Statistik Inferensial

Disusun Oleh:
Sr. M. Huberta Tamba FSE
032017101

Dosen Pembimbing : Agustaria Ginting, S. KM., MKM

PRODI NERS TAHAP AKADEMIK

STIKES SANTA ELISABETH MEDAN
T. A 2020/ 2021
 KATA PENGANTAR

Puji dan syukur saya haturkan kehadirat Tuhan Yang Maha Esa, karena atas berkat dan

rahmat-Nya yang berlimpah kita telah mampu menyelesaikan makalah ini dengan judul

Statistik Inferensial

Makalah yang tersusun ini adalah hasil maksimal yang dapat saya sajikan. Saya yakin
makalah ini masih jauh dari kesempurnaaan, karena saya menyadari bahwa saya masih
kurang berpengetahuan dalam menyajikan makalah baik dari segi penyusunan, pengolahan
maupun bahasa. Untuk menyempurnakan makalah ini kami mengharapkan kritik dan saran
yang membangun dari pembaca kepada saying sagar dalam penulisan makalah selanjutnya
bisa lebih baik.
Dalam rangka menyusun makalah ini saya sampaikan ucapan terima kasih kepada
teman – teman yang telah meluangkan waktu untuk bekerjasama demi tersusunnya makalah
ini, dengan semangat yang tinggi serta keinginan yang keras akhirnya dapat mengatasi
kesulitan – kesulitan dan terwujudlah makalah yang sederhana ini.

Penyusun

Sr. M. Huberta FSE

 DAFTAR ISI

Kata Pengantar…………………………………………………..…….......2
Daftar Isi………………………………………………………………..….3

BAB I Materi …………..…………………………………………….…...4

BAB 2 Kasus....................................................................................7

BAB 3 Pembahasan...........................................................................9

DAFTAR PUSTAKA.........................................................................10

BAB 1
MATERI

1.1. Statistik Inferensial

Statistik inferensial (inferensial statistics), yaitu statistik yang mempelajari atau

mempersiapkan tata cara penarikan kesimpulan mengenai karakteristik populasi, berdasarkan

data kuantitatif yang diperoleh dari sampel penelitian. Penarikan kesimpulan mengenai

karakteristik populasi berdasarkan data sampel yang diambil dari populasinya disebut

generalisasi atau induksi. Karena itu statistik inferensial juga dikenal sebagai induktif

(inductive statistics). Di samping fungsi generalisasi, statistik inferensial juga menyediakan

aturan-aturan tertentu dalam rangka penyusunan atau pembuatan ramalan (prediction)

maupun penaksiran (estimation).

Ruang lingkup kajian pada analisis statistik inferensialf dijelaskan Djarwanto dan Subagyo

(1998) yaitu:
 a. Probabilitas.

b. Distribusi teoritis.

c. Sampling dan distribusi sampling.

d. Estimasi harga parameter.

e. Uji hipotesis, termasuk uji chi-square dan analisis varians.

f. Analisis regresi untuk prediksi.

g. Korelasi dan uji signifikansi.

h. Time series atau deret waktu.

i. Koefisien regresi dan koefisien korelasi sederhana.

Selanjutnya Supardi (2013) menjelaskan ruang lingkup kajian statistik inferensial sebagai

berikut:

a. Uji persyaratan analisis (uji pelanggaran klasik) seperti uji normalitas, uji

homogenitas, uji kelinieran, uji multikolinieritas.

b. Uji hipotesis asosiasi seperti uji korelasi, uji regresi, uji analisis jalur dan uji

kanonikal.

c. Uji hipotesis komparasi, seperti uji t, uji beda 2 kelompok data, uji Tucket, analisis

varian, analisis kovarian, multivarian analisis varians dan multivariate analisis

kovarians

1.2. Statistik Parametrik dan Non Parametrik

Statistik inferensial yang bertujuan melakukan generalisasi dibedakan menjadi dua

bagian, yaitu statistik parametrik dan statistik non parametrik. Statistik parametrik adalah

teknik analisis data yang menghendaki asumsi atau pengujian karakteristik populasi, seperti

normalitas distribusi, dan homogenitas data. Sedangkan statistik non parametrik adalah teknik

analisis data kuantitatif yang tidak menghendaki pengujian karakteristik populasi (tidak

memper-masalahkan parameternya).
 Dalam hal ini Sugiyono (2004) menjelaskan penggunaanstatistik parametrik dan

nonparametrik tergantung pada asumsi dan jenis data yang akan dianalisis. Statistik

parametrik memerlukan terpenuhi banyak asumsi. Asumsi yang utama adalah data yang akan

dianalisis harus berdistribusi normal. Selanjutnya dalam penggunaan salah satu instrumen

mengharuskan data dua kelompok atau lebih yang diuji harus homogen, dalam regresi harus

terpenuhi asumsi linieritas. Statistik nonparametrik tidak menuntut terpenuhi banyak asumsi,

misalnya data yang akan dianalisis tidak harus berdistribusi normal.

Selanjutnya Sugiyono (2004) menjelaskan statistik parametrik terutama digunakan

untuk menganalisis data interval atau rasio yangdiambil dari populasi yang berdistribusi

normal, sedangkan statistiknonparametrik terutama digunakan untuk menganalisis

datanominal atau ordinal dari populasi yang bebas distribusi (tidak harusnormal).Ditinjau dari

tujuan penelitian analisis data kuantitatif dapatdibedakan menjadi dua yaitu analisis data

bertujuan untukmengetahui hubungan antar variabel, dan analisis data yang bertujuan untuk

mengetahui perbedaan dua kelompok sampel ataulebih. Untuk mengetahui hubungan antar

variabel digunakan analisiskorelasi dan regresi, sedangkan untuk mengetahui perbedaan

duakelompok sampel atau lebih digunakan analisis komparasi.

1.3. Pengertian Kurtosis

Pengukuran kurtosis (peruncingan) sebuah distribusi teoritis kadang - kadang disebut

juga dengan istilah ekses (excess) dari sebuah distribusi. Sesungguhnya kurtosis dapat

dianggap sebagai suatu distorsi dari kurva normal. Kurtosis pada umumnya diukur dengan

cara membandingkan bentuk peruncingan kurvanya dengan kurva normal. Jika bagian tengah

dari kurva frekuensi memiliki puncak (peak) yang lebih runcing dari pada yang dimiliki

kurva normal, maka distribusi tersebut dinamakan distribusi leptokurtik (leptokurtic).

Sedangkan jika bagian tengah kurva distribusi frekuensi memiliki puncak yang lebih datar

dari pada yang dimiliki oleh kurva normal, maka distribusinya dinamakan distribusi
platikurtik (platykurtic). Distribusi normal atau disebut dengan distribusi mesokurtik

(mesokurtic) pada dasarnya berada diantara leptokurtik dan platikurtik.

Ukuran keruncingan atau yang disebut juga kurtosis adalah suatu bilangan yang

dapatmenunjukan runcing tidaknya bentuk kurva distribusi frekuensi. Kurtosis adalah

derajatkeruncingan suatu distribusi (biasanya diukur relatif terhadap distribusi normal).

Kurva yanglebih lebih runcing dari distribusi normal dinamakan leptokurtik, yang lebih datar

platikurtik dandistribusi normal disebut mesokurtik. Kurtosis dihitung dari momen keempat

terhadap mean.Distribusi normal memiliki kurtosis = 3, sementara distribusi yang leptokurtik

biasanyakurtosisnya > 3 dan platikurtik <>dengan :

1.3.1 Pengukuran Kurtosis

Secara teoritis, pengukuran kurtosis sebuah distribusi dapat dilakukan dengan menggunakan

∝􀬸 yang dirumuskan untuk data yang belum dikelompokkan sebagai

Distribusi yang sangat meruncing akan memiliki á4 yang tinggi, sedangkan distribusi dengan

puncak yang datar akan menghasilkan á4 yang rendah. Saat ini statistisi mengetahui bahwa

bentuk keruncingan (kurtosis) distribusi sebenarnya tidak berkaitan dengan nilai á4. Dua

buah distribusi yang berbeda dapat memiliki á4 yang sama. Pada hakekatnya sebuah kurtosis

distribusi jarang sekali dihitung. Pengukurankurtosis sendiri sebetulnya penting sekali dalam

distribusi student dan distribusi normal. Penerapan kurva frekuensi teoritis dapat dibenarkan

jika kurtosis kurva frekuensi tidak berbeda secara mencolok dari kurtosis distribusinya
sendiri.m Misalnya jika taksiran kurtosis populasi adalah sebesar –0,104 maka bagi sebuah

kurva normal, nilai kurtosis di atas seharusnya menjadi nol. Bagi distribusi Poisson dengan l

yang besar sekali, kurtosis seharusnya mendekati nol sehingga distribusinya dapat diterapkan

dengan kurva normal.

1.4. Pengertian Skewness

Skewness atau disebut juga ukuran kemiringan yaitu suatu bilangan yang dapat

menunjukan miring atau tidaknya bentuk kurva suatu distribusi frekuensi. Skewness adalah

derajat ketidaksimetrisan suatu distribusi. Jika kurva frekuensi suatu distribusi memiliki ekor

yang lebihmemanjang ke kanan (dilihat dari meannya) maka dikatakan menceng kanan

(positif) dan jikasebaliknya maka menceng kiri (negatif). Secara perhitungan, skewness

adalah momen ketigaterhadap mean. Distribusi normal (dan distribusi simetris lainnya,

misalnya distribusi t atauCauchy) memiliki skewness 0 (nol).

Batas – Batas nilai ukuran kemiringan

0 ≤ | Sk = α3 | < 0,1 artinya bentuk kurva DF dianggap normal .

0,1 ≤ | Sk = α3 | < 0,3 artinya bentuk kurva DF miring ke kiri atau kanan.

0,3 ≤ | Sk = α3 | artinya bentuk kurva DF sangat miring ke kiri atau kanan.

Rumus Skewness :

Pearson

Populasi : Sk = α3 = µ - Mo/ atau Sk = α3 = 3(µ - Mo)/

Sampel : Sk = α3 = - Mo/S atau Sk = α3 = 3( - Mo)/S

Bowley
Sk = α3 = Q3 – 2Q3 + Q1 / Q3-Q1

Matematis / Moment

populasi : Sk = α3 = Σf(x-µ)3 / N – 3

Sampel : Sk = α3 = Σf(x-)3 / N – S

Dimana

sk = kemencengan

X = rata-rata hitung

mo= modus

s = deviasi standard

BAB II

KASUS

1. Contoh:

Sebuah sebaran frekuensi memiliki rata-rata hitung 45, median 47, mode 49 dan simpangan

baku 3,5. Tentukan koefisien kemencengan dari sebaran tersebut.

 BAB III

PEMBAHASAN

1. Penyelesaian:

Rumus (1): Sk =3,5 45  49 = -1,14

Rumus (2): Sk = 3,5 3 (45  47) = -1,71

Koefisien kemencengan Pearson akan positif apabila ratarata hitung lebih besar dari

median dan mode, dan akan negatif apabila rata-rata hitung lebih kecil dari median

dan modus.

DAFTAR PUSTAKA
Nuryadi ,dkk.2017. Dasar-Dasar Statistik Penelitian.Sibuku Media. Cetakan Ke-1: Januari
2017. ISBN: 978-602-6558-04-6. Hal 56

Rusydi & Muhammad. 2018. Statistika Pendidikan (Teori dan Praktek dalam Pendidikan). Cv
Widya Puspita.Medan. Vol. 11, Issue 3

Yuantari, C., & Handayani, S. (2017). Buku Ajar Statistik Deskriptif & Inferensial.
https://doi.org/10.1111/j.1467-8683.2009.00753.x(Yuantari & Handayani, 2017)