BAB I

PENDAHULUAN

1.LATAR BELAKANG

Statistika berasal dari bahasa latin yaitu status yang berarti negara dan digunakan
untuk urusan negara. Hal ini dikarenakan pada mulanya, statistik hanya digunakan untuk
menggambar keadaan dan menyelesaikan masalah yang berhubungan dengan kenegaraan
saja seperti : perhitungan banyaknya penduduk, peembayaran pajak, gaji pegawai, dan lain
sebagainya.
Statistika adalah ilmu yang merupakan cabang dari matematika terapan yang
membahas metode-metode ilmiah untuk pengumpulan, pengorganisasian, penyimpulan,
penyajian, analisis data, serta penarikan kesimpulan yang sahih sehingga keputusan yang
diperoleh dapat diterima.
Statistika inferensial mencakup semua metode yang berhubungan dengan analisis
sebagian data (contoh ) atau juga sering disebut dengan sampel untuk kemudian sampai pada
peramalan atau penarikan kesimpulan mengenai keseluruhan data induknya (populasi).
Dalam statistika inferensial diadakan pendugaan parameter, membuat hipotesis, serta
melakukan pengujian hipotesis tersebut sehingga sampai pada kesimpulan yang berlaku
umum. Metode ini disebut juga statistika induktif, karena kesimpulan yang ditarik didasarkan
pada informasi dari sebagian data saja. Pengambilan kesimpulan dari statistika inferensial
yang hanya didasarkan pada sebagian data saja sebagian data saja menyebabkan sifat tak
pasti, memungkinkan terjadi kesalahan dalam pengambilan keputusan, sehingga pengetahuan
mengenai teori peluang mutlak diperlukan dalam melakukan metode-metode statistika
inferensial.
Statistik inferensial digunakan dalam proses mengambil keputusan dalam
menghadapi ketidakpastian dan perubahan. Contoh ketidakpastian adalah kuat tekan beton
dalam suatu pengujian tidak sama, walaupun dibuat dengan material yang sama.  Dengan
adanya kenyataan tersebut, maka metode statitsik digunakan untuk  menganalisis data dari
suatu proses pembuatan beton tersebut sehingga diperoleh kualitas  yang lebih baik. Statistik
inferensial telah menghasilkan banyak metode analitis yang digunakan untuk menganalisis
data. Dengan perkataan lain statistik inferensial tidak hanya mengumpulan data, tetapi juga
mengambil kesimpulan dari suatu sistem saintifik.
Untuk mengetahui lebih jelas mengenai Statistika Inferensial, akan diuraikan
mengenai pengertian Statistika Inferensial dan  ruang lingkup Statistika Inferensial.

2. RUMUSAN MASALAH
1. Apa saja macam-macam data statistik
2. Apa itu statistik parametrik
3.Apa itu statistik non parametrik
4. Bagaimana kurva normal
5. Bagaimana uji normalitas distribusi

3. TUJUAN
A.Untuk mengetahui macam-macam data
B. Untuk mengetahui statistik parametrik
C. Untuk mengetahui statistik non parametric
D. Untuk mengetahui kurva normal
E. Untuk mengetahui uji normalitas distribusi
 BAB II
PEMBAHASAN

A. MEMAHAMI STATISTIK INFERENSIAL

Statistika Inferensial adalah serangkaian teknik yang digunakan untuk mengkaji, menaksir

dan mengambil kesimpulan berdasarkan data ynag diperoleh dari sempel untuk
menggambarkan karakteristik atau ciri dari suatu populasi. Oleh karena itu, statistika
inferensial disebut juga statistik induktif atau statistik penarikan kesimpulan. Dalam statistika
inferensial, kesimpulan dapat diambil setelah melakukan pengolahan serta penyajian data dari
suatu sampel yang diambil dari suatu populasi, sehingga agar dapat memberikan cerminan
yang mendekati sebenarnya dari suatu populasi, maka ada beberapa hal yang perlu
diperhatikan dalam statistika inferensial, diantaranya:
1.      Banyaknya subyek penelitian, maksudnya jika populasi ada 1000, maka sampel yang
diambil jangan hanya 5, namun diusahakan lebih banyak, seperti 10 atau 50.
2.      Keadaan penyebaran data. Dalam hal ini perlu diperhatikan bahwa pengambilan sampel
harus merata pada bagian populasi. Diharapkan dalam pengambilan sampel dilakukan secara
acak, sehingga kemerataan dapat dimaksimalkan dan apapun kesimpulan yang didapat dapat
mencerminkan keadaan populasi yang sebenarnya.
Statistika Inferensial dibagi menjadi dua, yaitu Statistika Parametrik dan Statistika Non
Parametrik.
1.      Statistika parametrik terutama digunakan  untuk menganalisa data interval dan rasio,
yang diambil dari populasi yang berdistribusi normal
2.      Statistika non-parametrik terutama digunakan untuk menganalisa data nominal, dan
ordinal dari populasi yang bebas distribusi
Contoh dari statistika inferensial adalah pada pemilihan Ketua BEM Undiksha tahun 2008.
Dalam kegiatan ini, walaupun sistem pemilihannya dengan pemungutan suara, tetapi tidak
semua mahasiswa Undiksha yang diberikan untuk memilih, melainkan hanya perwakilan dari
masing-masing HMJ. Di sini telah dilakukan sampling, yaitu pemilihan sampel (perwakilan
HMJ), dari suatu populasi (seluruh mahasiswa Undiksha). Dari hasil pemungutan suara dari
masing-masing perwakilan HMJ, maka data-data yang diperoleh digunakan sebagai acuan
untuk membuat kesimpulan bahwa hal itulah yang diinginkan oleh seluruh mahasiswa
Undiksha walaupun jika ditelaah mungkin saja tidak demikian.
Jadi dari uraian di atas tentang statistika inferensial menyajikan data untuk mendapat
kesimpulan terhadap obyek yang lebih luas, sehingga karena inferensi tidak dapat secara
mutlak pasti, perkataan probabilitas (kemungkinan) sering dinyatakan dalam menyatakan
kesimpulan
B. MACAM-MACAM DATA STATISTIK

Statistik/data merupakan poin penting dalam statistika. Ada bermacam-macam data yang
dikenal dalam statistika, antara lain:

- Data kualitatif yaitu data yang berbentuk kalimat, kata atau gambar. Contoh dari data
kualitatif adalah tidak enak, enak, sangat enak.

- Data kuantitatif yaitu data berupa angka. Data kuantitatif dapat dikelompokkan menjadi
dua besar yaitu diskrit dan kontinu. Data diskrit adalah data yang diperoleh dari hasil
menghitung atau membilang (bukan mengukur) Contohnya jumlah mahasiswa mipa
matematika ada 500 orang, peserta seminar mathfair berjumlah 300 orang, dan himpunan
bilangan asli dari 1 sampai 8 A= {1,2,3,4,5,6,7,8}.

- Data diskrit yaitu data data yang tidak dikonsepsikan adanya nulai-nilai di antara data
(bilangan) lain yang terdekat contoh banyaknya jumlah anak di suatu keluarga, jumlah rumah
di suatu kampung. Misalnya juka bilangan 2 dan 3 menunjukan jumlah anak anak di keluarga
A dan keluarga B, maka di antara kedua bilangan tersebut tidak ada bilangan-bilangan lain.
Tidak pernah kita mengatakan bahwa jumlah anak di suatu keluarga adalah 2,4 atau 2,9.

- Data kontinu yaitu data yang didapat dari hasil pengukuran. Data hasil pengukuran
diperoleh dari tes, kuesioner ataupun alat ukur lain yang sudah terstandar misalnya
timbangan, panjang ataupun data psikologis yang lain. yang termasuk data kontinum ini
adalah interval dan rasio.
Data didapatkan dari perhitungan dan pengukuran. Pengukuran adalah penggunaan aturan
untuk menetapkan bilangan pada obyek atau peristiwa. Dengan kata lain, pengukuran
memberikan nilai-nilai variabel dengan notasi bilangan. Aturan penggunaan notasi bilangan
dalam pengukuran disebut data atau tingkat pengukuran (scales of measurement).Secara lebih
rinci, dalam statistik terdapat 4 data pengukuran yaitu nominal, ordinal, interval dan rasio.

- Data nominal adalah data mengelompokkan obyek atau peristiwa dalam berbentuk
kategori. Data nominal diperoleh dari pengukuran nominal yaitu suatu proses
mengklasifikasian obyek-obyek yang berbeda kedalam kategori-kategori berdasarkan
beberapa karakteristik tertentu.
Karakteristik data nominal adalah
• Kategori data bersifat mutually eksklusif (setiap obyek hanya memiliki satu kategori)
• Kategori data tidak disusun secara logis
Contoh : Jenis Kelamin, warna kulit, dan agama, pada contoh tersebut kita memahami bahwa
data nominal kita hanya dapat mengetahui bahwa subjek termasuk ke dalam kategori tertentu
(pria atau wanita, hitam atau putih atau sawo matang, Islam atau Kristen atau Budha atau
lainya). Perbedaan subjek dalam data nominal bersifat kualitatif dan tidak mempunyai makna
kuantitatif.

- Data ordinal adalah data yang menunjukkan perbedaan tingkatan subjek secara kuantitatif.
Contoh :Data ini biasanya dipergunakan dalam menentukan ranking seseorang dibandingkan
dengan yang lain. misalnya ranking siswa dikelas dibuat dari nilai tertinggi sampai nilai
terendah. Ranking pertama dan kedua tidak memiliki jarak rentangan yang sama dengan
ranking kedua dan ketiga. Contoh lain data ordinal adalah nilai mahasiswa dalam bentuk
huruf, A, B, C, D dan E. data ordinal memiliki karakteristik:
• Kategori data bersifat mutually eksklusif (setiap obyek hanya memiliki satu kategori)
• Kategori data tidak disusun secara logis
• Kategori data disusun berdasarkan urutan logis dan sesuai dengan besarnya karakteristik
yang dimiliki
Secara singkat, dapat dikata bahwa data ordinal, disamping memiliki sifat yang dimiliki data
nominal juga menunjukan kedudukan (tingkatan) subjek dalam suatu kelompok pada suatu
variable.

- Data interval adalah data yang yang memiliki jarak yang sama antar datanya akan tetapi
tidak memiliki nol mutlak. Nol mutlak artinya tidak dianggap ada. Selain memiliki kedua ciri
di atas (menunjukan klasifikasi dan kedudukan subjek dalam kelompok), data interval juga
memiliki sifat kesamaan jarak (equality of interval) antara nilai yang satu dengan nilai yang
lain. Skor mentah (raw score) yang dihasilkan dari suatu tes hasil belajar atau tes kecerdasan
sering disebut sebagai data yang berdata interval (data interval). Salah satu ciri matematis
yang dimiliki data interval adalah penjumlahan. Dengan demikian, kita dapat membuat
operasi penambahan atau pengurangan. Misalnya, jarak pada temperature tertentu. Jarak
 antara 250F dengan 500F sama dengan jarak 750F dengan 1000F. akan tetapi, data suhu ini
tidak memiliki titik nol mutlak sehingga kita tidak bisa melakukan operasi perkalian dan
pembagian. Untuk itu maka ada satu lagi data yaitu data rasio.

- Data rasio adalah data yang bersekala rasio hampir sma dengan data interval, yakni
keduanya memiliki ketiga sifat di atas (menunjukan klasifikasi dan kedudukan subjek dalam
suatu kelompok, serta sifat persamaan jarak). Data rasio berbeda dari data interval karena
pertama data rasio memiliki nilai mutlak nol. Data pengukuran yang memiliki nol mutlak
sehingga dapat dilakukan operasi perkalian dan pembagian. Misalnya berat badan, tinggi
badan, pendapatan dan lain sebagainya. untuk melakukan pengujian hipotesis, maka data yang
kita miliki minimal berdata interval. jika data berdata nominal atau ordinal, data tersebut
harus ditransfer dulu ke data. Contoh : perbandingan (rasio) antara skor-skor yang berdata
rasio, 20 kg adalah 2 kali 10 kg, 15 m = 3 m x 5 m dan sebagainya.

C. STATISTIK PARAMETRIK

Pengertian Statistik Parametrik 

       Parametrik berarti parameter. Parameter adalah indikator dari suatu distribusi hasil
pengukuran. Indikator dari distribusi pengukuran berdasarkan statistik parametrik digunakan
untuk parameter dari distribusi normal. Distribusi normal dikenal juga dengan istilah Gaussian
Distribution. Distribusi normal mengandung dua parameter, yaitu rata-rata (mean) dan ragam
(varians). 
       Parameter-parameter ini memberikan karakteristik yang unik pada suatu distribusi
berdasarkan “lokasi”-nya (central tendency). Berbagai metode statistik mendasarkan
perhitungannya pada kedua parameter tersebut. Penggunaan metode statistik parametrik
mengikuti prinsip-prinsip distribusi normal. 
        Prinsip-prinsip dari distribusi normal adalah: 
a. Distribusi dari suatu sampel yang dijadikan obyek pengukuran berasal dari distribusi populasi
yang diasumsikan terdistribusi secara normal. 
b. Sampel diperoleh secara random, dengan jumlah sampel yang dianggap dapat mewakili
populasi.
c. Distribusi normal merupakan bagian dari distribusi probabilitas yang kontinyu (continuous
probability distribution). 
       Implikasinya, skala pengukuran pun harus kontinyu. Skala pengukuran yang kontinyu
adalah skala rasio dan interval. Kedua skala ini memenuhi syarat untuk menggunakan uji statistik
parametrik. Bila syarat-syarat ini semua terpenuhi, maka metode statistik parametrik dapat
digunakan. Namun, jika data tidak menyebar normal maka metode statistik nonparametrik dapat
digunakan. Apa yang dapat dilakukan jika data tidak menyebar normal, namun statistik
parametrik ingin tetap digunakan. 
    Untuk kasus ini data sebaiknya ditransformasikan terlebih dahulu. Transformasi data perl
dilakukan agar data mengikuti sebaran normal. Transformasi dapat dilakukan dengan mengubah
data ke dalam bentuk logaritma natural, menggunakan operasi matematik (membagi, menambah,
atau mengali dengan bilangan tertentu), dan mengubah skala data dari nominal menjadi interval. 

2.2 Keunggulan dan kelemahan statistik parametrik 

      Keunggulan : 
1. Syarat syarat parameter dari suatu populasi yang menjadi sampel biasanya tidak diuji dan
dianggap memenuhi syarat, pengukuran terhadap data dilakukan dengan kuat. 
 2. Observasi bebas satu sama lain dan ditarik dari populasi yang berdistribusi normal serta
memiliki varian yang homogen. 
     Kelemahan : 
1. Populasi harus memiliki varian yang sama. 
2. Variabel-variabel yang diteliti harus dapat diukur setidaknya dalam skala interval. 
3. Dalam analisis varian ditambahkan persyaratan rata-rata dari populasi harus normal dan
bervarian sama, dan harus merupakan kombinasi linear dari efek-efek yang ditimbulkan. 

D. STATISTIK NON PARAMETRIK

1.    Pengertian
Statistik Non-Parametrik, yaitu statistik bebas sebaran (tidak mensyaratkan bentuk sebaran
parameter populasi, baik normal atau tidak). Selain itu, statistik non-parametrik biasanya
menggunakan skala pengukuran sosial, yakni nominal dan ordinal yang umumnya tidak
berdistribusi normal.
Misal : “Berapa besar kepuasan pelanggan terhadap pelayanan restoran cepat saji X?”.
variabel kepuasan tidak memiliki satandar pasti.
2.    Syarat statistik non-parametrik
a.       Data tidak berdistribusi normal
b.      Umumnya data berskala nominal dan ordinal
c.       Umumnya dilakukan pada penelitian social
d.      Umumnya jumlah sampel kecil
3.    Contoh metode statistik non-parametrik :
a.       Uji tanda (sign test)
b.      Rank sum test (wilcoxon)
c.       Rank correlation test (spearman)
d.      Fisher probability exact test.
e.       Chi-square test, dll
4.    Keunggulan dan kelemahan statistik non-parametrik  
a.       Keunggulan :
1)   Tidak membutuhkan asumsi normalitas.
2)   Secara umum metode statistik non-parametrik lebih mudah dikerjakan dan lebih mudah
dimengerti jika dibandingkan dengan statistik parametrik  karena ststistika non-parametrik
tidak membutuhkan perhitungan matematik yang rumit seperti halnya statistik parametrik.
3) Statistik non-parametrik dapat digantikan data numerik (nominal) dengan jenjang (ordinal).
4) Kadang-kadang pada statistik non-parametrik tidak dibutuhkan urutan atau jenjang secara
formal karena sering dijumpai hasil pengamatan yang dinyatakan dalam data kualitatif.
5) Pengujian hipotesis pada statistik non-parametrik dilakukan secara langsung pada
pengamatan yang nyata.
6) Walaupun pada statistik non-parametrik tidak terikat pada distribusi normal populasi, tetapi
dapat digunakan pada populasi berdistribusi normal.
b.      Kelemahan
1)    Statistik non-parametrik terkadang mengabaikan beberapa informasi tertentu.
2) Hasil pengujian hipotesis dengan statistik non-parametrik tidak setajam statistik
parametrik.
3)  Hasil statistik non-parametrik tidak dapat diekstrapolasikan ke populasi studi seperti pada
statistik parametrik. Hal ini dikarenakan statistik non-parametrik mendekati eksperimen
dengan sampel kecil dan umumnya membandingkan dua kelompok tertentu.

E. MAMPU MEMAHAMI NORMALITAS DISTRIBUSI

Distribusi normal, disebut pula distribusi Gauss, adalah distribusi probabilitas yang paling
banyak digunakan dalam berbagai analisis statistika. Distribusi normal baku adalah
distribusi normal yang memiliki rata-rata nol dan simpangan baku satu. Distribusi ini juga
dijuluki kurva lonceng (bell curve) karena grafik fungsi kepekatan probabilitasnya mirip
dengan bentuk lonceng.

Distribusi normal memodelkan fenomena kuantitatif pada ilmu alam maupun ilmu sosial.
Beragam skor pengujian psikologi dan fenomena fisika seperti jumlah foton dapat dihitung
melalui pendekatan dengan mengikuti distribusi normal. Distribusi normal banyak digunakan
dalam berbagai bidang statistika, misalnya distribusi sampling rata-rata akan mendekati
normal, meski distribusi populasi yang diambil tidak berdistribusi normal. Distribusi normal
juga banyak digunakan dalam berbagai distribusi dalam statistika, dan kebanyakan pengujian
hipotesis mengasumsikan normalitas suatu data.

F. KURVA NORMAL

Secara sederhana, kurva normal adalah kurva yang berasal dari data-data yang terdistribusi
normal. Ciri-ciri data terdistribusi normal terdapat keseimbangan simpangan antara sisi kiri
dan sisi kanan, sehingga sigma total dari data keselurhan adalah nol.

Bentuk Kurva Normal

 G.

Kurva normal adalah suatu bentuk kurva yang sudah direncanakan, ordinatnya menunjukkan
frekuensi dan poros absisnya memuat nilai variabel. 

Jika dilihat dari bentuknya, sudah bisa dipastikan bahwa disetiap ujung-ujungnya adalah
distribusi atau sebaran dengan frekuensi (kemunculan) paling kecil. Sebaliknya, frekuensi
yang paling banyak berada pada tengah-tengah kurva. 
Dari gambar diatas dapat diambil sebuah gambaran mengenai lompatan. Jika data mengenai
lompatan atlet dikatakan normal, maka sebaran tinggi lompatan dengan kategori tinggi akan
berada disekitar mean dan hanya akan ada sedikit sekali orang yang memiliki lompatan terlalu
tinggi dan terlalu rendah. Tanpa menghiraukan variabel apa saja yang mempengaruhi
ketinggian suatu lompatan. Semakin jauh nilai penyimpangan dari mean, maka semakin
sedikit frekuensi individu-individu yang memperoleh lompatan dengan kategori tinggi
tersebut. 

Daerah Kurva Normal

Ruang yang dibatasi oleh kurva dan absisnya disebut dengan daerah (yang diarsir). Daerah ini
biasanya dianyatakan dalam persen atau proporsi. Jika dinyatakan dalam persen, maka daerah
kurva meliputi 100%. Jika dinyatakan dalam proporsi, maka akan mencakup bilangan 100,
1000, 10000 dan seterusnya bergantung dari jumlah data awal yang diteliti.

Daerah kurva dapat ditentukan dengan melihat jarak SD (Standart Deviasi) dengan M (nilai
tengah) dari kurva yang dibuat. Dengan menggunakan patokan M dan SD kita dapat
mengetahui setiap bagian atau prosentase suatu tinggi lompatan atlet. Kita ambil contoh jika
kita tarik garis dengan jarak satu SD diatas M, maka daerah yang menjadi perhatian dalam
 kurva adalah daerah antara M dan +SD. Karena kurva normal adalah kurva yang simetris,
maka daerah kurva antara – SD dan M juga merupakan bagian dari keseluruhan yang hendak
dicari.

Okelah mari kita sejenak membiarkan kebingungan melanda kepala. Kita tadi mengambil
sebuah contoh mengenai loncatan. Jika sebuah data diperoleh rata-rata loncatan untuk satu
orang dalam percobaan 20 kali adalah 175 cm, maka  hanya akan ada sekali atau dua kali
loncatan yang melebihi +SD dan juga dibawah -SD.

G. UJI NORMALITAS DISTRIBUSI

Uji Normalitas berguna untuk menentukan data yang telah dikumpulkan berdistribusi normal
atau diambil dari populasi normal. Metode klasik dalam pengujian normalitas suatu data tidak
begitu rumit. Berdasarkan pengalaman empiris beberapa pakar statistik, data yang banyaknya
lebih dari 30 angka (n > 30), maka sudah dapat diasumsikan berdistribusi normal. Biasa
dikatakan sebagai sampel besar.

Namun untuk memberikan kepastian, data yang dimiliki berdistribusi normal atau tidak,
sebaiknya digunakan uji normalitas. Karena belum tentu data yang lebih dari 30 bisa dipastikan
berdistribusi normal, demikian sebaliknya data yang banyaknya kurang dari 30 belum tentu tidak
berdistribusi normal, untuk itu perlu suatu pembuktian. uji statistik normalitas yang dapat
digunakan diantaranya Chi-Square, Kolmogorov Smirnov, Lilliefors, Shapiro Wilk, Jarque Bera.

Metode Chi Square Dalam Uji Normalitas

(Uji Goodness Of Fit Distribusi Normal)

Metode Chi-Square atau X2 untuk Uji Goodness of fit Distribusi Normal menggunakan
pendekatan penjumlahan penyimpangan data observasi tiap kelas dengan nilai yang diharapkan.
Uji Chi-square seringkali digunakan oleh para peneliti sebagai alat uji normalitas.

Rumus Uji Normalitas dengan Chi-Square

Keterangan :
X2 = Nilai X2
Oi = Nilai observasi
Ei = Nilai expected / harapan, luasan interval kelas berdasarkan tabel normal dikalikan N (total
frekuensi) (pi x N)
N = Banyaknya angka pada data (total frekuensi)

Komponen penyusun rumus tersebut di atas didapatkan berdasarkan pada hasil transformasi data
distribusi frekuensi yang akan diuji normalitasnya, sebagai berikut:
 Tabel Pembantu Uji Normalitas

Keterangan :
Xi=Batas tidak nyata interval kelas
Z = Transformasi dari angka batas interval kelas ke notasi pada distribusi normal
pi = Luas proporsi kurva normal tiap interval kelas berdasar tabel normal
Oi = Nilai observasi
Ei = Nilai expected / harapan, luasan interval kelas berdasarkan tabel normal dikalikan N (total
frekuensi) (pi x N)

Syarat Uji Chi-Square dalam Uji Normalitas

Persyaratan Metode Chi Square (Uji Goodness of fit Distribusi Normal)

a. Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi frekuensi.
b. Cocok untuk data dengan banyaknya angka besar ( n > 30 )
c. Setiap sel harus terisi, yang kurang dari 5 digabungkan.

Signifikansi:
Signifikansi uji, nilai X2 hitung dibandingkan dengan X2 tabel (Chi-Square).
Jika nilai X2 hitung < nilai X2 tabel, maka Ho diterima ; Ha ditolak.
Jika nilai X2 hitung > nilai X2 tabel, maka maka Ho ditolak ; Ha diterima.

Contoh Uji Chi-Square dalam uji Normalitas

Contoh:
Diambil Tinggi Badan Mahasiswa Di Suatu Perguruan Tinggi Tahun 2010

Selidikilah dengan α = 5%, apakah data tersebut di atas berdistribusi normal ? (Mean = 157.8;
Standar deviasi = 8.09)
Penyelesaian :
1. Hipotesis :

 Ho : Populasi tinggi badan mahasiswa berdistribusi normal

 H1 : Populasi tinggi badan mahasiswa tidak berdistribusi normal

2. Nilai α

 Nilai α = level signifikansi = 5% = 0,05

3. Rumus Statistik penguji

Luasan pi dihitung dari batasan proporsi hasil tranformasi Z yang dikonfirmasikan dengan tabel
distribusi normal atau tabel z.

4. Derajat Bebas

 Df = ( k – 3 ) = ( 5 – 3 ) = 2

5. Nilai tabel

 Nilai tabel X2 ; α = 0,05 ; df = 2 ; = 5,991. Baca selengkapnya tentang Tabel Chi-Square.

6. Daerah penolakan
  Menggunakan gambar

 Menggunakan rumus:   |0,427 | < |5,991| ; Keputusan hipotesis: berarti Ho diterima, Ha

ditolak

7. Kesimpulan:  Populasi tinggi badan mahasiswa berdistribusi normal α = 0,05.

BAB III

KESIMPULAN

1.Statistika Inferensial adalah serangkaian teknik yang digunakan untuk mengkaji, menaksir dan
mengambil kesimpulan berdasarkan data ynag diperoleh dari sempel untuk menggambarkan
karakteristik atau ciri dari suatu populasi.

2.Parametrik berarti parameter. Parameter adalah indikator dari suatu distribusi hasil
pengukuran. Indikator dari distribusi pengukuran berdasarkan statistik parametrik digunakan
untuk parameter dari distribusi normal. Distribusi normal dikenal juga dengan istilah Gaussian
Distribution. Distribusi normal mengandung dua parameter, yaitu rata-rata (mean) dan ragam
(varians). Parameter-parameter ini memberikan karakteristik yang unik pada suatu distribusi
berdasarkan “lokasi”-nya (central tendency). Berbagai metode statistik mendasarkan
perhitungannya pada kedua parameter tersebut. Keunggulan : Syarat - syarat parameter dari
suatu populasi yang menjadi sampel biasanya tidak diuji dan dianggap memenuhi syarat,
pengukuran terhadap data dilakukan dengan kuat, observasi bebas satu sama lain dan ditarik dari
populasi yang berdistribusi normal serta memiliki varian yang homogen. Kelemahan : Populasi
harus memiliki varian yang sama, variabel-variabel yang diteliti harus dapat diukur setidaknya
dalam skala interval, dalam analisis varian ditambahkan persyaratan rata-rata dari populasi harus
normal dan bervarian sama, dan harus merupakan kombinasi linear dari efek-efek yang
ditimbulkan. Persyaratan dalam menganalisis statistic parametric adalah uji normalitas data, uji
homogenitas data, uji t, anova satu arah dan anova dua arah, uji pearson product.

3.Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel penggangu atau
residual memiliki distribusi normal.
Ada tiga pilihan yang dapat dilakukan jika diketahui bahwa data tidak normal; yaitu :
 1.      Jika jumlah sampel besar, maka dapat menghilangkan nilai outliner dari data (bahasan
outliner akan dibahas kemudian).
2.      Melakukan transformasi data.
3.      Menggunakan alat analisis nonparametric.
Ada dua Metode dalam Uji Normalitas, yaitu Uji Kolmogorov Smirnov dan Metode Lilliefors.