengakuan sampel dalam mempengaruhi populasi, apalagi pe-
nelitiannya lebih mengarah untuk meneliti kemampuan manu-
sia (sosial) yang pengaruh variabel luarnya tidak terkontrol ke-
tat, harus melampaui atau memenuhi seperangkat persyaratan
pengujian sebelum menghitung nilai t. permaslahan yang hen-
dak diuji melalui penelitian dengan bantuan analisi uji t adalah
yang bersifat memperbandingkan dua perlakuan maka peru-
musan hippotesis yang benar dapat membantu mempermudah
pengujian. Dalam hal ini, uji t digunakan untuk menguji hippo-
tesis nol, suatu penelitian yang menyatakan tidak adanya per-
bedaan yang signifikan antara dua rata-rata(mean) kondisi

sampel yang diperbandingkan.
Jika t-test digunakan untuk menguji perbedaan data bersi-
fat interval, chi kuadrat digunakan untuk menguji perbedaan
frekuensi data berskala nominal. Penggunaan kedua teknik sta-
tistik ini tidak dapat saling menggantikan. Artinya, jika data itu
berskala interval, ia tidak dapat diolah dengan chi kuadrat, dan
begitu sebaliknya.
Chi kuadrat adalah teknik statistik yang digunakan untuk
menguji probabilitas, yang dilakukan dengan cara memperten-
tangkan antara frekuensi yang benar-benar terjadi, frekuensi
yang dapat diobservasi, observed frequencies(disingkat f0 atau
O) dengan frekuensi yang diharapkan, expected frequencies (di-
singkat fh atau E).
B. T TES DAN CONTOH PENGGUNAANNYA

Pengujian dengan t-test harus diawali dengan serangkaian
pengetesan/pengujian seperti berikut:
1. Merumuskan hipotesis nol(terarah atau tidak terarah)
2. Menentukan sample representative (termasuk ukuran
samplenya)
3. Mengetes normalitas sebaran data setiap kelompok pene-
litian
4. Jika sebaran kedua kelompok datanya normal, dilanjutkan
dengan pengetesan homogenitas varians
5. Jika kedua varians kelompok data itu homogen, dilanjut-
kan dengan uji t
6. Jika pada langkah (3) diketahui salah satu kelompok atau
keduanya mempunyai sebaran data tidak normal, maka
pengujian perbedaan dua rata-rata (mean) ditempuh den-
144 | Suwarno
gan analisis statistic non-parametrik
7. Jika pada langkah (4) diketahui sebaran datanya normal,
tetapi varians data tidak homogen, maka pengujian perbe-
daan dua rata-rata (mean) ditempuh dengan analisa uji t.
Contoh:
Melakukan penelitian tentang permasalahan yang berkenaan
dengan perbandingan skor Kecepatan Efektif Membaca (KEM)
antara siswa yang mengunakan teknik membaca dengan meng-
gunakan teknik SQ3R dengan yang menggunakan teknik biasa.
1. Hipotesisnya dirumuskan sebagai berikut:
Ho = Hasil Belajar siswa yang menerapkan teknik
diskusi sama dengan hasil belajar siswa di-
ajar dengan menggunakan teknik ceramah
H1 = Hasil Belajar siswa yang menggunakan tek-
nik diskusi lebih tinggi dibandingkan dengan
hasil belajar siswa siswa yang yang diajar de-
ngan metode ceramah.
Atau
Keterangan :
= Rata-rata Hasil belajar siswa kelompok eksperi-
men (yang
menerapkan metode diskusi)
= Rata-rata hasil belajar siswa kelompok control
(yang diajar dengan metode ceramah)

2. Sample berukuran 38 orang untuk kelompok eksperimen
dan 30 orang intik kelompok control.
3. Tes Normalitas Distribusi Data:
Kelompok Eksperimen Kelompok Kontrol
58,9 49,9 52,3 47,6 44,2 49,9 34,0 27,2
68,0 49,9 52,3 31,7 40,8 52,3 34,0 31,4
44,2 62,3 56,7 47,6 54,4 45,3 36,3 27,2
73,6 57,5 51,0 47,6 62,8 45,3 36,3 34,0
62,8 62,3 47,1 34,0 54,4 34,0 41,8 28,3
68,0 68,0 51,0 34,0 54,4 52,3 36,3 28,3
54,4 56,7 40,8 34,0 41,6 40,0 39,7 27,2
54,4 52,3 40,8 45,3 57,5 40,8 47,6 39,7
54,4 56,7 41,8 37,4 40,8 39,7
58,3 56,7 45,3 44,0 51,0 39,7
Diuji dengan menggunakan rumus:
(andaikata setelah diuji disimpulkan berdistribusi normal)

4. Tes Homogenitas dua Varians
Diuji dengan menggunakan

(andaikata setelah diuji disimpulkan kedua varians homo-
gen)
5. Pengujian Uji T
a. Mencari deviasi standar gabungan (dsg)
Rumusnya:
146 | Suwarno
Keteragan:
N1 = Banyaknya data kelompok 1
N2 = Banyaknya data kelompok 2
V1 = Varians data kelompok 1(sd1)2
V2 = Varians data kelompok 2 (sd2)2
Untuk permasalahan contoh 1 di atas
Diketahui: n1=nE=n2=nk=38
V1=VE=(sd1)2=10,072
V2=VK=(sd2)2=9,132
Maka
= 9,61
b. Menentukan t hitung
Keterangan: = rata-rata data kelompok 1

= rata-rata data kelompok 2
Dsg= nilai Deviasi standar gabungan
Untuk permasalahan contoh 1 diketahui:
N1 = N2 = NK = 38
Maka, = 4,73
Jadi, thitung = 4,73

c. Menentukan derajat kebebasan(db)
Rumusnya : db = n1 + n2 – 2
Untuk contoh di atas diperoleh:
Db = 38+38-2
= 74
d. Menentukan ttabel
Untuk hipotesis satu ekor, ttabel = t(1-α)(db)
Untuk hipotesis dua ekor, ttabel = t(1- α)(db)

Karena pada contoh di atas hipotesisnya (H1) diru-
muskan terarah (satu ekor-ujung kanan), yaitu kelom-
pok eksperimen lebih baik dari pada kelompok control
maka ttabel = t(1-α)(db) dengan taraf signifikansi (α)=0,01
dan db = 74, akan dicari t(0,99)(74) dalam daftar statistik t.
Nilai t(0,99)(74) dicari dengan interpolasi,yaitu:
t(0,99)(60) = 2,39
t(0,99)(120) = 2,36
jadi, thitung = 4,73 dan ttabel = 2,383
e. Pengujian Hipotesis
Hipotesis yang diuji adalah :
Kriteria pengujiannya:
“Tolak Ho ,jika thitung >ttabel, dalam hal lain Ho diterima”
Dari hasil perhitungan diperoleh thitung >ttabel, sehingga
Ho ditolak (H1 diterima)
Artinya: pada tingkat kepercayaan 99% disimpulkan
“Hasil belajar siswa yang diajar dengan metode diskusi
lebih baik secara signifikan daripada hasil belajar siswa
yang diajar dengan metode ceramah .”
148 | Suwarno
Catatan:
 Untuk hipotesis terarah (satu ekor-pihak kiri), yaitu:
Kriteria pengujiannya : “Tolak Ho ,jika thitung >-ttabel, dalam

hal lain Ho diterima”
 Untuk hipotesis tidak terarah (dua ekor), yaitu:
Kriteria pengujiannya: “Tolak Ho ,jika thitung <ttabel, dalam hal

lain Ho diterima”
C. UJI KAI KUADRAT DAN CONTOH PENGGUNAANNYA

Untuk menguji rata-rata (dua rata-rata atau lebih) dapat
dimanfaatkan teknik kai kuadrat (X). pengujian dengan X ada-
lah dengan menganalisis pebedaan dari gejala yang bersifat di-
kotomi atau multikotomi menurut frekuensi gejala/data terse-
but:
Rumusnya:
Keterngan : fo = frekuensi Observasi

fh = frekuensi harapan (ekspektasi)
1. Uji X2 untuk variabel tunggal
Contoh:
24 guru, SLTP diwawancarai berkenaan dengan pendirian
sebuah koperasi disekolahnya. 9 orang menganggap ada
manfaatnya, 8orang berpendirian bahwa ada tidaknya ko-

perasi sama saja, dan 7orang tidak berpendapat apa-apa
tentang koperasi.
Untuk keprluan penelitian di atas diperlukan frekuensi
teoretis sebagai pembanding frekuensi hasil observasi. Be-
sarnya frekuensi teoritis ditentukan menurut keadaan bila
setiap pendapat tidak ada perbedaan frekuensinya.
a. Rumussan Hippotesis:
Ho = tidak terdapat perbedaan yang signifikan antara
frekuensi yang diobservasi dengan frekuensi teoritis.
H1 = terdapat perbedaan yang signifikan antara freku-
ensi yang diobservasi dengan frekuensi teoritis.
b. Menghitung X2
Ditetapkan dahulu besarnya tiap-tiap ferkuensi teoritis
untuk ketiga jenis pendapat pada guru itu. Karena jum-
lah repondenya 24 orang , besarnya frekuensi yang di-
harapkan masing-masing pendapat adalah 8.
Tabel 1 Persiapan menghitung X2
Pendapat fo fh fo- (fo-fh)2
fh fh
a. Pendapat yang bermanfaat 9 8 1 0,125
b. Ada tidaknya kooperasi 8 8 0 0
sama saja
c. Tidak ada pendapat 7 8 -1 0,125
∑ 0,25
Jadi X hitung = 0,25
2
c. Mencari X 2tabel= X2 (1-α)(b-1); α = taraf signifikan

b= banyak baris
untuk α = 0,05 dan banyak baris = 3
maka X2 tabel = X2 (1-α)(b-1) = X2 (0,95)(2)=5,99
150 | Suwarno
jadi X2tabel = 5,99
d. Menguji Hippotesis
Kriteria pengujian : jika X2hitung > X2tabel maka Ho ditolak,
karena X2hitung > X2tabel maka H1 diterima.
e. Kesimpulan
Hasil pengujian hippotesis yang menerima Ho memper-
lihatkan bahwa meskipun pendapat guru menerima ko-
perasi itu paling banyak (9orang), hal ini tidaklah dapat
dijadikan alasan bagi pimpinan sekolah untuk memu-
tuskan jadi didirikannya koperasi. Paling tidak pendi-
rian koperasi hendaknya dipertimbangakan kembali,
sehingga guru-guru yang diwawancarai menyatakan
persetujuannya tentang pendirian koperasi.
2. Uji X2 untuk variabel ganda.
200 orang siswa sebuah SMU dijadiakan sampel untuk pe-
nelitian yang bertujuan mengetahui apakah terdapat per-
bedaan yang signifikan dalam hal apresiasi sastra antara
siswa laki-laki dan perempuan yang diketahui dari fre-
kuensi gemar membaca puisi, gemar menulis cerpen, dan
gemar menulis kritik sastra.
Datanya terkumpul berikut ini.

Tabel 1
Kegemaran siswa dalam apresiasi Sastra
Kegemaran
L/P Kritik
Puisi Cerpen ∑
saran
(A) (B)
(c)
L 40 60 25 ∑fL =125
P 20 40 15 ∑fP = 75
∑ ∑fA = ∑fB = ∑fC = N = 200

60 100 40
Tabel
Menghitung Frekuensi Observasi (fo)
dan frekuensi teoritis (fh)
L/P Kegemaran
foA foB foC ∑
fhA fhB fhC
L 40 60 25 125
1) 2) 3)
37,5 62,5 25
P 20 40 15 75
4) 5) 6)
22,5 37,5 15
∑ N =
60 100 40
200
152 | Suwarno
Menentukan frekuensi harapan atau frekuensi teoritis (fh)
tiap-tiap sel adalah:
Fh = ∑ fbaris ×∑ fkolom
N
Jadi, sel1 : fh1 =
Sel2: fh2 =
Sel3: fh3 =
Sel4: fh4 =
Sel5 :fh5 =
Sel6:fh6 =
Tabel 3.Persiapan menghitung X2
Soal fo fh fo-fh (fo-fh)2
1 40 37,5 2,5 6,25 0,17

2 60 62,5 -2,5 6,25 0,1
3 25 25 0 0 0
4 20 22,5 -2,5 6,25 0,28
5 40 37,5 2,5 6,25 0,17
6 15 15 0 0 0
X2 = 0,72

Jadi, X2hitung = 0,72
Hippotesi yang diuji :
Ho = tidak terdapat perbedaan yang signifikan antara sis-
wa laki-laki dan siswa perempuan dalam hal menge-
presikan sastra.
H1 = terdapat perbedaan yang signifikan antara siswa laki-
laki dan siswa perempuan dalam hal mengepresikan
sastra.
Kriteria pengujian : tolak Ho jika X2hitung ≥ X2tabel
X2tabel = X2(1-α)(baris-1(kolom-1)
Untuk α = 0,05 dan db = (2-1)(3-1) = 2
Maka X2tabel = X2 (0,95)(2) = 5,991
Karena X2hitung < X2tabel maka Ho diterima
Artinya: tidak terdapat perbedaan yang signifikan antara
siswa laki-laki dan siswa perempuan dalam hal mengapre-
siasi sastra.
154 | Suwarno
BAB 9
DAFTAR PUSTAKA
Ardhana, Wayan. 1982. Beberapa Metode Statistik. Surabaya:

Usaha Nasional.
Mario Triola. 2004. Elementary Statistics. 9th Edition. Pearson

Education
Stephen Bernstein and Ruth Bernstein. 1999. Elements of Sta-

tistics I: Descriptive Statistics and Probability. The Mc-
Graw-Hill Companies, Inc
Subana, 2000. Statistik Pendidikan. Bandung: CV Pustaka Setia.

Sudijono, Anas. 2009. Pengantar Statistik Pendidikan. Ja-
karta: PT Raja Grafindo Persada.
Sudjana. 1992. Metoda Statistika. Bandung: Tarsito.
Syamsudin. 2002. Statistik Deskriptif. Surakarta: Muhamma-

diyah University Press.
Statistical dispersion: http://en.wikipedia.org/wiki/Statistical-

dispersion

Agus Irianto. 2003. Statistik: Konsep Dasar dan Aplikasinya. Ja-
karta: Kencana.
Subana, dkk. 2000. Statistik Pendidikan. Bandung: Pustaka Setia
156 | Suwarno
BAB 9
TENTANG PENULIS
Suwarno, M.Pd dilahirkan di Magetan, 4 Agus-

tus 1978. Sekolah Dasar sampai dengan Seko-
lah Menengah Umum ditempuh di kota kela-
hiran. Jenjang S1 ditempuh di Universitas Ne-
geri Surabaya mengambil konsentrasi keilmu-
an pada bidang pendidikan matematika lulus
tahun 2004, Kemudian gelar magister pendidi-
kan untuk bidang pendidikan matematika diperoleh pada ta-
hun 2010 dari Universitas yang sama
Profesi pendidik mulai digeluti semasa kuliah dengan
menjadi pengajar di beberapa Lembaga Bimbingan Belajar. Se-
lanjutnya penulis selama kurang lebih 5 tahun mengajar di se-
buah Yayasan di Surabaya sebagai guru matematika. Menjelang
selesainya masa studi di S2 pada tahun 2010, penulis dipercaya
mengajar beberapa mata kuliah diantaranya, Logika Matema-
tika, Aljabar Linier Elementer, Persamaan Differensial di IKIP
PGRI Jember dan pada Tahun 2011 sampai sekarang penulis di-
beri amanah untuk menjadi dosen tetap di STAIN Jember untuk

mengampu mata kuliah Statistik Pendidikan, Metode Penelitian
Kuantitatif dan Matematika Ekonomi, Statistika I dan II, Kon-
sep Dasar Matematika MI beberapa mata kuliah yang lain.
158 | Suwarno

SUWARNO-Statistika Dalam Pendidikan Compressed

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

SUWARNO-Statistika Dalam Pendidikan Compressed

Diunggah oleh

Hak Cipta:

Format Tersedia

STATISTIKA DALAM PENDIDIKAN

Hak penerbitan ada pada IAIN Jember Press

Isi diluar tanggung jawab penerbit

Alhamdulillah, rasa syukur ke hadirat Ilahi Robbi (Allah

Jember, Juni 2015

Puji syukur kita panjatkan kehadirat Allah SWT, Dzat Yang

Akhirnya, kami ucapkan selamat kepada para penulis buku

Jember, Medio Agustus 2015

Prof. Dr. H. Babun Suharto, SE, MM

DAFTAR PUSTAKA ▬ 155

A. SEJARAH SINGKAT STATISTIKA (AWAL MUNCUL STATISTIK)

Statistika Dalam Pendidikan | 1

Statistika Dalam Pendidikan | 3

C. RUANG LINGKUP STATISTIKA

2. Berdasarkan tahapan dan tujuan analisisnya:

Statistika Dalam Pendidikan | 5

Statistika Dalam Pendidikan | 7

3. Berdasarkan asumsi distribusi yang digunakan:

4. Berdasarkan jumlah variabel:

D. PERANAN STATISTIKA DALAM PENELITIAN

Statistika Dalam Pendidikan | 9

Contoh 1: 50,15 ton dibulatkan hingga satuan ton terdekat

Aturan 2 : Jika angka terkiri dari angka yang harus

Statistika Dalam Pendidikan | 11

Contoh 4 : 14,36 gram dibulatkan hingga persepuluhan gram

Statistika Dalam Pendidikan | 13

kan menjadi  , dengan pengertian penjumlahan ini dilaku-

Kemudian kia menjumlahkan semua suku-suku tersebut.

Statistika Dalam Pendidikan | 15

Berikut ini akan diberikan tiga buah dalil yang berkaitan

Aturan 2 : Jika c adalah sebuah konstanta maka:

Statistika Dalam Pendidikan | 17

Dalil 3 : Jika c adalah sebuah konstanta maka:

Statistika Dalam Pendidikan | 19

Statistika Dalam Pendidikan | 21

C. TEKNIK PENGUMPULAN DATA

Dua macam pertanyaan dalam instrumen penelitian ada-

Hal-hal yang perlu diperhatikan dalam menggolongkan

Statistika Dalam Pendidikan | 23

Keuntungan Wawancara Kerugian Wawancara

Dalam kegiatan wawancara calon responden berhak un-

Statistika Dalam Pendidikan | 25

a. Berdasarkan keterlibatan pengamat dalam kegiatan

Statistika Dalam Pendidikan | 27

D. TEKNIK PENGUMPULAN DATA DENGAN TES

Statistika Dalam Pendidikan | 29

1. Pengujian Validitas Instrumen

Statistika Dalam Pendidikan | 31

Hasil pengukuran yang kita peroleh disebut dengan data

A. PENYAJIAN DATA DENGAN TABEL

Statistika Dalam Pendidikan | 33

Tabel 1. Daftar Nilai Ujian Matakuliah Statistik

Sangatlah sulit untuk menarik suatu kesimpulan dari daf-

Pada Tabel 2a, kita bisa mengetahui bahwa ada 80 maha-

Statistika Dalam Pendidikan | 35

Tabel 2b merupakan daftar frekuensi dari data yang sudah

Nilai Data Frekuensi

Dari bentuk umum di atas, tabel distribusi frekuensi dapat

Statistika Dalam Pendidikan | 37

b. Ujung Bawah adalah bilangan yang terdapat di sebelah

c. Ujung Atas adalah bilangan yang terdapat di sebelah ka-

e. Batas Atas adalah bilangan yang diperoleh dengan cara

Statistika Dalam Pendidikan | 39