PENGANTAR PENULIS
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.
vi
BAB 1
PENGANTAR
REKTOR IAIN JEMBER
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.
ix
penting, beraneka “warna pemikiran” yang terdokumentasi da-
lam buku ini menjadi referensi pembaca dalam memaknai se-
tiap problematika kehidupan.
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
xiii
xiv
BAB 1
PENDAHULUAN
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-
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.
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-
8 | Suwarno
b. Statistika Multivariat: teknik analisis statistik yang
melibatkan lebih dari satu variabel dependent sekali-
gus.
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).
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
X i
X X
i 1 = X1 + X 2 + 3 + . . . + n
n
Kadang-kadang notasi penjumlahan i 1 disederhana-
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 .
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
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
( 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
cX i c X i
i 1 i 1
Bukti:
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
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
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
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
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.
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
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.
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.
32 | Suwarno
BAB 3
PENYAJIAN DATA
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
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
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
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.
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.
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.
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
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
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
46 | Suwarno
diganti dengan frekuensi kumulatif kurang dari, batas-ba-
tas kelas diganti dengan “kurang dari” ekspresi yang
menggambarkan kisaran nilai-nilai baru.
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
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
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:
∑ = lambang penjumlahan semua gugus data pengamatan
fi = frekuensi data ke-i
n = banyaknya sampel data
= nilai rata-rata sampel
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
Keterangan:
∑ = lambang penjumlahan semua gugus data pengamatan
fi = frekuensi data ke-i
= nilai rata-rata sampel
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
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:
58 | Suwarno
b. Median dalam distribusi frekuensi:
Formula untuk menentukan median dari tabel distribusi
frekuensi adalah sebagai berikut:
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-
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
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
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
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.
UKURAN PENYEBARAN/
UKURAN DISPERSI/
UKURAN VARIABILITAS
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
Statistika Dalam Pendidikan | 73
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.
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-
letak pada urutan ke-9, yaitu 20
Quiz 2:
Letak Q1 = ¼(11+1) = 3 sehingga nilai Q1 adalah data yang ter-
letak pada urutan ke-3, yaitu 5
Letak Q3 = ¾(11+1) = 9 sehingga nilai Q1 adalah data yang ter-
letak pada urutan ke-3, yaitu 17
Kesimpulan:
Berdasarkan simpangan kuartil, Quiz ke-2 lebih bervariasi di-
bandingkan dengan Quiz ke-1. (kesimpulannya berbeda dengan
kesimpulan berdasarkan range)
Populasi:
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 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
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:
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:
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:
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:
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.
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.
dimana:
Interpretasi:
Distribusi dikatakan:
Mesokurtik (Normal) jika b2 = 3
Leptokurtik jika b2 > 3
platikurtik jika b2 < 3
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
x xx
z z
bagi populasi dan s bagi sampel.
94 | Suwarno
simpangan bakunya sama dengan 1.
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%.
Penyelesaian:
x = nilai hasil ujian
x = 67,75
s = 6,25
xx
z
a. Dengan rumus s untuk x 70 maka
70 67,75
z z 0,36
6,25
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
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
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
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
106 | Suwarno
Sedangkan yang diminta:
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.
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
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.
Luas p % p = 1 % atau 5 %
F0 , 01:(16 , 9 )
Jika kita gunakan p = 0,01 diperoleh nilai =
4,92. Kurvanya:
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
UJI NORMALITAS
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
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
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
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:
No
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.
ANALISIS KORELASI
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;
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
NXY 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)
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
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 )
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 =
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
ry1 =
=
= 0,91
ry2 =
=
= 0,93
=
= 0,93
Ry1.2 =
=
= 0,93
F=
Keterangan :
R² = korelasi kuadrat (koefisien determinasi)
m = jumlah variabel bebas
N = jumlah individu
138 | Suwarno
Sehingga harag F dapat dihitung :
F= = 15,36
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.
ANALISIS
KOMPARASIONAL
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)
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
N1 = N2 = NK = 38
Maka, = 4,73
Jadi, thitung = 4,73
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:
Rumusnya:
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.
Kegemaran
L/P Kritik
Puisi Cerpen ∑
saran
(A) (B)
(c)
L 40 60 25 ∑fL =125
P 20 40 15 ∑fP = 75
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
Sel2: fh2 =
Sel3: fh3 =
Sel4: fh4 =
Sel5 :fh5 =
Sel6:fh6 =
X2 = 0,72
154 | Suwarno
BAB 9
DAFTAR PUSTAKA
156 | Suwarno
BAB 9
TENTANG PENULIS
158 | Suwarno