1.

Statistika Matematik (mathematical statistic)

Statistika matematik atau umum dengan sebutan statistika teoritis yang lebih
berorientasi pada pemahaman model dan teknik-teknik statistika secara matematis-
teoriti.
2. Statistika Terapan (applied statistic)
Statistika terapan lebih menekankan pembahasannya pada pemahaman intuitif konsep
dan teknik-teknik statistika serta penggunaannya pada berbagai bidang ilmu.

Metode statistika yaitu prosedur yang dipakai dalam pegumpulan, penyajian, analisis, dan
penafsiran data. Metode-metode tersebut dikelompokkan dalam dua kelompok besar, yaitu:

1. Statistika Deskriptif
2. Statistika Inferensial

Statistika deskriptif

Statistika deskriptif adalah metode yang berkaitan dengan pengumpulan / penyajian data
hingga memberi informasi yang berguna.

Statistika di klasifikasikan menjadi dua yaitu statistika deskriptif dan statistika inferensia
dilakukan berdasarkan aktivitas yang dilakukan.

Contoh statistika deskriptif yaitu

 tabel
 diagram
 grafik
 besaran-besaran lain di majalah dan koran-koran.

Contoh gambar statistika deskriptif : Grafik pengunjung pada suatu website

Contoh Statistika Deskriptif

Dengan Statistika deskriptif, kumpulan data bisa tersaji dengan ringkas dan rapi serta mampu
memberikan informasi inti dari kumpulan data yang ada. Informasi yang diperoleh dari
statistika deskriptif ini antara lain ukuran pemusatan data, ukuran penyebaran data, serta
kecenderungan suatu gugus data
Penyajian Data Bentuk Grafis yaitu :

 Histogram
 Pie Chart
 Ogive
 Poligon
 Diagram Batang Daun (Stem and Leaf)

Penyajian data secara numerik memiliki beberapa bentuk, yaitu :

 Central Tredency
 Fractile
 Skewness
 Pengukuran Keruncingan
 Dispersion / pencaran

Statistik Inferensial

Statistik inferensia yaitu sebuah sebuah metode yang mampu dipakai untuk menganalisis
kelompok kecil dari data induknya atau sample yang diambil dari populasi sampai pada
peramalan dan penarikan kesimpulan pada kelompok data induknya atau populasi.

Statistika inferensial merupakan rangkuman seluruh metode yang berhubungan dengan

analisis sebagian data kemudian sampai pada peramalan atau penarikan kesimpulan mengenai
keseluruhan data induk (populasi) tersebut.

Generalisasi yang berhubungan dengan inferensia statistik memiliki sifat tidak pasti, karena
mendasarkan pada informasi parsial yang didapat dari sebagian data. Sehingga yang didapat
hanya peramalan.

Contoh statistika inferensia :

Catatan kelulusan selama lima tahun terakhir pada sebuah Sekolah Menengah Atas
menunjukkan bahwa 72% diantara siswa SMA tersebut lulus dengan nilai yang memuaskan.
Nilai numerik 72% adalah bentuk suatu statistika deskriptif.

Jika berdasarkan ini kemudian seorang siswa menyimpulkan bahwa peluang dirinya akan
lulus dengan nilai yang memuaskan adalah lebih dari 70%, jadi,siswa tersebut telah
melakukan inferensia statistika yang tentu saja memiliki sifat yang tidak pasti.

Contoh gambar Statistika inferensi

Statistika inferensi
Dalam statistika inferensial diadakan pendugaan parameter, membuat hipotesis, juga
melakukan pengujian hipotesis tersebut hingga sampai pada kesimpulan yang berlaku umum.
Metode ini umumnya disebut statistika induktif, karena kesimpulan yang ditarik berdasarkan
pada informasi dari sebagian data saja.

Pengambilan kesimpulan statistika inferensial yang hanya didasari pada sebagian data yang
menyebabkan sifat tidak pasti, memungkinkan terjadi kesalahan pada pengambilan
keputusan, hingga pengetahuan mengenai teori peluang mutlak diperlukan dalam melakukan
metode-metode statistika inferensial.

Fungsi Statistika Inferensial

Statistika Inferensial / induktif merupakan statistik yang bertujuan menaksir secara umum
suatu populasi dengan memakai hasil sampel, termasuk didalamnya teori penaksiran dan
pengujian teori. Statistika Inferensial digunakan untuk melakukan :

1. Generalisasi dari sampel ke populasi.

2. Uji hipotesis

Ruang lingkup Bahasan Statistika Inferensial

Berdasarkan ruang lingkup bahasannya, statistika inferensial mencakup :

 Probabilitas atau teori kemungkinan

 Dristribusi teoritis
 Analisis kovarians
 Sampling dan sampling distribusi
 Pendugaan populasi atau teori populasi
  Analisis varians
 Uji Hipotesis
 Analisis korelasi dan uji signifikasi
 Analisis regresi untuk peramalan

Perbedaan Statistik Deskriptif dan Statistik Inferensia

Statistik deskriptif hanya terbatas pada menyajikan data bentuk tabel, diagram, grafik, dan
besaran lain

Sedangkan statistik inferensial selain mencakup statistik deskriptif juga mampu dipakai untuk
melakukan estimasi dan penarikan kesimpulan terhadap populasi dari sampelnya. Untuk
sampai pada penarikan kesimpulan statistik inferensia melalui tahap uji hipotesis dan uji
statistik.

Pengertian dan Perbedaan Statistik Parametrik dan Non parametrik

04MAYBy Ayat HIdayat Huang

Dalam terminologi ilmu statistika, statistik parametrik dan non parametrik merupakan dua hal
yang sering digunakan. Lantas apa perbedaan keduanya? Secara sederhana sebetulnya antara
statistik parametrik dan non parametrik mudah dibedakan dari istilahnya saja. Statistik non
parametrik adalah statistik yang ditidak mendasarkan pada parameter-parameter statistik. apa
itu parameter-parameter statistik? jika anda melakukan penelitian, tentu anda melakukan
pengukuran-pengukuran, nah ukuran-ukuran tersebut diistilahkan dengan parameter. dalam
statistik kita mengenal mean, median, modus dan standar deviasi. itulah parameter-parameter
statistik. dalam statistik non parametrik, parameter tersebut tidak dijadikan acuan. Mengapa?
ketika kita menggunakan skala data nominal atau ordinal, parameter-parameter tersebut
menjadi tidak relevan. itu lebih kepada membuat ranking pada data. selain itu, statistik non
parametrik tidak mendasakan pada distribusi data tertentu.

Penggunaan statistik non parametrik

Statistik non parametrik banyak digunakan pada kondisi di mana peneliti dihadapkan pada
data yang berupa ranking, misalnya data untuk menilai peringkat mana yang lebih penting
diantara beberapa atribut produk. Begitupun ketika hendak menganalisis data berupa data
nominal atau data dikotomus, misalnya kita hanya menggunakan skala 1 dan 2 untuk
membedakan jenis kelamin laki-laki dan perempuan. Parameter-parameter statistik seperti
rata-rata dan standar deviasi menjadi tidak relevan. Jika kita paksakan untuk
menggunakannya maka tentu rata-rata data hanya menyebar di antara angka 1 dan 2.

Ketika peneliti menggunakan skala ordinal dalam mengukur suatu variabel, statistik non
parametrik merupakan metode yang cocok untuk menganalisis data tersebut. Namun,
kebanyakan peneliti menggunakan statistik parametrik melalui penghitungan parameter mean
dan standar deviasi terlebih dahulu. Memang, dalam hal interpretasi, statistik parametrik lebih
mudah dipahami dibandingkan statistik non parametrik. Kita tentu akan lebih mudah
membaca rata-rata atau penyimpangan suatu data dibandingkan ranking dari data itu sendiri.
Alasan kemudahan membaca hasil inilah yang sering dijadikan justifikasi untuk menghindari
statistik non parametrik.
Alasan kedua penggunaan statistik non parametrik adalah ketika data peneliti dihadapkan
pada data yang tidak berdistribusi normal atau peneliti tidak memiliki cukup bukti yang kuat
data berasal dari distribusi data seperti apa. Kita sering dihadapkan pada kondisi di mana data
tidak berdistribusi normal, misalnya distribusi data terlalu miring ke kiri atau ke kanan.
Berbagai usaha dapat dilakukan dengan mereduksi data outlier atau data ekstrim. Namun, jika
hal tersebut tidak merubah distribusi data menjadi terdistribusi normal, maka metode non
parametrik dapat dilakukan.

Contoh metode analisis non parametrik

Kedua metode ini tentu memiliki konsekuensi terhadap pendekatan analisis yang digunakan.
Untuk menganalisis pengaruh suatu variabel penyebab terhadap variabel respon, biasanya
kita menggunakan analisis regresi linier sederhana atau berganda. Dalam metode non
parametrik, metode tersebut tidak lagi relevan. Pendekatan yang cocok adalah regresi non
parametrik.

Begitu pun ketika kita menganalisis hubungan antara dua variabel. Biasanya kita
menggunakan analisis korelasi Pearson Product Moment. Namun, dalam metode non
parametrik analisis korelasi lebih dikenal dengan korelasi Rank spearman. Teknik
perhitungannya berbeda. Dalam Rank spearman, kita terlebih dahulu membuat ranking dari
data yang akan dikorelasikan sementara dalam Pearson product moment tidak dilakukan.
Metode korelasi non parametrik populer lainnya adalah Kendall Tau.

Ketika kita hendak melakukan uji perbandingan antara kelompok, maka metode
analisis yang digunakan dalam statistik parametrik adalah uji t (ketika yang kita
bandingkan 2 kelompok), atau uji anova (ketika kelompok yang kita bandingkan lebih
dari 2). Berbeda dengan statistik parametrik, dalan non parametrik ada uji Kruskall
wallis yang sebaiknya digunakan. Macam-Macam Uji t dan Perbedaannya
17.23

Dalam melakukan uji t kita sering mengalami kebingungan uji mana yang akan kita
guanakan. Berikut akan dijelaskan mengenai Macam-Macam Uji t dan Perbedaannya.
semoga bermanfaat.

Salah satu cabang ilmu statistik yang digunakan untuk membuat keputusan adalah uji
hipotesis. Hipotesis adalah suatu anggapan atau pernyataan yang mungkin benar dan
mungkin juga tidak benar tentang suatu populasi. Dengan menggunakan uji hipotesis, peneliti
dapat menguji berbagai teori yang berhubungan dengan masalah-masalah yang sedang
diteliti.

Salah satu metode untuk menguji hipotesis adalah sample t-Test, dimana metode sample t-
Test dibagi menjadi tiga, yaitu one sample t-Test, paired sample t-Testdan independent
sample t-Test. Uji hipotesis t-Test adalah uji hipotesis yang digunakan untuk mengetahui
apakah ada perbedaan rata-rata dari sampel yang diambil.
 Uji T

Berikut adalah macam-macam Uji T

One Sample t-Test

One sample t test merupakan teknik analisis untuk membandingkan satu variabel bebas.
Teknik ini digunakan untuk menguji apakah nilai tertentu berbeda secara signifikan atau tidak
dengan rata-rata sebuah sampel. Pada uji hipotesis ini, diambil satu sampel yang kemudian
dianalisis apakah ada perbedaan rata-rata dari sampel tersebut. Prosedur yang umum dan
harus diikuti untuk melakukan uji hipotesis ini adalah sebagai berikut :

1.      Mencari hipotesis nol dan hipotesis alternatifnya.

2.      Pilih tingkat kepercayaan tertentu dan tentukan besarnya sampel yang diambil.1.      Pilih
statistik uji yang sesuai sebagai dasar bagi prosedur pengujian.

2.      Tentukan daerah kritisnya.

3.      Kumpulkan data sampel dan hitung statistik sampelnya, kemudian ubah ke dalam variable
normal standar (Z) atau t (tergantung banyaknya sampel).

4.      Nyatakan menolak atau menerima H0.

Paired-sample t-Test
Analisis Paired-sample t-Test merupakan prosedur yang digunakan untuk membandingkan rata-
rata dua variabel dalam satu group. Artinya analisis ini berguna untuk melakukan pengujian
terhadap satu sampel yang mendapatkan sutau treatment yang kemudian akan dibandingkan
rata-rata dari  sampel tersebut antara sebelum dan sesudah treatment. 

Independent sample t-Test

Independent sample t-Test adalah uji yang digunakan untuk menentukan apakah dua sampel yang
tidak berhubungan memiliki rata-rata yang berbeda. Jadi tujuan metode statistik ini adalah
membandingkan rata-rata dua grup yang tidak berhubungan satu sama lain. Pertanyaan yang
coba dijawab adalah apakah kedua grup tersebut  mempunyai nilai rata-rata yang sama ataukah
tidak sama secara signifikan.

Pengertian ANOVA

Anova adalah sebuah analisis statistik yang menguji perbedaan rerata antar grup. Grup disini
bisa berarti kelompok atau jenis perlakuan. Anova ditemukan dan diperkenalkan oleh seorang
ahli statistik bernama Ronald Fisher.

Anova merupakan singkatan dari Analysis of variance. Merupakan prosedur uji statistik yang
mirip dengan t test. Namun kelebihan dari Anova adalah dapat menguji perbedaan lebih dari
dua kelompok. Berbeda dengan independent sample t test yang hanya bisa menguji
perbedaan rerata dari dua kelompok saja.

Dalam kesempatan bahasan kali ini, statistikian akan menjelaskannya secara singkat namun

dengan penuh harapan agar para pembaca mudah memahami dan mempraktekkannya dalam
penelitian di lapangan nantinya.

Kegunaan Anova

Anova digunakan sebagai alat analisis untuk menguji hipotesis penelitian yang mana menilai
adakah perbedaan rerata antara kelompok. Hasil akhir dari analisis ANOVA adalah nilai F
test atau F hitung. Nilai F Hitung ini yang nantinya akan dibandingkan dengan nilai
pada tabel f. Jika nilai f hitung lebih dari f tabel, maka dapat disimpulkan bahwa menerima
H1 dan menolak H0 atau yang berarti ada perbedaan bermakna rerata pada semua kelompok.

Analisis ANOVA sering digunakan pada penelitian eksperimen dimana terdapat beberapa

perlakuan. Peneliti ingin menguji, apakah ada perbedaan bermakna antar perlakuan tersebut.

Contoh ANOVA

Contohnya adalah seorang peneliti ingin menilai adakah perbedaan model pembelajaran A, B
dan C terhadap hasil pembelajaran mata pelajaran fisika pada kelas 6. Dimana dalam
penelitian tersebut, kelas 6A diberi perlakuan A, kelas 6B diberi perlakuan B dan kelas 6C
diberi perlakuan C. Setelah adanya perlakuan selama satu semester, kemudian dibandingkan
hasil belajar semua kelas 6 (A, B dan C). Masing-masing kelas jumlahnya berkisar antara 40
sampai dengan 50 siswa.

Hasil akhir yang didapatkan adalah nilai f hitung. Nilai tersebut dibandingkan dengan nilai
dalam tabel f pada derajat kebebasan tertentu (degree of freedom). Jika F hitung > F Tabel,
maka disimpulkan bahwa menerima H1 atau yang berarti ada perbedaan secara nyata atau
signifikan hasil ujian siswa antar perlakuan model pembelajaran.
Anova Dalam Regresi Linear

Kadang para pembaca cukup dibingungkan oleh adanya tabel ANOVA pada hasil
analisis regresi linear. Tentunya jika anda mengerti maksud sesungguhnya dari uji yang satu
ini, maka anda tidak akan bingung lagi. Anova dalam perhitungannya membandingkan nilai
mean square dan hasilnya adalah menilai apakah model prediksi linear tidak berbeda nyata
dengan nilai koefisien estimasi dan standar error.

Ciri-ciri ANOVA

Ciri khasnya adalah adanya satu atau lebih variabel bebas sebagai faktor penyebab dan satu
atau lebih variabel response sebagai akibat atau efek dari adanya faktor. Contoh penelitian
yang dapat menggambarkan penjelasan ini: “Adakah pengaruh jenis bahan bakar terhadap
umur thorax mesin.” Dari judul tersebut jelas sekali bahwa bahan bakar adalah faktor
penyebab sedangkan umur thorax mesin adalah akibat atau efek dari adanya perlakuan faktor.
Ciri lainnya adalah variabel response berskala data rasio atau interval (numerik atau
kuantitatif).

Anova merupakan salah satu dari berbagai jenis uji parametris, karena mensyaratkan adanya
distribusi normal pada variabel terikat per perlakuan atau distribusi normal pada residual.
Syarat normalitas ini mengasumsikan bahwa sample diambil secara acak dan dapat mewakili
keseluruhan populasi agar hasil penelitian dapat digunakan sebagai generalisasi. Namun
keunikannya, uji ini dapat dikatakan relatif robust atau kebal terhadap adanya asumsi
tersebut.

Jenis ANOVA

Jenisnya adalah berdasarkan jumlah variabel faktor (independen variable atau variabel bebas)
dan jumlah variabel responsen (dependent variable atau variabel terikat). Pembagiannya
adalah sebagai berikut:

Univariat:
1. Univariate One Way Analysis of Variance. Apabila variabel bebas dan variabel terikat
jumlahnya satu.
2. Univariate Two Way Analysis of Variance. Apabila variabel bebas ada 2, sedangkan
variabel terikat ada satu.
3. Univariate Multi way Analysis of Variance. Apabila variabel bebas ada > 2, sedangkan
variabel terikat ada satu.

Multivariat:
1. Multivariate One Way Analysis of Variance. Apabila variabel bebas dan variabel terikat
jumlahnya lebih dari satu.
2. Multivariate Two Way Analysis of Variance. Apabila variabel bebas ada 2, sedangkan
variabel terikat jumlahnya lebih dari satu.
3. Multivariate Multi way Analysis of Variance. Apabila variabel bebas ada > 2, sedangkan
variabel terikat jumlahnya lebih dari satu.

Jenis lain yang menggunakan prinsip ini adalah:

 1. Repeated Measure Analysis of variance.
2. Analysis of Covariance (ANCOVA).
3. Multivariate Analysis of covariance (MANCOVA).

Demikian di atas telah kita bahas secara singkat perihal ANOVA. Tentunya artikel ini
sangatlah terbatas dan tidak cukup untuk membuat anda mahir dapat dapat melakukan uji
tersebut dalam penelitian anda. Maka dari itu, statistikian telah membuat berbagai artikel
yang kiranya dapat membantu para pembaca sekalian.

Silahkan baca artikel kami yang berjudul: One Way Analysis of variance dengan SPSS,
MANOVA dengan SPSS, Two Way Analysis of variance dengan SPSS dan Two Way
MANOVA dengan SPSS serta masih banyak artikel lainnya seputar Analysis of variance
terutama tutorialnya dengan berbagai alat komputasi statistik, misalnya tutorial
perhitungannya dengan aplikasi excel.

KORELASI PEARSON PRODUCT MOMENT

 A.      Pengertian Korelasi Pearson
Korelasi Pearson atau sering disebut Korelasi Product Moment (KPM) merupakan alat uji statistik
yang digunakan untuk menguji hipotesis asosiatif (uji hubungan) dua variabel bila datanya berskala
interval atau rasio. KPM dikembangkan oleh Karl Pearson (Hasan, 1999).

KPM merupakan salah satu bentuk statistik parametris karena menguji data pada skala interval atau
rasio. Oleh karena itu, ada beberapa persyaratan untuk dapat menggunakan KPM, yaitu :

1. Sampel diambil dengan teknik random (acak)

2. Data yang akan diuji harus homogen
3. Data yang akan diuji juga harus berdistribusi normal
4. Data yang akan diuji bersifat linier
Fungsi KPM sebagai salah satu statistik inferensia adalah untuk menguji kemampuan generalisasi
(signifikasi) hasil penelitian. Adapun syarat untuk bisa menggunakan KPm selain syarat
menggunakan statistik parameteris, juga ada persyaratan lain, yaitu variabel independen (X) dan
variabel (Y) harus berada pada skala interval atau rasio.

Nilai KPM disimbolkan dengan r (rho). Nilai KPM juga berada di antara -1 < r < 1. Bila nilai r = 0,
berarti tidak ada korelasi atau tidak ada hubungan anatara variabel independen dan dependen. Nilai r
= +1 berarti terdapat hubungan yang positif antara variabel independen dan dependen. Nilai r = -1
berarti terdapat hubungan yang negatif antara variabel independen dan dependen. Dengan kata lain,
tanda “+” dan “-“ menunjukkan arah hubungan di antara variabel yang sedang diopersionalkan.
Uji signifikansi KPM menggunakan uji t, sehingga nilai t hitung dibandingkan dengan nilai t tabel.
Kekuatan hubungan antarvariabel ditunjukkan melalui nilai korelasi. Berikut adalah tabel nilai
korelasi beserta makna nilai tersebut :

Tabel 1.1 Makna Nilai Korelasi Product Moment

Nilai Makna Rendah / lemah

0,00 – 0,19 Sedang

0,20 – 0,39 Tinggi / kuat

0,40 – 0,59 Sangat tinggi / sangat kuat

0,60 – 0,79

0,80 – 1,00
Sangat rendah / sangat lemah
B.       Menghitung Korelasi Product Moment
Langkah – langkah menghitung KPM adalah sebagai berikut :

1. Merumuskan hipotesis (H1 dan H0)

2. Menentukan taraf signifikansi (α = 0,05)
3. Menghitung KPM dengan rumus. Ada beberapa rumus KPM, yaitu :
rxy =   ……………………………. Rumus 1.1
            rxy =           …………………………….. Rumus 1.2
            rxy =    …………………………………………………………. Rumus 1.3
dengan :

sdx       : standar deviasi x

sdy         : standar deviasi yUntuk menghitung besarnya kontribusi variabel X dalam mempengaruhi
variabel Y, digunakan rumus :
KD = r2 x 100% …………………………………………………………… Rumus 1.4
Dengan :

KP       : Koefisien determinan

r           : Nilai korelasi variabel x dan y

1. Melakukan uji signifikansi

       Untuk menguji signifikansi KPM, selain menggunakan tabel r, juga dapat menggunakan uji t,
dengan rumus :

       t hitung =  ………………………………………………………… Rumus 1.5

       dengan dk = n -2

1. Mengambil kesimpulan, dengan ketentuan :

       – Bila t hitung > t tabel, maka rxy adalah signifikan
       – Bila t hitung < t tabel, maka rxy adalah tidak signifikan