STATISTIK PENDIDIKAN
BABUNNAJAH MENES
ii
KATA PENGANTAR
Puji syukur kami sampaikan kehadiran Tuhan Yang Maha Pemurah, karena
berkat kemurahan-Nya bahan ajar ini dapat kami selesaikan sesuai yang
diharapkan.
Dalam rangka memenuhi bahan perkuliahan pada program studi pendidikan
Guru Sekolah Dasar (PGSD) dan PG-PAUD di Sekolah Tinggi Kegurauan dan
Ilmu Pendidikan Babunnajah Menes disusunlah buku ajar ini dengan sajian yang
lebih praktis, singkat, padat, dan tetap mengacu pada pemenuhan target penguasaan
mahasiswa pada materi kuliah Statistika Pendidikan.
Disusunnya buku ajar ini dengan sajian yang praktis, dimaksudkan untuk bisa
lebih mudah dimengerti dan dipahami serta dapat diaplikasikan oleh mahasiswa
Sekolah Tinggi Kegurauan dan Ilmu Pendidikan Babunnajah Menes yang notabene
statistika digunakan sebagai alat bantu analisis dalam dunia pendidikan.
Secara garis besar, sajian materi pada buku ini terbagi dalam dua kelompok
katagori jika ditinjau dari jenis ilmu statistika. Pertama, sajian statistika deskriptif,
disajikan sejak awal perkuliahan hingga saat ujian tengah semester. Sedangkan
katagori materi kedua, yang berupa statistika induktif, disajikan setelah ujian tengah
semester. Tentu tidak semua materi statistika induktif sebagaimana terdapat pada
buku-buku statistika disajikan seluruhnya. Materi statistika induktif dalam buku ini
hanya mengetengahkan materi yang sesuai kebutuhan mahasiswa.
Kami menyadari makalah ini masih jauh dari kesempurnaan. Oleh sebab itu,
kritik dan saran yang membangun sangat kami perlukan. Demikian makalah ini
kami buat semoga membawa manfaat bagi pembacanya.
Februari 2020,
ii
DAFTAR ISI
HALAMAN JUDUL.......................................................................................
KATA PENGANTAR....................................................................................
DAFTAR ISI...................................................................................................
BAB I Statistik dan Statistika
1.1 Pengertian Statistik dan Statiska......................................................... 1
1.2 Pembulatan Angka.............................................................................. 2
1.3 Distribusi Frekuensi............................................................................ 5
1.4 Tendensi Sentral................................................................................. 8
1.5 Modus dan Median............................................................................. 14
1.6 Kuartil, Desil, dan Persentil............................................................... 18
BAB II Z Skor
2.1. Pengertian Z-Skor............................................................................... 24
2.2. Cara Mengubah Data menjadi Z-Skor............................................... 25
2.3. Mengubah Z-Skor ke Standar Skor.................................................... 31
2.4. Bentuk Macam-Macam Kurve........................................................... 32
DAFTAR PUSTAKA
iii
BAB I
Pengertian Statistik dan Statiska
iii
penyelidikan
Statistik memaksa penyelidik menganut tata fikir dan tata kerja
yang definit eksak.
Statistik menyediakan cara-cara meringkas data ke dalam bentuk
yang lebih banyak artiya dan mudah mengerjakanya.
Statistik memberi dasar-dasar untuk menarik kesimpulan melalui
proses-proses yang mengikuti tata yang dapat diterima oleh ilmu
pengetahuan.
iii
satuan.
1. Jika pecahan yang akan dibulatakan kurang dari 0,005 atau 0,0005 dan
seterusnya, maka pecahan tersebut dihilangkan.
Contoh: ttabel = 63,66
thitung = 64,543 dibulatkan = 64,54
thitung = 64,5432 dibulatkan 64,54
2. Jika pecahan yang akan dibulatkan lebih dari 0,05 atau 0,005 atau 0,0005
dan seterusnya, maka pecahan tersebut menjadi 1.
Contoh: ttabel = 63,66
thitung = 64,548 dibulatkan = 64,55
thitung = 64,5482 dibulatkan 64,55
3. Jika pecahan yang akan dibulatkan sama dengan 0,05 atau 0,005 atau
iii
0,0005 dan seterusnya, maka pecahan tersebut menjadi 1 untuk bilangan
sebelumnya ganjil.
Contoh: ttabel = 63,66
thitung = 63,50 dibulatkan = 64
thitung = 63,500 dibulatkan = 64
4. Jika pecahan yang akan dibulatkan sama dengan 0,05 atau 0,005 atau
0,0005 dan seterusnya, maka pecahan tersebut dihilangkan untuk
bilangan genap.
Contoh: ttabel = 63,66
thitung = 63,50 dibulatkan = 64
thitung = 63,500 dibulatkan = 64
Frekuens
Nilai
i
31 - 40 2
41 - 50 3
51 - 60 5
61 - 70 14
71 - 80 24
81 - 90 20
91 - 100 12
Σ 80
Misal : f = 2
iii
Untuk kelas interval pertama artinya 2 orang mahasiswa yang mendapat
nilai ujian paling rendah 31 dan yang paling tinggi 40.
Bilangan-bilangan disebelah kiri kelas interval disebut ujung atas. Ujung-
ujung bawah kelas interval pertama, kedua, …, terakhir adalah 31,41, …,
91 sedangkan ujung- ujung atasnya berturut-turut 40, 50, …, 100.
Selisih positif antara tiap dua ujung bawah berurutan disebut panjang kelas
interval. Dalam daftar diatas panjang kelasnya disingkat dengan p, adalah
10, jadi p= 10 dan semuanya sama (Sudjana, 1992: 45).
Nilai Taly f
8 IIII 4
7 IIIII IIIII IIIII IIIII III 23
6 IIIII IIIII IIIII IIIII IIIII III 28
5 IIIII IIIII IIIII I 16
4 I 1
Σ 72
iii
b. Tentukan banyak kelas interval aturan “sturges” sbb:
Banyak kelas = 1 + (3,3) log n
N data diatas = 80
Banyak kelas = 1 + (3,3) log 80
= 1 + (3,3) (1,9031)
= 7,2802
Kita bisa membuat daftar distribusi frekuensi dengan banyak kelas 7 atau
8.
rentang
p Misal: jika banyak kelas diambil 7
banyak kelas
64
p=
7
Pilih ujung bawah kelas interval pertama. Untuk ini bisa diambil sama
dengan data terkecil atau nilai data yang lebih kecil dari data terkecil,
tetapi selisihnya harus kurang dari panjang kelas yang telah ditentukan.
Dengan p = 10 dan memulai data yang lebih kecil dari data terkecil
diambil 31 maka kelas pertama berbentuk 31 – 40, kelas kedua 41 – 50 dst.
Nilai Tabulasi/Taly f
31 - 40 II 2
41 - 50 III 3
51 - 60 IIIII 5
61 - 70 IIIII IIIII IIII 14
71 - 80 IIIII IIIII IIIII IIIII IIII 24
81 - 90 IIIII IIIII IIIII IIIII 20
91 - 100 IIIII IIIII II 12
iii
1.4 Tendensi Sentral
A. Rata-Rata Hitung
Nilai- nilai data kuantitatif dinyatakan dengan χ1, . . . ,χn apabila dalam
kumpulan data terdapat n buah nilai. Simbol n akan dipakai untuk
menyatakan ukaran sampel. Simbol N dipakai untuk menyatakan
ukuran populasi, yakni banyak anggota terdapat dalam populasi.
Jika ada lima nilai ujian dari lima orang mahasiswa mata kuliah
statistik berbentuk: 70, 69, 45, 80, dan 56 maka dalam simbol ditulis:
χ1=70, χ2=69, χ3= 45, χ4=80, χ5= 56 dalam hal ini n = 5. Rata- rata
hitung untuk data kuantitatif yang terdapat dalam sebuah sampel
dihitung dengan jalan membagi jumlah nilai data oleh banyak data.
Simbol rata-rata untuk sampel x̄ sedangkan rata-rata banyak popilasi
dengan simbol u (baca: mu). x̄ adalah statistik dengan u adalah
parameter untuk menyatakan rata-rata.
x 1+ x 2 +. ..+ x n Σx1
Rumus rata-rata x̄= Atau x̄
n n
Untuk kelima nilai ujian diatas, nilai rata- ratanya:
70+69+ 45+80+56
x̄= = 64
5
xi fi
70 5
69 6
45 3
80 1
56 1
Σf x
Rumus: x̄ =
i i
Σf i
Χi fi fiXi
70 5 350
69 6 414
45 3 135
80 1 80
56 1 56
Σ 16 1035
iii
Σf x 1035
Rumus: x̄ =
i i
= = 64,6 ....................................Cara 1
Σf i
16
Nilai Ujian Statistik
Nilai fi xi fixi
31 - 40 1 35,5 35,5
41 - 50 2 45,5 91
51 - 60 5 55,5 277,5
61 - 70 15 65,5 982,5
71 - 80 25 75,5 1887,5
81 - 90 20 85,5 1710
91 - 100 12 95,5 1146
Jumlah 80 - 6130
Nilai fi xi ci fici
31 - 40 1 35,5 -4 -4
41 - 50 2 45,5 -3 -6
51 - 60 5 55,5 -2 -10
61 - 70 15 65,5 -1 -15
71 - 80 25 75,5 0 0
81 - 90 20 85,5 1 20
91 - 100 12 95,5 2 24
Jumlah 80 - - 9
menghitung rata rata dari data dalam daftar distribusi frekuensi dengan
cara sandi atau cara singkat. Ambil salah satu tanda kelas, namakan x0.
Untuk harga x0 diberi sandi c = 0.
Tanda kelas yang lebih kecil dari x0. Berturut turut mempunyai
harga-harga sandi c = +1, c = +2, c = +3 dst.
Tanda kelas yang lebih besar dari x0.berturut turut mempunyai
harga- harag sandi c = +1, c = +2, c = +3 dst.
Jika p = panjang kelas interval yang sama besarnya maka rata-rata
dihitung dengan
Rumus sebagai berikut:
iii
Σf c
x̄ = x 0 + p
( )
Σf
i i
i
80 ( )
= 75,5 + 10(0,1125)
= 75,5 + 1,125
= 76,625
B. Rata- Rata Ukur
Jika perbandingan tiap dua data berurutan tetap atau hampir tetap, rata-
rata ukur lebih baik dipakai dari pada rata-rata hitung apabila
dikehendaki rataratanya. Untuk data bernilai x1, x2, x3,. . .xn rata rata
ukur u didefinisikan:
√n x 1 , x 2 , … x n
Contoh: rata rata ukur untuk data
x1= 2 x1 = 4 x3 = 8
U 3 2.4.8 3 64 4
Untuk data yang telah disusun dalam daftar distribusi frekuensi rata-
rata ukuranya dihitung dengan rumus:
Σ f log x
logU = i
Σfi
Nilai Ujian Statistik Mahasiswa
iii
Σ f log x
logU = i
Σfi
Untuk data x1, x2, x3,. . .xn dalam sampel berukuran n, rata-rata
n
H=
harmonik ditentukan oleh 1
Σ
xi ( )
Untuk data dalam daftar distribusi frekuensi, rata-rata harmonik
dihitung dengan rumus:
Σfi
H
fi
Σ
()
xi
fi
Nilai fi xi
xi
31 - 40 1 35,5 0,0282
41 - 50 2 45,5 0,0440
51 - 60 5 55,5 0,0901
61 - 70 15 65,5 0,2290
71 - 80 25 75,5 0,3311
81 - 90 20 85,5 0,2339
91 - 100 12 95,5 0,1257
Jumlah 80 - 1,0819
Rata-rata harmonik
Σfi
H=
fi
Σ
( )
xi
80
=
1,0819
= 73,94
iii
Catatan:
x̄=¿76,62
U = 75,37
H = 73,94
Ternyata terdapat hubungan H < U < x̄
Berlaku secara umum H ≤ U ≤ x̄
1.5 Modus dan Median
a. Modus
Contoh; data nilai statistik: 12, 34, 14, 34, 34, 28, 34, 14, 28
xi fi
12 1
14 2
28 2
34 4
b1
M o=b+ p ( b1 +b1 )
Keterangan;
b = batas kelas ialah kelas interval dengan frekuensi terbanyak.
p = panjang kelas modal
b1=frekuensi kelas dikurangi frekuensi kelas interval
b2=frekuensi kelas dikurangi frekuensi kelas interval
iii
Nilai fi
31 - 40 1
41- 50 2
51 - 60 5
61 - 70 15
71- 80 25
81- 90 20
91- 100 12
Jumlah 80
b1
M o=b+ p ( b1 +b1 )
10
= 70,5 + 10( 10+5 )
10
= 70,5 + 10 ( 15 )
2
= 70,5 + 10 ( 3 )
= 70,5 + 6,667
= 77,1667
b. Median
Median menentukan letak data setelah data itu disusun menurut urutan
nilainya. Jika nilai median sama dengan Me , maka 50% dari data
harga- harganya paling tinggi sama dengan Me sedangkan 50% lagi
harga- harganya paling rendah sama dengan Me.
Jika banyak data ganjil, maka median Me, setelah data disusun
menurut nilainya, merupakan data paling tengah.
Contoh: 4, 12, 5, 7, 8, 10, 10
Jika disusun: 4, 5, 7, 8, 10, 10, 12
Data paling tengah bernilai 8. Jadi Me = 8
iii
Untuk data berukuran genap, medianya sama dengan rata- rata
hitungan dua data tengah;
Misal: 7, 8, 8, 10, 12, 14, 16, 19
1
Me = ( 10+12 )
2
=11
Untuk data (bergolong) dalam daftar distribusi frekuensi, Mediannya
dihitung dengan rumus:
1
M e =b+ p
2
( )
n−F
f
Keterangan :
b = batas bawah kelas median, ialah kelas dimana median akan terletak
p = panjang kelas median
n = banyak data
F = jumlah semua frekuensi dengan tanda kelas lebih kecil dari tanda
kelas median
f = frekuensi kelas median
Nilai fi F
31 - 40 1 1
41- 50 2 3
51 - 60 5 8
61 - 70 15 23
71- 80 25 48
81- 90 20 68
91- 100 12 80
Jumlah 80
Setengah dari seluruh data ada 40 buah. Jadi median akan terletak di
kelas interval kelima, karena sampai dengan ini jumlah frekuensi sudah
lebih dari 40.
b = 70,5 p = 10 f = 25 F = 1+ 2+ 5+ 15 = 23
iii
1
M e =70,5+10
2
(
( 80 )−23
25 )
¿ 70,5+10 ( 40−23
25 )
= 77,3
1.6 Kuartil, Desil, dan Persentil
a. Kuartil
Jika sekumpulan data dibagi menjadi empat bagian yang sama banyak,
sesudah disusun menurut urutanya yang sama banyak. Maka bilangan
pembaginya disebut Kuartil.
Ada 3 buah kuartil, ialah kuartil pertama kuartil kedua, dan kuartil ketiga
yang masing masing disingkat dengan K1, K2,dan K3
i ( n+1 )
Letak Ki = data ke ; i= 1,2,3
4
Letak K1 = ?
Contoh: 52, 56, 57, 60, 64, 66, 70, 75, 82, 86, 92, 94
Jawab:
12+1 1
Letak K1 = data =¿data ke = 3
4 4
Yaitu antara data ke-3 data ke-4 seperempat jauh dari data ke- 3
1
Nilai K1 = data ke- 3 + (data ke- 4 - data ke-3
4
1
= 57 + ( 60−57 )
4
3
= 57
4
3 (12+1 )
Letak K3 = data
4
iii
3
= data ke 9
4
3
= data ke- 9 + (data ke- 10 – data ke- 9)
4
3
= 82 + (86-82)
4
= 85
¿ −F
Ki=b+ p
4
f ( )
Catatan:
Nilai fi
31 - 40 1
41- 50 2
51 - 60 5
61 - 70 15
71- 80 25
81- 90 20
91- 100 12
Jumlah 80
contoh:
3
Letak K3 ×80=60 data K3 terletak kelas interval keenam
4
b = 80,5 ; p = 10; f = 20
F = 1+2+5+15+25= 48
iii
3 × 80
−48
K3 = 80,5 + 10 4
20
= 80,5 + 6
= 86,5
b. Desil
Jika kumpulan data dibagi 10 bagian yang sama, maka didapat sembilan
pembagi dan tiap pembagi dinamakan Desil. Karena itu ada 9 buah desil;
desil pertama, desil kedua . . . ,desil kesembilan yang disingkat; D 1,
D2,. . . .D9
Catatan:
iii
b = batas bawah Di ialah kelas interval dimana Di akan terletak
p = panjang kelas Di
F = jumlah frekuensi dengan tanda kelas lebih kecil
f = frekuensi kelas Di
Letak D3 = ?
30% × 80 = 24 data
b = 60,5
p = 10
f = 15
F = 1+ 2+ 5 = 8
¿ −F
D3=b+ p
10
( )
f
3 × 80
= 60,5 + 10
(
10
15
−8
)
= 60,5 + 10(1,0667)
= 60,5 + 10,667
= 71,167 = 71,2
Artinya ada 70% mahasiswa paling sedikit mendapat nilai 71,2 dan 30%
mendapat nilai paling besar 71,2
c. Persentil
Sekumpilan data dibagi menjadi 100 bagian yang sama akan menghasilkan
99 pembagi yang berturut turut dinamakan persentil pertama, persentil
kedua, . . . ,persentil ke- 99 dengan simbol P99
i(n+1)
Letak Pi = data ke
100
iii
Dengan i= 1, 2, . . . ,99
Untuk data dalam daftar distribusi frekuensi dengan rumus:
¿ −F
Pi=b + p (
100
f )
Dengan i= 1, 2, . . . , 99
Catatan:
b = batas bawah Pi ialah kelas interval dimana Pi akan terletak
p = panjang kelas Pi
F = jumlah frekuensi dengan tanda kelas lebih kecil
f = frekuensi kelas Pi
BAB II
Z-skor
Dimana:
Z = nilai standar;
X = nilai dengan satuan angka kasar
x̄ = rata-rata hitung
S = simpangan baku atau simpangan deviasi (SD)
Contoh:
1. Nilai rata-rata matematika suatu kelas adalah 7. Diketahui A mendapat nilai 6
dan standar deviasi dari ulangan tersebut 0,5. Tentukan nilai standarnya !
iii
Jawab:
x A −x 6−7
Z A= = =−2
SD 0,5
2. Rata-rata kelas A dalam ulangan pertama matematika adaalah 72,3 dengan
standar deviasi 6,7 dan kelas B rata-ratanya 74,2 dengan standar deviasi 7,1.
Nilai ulangan Ali dari kelas A adalah 75 dan Budi dari kelas B adalah 76.
Nilai siapakah yang paling tinggi dari Ali dan Budi untuk ulangan pertama
tersebut ?
Jawab:
75−72, 3
=0 , 40
Ali : Z= 6,7
76−74 , 2
=0 , 25
Budi : Z= 7,1
Karena nilai Z untuk Ali lebih besar dari pada Budi, maka nilai Ali lebih
tinggi dibandingkan Budi untuk ulangan tersebut.
x− x̄
Z = s
Dimana:
Z = nilai standar;
X = nilai dengan satuan angka kasar
x̄ = rata-rata hitung
S = simpangan baku atau simpangan deviasi (SD)
Misalkan daalam tes seleksi siswa yang akan mengikuti lomba OSN yang diikuti
oleh 10 orang testee, dalam tes mana testee dihadapkan pada lima jenis tes, yaitu :
tes bahasa inggris (X1), tes IQ (X2), tes kepribadian (X3), tes sikap (X4), dan tes
kesehatan jasmani (X5). Skor- skor yang diperoleh dari kelima jenis tes tersebut di
atas adalah sebagaimana dapat diperiksa pada tabel di bawah ini.
iii
Skor mentah Hasil Tes
Testee Bahasa I.Q Kepribadian Sikap Kesehatan
Inggris (X1) (X2) (X3) (X4) Jasmani(X5)
A 72 114 48 172 211
B 65 105 51 163 205
C 76 115 44 169 224
D 64 115 42 179 198
E 71 101 55 181 207
F 73 120 56 175 219
G 75 125 57 183 225
H 68 109 49 168 216
I 70 103 51 167 224
J 66 111 47 153 221
Seperti dapat kita saksikan pada tabel dibawah ini maka skor – skor mentah yang
diperoleh dari lima jenis tes cara pengukuran dan penilaian yag berbeda itu,
adalah sangat bervariasi. Berhubung dengan itu maka untuk dapat menetukan
siapakah di antara 10 orang testee yang lain, diperlukan adanya skor atau nilai
yang bersifat baku (standar), dimana dengan nilai standar itu kita dapat
mengetahui kedudukan relatif (standar position) dari 10 orang testee untuk kelima
jenis tes tersebut.
iii
2. Mencari skor rata-rata hitung (mean) dari variabel x1, x2, x3, x4 dan
x5 dengan menggunakan rumus :
∑ Xi
x̄ = N
3. Mencari (menghitung) deviasi x1, x2, x3, x4 dan x5 dengan rumus:
Xi = xi - x̄
4. Menguadratkan deviasi x1, x2, x3, x4 dan x5 kemudian dijumlahkan,
sehingga diperoleh: ΣX12 , Σ X22, Σ X32, Σ X42,dan Σ X52.
∑ x2
S=
√
6. Mencari (menghitung) z skor, dengan rumus :
N
x− x̄
Z = s
iii
E 71 101 55 181 207 +1 -10 +5 -8 -8
F 73 120 56 175 219 +3 +9 +6 +4 +4
G 75 125 57 183 225 +5 +14 +7 +12 +10
H 68 109 49 168 216 -2 -2 -1 -3 +1
I 70 103 51 167 224 0 -8 +1 -4 +9
J 66 111 47 153 221 -4 0 -3 -18 +6
10=N 700 1110 500 1710 2150 0= 0= 0= 0= 0=
=Σx1 = Σx2 =Σx3 = Σx4 = Σx5 Σx1 Σx2 Σx3 Σx4 Σx5
X bar 70 111 50 171 215
Dari tabel perhitungan berikut pada akhirnya telah dapat kita peroleh total z skor
dari 10 orang peserta tes calon peserta OSN untuk kelima jenis tersebut di atas,
yaitu:
A = +0, 17;
B = -3, 95;
C = +1, 60;
iii
D = -4, 74;
E = +0, 18
F = +4, 18;
G = +7, 20;
H = -1, 24;
I = -0, 34 dan
J = -3, 06
Kalau saja dalam tes seleksi itu hanya akan diterima atau diluluskan satu orang
saja, maka yang dapat ditanyakan lulus adalah testee bernama G dengan z skor
bertanda positif (+) sebesar 7,20 jika yang akan diluluskan akan sebanyak dua
orang, maka testee berikutnya yang dapat diluluskan adalah F dengan total z skor
bertanda positif sebesar 4,18. jika yang akan diluluskan tiga orang, maka testee
berikutnya adalah C dengan total z skor bertanda positif (+) sebesar 1,60.
demikian seterusnya.
iii
Bandingkan nilai keempat siswa tsb!
AD =
∑ fx =
82,0
= 1,64
N 50
∑ fx2 212
SD =
√ N
=
√ 50
= 2,06
x− x̄
Z = SD
X f
70 5
77 5
iii
84 5
91 5
98 5
105 5
112 5
119 5
126 5
133 5
B. TRAPESIUM
X f
70 2
77 3
84 6
91 7
98 7
105 7
112 7
119 6
126 3
133 2
50
C. PLATIKUTIK
X f
70 4
77 4
84 5
91 6
98 6
105 6
iii
112 6
119 5
126 4
133 4
50
D. LEPTOKUTIK
X f
70 1
77 2
84 4
91 7
98 11
105 11
112 7
119 4
126 2
133 1
50
E. MESOKUTIK (NORMAL)
X f
70 3
77 3
84 4
91 6
98 9
105 9
112 6
119 4
126 3
133 3
50
F. DWIMODE
X f
70 3
77 3
84 9
91 5
98 5
105 5
112 5
iii
119 9
126 3
133 3
50
2. ASIMETRIS
A. JULING POSITIF
X f
70 5
77 9
84 11
91 10
98 6
105 4
112 2
119 1
126 1
133 1
50
B. JULING NEGATIF
X f
70 1
77 1
84 1
91 2
98 4
105 6
112 10
119 11
126 9
133 5
50
KURVE NORMAL
iii
34,13%
13,59%
2,15%
-3SD -2SD -1SD 0 +1SD +2SD +3SD
Contoh soal:
Diketahui distribusi nilai tes seleksi masuk sebuah perusahaan dari 800 calon
a. Apabila calon yang diterima sebanyak 90 orang, berapa batas nilai tes
terendah agar bisa diterima.
b. Nilai 48 ke bawah termasuk kategori “nilai mati”. Berapa orang yang
mendapat nilai mati?
c. Berapa orang yang nilainya 64 ke bawah?
d. Berapa orang yang nilainya antara 52 dan 70?
Jawab:
+1,21SD
iii
50% - 11,25%= 38,75%
X- X
Z = SD
X-60
1,21 = 5
6,05 = X – 60
X = 66,05
Jadi nilai terendah yang harus dimiliki calon karyawan agar bisa diterima
diperusahaan tersebut adalah 66,05.
-2,4SD
X- X 48-60 −12
= =−2,4 SD
2. Z = SD = 5 5 Dari table diperoleh 0,4918 =
49,18%
Luas area yang diarsir 50%- 49,18% = 0,82%
Jadi yang mendapat nilai mati dalam seleksi tersebut ada 7 orang calon.
iii
+0,8SD
X- X 64-60 + 4
= =+ 0,8SD
3. Z = SD = 5 5 Dari table diperoleh 0,2881 =
28,81%
Luas area yang diarsir 50%+ 28,81% = 78,81%
Jadi yang mendapat nilai 64 ke bawah dalam seleksi tersebut ada 631 orang
calon.
-1,6SD +2SD
X- X 52-60 −8
= =−1,6 SD
4. Z1 = SD = 5 5 Dari tabel diperoleh 0,44,52=
44,52%
iii
X- X 70-60 +10
= =+2 SD
Z2 = SD = 5 5 Dari tabel diperoleh 0,4772 =
47,72%
Jadi yang mendapat nilai 52 - 70 dalam seleksi tersebut ada 738 orang calon
Soal Latihan
Language) dari 750 mahasiswa adalah normal dengan X = 450 dan SD = 55.
Apabila syarat nilai terendah agar bisa diterima di program pasca sarjana
adalah 400, berapa banyak orang yang bisa diterima?
iii
BAB III
Uji Hipotesis Menggunakan T-test
iii
Berdasakan tiga hat tersebut, maka berikut ini diberikan beberapa petunjuk
untuk memilih rumus t-tes :
1. Bila jumlah sampel n1 = n2, dan variansi homogen (S12 = S22) maka dapat
digunakan rumus t-tes baik untuk separated, maupun pool varians, (rumus 1
atau 2). Untuk melihat harga t-tabel digunakan dk = n1 + n2 – 2.
2. Bila n1 ≠ n2, varians homogen (S12 = S22) dapat digunakan rumus 2, derajat
kebebasannya (dk) = n1 + n2 – 2.
3. Bila n1 = n2, varians tidak homogen (S12 ≠ S22), dapat digunakan rumus 1
dan 2, dengan dk = n1 -1 atau n2 -1. Jadi dk bukan n1 + n2 –2 (Phopan,
1973).
4. Bila n1 ≠ n2 dan varians tidak homogen (S12 ≠ S22). Untuk ini digunakan t-
tes dengan separated varians, rumus 1. Harga 1 sebagai pengganti t-tabel
dihitung dari selisih harga t-tabel dengan dk (n1 -1) selisih dk (n2 -1) dibagi
dua, kemudian ditambahkan dengan harga 1 yang diperkecil.
Contoh :
n1 = 25, dengan dk = 24, maka harga t-tabel = 2, 797.
n2 = 13, dengan dk = 12, maka harga t-tabel = 3, 055.
Harga t-tabel untuk signifikan 1%.
Rumus 3
iii
Rumus itu berlaku untuk dua sampel ataupun lebih. Yang penting dari sampel
itu terdapat varians yang terbesar dan terkecil. Untuk dapat menguji homogenitas
varians , maka harus terlebih dahulu diketahui masing-masing sampel.
Pada uji hipotesis komparatif rata-rata dua sampel ini dirumuskan hipotesisnya
adalah : “Tidak terdapat perbedaan kemampuan kerja antara pegawai pria dan
wanita” (Ho).
Hipotesis diatas diuji dengan t-tes. Sebelumnya perlu diuji terlebih dahulu
homogenitas variansnya.
Pada contoh berikut akan diuji homogenitas varians untuk variabel kemampuan
kerja pegawai yang terdiri atas dua kelompok sampel. Sampel pertama adalah
pegawai pria dengan jumlah anggota sampel 22, dan kelompok kedua adalah
pegawai wanita dengan jumlah anggota sampel 18.
iii
20 34
21 45
22 49
n1 = 22 n2 = 18
X1 = 51, 00 X2 = 49,67
S1 = 15,44 S2 = 11,30
S12 = 238,29 S22 = 127, =76
Tabel diatas ditunjukkan skor data untuk variabel kemampuan kerja dari
kelompok pria dan wanita. Dalam tabel juga ditunjukkan hasil perhitungan
tentang nilai rata-rata, simpangan baku, dan varians dapat dihitung dengan rumus
3. Untuk itu berlaku hipotesis statistik sebagai berikut :
iii
S12, dan varians wanita dimasukkan pada . Jumlah anggota n1 = 22 dan n2 =
18.
51−49,67
t= ( 22−1 ) .238 , 29+( 18−1 ) .127 , 76 . 1 + 1
(22+18−2) 22 18
1,330 1,330
t= 188,842.0,101 = 4,366
= 0,305
jadi harga t hitung = 0,305. Untuk menguji signifikansinya, maka harga t hitung
ini perlu dikonsultasikan dengan t tabel, dengan dk = (22 + 18 – 2), dan taraf
kepercayaan diambil 95% atau taraf signifikasi 5%, berdasarkan dk = 38 maka t
tabel nya berkisar = 2,021.
Jadi hipotesis nol (nihil) yang menyatakan “tidak terdapat perbedaan kemampuan
kerja pegawai pria dan wanita diterima.
iii
√ (N-1)
ΣD2 ΣD
SDD = √ [ – ( )2 ] Rumus 24-c
N N
Contoh:
Suatu penelitian percobaan (eksperimen) dilakukan untuk mendapatkan efektivitas
metode pembelajaran matematika. Dilakukan pengujian awal atau Pre-Test
dengan metode lama, dan setelah diterapkan metode baru, kemudian dilakukan
pengujian lanjutan atau post-Test dengan metode baru tersebut.
Pada pengujian dengan metode baru, diajukan hipotesis untuk melihat
perbandingan metode dengan hipotesis nihil sbb: “apakah tidak terdapat
perbedaan antara metode lama dengan metode baru dengan sebelumnya
dilakukan pre-test dan sesudahnya dengan post-test pada pembelajaran
matematika”.
Dalam uji coba pada 25 siswa, didapatkan nilai pre-test (sebelum dilakukan
metode baru), dan post-test (setelah dilakukan metode baru) sebagaimana tertera
pada Tabel IX di bawah ini.
Tabel IX: Nilai Matematika Siswa pada Saat Pre-Test dan Post-Test
Nilai Matematika
Responden Sebelum Sesudah
Diterapkan Diterapkan
Metode Baru (X) Metode Baru (Y)
1 70 67
2 60 68
3 70 71
4 55 59
5 57 63
6 49 54
7 69 66
8 70 74
9 81 89
10 30 33
11 55 51
12 40 50
iii
13 63 69
14 85 83
15 70 77
16 62 69
17 58 73
18 65 65
19 75 76
20 69 86
21 46 51
22 70 74
23 76 80
24 55 62
25 56 65
Langkah-langkah untuk menyelesaikan permasalahan mencari T-test (t) adalah:
1). Mencari nilai perbedaan (D) antara Nilai X dan Nilai Y, dan menyusunnya
dalam tabel berikut ini:
Tabel IX-1: Perhitungan Perbedaan antara Nilai Pre-Test dan Post-Test pada
Metode Pembelajaran Matematika
Nilai Matematika
Responden Sebelum Sesudah D=X–Y D2 = (X – Y)2
Diterapkan Diterapkan
Metode Baru Metode Baru (Y)
(X)
1 70 67 3 9
2 60 68 -8 64
3 70 71 -1 1
4 55 59 -4 16
5 57 63 -6 36
6 49 54 -5 25
7 69 66 3 9
8 70 74 -4 16
9 81 89 -8 64
10 30 33 -3 9
11 55 51 4 16
12 40 50 -10 100
13 63 69 -6 36
14 85 83 2 4
15 70 77 -7 49
16 62 69 -7 49
17 58 73 -15 225
18 65 65 0 0
19 75 76 -1 1
20 69 86 -17 289
21 45 51 -6 36
22 70 74 -4 16
iii
23 76 80 -4 16
24 55 62 -7 49
25 56 65 -9 81
Jumlah -120 1216
ΣD2 ΣD
SDD = √ [ – ( )2 ]
N N
1216 -120
SDD = √[ -( )2] = √ [48,64 – (-4,8)2]
25 25
SDD
SEMD =
√ (N-1)
5,1 5,1
SEMD = = = 1.033
√ (25-1) √ 24
MD -4,8
t= t= = - 4,68
SEMD 1,033
menjadi (+), dan didapat bahwa: thitung > t tabel (4,68 > 2,064).
Karena t hitung > t tabel, maka dapat disimpulkan bahwa hasil eksperimen
iii
menunjukkan adanya perbedaan yang signifikan antara metode lama dengan
metode yang baru dalam pembelajaran matematika (hipotesis nihil ditolak).
Dengan demikian, metode baru pembelajaran matematika menunjukkan
efektivitasnya yang nyata.
Dari hasil penelitian ini, dapat direkomendasikan, bahwa metode baru
pembelajaran matematika dapat diandalkan dan dapat ditindaklanjuti sebagai
metode pembelajaran berikutnya dalam bidang studi matematika.
iii
BAB IV
Uji Chi Kuadrat
Nilai chi square adalah nilai kuadrat karena itu nilai chi square selalu
positif. Bentuk distribusi chi square tergantung dari derajat bebas (Db)/degree
of freedom. Pengertian pada uji chi square sama dengan pengujian hipotesis
yang lain, yaitu luas daerah penolakan Ho atau taraf nyata pengujian. Metode
Chi-kuadrat menggunakan data nominal, data tersebut diperoleh dari hasil
iii
menghitung. Sedangkan besarnya nilai chi-kuadrat bukan merupakan ukuran
derajat hubungan atau perbedaan. Macam-macam bentuk analisa Chi-
kuadrat :
Penaksiran standar deviasi
Pengujian hipotesis standar deviasi
Pengujian hipotesis perbedaan beberapa proporsi atau chi-square dari
data multinominal
Uji hipotesis tentang ketergantungan suatu variabel terhadap variabel
lain/uji Chi-square dari tabel kontingensi/tabel dwikasta/tabel silang
Uji hipotesis kesesuaian bentuk kurva distribusi frekuensi terhadap
distribusi peluang teoritisnya atau uji Chi-square tentang goodness of fit
Keterangan :
O = frekuensi hasil observasi
E = frekuensi yang diharapkan.
Nilai E = (Jumlah sebaris x Jumlah Sekolom) / Jumlah data df = (b-1) (k-1)
Agar pengujian hipotesis dengan chi-kuadrat dapat digunakan dengan baik,
maka hendaknya memperhatikan ketentuan-ketentuan sebagai berikut :
1) Jumlah sampel harus cukup besar untuk meyakinkan kita bahwa terdapat
kesamaan antara distribusi teoretis dengan distribusi sampling chi-
kuadrat.
2) Pengamatan harus bersifat independen (unpaired). Ini berarti bahwa
jawaban satu subjek tidak berpengaruh terhadap jawaban subjek lain atau
satu subjek hanya satu kali digunakan dalam analisis.
3) Pengujian chi-kuadrat hanya dapat digunakan pada data deskrit (data
frekuensi atau data kategori) atau data kontinu yang telah dikelompokan
menjadi kategori.
4) Jumlah frekuensi yang diharapkan harus sama dengan jumlah frekuensi
yang diamati.
5) Pada derajat kebebasan sama dengan 1 (table 2 x 2) tidak boleh ada nilai
iii
ekspektasi yang sangat kecil. Secara umum, bila nilai yang diharapkan
terletak dalam satu sel terlalu kecil (< 5) sebaiknya chi-kuadrat tidak
digunakan karena dapat menimbulkan taksiran yang berlebih (over
estimate) sehingga banyak hipotesis yang ditolak kecuali dengan koreksi
dari Yates. Bila tidak cukup besar, maka adanya satu nilai ekspektasi yang
lebih kecil dari 5 tidak akan banyak mempengaruhi hasil yang diinginkan.
Pada pengujian chi-kuadrat dengan banyak ketegori, bila terdapat lebih
dari satu nilai ekspektasi kurang dari 5 maka, nilai-nilai ekspektasi
tersebut dapat digabungkan dengan konsekuensi jumlah kategori akan
berkurang dan informasi yang diperoleh juga berkurang.
iii
lengkungan di bawah kurva normal standar dari 0 ke Z, dan disebut
dengan F(Zi)).
6. Tentukan luas tiap kelas interval dengan cara mengulangi nilai F(z) yang
lebih besar diatas atau dibawahnya.
7. Tentukan Ei (frekuensi eskpektasi) dengan cara membagi luas kelas tiap
interval dibagi number of cases (n).
8. Masukkan frekuensi observasi (faktual) sebagai Oi
9. Cari nilai setiap interval
10. Tentukan nilai X2hitung setiap interval
11. Tentukan nilai X2tabel pada taraf signifikansi dan derajat kebebasan k-1
dengan k adalah banyaknya kelas/kelompok interval
12. Bandingkan jumlah total X2hitung dengan X2tabel
13. Apabila X2hitung < X2tabel maka sampel berasal dari populasi yang
berdistribusi normal, dan jika X2hitung > X2tabel maka sampel berasal
dari populasi tidak normal
Jumlah
1 2 3 4
A B B B Tb X
B B B B Tb X
Variabel C Tb Tb Tb Tb X
1 Jumlah X X X X X
iii
Keterangan :
B = dapat digunakan dengan bebas
Tb = tak bebas
X = nilainya diketahui
Jumlah nilai dari baris dan kolom disebut nilai marginal. Jika nilai
marginal dari jumlah seluruhnya (grand total) telah diketahui maka, pada
baris pertama terdapat 3 nilai yang dapat ditentukan dengan bebas, demikian
pula dengan baris kedua, tetapi pada baris ketiga semuanya tidak bebas
karena jumlah marginal telah diketahui. Jadi, disini terdapat 6 nilai yang
dapat ditentukan dengan bebas (2 x 3 = 6). Secara umum rumus untuk
menghitung derajat kebebasan pada pengujian hipotesis menggunakan chi-
kuadrat adalah seperti berikut.
Contoh :
1. Misalnya, dinyatakan bahwa status gizi anaka balita disuatu daerah
mempunyai perbandingan yang sama, gizi baik = gizi sedang = gizi
kurang = gizi buruk. Untuk mengetahui apakah pernyataan tersebut dapat
dipercaya maka dilakukan tersebut dan diperoleh hasil sebagai berikut.
30 anak dengan gizi baik, 35 anak dengan gizi sedang, 20 anak dengan
gizi kurang dan 15 anak dengan gizi buruk. Pengujian dilakukan pada
iii
derajat kemaknaan 0,05.
Hipotesis :
Ho : p = p1 = p2 = p3 = p4
Ha : p ≠ p1 = p2 = p3 = p4
atau antara p1 , p2 , p3 dan p4 tidak sama
n = 30 + 35 + 20 + 15 = 100= 0,05
dk = (k – 1) = 4 – 1 = 3
iii
P3 = 2∕12 x 90 = 15
P4 = 1∕12 x 90 = 8
Agar lebih jelas, ini dapat disajikan dalam bentuk tabel sebagai berikut:
O 30 40 10 10
E 37 30 15 8
Contoh :
Sebuah penelitian dilakukan oleh seorang kepala rumah sakit untuk
mengetahui apakah ada hubungan antara tingkat pendidikan dengan kelas
ruang rawat inap. Untuk kepentingan tersebut diambil sampel sebanyak 200
orang penderita dengan hasil sebagai berikut.
Ho : variabel 1 dan variabel 2 disebut independen
Ha : variabel 1 dan variabel 2 disebut dependen
1) 70 orang dengan pendidikan SD
20 memilih kelas 1
40 memilih kelas 2
10 memilih kelas 3
2) 50 orang berpendidikan SLTP
iii
25 memilih kelas 1
15 memilih kelas 2
10 memilih kelas 3
3) 40 orang berpendidikan SLTA
15 memilih kelas 1
10 memilih kelas 2
15 memilih kelas 3
4) 40 orang berpendidikan akademi dan perguruan tinggi
20 memilih kelas 1
5 memilih kelas 2
15 memilih kelas 3
Kelas Pendidikan
Jumlah
ruang SD SLTP SLTA PT
1 20 25 15 20 80
2 40 15 10 5 70
3 10 10 15 15 50
Jumlah 70 50 40 40 200
Hasil perhitungan :
O E (O – E) (O – E)2 (O – E)2/E
20 28 -8 64 2,29
25 20 5 25 1,25
15 16 -1 1 0,06
20 16 4 16 1,00
10 14 -4 16 1,14
5 14 -9 81 5,75
iii
10 17,5 -7,5 56,25 3,21
15 10 5 25 2,5
15 10 5 25 2,5
Jumlah 30,11
Variabel Dependen
I II
Variabel 1 a B a + b = r1
Independen 2 c D c + d = r2
a + c = s1 b + d = s2 N
Atau
Contoh:
Hasil penelitian mengenai tingkat tekanan psikologis dikaitkan dengan usia
responden yang diakibatkan pekerjaanya tampak pada tabel berikut :
< 25 20 18 22
25 – 40 50 46 44
40 – 60 58 63 59
> 60 34 43 43
iii
Total 162 170 168
Ujilah apakah ada hubungan antara usia dan tingkat tekanan psikologis pada
taraf natay sebesar 0,01 ?
Pemecahan :
1. Formulasi
H0 : Tidak terdapat hubungan antara usia dengan tingkat tekanan
psikologis
Ha : Ada hubungan antara usia dengan tingkat tekanan psikologis
Fo Fe Fo Fe Fo Fe Fo Fe
< 25 20 19 18 20 22 20 60 60
25 – 40 50 46 46 48 44 48 140 140
40 – 60 58 58 63 61 59 60 180 180
iii
ada hubungan antara usia dengan tekanan psikologis.
Contoh lain:
Suatu penelitian ingin mengetahui: “apakah ada perbedaan cita-cita kelak
setelah tamat S1 diantara mahasiswa & mahasiswi AN Fisip UNS semester-
VII?”
Hipotesis:
H0 = tidak ada perbedaan antara mahasiswa dan mahasiswi dalam hal cita-cita
mereka kelak setelah tamat S1.
Ha = proporsi mahasiswi lebih banyak yang bercita-cita sebagai PNS setelah
mereka tamat S1 ketimbang mahasiswa.
Tabel kerja:
PNS 10 11 21
Bukan PNS 46 13 59
Jumlah 56 24 80
Perhitungan:
Besarnya degree of freedom (df) :
Df = (k-1) (b-1)
= (2-1) (2-1)
=1
iii
Efek
Obat 7 3 10
Plasebo 4 6 10
Jumlah 11 9 20
iii
Uji Validitas dan Reliabilitas
BAB V
5.1 Validitas
1. Pengertian Validitas
Menurut Gronlund dan Linn (1990): Validitas adalah ketepatan
interpretasi yang dibuat dari hasil pengukuran atau evaluasi
Menurut Anastasi (1990): Validitas adalah ketepatan mengukur konstruk,
menyangkut; “What the test measure and how well it does”
Menurut Arikunto (1995): Validitas adalah keadaan yang
menggambarkan tingkat instrumen bersangkutan yang mampu mengukur
apa yang akan diukur.
Menurut Sukadji (2000): Validitas adalah derajat yang menyatakan suatu
tes mengukur apa yang seharusnya diukur.
Menurut Azwar (1986):Validitas adalah sejauh mana ketepatan dan
kecermatan suatu alat ukur dalam melakukan fungsinya.
Validitas adalah suatu ukuran yang menunjukan tingkat kevalidan atau
kesahihan suatu instrumen. Prinsif validitas adalah pengukuran atau
pengamatan yang berarti prinsif keandalan instrumen dalam mengumpulkan
data. Instrumen harus dapat mengukur apa yang seharusnya diukur. Jadi
validitas lebih menekankan pada alat pengukuran atau pengamatan.
Suatu skala atau instrumen pengukur dapat dikatakan mempunyai validitas
yang tinggi apabila instrumen tersebut menjalankan fungsi ukurnya, atau
memberikan hasil ukur yang sesuai dengan maksud dilakukannya pengukuran
tersebut. Sedangkan tes yang memiliki validitas rendah akan menghasilkan
data yang tidak relevan dengan tujuan pengukuran.
Terkandung di sini pengertian bahwa ketepatan pada validitas suatu alat ukur
tergantung pada kemampuan alat ukur tersebut mencapai tujuan pengukuran
yang dikehendaki dengan tepat. Suatu tes yang dimaksudkan untuk mengukur
variabel A dan kemudian memberikan hasil pengukuran mengenai variabel A,
dikatakan sebagai alat ukur yang memiliki validitas tinggi. Suatu tes yang
dimaksudkan mengukur variabel A akan tetapi menghasilkan data mengenai
variabel A’ atau bahkan B, dikatakan sebagai alat ukur yang memiliki
iii
validitas rendah untuk mengukur variabel A dan tinggi validitasnya untuk
mengukur variabel A’ atau B (Azwar 1986).
Sisi lain dari pengertian validitas adalah aspek kecermatan pengukuran. Suatu
alat ukur yang valid tidak hanya mampu menghasilkan data yang tepat akan
tetapi juga harus memberikan gambaran yang cermat mengenai data tersebut.
2. Macam-macam validitas
Menurut Djaali dan Pudji (2008) validitas dibagi menjadi 3 yaitu
1. Validitas isi (content validity)
Validitas isi suatu tes mempermasalahkan seberapa jauh suatu tes mengukur
tingkat penguasaan terhadap isi suatu materi tertentu yang seharusnya
dikuasai sesuai dengan tujuan pengajaran. Dengan kata lain, tes yang
mempunyai validitas isi yang baik ialah tes yang benar-benar mengukur
penguasaan materi yang seharusnya dikuasai sesuai dengan konten
pengajaran yang tercantum dalam Garis-Garis Besar Program Pengajaran
(GBPP).
Menurut Gregory (2000) validitas isi menunjukkan sejauhmana pertanyaan,
tugas atau butir dalam suatu tes atau instrumen mampu mewakili secara
keseluruhan dan proporsional perilaku sampel yang dikenai tes tersebut.
Artinya tes mencerminkan keseluruhan konten atau materi yang diujikan atau
yang seharusnya dikuasai secara proporsional.
Untuk mengetahui apakah tes itu valid atau tidak harus dilakukan melalui
penelaahan kisi-kisi tes untuk memastikan bahwa soal-soal tes itu sudah
mewakili atau mencerminkan keseluruhan konten atau materi yang
seharusnya dikuasai secara proporsional. Oleh karena itu, validitas isi suatu
tes tidak memiliki besaran tertentu yang dihitung secara statistika, tetapi
dipahami bahwa tes itu sudah valid berdasarkan telaah kisi-kisi tes. Oleh
karena itu, wiersma dan Jurs dalam Djaali dan Pudji (2008) menyatakan
bahwa validitas isi sebenarnya mendasarkan pada analisis logika, jadi tidak
merupakan suatu koefisien validitas yang dihitung secara statistika.
Untuk memperbaiki validitas suatu tes, maka isi suatu tes harus diusahakan
agar mencakup semua pokok atau sub-pokok bahasan yang hendak diukur.
iii
Kriteria untuk menentukan proporsi masing-masing pokok atau sub pokok
bahasan yang tercakup dalam suatu tes ialah berdasarkan banyaknya isi
(materi) masing-masing pokok atau sub-pokok bahasan seperti tercantum
dalam kurikulum atau Garis-Garis Besar Program Pengajaran(GBPP).
Selanjutnya, validitas isi ini terbagi lagi menjadi dua tipe, yaitu face
validity (validitas muka) dan logical validity (validitas logis).
Face Validity (Validitas Muka)
Validitas muka adalah tipe validitas yang paling rendah signifikasinya
karena hanya didasarkan pada penilaian selintas mengenai isi alat ukur.
Apabila isi alat ukur telah tampak sesuai dengan apa yang ingin diukur
maka dapat dikatakan validitas muka telah terpenuhi.
Dengan alasan kepraktisan, banyak alat ukur yang pemakaiannya terbatas
hanya mengandalkan validitas muka. Alat ukur atau instrumen psikologi
pada umumnya tidak dapat menggantungkan kualitasnya hanya pada
validitas muka. Pada alat ukur psikologis yang fungsi pengukurannya
memiliki sifat menentukan, seperti alat ukur untuk seleksi karyawan atau
alat ukur pengungkap kepribadian (asesmen), dituntut untuk dapat
membuktikan validitasnya yang kuat.
Logical Validity (Validitas Logis)
Validitas logis disebut juga sebagai validitas sampling (sampling
validity). Validitas tipe ini menunjuk pada sejauhmana isi alat ukur
merupakan representasi dari aspek yang hendak diukur.
Untuk memperoleh validitas logis yang tinggi suatu alat ukur harus
dirancang sedemikian rupa sehingga benar-benar berisi hanya item yang
relevan dan perlu menjadi bagian alat ukur secara keseluruhan. Suatu
objek ukur yang hendak diungkap oleh alat ukur hendaknya harus
dibatasi lebih dahulu kawasan perilakunya secara seksama dan konkrit.
Batasan perilaku yang kurang jelas akan menyebabkan terikatnya item-
item yang tidak relevan dan tertinggalnya bagian penting dari objek ukur
yang seharusnya masuk sebagai bagian dari alat ukur yang
bersangkuatan.
Validitas logis memang sangat penting peranannya dalam penyusunan tes
iii
prestasi dan penyusunan skala, yaitu dengan memanfaatkan blue-print
atau tabel spesifikasi.
2. Validitas Konstruk (Construct validity)
Menurut Djaali dan Pudji (2008) validitas konstruk adalah validitas yang
mempermasalahkan seberapa jauh item-item tes mampu mengukur apa-apa
yang benar-benar hendak diukur sesuai dengan konsep khusus atau definisi
konseptual yang telah ditetapkan.
Validitas konstruk biasa digunakan untuk instrumen-instrumen yang
dimaksudkan mengukur variabel-variabel konsep, baik yang sifatnya
performansi tipikal seperti instrumen untuk mengukur sikap, minat, konsep
diri, lokus control, gaya kepemimpinan, motivasi berprestasi, dan lain-lain,
maupun yang sifatnya performansi maksimum seperti instrumen untuk
mengukur bakat (tes bakat), intelegensi (kecerdasan intelekual), kecerdasan
emosional dan lain-lain.
Untuk menentukan validitas konstruk suatu instrumen harus dilakukan proses
penelaahan teoritis dari suatu konsep dari variabel yang hendak diukur, mulai
dari perumusan konstruk, penentuan dimensi dan indikator, sampai kepada
penjabaran dan penulisan butir-butir item instrumen. Perumusan konstruk
harus dilakukan berdasarkan sintesis dari teori-teori mengenai konsep
variabel yang hendak diukur melalui proses analisis dan komparasi yang
logik dan cermat.
3. Validitas empiris
Validitas empiris sama dengan validitas kriteria yang berarti bahwa validitas
ditentukan berdasarkan kriteria, baik kriteria internal maupun kriteria
eksternal. Kriteria internal adalah tes atau instrumen itu sendiri yang menjadi
kriteria, sedangkan kriteria eksternal adalah hasil ukur instrumen atau tes lain
di luar instrumen itu sendiri yang menjadi kriteria. Ukuran lain yang sudah
dianggap baku atau dapat dipercaya dapat pula dijadikan sebagai kriteria
eksternal.
Validitas yang ditentukan berdasarkan kriteria internal disebut validitas
internal, sedangkan validitas yang ditentukan berdasarkan kriteria eksternal
disebut validitas eksternal.
iii
Validitas internal
Validitas internal merupakan validitas yang diukur dengan besaran yang
menggunakan instrumen sebagai suatu kesatuan (keseluruhan butir)
sebagai kriteria untuk menentukan validitas item atau butir dari
instrumen itu. Dengan demikian validitas internal mempermasalahkan
validitas butir atau item suatu instrumen dengan menggunakan hasil ukur
instrumen tersebut sebagai suatu kesatuan dan sebagai kriteria, sehingga
biasa disebut juga validitas butir.
Pengujian validitas butir instrumen atau soal tes dilakukan dengan
menghitung koefesien korelasi antara skor butir instrumen atau soal tes
dengan skor total instrumen atau tes. Butir atau soal yang dianggap valid
adalah butir instrumen atau soal tes yang skornya mempunyai koefesien
korelasi yang signifikan dengan skor total instrumen atau tes.
Validitas eksternal
Kriteria eksternal dapat berupa hasil ukur instrumen yang sudah baku
atau instrumen yang dianggap baku dapat pula berupa hasil ukur lain
yang sudah tersedia dan dapat dipercaya sebagai ukuran dari suatu
konsep atau varaibel yang hendak diukur. Validitas eksternal
diperlihatkan oleh suatu besaran yang merupakan hasil perhitungan
statistika. Jika kita menggunakan hasil ukur instrumen yang sudah baku
sebagai kriteria eksternal, maka besaran validitas eksternal dari instrumen
yang kita kembangkan didapat dengan jalan mengkorelasikan skor hasil
ukur instrumen yang dikembangkan dengan skor hasil ukur instrumen
baku yang dijadikan kriteria. Makin tinggi koefesien korelasi yang
didapat, maka validitas instrumen yang dikembangkan juga makin baik.
Kriteria yang digunakan untuk menguji validitas eksternal adalah nilai
table r (r-tabel).
Jika koefesien korelasi antara skor hasil ukur instrumen yang
dikembangkan dengan skor hasil ukurinstrumen baku lebih besar dari
pada r-tabel, maka instrumen yang dikembangkan dapat valid
berdasarkan kriteria eksternal yang dipilih (hasil ukur instrumen baku).
Jadi keputusan uji validitas dalam hal ini adalah mengenai valid atau
iii
tidaknya instrumen sebagai suatu kesatuan, bukan valid atau tidaknya
butir instrumen seperti pada validitas internal.
Ditinjau dari kriteria eksternal yang dipilih, validitas eksternal dapat
dibedakan atas dua macam yaitu:
1. Validitas prediktif apabila kriteria eksternal yang digunakan
adalah adalah ukuran atau penampilan masa yang akan datang.
2. Validitas kongkuren apabila kriteria eksternal yang
digunakan adalah ukuran atau penampilan saat ini atau saat yang
bersamaan dengan pelaksanaan pengukuran.
3. Metode Pengujian Validitas
Uji validitas adalah suatu langkah pengujian yang dilakukan terhadap isi
(content) dari suatu instrumen, dengan tujuan untuk mengukur ketepatan
instrumen yang digunakan dalam suatu penelitian. Untuk menguji
validitas setiap butir soal maka skor-skor yang ada pada butir yang
dimaksud dikorelasikan dengan skor totalnya. Skor tiap butir soal
dinyatakan skor X dan skor total dinyatakan sebagai skor Y, dengan
diperolehnya indeks validitas setiap butir soal, dapat diketahui butir-butir
soal manakah yang memenuhi syarat dilihat dari indeks validitasnya
(Arikunto, 1999: 78).
Cara Mengetahui Validitas Alat Ukur:
1. Korelasi Product Moment
Teknik yang digunakan untuk mengetahui kesejajaran adalah
teknik Korelasi Product Moment yang dikemukakan oleh Pearson.
iii
Contoh:
1. Persiapan Untuk Mencari Validitas Tes dengan Simpangan:
Penyelesaian:
Dimasukkan ke rumus:
iii
2. Persiapan Untuk Mencari Validitas Tes dengan angka kasar:
Penyelesaian:
Bila dilihat pada kedua hitungan diatas terdapat perbedaan 0,003 lebih besar
pada simpangan ini wajar karena adanya pembulatan.
Koefisien Korelasi adalah sebagai berikut:
Antara 0,800 sampai dengan 1,00 = sangat tinggi
Antara 0,600 sampai dengan 0,800 = tinggi
Antara 0,400 sampai dengan 0,600 = cukup
Antara 0,200 sampai dengan 0,400 = rendah
Antara 0,00 sampai dengan 0,200 = sangat rendah
iii
Korelasi Negatif menunjukkan adanya hubungan kebalikan antara dua hal:
Bahasa Indonesia dengan Matematika
Bahasa Indonesia :568432
Matematika : 8 7 5 1 2 3
Koefisien korelasi terdapat antara -1,00 sampai +1,00. karena dalam
perhitungan sering dilakukan pembulatan angka yang didapatkan 1,00
Penafsiran Harga Koefisien Korelasi ada 2 cara yaitu :
1) Dengan melihat harga r dan diinterprestasikan misalnya korelasi Tinggi,
Cukup dan sebagainya.
2) Dengan mengkonsultasikan ke tabel harga kritik r product
moment sehingga dapat diketahui signifikan tidaknya korelasi tersebut.
Jika harga r lebih kecil dari harga kritik dalam tabel, maka korelasi
tersebut tidak signifikan. Begitu juga arti sebaliknya.
Tabel analisis item Untuk Perhitungan Validitas Item
iii
Penyelesaian:
iii
Rumus:
Keterangan :
γpbi = Koefisien korelasi biserial.
Mp = Rerata skor dari subyek yang menjawab betul bagi item yang dicari
validitasnya.
Mt = Rerata skor total.
St = Standar deviasi dari skor total.
p = Proporsi siswa yang menjawab benar.
iii
iii
Penyelesaian:
iii
5.2 Reliabilitas
1. Pengertian Reabilitas
Kata reliabillitas dalam bahasa Indonesia diambil dari reliability dalam
bahasa inggris, berasal dari kata, reliable yang artinya dapat di percaya.
“reliabilitas” merupakan kata benda, sedangkan “reliable” merupakan kata
sifat atau keadaan. Reliabilitas merupakan penerjemahan dari kata reliability
yang mempunyai asal kata rely dan ability. Pengukuran yang memiliki
reliabilitas tinggi disebut sebagai pengukuran yang reliabel
(reliable).Walaupun reliabilitas mempunyai berbagai arti seperti kepercayaan,
keterandalan, keajegan, kestabilan dan konsistensi, namun ide pokok yang
terkandung dalam konsep reliabilitas adalah sejauh mana hasil pengukuran
dapat dipercaya.
Reliabilitas atau keandalan, adalah konsistensi dari serangkaian pengukuran
atau serangkaian alat ukur. Hal tersebut bisa berupa pengukuran dari alat ukur
yang sama (tes dengan tes ulang) akan memberikan hasil yang sama, atau
untuk pengukuran yang lebih subjektif, apakah dua orang penilai memberikan
skor yang mirip (reliabilitas antar penilai). Reliabilitas tidak sama dengan
validitas. Artinya pengukuran yang dapat diandalkan akan mengukur secara
konsisten, tapi belum tentu mengukur apa yang seharusnya diukur.
iii
Dalam penelitian, reliabilitas adalah sejauh mana pengukuran dari suatu tes
tetap konsisten setelah dilakukan berulang-ulang terhadap subjek dan dalam
kondisi yang sama. Penelitian dianggap dapat diandalkan bila memberikan
hasil yang konsisten untuk pengukuran yang sama. Tidak bisa diandalkan bila
pengukuran yang berulang itu memberikan hasil yang berbeda-beda.
Pengukuran reliabilitas dapat dilakukan dengan menggunakan berbagai alat
statistik (Feldt & Brennan, 1989: 105). Berdasarkan sejarah, reliabilitas
sebuah instrumen dapat dihitung melalui dua cara yaitu kesalahan baku
pengukuran dan koefisien reliabilitas (Feldt & Brennan: 105). Kedua statistik
di atas memiliki keterbatasannya masing-masing. Kesalahan pengukuran
merupakan rangkuman inkonsistensi peserta tes dalam unit-unit skala skor
sedangkan koefisien reliabilitas merupakan kuantifikasi reliabilitas dengan
merangkum konsistensi (atau inkonsistensi) diantara beberapa kesalahan
pengukuran.
Dalam kerangka teori tes klasik, suatu tes dapat dikatakan memiliki
reliabilitas yang tinggi apabila skor tampak tes tersebut berkorelasi tinggi
dengan skor murninya sendiri. Interpretasi lainnya adalah seberapa tinggi
korelasi antara skor tampak pada dua tes yang pararel. (Saifuddin Azwar,
2006: 29).
2. Macam-macam Reliabilitas
Walizer (1987) menyebutkan bahwa ada dua cara umum untuk mengukur
reliabilitas, yaitu:
1. Relibilitas stabilitas.
Menyangkut usaha memperoleh nilai yang sama atau serupa untuk setiap
orang atau setiap unit yang diukur setiap saat anda mengukurnya. Reliabilitas
ini menyangkut penggunaan indicator yang sama, definisi operasional, dan
prosedur pengumpulan data setiap saat, dan mengukurnya pada waktu yang
berbeda. Untuk dapat memperoleh reliabilitas stabilitas setiap kali unit diukur
skornya haruslah sama atau hampir sama.
2. Reliabilitas ekivalen.
Menyangkut usaha memperoleh nilai relatif yang sama dengan jenis ukuran
iii
yang berbeda pada waktu yang sama. Definisi konseptual yang dipakai sama
tetapi dengan satu atau lebih indicator yang berbeda, batasan-batasan
operasional, paeralatan pengumpulan data, atau pengamat-pengamat.
Menguji reliabilitas dengan menggunakan ukuran ekivalen pada waktu yang
sama bias menempuh beberapa bentuk. Bentuk yang paling umum disebut
teknik belah-tengah. Cara ini seringkali dipakai dalam survai.Apabila satu
rangkaian pertanyaan yang mengukur satu variable dimasukkan dalam
kuesioner, maka pertanyaan-pertanyaan tersebut dibagi dua bagian persis
lewat cara tertentu. (Pengacakan atau pengubahan sering digunakan untuk
teknik belah tengah ini.) Hasil masing-masing bagian pertanyaan diringkas ke
dalam skor, lalu skor masing-masing bagian tersebiut dibandingkan. Apabila
dalam skor kemudian skor masing-masing bagian tersebut dibandingkan.
Apabila kedua skor itu relatif sama, dicapailah reliabilitas belah tengah.
Reliabilitas ekivalen dapat juga diukur dengan menggunakan teknik
pengukuan yang berbeda. Kecemasan misalnya, telah diukur dengan laporan
pulsa. Skor-skor relatif dari satu indikator macam ini haruslah sesuai dengan
skor yang lain. Jadi bila seorang subyek nampak cemas pada ”ukuran gelisah”
orang tersebut haruslah menunjukkan tingkatan kecermatan relatif yang sama
bila tekanan darahnya yang diukur.
3. Metode Pengujian Reliabilitas
Tipe-tipe Reliabelitas
Berbagai tipe tersebut akan diuraikan sebagai berikut:
iii
Seorang guru akan mengetahui seberapa jauh konsistensi suatu tes
mengukur apa yang ingin diukur (Sukardi, 2008).
Sedangkan Arikunto (1997: 88) Metode tes ulang (tes-retes) dilakukan
untuk menghindari dua penyusunan dua seri tes. Dalam menggunakan
teknik atau metode ini pengetes hanya memiliki satu seri tes tapi
dicobakan dua kali. Oleh karena tesnya satu dan dicobakan dua kali, maka
metode ini dapat disebut juga dengan single-test-double-trial-method.
Reliebelitas tes retes dapat dilakukan dengan cara seperti berikut:
Selenggarakan tes pada suatu kelompok yang tepat sesuai dengan
rencana.
Setelah selang waktu tertentu, misalnya satu minggu atau dua minggu,
lakukan kembali tes yang sama dengan kelompok yang sama tersebut.
Korelasikan kedua hasil tes tersebut.
Jika hasil koefisien menunjukkan tinggi, berarti reliabilias tes adalah
bagus. Sebaliknya, jika korelasi rendah, berarti tes tersebut mempunyai
konsistensi rendah (Sukardi, 2008).
iii
Tentukan sasaran yang hendak dites.
Lakukan tes yang dimaksud kepada subjek sasaran tersebut.
Administrasinya hasilnya secara baik.
Dalam waktu yang tidak terlalu lama, lakukan pengetesan yang kedua
kalinya pada kelompok tersebut
Korelasikan kedua hasil skor tersebut (Sukardi, 2008).
Perlu diketahui juga bahwa tes ekivalensi mempunyai kelemahan yaitu
bahwa membuat dua buah tes yang secara esensial ekivalen adalah sulit.
Akibatnya akan selalu terjadi kesalahan pengukuran (Sukardi, 2008).
Pernyataan lain juga disampaikan oleh Arikunto (1997: 88) kelemahan
dari metode ini adalah pengetes pekerjaannya berat karena harus
menyusun dua seri tes. Lagi pula harus tersedia waktu yang lama untuk
mencobakan dua kali tes.
Bagi tes yang ada menjadi dua atas dasar dua item, yang paling umum
dengan membagi item dengan nomor ganjil dengan item dengan nomor
genap pada kelompok tersebut.
Hitung skor subjek pada kedua belah kelompok penerima item genap
dan item ganjil.
Korelasikan kedua skor tersebut, menggunakan formula korelasi yang
relevan dengan teknik pengukuran (Sukardi, 2008).
iii
Rumus yang digunaka dalam uji reliabilitas adalah :
Contoh :
Penyelesaian:
Mencari Nilai Jumlah Varians Butir (Σσb2) dengan mencari dulu varian
setiap butir, kemudian di jumlahkan.
iii
Mencari Nilai Varians Total
iii
DAFTAR PUSTAKA
http://alisanana.blogspot.com/2011/08/materi-kuliah-uji-validitas-dan.html
http://s3.amazonaws.com/academia.edu.documents/35145863/STATISTIKA.docx
?
AWSAccessKeyId=AKIAJ56TQJRTWSMTNPEA&Expires=1417503969
&Signature=b8RndeQW0OJLDhCCEAp9%2FcdnerU%3D
Teori Online. Tutorial Statistik Validitas dan Reliabilitas. Diakses melalui URL:
http://teorionline.wordpress.com/
iii
KONTRAK PERKULIAHAN
Kompetensi:
iii
Jadwal Perkuliahan
iii
Tugas
1. Membuat resume pengertian statistik dari tiga buku (pendapat para ahli)
2. Mencari data statistik di sekolah tempat observasi dibuat diagram tabel
3. Latihan soal cara mencari rata-rata, modus, median, kuartil, desil, persentil
standar deviasi, t-test, product moment.
4. Latihan menganalisis dengan cara mencari judul skripsi, hipotesis, analisis
dan kesimpulan.
Penilaian
iii
S tan d ard No rmal P ro babilities
T a b le e n t r y
z . 00 . 01 . 02 . 03 . 04 . 05 . 06 . 07 . 08 . 09
–3.4 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0002
–3.3 .0005 .0005 .0005 .0004 .0004 .0004 .0004 .0004 .0004 .0003
–3.2 .0007 .0007 .0006 .0006 .0006 .0006 .0006 .0005 .0005 .0005
–3.1 .0010 .0009 .0009 .0009 .0008 .0008 .0008 .0008 .0007 .0007
–3.0 .0013 .0013 .0013 .0012 .0012 .0011 .0011 .0011 .0010 .0010
–2.9 .0019 .0018 .0018 .0017 .0016 .0016 .0015 .0015 .0014 .0014
–2.8 .0026 .0025 .0024 .0023 .0023 .0022 .0021 .0021 .0020 .0019
–2.7 .0035 .0034 .0033 .0032 .0031 .0030 .0029 .0028 .0027 .0026
–2.6 .0047 .0045 .0044 .0043 .0041 .0040 .0039 .0038 .0037 .0036
–2.5 .0062 .0060 .0059 .0057 .0055 .0054 .0052 .0051 .0049 .0048
–2.4 .0082 .0080 .0078 .0075 .0073 .0071 .0069 .0068 .0066 .0064
–2.3 .0107 .0104 .0102 .0099 .0096 .0094 .0091 .0089 .0087 .0084
–2.2 .0139 .0136 .0132 .0129 .0125 .0122 .0119 .0116 .0113 .0110
–2.1 .0179 .0174 .0170 .0166 .0162 .0158 .0154 .0150 .0146 .0143
–2.0 .0228 .0222 .0217 .0212 .0207 .0202 .0197 .0192 .0188 .0183
–1.9 .0287 .0281 .0274 .0268 .0262 .0256 .0250 .0244 .0239 .0233
–1.8 .0359 .0351 .0344 .0336 .0329 .0322 .0314 .0307 .0301 .0294
–1.7 .0446 .0436 .0427 .0418 .0409 .0401 .0392 .0384 .0375 .0367
–1.6 .0548 .0537 .0526 .0516 .0505 .0495 .0485 .0475 .0465 .0455
–1.5 .0668 .0655 .0643 .0630 .0618 .0606 .0594 .0582 .0571 .0559
–1.4 .0808 .0793 .0778 .0764 .0749 .0735 .0721 .0708 .0694 .0681
–1.3 .0968 .0951 .0934 .0918 .0901 .0885 .0869 .0853 .0838 .0823
–1.2 .1151 .1131 .1112 .1093 .1075 .1056 .1038 .1020 .1003 .0985
–1.1 .1357 .1335 .1314 .1292 .1271 .1251 .1230 .1210 .1190 .1170
–1.0 .1587 .1562 .1539 .1515 .1492 .1469 .1446 .1423 .1401 .1379
–0.9 .1841 .1814 .1788 .1762 .1736 .1711 .1685 .1660 .1635 .1611
–0.8 .2119 .2090 .2061 .2033 .2005 .1977 .1949 .1922 .1894 .1867
–0.7 .2420 .2389 .2358 .2327 .2296 .2266 .2236 .2206 .2177 .2148
–0.6 .2743 .2709 .2676 .2643 .2611 .2578 .2546 .2514 .2483 .2451
–0.5 .3085 .3050 .3015 .2981 .2946 .2912 .2877 .2843 .2810 .2776
–0.4 .3446 .3409 .3372 .3336 .3300 .3264 .3228 .3192 .3156 .3121
–0.3 .3821 .3783 .3745 .3707 .3669 .3632 .3594 .3557 .3520 .3483
–0.2 .4207 .4168 .4129 .4013 .3974 .3936 .3897 .3859
.4090 .4052
–0.1 .4602 .4562 .4522 .4404 .4364 .4325 .4286 .4247
.4483 .4443
–0.0 .5000 .4960 .4920 .4801 .4761 .4721 .4681 .4641
.4880 .4840
iii
S tan d ard No rmal P ro babilities
T a b le e n t r y
z . 00 . 01 . 02 . 03 . 04 . 05 . 06 . 07 . 08 . 09
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
0.7 .7580 .7611 .7642 .7673 .7704 .7734 .7764 .7794 .7823 .7852
0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3.2 .9993 .9993 .9994 .9994 .9994 .9995 .9995 .9995
.9994 .9994
3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9997
.9996 .9996
3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998
.9997 .9997
iii
t T a b le
cum. prob t .5 0 t .7 5 t .8 0 t .8 5 t .9 0 t .9 5 t .9 7 5 t .9 9 t .9 9 5 t .9 9 9 t .9 9 9 5
one-tail 0 .5 0 0 .2 5 0 .2 0 0 .1 5 0 .1 0 0 .0 5 0 .0 2 5 0 .0 1 0 .0 0 5 0 .0 0 1 0 .0 0 0 5
two-tails 1 .0 0 0 .5 0 0 .4 0 0 .3 0 0 .2 0 0 .1 0 0 .0 5 0 .0 2 0 .0 1 0 .0 0 2 0 .0 0 1
df
1 0.000 1.000 1.376 1.963 3.078 6.314 12.71 31.82 63.66 318.31 636.62
2 0.000 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925 22.327 31.599
3 0.000 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841 10.215 12.924
4 0.000 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604 7.173 8.610
5 0.000 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032 5.893 6.869
6 0.000 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707 5.208 5.959
7 0.000 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499 4.785 5.408
8 0.000 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355 4.501 5.041
9 0.000 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250 4.297 4.781
10 0.000 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169 4.144 4.587
11 0.000 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106 4.025 4.437
12 0.000 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055 3.930 4.318
13 0.000 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012 3.852 4.221
14 0.000 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977 3.787 4.140
15 0.000 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947 3.733 4.073
16 0.000 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921 3.686 4.015
17 0.000 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898 3.646 3.965
18 0.000 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878 3.610 3.922
19 0.000 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861 3.579 3.883
20 0.000 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845 3.552 3.850
21 0.000 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831 3.527 3.819
22 0.000 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819 3.505 3.792
23 0.000 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807 3.485 3.768
24 0.000 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797 3.467 3.745
25 0.000 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787 3.450 3.725
26 0.000 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779 3.435 3.707
27 0.000 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771 3.421 3.690
28 0.000 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763 3.408 3.674
29 0.000 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756 3.396 3.659
30 0.000 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750 3.385 3.646
40 0.000 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704 3.307 3.551
60 0.000 0.679 0.848 1.045 1.296 1.671 2.000 2.390 2.660 3.232 3.460
80 0.000 0.678 0.846 1.043 1.292 1.664 1.990 2.374 2.639 3.195 3.416
100 0.000 0.677 0.845 1.042 1.290 1.660 1.984 2.364 2.626 3.174 3.390
1000 0.000 0.675 0.842 1.037 1.282 1.646 1.962 2.330 2.581 3.098 3.300
z 0.000 0.674 0.842 1.036 1.282 1.645 1.960 2.326 2.576 3.090 3.291
0 % 5 0% 6 0% 7 0% 8 0% 9 0% 9 5% 9 8% 9 9% 9 9 .8 % 9 9 .9 %
C o n fid e n c e L e v e l
t-table.xls 7/14/2007
iii
Ta b e l D i str i b u si ²
0 .1 0 .0 5 0 .0 2 5 0 .0 1 0 .0 0 5
db 1 2 .7 0 5 5 4 3
.8 4 1 4 6 5 .0 2 3 9 0 6 .6 3 4 8 9 7 .8 7 9 4 0
2 4 .6 0 5 1 8 5
.9 9 1 4 8 7 .3 7 7 7 8 9 .2 1 0 3 5 1 0 .5 9 6 5 3
3 6 .2 5 1 3 9 7
.8 1 4 7 2 9 .3 4 8 4 0 1 1 .3 4 4 8 8 1 2 .8 3 8 0 7
4 7 .7 7 9 4 3 9
.4 8 7 7 3 1 1 .1 4 3 2 6 1 3 .2 7 6 7 0 1 4 .8 6 0 1 7
5 9 .2 3 6 3 5 1 1 .0 7 0 4 8 1 2 .8 3 2 4 9 1 5 .0 8 6 3 2 1 6 .7 4 9 6 5
6 1 0 .6 4 4 6 4 1 2 .5 9 1 5 8 1 4 .4 4 9 3 5 1 6 .8 1 1 8 7 1 8 .5 4 7 5 1
7 1 2 .0 1 7 0 3 1 4 .0 6 7 1 3 1 6 .0 1 2 7 7 1 8 .4 7 5 3 2 2 0 .2 7 7 7 4
8 1 3 .3 6 1 5 6 1 5 .5 0 7 3 1 1 7 .5 3 4 5 4 2 0 .0 9 0 1 6 2 1 .9 5 4 8 6
9 1 4 .6 8 3 6 6 1 6 .9 1 8 9 6 1 9 .0 2 2 7 8 2 1 .6 6 6 0 5 2 3 .5 8 9 2 7
10 1 5 .9 8 7 1 7 1 8 .3 0 7 0 3 2 0 .4 8 3 2 0 2 3 .2 0 9 2 9 2 5 .1 8 8 0 5
1 1 1 7 .2 7 5 0 1 1 9 .6 7 5 1 5 2 1 .9 2 0 0 2 2 4 .7 2 5 0 2 2 6 .7 5 6 8 6
1 2 1 8 .5 4 9 3 4 2 1 .0 2 6 0 6 2 3 .3 3 6 6 6 2 6 .2 1 6 9 6 2 8 .2 9 9 6 6
1 3 1 9 .8 1 1 9 3 2 2 .3 6 2 0 3 2 4 .7 3 5 5 8 2 7 .6 8 8 1 8 2 9 .8 1 9 3 2
1 4 2 1 .0 6 4 1 4 2 3 .6 8 4 7 8 2 6 .1 1 8 9 3 2 9 .1 4 1 1 6 3 1 .3 1 9 4 3
1 5 2 2 .3 0 7 1 2 2 4 .9 9 5 8 0 2 7 .4 8 8 3 6 3 0 .5 7 7 9 5 3 2 .8 0 1 4 9
1 6 2 3 .5 4 1 8 2 2 6 .2 9 6 2 2 2 8 .8 4 5 3 2 3 1 .9 9 9 8 6 3 4 .2 6 7 0 5
1 7 2 4 .7 6 9 0 3 2 7 .5 8 7 1 0 3 0 .1 9 0 9 8 3 3 .4 0 8 7 2 3 5 .7 1 8 3 8
1 8 2 5 .9 8 9 4 2 2 8 .8 6 9 3 2 3 1 .5 2 6 4 1 3 4 .8 0 5 2 4 3 7 .1 5 6 3 9
1 9 2 7 .2 0 3 5 6 3 0 .1 4 3 5 1 3 2 .8 5 2 3 4 3 6 .1 9 0 7 7 3 8 .5 8 2 1 2
2 0 2 8 .4 1 1 9 7 3 1 .4 1 0 4 2 3 4 .1 6 9 5 8 3 7 .5 6 6 2 7 3 9 .9 9 6 8 6
2 1 2 9 .6 1 5 0 9 3 2 .6 7 0 5 6 3 5 .4 7 8 8 6 3 8 .9 3 2 2 3 4 1 .4 0 0 9 4
2 2 3 0 .8 1 3 2 9 3 3 .9 2 4 4 6 3 6 .7 8 0 6 8 4 0 .2 8 9 4 5 4 2 .7 9 5 6 6
2 3 3 2 .0 0 6 8 9 3 5 .1 7 2 4 6 3 8 .0 7 5 6 1 4 1 .6 3 8 3 3 4 4 .1 8 1 3 9
2 4 3 3 .1 9 6 2 4 3 6 .4 1 5 0 3 3 9 .3 6 4 0 6 4 2 .9 7 9 7 8 4 5 .5 5 8 3 6
2 5 3 4 .3 8 1 5 8 3 7 .6 5 2 4 9 4 0 .6 4 6 5 0 4 4 .3 1 4 0 1 4 6 .9 2 7 9 7
2 6 3 5 .5 6 3 1 6 3 8 .8 8 5 1 3 4 1 .9 2 3 1 4 4 5 .6 4 1 6 4 4 8 .2 8 9 7 8
2 7 3 6 .7 4 1 2 3 4 0 .1 1 3 2 7 4 3 .1 9 4 5 2 4 6 .9 6 2 8 4 4 9 .6 4 5 0 4
2 8 3 7 .9 1 5 9 1 4 1 .3 3 7 1 5 4 4 .4 6 0 7 9 4 8 .2 7 8 1 7 5 0 .9 9 3 5 6
2 9 3 9 .0 8 7 4 8 4 2 .5 5 6 9 5 4 5 .7 2 2 2 8 4 9 .5 8 7 8 3 5 2 .3 3 5 5 0
3 0 4 0 .2 5 6 0 2 4 3 .7 7 2 9 5 4 6 .9 7 9 2 2 5 0 .8 9 2 1 8 5 3 .6 7 1 8 7
t a b e l in i d ib u a t d e n g a n M ic r o s o f t E x c e l
iii