dengan Statistik
Parametrik
Learning Outcomes
Dalam Statistik Parametrik diperlukan syarat bahwa data yang akan dianalisis
harus berdistribusi normal. Untuk itu perlu dilakukan pengujian normalitas data.
Pengujian normalitas data antara lain dilakukan dengan : t-test
T-test : 1) untuk menguji hipotesis deskriptif satu sampel bila datanya
berbentuk interval dan ratio , maka digunakan t-test satu sampel.
2) untuk menguji hipotesis komparatif dua sampel berpasangan bila
datanya berbentuk interval dan ratio, digunakan t-test sampel berpasangan.
t = x - µ0
s/√n
di mana : t = nilai t yang dihitung , x = rata-rata , µ0 =nilai yang dihipotesiskan
s = simpangan baku sampel , n = jumlah anggota sampel.
Pengujian Normalitas Data : t-test,
Korelasi Product Moment (2)
Korelasi : menunjukkan adanya hubungan antara dua variabel atau lebih serta
menunjukkan besarnya (kuat/lemahnya) hubungan antara dua variabel
tersebut.
Koefisien Korelasi ( r ) merupakan kriteria untuk mengukur hubungan antar
variabel secara kuantitatif yang nilainya terletak antara – 1 dan 1
r = 1 , hubungan variabel X dan Y adalah sangat kuat dan positif
r = - 1 , hubungan variabel X dan Y adalah sangat lemah dan negatif
r = 0 , hubungan variabel X dan Y lemah sekali atau tidak ada hubungan.
Berikut ini adalah rumus Karl Pearson (Product Moment) :
r = n . Σ XY - ΣX . ΣY .
√n.ΣX² - (ΣX)². √n.ΣY² - (ΣY)²
Koefisien Determinasi (Kd) : menunjukkan berapa persen fluktuasi atau
variasi variabel Y yang disebabkan oleh variabel X , dengan rumus :
Kd = r²
Analisis Regresi Linear Sederhana
Analisis Regresi : suatu proses melakukan estimasi untuk memperoleh suatu hubungan
fungsional antara variabel X dengan variabel Y.
Analisis Regresi Linear Sederhana : adalah analisis regresi antara satu variabel X dan
satu variabel Y.
Persamaan Regresi Linear Sederhana : Y’ = a + bX ,
di mana : Y’ = Nilai Y prediksi , a = Intercept atau nilai Y pada saat X = 0
b = Slope / kemiringan , X = Independent Variable (variabel bebas).
Untuk menghitung nilai a dan b digunakan rumus :
a = ΣY - b. ΣX
n n