Kadir - Fitk

kkkkkkk
STATISTIKA
UNTUK PENELITIAN ILMU-ILMU SOSIAL
(Dilengkapi dengan Output Program SPSS)
KATA PENGANTAR
Segala puji dan syukur penulis panjatkan kehadirat Allah S.W.T., atas
curahan rahmat-Nya, akhirnya dapat menyelesaikan buku yang berjudul ”Statistika
untuk Penelitian Ilmu-Ilmu Sosial” yang merupakan rekaman dan pengembangan dari
bahan kuliah statistika yang penulis sampaikan pada jenjang S1, S2, dan S3.
Buku ini diperuntukkan terutama kepada mahasiswa dan peneliti pemula
yang ingin memahami dan menerapkan metoda statistika dalam penelitian
pendidikan, psikologi, ekonomi, hukum, manajemen, kesehatan masyarakat dan ilmu
sosial lainya dengan sasaran pembaca yang luas untuk berbagai kalangan. Buku ini
disusun dengan bahasa sederhana disertai contoh penggunaan statistika dan
pengujian hipotesis dengan ilustrasi bernuansa kontekstual bidang sosial. Hal ini
dimaksudkan untuk membantu para pembaca dalam memahami dan menggunakan
analisis statistika tanpa harus terlebih dahulu memiliki dasar matematika yang kuat.
Suksesnya penulisan buku ini tidak terlepas dari dukungan keluarga yang
senantiasa mendorong penulis untuk membukukan bahan-bahan kuliah statistika
yang dimiliki agar disebarluaskan dan dimanfaatkan untuk orang lain. Oleh karena itu
tidak berlebihan apabila penulis mempersembahkan buku ini kepada Salmah B,
S.Ag., Jihadin Sidqurrahman, dan Hikmah Kabriati Amaliah masing-masing sebagai
istri dan anak-anak penulis. Penulis juga mengucapkan terima kasih kepada saudara
Juredi yang bersedia membantu penulis menyunting penulisan buku ini, dan saudara
Suyanto dalam kapasitasnya sebagai pengelola penerbit Rosemata Sampurna yang
telah bersedia menerbitkan buku ini.
Pengetahuan statistika yang dimiliki penulis tidak terlepas dari ihtiar belajar
kepada dosen-dosen selama penulis menempuh studi. Beberapa dosen yang
berkesan bagi penulis antara lain: Prof. Dr. Djaali, Prof. Dr. Ir. Dali S Naga, Prof. E.T.
Ruseffendi, Ph.D., Prof. I Gusti Ngurah Agung, Ph.D., Prof. Bana G. Kartasasmita,
Ph.D., Dr. Sutawanir Darwis, dan Manangkasi, M.Si., masing-masing dari UNJ, UPI,
UI, ITB, dan UNM.
Dalam penyuntingan buku ini, penulis menyadari masih banyak terdapat
kekurangan, untuk itulah penulis memohonkan saran dan kritik yang sifatnya
membangun demi penyempurnaan karya ini. Kiranya karya ini dapat bermanfaat
bagi pembaca khususnya mahasiswa dan atau peneliti dalam melakukan penelitian
dalam rangka menjawab permasalahan-permasalahan sosial guna meningkatkan
kemampuan masyarakat menghadapi perubahan dan kehidupan sosial yang serba
cepat. Amien.
Jakarta, Mei 2010

Kadir
DAFTAR ISI
JUDUL ......................................................................................................................... i
KATA PENGANTAR........................................................................................................ ii
DAFTAR ISI .................................................................................................................... iii
BAB I PENDAHULUAN
A. Peranan Statistika....................................................................................... 1
B. Pengertian danJenis Statistika.................................................................... 2
C. Pengukuran, Besaran dan Jenis Skala ....................................................... 4
D. Pembulatan ................................................................................................ 8
E. Interpolasi dan Transformasi ...................................................................... 9
F. Derajat Bebas ............................................................................................. 11
G. Notasi Sigma dan Abjad Yunani ................................................................. 12
H. Latihan ........................................................................................................ 13
BAB II PENGUMPULAN DAN PENYAJIAN DATA

A. Pengumpulan dan Pengolahan Data .......................................................... 15
1. Pengumpulan Data .............................................................................. 15
2. Pengolahan Data ................................................................................. 17
B. Penyajian Data ........................................................................................... 17
1. Distribusi Frekuensi .............................................................................. 17
2. Histogram dan Poligon Frekuensi ......................................................... 18
3. Distribusi Frekuensi Kumulatif dan Grafiknya ....................................... 19
4. Grafik/Diagram Data ............................................................................. 21
C. Latihan ........................................................................................................ 31
BAB III UKURAN KECENDRUNGAN MEMUSAT DAN UKURAN PENYEBARAN

A. Ukuran Kecendrungan Memusat ................................................................ 33
1. Data Tunggal ........................................................................................ 33
2. Data Kelompok ..................................................................................... 36
B. Ukuran Penyebaran .................................................................................... 43
1. Data Tunggal........................................................................................ 43
2. Data Kelompok..................................................................................... 47
C. Latihan ........................................................................................................ 50
BAB IV TEORI PELUANG

A. Aturan Perkalian, Permutasi, dan Kombinasi.............................................. 54
B. Konsep Dasar Peluang ............................................................................... 58
C. Peluang Suatu Kejadian ............................................................................. 63
D. Latihan ........................................................................................................ 66
BAB V DISTRIBUSI PELUANG
A. Variabel Acak (Random)............................................................................. 67
B. Macam-macam Distribusi Peluang ............................................................. 69
1. Distribusi Binom ................................................................................... 69
2. Distribusi Poison .................................................................................. 71
3. Distribusi Normal .................................................................................. 72
4. Distribusi Sampel dan Kesalahan Sampel ........................................... 77
5. Distribusi-t ............................................................................................ 78
6. Distribusi-F ........................................................................................... 80
7. Distribusi-Chi Kuadrat .......................................................................... 81
C. Latihan ........................................................................................................ 83
BAB VI PENGANTAR STATISTIKA INFERENSIAL

A. Pengertian Statistika Inferensial ................................................................. 85
B. Populasi dan Sampel .................................................................................. 85
C. Pengujian Hipotesis .................................................................................... 87
1. Kekeliruan Tipe I dan Tipe II ................................................................ 87
2. Langkah-langkah Pengujian Hipotesis ................................................. 88
3. Uji Sepihak dan Uji Dua Pihak ............................................................. 89
D. Latihan ........................................................................................................ 91
BAB VII ESTIMASI PARAMETER

A. Galat Baku (Standard Error) ...................................................................... 93
B. Estimasi Tunggal dan Interval..................................................................... 96
1. Karakteristik Estimator ......................................................................... 96
2. Estimasi Tunggal.................................................................................. 97
3. Estimasi Interval ................................................................................... 98
C. Latihan ........................................................................................................ 106
BAB VIII NORMALITAS DAN HOMOGENITAS
A. Pengujian Asumsi Distribusi Normal ........................................................... 108
1. Normalitas dengan Uji-Lilliefors ............................................................ 108
2. Normalitas dengan Uji-Kolmogorov-Smirnov ....................................... 110
3. Normalitas dengan Uji-Chi-Square ....................................................... 112
4. Normalitas dengan Uji-Q-Q Plot ........................................................... 114
B. Pengujian Asumsi Homogenitas ................................................................. 117
1. Homogenitas dengan Uji Bartlett .......................................................... 118
2. Homogenitas dengan Uji-F................................................................... 119
3. Homogenitas dengan Uji-t .................................................................... 119
4. Homogenitas dengan Uji FmaksHartley .................................................. 120
5. Homogenitas dengan Cara Scheffe’..................................................... 121
C. Latihan ........................................................................................................ 123
BAB IX ANALISIS REGRESI
A. Analisis Regresi Sederhana........................................................................ 125
B. Analisis Regresi Ganda Dua Prediktor ....................................................... 133
C. Analisis Regresi Ganda Tiga Prediktor ....................................................... 145
D. Analisis Regresi Komponen Utama ............................................................ 157
E. Latihan ........................................................................................................ 168
BAB X ANALISIS JALUR

A. Konsep Dasar Analisis Jalur ....................................................................... 173
B. Hakekat Hubungan Kausal Dalam Analisis Jalur ........................................ 174
C. Diagram Jalur ............................................................................................. 175
D. Koefisien Jalur ............................................................................................ 177
E. Persamaan Struktural ................................................................................. 181
F. Persyaratan Analisis ................................................................................... 182
G. Pengaruh Langsung, Tak Langsung dan Pengaruh Total........................... 182
H. Pengujian Kecocokan Model ...................................................................... 184
I. Pengolahan Data dengan SPSS................................................................. 187
J. Latihan ........................................................................................................ 194
BAB XI PENGUJIAN PERBEDAAN DUA RATA-RATA

A. Analisis Perbedaan Dua Rerata untuk Sampel Bebas ................................ 196
B. Analisis Perbedaan Dua Rerata untuk Sampel Tak Bebas ......................... 199
C. Analisis Perbedaan Dua Rerata Sampel Tak Homogen ............................. 201
D. Latihan ........................................................................................................ 203
BAB XII ANALISIS VARIANS

A. Analisis Varians Satu Jalan ........................................................................ 205
B. Analisis Varians Satu Jalan dengan GWT .................................................. 212
C. Analisis Varians Dua Jalan ......................................................................... 217
D. Analisis Varians Dua Jalan dengan GWT ................................................... 228
E. Latihan ........................................................................................................ 235
BAB XIII ANALISIS KOVARIANS

A. Pendahuluan .............................................................................................. 239
B. Tujuan......................................................................................................... 239
C. Asumsi Analisis Kovarians .......................................................................... 240
D. Analisis Kovarians Satu Jalan..................................................................... 240
E. Contoh Penerapan Analisis Kovarians (Ankova) ........................................ 243
F. Efisiensi Relatif dan Ketepatan Model ........................................................ 248
G. Latihan ........................................................................................................ 252
BAB XIV STATISTIKA NON PARAMETRIK
A. Uji Non Parametrik Hubungan Asosiasi ...................................................... 253
1. Chi-Square ........................................................................................... 253
2. Gamma, Tau-a, dan Tau-b ................................................................... 256
B. Uji Non Parametrik Korelasi Peringkat ........................................................ 261
1. Korelasi Peringkat Spearman ............................................................... 261
2. Korelasi Peringkat Kendall ................................................................... 263
3. Korelasi Peringkat Konkordansi ........................................................... 265
C. Uji Non Parametrik Korelasi Variabel Dikotomis ......................................... 266
1. Koefisien Korelasi Biserial .................................................................... 266
2. Koefisien Korelasi Point Biserial ........................................................... 268
3. Koefisien Korelasi Phi .......................................................................... 270
4. Koefisien Korelasi Tetrakhonik ............................................................. 273
D. Uji Non Parametrik Perbedaan Rata-rata ................................................... 273
1. Uji Mann-Whitney ................................................................................. 274
2. Ujian Median ........................................................................................ 276
3. Uji Tanda (Sign Test) ........................................................................... 278
4. Uji Wilcoxon ......................................................................................... 280
5. Uji Kruskal-Wallis ................................................................................. 281
6. Uji Run untuk Kerandoman .................................................................. 283
E. Latihan ........................................................................................................ 284
DAFTAR PUSTAKA ....................................................................................................... 290
LAMPIRAN-LAMPIRAN
DAFTAR-A (Distribusi Binomial C xn px (1 - p) n -x) ................................................................ 291
-
DAFTAR-B (Fungsi Distribusi Poisson e x / x !)...................................................................... 296
DAFTAR-C (Fungsi Normal)......................................................................................................... 301
DAFTAR-D (Harga Kritik Korelasi Product Moment Person)........................................................ 302
DAFTAR-E (Harga Kritik Korelasi Tata Jenjang Spearman’s)...................................................... 303
DAFTAR-F (Harga Kritik untuk t) .................................................................................................. 304
DAFTAR-G (Harga Kritik untuk F) ................................................................................................ 305
DAFTAR-H (Harga Kritik 2) ........................................................................................................ 309
DAFTAR-I (Area dan Ordinat dari Kurva Normal {Longer}) .......................................................... 310
DAFTAR-J (Harga Kritik U Test {Mann Whitney}) ........................................................................ 320
DAFTAR-K (Nilai Kritis untuk Uji Bertanda Wilcoxon) .................................................................. 322
BAB I
PENDAHULUAN
A. Peranan Statistika
Statistika dan proses pembelajaran statistika menjadi strategis karena
didasari oleh pusat perhatian: Pertama, statistika merupakan suatu ilmu yang sangat
penting, bukan saja sebagai ilmu yang dipelajari pada jenjang pendidikan dasar,
menengah dan perguruan tinggi tetapi juga sebagai ilmu terapan. Sebagai ilmu
terapan, pemahaman dan penerapan terhadap literatur dalam bidang sosial seperti
pendidikan, psikologi, sosiologi, ekonomi, dan manajemen memerlukan pengetahuan
tentang metoda statistika. Hampir semua penemuan teori-teori baru diungkapkan
dalam bentuk statistika atau argumen yang melibatkan konsep-konsep statistika.
Kedua, kedudukan statistik dalam paradigma penelitian kuantitatif. Paradigma
kuantitatif yang juga disebut paradigma tradisional, positivistis, empiris, atau
deducto-hypothetico-verificatif memandang bahwa status ilmiah suatu penelitian
tergantung pada kemampuan peneliti dalam mengambil jarak dengan objek yang
ditelitinya. Dalam paradigma kuantitatif ini, aneka bias pribadi harus dikontrol dan
peneliti harus selalu bersifat objektif, bebas dari nilai-nilai serta mendasarkan diri
pada fakta dan evidensi. Dalam membuat laporan, peneliti menggunakan bahasa
formal berdasarkan aneka definisi dan istilah yang sudah lazim. Seluruh proses
penelitian dilaksanakan dengan pendekatan deduktif berupa pengujian hipotesis
yang dirumuskan sebelum penelitian dimulai dengan tujuan membuat generalisasi,
membuat prediksi, eksplanasi atau penjelasan dan pemahaman yang lebih baik
tentang fenomena tertentu. Paradigma kuantitatif melahirkan penelitian kuantitatif,
yakni penyelidikan tentang masalah kemasyarakatan atau kemanusiaan yang
didasarkan pada pengujian suatu teori yang tersusun atas variabel-variabel,
dikuantifikasi dengan bilangan-bilangan, dan dianalisis dengan prosedur-prosedur
statistik. Tujuannya adalah menentukan apakah generalisasi-generalisasi prediktif
dari teori terhadap populasi tertentu yang diselidiki teruji kebenarannya.
Peranan atau kedudukan statistika dalam penelitian kuantitatif secara rinci
terlihat dalam langkah-langkah dari metode ilmiah, yaitu sebagai berikut:
1) Merumuskan atau memformulasikan masalah;
2) Melakukan kajian/studi literatur berkenaan dengan masalah;
3) Membuat atau memformulasikan hipotesis penelitian;
4) Mengumpulkan dan mengolah data untuk menguji hipotesis;
5) Menarik atau membuat kesimpulan.
Berdasarkan sistematika metode ilmiah di atas menunjukkan bahwa langkah
pertama suatu metode ilmiah itu adanya permasalahan. Langkah kedua ialah
pengkajian tentang literatur, yaitu pendapat-pendapat, teori-teori, konsep-konsep,
hasil penelitian yang relevan dengan permasalahan. Literatur yang dikaji itu harus
representatif, artinya harus memuat berbagai pandangan; baik yang serupa maupun
pandangan yang tidak serupa. Bahkan perbedaan atau pertentangan suatu teori dan
hasil penelitian harus juga diperlihatkan. Dalam upaya memajukan ilmu
STATISTIKA SOSIAL 1
pengetahuan, bila suatu masalah sudah diteliti atau masalahnya sudah dipecahkan
sebaiknya masalah itu tidak diteliti lagi, sebab akan terjadi duplikasi; membuang-
buang waktu, tenaga, dan biaya, dan akhirnya tidak ada pengembangan ilmu
pengetahuan. Walaupun demikian, penelitian ulang dengan masalah yang sama atau
serupa diperbolehkan untuk dilakukan bila metode atau prosedur yang dilakukan
berbeda, misalnya dari segi instrumen, metode penelitian dan teori yang dijadikan
rujukan. Langkah ketiga yang harus ada pada metode ilmiah itu ialah adanya
hipotesis sebagai kesimpulan sementara yang dibangun berdasarkan teori dan
kerangka berpikir.
Langkah keempat dari metode ilmiah itu adanya pengumpulan dan
pengolahan data. Data itu dapat berupa hasil belajar, kemampuan, pendapat, sikap,
atau perbuatan (tingkah laku) yang telah dikuantifikasi dalam bentuk angka. Pada
langkah ini penggunaan statistika tidak dapat dihindari lagi. Teknik-teknik statistika
akan membantu peneliti menjelaskan dan menganalisis data yang ia peroleh.
Instrumen (tes, skala, dan wawancara) yang diperlukan, bila belum ada, harus
dibuat terlebih dahulu oleh peneliti. Agar memenuhi persyaratan kualitas instrumen,
yaitu dari segi validitas dan reliabilitasnya, instrumen tersebut harus diperiksa
ketepatan isinya kemudian diujicobakan. Kualitas instrumen dari segi validitas dan
reliabilitasnya tersebut dapat ditentukan dengan menggunakan prinsip korelasi dari
statistika. Selanjutnya responden atau sampel yang diminta menjawab tes,
skala/angket atau wawancara untuk menguji kebenaran hipotesis jelas tidak mungkin
seluruh populasi, misalnya rakyat Indonesia. Sehingga perlu dipilih sebagian saja
dari populasi yaitu responden/sampel yang betul-betul representatif atau mewakili
populasi yang akan diteliti. Dalam hal ini kita memerlukan teknik-teknik statistik untuk
memilih sampel yang representatif melalui proses randomisasi yang benar dan tepat
sesuai karakteristik populasi penelitian. Langkah kelima (terakhir) dari metode ilmiah
itu ialah adanya kesimpulan. Kesimpulan yang diperoleh melalui metode ilmiah
sifatnya lebih umum berupa generalisasi atau prediksi berdasarkan data sampel
representatif yang menggambarkan karakteristik populasi.
Dari penjelasan tentang paradigma penelitian kuantitatif dan metode ilmiah di
atas, menunjukan bahwa statistika merupakan alat atau pisau analisis yang handal
untuk menjelaskan masalah-masalah kuantitatif dalam penelitian sosial. Dengan kata
lain statistika atau analisis statistika merupakan teknik analisis yang khas pada
penelitian kuantitatif.
B. Pengertian dan jenis Statistika
1. Pengertian Statistika
Kata statistik berasal dari bahasa Yunani ”status” atau dalam bahasa Inggris
”state” yang artinya negara. Arti negara dapat dimaknai secara lebih luas antara lain
sebagai keadaan atau data tentang bidang-bidang kehidupan dalam suatu negara.
Bidang-bidang kehidupan tersebut berbagai macam ragamnya, misalnya keadaan
pendidikan, kesehatan, ekonomi, industri, hukum, pertanian, militer, dan lain-lain.
Data atau keadaan bidang kehidupan tersebut terbagi lagi kedalam sub-sub yang
2 STATISTIKA SOSIAL
lebih kecil dan spesifik, misalnya untuk bidang pendidikan, kita dapat melihat data
atau keadaan tentang jenjang pendidikan, angka partisipasi pendidikan, guru, ragam
mata pelajaran, Dinas-dinas Pendidikan di seluruh provinsi. Bahkan sub-sub tersebut
dapat dijabarkan lagi menjadi data atau keadaan yang lebih spesifik lagi, misalnya
tentang guru dapat dilihat data atau keadaan tentang jumlah guru, jenjang pendidikan
guru, golongan, kompetensi guru, kurikulum dan jenis mata pelajaran, masa kerja
dan sistem penggajian guru.
Kata statistik sering dikacaukan dengan kata statistika. Sebagaimana telah
dijelaskan di atas, statistik diartikan untuk menunjukkan keadaan sesuatu, misalnya:
statistik penduduk, statistik kriminal, statistik pendidikan, dan statistik pertanian.
Dengan demikian pada hakekatnya, statistik itu terdiri dari fakta dan deskripsi,
misalnya Jakarta adalah ibu kota Negara RI adalah sebuah fakta, sedangkan jumlah
pengamen anak jalanan di Jakarta tergolong banyak adalah gambaran atau
deskripsi.
Fakta atau gambaran yang disampaikan melalui statistik itu haruslah bersifat
informatif, komunikatif, berguna, atau praktis. Oleh karena itu tampilan informasi
tersebut harus dikemas dan disarikan dalam gambaran-gambaran atau ringkasan
data yang sederhana. Sebagai contoh, bila kita ingin mengetahui rata-rata
kecelakaan lalulintas di jalan tol pada bulan Januari di kota Jakarta, pengamatannya
itu harus dilakukan pada setiap bulan Januari dari berbagai tahun. Statistikawan (ahli
statistika) setelah melakukan berbagai analisanya, menyajikan gambaran itu dalam
bentuk yang informatif, hemat, dan berguna, misalnya signifikansi rata-rata
kecelakaan per tahun dalam selang beberapa tahun. Cara atau prosedur untuk
mengumpulkan data, mengolah, menyajikan dan menguji hipotesis berdasarkan data
hasil pengamatan juga harus dinyatakan sehingga orang lain dapat mengerti dan
dapat mengecek hal yang sama untuk membandingkan hasilnya.
Dengan uraian yang terakhir itu, diperoleh rumusan tentang statistika.
Menurut para statistikawan, statistika adalah ilmu atau metode (cara), aturan untuk
mengumpulkan data, mengolah, menyajikan, menganalisis/interpretasi data, dan
menarik kesimpulan berdasarkan data.
2. Jenis Statistika
Dalam berbagai buku dan jurnal dapat dijumpai ragam atau macam statistika
sesuai dengan bidang penggunaannya, seperti statistika ekonomi, statistika
psikologi, statistika pertanian dan lain-lain. Secara garis besarnya jenis-jenis
statistika dapat digolongkan sebagai berikut:
a. Berdasarkan orientasi pembahasan, statistika dapat dibedakan atas: statistika
matematika dan statistika terapan. Statistika matematika (Mathematical statistics)
adalah statistika teoretik lebih berorientasi kepada pemahaman model dan
penurunan konsep dan rumus-rumus statistika secara matematis-teoretis,
misalnya model dan penurunan rumus-rumus dalam analisis regresi, statistik uji-t,
kemiringan, ketajaman, ekspektasi, galat, estimasi, dan lain-lain. Sedangkan
statistika terapan (Applied statistics) lebih berorientasi kepada pemahaman
STATISTIKA SOSIAL 3
konsep dan teknik-teknik statistika serta penggunaan atau terapannya dalam
berbagai bidang, misalnya statistika sosial.
b. Berdasarkan fase atau tujuan analisisnya, statistika dapat dibedakan atas
statistika deskriptif dan statistika inferensial. Pertama ialah fase yang hanya
berkenaan dengan pengumpulan, pengolahan, penganalisisan, dan penyajian
sebagian atau seluruh data (pengamatan) tanpa pengambilan kesimpulan. Fase
ini disebut fase statistika deskriptif. Dengan demikian, fase atau teknik statistika
deskriptif itu memungkinkan data kuantitatif yang lebih besar itu dinyatakan dalam
bentuk yang lebih sederhana. Misalnya, rata-rata yang mewakili sekumpulan
bilangan adalah lebih sederhana daripada setiap bilangan itu digambarkan satu
per satu. Tugas mencari rata-rata dari sekumpulan bilangan itu termasuk ke
dalam fase statistika deskriptif. Fase kedua adalah fase statistika yang berkenaan
dengan pengambilan kesimpulan mengenai keseluruhan data berdasarkan data
yang banyaknya lebih sedikit. Fase ini disebut fase statistika inferensi atau
induktif. Dengan demikian, fase atau teknik statistika inferensi ini memungkinkan
atau memudahkan peneliti mengambil kesimpulan atau membuat generalisasi,
prediksi dari data yang sedikit (sampel) untuk data yang lebih banyak (populasi).
c. Dilihat dari asumsi mengenai distribusi populasi data yang dianalisis, statistika
dapat dibedakan menjadi statistika parametrik dan statistika non-parametrik.
statistika parametrik adalah statistika yang didasarkan model distribusi normal
sedangkan statistika non-parametrik adalah statistika dengan teknik-teknik yang
tidak didasarkan pada model distribusi normal atau bebas distribusi.
d. Berdasarkan jumlah variabel terikat (independent variable), statistika dapat
dibedakan atas statistika univariat dan statistika multivariat. Teknik analisis
statistika yang melibatkan hanya satu variabel terikat atau satu varibel tolok ukur
(criterion) termasuk ke dalam statistika univariat, sedangkan teknik statistika yang
melibatkan lebih dari satu variabel terikat atau lebih dari satu varibel tolok ukur
(criterion) termasuk ke dalam statistika multivariat. Buku ini lebih kepada
pembahasan statistika univariat.
C. Pengukuran, Besaran dan Jenis Skala

1. Pengukuran
Pengukuran merupakan kegiatan awal yang paling penting dalam analisis
statistika. Hasil pengukuran menyediakan data yang selanjutnya akan diolah dalam
analisis statistika. Esensi pengukuran adalah suatu kegiatan untuk memberikan
angka terhadap suatu obyek atau proses memasangkan fakta-fakta suatu obyek
dengan satuan-satuan ukuran tertentu dalam bentuk angka atau bilangan. Dalam
penelitian kuantitatif, pengukuran dilakukan terhadap variabel atau atribut yang pada
umumnya memiliki kontinum nilai dalam interval tertentu. Karena itu pengukuran
dapat juga diartikan sebagai suatu prosedur pemberian angka terhadap atribut atau
variabel sepanjang suatu kontinum. Misalnya untuk memberikan gambaran
mengenai suhu badan seorang anak, kita memberikan suatu angka yang dapat
mendeskripsikan suhu badan yang diperoleh dengan cara mengukur suhu badan
anak tersebut dengan termometer. Misalkan kita menerima informasi bahwa suhu
4 STATISTIKA SOSIAL
badan anak tersebut “panas sekali”. Informasi tersebut akan memberikan informasi
yang tidak cukup akurat mengenai suhu, karena besarnya subyektivitas makna suhu
itu. Akan tetapi bila kita menyatakan bahwa suhu badan anak tersebut adalah 420C
maka angka tersebut memberikan gambaran kuantitatif yang lebih obyektif mengenai
suhu yang kita maksudkan.
Makna suatu angka atau bilangan merupakan tanggung jawab kegiatan
pengukuran. Kegiatan pengukuran berkewajiban menjamin bahwa data dalam bentuk
angka atau bilangan hasil pengukuran adalah data yang valid, bahwa angka 320C
memiliki makna yang berbeda dengan angka 420C. Data yang valid hanya dapat
diperoleh dari instrumen yang valid pula. Oleh karena itu untuk memperoleh hasil
pengukuran yang mencerminkan keadaan sesungguhnya dari obyek ukur dibutuhkan
instrumen yang valid. Sebagai contoh untuk dapat menyatakan bahwa suhu badan
anak memang betul-betul 420C, maka kita membutuhkan termometer yang berfungsi
dengan baik (valid).
Validitas penelitian sangat tergantung pada validitas data yang diperoleh.
Bekerja dengan data yang tidak valid akan menghasilkan analisis dan interpretasi
data yang tidak berguna, karena tidak menggambarkan keadaan obyek penelitian
yang sesungguhnya. Hasil penelititian dan kesimpulan yang diperoleh dari data yang
tidak valid tidak hanya keliru tetapi juga dapat menyesatkan orang yang
menggunakan hasil penelitian tersebut. Dari uraian di atas, menunjukkan bahwa
pengukuran merupakan kegiatan penting dalam penelitian terutama untuk
memperoleh data yang valid dan akurat.
2. Macam Besaran
Secara umum besaran dapat dibagi atas dua bagian, yaitu besaran konstanta
dan besaran variabel. Konstanta diartikan sebagai besaran yang mempunyai nilai
tetap atau konstan, sedangkan variabel adalah besaran yang mempunyai nilai yang
berubah-ubah atau mempunyai variasi nilai. Konstanta sendiri terbagi atas konstanta
umum dan konstanta khusus. Konstanta umum (universal) artinya berlaku secara
umum di semua keadaan dan tempat, misalnya nilai  = 3,14159 dan nilai e =
2,71828. Sedangkan konstanta khusus berlaku pada keadaan atau kasus khusus,
misalnya persamaan linear: Y = a X + b; a dan b adalah konstanta mewakili
sesuatu misalkan a adalah harga satuan dan b adalah konstanta pendapatan tetap.
Besaran yang disebut sebagai variabel juga terdiri atas dua, yaitu variabel
dalam arti suatu konsep yang mempunyai variasi nilai atau variabel yang diperoleh
tidak melalui peluang (variabel tak acak). Contoh variabel tak acak (non-random)
seperti tinggi badan, luas, kecepatan, kecerdasan, dan lain-lain. Sedangkan variabel
acak (random) adalah variabel yang nilainya diperoleh melalui proses peluang.
Contoh variabel acak antara lain adalah pemunculan angka atau gambar pada
pengetosan uang koin, muncul mata dadu 5 pada pelontaran dadu, fluktuasi nilai
mata uang di suatu bursa effect. Pembagian besaran atas konstanta dan variabel
dapat dilihat pada diagram berikut.
STATISTIKA SOSIAL 5
Besaran
Konstanta Variabel
Umum Khusus Non- random

random
3. Jenis Skala
Dalam penelitian kuantitatif jenis skala menentukan rumus dan statistika uji
yang seharusnya dipergunakan. Pada garis besarnya, dalam pengukuran ada empat
macam skala yang penting untuk diketahui, yaitu skala nominal, ordinal, interval, dan
rasio. Penjelasan keempat skala tersebut adalah sebagai berikut:
a. Skala Nominal
Skala nominal adalah pengelompokan, kategorisasi, identifikasi kejadian atau
fenomena ke dalam kelas-kelas atau kategori sehingga yang masuk ke dalam
satu kelas atau kategori adalah sama dalam hal atribut atau sifat. Kelas atau
kategori tersebut hanya nama untuk membedakan suatu kejadian atau peristiwa
dengan kejadian atau peristiwa lain. Perbedaan angka hanya menunjukan
adanya obyek atau subyek yang terpisah dan tidak sama. Skala nominal akan
menghasilkan data diskrit. Operasi matematika yang dapat berlaku terhadap jenis
skala demikian tidak ada, sebab datanya kualitatif. Perbedaan yang ada pada
skala ini sifatnya kualitatif. Tidak ada usaha untuk melihat ukuran kuantitatif objek
penelitian itu. Sebagai contoh klasifikasi jenis kelamin atas: Pria = 1, Wanita = 0,
nomor punggung pemain sepak bola, pengelompokan jenis pekerjaan atas 1 =
petani, 2 = pedagang, 3 = PNS, 4 = ABRI, 5 = wiraswasta, atau penomoran
capres dan cawapres dalam PEMILU tahun 2009 atas: Mega-Prabowo = 1, SBY-
Budiono = 2, JK-Wiranto = 3. Angka-angka dalam klasifikasi atau penomoran
tersebut tidaklah bermakna kuantitatif tetapi hanya sekadar pengelompokan atau
kategorisasi semata.
b. Skala Ordinal
Suatu hasil pengukuran disebut berada pada level ordinal kalau angkanya
berfungsi menunjukkan adanya penjenjangan atau ranking. Perbedaan angka
yang dimiliki obyek yang satu dari yang lain tidaklah menunjukkan adanya
perbedaan kuantitatif melainkan perbedaan jenjang kualitatif saja. Bila terdapat
6 STATISTIKA SOSIAL
jenjang 1, 2, 3 maka kita tidak dapat mengatakan bahwa jarak 3 - 2 sama dengan
2 -1, tetapi hanya berlaku bahwa 3>2, atau 2>1, atau 3>1. Jarak jenjang antara
dua angka berurutan tidak selalu sama. Sebagai contoh: pemberian nomor
pemenang pada kejuaraan tinju, urutan nomor rumah, kita mengetahui nomor 24
dan 126 itu misalnya ada di arah yang sama dari nomor 10, dan banyak rumah
antara nomor 24 dan nomor 126 lebih banyak daripada antara nomor 10 ke
nomor 24, tetapi belum tentu jarak dari nomor 24 ke nomor 126 lebih jauh
daripada jarak dari nomor 10 ke nomor 24. Contoh lain, adalah titik skala pada
skala sikap, yaitu: sangat setuju = 5, setuju = 4, netral = 3, tidak setuju = 2, dan
sangat tidak setuju = 1. Skala ordinal tidak bisa dikenakan perhitungan rerata
dan deviasi baku. Statistika yang berlaku pada skala ini disebut statistika urut
(order statistic).
c. Skala Interval
Hasil ukur berskala interval adalah hasil pengukuran ordinal yang memiliki jarak
antar jenjang yang tetap (selalu sama). Jadi dalam deretan 2, 3, 4, 5, 6, 7 maka
kita dapat mengatakan bahwa jarak 5 - 3 sama dengan jarak 7-5 atau 6 - 4. Skala
ini tidak memiliki harga nol mutlak sehingga kita tidak dapat mengatakan bahwa 6
adalah 2 x 3. Perbedaan angka pada level interval sudah mempunyai perbedaan
kuantitatif dan kualitatif. Data pada level interval dikenai operasi penjumlahan (+)
dan pengurangan (-). Sebagai contoh: angka-angka pada suhu termometer. Bila
pada skala ordinal statistika yang berlaku adalah statistika urut, maka pada skala
interval berlaku juga korelasi dan regresi.
d. Skala Rasio
Level rasio pada dasarnya adalah level interval yang memiliki harga nol mutlak,
artinya harga nol pada skala ini memang menunjukkan bahwa atribut yang diukur
sama sekali tidak ada pada obyek yang bersangkutan. Ukuran berat, panjang,
luas, volume, kecepatan, temperatur merupakan contoh data dengan level rasio.
Perhatikan berat sebuah benda. Apakah ada benda yang beratnya kosong (nol)?
Tentu saja ada, yaitu bila benda itu sudah dipindahkan dari tempat timbangan
atau benda itu beratnya relatif kecil sekali dibandingkan dengan berat satuan
pengukuran yang dipakai. Misalnya, bila secuil kapas ditimbang dengan neraca,
maka berat kapas itu kosong. Benda yang isinya nol, isinya tidak ada; benda
yang beratnya nol, beratnya tidak ada; benda yang luasnya nol, tidak mempunyai
luas; benda yang temperature derajat Kelvinnya nol, suhunya adalah nol (tidak
mempunyai panas). Pada skala jenis ini berlaku perbandingan, misalnya
berat benda 10 kg
= 2. Perlu diketahui bahwa kita selalu dapat mengubah
berat benda 5 kg
skala yang levelnya lebih tinggi kepada skala yang levelnya lebih rendah,
misalnya mengubah skala rasio kepada skala interval, skala interval kepada skala
ordinal, dan skala ordinal kepada skala nominal. Tetapi tidak sebaliknya.
Perbedaan diantara skala tersebut terlihat pada tabel berikut.
STATISTIKA SOSIAL 7
Skala Perbedaan Peringkat Jarak Sama Nol Mutlak
Nominal 
Ordinal  
Interval   
Rasio    
D. Pembulatan
Untuk memudahkan dalam analisis data, terkadang kita perlu membulatkan
bilangan atau data hasil penelitian. Dalam kehidupan sehari-hari kita juga sering tidak
teliti melihat angka-angka, misalnya ketika kita berbelanja di Swalayan. Harga pada
pakaian misalnya tertulis Rp. 99.999,- Jika tidak teliti kita sering menyimpulkan
bahwa harga pakaian tersebut hanya sekitar Rp.90.000,-. Padahal hanya kurang Rp
1 saja harga pakaian tersebut Rp.100.000,-. Apakah ini suatu strategi pemasaran?
Padahal dari segi kepraktisan, akan lebih baik bila harga barang tersebut ditulis Rp.
100.000,-, karena zaman kini terlalu susah mencari uang pengembalian sebesar Rp.
1,-
Untuk membulatkan suatu bilangan ada aturannya antara lain bergantung
pada satuan yang diminta. Aturan tersebut antara lain: aturan bilangan ke satuan
yang diminta, aturan bilangan genap atau aturan bilangan ganjil.
a. Aturan bilangan pada satuan yang diminta (cara biasa)
Misalkan kita ingin membulatkan 85,42 ke satuan, hasilnya 85, karena 0,42
belum mencapai 0,50. Sedangkan bila dibulatkan ke persepuluhan hasinya
adalah 85,4 karena bilangan 2 masih dibawah 5.
b. Aturan ”bilangan genap” dan ”bilangan ganjil”
Misalkan kita ingin membulatkan 17, 485 ke peratusan, hasilnya adalah 17,48
karena angka yang mendahului 5 adalah bilangan genap, yaitu angka 8, jadi
angka 5 tidak menambah angka yang mendahuluinya. Selanjutnya jika kita ingin
membulatkan 17, 475 ke peratusan, hasilnya adalah 17,48 karena angka yang
mendahului 5 adalah bilangan ganjil, yaitu angka 7, jadi angka 5 menambah
angka yang mendahuluinya. Aturan yang sering digunakan adalah aturan yang
kedua ini.
Contoh: Dengan menggunakan aturan di atas dan cara langsung, jumlahkan

bilangan berikut: 5,25; 6,75; 2,48; 2,66; dan 4,75.
8 STATISTIKA SOSIAL
Cara (a) Cara (b) Cara langsung
5,3 5,2 5,25
6,8 6,8 6,75
2,5 2,4 2,48
2,7 2,6 2,66
4,8 4,8 4,75
22,1 21,8 21,89
Dari hasil penjumlahan diperoleh bahwa cara (b) lebih baik daripada cara (a)
karena hasilnya lebih dekat kepada penjumlahan yang sebenarnya, yaitu cara
langsung. Hal ini dapat dilihat dari selisih antara cara (a) dan cara langsung
sebesar (22,1 – 21,8 = 0,3) yang lebih lebih besar dari pada selisih antara cara
(b) dan cara langsung, yaitu sebesar (21,89 – 21,8 = 0,09).
E. Interpolasi dan Transformasi

1. Interpolasi
Dalam suatu analisis data kadang-kadang kita bekerja dengan bilangan yang
nilainya melompat-lompat. Apabila kita diminta menentukan nilai tengah diantara
dua lompatan bilangan, dimana lompatan tersebut sistematis dalam bentuk
interval nilai, maka kita mungkin dapat menentukannya dengan cara menebak
saja (common sense). Keadaannya menjadi lebih sulit jika kita ingin menentukan
nilai diantara lompatan-lompatan yang tidak berada ditengah. Untuk keperluan
tersebut diperkenalkan cara pencarian nilai diantara lompatan melalui interpolasi.
Jika jarak atau selisih lompatan tidak terlalu besar, maka interpolasi dapat
dilakukan dengan anggapan bahwa keadaan di antara dua lomptan berurutan
adalah linier. Interpolasi seperti ini dikenal sebagai interpolasi linier. Penentuan
interpolasi linier dihitung melalui proporsi.
Perhatikan contoh berikut.
X 4 5 6 7 .......
Y 150 200 250 300 .......
Jika nilai X = 4,7, berapakah nilai Y?
STATISTIKA SOSIAL 9
a
b
X 4 4,7 5 6 7
Y 150 Y 200 250 300

c d
Sehingga diperoleh:
a = 4,7 – 4 = 0,7 dan b =5–4=1
c = Y – 150 dan d = 200 – 150 = 50
a c 0,7 c
Menurut aturan proporsi:     c  (0,7)(50)  35
b d 1 50
Selanjutnya untuk c = 35, dimasukkan ke persamaan c = Y – 150 atau
35 = Y – 150  Y = 185. Dengan demikian jika nilai X = 4,7 maka nilai yang
bersesuaian untuk Y = 185. Silahkan mencoba untuk interpolasi X = 4,2; X =
6,4; Y = 158; dan Y= 275.
2. Transformasi
Pada dasarnya istilah transformasi saat ini menjadi istilah umum, namun
demikian kita bisa mengingat kembali istilah-istilah ketika masih di jenjang
SMP/SMA, seperti pencerminan (refleksi), pergeseran (translasi), pemutaran
(rotasi), dan pembesaran/pengecilan (dilatasi). Istilah-istilah tersebut merupakan
bagian dari transformasi. Secara umum transformasi dapat diartikan sebagai
perubahan bentuk (form) menurut aturan atau rumus tertentu.
Secara garis besarnya transformasi terdiri atas dua, yaitu:transformasi linier dan
tranformasi nonlinier. Transformasi linear adalah transformasi yang grafiknya
diekspresikan dalam bentuk garis lurus atau perpencaran titik koordinatnya
berbentuk garis lurus. Sedangkan transformsi nonlinier adalah transformasi yang
grafik fungsinya tidak berbentuk garis linear. Transformasi non-linear antara lain
diperoleh dari fungsi atau persamaan kuadratis, logaritmis, trigonometri,
hiperbola, dan fungsi pecah. Pembahasan dalam buku ini lebih ditekankan pada
transformasi linear.Transformasi linier terjadi melalui hubungan fungsional yang
linier. Perhatikan contoh berikut.
X 0 2 4 6 8 10
Y 5 6 7 8 9 10
10 STATISTIKA SOSIAL
X
Rumus transformasi liniernya adalah Y   5 . Fungsi transformasi ini adalah
2
linier
F. Derajat Bebas
Derajat bebas atau kebebasan (degree of freedom) adalah banyaknya
kebebasan untuk memberi nilai kepada suatu variabel. Pemberian syarat kepada
suatu variabel menyebabkan berkurangnya derajat bebas. Dengan kata lain
makin banyak syarat yang diberikan kepada suatu variabel makin kecil derajat
bebasnya. Perhatikan contoh penentuan derajat bebas suatu variabel dengan
memberikan beberapa syarat. Jika kita diminta mengisi 6 kotak dengan bilangan
yang terdiri dari 6 angka (misal: 7,8,6,5,3, dan 2) dengan ketentuan:
a. Tanpa syarat
7 8 6 5 3 2
Sehingga 6 kotak terisi dengan bilangan 6 angka, yaitu 786532 jadi derajat
bebasnya adalah n = 6 atau (db) = 6. Secara umum derajat bebas tersebut
dapat dituliskan sebagai (db) = n
b. Dengan satu syarat
Misalkan kita diminta mengisikan ke dalam kotak dengan syarat bahwa
bilangan yang terdiri dari susunan 6 angka tersebut harus bilangan ganjil.
7 8 6 5 3
Tidak bebas
Dengan demikian kotak ke-6 nasibnya sudah tertentu (tak bebas), yaitu agar
bilangan dengan susunan 6 angka dapat diisikan ke dalam kotak maka
syaratnya kotak terakhir harus diisi dengan bilangan ganjil, hanya tiga
kemungkinan: 7, 5, dan 3. Jadi dari 6 kotak yang tersedia ada satu kotak yang
tidak bebas, yaitu kotak ke-6. Sehingga derajat bebasnya adalah (db) = 6 – 1
= 5.Secara umum derajat bebas tersebut dapat dituliskan sebagai (db) = n - 1
c. Dengan dua syarat

Isikan kotak berikut dengan bilangan 6 angka dengan syarat susunan angka
dalam baris adalah ganjil dan susunan angka dalam kolom adalah genap.
STATISTIKA SOSIAL 11
4 5 6 7 3
1 2 3 5 6
6 8 9 4 5
Tidak bebas
Tidak bebas
Derajat bebas (db) = (6 – 1)(4 – 1) = 15

Dari 24 kotak yang tersedia hanya 15 yang bebas diisi
Pada umumnya, dalam kasus ini, derajat kebebasan adalah
db = (baris – 1)(lajur – 1)
G. Notasi Sigma dan Abjad Yunani

1. Notasi Sigma
Untuk keperluan pada bab-bab berikutnya kita perlu memperkenalkan indeks dan
notasi  dibaca ”sigma”. Salah satu alasan menggunakan indeks adalah karena
huruf abjad kita hanya terdiri 26 huruf. Sehingga dengan jumlah yang terbatas itu
tidak mampu mengganti besaran-besaran yang kita punyai. Sebagai contoh dari
pada menuliskan satu per satu bilangan 1 s/d 200, akan lebih sederhana bila kita
nyatakan dalam bentuk indeks, misalnya: X1= 1, X2 = 2, X3 = 3,...., X200 = 200.
Suku umumnya dapat kita tulis dengan Xi dengan ”i” bilangan bulat 1 s/d 200.
Selanjutnya untuk menyatakan penjumlahan secara lebih sederhana kita
menggunakan notasi . Perhatikan penggunaan notasi  berikut ini:
7
X1 + X2 + X3 + X4 + X5 + X6 + X7 = X
i 1
i
X
3
X13 + X23 + X33 + X4 + 3
X53 = i
i 1
4
X1Y1 + X2Y2 + X3Y3 + X4Y4 = X Y

i 1
i i
Beberapa dalil penggunaan notasi sigma:

n n n
1)  (X
i 1
i  Yi )  X i 1
i  Y
i 1
i
n n
2)  kX i = k  X i , k adalah konstanta
i 1 i 1
n
3) k
i 1
 nk ,k adalah konstanta
n n n
4)  (aX i  bYi )  a  X i  b Yi
i 1 i 1 i 1
2. Abjad Yunani
Beberapa simbol dalam statistika menggunakan abjad Yunani, oleh karena itu
untuk keperluan analisis statistika pada bab-bab selanjutnya, perlu diperkenalkan
simbol-simbol seperti pada tabel berikut ini.
Kapital Kecil Sebutan Kapital Kecil Sebutan

A  alpha Ν ν nu
B  beta Ξ ξ xi
Γ  gamma Ο o omicron
Δ  delta Π  pi
 epsilon Ρ ρ rho
Ε
 zeta Σ σ sigma
Ζ
eta Τ τ tau
Η 
theta Υ υ upsilon
Θ 
Φ φ phi
Ι ι iota Χ  khi
Κ  kappa Ψ ψ psi
Λ  lambda Ω ω omega
Μ  mu
H. Latihan
1. Jelaskan mengapa statistika memegang peranan penting dalam penelitian
kuantitatif.
2. Jelaskan kaitan disertai contoh antara statistika dan metode ilmiah.
3. Tuliskan semua padanan kata-kata yang sesuai dengan arti statistik.
4. Jelaskan perbedaan disertai ciri-ciri antara statistika deskriptif dan statistika
inferensial.
5. Jelaskan jenis-jenis statistika dan berikan contoh penggunaannya dalam
berbagai bidang.
6. Mengapa makna suatu angka atau bilangan merupakan tanggung jawab kegiatan
pengukuran?
7. Jelaskan perbedaan disertai ciri-ciri diantara skala nominal, ordinal, interval, dan
rasio.
8. Jumlahkan bilangan berikut: 15,25 km; 25,62 km; 76,36 km; 85,26 km, dengan
cara biasa, aturan bilangan genap/ganjil, dan cara langsung.
9. Lakukan interpolasi linear dari tabel berikut, untuk X = 6,3, berapa Y?
X 4 5 6 7
Y 150 200 250 300
10. Jabarkan notasi sigma berikut:

5 5 6
X Y  X
2
a. i i b. ij
i 1 i 1 j 1
BAB II
PENGUMPULAN DAN PENYAJIAN DATA
A. Pengumpulan dan Pengolahan Data

1. Pengumpulan Data
Mengumpulkan data berarti mencatat peristiwa, karakteristik, elemen, nilai
suatu variabel. Hasil pencatatan ini menghasilkan data mentah yang kegunaannya
masih terbatas. Oleh karena itu agar data mentah lebih berguna harus diolah,
disarikan, disederhanakan dan dianalisis untuk diberi makna.
Penelitian dan penyelidikan ilmiah memerlukan data. Data berbeda dengan
informasi. Data adalah keterangan atau fakta mengenai suatu individu atau kelompok
sedangkan informasi adalah berita. Informasi bisa bersumber dari data tetapi tidak
sebaliknya. Contoh “Jakarta adalah ibu kota negara RI” adalah data tetapi “Kemarin
Jakarta dilanda banjir” adalah informasi. Agar data yang kita peroleh memiliki
validitas yang tinggi maka perlu dikembangkan instrumen pengumpul data yang juga
valid. Sehingga data yang diperoleh dapat menggambarkan keadaan atau kenyataan
sesungguhnya.
Mengapa data dikumpulkan? Data dikumpulkan karena si peneliti ingin
mengetahui sesuatu atau untuk menjelaskan kebenaran terhadap sesuatu masalah.
Bila kita ingin mengetahui apakah masyarakat mempunyai kesadaran terhadap
hukum maka data dapat dikumpulkan dengan memberikan skala/instrumen yang
dapat diisi oleh kelompok masyarakat yang dimaksudkan. Selain itu untuk
kepentingan menunjukkan hipotesis tentang efektivitas suatu metode. Misalnya kita
mempunyai hipotesis bahwa hasil belajar matematika dengan metode “inquiri” lebih
efektif dibanding metode diskusi atau ceramah, maka kita dapat menguji
kebenarannya dengan mengumpulkan datanya melalui eksperimen.
Macam data apa yang dikumpulkan? Data yang dikumpulkan dapat bersifat
kualitatif dan kuantitatif. Data kualitatif diperoleh dengan pengelompokan dan
kategorisasi, misalnya pengelompokan aparat penegak hukum atas polisi, jaksa, dan
hakim. Data kuantitatif diperoleh dengan cara melakukan pengukuran, misalnya skor
statistika, berat dan tinggi badan. Mengingat sifat kedua data tersebut maka macam
data yang dapat dikumpulkan dapat berupa data kualitatif, data kuantitatif atau
kombinasi data kualitatif dan kuantitatif. Sebagai contoh bila kita memerlukan skor
kompetensi mengajar guru, maka datanya adalah data kuantitatif berupa skor
terbesar, terkecil, rerata, dan standar deviasinya. Bila ingin mengetahui mengenai
jenis kejahatan hukum maka datanya adalah data kualitatif, misalnya pembunuhan,
penganiayaan, penculikan, perkosaan, perzinahan, penghinaan, dan pelecehan
seksual. Tetapi bila kita ingin mengetahui interaksi yang terjadi antara siswa dan guru
di dalam suatu kegiatan pembelajaran, maka datanya kemungkinan kedua-duanya
yaitu kuantitatif dan kualitatif. Data kualitatifnya mengenai apa-apa terjadi selama
kegiatan pembelajaran (kategori) dan kuantitatifnya mengenai seringnya setiap
kategori terjadi.
Bagaimana data dikumpulkan? Data dapat dikumpulkan melalui tes dan non-
tes. Pada umumnya, tes terdiri dari tipe uraian dan tipe objektif. Tipe objektif sendiri
terdiri dari bentuk benar-salah, pilihan-ganda, isian singkat, dan memasangkan.
Sedangkan non-tes dapat berupa karangan, melengkapkan kalimat, angket,
wawancara, dan observasi. Khusus untuk skala sikap, hingga sekarang dapat dipakai
model Likert, Diferensial Semantik, Thurstone, dan Guttman. Tetapi, bila data itu
sudah ada tentu kita tidak memerlukan instrumen (tes dan atau non-tes). Misalnya
bila kita memerlukan data tentang hasil ujian nasional (UN), dapat diperoleh dari
kantor Dinas Pendidikan, atau data tentang banyaknya pelanggaran lalulintas dapat
diperoleh dari kantor kepolisian. Semua data-data tersebut dikumpulkan dengan
menggunakan instrumen atau alat pengumpul data.
Secara visual jenis instrumen penelitian disajikan pada diagram berikut.
Tes Kemampuan (TPA, Tes IQ & Bakat)
Tes Tes Hasil Belajar (Kognitif)
Instrumen Angket (Data faktual)
Skala (Data aspek Psikologi/Konsep)

Non Tes
Pedoman Wawancara (Data tentang
Uraian/penjelasan lisan)
Pedoman Observasi (Mengamati

perilaku obyek/subyek)
Dalam hal pengumpulan data dengan menggunakan instrumen maka kualitas

instrumen tersebut harus memadai. Kememadaian instrumen itu dapat diketahui dari
validasi teoretik dan empirisnya. Validasi teoretik menyangkut ketepatan instrumen
mengukur apa yang seharusnya diukur ditinjau dari segi isi (content) atau konstruk
instrumen variabel yang bersangkutan. Sedangkan validasi empiris menyangkut
ketepatan suatu instrumen berkenaan dengan sekelompok responden yang menjadi
sampel uji coba. Analisis data hasil uji-coba dimaksudkan untuk melihat kualitas
instrumen dari segi validitas, reliabilitas, tingkat kesukaran, dan daya pembedanya.
Apabila kita memakai instrumen baku maka harus dilaporkan bukti-bukti kualitas
instrumen tersebut terutama dari segi validitas dan besarnya koefisien reliabilitas.
Selain itu, mengenai kecocokan instrumen yang sudah ada (baku) dengan data kita
dari segi konsep, dimensi, dan indikator yang melandasi instrumen baku tersebut.
2. Pengolahan Data
Mengolah data berarti membuat data ringkasan berdasarkan data mentah
hasil pengumpulan data dengan menggunakan rumus tertentu, misalnya menghitung
jumlah, rata-rata, proporsi (persentase), berbagai koefisien seperti koefisien variasi,
koefisien korelasi, koefisien determinasi, koefisien regresi.
Pengolahan data adalah pemberian skor, pengelompokkan, perhitungan, dan
sebagainya mengenai data yang kita miliki, yang kita peroleh melalui tahap
pengumpulan data. Soal-soal jawaban responden diberi skor. Kalau diperlukan skor
mentah itu diolah menjadi skor terolah atau menjadi nilai-nilai. Nilai-nilai yang
diperoleh, mungkin dikelompokkan ke dalam kelompok baik, sedang, dan kurang.
Atau mungkin juga, berdasarkan nilai-nilai responden dikelompokkan ke dalam
kelompok lulus dan tidak lulus, berhasil dan belum berhasil, melanjutkan dan bekerja,
dan sebagainya.
Pengolahan data itu diperlukan agar sesuatu itu dapat dilihat dan dipahami
dengan mudah dan cepat. Hasil pengolahan itu mungkin dijadikan dalam bentuk
tabel, distribusi frekuensi, diagram dahan dan daun.
B. Penyajian Data
1. Tabel Distribusi Frekuensi
Berikut ini data hasil penelitian tentang kompetensi mengajar 100 orang guru
di suatu kota tertentu (data fiktif).
45 70 49 65 53 65 65 53 74 57
57 75 60 70 75 78 70 74 63 65
63 63 80 63 80 63 65 74 65 65
53 65 50 65 74 65 63 65 74 70
74 65 65 53 65 65 70 85 70 78
70 45 70 70 63 70 70 65 70 74
60 70 74 57 74 74 63 65 74 70
65 74 65 74 74 65 74 75 75 75
75 60 75 75 60 75 78 60 78 78
70 78 63 80 80 63 80 90 70 85
Susunlah daftar distribusi frekuensi dari data tersebut!
a. Menentukan rentang (J) = data terbesar - data terkecil = 90 – 45 = 45
b. Menentukan banyaknya kelas (biasanya 5 – 15) atau dengan menggunakan
aturan Sturgess, dengan rumus:
banyaknya kelas (BK) = 1 + 3,3log 100 = 1 + 3,3 x 2 = 7,6 (karena proses
membilang maka ada dua, yaitu (BK) = 7 atau (BK) = 8)
Rentang (J) 45
c. Panjang kelas (p) =  = 5,625  6
Banyak Kelas (BK) 8
Syarat: (BK).p ≥ J + 1, misalkan (BK) = 8, maka 8x6 ≥ 45+1 (benar)
d. Menyusun tabel distribusi frekuensi
Tabel 1. Daftar Distribusi Frekuensi

Kompetensi Mengajar guru
Nilai Nilai Tengah frekuensi
(X) absolut (f)
45 - 50 47,5 4
51 - 56 53,5 4
57 - 62 59,5 8
63 - 68 65,5 30
69 - 74 71,5 31
75 - 80 77,5 20
81 - 86 83,5 2
87 - 92 89,5 1
Jumlah - 100
2. Histogram dan Poligon Frekuensi

Untuk menyajikan data distribusi frekuensi dalam bentuk diagram, seperti
biasa digunakan sumbu mendatar untuk menyatakan kelas interval dan sumbu tegak
untuk menyatakan frekuensi. Sumbu mendatar memuat batas-batas kelas interval.
Bentuk diagramnya seperti diagram batang hanya di sisi-sisi batang berdekatan
harus berimpitan. Untuk lebih jelasnya akan dibuat diagram histogram, poligon
frekuensi dan ozaiv berdasarkan tabel 1 di depan, sebagai berikut.
Poligon
35
Frekuensi
30
Histogram
25
20
15
10
5
0
44,5 50,5 56,5 62,5 68,5 74,5 80,5 86,5 92,5
Skor Kompetensi Mengajar
Gambar 1. Histogram dan Poligon Frekuensi
Jika titik-titik tengah tiap sisi yang berdekatan kita hubungkan dan sisi
terakhir dihubungkan dengan setengah jarak kelas interval pada sumbu datar, maka
akan diperoleh bentuk yang disebut poligon frekuensi (lihat gambar).
3. Distribusi Frekuensi Kumulatif dan Grafiknya

Untuk membuat ozaiv terlebih dahulu kita membuat tabel kumulatif kurang
dari dan atau kumulatif lebih dari sebagai berikut.
(Kumulatif kurang dari)
Nilai frekuensi
kumulatif
Kurang dari 45 0
Kurang dari 51 4
Kurang dari 57 8
Kurang dari 63 16
Kurang dari 69 46
Kurang dari 75 77
Kurang dari 81 97
Kurang dari 87 99
Kurang dari 93 100
Ozaiv-nya dapat dilihat di bawah ini:
120
Frekuensi
100
80
60
40
20
0
45
1 51
2 57
3 63
4 69
5 75
6 81
7 87
8 993
Skor Kompetensi Mengajar
Gambar 2. Ozaiv “Kurang Dari”

.
(Kumulatif atau lebih)
Nilai frekuensi kumulatif
45 atau lebih 100
51 atau lebih 96
57 atau lebih 92
63 atau lebih 84
69 atau lebih 54
75 atau lebih 23
81 atau lebih 3
87 atau lebih 1
93 atau lebih 0
Ozaiv-nya dapat dilihat di bawah ini:
120
100
80
60
40
20
0
1 2
45 513 57 4 63 5 69 6 75 7
81 8
87 9
93
Gambar 3. Ozaiv “Lebih Dari atau Sama Dengan”
4. Grafik/Diagram Data
Umumnya kita lebih cepat memahami penomena secara visual dari pada
membaca data melalui tabel. Karenanya, penyajian data dengan tabel, memiliki
kelemahan, yaitu tidak menggambarkan keseluruhan obyek secara cepat. Agar dapat
memberikan gambaran menyeluruh yang lebih cepat, data disajikan dalam bentuk
grafik atau diagram.
Beberapa hal penting yang harus diperhatikan dalam membuat diagram atau
grafik, antara lain. Pertama pemilihan sumbu (kecuali bila tidak diperlukan seperti
pada diagram lingkaran). Pada diagram umumnya ada dua buah sumbu, sumbu
tegak dan sumbu datar. Perpotongan kedua sumbu itu disebut titik pangkal, yang
biasanya diberi kode titik O (original). Kedua adalah memilih skala, pada skala biasa,
skala satuan pada sumbu datar itu sama panjang dengan satuan pada sumbu
tegaknya. Tetapi, boleh saja satuan skala pada sumbu tegak dan satuan skala pada
sumbu datar, tidak sama. Ketiga ukuran grafik/diagram, harus dibuat dengan
memperhatikan keseimbangan dari segi besar dan kecilnya, ataupun tinggi dan
pendeknya. Dapat menggunakan lompatan, pemotongan, atau pematahan. Berikut
ini adalah gambar (sistem koordinat) yang menunjukkan hubungan antara sumbu-
sumbu, titik pangkal, dan satuan skala tegak dan skala datar.
5
4
Sumbu Tegak
0
1 2 3 4 5
Titik Pangkal Sumbu Datar
Jika pada tabel judul ditulis pada bagian atas kepala kolom, maka judul
diagram atau keterangan tentang diagram itu ditulis di bawah diagram dan bila
diperlukan dilanjutkan dengan penulisan sumbernya.
Berikut ini akan dibahas bermacam-macam diagram, yaitu: diagram batang,
garis, lingkaran, batang dan daun, dan diagram interaksi.
1) Diagram Batang
Diagram batang adalah diagram yang berbentuk batang. Batang-batang yang
menunjukkan frekuensi dibuat terpisah satu sama lainnya. Batangnya boleh tegak
lurus (vertikal) atau sejajar dengan sumbu datar (horisontal). Setiap batang harus
mempunyai lebar yang sama. Panjang atau tinggi batang berbanding dengan
banyaknya data dari tiap jenis data. Diusahakan agar ruangan diagram melingkupi
batang yang terpanjang. Untuk lebih jelasnya perhatikan diagram dari tabel berikut.
Tabel 4. Banyaknya Korban Peristiwa

Kejahatan di Negara X
Jenis Korban Per. 100.000 penduduk
Mati 100
Cacat 350
Luka-luka 220
Lain-lain 447
Sumber: Data Piktif
Pertama-tama diagram batang yang akan dibuat tegak lurus sumbu datar.
Untuk setiap satu skala tegak mewakili 50 orang penduduk. Bila demikian, diagram
batangnya itu sebagai berikut.
500
Jumlah Penduduk
450
400
350
300
250
200
150
100
50
0
Mati Cacat Luka-luka Lain-lain
Diagram 2. Banyaknya Korban Peristiwa Kejahatan
Seperti sudah dikatakan di bagian depan, diagram batang boleh digambar mendatar,
misalnya program studi PAUD, MP, PEP, dan TP
Banyaknya Mahasiswa
Prog
PAUD
MP
PEP
TP
0 5 10 15 20 25 30 35
Prog Banyaknya Mahasiswa
Diagram 3. Mahasiswa Program Pascasarjana Suatu Universitas 2003/2004.
Apabila banyaknya data atau frekuensi per kelompok terlalu besar, maka
data harus dipatahkan. Pada ujung batang yang dipatahkan harus ditulis
bilangannya. Untuk lebih jelasnya perhatikan diagram batang pada Tabel 5.
Tabel 5. Keadaan Murid Sekolah Lanjutan di Jawa Barat Tahun 1970

SMEP 7.350 SMA 23.303
SMEA 9.234 SPG 11.226
SKKP 2.885 STP 18.135
SKKA 937 STM 12.039
SMP 85.667
Sumber : PPMUP Jawa Barat dalam (H.E.T. Ruseffendi, 1993: 50)
Pada diagram di bawah nampak batang komponen SMP dipatahkan.
30,000 85.677
27,500
25,000
22,500
20,000
Banyak Murid
17,500
15,000
12,500
10,000
7,500
5,000
2,500
0
SMEP SMEA SKKP SKKA SMP SMA SPG STP STM
Jenis Sekolah
Diagram 4. Keadaan Murid Sekolah Lanjutan di Jawa Barat Tahun 1970
Untuk membandingkan dua keadaan atau lebih, digunakan ”diagram batang

komponen”. Batang-batang komponen pada diagram itu dibuat berdampingan atau
diagram batang sambungan. Sebagai contoh diperlihatkan diagram batang
komponen untuk data berikut.
Tabel 6. Rata-rata Pendapatan, Pengeluaran dan Defisit
Guru SD dan SLTP di Jawa Barat per Bulan
Jenis Guru Sekolah Pendapatan Pengeluaran Defisit
Guru SD di Desa (GSDD) Rp. 301,300 Rp. 701,202 Rp. 400,902
Guru SD di Kota (GSDK) Rp. 384,885 Rp. 944,368 Rp. 559,484
Guru SLTP di Desa

(GSLTPD) Rp. 369,880 Rp. 617,000 Rp. 247,120
Guru SLTP di Kota

(GSLTPK) Rp. 349,475 Rp. 861,000 Rp. 511,525
Sumber: Supriadi dan Jalal (2001)
Jenis Guru Rp200,000 Rp400,000 Rp600,000 Rp800,000 Rp1,000,000

Sekolah
GSLTPK
GSLTPD Defisit
Pengeluaran
Pendapatan
GSDK
GSDD
Rp- Rp200 Rp400 Rp600, Rp800 Rp1,000,

Jenis Guru
Sekolah
Diagram 5: Rata-rata Pendapatan, Pengeluaran dan Defisit Guru SD dan SLTP di

Jawa Barat per Bulan
Sebagai contoh lain kita buat diagram batang komponen untuk Tabel 7.
Tabel 7. Banyaknya Korban Jiwa Menurut Sasaran Peristiwa Kejahatan dan Jenis Kelamin
Sasaran Peristiwa Jenis Kelamin

Jumlah
Kejahatan Laki-laki Perempuan
Rumah Tangga (RT) 127 80 207
Perorangan (P) 162 75 237
Rumah Tangga dan
Perorangan (RT dan P) 60 65 125
Lain-lain 45 55 100
Sumber: Data fiktif
180
160
140
Laki-laki
120
Perempuan
Jumlah
100
80
60
40
20
0
RT P RT dan P Lain-lain
Diagram 6. Banyaknya Korban Jiwa Menurut Sasaran
Peristiwa Kejahatan dan Jenis Kelamin
2) Diagram Garis
Diagram garis berguna untuk menunjukkan kecenderungan dalam periode
tertentu. Perubahan dapat berupa kenaikan, penurunan, atau tetap. Perhatikan
diagram 7 ( = data tidak dimulai dari titik nol/ada lompatan).
Tabel 8. Peristiwa Kejahatan Terhadap Jiwa Menurut Jenis Kejahatan di Indonesia
Tahun 1991
Jenis Kejahatan Per 100.000 Penduduk
Pembunuhan 2
Penganiayaan 47
Penculikan 7
Perkosaan 1
Perzinahan 5
Penghinaan 23
Lain-lain 74
Jumlah 159
Sumber : Statistik Kriminal, BPS, (1991): Data Diolah Kembali
80
70
60
50
Jumlah
40
30
20
10
0
n
n
an
n
n
an
an
a
aa
a
i
-la
ah
h
a
ya
lik
os
nu
in
in
u
a
in
h
nc
La
rk
ni
bu
rz
ng
a
Pe
Pe
Pe
m
ng
Pe
Pe
Pe
Diagram 7. Peristiwa Kejahatan Terhadap Jiwa Menurut

Jenis Kejahatan di Indonesia Tahun 1991
Diagram garis dapat melukiskan dua macam data atau lebih dalam periode
tertentu.
.
3) Diagram Lingkaran
Diagram lingkaran dipakai bila banyak komponen yang akan kita bandingkan
tidak banyak. Contoh, untuk melihat perbandingan jumlah pelanggaran bidang
ekonomi di antara wilayah Jawa, Sumatera, dan lainnya pada tahun 1994 yang
tercantum pada Tabel 9 dapat digunakan diagram lingkaran seperti pada Diagram 8.
Tabel 9. Jumlah Pelanggaran Bidang Ekonomi di Tiga Wilayah Tahun 1994
Wilayah Frekuensi Dalam Persen
Jawa 60 50
Sumatera 40 33
Lainnya 20 17
Jumlah 120 100
Sumber : J. Supranto, Statistika Bidang Hukum
Lainnya
17%
Jaw a
50%
Sumatera
33%
Diagram 8. Jumlah Pelanggaran Bidang Ekonomi di Tiga Wilayah (Jawa, Sumatera,

dan lainnya) Tahun 1994
Agar gambar tampak hidup, kadang-kadang kita membuat diagram lingkaran

dalam bentuk dimensi tiga. Diagram yang berdimensi tiga, biasa disebut diagram
pastel. Untuk lebih jelasnya perhatikan diagram 9.
Lainnya
17%
Diagram 9. Jumlah Pelanggaran
Bidang Ekonomi di Tiga Wilayah
Jaw a (Jawa, Sumatera, dan lainnya)
50%
Tahun 1994
Sumatera
33%
Dalam membuat diagram lingkaran, kita menganggap jumlah pelanggaran bidang
ekonomi itu sama dengan luas sebuah daerah lingkaran. Untuk memperoleh porsi
masing-masing, kita harus membagi luas daerah lingkaran itu (melalui titik pusatnya)
menjadi tiga bagian yang luasnya masing-masing sebanding dengan banyaknya
pelanggaran bidang ekonomi pada wilayah Jawa, Sumatera, dan lainnya. Mengingat
luas daerah juring lingkaran itu sebanding dengan besar sudut pusat, maka agar
lebih mudah, porsi dari lingkaran untuk pelanggaran bidang ekonomi wilayah Jawa,
Sumatera, dan lainnya dinyatakan dalam derajat. Dengan demikian maka :
60
Wilayah Jawa diwakili oleh:  360   180 
120
40
Wilayah Sumatera diwakili oleh:  360   120 
120
20
Wilayah Lainnya diwakili oleh:  360   60
120
Dengan busur derajat, kita dapat melukis besarnya masing-masing sudut

dengan tepat karena adanya besar sudut yang jelas dari perhitungan di atas.
4) Diagram Dahan dan Daun

Penampilan diagram ini meniru pohon dengan dahan dan daun. Perlu dicari
kelompok data untuk dijadikan cabang, misalnya, angka puluhan sehingga digit
satuan menjadi daun
daun
Dahan
Perhatikan data mengenai hasil ujian statistika mahasiswa suatu Universitas

sebagai berikut.
50 52 54 35 65 50 55 60 68 73
75 78 39 84 76 38 78 83 85 86
80 48 42 45 47 72 74 78 79 91
93 98 96 95 81 66 62 65 78 85
67 67 68 69 67 61 64 69 68 65
Dengan demikian diagram dahan dan daun menjadi sebagai berikut.
Dahan Daun
3 589
4 2578
5 00245
6 012455567778899
7 2345688889
8 013456
9 13568
Dari diagram diatas dapat diperoleh keterangan mengenai data:
 data asli muncul, jika susunan angka di balik nampak seperti histogram
 jumlah dahan, dan daun
 nilai median terletak antar 68 – 69
 biasa digunakan untuk menggambarkan pola sebaran bagi data yang
berukuran kecil.
C. Latihan
1. Jelaskan apa yang dimaksud dengan pengumpulan dan pengolahan data.

2. Menurut anda diagram atau grafik apa yang sesuai untuk menggambarkan
keadaan dari tabel berikut. Berikan kesimpulan dari hasil analisis anda!
Tenaga Ahli dan Penduduk di Beberapa Negara
Negara Jumlah Doktor/
Sejuta Penduduk
Amerika Serikat 6.500
Jepang 6.500
Jerman 4.000
Prancis 5.000
India 1.250
Mesir 400
Israel 16.500
Indonesia 65
Sumber: Dinamika Pemikiran Islam di PT(Suyanto, 2002)
3. Buat diagram batang dari tabel berikut.
Siswa yang Terserap Menurut Jenjang Pendidikan
Tingkat Pendidikan Siswa Penduduk
PAUD 7.915,912 28.235,400
SD/MI 24.090,188 25.473,400
SMP/MTs 7.803,059 12.963,200
SMA/MA 5.031,734 12.697,000
PT 3.551,092 24.911,900
Sumber: Balitbang Diknas 2003/2004
.
4. Buat diagram lingkaran dari tabel berikut.
Faktor Penentu Keunggulan Suatu Negara
Faktor Peranan (%)
Innovation & Creativity 45
Networking 25
Technology 20
Natural Resources 10
Sumber: Hasil evaluasi 150 negara UNDP (1995)
5. Berikut ini hasil ujian mata kuliah statistika 80 mahasiswa
78 48 81 81 90 92 53 70 80 86
86 92 56 73 85 66 93 51 65 75
75 83 74 68 76 91 72 71 93 88
77 62 97 81 97 82 59 95 72 85
75 83 61 63 85 66 88 70 75 89
82 83 67 71 79 84 72 94 75 63
98 43 67 72 36 49 91 60 80 70
81 91 79 82 73 71 30 74 83 90
Pertanyaan:
a. Susunlah daftar distribusi frekuensi dari data tersebut.
b. Susunlan daftar distribusi frekuensi relatif dan distribusi kumulatif.
c. Buatlah histogram dan polygon frekuensi.
d. Buatlah ogive ”kurang dari” dan ogive ” lebih dari atau sama”
e. Susunlah diagram ”dahan” dan ”daun”
BAB III
UKURAN KECENDERUNGAN MEMUSAT DAN UKURAN PENYEBARAN
Ukuran kecenderungan memusat atau tendensi sentral adalah ukuran dimana

distribusi data mempunyai gejala atau kecenderungan untuk memusat. Ukuran
pemusatan suatu data atau skor dapat ditentukan berdasarkan nilai harapan,
estimasi, dan prediksi terhadap nilai tertentu yang mewakili seluruh data. Ukuran ini
dapat ditentukan pada data tunggal (individu) atau data kelompok (bergolong).
A. UKURAN KECENDERUNGAN MEMUSAT

1. Data Tunggal
Misalkan diberikan data skor hasil ujian Statistika dari 12 orang mahasiswa
sebagai berikut: 62, 65, 58, 90, 75, 79, 82, 91, 75, 75, 75, 95.
Dengan data ini kita bekerja untuk menentukan kecenderungan memusatnya,
meliputi rata-rata, median, modus, quartil, desil dan presentil.
a. Rata-rata (Mean)
Rata-rata atau mean adalah estimasi terhadap nilai tertentu yang mewakili
seluruh data. Mean dinotasikan dengan X (dibaca eks bar) dan dirumuskan
sebagai berikut: X 
X i
, i = 1, 2, 3,…………n, untuk data di atas, maka
n
rata-rata (mean)-nya adalah:
62  65  58  90  75  79  82  91 75  75  75  95 922
X    76,83
12 12
b. Median (Me)
Median didefinisikan sebagai ukuran tengah setelah data diurutkan. Untuk data di
atas, mediannya dapat dicari dengan cara sebagai berikut.
Data terlebih dahulu diurutkan;
58 62 65 75 75 75 75 79 82 90 91 95
75  75
 75
2
Jika data tunggal jumlahnya cukup banyak, penentuan median dapat juga dicari
dengan rumus median (Me) = X n 1 bila jumlah data ganjil, dan rumus median
2
1 
(Me) =  X n  X n  bila jumlah data genap Untuk contoh diatas, kita
2  2 2
1 

1 
gunakan rumus median data genap (Me) = Xn  Xn  =
2  2 2
1 

1 
 X 12  X 12  = 1 X 6  X 61  = 1 X 6  X 7  = 1 75  75  75
2  2 2
1 
 2 2 2
c. Modus (Mo)
Modus dari suatu distribusi data adalah nilai yang paling sering terjadi atau nilai
dengan frekuensi terbanyak. Untuk data di atas, maka modusnya adalah: Mo =
75. Karena bilangan 75 paling sering tampil.
d. Kuartil (Q)
Untuk memahami Quartil suatu data dapat dilihat ilustrasi berikut.
I II III IV
Q1 Q2 Q3
Berdasarkan ilustrasi di atas menunjukkan bahwa pada quartil data terbagi
menjadi empat bagian sama, dengan pembagi (Q1, Q2, dan Q3). Logika tiga
pembagi ini dapat analogikan dengan seseorang yang ingin yang memotong
sebatang kayu menjad empati bagian yang sama. Berapa kali ia harus memotong
dan bagaimana strateginya? Jika ia cermat, maka langkah pertama yang ia
lakukan adalah memotong tepat di tengah sama panjang batang kayu itu.
Masing-masing dua potong kayu tersebut dilakukan pemotongan lagi tepat di
tengahnya, sehingga menjadi empat potong sama panjang, dengan tiga kali
memotong. Tiga kali memotong inilah analogi dari pengertian (Q1, Q2, dan Q3).
Dari ilustrasi ini, quartil dapat diartikan sebagai ukuran per-empatan data. Ukuran
quartil untuk data di atas ditentukan sebagai berikut.
58 62 65 75 75 75 75 79 82 90 91 95
65  75 75  75 82  90
Q1   70 , Q 2   75 , Q 3   86
2 2 2
Untuk kasus dengan sekumpulan data tunggal yang lebih banyak, quartil dapat
i(n  1)
ditentukan dengan menggunakan rumus letak: , i  1, 2, 3 ,
4
Misalnya kita akan mencari Q3, maka terlebih dahulu ditentukan letak Q3:
3(n  1) 3(12  1)
=  9,75 , sehingga:
4 4
Q3 = data ke-9 + 0,75 (data ke-10 dikurangi data ke-9)
Q3 = 82 + 0,75 (90 - 82) = 82 + 0,75 (8) = 82 + 6 = 88. Disini terlihat adanya
perbedaan hasil perhitungan antara cara langsung dan yang menggunakan
rumus. Cara langsung lebih akurat dibanding dengan menggunakan rumus.
Penggunakan rumus dapat berdampak kepada adanya pembulatan atau reduksi
dari rumus tersebut. Begitupula untuk Q1 dan Q2. Hasil di yang diperoleh
menunjukan bahwa nilai median (Me) = Q2
e. Desil
Bila Quartil membagi data menjadi empat bagian sama maka Desil membagi data
menjadi sepuluh bagian sama. Dengan demikian terdapat sembilan nilai Desil
yaitu, D1, D2, D3,…………… D9. Untuk menentukan nilai suatu Desil terlebih
dahulu ditentukan letak Desil dengan rumus:
i(n  1)
, i  1, 2, 3,......... ...... 9. Sebagai contoh akan dicari D5.
10
5(12  1)
Letak D5 =  6,5 .
10
Sehingga nilai D5 = data ke-6 + 0,5 (data ke-7 dikurangi data ke-6). Sehingga nilai
D5 = 75 + 0,5 (75 – 75) = 75 + 0 = 75. Nampak bahwa hasil yang diperoleh
menunjukkan Q2 = D5 . Silahkan cari nilai Desil yang lain.
f. Persentil
Dengan menggunakan analisis sama pada Desil, maka Persentil membagi data
menjadi 100 bagian sama. Dengan demikian terdapat 99 nilai Persentil yaitu, P1,
P2, P3,…………… P99. Untuk menentukan nilai suatu Persentil terlebih dahulu
ditentukan letak Persentil dengan rumus:
i(n  1)
, i  1, 2, 3,......... ...... 99. Sebagai contoh akan dicari P50.
100
50(12  1)
letak Presentil =  6,5 .
100
Sehingga:nilai P50 = data ke-6 + 0,5 (data ke-7 dikurangi data ke-6).
Sehingga nilai P50 = 75 + 0,5 (75 – 75) = 75 + 0 = 75. Dengan cara yang sama
diperoleh P10 = 4,2 dan P90 = 8,8. Nampak bahwa hasil-hasil yang diperoleh
menunjukkan Q2 = D5 = P50 . Silahkan cari nilai Persentil yang lain, dan
perlihatkan bahwa Q3 = P75
2. Data Kelompok (Bergolong)
Data kelompok adalah data yang dikelompokan menurut kelas-kelas dengan
panjang kelas tertentu. Pengelompokan data atas kelas interval akan bermakna
terutama bila kita berhadapan dengan data dalam jumlah besar, sehingga
menyulitkan untuk menyusun ukuran pemusatan dalam bentuk data tunggal
(individu).
a. Rerata (Mean)
Untuk menentukan Mean dari data distribusi frekuensi di atas dibuat tabel seperti
berikut.
Tabel 10. Daftar Distribusi Frekuensi Kompetensi Mengajar Guru
Nilai (f) Nilai tengah f. x
(x)
45 - 50 4 47,5 190
51 - 56 4 53,5 214
57 - 62 8 59,5 476
63 - 68 30 65,5 1965
69 - 74 31 71,5 2216,5
75 - 80 20 77,5 1550
81 - 86 2 83,5 167
87 - 92 1 89,5 89,5
Jumlah 100 - 6868
Sehingga Mean ( X ) =
 f .x  6868  68,68
 f 100
b. Median (Me)
Berdasarkan tabel 10 ditentukan median dengan terlebih dahulu dicari letak
n
median, yaitu: ½ dari seluruh data = ( ) atau ½ x 100 = 50 (lihat frekuensi
2
kumulatif). Jadi median akan terletak pada kelas interval ke lima.
Rumus Median:
1 
 n - F
Me = b + p  2 
 f 
 
 
Dimana:
Me = median
b = batas bawah kelas median (batas bawah – 0,5)
p = panjang kelas
n = banyak data
F = jumlah frekuensi kelas-kelas sebelum kelas median
f = frekuensi kelas median
n 100
Letak median adalah =  50 , berada pada frekuensi kumulatif yang
2 2
memuat 50, yaitu 77 (frekuensi kumulatif 46 belum memuat nilai 50). Perhatikan
frekuensi kumulatif pada tabel berikut.
Tabel 11. Daftar Distribusi Frekuensi Kumulatif
Nilai (f) f. kumulatif
45 - 50 4 4
51 - 56 4 8
57 - 62 8 16
63 - 68 30 46
69 - 74 31 77
75 - 80 20 97
81 - 86 2 99
87 - 92 1 100
Jumlah 100 -
sehingga diperoleh nilai median:
 50 - 46  4
Me = 68,5 + 6   = 68,5 + 6( ) = 68,5 + 0,774 = 69,27
 31  31
c. Modus (Mo)
Berdasarkan tabel 10, dihitung Modus data berkelompok di atas dengan
menggunakan rumus sebagai berikut:
d1
Mo = b + p
d1 + d2
Dimana :
Mo = modus
b = batas bawah kelas modus
p = panjang kelas
d1 = selisih frekuensi kelas modus dengan frekuensi kelas sebelumnya
d2 = selisih frekuensi kelas modus dengan frekuensi kelas sesudahnya
Letak modus ditentukan berdasarkan pada kelas interval dengan frekuensi yang
paling besar, yaitu pada (69 – 74)
 (31- 30) 
Mo = 68,5 + 6  
 (31- 30)  (31- 20) 
1
Mo = 68,5 + 6   = 69
 12 
d. Quartil
Dengan menggunakan analisis yang sama pada penentuan letak median dan
nilai median pada data tabel 11 di atas, maka penentuan letak Quartil dan nilai
Quartil dilakukan sebagai berikut.
in
Letak Quartil ditentukan dengan rumus: , dimana i adalah Quartil ke-i
4
dan n banyak data.
Quartil Qi dengan i = 1, 2, dan 3 dihitung dengan rumus:
 in 
 - F
Qi = b + p  4 
 f 
 
 
dimana:
Qi = Quartil ke-i
b = batas bawah kelas Qi, ialah kelas interval dimana Qi akan terletak,
p = panjang kelas
F = jumlah frekuensi sebelum kelas Quartil ke-i
f = frekuensi kelas Quartil ke-i
Perhitungan Q1, Q2 dan Q3 dtentukan dengan langkah-langkah sebagai berikut:
.
Menentukan nilai “ Q1 “ (Quartil ke-1)?
100
letak Q1 : 1x = 25 atau Quartil ke- 1 akan terletak pada interval kelas ke-
4
4 (karena angka 25 berada pada frekuensi kumulatif = 46). Hal ini nampak pada
tabel berikut ini.
45 - 50 4 4
51 - 56 4 8
57 - 62 8 16
63 - 68 30 46
69 - 74 31 77
75 - 80 20 97
81 - 86 2 99
87 - 92 1 100
Jumlah 100 -
Sehingga:
 (25 - 16) 
Q1 = 62,5 + 6  
 30 
 9 
Q1 = 62,5 + 6   = 62,5 + 1,8 = 64,3
 30 

100
letak Q2 : 2x = 50 atau Quartil ke- 2 akan terletak pada interval kelas
4
ke- 5 (karena angka 50 berada pada frekuensi kumulatif = 77).
 (50 - 46) 
Q 2 = 68,5 + 6  
 31 
4
Q 2 = 68,5 + 6   = 62,5 + 0,774 = 69,27
 31 
Dari hasil ini terlihat bahwa Q2 = Median (Me) = 69,27
100
letak Q3 = 3x = 75 atau Quartil ke- 3 masih akan terletak pada interval
4
kelas ke- 5 (angka 75 berada pada frekuensi kumulatif = 77).
 (75 - 46)   29 
Q 3 = 68,5 + 6   = 68,5 + 6   = 62,5 + 5,6129 = 74,11.
 31   31 
Dari hasil perhitungan pada tabel 10 di atas diperoleh statistik kecenderungen
memusat meliputi:: Mean ( X ) = 68,68 ; Median (Me) = Q2 = 69,27 ; Modus
(Mo) = 69 ; Quartil : Q1 = 64,3 dan Q3 = 74,11.
e. Desil
Dengan menggunakan analisis yang sama pada penentuan letak Quartil dan nilai
Quartil pada data tabel 12 di atas, maka penentuan letak Desil dan nilai Desil
dilakukan sebagai berikut.
in
Letak Quartil ditentukan dengan rumus: , dimana i adalah Desil ke-i (i =
10
1, 2, 3,............9) dan n banyaknya data.
Desil (Di) , dengan i = 1, 2, 3, ............9, dihitung dengan rumus :

 in 
 - F
Di = b + p  10 
 f 
 
 
dimana:
Di = desil ke-i
b = batas bawah kelas Di, ialah kelas interval dimana Di akan terletak,
p = panjang kelas
F = jumlah frekuensi sebelum kelas desil ke-i
f = frekuensi kelas desil ke-i
Sebagaimana telah dibahas pada Desil data tunggal, diketahui bahwa nilai Desil
ada 9 buah, yaitu: D1, D2, D3,.....D9. Contoh kita kali ini diberikan Desil ke-8 atau
D8.
Menentukan “ D8 “ (Desil ke- 8)?

in 8 x 100
letak D8 : = = 8 x 10 = 80 atau Desil ke- 8 akan terletak pada
10 10
interval kelas: 75 - 80 (karena angka 80 berada pada frekuensi kumulatif = 97).
Hal ini nampak pada tabel berikut ini.

45 - 50 4 4
51 - 56 4 8
57 - 62 8 16
63 - 68 30 46
69 - 74 31 77
75 - 80 20 97
81 - 86 2 99
87 - 92 1 100
Jumlah 100 -
Sehingga:
 (80 - 77) 
D 8 = 74,5 + 6  
 20 
 3 
D 8 = 74,5 + 6  
 20 
D8 = 74,5 + 0,9 = 75,4
Silahkan mencoba: D1, D2, D3, D4, D5, D6, D7, dan D9.
f. Persentil
Dengan menggunakan analisis yang sama pada penentuan letak Desil dan nilai
Desil pada data tabel 13 di atas, maka penentuan letak Persentil dan nilai
Persentil dilakukan sebagai berikut.
in
Letak Quartil ditentukan dengan rumus: , dimana i adalah Persentil
100
ke-i dengan (i = 1, 2, 3,............99) dan n banyaknya data.
Persentil Pi (i = 1, 2, 3, ............99) dihitung dengan rumus:
 in 
 - F
Pi = b + p  100 
 f 
 
 
dimana:
Pi = persentil ke-i
b = batas bawah kelas Pi, ialah kelas interval dimana Pi akan terletak,
p = panjang kelas
F = jumlah frekuensi sebelum kelas persentil ke-i
f = frekuensi kelas persentil ke-i
Menentukan “ P75 “ (Persentil ke- 75)?

in 75 x 100
letak P75 : = = 75 atau Persentil ke- 75 akan terletak pada
100 100
interval kelas: 69 - 74 (karena angka 75 berada pada frekuensi kumulatif = 77).
Hal ini nampak pada tabel berikut ini.
45 - 50 4 4
51 - 56 4 8
57 - 62 8 16
63 - 68 30 46
69 - 74 31 77
75 - 80 20 97
81 - 86 2 99
87 - 92 1 100
Jumlah 100 -
Sehingga:
 (75 - 46) 
P75 = 68,5 + 6  
 31 
 29 
P75 = 68,5 + 6   = 62,5 + 5,6129 = 74,11
 31 
Dengan cara yang sama diperoleh P10 = 58 dan P90 = 76,45. Silahkan mencoba nilai-
nilai untuk Persentil: P25, P50, P65, P78, P90 dan P95.
B. UKURAN PENYEBARAN (VARIABILITAS)
Ukuran penyebaran atau dispersi digunakan untuk menggambarkan

bagaimana menyebarnya atau berpencarnya data kuantitatif. Beberapa ukuran
penyebaran yang dikenal yaitu: rentang, rentang antar Quartil, simpangan Quartil,
rata-rata simpangan, simpangan baku, koefisien variansi, koefisien kemiringan dan
koefisien kurtosis.
1. Data Tunggal
Untuk memahami ukuran penyebaran, berikut diberikan data hasil ujian
statistika mahasiswa (skala 0 -10): 9, 7, 6, 5, 5, 6, 4, 7, 8, 8, 7. Selanjutnya
dari data ini akan ditentukan ukuran dispersi dan variabilitasnya.
a. Rentang (R)
Rentang adalah data terbesar (DB) dikurangi data terkecil (DK), atau R = DB –
DK. Untuk data hasil ujian di atas, maka: Rentang = 9 – 4 = 5.
b. Rentang Antar Quartil (RAQ)

Rentang antar Quartil adalah Quartil ke-3 dikurangi Quartil ke-1 atau RAQ = Q3
- Q1 . Untuk data di atas:
4, 5, 5, 6, 6, 7, 7, 7, 8, 8, 9
Q1 Q2 Q3
Sehinggan rentang antar Quartil (RAK) = 8 - 5 = 3
c. Simpangan Quartil (SQ)

Simpangan Quartil atau rentang semi antar Quartil adalah setengah dari
rentang antar Quartil, atau SQ = ½ (Q3 - Q1) = ½ RAQ. Untuk data di atas,
maka SQ = ½ ( 8 - 5) = ½ x 3 = 1,5.
d. Rerata Simpangan (RS)

Rata-rata simpangan adalah jumlah harga mutlak dari jarak setiap data terhadap
rata-rata dibagi banyaknya data atau dirumuskan dengan: RS =

X i -X
,
N
4 556677788 9 72
dimana X    6,55
11 11
Sehinggan rata-rata Simpangan (RS) =
4 - 6,55  2. 5 - 6,55  2. 6 - 6,55  3. 7 - 6,55  2. 8 - 6,55  9 - 6,55
= 1,41
11
e. Simpangan Baku atau Standar Deviasi (SD)

Standar deviasi untuk sampel diberi simbol: s dan standar deviasi untuk
populasi diberi simbol . Pangkat dua dari standar deviasi disebut varians.
Sehingga varians sampel adalah s2 dan untuk populasi adalah 2. Dengan
demikian s dan s2 merupakan statistik sedangkan  dan 2 merupakan
parameter. Statistik standar deviasi untuk sampel s dalam bentuk distribusi
frekuensi dirumuskan sebagai berikut:
 fx - ( fx i ) 2 /n  fx - (  fx i ) 2 /n
2 2
i i
s  , dan yang populasi  
n -1 n
Standar deviasi untuk data 9, 7, 6, 5, 5, 6, 4, 7, 8, 8, 7 dapat dihitung
dengan menggunakan tabel sebagai berikut.
Tabel 15. Perhitungan Varians dan Standar Deviasi

Xi fi Xi2 fi Xi fi Xi2
4 1 16 4 16
5 2 25 10 50
6 2 36 12 72
7 3 49 21 147
8 2 64 16 128
9 1 81 9 81
Jumlah 11 - 72 494
Sehingga simpangan standar deviasi sampel:
494 - (72) 2 /11
s   2,2727  1,508
11 - 1
Sedangkan varians sampel: s2 = 2,273. Silahkan mencoba untuk standar deviasi

dan varians untuk populasi.
e. Koefisien Varians (KV)

Koefisien varians biasa digunakan untuk membandingkan dua data yang
sumbernya berbeda, misalnya membandingkan data hasil ujian statistika dan
hasil ujian akuntasi. Koefisien Varians dinyatakan dalam persen dan dinyatakan
dengan rumus:
Standar Deviasi
KV  x 100% . Sehingga koefisien varians untuk data di atas
Rata - rata
1,508
adalah (KV) = x 100% = 23,02%. Artinya jarak atau kedekatan variasi data
6,55
ke rata-rata adalah 23,02%.
f. Koefisien Kemiringan (3)

Distribusi yang tidak simetris disebut miring (skewness). Distribusi miring ada dua
yaitu miring positif dan miring negatif. Distribusi miring positif atau landai kanan
bila ekor kanan lebih panjang dari ekor kiri. Sedangkan Distribusi miring negatif
atau landai kiri bila ekor kiri lebih panjang dari ekor kanan.
Mo me   me mo
(i) miring positif (ii) miring negatif
Koefisien kemiringan Pearson dihitung dengan rumus:

3 ( x  me) ( x  mo)
α3  atau α 3  , untuk data:
s s
4, 5, 5, 6, 6, 7, 7, 7, 8, 8, 9
Diperoleh x = 6,55, mo = 7, sehingga kalau kita menggunakan rumus

( x  mo) (6,55  7,00)
α3  , maka koefisien kemiringan α 3   - 2,98 .
s 1,508
Karena berharga negatif, maka distribusi data miring negatif atau landai kiri.
Dengan kata lain kecenderungan data mengumpul di atas rata-rata.
g. Koefisien Kurtosis (4)

Koefisien kurtosis adalah ukuran keruncingan dari distribusi data. Makin runcing
suatu kurva maka makin kecil simpangan baku sehingga data makin
mengelompok. Ukuran keruncingan suatu distribusi dinyatakan dengan koefisien
Kurtosis, dengan rumus sebagai berikut.
1
(Q 3 - Q 1 )
4  2 dengan,
P90  P10
Q1 = Quartil pertama
Q3 = Quartil ketiga
P90 = Persentil ke 90
P10 = Persentil ke 10
Kriteria untuk koefisien  4 sebagai berikut:
(1) Jika  4  0,263 maka model kurva runcing (leptokurtis)
(2) Jika  4 = 0,263 maka model kurva normal (mesokurtis)
(3) Jika  4  0,263 maka model kurva datar (platikurtis)
(1) leptokurtis (2) mesokurtis (3) platikuris
Untuk data di atas dengan K1 = 5, K3 = 8, P10 = 4,2, P90 = 8,8 diperoleh:
1 1
(Q 3 - Q 1 ) (8 - 5)
2 2 1,5
4  =   0,326 .
P90  P10 8,8  4,2 4,6
Karena 0,326  0,263, maka model kurva adalah runcing (leptokurtis).
h. Skor Baku (Z)

Setiap data mentah dapat ditransformasi ke skor baku. Skor baku atau nilai baku
Xi  X
data ditentukan dengan rumus: z i  , Dari hasil perhitungan diperoleh
s
X  6,55; s  1,508 maka nilai baku untuk (Xi) = 7, adalah
7  6,55
zi   0,298 . Skor baku terlihat pada tabel berikut:
1,508
Tabel 16. Perhitungan Skor Baku
Xi fi Mean Standar Zi
deviasi
4 1 -1,691
5 2 -1,028
6 2 X  6,55 s = 1,508 -0,365
7 3 0,298
8 2 0,962
9 1 1,625
Jumlah 11 -
2. Data Kelompok
Penentuan ukuran penyebaran data berkelompok, berdasarkan data
kompetensi mengajar guru yang diuraikan dibagian depan. Adapun hasil-hasil
perhitungan yang telah diperoleh disarikan pada tabel berikut.
Tabel 17. Statistika Kompetensi Mengajar Guru
Statistik Frekuensi (f)
n 100
Min 45
Maks 90
Mean ( x ) 68,68
Median (Me) 69,27
Modus (Mo) 69
Quartil-1 (Q1) 64,3
Quartil-3 (Q3) 74,11
Persentil-10 (P10)
58
Persentil-90 (P90)
76,45
a. Rentang
Sebagaimana telah diuraikan di depan bahwa rentang adalah data terbesar
dikurangi data terkecil, atau Rentang = DB – DK. Untuk data kompetensi
mengajar guru yang diuraikan di depan diperoleh, maka rentangnya: adalah
90 – 45 = 45.
b. Rentang antar Quartil (RAQ)
Dari hasil perhitungan diperoleh Q3 = 7,11 dan Q1 = 64,3, sehingga rentang antar
Quartil (RAQ) = Q3 - Q1 = 74,11 - 64,3 = 9,81.
c. Simpangan Quartil (SQ)
Simpangan Quartil atau rentang semi antar Quartil adalah setengah dari
rentang antar Quartil, atau SQ = ½ (Q3 - Q1) = ½ ( 74,11 - 64,3) = ½ x 9,81
= 4,905
d. Rata-rata Simpangan (RS)

Rata-rata simpangan adalah jumlah harga mutlak jarak setiap data terhadap rata-
rata kumpulan data dibagi banyaknya data atau dirumuskan:
RS =
f X i -X
N
Langkah selanjutnya adalah membuat tabel sesuai kebutuhan yang pada rumus
di atas sebagai berikut.
Tabel 18. Perhitungan Rata-rata Simpangan
(xi) f X Xi - X  Xi - X  f. Xi - X 
47,5 4 -21,18 21,18 84,72
53,5 4 -15,18 15,18 60,72
59,5 8 68,68 -9,18 9,18 73,44
65,5 30 -3,18 3,18 95,40
71,5 31 2,82 2,82 87,42
77,5 20 8,82 8,82 176,40
83,5 2 14,82 14,82 29,64
89,5 1 20,82 20,82 20,82
Jumlah 100 - 628,56
Sehingga rata-rata Simpangan (RS) = 628,56/ 100 = 6,286
e. Standar Deviasi dan Varians

Statistik standar deviasi atau simpangan baku sampel s dalam bentuk distribusi
 fx - ( fx i ) 2 /n
2
i
frekuensi dirumuskan sebagai: s 
n -1
Untuk perhitungan simpangan baku ini dibuat tabel sebagai berikut:
Tabel 19. Perhitungan Standar Deviasi dan Varians
Xi fi Xi2 fi Xi fi Xi2
47,5 4 2256,25 190,00 9025,00
53,5 4 2862,25 214,00 11449,00
59,5 8 3540,25 476,00 28322,00
65,5 30 4290,25 1965,00 128707,50
71,5 31 5112,25 2216,50 158479,75
77,5 20 6006,25 1550,00 120125,00
83,5 2 6972,25 167,00 13944,50
89,5 1 8010,25 89,50 8010,25
- 100 - 6868 478063
478063- (6868)2 /100

Sehingga standar deviasi: s   64,33091  8,021
100 - 1
Sedangkan varians adalah s2 = 64,331
.
f. Koefisien Varian (KV)
Koefisien Varians digunakan untuk membandingkan variasi antara nilai-nilai kecil
dan besar. Misalnya variasi 8 cm untuk ukuran jarak 100 m dan variasi 8 untuk
ukuran 20m jelas mempunyai pengaruh yang berbeda.
Koefisien Varians dinyatakan dalam persen dengan rumus:
Standar Deviasi
KV  x 100% .
Rerata
Sehingga untuk data pada tabel di atas adalah:
8,021
KV  x 100%  11,68%
68,68
g. Koefisien Kemiringan
( x  mo)
Untuk data pada tabel 17, diperoleh α 3 
s
(68,68  69)
α3   - 0,040 .
8,021
Jadi distribusi data miring negatif atau landai di sebelah kiri.
h. Koefisien Kurtosis
Untuk data pada tabel 1 dengan K1 = 64,3, K3 = 74,11, P10 = 58, P90 = 76,45
1 1
(Q 3 - Q 1 ) (74,11 - 64,30)
2 2 4,905
diperoleh:  4  =   0,266 .
P90  P10 76,45 58 18,45
Karena 0,266  0,263, maka model kurva adalah runcing (leptokurtis).
i. Skor Baku (Z)

Skor baku atau nilai baku suatu data ditentukan dengan rumus:
Xi  X
zi  ,
s
Dari data pada tabel 17 diperoleh X  68,68; s  8,021 maka dapat dicari nilai
47,5 - 68,68
baku misalnya untuk data X = 47,5 maka zi    2,641.
8,021
Perhitungan nilai atau skor baku diperlihatkan melalui tabel berikut.
Tabel 20. Daftar Distribusi Frekuensi Kompetensi Mengajar Guru

Nilai (f) Nilai Mean Standar Zi
tengah(x) deviasi
46 - 50 4 47,5 -2,641
51 - 56 4 53,5 -1,893
57 - 62 8 59,5 -1,169
63 - 68 30 65,5 X  68,68 s = 8,021 -0,390
69 - 74 31 71,5 0,352
75 - 80 20 77,5 1,100
81 - 86 2 83,5 1,848
87 - 92 1 89,5 2,596
Jumlah 100 -
C. Latihan
1. Misalkan Xi adalah banyaknya penjualan beras (ton/bulan) dari dua pedagang
beras (X1 dan X2), disajikan pada tabel berikut:
Mei
Oktober
Maret
April
Juni
Januari
Juli
Februari
Agustua
November
Desember
September
Bulan
Pedagang
10 8 6 3 6 5 6 12 4 20 2 15
(X1)
Pedagang
8 6 9 10 12 12 13 9 7 5 14 4
(X2)
Pertanyaan:
a. Hitung mean banyaknya penjualan masing-masing pedagang.

b. Hitung median banyaknya penjualan masing-masing pedagang
c. Hitung modus banyaknya penjualan masing-masing pedagang.
d. Hitung Quartil (Q1 dan Q2) pembunuhan di masing-masing kota.
e. Hitung Standard Deviasi (SD) dan Varians (V).
f. Hitung Koefisien Varians (KV).
g. Tafsirkan semua hasil yang telah anda peroleh dan berikan kesimpulan
tentang pedangang mana yang memperoleh penghasilan lebih baik.
2. Data sikap terhadap korupsi dari 20 sampel acak disajikan sebagai berikut:
55, 54, 64, 68, 59, 75, 66, 88, 80, 53, 54, 98, 77, 80, 62, 79, 75, 68, 62, 84.
Pertanyaan:
a. Mean
b. Median
c. Modus
d. Quartil (Q1, Q2, dan Q3)
e. Desil (D4, D5, dan D8)
f. Persentil (P25, P60, P78, dan P80)
g. Rentang
h. Rentang antar quartil
i. Deviasi (simpangan) quartil
j. Mean Deviasi (MD)
k. Standard Deviasi (SD) dan Varians (V)
l. Koefisien Varians (KV)
m. Koefisien Kemiringan (  3 )
n. Koefisien Kurtosis (  4 )
3. Untuk mengetahui kompetensi hukum pengacara diambil sampel secara acak
sebanyak 80 orang untuk diberi tes kompetensi. Skor kompetensi hukum
disajikan pada tabel berikut.
Tabel 21. Kompetensi Hukum
80 Orang Pengacara
Skor f
65 - 69 5
70 - 74 6
75 - 79 12
80 - 84 20
85 - 89 15
90 - 94 12
95 - 99 10
Jumlah 80
Tentukan:
a. Mean (rata-rata)
b. Median
c. Modus
d. Quartil (Q1, Q2, dan Q3)
e. Desil (D6, D7, dan D9)
f. Persentil (P25, P70, dan P90)
g. Rentang
h. Rentang antar Quartil
i. Deviasi (simpangan) Quartil
j. Mean Deviasi (MD)
k. Standard Deviasi (SD)
l. Varians
m. Koefisien Varians (KV)
n. Koefisien Kemiringan (  3 )
o. Koefisien Kurtosis (  4 )
p. Jika diputuskan bahwa pengacara yang handal skor kompetensi
hukum-nya minimal 85, berapa persen pengacara yang termasuk
dalam ketegori handal.
Koef
4. Print out SPSS berikut ini berisi statistik kompetensi hukum 50 pengacara dari
LBH A dan LBH B.
Statistics
LBH "A" LBH "B"

N Valid 50 50
Missing 0 0
Mean 77.90 63.04
Std. Error of Mean 1.833 2.153
Median 83.00 60.00
Mode 85 68
Std. Deviation 12.959 15.226
Variance 167.929 231.835
Skewness -1.036 -.030
Std. Error of Skewness .337 .337
Kurtosis .049 -.760
Std. Error of Kurtosis .662 .662
Range 47 60
Minimum 48 30
Maximum 95 90
Sum 3895 3152
Percentiles 25 69.75 54.00
50 83.00 60.00
75 86.25 76.00
Pertanyaan:
Analisis data pada tabel di atas, kemudian jawablah pertanyaan berikut:
(a) Tuliskan nilai data terkecil, terbesar, rata-rata, median, modus, standar deviasi
dari masing-masing LBH tersebut. Tafsirkan!
(b) Tuliskan kemiringan distribusi data (skewness) masing-masing LBH. Tafsirkan!
(c) Tentukan Quartil (Q1, Q2, dan Q3) dan buat kategori subyektif terhadap
kompetensi berdasarkan data Quartil.
(d) Berdasarkan (a) dan (b), berikan kesimpulan LBH mana yang mempunyai
pengacara dengan kompetensi hukum yang lebih baik.
Selamat berlatih, semoga sukses!
BAB IV
TEORI PELUANG (PROBABILITY)
Bab ini memperkenalkan beberapa konsep (teori) peluang dan cara

menentukan peluang. Uraian mengenai teori peluang diawali dengan diskusi tentang
metode menghitung dalam kaidah pencacahan, permutasi, dan kombinasi.
A. Aturan Perkalian, Permutasi, dan Kombinasi
1. Aturan Perkalian
Aturan perkalian biasa digunakan untuk menentukan banyaknya pasangan,
perpaduan, rute atau jalur lintasan dan sejenisnya. Ilustrasi mengenai aturan
perkalian (prinsip dasar) diperlihatkan dalam tiga cara, yaitu dengan diagram pohon,
tabel silang, dan pasangan terurut.
a. Diagram Pohon
Diagram pohon pada dasarnya penggambaran pasangan dengan meniru
keadaan suatu pohon, yaitu batang, dahan, dan daun. Perhatikan contoh berikut.
”Misalkan kita mempunyai dua buah celana masing-masing berwarna biru dan
coklat, serta tiga buah baju masing-masing berwarna merah, kuning, dan putih.
Berapa banyak pasangan warna celana dan baju yang dapat dikombinasikan?”
Warna Celana Warna Baju Pasangan Warna
 m (merah) (biru, merah)

 b (biru)  c (kuning) (biru, kuning)
 p (putih) (biru, putih)
 m (merah) (coklat, merah)

 c (coklat)  k (kuning) (coklat, kuning)
 p (putih) (coklat, putih)
Dari ilustrasi di atas memperlihatkan bahwa terdapat 6 pasangan yang dapat
dibentuk dari 2 buah celana dan 3 buah baju (2x3 = 6 pasangan).
.
b. Dengan tabel silang
Aturan perkalian yang dibangun dalam tabel silang memasangkan obyek pada
baris dan kolom, banyaknya pasangan obyek baris dan kolom menunjukkan
banyaknya pasangan yang dapat dibentuk.
Warna baju
m (merah) k (kuning) p (putih)
Warna Celana
b (biru) (b, m) (b, k) (b, p)
c (coklat) (c, m) (c, k) (c, p)
Dari tabel terlihat banyaknya pasangan ada 6 buah.

c. Dengan pasangan terurut
Misalkan himpunan celana dinyatakan dengan A = (biru, coklat) dan himpunan
warna baju dinyatakan dengan B = (merah, kuning, putih). Himpunan pasangan
terurut dari himpunan A dan himpunan B ditulis sebagai;
A x B = {(b, m), (b, k), (b, p), (c, m), (c, k), (c, p)}.
Jadi, seluruhnya ada 2 x 3 = 6 cara untuk memilih pasangan warna celana dan
baju.
Ilustrasi lain dari aturan perkalian dapat dilakukan dengan menggunakan rute
lintasan. Perhatikan contoh berikut.
“Seseorang hendak bepergian dari kota A menuju kota C melalui kota P atau Q.
Dari kota A ke kota P ada 3 jalan dan dari kota P ke kota C ada 4 jalan. Dari kota
A ke kota Q ada 2 jalan dan dari kota Q ke kota C ada 5 jalan. Dari kota P ke kota
Q atau sebaliknya tidak ada jalan.Berapa banyak cara yang dapat ditempuh
untuk bepergian dari kota A ke kota C?
Perhatikan rute perjalanan pada gambar di bawah ini.
1
2
1 P
3
2 4
3 C
A 1
2
1
3
Q 4
2 5
 Banyak cara bepergian dari kota A ke kota C melalui kota P
Dari kota A ke kota P dapat dipilih dengan 3 cara
Dari kota P ke kota C dapat dipilih dengan 4 cara
Sehinggan dari kota A ke kota C (melalui kota P) ada 3 x 4 = 12 cara
 Banyak cara bepergian dari kota A ke kota C melalui kota Q
Dari kota A ke kota Q dapat dipilih dengan 2 cara
Dari kota Q ke kota C dapat dipilih dengan 5 cara
Sehingga dari kota A ke kota C (melalui kota Q) ada 2 x 5 = 10 cara. Jadi,
banyak cara yang ditempuh untuk bepergian dari kota A menuju kota C
(melalui kota P atau Q) seluruhnya ada 12 + 10 = 22 cara.
Dari kedua contoh di atas menghasilkan dalil sebagai berikut.

Dalil : Jika kejadian pertama dapat terjadi dalam n1 cara berlainan, diikuti
kejadian kedua yang dapat terjadi dalam n2 cara berlainan, kemudian diikuti
kejadian ketiga dapat terjadi dalam n3 cara berlainan, dan seterusnya, maka
kejadian-kejadian ini dalam urutan demikian dapat terjadi dalam n1 . n2 . n3 ….
cara.
2. Permutasi
a. Faktorial
Untuk setiap bilangan asli n, didefinisikan;
n! = 1 x 2 x 3 x … x (n - 2) (n – 1) x n.
3! = 1 x 2 x 3 = 6
5! = 1 x 2 x 3 x 4 x 5 = 120engan ketentuan 1! = 1 dan 0! =1
b. Definisi Permutasi
Permutasi k unsur yang diambil dari n unsur yang tersedia (tiap unsur itu
berbeda) adalah susunan dari unsur itu dalam suatu urutan (r < n).
Banyak permutasi k unsur yang diambil dari n unsur yang tersedia

n!
dilambangkan dengan notasi : Pkn  .Jika k = n, maka : Pnn  n!
n  k !
Perhatikan contoh berikut:

Berapakah banyak permutasi 2 huruf yang diambil dari huruf-huruf A, B, C, D,
dan E? Dengan menggunakan aturan perkalian, banyak susunan yang
mungkin itu seluruhnya adalah:
5! 5! 1x2 x3x4 x5
   4 x5  20 = 20 buah.
(5  2)! 3! 1x2 x3
Diagram pohonnya:
huruf pertama huruf kedua susunan 2 huruf
B AB
C AC
A
D AD
E AE
A BA
C BC
B D BD
E BE
A CA
B CB
C D CD
E CE
A DA
B DB
D C DC
E DE
A EA
E B EB
C EC
D ED
3. Kombinasi
Kombinasi n unsur yang berlainan diambil k unsur adalah penyusunan k unsur di
antara n unsur dengan tidak memperhatikan urutannya. Kombinasi k unsur dari n
n!
unsur ditulis dengan C kn  .
k!n  k !
Misalkan ada 4 unsur A, B, C, D. Ada 6 kombinasi 2 unsur dari 4 unsur, yaitu AB
AC AD BC BD CD (misal AB dan BA dianggap sama).

Suatu lembaga dengan personil sebanyak 12 orang yang terdiri dari 7 orang
wanita dan 5 orang pria, akan dibentuk sebuah delegasi yang beranggota 4
orang. Berapa banyak delegasi yang dapat dibentuk, jika disyaratkan:
a. setiap orang (dari 12 orang) mempunyai hak yang sama untuk dipilih sebagi
anggota delegasi?
b. Anggota delegasi terdiri atas 2 orang pria dan 2 orang wanita?
Penyelesaian:
a. Memilih 4 orang dari 12 orang yang tersedia merupakan kombinasi 4 unsur
yang diambil dari 12 unsur yang tersedia.
12! 12!
C 412    9  5  11  495
4!(12  4)! 4!8!
b. Memilih 2 orang pria dari 5 orang pria yang tersedia merupakan kombinasi
dua unsur yang diambil dari 5 unsur.
5! 5! 1 2  3  4  5
C 25     2  5  10
2!(5  2)! 2!3! (1  2)(1  2  3)
Memilih 2 orang wanita dipilih dari 7 orang wanita yang tersedia merupakan
kombinasi 2 unsur yang diambil dari 7 unsur.
7! 7! 1 2  3  4  5  6  7
C 27     3  7  21
2!(7  2)! 2!5! (1  2)(1  2  3  4  5)
Dengan menggunakan aturan perkalian, banyak delegasi yang terdiri dari 2
orang pria dan 2 orang wanita adalah:
C 25  C 27  10  21  210
Jadi, banyaknya delegasi yang dapat dibentuk yang terdiri dari 2 orang pria
dan 2 orang wanita seluruhnya ada 210 cara.
B. Konsep Dasar Peluang

Untuk memahami makna peluang berikut ini akan diuraikan tentang
pengertian, ruang sampel, istilah-istilah dalam peluang, definsi peluang, dan peluang
suatu kejadian
1. Pengertian Peluang
Dalam kehidupan sehari-harii istilah Peluang identik dengan kata “Mungkin”.
Misalnya: mungkin besok hujan lebat, mungkin bulan depan terjadi bencana alam
tsunami, mungkin terjadi malpraktek, mungkin salah mengetik huruf, mungkin
kecelakaan terjadi setiap hari. Pemberian nilai numerik pada sesuatu yang
bersifat mungkin disebut peluang. Sebagai contoh:
- Peluang besok hujan adalah 75%,
- Peluang malpraktek sebesar 0,08.
- Peluang salah ketik huruf sebesar 0,05.
- Peluang kejadian tsunami sebesar 0,008.
Pada umumnya peluang berada pada semua peristiwa yang belum terjadi.
Peristiwa yang sudah terjadi bukan lagi disebut sebagai peluang. Selama ada
peluang maka selama itu pula sesuatu dapat terjadi. Meskipun ada kemungkinan
sesuatu terjadi, namun di dalam peluang kita tidak dapat memastikan kapan
sesuatu peristiwa itu terjadi. Beberapa contoh lain dari peluang adalah sebagai
berikut:
• Pada lemparan koin yang memiliki sisi angka dan gambar, ada peluang untuk
muncul angka.
• Pada lemparan dadu yang memiliki mata 1 sampai 6, ada peluang untuk
muncul mata dadu 3.
• Pada pengumuman di Bursa Effect ada peluang bahwa nilai 1 $ = Rp. 9999,-
• Pada suatu hari di tempat kerja, ada peluang terdapat 8 orang membolos.
• Pada tugas mengarang siswa, ada peluang terdapat 25 kata yang salah eja.
• Pada satu halaman suatu buku, ada peluang terdapat 10 kata berawalan pe-
2. Istilah-Istilah dalam Peluang

a. Himpunan semua kemungkinan peristiwa disebut ruang sampel (sample space),
b. Anggota yang ada dalam ruang sampel disebut titik sampel (sample point).
Anggota atau elemen adalah obyek yang menjadi fokus perhatian. Dalam bidang
pendidikan obyek dapat berupa orang (siswa, guru, staff, pustakawan), benda
(buku, peralatan lab, gedung, dll. ), unit organisasi (sekolah, Dinas pendidikan,
MGMP, LPMP, Lembaga Kursus, PGRI). Dalam bidang hukum obyek dapat
berupa orang (tersangka, terdakwa, saksi), benda (barang bukti), unit organisasi
(lembaga pemasyarakatan, departemen kehakiman, LBH).
c. Kejadian atau peristiwa adalah proses terjadinya sesuatu, baik disengaja
(eksperimentasi) atau tidak. Peristiwa yang mempunyai kesempatan sama
disebut equally likely.
d. Kejadian yang saling menghilangkan disebut mutually exclusive. Misalnya
seorang menjadi tersangka melakukan pencurian uang. Kemungkinannya adalah
(terbukti atau tidak terbukti). Jadi ruang sampelnya ditulis (S) =  terbukti , tdk
terbukti . Seandainya peristiwa terbukti adalah benar maka peristiwa tidak
terbukti adalah tidak benar dan sebaliknya, sehingga kejadiannya saling
meniadakan atau mutually exclusive. Peristiwa terbukti atau tidak terbukti
peluangnya sama atau equally likely. Selanjutnya Terbukti dan tidak terbukti
masing-masing disebut titik sampel atau sample point.
e. Percobaan adalah proses yang dilakukan untuk menemukan nilai suatu peluang.
Misalnya menarik undian untuk menemukan nilai peluang bagi keluarnya hadiah
pertama.
3. Ruang Sampel
Di atas telah disinggung mengenai ruang sampel, pada bagian ini akan dibahas
konsep ruang sampel. Ruang Sampel (S) adalah himpunan semua peristiwa yang
mungkin terjadi dalam suatu percobaan. Misalnya pada pelemparan dua mata
uang dengan permukaan angka = A dan gambar = G, maka ruang sampelnya: S
= (AA, AG, GA, GG). Begitupula pada pelembaran mata dadu, maka ruang
sampelnya: S = (1, 2, 3, 4, 5, 6). Ruang sampel dapat juga diartikan sebagai
himpunan semua sampel berukuran tertentu (k) yang mungkin diambil atau dipilih
dari suatu populas berukuran (n). Berkaitan dengan teori himpunan, ruang
sampel dapat dinyatakan sebagai himpunan bagian dengan jumlah elemen,
misanya k dari n elemen, dengan n > k. Sehingga jumlah yang mungkin dapat
n!
dibentuk dengan rumus kombinasi: C kn  . Hubungan antara ruang
k!n  k !
sampel berukuran-k dari populasi-n ditunjukkan sebagai berikut.
Tabel 21. Hubungan ruang sampel ukuran-k dan populasi-n

n
k
5 10 20 50 100
2 10 45 190 1250 4950
3 10 120 1140 19600 161700
4 5 210 4845 230300 3921225
5 1 252 15504 2118760 75287520
Dari tabel terlihat bahwa ruang sampel berukuran k = 5 dari populasi- n = 100 adalah
75287520. Suatu jumlah yang cukup besar.
4. Definisi Peluang
Definisi peluang dapat diberikan dalam bentuk, definisi klasik atau definisi
empiriks atau statistik berdasarkan pengalaman yang telah lalu atau pendapat para
ahli.
a. Definisi klasik peluang
“Apabila suatu ruang sampel berisi N buah titik sampel yang equally likely dan
mutually exclusive terdapat a buah titik sampel yang mendukung terjadinya
a
peristiwa A, maka peluang terjadinya peristiwa Adidefinisikan sebagai: p(A) =
N
“
Perhatikan contoh berikut. misalkan diketahui ada 25 orang tersangka pembobol
Bank X. Jika pak Direktur, Manajer, Komisaris Bank X juga termasuk tersangka.
Berapa peluang ke- 3 orang tersebut adalah pembobol Bank X.
Penyelesaian:
3
p (Direktur & Manajer) = = 0,12 atau 12%
25
Contoh lain, misalkan berdasarkan saksi pada olah TKP, diketahui bahwa 2
orang perampok suatu toko emas ternyata adalah penjahat bertopeng.
(i) Tentukan ruang sampelnya jenis kelamin kedua perampok tersebut.
(ii) Hitung peluang bahwa perampok tersebut keduanya laki-laki.
(iii) Hitung peluang bahwa perampok tersebut adalah laki-laki dan wanita.
(iv) Hitung peluang bahwa perampok tersebut keduanya wanita.
Penyelesaian:
(i) Ruang sampel ditentukan dengan menggunakan diagram pohon sebagai
berikut:
W (W, W)
W
L (W, L)
W (L, W)
L
L (L, L)
Misalkan W = Wanita, dan L = Laki-laki

Sehingga ruang sampel: S =  WW, WL, LW, LL , dan n (S) = 4
(ii) Peluang perampok keduanya laki-laki adalah (L , L):

n (L) 1
p (LL) =  = 0,25
n (S) 4
(iii) Peluang perampok laki-laki dan perempuan adalah (W,L); (L,W):
n (L & W) 2
p (L& W) =  = 0,50
n (S) 4
(iv) Peluang perampok keduanya wanita adalah (W, W):
n (W) 1
p (WW) =  = 0,25
n (S) 4
b. Definisi empirik/statistik
Definisi ini dipakai untuk menentukan besarnya peluang untuk terjadinya
peristiwa tertentu, berdasarkan pengalaman yang telah lalu atau pendapat para
ahli.
Definisi: Apabila dari N buah rentetan peristiwa terdapat t buah peristiwa A, maka
t
peluang terjadinya peristiwa A didefinisikan sebagai: p(A) = lim .
N
Sebagai contoh, Misalkan berdasarkan temuan penelitian di bidang krimininal
bahwa di dalam 100 orang yang antrian membeli tiket di suatu stasiun kereta,
terdapat 4 orang diantaranya adalah pencopet. Pada suatu hari Tuan Vijai antri
membeli tiket di stasiun itu.
Berapa peluangnya bahwa tuan Vijai adalah pencopet?
Mengacu pada definisi maka peluang tuan Vijai sebagai pencopet adalah
4
p(Vijai) =  0,04 atau 4%.
100
Contoh lain, misalkan ada temuan penelitian di bidang lalulintas melaporkan
bahwa diantara 8.000 pengendara di jalan tol terdapat 25 diantaranya lupa
membawa SIM. Suatu hari Tuan Taqur berkendara di jalan tol itu.
30
Berapa peluang tuan Taqur membawa SIM? p(Taqur) = = 0,00375).
8000
5. Dalil-Dalil Peluang
a. Sebuah kejadian atau peristiwa A:
(i) Pasti terjadi, disebut kepastian akan memenuhi P(A) = 1, sebagai contoh
setiap mahluk yang bernyawa pasti akan mati.
(ii) Mustahil terjadi akan memenuhi P (A) = 0, sebagai contoh setiap laki-laki
dapat melahirkan.
(iii) Mungkin terjadi, akan memenuhi 0 < p < 1
b. Apabila A adalah bukan peristiwa A maka berlaku:
P( A ) = 1 - P(A) atau P( A ) + P(A) = 1.
Misalkan P(mata dadu ganjil) = 3/6, maka P(mata dadu genap) = 1– 3/6 = 3/6.
c. Apabila A dan B merupakan dua buah peristiwa maka berlaku:
(i) P(A  B)=P(A) + P(B) (mutually exclusive) atau saling asing, ekslusif,
komplementer, kejadian (A) meniadakan kejadian yang lain (B) dan
sebaliknya. Contoh: kejadian menculnya gambar pada mata uang pertama
dan B kejadian munculnya angka pada mata uang kedua melalui pelemparan
atau pengetosan.
(ii) P(A  B)=P(A) + P(B) - P(A  B) (addition law of probability).atau kejadian
inklusif. Misalnya Kejadian pengambilan kartu as atau skop dari satu set kartu
bridge, ternyata kartu As dan atau skop.
(iii) P(A  B) = P(A).P(B) (independent) atau kejadian saling bebas. Misalnya
kejadian munculnya mata dadu pertama 2 dan mata dadu kedua adalah 5.
(iv) P(A  B)=P(A) x P(B/A) (multiplication law of probability), atau kejadian
bersyarat dimana P(B/A) biasa disebut condition law of probability.
C. Peluang Suatu Kejadian

Pembahasan peluang suatu kejadian bermaksud memberi pemahaman
konsep dasar peluang melalui contoh-contoh penerapan.
1. Peluang Gabungan (inklusif)

Misalkan hasil suatu survai pada kantor Pengadilan, melaporkan bahwa Terdapat
200 orang dengan kasus pelanggaran hukum. 110 kasus Narkoba, 100 kasus
Curanmor. 40 di antaranya terjerat hukum karena kasus Narkoba dan Curanmor.
a) Lukislah diagram Venn.
b) Jika kita ke kantor Pengadilan itu dan bertemu salah seorang dari 200
pelanggar hukum tersebut. Berapa peluangnya bahwa orang itu adalah
termasuk dalam kasus Narkoba atau Curanmor.
c) Jika selain kasus Narkoba dan Curanmor ada kasus Pemerkosaan. Berapa
peluang orang yang termasuk kasus pemerkosaan itu.
Penyelesaian:
a) Misalnya pelanggaran hukum Narkoba = Nr, Curanmor = C, seluruh kasus
pelanggaran = S, kasus pemerkosan = K, sehingga: n(S) = 200, n(Nr) = 110,
n(C) = 100, n (K) = 30, dan n(N  C) = 40. Maka Diagram Venn-nya
disajikan sebagai berikut.
S Nr C
70 40 60
30
a. P(Nr  C) = P(Nr) + P(C) - P(Nr  C)

110 100 40 170 85
P(Nr  C)       0,85
200 200 200 200 100
Jadi peluang kasus Narkoba atau Curanmor adalah 0,85 atau 85%
30
b. P(K)   0,15 ,atau
200
P(K) P(Nr  C)  1  P(Nr  C)  1 - 0,85 1 = 0,15.
Sehingga peluang untuk kasus pemerkosaan adalah 0,15 atau 15%.
2. Peluang Kejadian Saling Asing

Misalkan sebuah dadu bersisi enam dilempar satu kali. Berapa peluang kejadian
munculnya mata dadu angka kurang dari 3 atau mata dadu angka lebih dari atau
sama dengan 4.
Penyelesaian:
Kasus ini adalah contoh kejadian yang saling asing (eksklusif)
A = kejadian angka < 3 atau A = { 1, 2 } maka P(A) = 2/6
B = kejadian angka ≥ 4 atau B = { 4, 5, 6 } maka P(B) = 3/6
A dan B kejadian saling lepas maka:
P(A U B) = P(A) + P(B) = 2/3+ 3/6 = 5/6
3. Peluang Kejadian Saling Bebas

Misalkan pada pelemparan dadu, hasilnya muncul mata dadu genap dan muncul
mata dadu di atas 2. Berapa peluang munculnya mata genap dan mata di atas 2?
Penyelesaian:
Kasus ini adalah kejadian yang bebas tetapi tidak eksklusif.
A = angka genap atau A = { 2, 4, 6 } maka P(A) = 3/6 = 0,5
B = angka di atas 2 atau B = { 3, 4, 5, 6 } maka P(B) = 4/6 = 0,67
A dan B kejadian saling bebas maka:
P(A  B) = P(A).P(B)= 0,5x0,67 = 0,33.
Contoh lain kejadian saling bebas, misalkan ”sebuah kotak berisi 10 buah manik,
6 buah berwarna merah dan 4 buah berwarna putih. Dari kotak itu diambil 3 buah
manik secara acak. Berapa peluang, jika yang terambil itu: (i) 2 manik merah dan
1 manik putih , (ii) 1 manik merah dan 2 manik putih?
Penyelesaian:
Kasus ini juga adalah kejadian yang bebas.
Banyaknya ruang sampel: n(s) = C 310  120
6 4
A = 2 manik merah dan 1 manik putih = C 2  C 1  15  4  60  P(A) = 60/120
6 4
B = 1 manik merah dan 2 manik putih = C1  C 2  6 x 6  36  P(B) = 36/120
A dan B kejadian saling bebas maka:
P(A  B) = P(A).P(B)= (60/120)(36/120) = 0,15.
4. Peluang Kejadian Bersyarat
Kejadian bersyarat menjadi dasar penemuan dalil atau teorema Bayes. Peluang
atau Probabilitas B bersyarat A ditulis P(B|A). Dengan kata lain kita bekerja
untuk menentukan peluang B dengan syarat A.
Sebagai contoh perhatikan tabel kontigensi berikut.

Anggota DPR(D) Artis (A) Jumlah
Laki-laki (L) 400 100 500
Wanita (W) 150 250 400
Jumlah 550 350 900
Berapa peluang seorang wanita dengan syarat ia juga seorang anggota DPR)?
Untuk menjawab pertanyaan ini kita lihat ke syarat anggota DPR yaitu = 550/900
selanjutnya melihat berapa peluang wanita = 150/900. Sehingga peluangnya
150 / 900
adalah: = 0,27. Jadi peluang wanita dengan syarat ia anggota DPR
550 / 900
sebesar 0,27.
Apabila kita ingin menyelesaikan secara lebih umum dengan rumus, kita terlebih
menentukan peluang seorang wanita tetapi (dan) anggota dewan yaitu, P(W 
D) = 150/900, selanjutnya kita mencari peluang anggota DPR, yaitu P(D) =
550/990. Dengan rumus kita menuliskan:
peluang(Wanita tetapianggotaDPR )
P(W 1D) 
peluang( Anggota DPR )
P(W  D) 150 / 900
P(W 1D)   = 0,27
P ( D) 550 / 900
Kita dapat membuat analogi sebagai berikut:

P( A  B)
P( B1A)  atau P( A  B)  P( A).P( B1A)
P( A)
Untuk memahami kejadian bersyarat ini, perhatikan contoh berikut. ”Misalkan
diketahui peluang seorang calon mahasiswa wanita lulus di fakultas kedokteran
adalah 0,6, sedangkan peluang calon mahasiswa laki-laki adalah 0,3, serta
peluang calon mahasiswa wanita lulus fakultas kedokteran adalah dengan syarat
calon mahasiswa laki-laki adalah 0,7. Berapa peluang calon mahasiswa laki-laki
lulus dengan syarat calon mahasiswa juga lulus fakultas kedokteran?
Penyelesaian:
Dari data ini, jika calon mahasiswa wanita = W, dan laki-laki = L, maka
P(W) = 0,6 P(L) = 0,3 P(W|L) = 0,87
Peluang calon mahasiswa wanita dan laki-laki lulus fakultas kedokteran:
P(W ∩ L) = P(L).P(W|L) = (0,3)(0,7) = 0,21
Peluang calon mahasiswa laki-laki lulus bersyarat mahasiswa wanita lulus: lulus:
P( L  W ) 0,21
P( L1W )    0,35
P(W ) 0,6
D. Latihan
1. Sebuah mobil sedan akan diberi nomor kendaraan dengan huruf awal K. Setelah
K dilanjutkan dengan 3 angka dan diakhiri dengan dua huruf (dari A, B, G, F, K
dan 10 angka berbeda. Jika tidak boleh ada huruf dan angka yang sama,
tentukan banyaknya susunan angka nomor kendaraan tersebut.
2. Misalkan diperoleh data dari laporan harian X yang menyatakan bahwa terdapat
1000 anggota teroris (S) yang tersebar di benua Asia. Diantara para teroris itu
500 orang ahli bom bunuh diri (D), 300 orang ahli peledak gedung (G), dan 100
orang ahli bom bunuh diri gedung. Jika anda bepergian ke salah satu negara di
benua Asia.
a. Berapa peluang anda berjumpa dengan ahli peledak granat tangan saja?
b. Berapa peluang anda berjumpa dengan ahli bom bunuh diri saja?
c. Berapa peluang anda berjumpa dengan ahli bom bunuh diri sekaligus peledak
gedung?
d. Berapa peluang anda berjumpa teroris yang ahli bom bunuh syarat dia juga
ahli peledak gedung?
e. Jika menurut dugaan interpol bahwa diantara 1000 teroris tersebut masih ada
yang ahli dalam bidang perakit bom, maka berapa peluang anda berjumpa
dengan ahli perakit bom?
3. Dalam sebuah organisasi akan dipilih panitia yang terdiri dari 5 orang.
Disyaratkan dalam panitia ini sekurang-kurangnya terdiri dari 2 orang pria. Calon
panitia yang tersedia ada 6 pria dan 5 wanita. Berapa banyak panitia yang dapat
dibentuk jika:
a) 2 pria dan 3 wanita, b) 3 pria dan 2 wanita
c) 4 pria dan 1 wanita, d) 5 pria
4. Saudagar A memiliki 120 buah emas batangan yang disimpan di lemari besi, 80
buah diantaranya emas 22 karat, sisanya 23 karat. Emas tersebut bentuk,
ukuran dan warnanya sama. Suatu malam pencuri berhasil membuka lemari besi
Saudagar itu, tanpa mengetahui apa isi lemari besi sebelumnya Si pencuri
mencoba mengambil sebuah, dan ternyata emas batangan. Ia mulai bernapsu
untuk mengambil semua, karenanya pengambilan keduapun dilakukannya, tanpa
disadari ia menyenggol benda di sampingnya sehingga membuat saudagar A
terbangun, Si pencuripun melarikan diri, ia kesal karena hanya dapat mengambil
2 buah.
a. Berapa peluang bahwa pengambilan emas pertama 22 karat dan yang kedua
23 karat?
b. Berapa peluang bahwa emas yang terambil keduanya emas 22 karat?
c. Berapa peluang bahwa emas yang terambil keduanya emas 23 karat?
BAB V
DISTRIBUSI PELUANG
A. Variabel Acak (Random)

Sebelum membahas distribusi peluang terlebih dahulu diperkenalkan variabel
acak (random). Variabel random adalah variabel yang nilainya muncul melalui proses
peluang. Sedangkan variabel yang pemunculannya tidak melalui peluang disebut
variabel tidak acak (non-random). Variabel random ada dua, yaitu variabel random
diskret dan variabel random kontinu. Variabel random diskret adalah variabel yang
banyaknya nilai yang muncul dapat dihitung (terputus/pilah), sedangkan variabel
random kontinu adalah variabel yang nilainya kontinu, tersambung, dan padat.
Distribusi peluang/probabilitas diskret adalah distribusi yang variabel randomnya
diskret. Sedangkan distribusi probabilitas kontinu adalah distribusi yang variabel
randomnya kontinu.
Sebagaimana telah dibahas pada bab tentang peluang, maka untuk
meningkatkan pemahaman tentang variabel random ini, berikut diberikan cara
memperoleh variabel random, khususnya variabel random diskret. Misalkan diketahui
pasangan suami-istri yang baru saja melangsungkan pernikahan, merencanakan
mempunyai 3 orang anak. Dengan diagram pohon dapat diperoleh kemungkinan
jenis kelamin ketiga anak dari pasangan itu.
W (W,W,W)
W
L (W,W,L)
W W (W,L,W)
L
L (W,L,L)
W (L,W,W)
W
L L (L,W,L)
W (L,L,W)
L
L (L, L, L)
.
Dari diagram di atas diperoleh ruang sampel untuk kombinasi jenis kelamin
ketiga anak dari pasangan suami-istri tersebut, yaitu: S = (WWW, WWL, WLW,
WLL, LWW, LWL, LLW, LLL), yang berjumlah 8 buah atau ditulis n(S) = 8. Jika
kita misalkan bahwa peluang mendapatkan anak berjenis kelamin laki-laki
adalah X (tentu saja pemisalan dapat juga dengan jenis kelamin wanita), maka
nilai X = 0, 1, 2, 3, yang artinya:
Untuk X = 0, berarti ketiga anak tidak ada yang berjenis kelamin laki-laki
dengan kata lain ketiganya berjenis kelamin wanita.
Untuk X = 1, berarti ketiga anak ada 1 yang berjenis kelamin laki-laki.
Ruang sampelnya dapat ditulis dengan S = (0, 1, 2, 3). Sehingg berdasar pada
ruang sampel ini dapat ditentukan peluang pasangan tersebut memperoleh 3
orang anak sebagai berikut:
1
X  0, kejadiannya (WWW ) atau n (3W ) 1  P( X  0)   0,125
8
3
X 1, kejadiannya (WWL,WLW , LWW ) atau n (1L)  3  P( X  0)   0,375
8
3
X  2, kejadiannya (WLL, LWL, LLW ) atau n (2L)  3  P( X  0)   0,375
8
1
X  3, kejadiannya ( LLL ) atau n (3L) 1  P( X  0)   0,125
8
Hasil penentuan peluang disarikan pada tabel berikut.
Tabel 22. Peluang memperoleh memperoleh 3 anak
Banyaknya Anak P (X = x )
Laki-laki (X)
0 1
 0,125
8
1 3
 0,375
8
2 3
 0,375
8
1
3  0,125
8
Jumlah 1
Secara visual dapat diperlihatkan pada grafik berikut:
3/8 3/8
1/8 1/8
0 1 2 3
Kurva diatas mengambarkan distribusi peluang yang diperoleh dari variabel

random diskret.
B. Macam- Macam Distribusi Peluang

Berikut ini akan dibahas macam-macam distribusi peluang atau probabilitas
meliputi distribusi peluang diskret dan kontinu.
1. Distribusi Binom
Definisi: Apabila X merupakan sebuah variabel random diskrit maka peluang
binom dirumuskan sebagai:
n!
P(X  k)  C nk p k q n k  p k q n k untuk, k  0,1,2,...n.
k!(n  k)!
Contoh 1:
Diketahui pasangan suami-istri merencanakan mempunyai 5 orang anak. Berapa
peluang terdapat 3 diantara anak itu adalah laki-laki?
Penyelesaian:
Peluang memperoleh anak laki-laki atau wanita: P(W) = P(L) = ½
5!
P(X = 3) = (1/2)3 (1 - 1/2)5-3 , n  5, k = 3.
3!(5 - 3)!
5!
P(X = 3) = (1/2) 3 (1/2) 2 ,
3! (5 - 3)!
5!
P(X = 3) = (1/8) (1/4),
3!.2!
P(X = 3) = 10 (1/8) (1/4)  0,313Silahkan mencoba untuk k = 0, 1, 2, 4, 5.
Jadi peluang pasangan suami-istri memperoleh 3 anak laki-laki dari 5 anak
adalah 31,3%.
Contoh 2:
Misalkan kita mempunyai 10 soal jawaban benar-salah (B-S). Berapa peluang
menjawab paling sedikit 7 soal benar dengan menebak??
k
C kn pr qn-r Peluang
10 1 (1/2)10 (1/2)0 0,001

9 1
9 10 (1/2) (1/2) 0,010
8 2
8 45 (1/2) (1/2) 0,044
7 120 (1/2)7 (1/2)3 0,117
Jumlah p(r ≥ 7) 0,172
Probabilitas memperoleh jawaban benar melalui tebakan paling sedikit 7 soal

benar = 0,172 (17,2%) atau peluangnya memperoleh jawaban benar dengan
menerka secara acak kira-kira 1 dari 6 buah soal.
Contoh 3:
Misalkan kita mempunyai 10 soal PG dengan 4 opsi. Berapa peluang menjawab
paling sedikit 6 soal benar dengan menebak?
r n-r Peluang
k
C kn p q
10 0
10 1 (1/4) (3/4) 0,000
9 1
9 10 (1/4) (3/4) 0,000
8 2
8 45 (1/4) (3/4) 0,000
7 3
7 120 (1/4) (3/4) 0,003
6 4
6 210 (1/4) (3/4) 0,016
p(r ≥ 6) 0,019
Jadi peluang atau probabilitas memperoleh jawaban benar melalui tebakan paling
sedikit 6 soal benar = 0,019 (1,9%) atau peluangnya memperoleh jawaban benar
dengan menerka secara acak kira-kira 1 dari 52 buah soal.
Contoh 4:
Misalkan kita mempunyai 10 soal PG dengan 5 opsi. Berapa peluang menjawab
paling sedikit 6 soal benar dengan menebak?
k
C kn pr qn-r Peluang
10 1 (1/5)10 (4/5) 0 0,000

9 10 (1/5) 9 (4/5) 1 0,000
8 45 (1/5) 8 (4/5) 2 0,000
7 3
7 120 (1/5) (4/5) 0,000
6 4
6 210 (1/5) (4/5) 0,005
Jumlah p(r ≥ 6) 0,006
Jadi peluang atau Probabilitas memperoleh jawaban benar melalui tebakan

paling sedikit 6 soal benar = 0,006 atau 0,6%. Dari hasil analisis pada contoh 2,
3, dan 4 memperlihatkan bahwa makin banyak opsi atau pilihan jawaban suatu
soal, makin kecil kemungkinan menebaknya.
Untuk memudahkan perhitungan dapat menggunakan tabel distribusi Binomial
(Daftar A).
2. Distribusi Poison
Dalam kehidupan sehari-hari terkadang kita berhadapan peristiwa yang jarang
terjadi misalnya, cacat pada kain, salah tik pada novel, kecelakaan dalam
penerbangan, gempa tsunami, angin taufan, kembar 7, dan peristiwa yang jarang
terjadi lainnya. Hal-hal menyangkut peristiwa yang jarang terjadi datanya
merupakan distribusi Poison.
Definisi:
Apabila X merupakan sebuah variat diskrit yang mengikuti distribusi peluang,
maka peluang Poison didefinisikan:
e -λ λ x
P(X = x) = , x = 0, 1 , 2, .........., N dimana  = np
x!
Contoh:
Menurut pengalaman seorang penulis Novel bahwa rata-rata untuk setiap 600
kata terdapat 2 kata salah cetak. Suatu karya cerpen yang terdiri dari 2500 kata.
Berapa peluang bahwa di dalam cerpen itu terdapat 3 buah kata salah cetak.
Penyelesaian:
Diketahui probabilitas salah cetak adalah: p = 2/600 = 1/300, dan banyaknya
kata (n) = 2500,   = np = (2500)(1/300) = 8,33, banyaknya kata salah
cetak yang dicari adalah (x) = 3.
Sehingga peluang terdapat 3 buah kata salah cetak pada cerpen tersebuat
adalah:
e -8,33 (8,33) 3
P(X = 3) =  0,02323329  0,023 . Dengan kata lain peluang
3!
dari cerpen yang terdiri 2500 kata tersebut terdapat 3 buah salah cetak adalah
2,3%. Silahkan mencoba untuk X = 0, 1, 2, 4, 5, 6.
Untuk memudahkan perhitungan dapat menggunakan tabel distribusi Poison
(Daftar B).
3. Distribusi Normal
Distribusi yang telah dibicarakan di atas merupakan variabel acak diskrit.
Sedangkan distribusi normal termasuk distribusi dengan variabel random /acak
kontinu. Distribusi ini sering disebut distribusi Gauss dan termasuk distribusi yang
paling penting dan banyak digunakan dalam penelitian.
Definisi:
Apabila X merupakan suatu variabel random kontinu yang mengikuti fungsi
densitas, maka fungsi distribusi normal persamaannya adalah:
x μ 2
1 -1/2( )
f(x) = e σ
dengan
σ 2π
 = 3,14
 = parameter rata-rata
 = parameter simpangan baku = 2,72.
Sifat-sifat penting distribusi normal adalah sebagai berikut:

a) Nilai mean = median=modus,
b) Grafiknya selalu di atas sumbu datar x,
c) Bentuk grafik simetri terhadap mean x =  ,
d) Model kurva Leptokurtik, platikurtik, mesokurtik tergantung s,
e) Grafik mendekati sumbu datar pada x = -3s di kiri, x = +3s di kanan,
f) Luas daerah antara  –  dan  +  sekitar 68,26%
Luas daerah antara – 2 dan  + 2 sekitar 95,46%
Luas daerah antara – 3 dan  + 3 sekitar 99,74%
Luas seluruh daerah sama dengan satu atau 100%,
Untuk keperluan penggunaan praktis, telah disusun daftar distribusi normal
standar atau distribusi normal baku, dengan rata-rata  = 0, dan simpangan
baku  = 1. Adapun fungsi densitasnya adalah:
1 -1/2 Z 2
f(z) = e 
2
0 z
Untuk z dalam daerah -   z . Proses mengubah disribusi normal umum
menjadi distribusi normal baku menggunakan transformasi nilai baku, sebagai
x- μ
berikut: Z =
σ
Perbandingan disribusi normal umum dan distribusi normal baku disajikan pada
gambar berikut ini.
Normal “umum” Normal “standar”
 -3  -2  -1  +1  +2 +3 -3 -2 -1 0 1 2 3
  0 dan   1  = 0 dan  = 1
Karena luas kurva = 1, dan kurva simetris terhadap  = 0, maka luas dari garis
tegak pada titik nol ke kiri atau ke kanan = 0,5 atau 50%.
1 -1/2 Z 2
Luas daerah dari 0 ke z dengan menggunakan fungsi f(z) = e pada
2
distribusi normal dengan  = 0 dan  = 1, dapat ditentukan melalui integrasi
z
1

2
berikut: e 1 / 2 z . Luas daerah yang diperoleh menunjukkan besarnya

0 2
peluang nilai variabel acak dari distribusi normal baku pada interval 0 sampai z,
untuk z = 0,0; 0,1; 0,2.......3,0. Karena distribusi bersifat simetris maka luas
daerah dari 0 ke z yang negatif tidak perlu dihitung lagi.
Untuk memudahkan dalam penentuan peluang distribusi normal tanpa melalui
proses integrasi (pengintegralan) dapatl digunakan tabel distribusi normal (Lihat
Daftar-C).
Contoh 1
Dengan menggunakan daftar/tabel distribusi normal, hitunglah.
(i) Peluang, p(Z  1,74)
(ii) Peluang, p( 0  Z  1,35)
(iii)Peluang, p(Z  2,23)
(iv)Peluang, p(-1,21  Z  1,06)
Penyelesaian:
Untuk menentukan nilai peluang distribusi normal kita dapat menggunakan
daftar/tabel distribusi norma. Angka pada tabel menunjukan proporsi pada
kurva yang terletak antara z = 0 dan nilai z positif. Daerah untuk nilai z negatif
diperoleh dengan cara yang sama. Perhatikan tabel berikut.
Tabel 23. Distribusi Normal

z 0 1 2 3 4 5 6 7 8 9
0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
0.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
0.4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879
. . . . . . . . . . .
. . . . . . . . . . .
1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3521
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.5 .4332 .4345 4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767
2.0 .4772 .4778 4783 .4788 .4793 .4798 .4803 .4808 .4812 4817
2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 4857
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936
. . . . . . . . . . .
. . . . . . . . . . .
3.0 .4987 .4987 .4987 .4988 .4988 .4989 .4989 .4940 .4990 .4990
.
Dengan melihat pada tabel diatas, ditentukan peluang berikut.
(i) P(Z  1,74) Gunakan Daftar Distribusi Normal:

0,041 Lihat nilai pada kolom z, yaitu 1,7
kemudian ke kanan di bawah
angka 4 diperoleh 4591. Jadi Luas
daerah sampai angka 1,74 adalah
0,4591 sehingga luas daerah yang
dicari: 0,5 – 0,4591 = 0,041atau
0 1,74 P(Z  1,74) = 0,041
1
(ii) P( 0  Z  1,35) Gunakan Daftar Distribusi Normal:

Lihat nilai pada kolom z, yaitu 1,3
angka 5 diperoleh 4115. Jadi Luas
daerah dari 0 sampai angka 1,35
adalah 0,4115 atau P(0  Z 
1,35) = 0,4115
0 1,35
(iii)Peluang P(Z  2,23)

Luas dari z = 0 ke kiri adalah 0,5
ditambah luas dari z = 0 sampai z
= 2,23 adalah 0,4871. Jadi luas
daerah dari z= 2,23 ke kiri adalah
0,5 + 0,4871 = 0,9871 atau P(Z 
2,23) = 0,9871
0 2,23
(iv)Peluang P(-1,21  Z  1,06) Luas dari z = 0 sampai z = 1,06

adalah 0,3554 kemudian luas
dari z = 0 s/d z = -1,21 adalah
0,3869 (nilai positif z = 1,21). Jadi
luas daerah yang dicari = 0,3554
+ 0,3869 = 0,7423 atau P(-1,21
 Z  1,06) = 0,7423
-1,21 0 1,06
Contoh 2
Misalkan rata-rata berat bayi yang baru lahir 3.500 gram dengan simpangan baku
225 gram. Jika berat bayi berdistribusi normal, maka tentukan.
a. Berapa persen bayi yang beratnya lebih dari 4000 gram?
b. Berapa bayi yang beratnya antara 3200 gram dan 4000 gram jika semuanya
ada 20.000 bayi.
Penyelesaian:
Diketahui x = jumlah bayi,  = 4000 dan  = 300
4000 - 3500
a. Untuk x = 4000, maka: Z =  2,22
225
Lihat nilai pada kolom z, yaitu 2,2

angka 2 diperoleh 0.4868. Jadi
Luas daerah z = 0, sampai z = 2,22
adalah 0,4868 sehingga luas
daerah yang dicari: 0,5 – 0,4868 =
0,0132 atau 1,32%.
0 2,22
Jadi banyaknya bayi dengan berat lebih dari 4500 gram sebesar 1,32%.
b. Untuk x = 3000 dan x = 4000,

4000 - 3500
Telah dihitung untuk x = 4000, yaitu Z =  2,22
225
3200 - 3500
Selanjutnya untuk x = 3000, maka Z =   1,33
225
Gunakan tabel:
Luas dari z = 0 sampai z = 2,22
adalah 0,4868, kemudian luas dari
z = 0 sampai z = -1,33 adalah
0,4082. Jadi luas daerah yang
-1,33 0 2,22 dicari = 0,4868 + 0,4082 = 0,8950
atau P(-1,21  Z  1,06) = 0,8950
Banyaknya bayi antara 3200 gram dan 4500 gram diperkirakan (0,8950)(20.000)
= 17900.
4. Distribusi Sampel dan Kesalahan Sampling
a. Distribusi Sampel
Populasi dapat didefinisikan sebagai himpunan semua hal yang berkaitan
dengan individu, variabel, atau data dengan sifat-sifat yang ditentukan atau dipilih
oleh peneliti sedemikian rupa sehingga setiap individu, variabel, atau data dapat
dinyatakan dengan tepat apakah individu tersebut menjadi anggota populasi atau
tidak. Sedangkan sampel adalah suatu himpunan bagian (subset) dari individu,
variabel, dan data dari populasi tertentu. Populasi dan sampel masing-masing
memiliki distribusi, yaitu distribusi populasi dan distribusi sampel. Distribusi populasi
adalah distribusi untuk seluruh data dalam populasi, sedangkan distribusi sampel
(sampling) adalah distribusi statitistik dari sampel-sampel dengan ukuran tertentu.
Distribusi sampel ini memegang peranan penting dalam pengujian hipotesis.
Untuk memperjelas pengertian tentang distribusi sampel ini, kita membuat
ilustrasi sebagai berikut. Misalkan kita mengambil sampel acak berukuran 40 dari
suatu populasi sebanyak 1000 kali, maka kita akan memperoleh 1000 buah rata-rata
sampel, yaitu x 1 , x 2 , x 3 ,.... x 1000 . Distribusi dari 1000 buah rata-rata tersebut
dinamakan distribusi sampel, sedangkan rata-rata dari rata-rata sampel
x 1  x 2  x 3  ........  x 1000
X  μ.
n 1000
Hal ini berarti bahwa rata-rata dari rata-rata sampel acak adalah sama
dengan rata-rata populasi dan distribusinya cenderung membentuk distribusi normal.
Dengan distribusi dari rata-rata sampel ini diperkenalkan Teorema Limit Sentral yang
berbunyi: Untuk sembarang distribusi populasi dengan rata-rata  dan simpangan
baku  , maka distribusi sampling dari rata-rata sampel dengan ukuran sampel n

akan mendekati distribusi normal dengan rata-rata  dan deviasi baku bila
n
n mendekati tak hingga.
Dengan demikian distribusi sampel adalah distribusi rata-rata yang diambil
dari sampel acak secara berulang-ulang masing-masing berukuran n dari suatu
populasi berdistribusi normal.
b. Kesalahan Sampel (Sampling Error)
Sampling error atau kesalahan sampling adalah kesalahan yang timbul
karena pemeriksaan yang tidak lengkap mengenai populasi, sehingga penelitian
dilakukan pada sampel tidak mencerminkan karakteristik populasi. Suatu sampling
error adalah sebuah perbedaan antara nilai populasi atau parameter dengan nilai
sampel. Dengan demikian jika  adalah nilai rata-rata populasi dan x i adalah
estimasi yang didasarkan pada sebuah sampel random berukuran N, maka
perbedaan  - x i = ei. Dalam hal ini ei disebut sampling error (Ferguson dan
Takane, 1989: 148). Kekeliruan sampling dapat terjadi bila prosedur sama digunakan
pada sampling juga digunakan pada sensus ternyata memberikan hasil berbeda.
Dalam penelitian eksperimen sampling error dapat ditimbulkan oleh fluktuasi
subject sampling. Dalam hal ini pemilihan subyek-subyek ke dalam kelompok
eksperimen dan kelompok kontrol kemungkinan mengalami kesalahan sehingga
pada salah satu kelompok terhimpun subyek-subyek yang menguntungkan kelompok
tertentu. Misalnya dalam eksperimen pendidikan dalam pelajaran matematika,
mungkin sekali secara kebetulan terpilih subyek-subyek yang ber-IQ tinggi pada
kelompok tertentu, sehingga hasil yang diperoleh pada kelompok tersebut bukan
merupakan sebab (fungsi) dari pemberian metode (perlakuan) tetapi karena subyek
yang ber-IQ tinggi. Untuk mempertinggi penelitian presisi tinggi, kesalahan ini harus
dikontrol. Ada dua cara yang dapat dilakukan untuk mengontrol kesalahan sampling,
yaitu: (1) mengambil sampel berdasarkan sampling acak, dan (2) memperbesar
ukuran sampel.
5. Distribusi - t
Distribusi-t adalah distribusi untuk probabilitas sampel ukuran kecil (≤ 30).
Distribusi ini ditemukan pertama kali oleh W.S. Gosset pada tahun 1908, dengan
menggunakan nama Student. Oleh karena itu, distribusi t dikenal dengan distribusi-t
Student. Awalnya distribusi ini tidak banyak dikenal orang namun atas jasa Fisher
akhirnya distribusi ini dipopulerkan melalui analisisnya tentang analisis varians
(Anova). Distribusi ini merupakan distribusi sangat penting terutama dalam analisis
statistik untuk sampel ukuran kecil.
Mengacu pada teorema limit sentral, suatu populasi berdistribusi normal
dengan rata-rata  dan varians 2, rata-rata sampel akan berdistribusi norma dengan
 X
rata-rata  dan varians . Teorema ini akan menghasilkan statistik uji z = ,
n X

dimana X  . Penerapan rumus tersebut mengalami kesulitan karena pada
n
umumnya standar deviasi populasi () tak diketahui, sehingga untuk bekerja dengan
rumus tersebut terlebih dahulu kita harus menggantinya dengan standar deviasi
sampel (s).
Berdasarkan sampel random Xi = 1,2,3….,n, statistik t- didefinisikan sebagai t
X s
= dimana s X  . Statistik ini mempunyai distribusi-t dengan (db) = n -1.
sX n
dan grafik fungsi densitas yang menyerupai atau mendekati distribusi normal baku.
Jika n mendekati tak hingga maka distribusi-t akan mendekati distribusi normal
standar (z). Dari sini menunjukkan bahwa distribusi-t merupakan distribusi sampel
yang sangat potensial, yaitu sebagai pengganti distribusi normal baku ketika standar
deviasi tak diketahui. Distribusi sampel dari distribusi-t untuk beberapa derajat bebas
(db) diperlihatkan pada kurva normal berikut.
f(t)
db = 22
db = 12
db = 1
t
-3 -2 -1 0 1 2 3
Kurva Distribusi -t Student
Kurva di atas menunjukkan bahwa distribusi-t, akan mendekati distribusi

normal baku untuk db yang semakin besar. Kurva distribusi-t di atas, bersifat simetri
dari rata-ratanya. Seperti halnya pada distribusi normal baku, walaupun pada tabel
hanya tersedia harga positif, namun nilai – t pada tabel yang negatif tidak perlu dicari
lagi cukup diberi tanda negatif. Untuk keperluan penentuan ttab dengan berbagai db
dapat menggunakan harga kritis – t pada daftar F. Sebagian dari tabel tersebut
disajikan berikut ini.
Tabel 24. Harga Kritik Untuk-t
Level of significance for one-tailed test
.10 .05 .025 .01 .005 .0005
dƒ Level of significance for two-tailed test
.20 .10 .05 .02 .01 .001
1 3.078 12.706 63.657 636.619
. . . . .
. . . . .
9 1.383 2.262 3.250 4.781
10 1.372 1.812 2.228 2.764 3.169 4.587
. . . . . . .
60 1.296 1.671 2.000 2.390 2.660 3.460
120 1.289 1.658 1.980 2.358 2.617 3.373
 1.282 1.645 1.960 2.326 2.576 3.291
Sebagai contoh dari tabel diatas kita dapat menentukan nilai ttab untuk db =
10 dengan  = 0,05, dan  = 0,01, yaitu ttab = t(0,05)(10) = 1,812 dan ttab = t(0,01)(10) =
2,746. untuk nilai t yang negatif, yaitu ttab = t(0,05)(10) = -1,812 dan ttab = t(0,01)(10) =
-2,746 (lihat Level of significance for one-tailed test )
6. Distribusi F
Distribusi probabilitas F (Fisher-Snedecor) diturunkan dari distribusi
probabilitas normal baku melalui distribusi Chi-kuadrat. Distribusi probabilitas F
merupakan rasio antara dua distribusi Chi-kudrat. Sehingga pada distribusi
probabilitas F terdapat dua derajat kebebasan yakni derajat kebebasan pembilang db
(atas) dan derajat kebebasan penyebut db (bawah).
Statistik F dipakai untuk mempelajari perbedaan varians antara dua buah
populasi berdasarkan dua sampel random yang independen. Jika Xij, dengan i
=1,2,…n dan j= 1,2,..n, merupakan dua sampel random yang independen, maka
statistik uji-F ini Didefinisikan sebagai: F = [(s1/1)/(s2/2)] yang mempunyai
distribusi/densitas-F dengan db = (n1 -1)/(n2 -1) yang dinyatakan dengan simbol
distribusi: F(n1 -1, n2 -1). Dapat dibuktikan: F(1, n1 -1) = t2 (n1 -1).
Selanjutnya distribusi F dapat ditulis dengan:

F= , dimana
(s12/s22)
s12 = varians pendekatan distribusi populasi normal ke-1
s22 = varians pendekatan distribusi populasi normal ke-2
Distribusi populasi pertama ukuran sampelnya n1, sedangkan distribusi populasi
kedua ukuran sampelnya n2. Distribusi F bentuknya bergantung pada db pembilang
dan db penyebut. Nilai ditentukan oleh rasio varians terbesar dan varians terkecil
(F = var terbesar/var terkecil).
Bentuk kurva distribusi F untuk beberapa derajat bebas (db), disajikan
sebagai berikut:
Untuk keperluan penentuan Ftab dengan berbagai derajat bebas dan letak 
ini dapat menggunakan harga kritis – F pada daftar G. Cuplikan dari daftar dapat
dilihat pada tabel berikut.
Tabel 25. Harga Kritik Untuk F

db db untuk Pembilang
Penyebut
1 2 3 4 5 6 7 8 9 10
1 161 200 216 225 230 234 237 239 241 242
4052 4999 5403 5625 5764 5859 5928 5981 6022 6056
2 18.51 19.00 19.16 19.25 19.30 19.33 19.36 19.37 19.38 19.39
98.49 99.01 99.17 99.25 99.30 99.33 99.34 99.36 99.38 99.40
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.78 4.74
16.26 13.27 12.06 11.39 10.97 10.67 10.45 10.27 10.15 10.05
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06
13.74 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.97
10.04 7.56 6.55 5.99 5.64 5.39 5.2 5.06 4.95 4.85
Sebagai contoh dari tabel di atas kita dapat menentukan nilai Ftab untuk db-
pembilang = 7, db-penyebut = 5,  = 0,05, dan  = 0,01, masing-masing diperoleh
yaitu Ftab = F(0,05)(7; 5) = 4,88 dan Ftab = F(0,01)(7; 5) = 10,45.
7. Distribusi Chi- Kuadrat (2)

Jika Z memiliki distribusi normal baku dengan  = 0 dan  = 1, maka
distribusi chi-kuadrat (2) diperoleh dari Z2. Distribusi chi-kuadrat biasa disebut
dengan distribusi gamma. Hubungan antara distribusi Z dan (2) dapat ditunjukkan
bahwa: “Apabila peubah/variabel acak  adalah berdistribusi normal dengan rata-rata
µ dan standar deviasi  maka variabel bakunya adalah Z = (X - µ)/  adalah
berdistribusi normal dengan rata-rata 0 dan standar deviasi 1 yang memenuhi
hubungan Z2 = [(X - µ)/]2 dimana Z2 berdistribusi seperti 2 derajat bebas 1”
Teorema: Jika variabel random Zi, i = 1,2,3,….., k, mempunyai distribusi normal
standar yang independen, maka statistik: X2 = (Z1)2 + (Z2)2 +…+ (Zk)2,
akan mempunyai distribusi Chi-Kuadrat dengan derajat bebas (db) =k.
Dapat dibuktikan bahwa statistik X2 mempunyai nilai harapan dan
varians: E (X2) = k, dan Var (X2) = 2k, dengan grafik fungsi densitas yang
menyerupai atau mendekati distribusi normal baku. Jika n mendekati tak
hingga maka distribusi -Z akan berdistribusi normal.
Misalkan peubah acak bebas X1, X2,…..,Xn, berdistribusi normal dengan rata-
rata = 0, dan Standar deviasi = 1, maka Yn = X12 + X22 +…..+Xn2, juga variabel acak.
Jika n semakin besar maka Y juga membesar. Distribusi Yn disebut distribusi 2
dengan derajat bebas n. Distribusi ini hanya tergantung dari parameter n, yang
merupakan derajat bebas distribusi tersebut. Dapat diperlihatkan bahwa rata-rata dan
Standar deviasi distribusi 2 berturut-turut n dan 2n. Nampak pada gambar di bawah
ini bahwa makin besar n grafik bergerak ke kanan, makin berbentuk simetri dan
lonceng maka Yn mendekati distribusi normal dan rata-rata dan Standar deviasi, N(n,
2n). Bila dua distribusi 2 dengan n1 dan n2 maka jumlah n1+ n2 juga berupa
distribusi 2 dengan derajat bebas n1 dan n2. Perhatikan kurva berikut.
f(2)
db = 1
0,4
db = 2
0,3 db = 6
0,2
0,1 db =10
2
0 2 4 6 8 10 12 14 16
Untuk keperluan penentuan 2tab dengan berbagai derajat bebas dan taraf
signifikansi  ini dapat menggunakan harga kritis – 2 pada lampiran daftar H.
2
Tabel 26. Harga Kritik 
db Level of significance ()
.99 .95 .90 .80 .70 .50 .30 .20 .10 .05 .01
1 .000 .004 .016 .064 .15 .46 1.07 1.64 2.71 3.84 6.64
2 .02 .10 .21 .45 .71 1.39 2.41 3.22 4.60 5.99 9.21
3 .12 .35 .58 1.00 1.42 2.37 3.66 4.64 6.25 7.82 11.34
18 7.02 9.39 10.86 12.86 14.44 17.34 20.60 22.76 25.99 28.87 34.80
19 7.63 10.12 11.65 13.72 15.35 18.34 21.69 23.90 27.20 30.14 36.19
20 8.26 10.85 12.44 14.58 16.27 19.34 22.78 25.04 28.41 31.41 37.57
28 13.56 16.93 18.94 21.59 23.65 27.34 31.39 34.03 37.92 41.34 48.28
29 14.26 17.71 19.77 22.48 24.58 28.34 32.46 35.14 39.09 42.56 49.59
30 14.95 18.49 20.60 23.36 25.51 29.34 33.53 36.25 40.26 43.77 50.89
Sebagai contoh dari tabel diatas kita dapat menentukan nilai 2tab untuk db =
20,  = 0,80, dan  = 0,01, yaitu 2tab = 2 (0,80)(10) = 14,58 dan 2tab = 2(0,01)(10) =
37,57. Selanjutnya 2tab tidak mempunyai harga yang negatif.
C. Latihan
1. Misalkan diperoleh laporan dari suatu lembaga pemasyarakatan (LP), bahwa
penghuni LP dikelompoknya menjadi 2 yaitu orang miskin dan konglomerat.
Kelompok miskin sekitar 70% dan para konglomerat 30%. Jika suatu saat anda
ke suatu LP dan berjumpa dengan 5 orang penghuni LP. Misalkan X =
banyaknya kelompok konglomerat,
a. hitung peluang: P(X = 0), P(X = 1), P(X = 2), P(X = 3), dan P(X = 4).
b. Gambarkan grafiknya!
2. Misalkan dari pengalaman polisi lalulintas bahwa diantara 1000 orang

pengendara jalan Tol terdapat 5 orang lupa membawa SIM. Suatu hari ada
3000 kendaraan yang lewat jalan Tol. Berapa peluang diantara 3000 kendaraan
itu, terdapat 8 orang pengendara yang tidak membawa SIM?
3. Misalkan pengalaman/fakta empirik petugas bandara selama beberapa tahun
melaporkan bahwa dari 100 WNA yang melanggar hukum karena membawa
narkoba, 45 diantaranya berasal dari Afrika. Pada bulan Juni ditemukan 16
penumpang membawa narkoba. Berapa peluangnya dari 16 penumpang itu 12
orang berasal dari Afrika?
4. Dengan menggunakan tabel distribusi normal hitunglah peluang-peluang berikut.
a. p ( z ≥ 1,62 )
b. p (1,05 ≤ z ≤ 2,73 )
c. p (-1,25 ≤ z ≤ 2,65 )
5. Diketahui rata-rata IQ mahasiswa 108 dengan standar deviasi 7,5. Jika IQ

mahasiswa berdistribusi normal, tentukan berapa orang mahasiswa yang
mempunyai:
a. IQ kurang dari 100, jika semuanya ada 1000 mahasiswa.
b. IQ antara 115 dan 125, jika semuanya ada 2000 mahasiswa
c. IQ lebih dari 130, jika semuanya ada 5000 mahasiswa.
6. Berdasarkan pengalaman Dosen statistika sosial, bahwa nilai ujian berdistribusi
normal dengan rata-rata 58 dan standar deviasi 7,8.
a. Jika peraturan di Pascasarjana menyatakan bahwa nilai ujian statistika di
bawah ( ) 45, maka tidak lulus. Berapa orangkah yang bakal tidak lulus jika
peserta ujian ada 200 orang?
b. Jika peraturan di Pascasarjana menyatakan bahwa nilai ujian 80 ke atas
mendapat nilai huruf “A”, akan ada berapa orangkah yang bisa memperoleh
A kalau pesertanya ada 34 orang?
c. Berapa peluang seseorang akan memperoleh nilai ujian = 35?
7. Gunakan daftar untuk melengkapi tabel berikut.
Derajat Taraf ttabel 2tab
berbas Signifikansi
15  = 0,10
20  = 0,02
25  = 0,05
27  = 0,02
30  = 0,01
BAB VI
PENGANTAR STATISTIKA INFERENSIAL
A. Pengertian Statistika Inferensial

Pada bab I telah dibahas bahwa fokus dari statistika deskriptif hanya
berkenaan dengan pengumpulan, pengolahan, penganalisisan, dan penyajian
sebagian atau seluruh data (pengamatan) tanpa pengambilan kesimpulan. Misalkan
seorang Dokter membuat diagnosa terhadap suatu penyakit berdasarkan data hasil
pemeriksaan tekanan darah, suhu, warna kulit, denyut nadi dan gambaran deskriptif
tentang keluhan mengenai keadaan fasien lainnya. Seandainya dari hasil
pemeriksaan ini diperoleh data bahwa si pasien memiliki tekanan darah 160/90, suhu
badan 400C, warna kulit memerah, dan keluhannya panas meriang, apakah Dokter
itu boleh membuat kesimpulan bahwa si pasien terjangkit penyakit demam berdarah
(DBD)? Tentu saja tidak boleh, karena terdapat beberapa penyakit yang ciri-cirinya
sama atau hampir sama. Jadi data hasil pemeriksaan yang diperoleh Dokter tersebut
baru dalam fase statistika deskriptif, yaitu memperoleh gambaran menyeluruh
mengenai kondisi pasien saat itu, belum dapat memberikan kesimpulan final
mengenai jenis penyakit dari pasien itu. Dalam hal ini kita butuh fase kedua, yaitu
fase statistika yang berkenaan dengan pengambilan kesimpulan mengenai
keseluruhan data berdasarkan data sampel. Untuk itu, pasien tersebut perlu
diperiksa darahnya secara menyeluruh. Seandainya dari hasil pemeriksaan sampel
darah di laboratorium menunjukkan adanya kadar Haemoglobin (HB) yang sangat
rendah, dan karena setetes sampel darah mewakili darah di seluruh tubuh pasien itu
maka Dokter tersebut dapat secara meyakinkan membuat kesimpulan bahwa si
pasien terjangkit penyakit demam berdarah (DBD). Fase inilah disebut fase statistika
inferensial atau teknik statistika yang memungkinkan atau memudahkan peneliti
mengambil kesimpulan atau membuat generalisasi, prediksi dari data yang sedikit
(sampel) untuk data yang lebih banyak (populasi). Jadi statistika inferensial adalah
statistika yang digunakan untuk membuat kesimpulan tentang sesuatu yang besar
(populasi) berdasarkan pengamatan atas sesuatu lebih kecil (sampel) yang
dipandang mewakilinya.
Secara garis besarnya, statistika inferensial akan berfungsi pada dua
kegiatan, yaitu (1) pendugaan (estimasi) parameter populasi, dan (2) pengujian
hipotesis berdasarkan satuan-satuan kuantitatif (statistik) pada sampel. Bekerja pada
kedua kegiatan ini, dilakukan melalui perhitungan-perhitungan terhadap hasil
pengukuran data sampel. Dalam analisis data, anggota sampel yang terpilih secara
acak disebut dengan unit analisis (unit of analysis).
.
B. Populasi dan Sampel
Populasi adalah suatu himpunan dengan sifat-sifat yang ditentukan oleh
peneliti sedemikian rupa sehingga setiap individu/variabel/data dapat dinyatakan
dengan tepat apakah individu tersebut menjadi anggota atau tidak. Dengan kata lain
populasi adalah himpunan semua individu yang dapat memberikan data dan
informasi untuk suatu penelitian (Agung, 2003: 2). Sedangkan sampel adalah
himpunan bagian atau sebagian dari populasi yang karakteristiknya benar-benar
diselidiki.
Populasi
Sampel
Karakteristik populasi harus terwakili dalam sampel. Artinya ciri atau keadaan
populasi harus tergambarkan dalam sampel. Misalnya dalam bidang hukum apabila
ciri populasi terdiri, pengacara, jaksa, hakim, tersangka, terdakwa, saksi, barang
bukti, lembaga pemasyarakatan maka sampel yang kita ambil harus memuat semua
ciri tersebut. Begitupula pada bidang pendidikan ciri populasi terdiri atas: siswa,
guru, kelas, sekolah, dinas pendidikan, dan lain-lain, maka sampel yang terpilih juga
harus memuat kesemua ciri atau karakteristik itu. Dalam hal ini yang menjadi pusat
perhatian adalah keterwakilan (refresentativness) sampel dari suatu populasi.
Beberapa hal yang perlu diperhatikan berkaitan dengan keterwakilan ini,
yaitu: (1) sampel yang mewakili populasi harus diambil secara acak sedemikian
sehingga setiap anggota populasi mempunyai kesempatan yang sama untuk menjadi
sampel, (2) jumlah sampel yang terpilih ditentukan oleh besarnya populasi dan
keragaman dari populasi. Sehingga besarnya populasi tidak serta merta
mengakibatkan besarnya sampel yang akan diambil tetapi juga harus memperhatikan
derajat keragaman populasi. Makin seragam suatu populasi makin kecil sampel yang
dapat diambil, (3) presisi yang dikehendaki dari penelitian. Makin tinggi presisi yang
dikehendaki, makin besar sampel yang dibutuhkan, karena sampel yang besar
cenderung memberikan estimasi yang lebih dekat ke nilai parameter. Misalnya pada
kasus sensus, presisi menjadi mutlat karena nilai estimasi sama dengan nilai
parameter, dan (4) rancangan analisis yang akan digunakan. Beberapa rancangan
analisis menyaratkan besar sampel yang akan digunakan. Misalnya pada rancangan
penelitian eksperimen murni biasanya cukup dengan mengambil sampel 25 subjek.
Namun dalam penelitian survai tentang jenis pekerjaan dan tingkat pendidikan tidak
cukup mengambil sampel acak 120 subjek karena mungkin ada jenis pekerjaan dan
tingkat pendidikan yang frekuensinya kosong.
C. Pengujian Hipotesis
Sebagai pengantar untuk membahas pengujian hipotesis berikut diberikan
beberapa pengertian hipotesis.
 Hipotesis merupakan suatu proposisi/pernyataan atau jawaban
sementara/dugaan yang mungkin benar dan digunakan sebagai dasar
pembuatan keputusan/penyelesaian dari suatu masalah untuk penelitian.
 Hipotesis adalah hasil kajian pustaka atau proses rasional dari penelitian yang
telah mempunyai kebenaran secara teoretik”. Kebenaran hipotesis masih harus
diuji kebenarannya secara empirik, dengan demikian hipotesis dapat dianggap
sebagai jawaban sementara terhadap masalah yang telah dirumuskan dalam
suatu penelitian dan masih perlu diuji kebenarannya dengan menggunakan
data empirik (Djaali, 2003).
 Hipotesis diartikan sebagai kesimpulan bersifat sementara atau proposisi
tentatif tentang hubungan antara dua variabel atau lebih (Kerlinger, 2002).
Ciri-ciri penting yang perlu diperhatikan dalam suatu hipotesis adalah sebagai
berikut: (1) hipotesis merupakan hasil dari proses teoretik dan komparasi fakta yang
handal, yang secara teoretik dapat dipertanggung jawabkan kebenarannya, (2)
hipotesis menyatakan hubungan antara variabel, (3) hipotesis harus dapat diuji,
artinya dapat feasible untuk memperoleh data untuk pengujian hipotesis itu, (4)
hipotesis harus spesifik dan sederhana, dan (5) menyatakan pernyataan tentang
karakteristik populasi.
1. Kekeliruan Tipe I dan Kekeliruan Tipe II

Pada umumnya kita bekerja berdasarkan data yang diperoleh dari sampel
yang dianggap mewakili populasi. Apakah mungkin kita keliru dalam menarik
kesimpulan tentang kebenaran suatu hipotesis? Jawabannya sangat mungkin terjadi
kekeliruan. Dengan demikian keputusan yang diambil untuk menolak hipotesis dalam
hipotesis nol adalah mengandung ketidakpastian (bisa benar atau salah). Adanya
unsur ketidakpastian ini menyebabkan resiko bagi pengambilan keputusan. Besar-
kecilnya resiko dinyatakan dengan nilai probabilitas.
Terdapat dua kemungkinan membuat kesalahan/kekeliruan, yaitu: (1)
Kekeliruan tipe I (), yakni menolak hipotesis nol padahal sesungguhnya benar, dan
(2) kekeliruan tipe II (), yaknik menerima hipotesis nol padahal sesungguhnya salah.
Dua macam (tipe) kekeliruan tersebut disajikan dalam tabel sebagai berikut.
Tabel 27. Tipe kekeliruan dalam pengujian hipotesis
Keputusan
Hipotesis Menerima Menolak
Benar Keputusan Tepat Kesalahan Tipe I

Salah Kesalahan Tipe II Keputusan Tepat
2. Langkah-langkah Pengujian Hipotesis
a. Merumuskan hipotesis nihil (H0)
Hipotesis nihil atau H0 adalah hipotesis yang biasa ditampilkan dalam bentuk
peryataan tentang karaketeristik populasi seperti: tidak terdapat pengaruh
atau tidak terdapat perbedaan diantara variabel-variabel yang diteliti. Statistik
bertujuan membuat estimasi tentang keadaan populasi maka H0 dinyatakan
dalam bentuk parameter. Sebagaimana diketahui bahwa ukuran (besaran)
yang ada dalam populasi disebut “paramater” dan ukuran (besaran) yang ada
dalam sampel disebut “statistik”. Ukuran-ukuran dalam populasi dan sampel
dapat dilihat pada tabel berikut.
Tabel 28. Ukuran Parameter dan Statistika

Ukuran Populasi Sampel
(Parameter) (Statistik)
Rata-rata 
X
Stand. Deviasi  s
Varians
2 s2
Korelasi  r
Proporsi  p
Koef. regresi  b
Esensi dari perumusan hipotesis nihil (H0) adalah untuk mengontrol atau
mengendalikan kemungkinan melakukan kekeliruan Tipe I.
b. Menentukan Taraf Signifikansi
Taraf signifikansi atau taraf keberartian adalah pedoman tentang besar
kecilnya kesediaan peneliti untuk membuat keputusan/mendapat resiko
dalam membuat kekeliruan tipe I (). Dalam penelitian sosial terdapat dua
nilai  yang lazim digunakan), yakni  = 0,05 dan  = 0,01. Makin tinggi
resiko dari kesalahan yang akan dibuat, makin rendah/kecil taraf signifikansi
yang akan digunakan. Suatu penelitian disebut signifikan atau berarti bila
peneliti bisa menolak H0 dengan begitu menerima H1 pada nilai  yang
ditentukan. Karena pada dasarnya H1 adalah negasi atau ingkaran dari H0.
c. Menentukan Kriteria
Menentukan kriteria pada dasarnya menetapkan statistika uji, misalnya: t, F, r
atau X2. Nilai dari statistik uji adalah nilai yang akan dipakai sebagai dasar
untuk menerima atau menolak hipotesis nihil H0.
d. Melakukan perhitungan statistika
Melakukan perhitungan dalam rangka pengujian hipotesis artinya,
menemukan X2, t, F atau r yang diperoleh dari perhitungan data sampel.
e. Menarik kesimpulan
Secara sederhana menarik kesimpulan berati menolak H0 ataupun menerima
H0. Jika peneliti berhasil menolak H0 kita mengatakan hipotesis yang diajukan
teruji oleh data (the data support hypothesis). Sehingga kesimpulan penelitian
adalah hipotesis verbal yang telah diajukan peneliti. Sebaliknya jika peneliti
tidak berhasil menolak H0 kita mengatakan hipotesis yang diajukan tidak teruji
oleh data (the data not support hypothesis). Kesimpulan lain yang tak kalah
pentingnya adalah makna atau implikasi dari kesimpulan berkaitan dengan
masalah yang diteliti.
3. Uji Sepihak dan Uji Dua Pihak

Penerimaan dan penolakan H0 didasarkan pada daerah penolakan dan
penerimaan dalam distribusi sampling, yang tergantung pada sifat hipotesis
alternatif (H1). Perhatikan tampilan umum hipotesis alternatif penelitian korelasi
yang menguji hipotesis parameter hubungan antar variabel berikut ini:
(1) H1 :  > 0, (2) H1 :   0, dan (3) H1 :  < 0. Begitupula tampilan hipotesis
alternatif dalam menguji hipotesis tentang perbedaan parameter rata-rata:
(1) H1 :  > 0, (2) H1 :   0, dan (3) H1 :  < 0 .
(a) Uji Hipotesis Satu Pihak
Uji hipotesis statistik satu pihak terdiri atas dua bagian, yaitu uji pihak kanan dan
uji pihak kiri. Uji pihak kanan bersesuaian dengan hipotesis langsung positif,
begitupula uji pihak kiri bersesuaian dengan hipotesis langsung negatif. Uji pihak
kanan daerah penolakannya berada di sebelah kanan sebaliknya uji pihak kiri
daerah penolakannya berada di sebelah kiri.
(i) uji hipotesis pihak kanan:

Hipotesis langsung positif:
(a) Ada hubungan positif antara insentif dengan kinerja pegawai atau makin baik
insentif, maka makin tinggi kinerja pegawai.
(b) Rata-rata nilai hasil ujian sekolah lebih tinggi dari pada hasil ujian nasional.
Hipotesis statistik (pihak kanan) dirumuskan:
(a) H0 :  ≤ 0 versus H1 :  > 0
(b) H0 : 1 ≤ 2 versus H1 : 1 > 2
Daerah Daerah penolakan H0

Penerimaan H0
d2
(i) Uji pihak- kanan
(ii) uji hipotesis pihak kiri:
Hipotesis langsung negatif:
(a) Terdapat hubungan negatif antara kecemasan dengan hasil belajar
matematika atau makin tinggi kecemasan, makin rendah hasil belajar
matematika
(b) Hasil belajar matematika siswa yang diberi metode ceramah lebih rendah
daripada siswa yang diberi metode inquiri.
Hipotesis statistik (pihak kiri) dirumuskan:
(a) H0 :  ≥ 0 versus H1 :  < 0
(b) H0 : 1 ≥ 2 versus H1 : 1 < 2
Daerah Daerah Penerimaan H0

penolakan H0
d1
(ii) Uji pihak-kiri
(b) Hipotesis Dua Pihak
Untuk menguji hipotesis tidak langsung digunakan uji- dua pihak, yaitu separoh
(½) pihak kiri dan separoh lagi (½) pihak kanan sebagai daerah penolakan. Uji
dua pihak bersesuaian dengan hipotesis tak langsung.
Hipotesis tak langsung:
(a) Terdapat hubungan antara kompetensi dengan kinerja karyawan.
(b) Terdapat perbedaan rata-rata kinerja karyawan wanita dan kinerja karyawan
laki-laki.
Hipotesis statistik (dua pihak) dirumuskan:
a) H0 :  = 0 versus H1 :   0
b) H0 : 1 = 2 versus H1 : 1 ≠ 2
Daerah Penerimaan H0
Daerah
penolakan H0
Daerah penolakan H0
d1 d2
(iii) Uji 2 pihak
D. Latihan
1. Jelaskan pengertian statistika inferensial dan mengapa penting dalam penelitian
ilmu-ilmu sosial.
2. Jelaskan kaitan atau hubungan antara statistika deskriptif dan statistika
inferensial dan berikan pula contohnya dalam ilmu sosial.
3. Jelaskan dua kegiatan pokok dimana statistika inferensial memainkan fungsinya.
4. Dengan menggunakan kata-kata sendiri, jelaskan apa dimaksud dengan
parameter dalam statistika inferensial!
5. Apa yang dimaksud dengan unit analisis dan berikan pula contoh dari unit
analisis dalam penelitian?
6. Kemukakan pendapat anda tentang apa yang dimaksud dengan populasi dan
sampel.
7. Apa yang dimaksud dengan sampel acak (random sample) dan mengapa penting
dalam suatu penelitian?
8. Hal penting dalam pengambilan sampel adalah persoalan keterwakilan, apa yang
harus terwakili, apapula yang harus diperhatikan mengenai keterwakilan ini?
9. Dalam menentukan ukuran atau jumlah sampel yang akan dipilih, mengapa
disamping oleh besarnya populasi juga keragaman dari populasi perlu
diperhatikan?
10. Mengapa dalam penelitian survai tentang jenis pekerjaan dan tingkat pendidikan
sampel yang harus diambil harus lebih banyak?
11. Kemukan 3 macam pendapat anda tentang pengertian hipotesis penelitian.
12. Apa yang dimaksud dengan hipotesis penelitian dan apa pula hipotesis statistik
itu?
13. Jelaskan ciri-ciri penting dari hipotesis penelitian yang baik.
14. Tuliskan masing-masing lima simbol yunani untuk parameter dan tulis pula
statistik pasangannya.
15. Apa yang dimaksud dengan taraf signifikansi () dan apa perbedaannya dengan
kekeliruan tipe I?
16. Apa yang dimaksud hipotesis nihil atau H0, dan mengapa hipotesis nilhil yang
akan diuji secara statistik?
17. Kemukakan pendapat anda tentang makna dari () = 0,05 dan () = 0,01.
18. Kemukakan makna dari ”hipotesis yang diajukan teruji oleh data (the data support
hypothesis)”.
19. Apa yang dimaksud dengan uji pihak kiri, uji pihak kanan, dan uji dua pihak?
20. Pernyataan berikut” terdapat hubungan positif antara kemampuan spatial dengan
hasil belajar geometri siswa SMA” adalah termasuk hipotesis apa? Apa
parameternya? Tuliskan hipotesis statistiknya!
21. Buat hipotesis penelitian (verbal) dengan kata-kata sendiri berdasarkan hipotesis
statistik berikut ini: H0 :  ≤ 0 versus H1 :  > 0.
22. Hipotesis yang berbunyi ”rata-rata hasil belajar matematika siswa yang diajari
metode penemuan lebih dari pada siswa diajar dengan metode konvensional”
termasuk hipotesis apa? Sebutkan parameternya!, menggunakan uji apa? dan
tuliskan hipotesis statistiknya!
23. Buat dua hipotesis penelitian (verbal) dengan kata-kata sendiri, berdasarkan
hipotesis statistik berikut:H0 : 1 ≥ 2 versus H1 : 1 < 2
24. Misalkan terdapat pernyataan ” Daya tahan lampu pijar neon merk X = 700 Jam”.
Apa nama jenis hipotesis ini? Tuliskan kemungkinan hipotesis alternatifnya.
BAB VII
ESTIMASI PARAMETER
Pengumpulan data kuantitatif melalui sampel penelitian, bertujuan untuk
menarik kesimpulan tentang populasi dari mana sampel itu diambil. Di dalam suatu
populasi terdapat satuan-satuan kuantitatif yang disebut parameter. Pada dasarnya
kesimpulan tentang populasi dinyatakan dalam bentuk estimasi atau pendugaan
terhadap satu atau beberapa parameter tersebut. Selanjutnya di dalam sebuah
sampel acak terdapat satuan-satuan kuantitatif yang disebut statistik. Karena
umumnya kita bekerja pada sampel, maka harga statistik dari suatu sampel itulah
yang kita gunakan untuk membuat estimasi harga parameter di populasi. Harga
statistik itu pula yang kita namakan penduga atau estimator. Ketepatan estimator
menjalankan fungsinya mengestimasi parameter bergantung pada besar kecilnya
jarak antara harga statistik dan harga parameter. Jarak ini biasa disebut kekeliruan
atau galat baku atau standard error. Oleh karena itu sebagai pengantar untuk
mengawali pembahasan estimasi parameter terlebih dahulu diperkenalkan tentang
kekeliruan baku atau galat baku.
A. Galat Baku (Standard Error)

Galat baku juga diartikan sebagai tingkat kemelesetan. Oleh karena itu makin
kecil galat baku, makin kecil tingkat kemelesatan sehingga tingkat keyakinan
(kepercayaan) estimasi terhadap paramter populasi semakin tinggi.
Berdasarkan teorema limit sentral seperti telah dibahas pada bab V,
menunjukkan bahwa rata-rata dari distribusi rata-rata sampel acak akan sama
dengan rata-rata populasi atau nilai harapan dari X atau ditulis  X . Deviasi baku
dari distribusi rata-rata sampel sama dengan kekeliruan baku dari X ; yang biasa
 
ditulis dengan  X  . Jarak baku antara X &  atau  X  disebut
n n
kekeliruan atau galat baku rata-rata populasi dari nilai harapan X atau standard
error mean.
Sebagai ilustrasi bahwa distribusi rata-rata sampel berupa distribusi normal,
dapat dilihat contoh berikut.
Contoh 1.
Andaikan terdapat 2 bilangan sebagai populasi, misalnya 2 dan 6. buatlah distribusi
rata-rata sampel dengan n = 4. Kemudian tunjukkan bahwa rata-rata dari distribusi
rata-rata sampel itu =  (E.T. Russefendi, 1993: 293).
Data Rata-rata Sampel Frekuensi Peluang
2, 2, 2, 2 4 1 1/16
2, 6, 2, 2
2, 2, 6, 2
2, 2, 2, 5 3 4 4/16
6, 2, 2, 2
2, 2, 6, 6
2, 6, 2, 6
6, 6, 2, 2
2, 6, 6, 2 4 6 6/16
6, 2, 6, 2
6, 2, 2, 6
2, 6, 6, 6
6, 2, 6, 6
6, 6, 2, 6 5 4 4/16
6, 6, 6, 2
6, 6, 6, 6 6 1 1/16
Jumlah - 16 1
Dari tabel diatas dapat ditentukan rata-rata dari distribusi sampel X =

(2x1+3x4+4x6+5x4 +6x1)/16 = 4 dan rata-rata populasi: = (2+6)/2 = 4, sedangkan
standar deviasi populasinya ditentukan oleh rumus:
 
x 2
dimana  x1 
2
X  2
( X ) 2
 (2 2  6 2 ) 
(8) 2
8 ,
n n 2
8
maka standar deviasi populasi () = = 4 = 2,
2
Sehingga standard error atau galat baku rata-ratanya adalah :
 2
X  = =1.
n 4
Dari contoh sederhana di atas terlihat bahwa rata-ratanya membentuk
distribusi peluang, dimana rata-rata dari rata-rata sampel adalah sama dengan rata-
rata populasi
Berdasarkan distribusi sampling, maka standard error rata-rata, proporsi,

median, dan standar deviasi disajikan pada tabel berikut.
Tabel 29. Formula Standard Error Beberapa Parameter
Sampel Parameter Standard Error
n  30, untuk 1- rata- 
rata pada populasi ( ) X 
n
terbatas
n  30, untuk -1 rata-  N n
rata populasidengan ) X 
sampel pengembalian n N 1
n  30, untuk -2 rata-  12  22

( 1   2 )  ( X 1 X 2 )  
rata n1 n2
n  30, untuk -1 rata- s
( ) sX 
rata n
2 2
n  30, untuk -2 rata- (n1  1) s1  (n 2  2) s 2
( 1   2 ) s ( X 1 X 2 ) 
rata n1  n 2  2
pq
Untuk -1 proporsi  Sp 
N
p1q1 p2 q2
(1- 2) s( p1 p 2)  
Untuk -2 proporsi n1 n2
1,253s
Untuk -1 median  Semd 
n
Untuk -1 stándar s
 SeS 
deviasi 2n
Keterangan:
 = rata-rata populasi, X = Standar eror perbedaan
 = proporsi populasi, 1- rata-rata
 = median populasi,  ( X 1  X 2)  Standar eror perbedaan 2-
 = standar deviasi populasi, rata-rata
s = standar deviasi sampel, Sp = Standar eror 1- proporsi
N = cacah populasi,
n = cacah sampel/data, s( p1 p 2)  Standar eror 2- proporsi
p = proporsi sampel, Semd = Standar eror median
q = 1- p, SeS = Standar eror standar
deviasi
Contoh 2
Dari 800 mahasiswa suatu Universitas, terpilih 25 mahasiswa sebagai sampel. Hasil
perhitungan data sampel diperoleh, s = 4,08. Tentukan standar eror rata-rata (mean),
proporsi, median, dan standar eror standar deviasi (SD).
Diketahui p = 25/800 = 0,0313, q = 0,987, sehingga diperoleh:
s 4,08
sX  =  0,816 (standar error mean)
n 25
pq (0,0313)(0 ,987)
Sp  =  0,0000386 (standar error proposi)
N 800
1,253 s 1,253 x 4,08
Semd  = = 1,022 (standar error median)
n 25
s 4,08
SeS  = = 0,577 (standar error SD)
2n 2x25
B. Estimasi Tunggal dan Interval

Parameter biasanya jarang diketahui nilainya, karenanya harus diperkirakan
(estimated). Misalnya (1) berapa lembar saham harus dicetak untuk dijual diestimasi
berdasarkan jumlah yang diminta masyarakat, (2) Departemen Kehakiman
mengetahui jumlah perkara yang harus diputuskan sehingga diestimasi jumlah hakim
yang dibutuhkan, dan Departemen Pendidikan Nasional mengangkat sejumlah calon
guru diestimasi berdasarkan jumlah murid dan usia sekolah.
Estimasi atau pendugaan terhadap parameter terdiri atas dua, yaitu estimasi
tunggal atau satu nilai dan estimasi interval atau estimasi yang dibatasi oleh dua
nilai. Sebelum membahas kedua estimasi ini, perlu dijelaskan karakteristik penting
suatu penduga atau estimator sebagai berikut.
1. Karakteristik Estimator
Estimator adalah merupakan fungsi dari nilai observasi yang berasal dari
sampel dengan n elemen. Misalnya rata-rata nilai statistika dari sejumlah
mahasiswa di suatu Universitas adalah sebesar 6,25, maka rata-rata: x  6,25
adalah penduga atau estimator bagi rata-rata seluruh mahasiswa di Universitas
tersebut ().
Ada tiga karakteristik atau ciri penting yang harus dimiliki oleh suatu
estimator, yaitu (1) tak bias, (2) konsisten, dan (3) efisien.
(a) Tak bias
Suatu estimator disebut tak bias jika rata-rata dari rata-rata sampel acak sama
dengan parameter populasi yang ditaksir. Misalnya setiap sampel acak berukuran
n1, n2, n3, n4, n5, ....nk, rata-ratanya adalah x 1 , x 2 , x 3 , ... x k , maka rata-rata dari
x 1  x 2  x 3  ........  x k
rata-rata sampel adalah X   .
nk
Hal ini berarti bahwa rata-rata dari rata-rata sampel acak adalah sama dengan
rata-rata dari populasi. Sehingga rata-rata sampel adalah estimator yang tak bias
bagi rata-rata populasi (). Demikian pula varians sampel (s2) adalah estimator
tak bias bagi varians populasi (2).
(b) Konsisten
Suatu estimator disebut konsisten apabila penambahan jumlah sampel
menyebabkan harga estimator tersebut semakin dekat dengan harga parameter
yang diestimasi. Hal ini berarti bahwa semakin besar sampel yang digunakan
maka semakin dekat harga estimator terhadap harga parameter populasi yang
diestimasi, sehingga estimator tersebut disebut konsisten. Dengan perkataan lain
bahwa sampel berukuran n = 80 jarak nilai rata-ratanya lebih dekat ke rata-rata
populasi dibandingkan dengan sampel berukuran n = 50.
Suatu sampel acak berukuran n1  n2  n3 dari suatu populasi yang sama
maka varians sampel s12, s22, dan s32 dikatakan estimator yang konsisten bila
selisih ketiga varians tersebut adalah (s12 - 2)  (s22 - 2)  , (s32 - 2).
(c) Efisien
Misalkan suatu estimator (E1) pada sampel acak n1 dan estimator (E2) pada
sampel acak n2. Estimator E1 dikatakan efisien jika variansnya relatif lebih kecil
dari E2. Dengan demikian bahwa estimator dari sampel acak yang diambil secara
berulang-ulang pada populasi sama akan merupakan estimator yang efisien atau
yang terbaik (the best) bila estimator tersebut memiliki varians yang relatif paling
kecil dibanding varians estimator lannya.
2. Estimasi Tunggal
Suatu estimasi tunggal adalah estimasi atau pendugaan yang hanya memuat
satu nilai saja. Misalnya rata-rata pengeluaran perhari dari setiap keluarga adalah
sebanyak Rp. 100.000,-. Hal ini berarti bahwa
x  100.000,- adalah penduga atau estimator dari  . Begitupula prosentase
banyaknya barang rusak yang diambil dari suatu box sebesar 15%. Dengan demikian
proporsi (p) = 15 % adalah estimator bagi . Beberapa estimator atau penduga bagi
parameter proporsi, korelasi, varians, dan koefisien regresi (koefisien beta), seperti
diperlihatkan berikut ini.
Parameter   2 
Estimator p r s2 b
3. Estimasi Interval
Estimasi atau pendugaan interval adalah suatu estimasi yang dibatasi oleh
dua nilai atau interval (selang). Nilai tersebut berupa batas bawah dan batas atas.
Misalnya, rata-rata suhu di suatu kota antara 280 – 420. Kita mengharapkan bahwa
suhu sesungguhnya akan terletak di dalam interval tersebut. Interval yang demikian
biasa disebut interval keyakinan (confidence interval). Estimasi yang dinyatakan
dalam bentuk kontinum nilai dalam suatu interval akan memiliki tingkat kemelesetan
lebih kecil dibandingkan dengan estimasi yang dinyatakan dalam suatu angka saja
(tunggal).
Besarnya tingkat kemelesetan, misalnya dalam kegiatan mengestimasi rata-
rata populasi dari rata-rata sampel bergantung kepada besarnya perbedaan antara
sampel satu dengan sampel lain dalam populasi yang bersangkutan. Tingkat
kemelesatan dinyatakan dengan galat, sehingga tingkat galat estimasi rata-rata
populasi dari rata-rata sampel bergantung kepada variasi distribusi rata-rata sampel.
Estimasi interval sampel besar, dianggap mendekati distribusi normal.
Rumus-rumus untuk estimasi rata-rata dan proporsi disajikan sebagai berikut.
a) Estimasi Sampel Besar ( n  30)
(1) Estimasi Interval Untuk Rata-rata ()

 = X  Z
2 n
(2) Estimasi Interval Untuk Perbedaan Dua Rata-rata (1- 2)
(1- 2) = ( X1  X 2 )  Z   ( X 1 X 2 )
2
(3) Estimasi Interval Untuk Proporsi ()

pq
 = p  Z
2
n
(4) Estimasi Interval Untuk Perbedaan Dua Proporsi (1- 2)
p1q1 p q
(1- 2) = ( p1  p 2 )  Z   2 2
2
n1 n2
(5) Estimasi Interval Untuk Median ()
1,253 s
= Med  Z 
( )
2 n
(6) Estimasi Interval Untuk Standar Deviasi ()
s
 = s Z 
( )
2 2n
Rumus-rumus di atas menggunakan nilai Z  . Adapun cara menentukan harga
2
Z  berdasarkan kurva normal, sesuai Tingkat Keyakinan (TK) atau Confidence

2
Interval yang diberi simbol ( 1   ) . Berapa besarnya harga Z  menurut tingkat

2
keyakinan ( 1   )? Misalkan untuk (   5% ) maka TK = 0,95, begitupula untuk

(  1% ) maka TK = 0,99. Perhitungannya dilakukan sebagai berikut.
2,5% 2,5% 0,5% 0,5%
TK = 95% TK = 99%
Z Z Z Z
2 2 2 2
95% 2,5% = 0,025
-1,96 1,96
50% = 0,5
Tabel
Z = Z (0,025) = 0,5 – 0,025 = 0,475 atau 6
2
(  = 5%)  Z  = Z (2,5%) = 50% – 2,5% = 47,5%

2
Sehingga Z  = 1,96. 1,9 0,4750

2
Rangkuman hasil perhitungan untuk beberapa nilai  ditunjukkan sebagai
berikut.
  Z
.( 1   )
2 2
95 % 5% 2,5% = 0,025 1,96

99 % 1% 0,5% = 0,005 2,57
90 % 10% 5% = 0,050 1,65
dst... ...... ........ .......
Beberapa contoh estimasi parameter untuk sampel besar (n  30)

1. Suatu survai yang dilakukan pada 200 orang, bertujuan untuk mengetahui
persepsi masyarakat terhadap transparansi penatakelolaan dana oleh
pemerintah. Dari hasil survai diperoleh rata-rata persepsi 62 dengan standar
deviasi 5,6. Dengan tingkat keyakinan sebesar 95%, buatlah estimasi interval
rata-rata persepsi.
Penyelesaian:
n  200, X  62, dan   5,6.

TK = ( 1   ) = 95%,   = 5%, = 2,5%, Z  = 1,96
2 2
 5,6
 = X  Z = 62  (1,96)( )  62  0,776
2 n 200
Atau 61,22   62,78 . Jadi interval antara 61,22 dan 62,78 akan memuat 
= 62 dengan tingkat keyakinan 95%. Dengan perkataan lain kita yakin 95%
bahwa rata-rata persepsi masyarakat terhadap transfaransi akan terletak antara
61,22 dan 62,78.
2. Suatu eksperimen yang mencobakan dua metode penyuluhan hukum, yaitu

metode ceramah dan pemecahan masalah pada dua kelompok (I dan II). Setelah
tiga bulan penyuluhan, diberikan tes pengetahuan hukum, hasilnya kelompok I
jumlah peserta sebanyak 50 orang memperoleh rata-rata 65,2 dan standar
deviasi sebesar 1,84, sedangkan kelompok II jumlah peserta 38 memperoleh
rata-rata 76,8 dan standar deviasi sebesar 1,65. Dengan menggunakan tingkat
keyakinan 99% lakukan estimasi interval perbedaan rata-rata pengetahuan
hukum kedua kelompok tersebut.
Penyelesaian:
n1  50, 1  65,2,  1  1,84,   1 2  3,39
2
n 2  38,  2  76,8,  2  1,65   2  2,72
 12  22 3,39 2,72
Z  = 2,57,  ( X 1 X 2 )   =   0,1394  0,3733
2
n1 n2 50 38
(1- 2) = I( X1  X 2 )I  Z   ( X 1 X 2)
2
(1- 2) = I 65,2- 76,8I  (0,3733)(2,57) = 11,6  0,959 atau 10,64  (1- 2)
 12,56.
Jadi interval antara 10,64 dan 12,56 akan memuat perbedaan rata-rata kedua
kelompok dengan probabilitas 99%.
3. Suatu sampel random sebanyak 250 butir telur, setelah diteliti ternyata 20 butir
rusak. Dengan menggunakan tingkat keyakinan 95% buatlah estimasi interval
proporsi banyaknya telur rusak.
Penyelesaian:
20
n = 250, x = 20  p   0,08 ,  q = 1 – p = 1- 0,08 = 0,92
250
pq pq (0,08)(0,9 2)
Sp  =   0,0172 , Z  = 1,96
N N 250 2
pq
 = p  Z = 0,08  (1,96) (0,0172)  0,08  0,0337
2
n
0,046    0,114 atau 4,6%    11,4%. Jadi interval antara 4,6% dan
11,4% akan memuat proporsi telur rusak pada tingkat keyakinan 95%.
4. Suatu lembaga survai melakukan penelitian di dua wilayah (I dan II) untuk
mempelajari apakah terdapat perbedaan prosentase penduduk yang setuju
dengan diberlakukannya kebijakan PILKADA. Untuk keperluan tersebut telah
diambil sampel acak masing-masing sebanyak 180 orang di kedua wilayah
tersebut untuk diwawancarai. Dari wilayah I terdapat 90 orang setuju dan wilayah
II terdapat 85 orang setuju. Buat estimasi interval perbedaan proporsi penduduk
yang setuju terhadap kebijakan tersebut pada tingkat keyakinan 90%.
Penyelesaian:
p1 = 90/180 = 0,50  q1 = 1 – p1 = 1- 0,50 = 0,50
p2 = 85/180 = 0,47  q2 = 1 – p2 = 1- 0,47 = 0,53
I p1 – p2 I = I 0,50 – 0,53 I = 0,03, Z  = 1,65
2

(0,50)(0,50) (0,47)(0,53)
s ( p1 p 2 )    0,005708  0,076
90 85
p1q1 p q
(1- 2) = ( p1  p 2 )  Z   2 2
2
n1 n2
(1- 2) = (0,03)  (1,65)(0,076) = 0,03  0,125 = [ -0,086 - 0,155 ]
Atau -0,095  (1- 2)  0,155. Jadi interval antara -9,5% dan 15,5% akan
memuat perbedaan presentase kesetujuan penduduk pada tingkat keyakinan
90%.
5. Misalkan suatu survai yang mengambil sampel acak 500 prajurit bertujuan untuk
mengetahui kompetensi tempur prajurit. Hasil survai memperoleh rata-rata
kompetensi tempur prajurit adalah 68,9, median 65 dan standar deviasi 2,04.
Buatlah estimasi median dan estimasi standar deviasi pada tingkat keyakinan
95%.
Penyelesaian:
n  500, X  68,9 med  65, s  2,04. dan Z  = 1,96
2
1,253 s
 = Med  Z 
( )
2 n
(1,253 ) (2,04)
 = 65  (1,96)  65  (1,96) (0,1143)
500
 = 65  0,224 = (64,78 s/d 65,22)
Jadi interval antara 64,78 dan 65,22 akan memuat median kompetensi prajurit
pada tingkat keyakinan 95%.
s
 = s Z 
( )
2 2n
2,04
 = 2,04  (1,96)  2,04  0,126
2x500
Jadi interval antara 1,91 dan 2,17 akan memuat standar deviasi kompetensi
b) Estimasi Sampel Kecil (n  30)

(1) Estimasi Interval Untuk Rata-rata ()
s
 = X  t
2 n

(2) Estimasi Interval Untuk Perbedaan Dua Rata-rata (1- 2)
(1- 2) = ( X1  X 2 )  t  s ( X 1 X 2)
2
(3) Estimasi Interval Untuk Proporsi ()

pq
 = p  t
2
n
(4) Estimasi Interval Untuk Perbedaan Dua Proporsi (1- 2)
p1q1 p q
(1- 2) = ( p1  p 2 )  t   2 2
2
n1 n2
(5) Estimasi Interval Untuk Median ()
1,253 s
= Med  t 
( )
2 n
(6) Estimasi Interval Untuk Standar Deviasi ()
s
 = s t
( )
2 2n
Beberapa contoh estimasi parameter untuk sampel Kecil (n  30)

1. Enam orang pimpinan partai politik dipilih secara acak, kemudian diukur sikapnya
terhadap kenaikan BBM. Data sikap disajikan sebagai berikut
68 75 85 70 65 80
Buatlah estimasi interval rata-rata sikap pimpinan partai politik pada tingkat
keyakinan 95%.
Penyelesaian:
n  6, X 
X 
443
 73,83, s 
 x2
 7,626 ,
n 6 n -1

( 1   ) = 95%,   = 5%, = 2,5%, db = n -1 = 5, t  = 2,75
2 2
s 7,626
 = X  t = 73,83  (2,75)  73,83  8,56
2 n 6
Jadi interval antara 65,52 dan 82,39 akan memuat rata-rata sikap terhadap
kenaikan BBM pada tingkat keyakinan 95%.
2. Untuk mengetahui apakah perbedaan rata-rata dari kinerja karyawan laki-laki

dan wanita, dipilih sampel acak 8 laki-laki dan masing-masing 10 wanita. Data
kinerja karyawan laki-laki dan wanita disajikan sebagai berikut.

Kinerja Karyawan
Laki-laki wanita
75 65
78 55
85 62
78 75
78 72
72 80
82 58
90 63
- 70
- 50
Buatlah estimasi interval selisih rata-rata kinerja karyawan pada tingkat keyakinan
95%.
Penyelesaian:
n1  8, X1 
X 1

638 2
 79,75, s1 
 x1  32,79
2
n1 8 n1 1
X  x 2  87,33
2
2 650 2
n 2  10, X 2    65, s 2 
n2 10 n 2 1
2 2
(n1  1) s1  (n 2  2) s 2 (7) (32,79)  (9)(87,33)
s ( X 1 X 2 )    7,967
n1  n 2  2 8  10  2

( 1   ) = 95%,   = 5%, = 2,5%,
2
db = 8 + 10 – 2 = 16  t  = 2,12
2
(1- 2) = ( X1  X 2 )  t  s ( X 1 X 2)
2
(1- 2) = (79,75 – 65)  (2,12)(7,967)

(1- 2) = (14,75  16,89) atau -2,14  (1- 2) 31,64.
Jadi interval antara -2,14 dan 31,64 akan memuat perbedaan rata-rata kinerja
karyawan laki-laki dan wanita pada tingkat keyakinan 95%.

3. Misalkan telah diambil sampel acak berukuran 28 orang penduduk, ternyata
terdapat 7 orang yang tidak memiliki NPWP. Buat estimasi proporsi penduduk
yang tidak memiliki NPWP pada tingkat keyakinan 95%.
Penyelesaian:
7
n = 28, x = 7  p   0,25 ,  q = 0,75
28
pq pq (0,25)(0,7 5)
Sp  =   0,082 ,
N N 28

( 1   ) = 95%,   = 5%, = 2,5%,
2
db = n -1 = 27  t  = 2,05
2
pq
 = p  t = 0,25  (2,05) (0,082)  0,25  0,1681
2
n
0,082    0,418 atau 8,2%    41,84%. Jadi interval antara 8,2% dan
41,84% akan memuat proporsi penduduk yang tidak memiliki NPWP pada tingkat
keyakinan 95%.
4. Suatu survai yang ingin mengetahui perbedaan dua proporsi pegawai yang tidak
masuk bekerja. Untuk itu telah diambil sampel acak masing-masing 25 orang
pada kedua instansi pemerintah (I dan II), ternyata terdapat 8 pegawai pada
instansi I dan 5 pegawai pada intansi II. Buat estimasi perbedaan 2 proporsi
pegawai yang tidak masuk bekerja pada jam kerja pada tingkat keyakinan 95%.
Penyelesaian:
8
n1 = 25, x1 = 8  p1   0,32 ,  q1 = 0,68
25
5
n2 = 25, x2 = 5  p 2   0,2 ,  q2 = 0,8
25

( 1   ) = 95%,   = 5%, = 2,5%,
2
db = 25 + 25 - 2 = 48  t  = 2,01
2
(0,32)(0,68) (0,2)(0,8)
s ( p1 p 2 )    0,1229
25 25
.
p1q1 p q
(1- 2) = ( p1  p 2 )  t   2 2
2
n1 n2

(1- 2) = (0,32 – 0,2)  (2,01)(0,1229) = 0,10  0,247
Atau -0,147  (1- 2)  0,347. Jadi interval antara -14,7% dan 34,7% akan
memuat perbedaan 2 proporsi pegawai tidak bekerja pada jam kerja pada tingkat
keyakinan 95%.
C. Latihan
1. Misalkan 100 Mahasiswa dipilih secara acak untuk ditanyai mengenai lamanya
waktu belajar mereka per-hari. Ternyata rata-rata waktu belajar mahasiswa
tersebut adalah 10 jam per-hari dengan simpangan baku sebesar 1,5.
a. Buat estimasi rata-rata lamanya waktu belajar mahasiswa pada tingkat
keyakinan 90%. Tafsirkan hasil yang anda peroleh!
b. Buat estimasi rata-rata lamanya waktu belajar mahasiswa pada tingkat
keyakinan 99%. Tafsirkan hasil yang anda peroleh!
c. Berikan kesimpulan dari hasil estimasi (a) dan (b)!
2. 20 orang bupati telah diambil secara acak untuk diwawancarai mengenai sikap
mereka terhadap bahaya korupsi. Skor sikap terhadap bahaya korupsi ke-20
bupati tersebut disajikan sebagaik berikut.
20 15 17 18 22
21 18 14 15 13
16 14 24 25 26
21 19 18 17 15
dengan menggunakan tingkat keyakinan 95% buat estimasi rata-rata sikap

terhadap bahaya korupsi dari bupati tersebut.
3. Departemen Pariwisata, ingin mengetahui rata-rata pengeluaran wisatawan asing
selama berada di Indonesia. Untuk tujuan tersebut telah diambil sampel acak 15
orang wisatawan untuk di wawancarai. Hasil diperoleh ternyata rata-rata
pengeluaran sebesar Rp. 350.000 dan stándar deviasi sebesar Rp. 12,500,-.
Buat estimasi rata-rata pengeluaran wisatawan tersebut pada tingkat
kepercayaan 95%.
4. Departemen pendidikan Nasional ingin mengetahui kinerja guru pembelajaran
pasca sertifikasi guru. Terdapat dua model sertifikasi, yaitu model penilaian
portofolio dan model PLPG. Untuk keperluan tersebut telah diambil sampel acak
masing-masing 500 guru, ternyata untuk sertifikasi model portofolio diperoleh 200
guru berkinerja tinggi dan model PLPG diperoleh 350 guru berkinerja tinggi. Buat
estimasi antara dua model sertifikasi guru tersebut.

5. Diperlihatkan dalam bentuk distribusi frekuensi berikut.
Skor psikotes Jumlah CPNS Jumlah CPNS
Pria Wanita
30 - 39 6 8
40 - 49 7 10
50 - 59 10 15
60 - 69 15 20
70 - 79 6 12
80 - 89 4 6
90 - 99 2 4
Jumlah 50 75
Apabila intansi pemerintah itu mensyaratkan bahwa yang CPNS (pria dan
Wanita) minimal mendapat 60. Buat estimasi interval perbedaan proporsi CPNS
Pria dan wanita yang lulus psikotes pada tingkat keyakinan 95%.
6. Suatu lembaga survai melakukan penelitian tentang kepuasan para ibu rumah
tangga terhadap acara sinetron TV. Telah diambil sampel acak sebesar 3000 ibu
rumah tangga dan ternyata terdapat 1800 ibu rumah tangga yang merasa puas
dengan acara TV tersebut. Dengan menggunakan tingkat keyakinan 99% buatlah
estimasi proporsi para ibu rumah tangga yang merasa puas dengan acara TV
tersebut.
7. Suatu PTS melakukan penelitian terhadap keaslian (orsinilitas) skripsi buatan
mahasiswa. Dari sampel acak 200 buah kelompok skripsi eksakta ternyata 15
adalah plagiat, dan 300 buah kelompok skripsi non-eksakta ternyata 28 adalah
plagiat. Buatlah estimasi proporsi kedua kelompok skripsi tersebut pada tingkat
kepercayaan 95%.
8. Suatu survai untuk mengetahui kebiasaan merokok mahasiswa di suatu kampus.
Telah diambil sampel acak sebesar 28 mahasiswa dan ternyata diperoleh 8
mahasiwa yang suka merokok di kampus. Buat pendugaan atau estimasi proporsi
mahasiswa yang suka merokok di kampus pada tingkat kepercayaan 95%
9. Suatu survai yang ingin mengetahui perbedaan dua proporsi pegawai yang tidak
masuk bekerja. Untuk itu telah diambil sampel acak masing-masing 20 pegawai
pada instansi pemerintah dan instansi swasta, ternyata terdapat diperoleh 7
pegawai pada instansi pemerintah dan 5 pegawai pada intansi swasta. Buat
estimasi perbedaan 2 proporsi pegawai yang tidak masuk bekerja pada jam kerja

BAB VIII
NORMALITAS DAN HOMOGENITAS
Sebagai persyaratan untuk pengujian hipótesis pada statistik inferensial,

dilakukan pengujian tentang asumsi distribusi normal dan homogenitas. Dalam
praktek, pengujian tentang asumsi ini menentukan jenis teknik analisis atau statistik
uji yang akan digunakan. Pengujian asumsi distribusi normal bertujuan mempelajari
apakah distribusi sampel yang terpilih berasal dari sebuah distribusi populasi normal
atau tak normal. Beberapa teknik analisis seperti uji-t, uji-r, dan uji F, mensyaratkan
perlunya asumsi distribusi normal. Sedangkan teknik analisis seperti Chi-Kuadrat,
Gamma, Tau, Mann- Witney, Wilcoxon dan beberapa teknik analisis statistik non-
parametrik lainnya, tidak membutuhkan asumsi distribusi normal atau bebas
distribusi.
Persyaratan lain yang juga sering dilakukan adalah pengujian asumsi
homogenitas. Pengujian ini menjadi bermakna untuk menjaga komparabilitas
terutama untuk pengujian hipotesis tentang perbedaan rata-rata melalui statistik uji-t
dan uji-F. Sedangkan untuk penelitian survai-korelasi pengertian homogenitas lebih
bersifat konseptual dari pada empiris melalui pengujian homogenitas dengan data
sampel. Dalam penelitian eksperimen pun bila ternyata asumsi homogenitas tidak
dipenuhi maka pengujian hipotesis tentang perbedaan rata-rata dua kelompok, masih
dapat dilakukan yaitu melalui pendekatan statistik uji-t (robust).
A. Pengujian Asumsi Distribusi Normal

Sebagian Perguruan Tinggi/Fakultas/Jurusan dan lembaga penelitian
merekomendasikan untuk menggunakan uji persyaratan distribusi normal sebelum
menggunakan statistik uji tertentu pada statistika inferensial mereka, sebagian lagi
tidak menguji asumsi distribusi normal atau uji normalitas data tetapi cukup dengan
membuat asumsi saja. Untuk yang berpandangan bahwa penggunaan statistik uji
dalam statistik inferensial parametrik mensyaratkan asumsi distribusi normal, dapat
menggunakan beberapa teknik pengujian asumsi distribusi normal sebagai berikut.
1. Uji Normalitas Data Dengan Uji Lilliefors
Uji kenormalan secara nonparametrik dikenal dengan nama uji Lilliefors. Misalkan
kita mempunyai sampel acak dengan hasil pengamatan x1, x2, ... , xn.
Berdasarkan sampel ini akan diuji hipotesis nihil bahwa sampel tersebut berasal
dari populasi berdistribusi normal melawan hipotesis alternatif bahwa populasi
yang berdistribusi tidak normal. Untuk pengujian hipotesis nihil tersebut kita
tempuh dengan prosedur berikut:
(1) Pengamatan x1, x2, ... , xn dijadikan bilangan baku z1, z2, ..., zn dengan
xi  x
menggunakan rumus z  , dimana x dan s masing-masing merupakan
s
rata-rata dan simpangan baku sampel.

(2) Untuk tiap bilangan baku ini dan menggunakan daftar distribusi normal baku,
kemudian dihitung peluang F (zi) = P (z < zi).
(3) Selanjutnya dihitung proporsi z1, z2, ..., zn yang lebih kecil atau sama dengan
zi. Jika proporsi ini dinyatakan oleh S (zi), maka S (zi) =
banyaknya z1 , z 2 ,...,z n yang  z i
n
(4) Hitunglah selisih F (zi) – S (zi) kemudian tentukan harga mutlaknya.
(5) Ambil harga yang paling besar diantara harga-harga mutlak selisih tersebut.
Sebutlah harga terbesar ini L0.
Untuk menerima atau menolak hipotesis nol, kita bandingkan L0 ini dengan
nilai kritis L yang diambil dari daftar berikut untuk taraf nyata  yang dipilih.
Kriterianya adalah: tolak hipotesis nol bahwa populasi berdistribusi normal jika L0
yang diperoleh dari data pengamatan melebihi L dari daftar. Dalam hal lainnya
hipotesis nol diterima.
Tabel 30. Daftar Nilai Kritis untuk Uji Lilliefors
Ukuran Taraf nyata ()
Sampel
(n) 0,01 0,05 0,10 0,15 0,20
9 0,311 0,271 0,249 0,233 0,223
10 0,294 0,258 0,239 0,224 0,215
11 0,284 0,249 0,230 0,217 0,206
12 0,275 0,242 0,223 0,212 0,199
13 0,268 0,234 0,214 0,202 0,190
14 0,261 0,227 0,207 0,194 0,183
15 0,257 0,220 0,201 0,187 0,177
16 0,250 0,213 0,195 0,182 0,173
17 0,245 0,206 0,289 0,177 0,169
18 0,239 0,200 0,184 0,173 0,166
19 0,235 0,195 0,179 0,169 0,163
20 0,231 0,190 0,174 0,166 0,160
25 0,200 0,173 0,158 0,147 0,142
30 0,187 0,161 0,144 0,136 0,131
n  30 1,031 0,886 0,805 0,768 0,736
n n n n n
Contoh perhitungan uji normalitas untuk 30 responden dengan menggunakan

uji Lilliefors disajikan pada tabel berikut.

Tabel 31. Perhitungan Uji Normalitas Data
Xi fi zi F(zi) S(zi) |F(zi)- S(zi)|
67 1 -2.0743 0.0190 0.0333 0.0143
70 1 -1.5470 0.0609 0.0667 0.0058
71 3 -1.3712 0.0852 0.1667 0.0815
72 1 -1.1954 0.1160 0.2000 0.0840
74 2 -0.8438 0.1994 0.2667 0.0673
76 3 -0.4922 0.3113 0.3667 0.0554
77 1 -0.3164 0.3758 0.4000 0.0242
78 2 -0.1406 0.4441 0.4667 0.0226
79 1 0.0352 0.5140 0.5000 0.0140
81 6 0.3867 0.6505 0.7000 0.0495
83 2 0.7383 0.7698 0.7667 0.0031
84 2 0.9141 0.8197 0.8333 0.0136
85 2 1.0899 0.8621 0.9000 0.0379
87 1 1.4415 0.9253 0.9333 0.0080
88 1 1.6173 0.9471 0.9667 0.0196
89 1 1.7931 0.9635 1.0000 0.0365
30 - - - -
Keterangan: Rata-rata = 78,8 , Standar Deviasi = 5,689, Kolom 3 diperoleh

xi  x 67  78,8
dengan menggunaka rumus: z  , misalnyal z1    2,0743,
s 5,689
kolom 4 diperoleh dari daftar distribusi normal untuk setiap nilai Zi (atau dari
Microsoft Excel dengan menekan NORMSDIST pada fungsi statistical), kolom
5 adalah 1/n, misal 1/30 = 0,0333.
Dari hasil analisis pada tabel di atas diperoleh L0 = 0.0840. Sedangkan dari
tabel Lilliefors pada  = 0.05 (n = 30) diperoleh L-tabel = 0,161. Ini berarti L-hitung
(L0) lebih kecil dari L-tabel. Dengan demikian H0 diterima atau data sampel berasal
dari populasi berdistribusi normal.
2. Uji Normalitas Dengan Kolmogorov-Smirnov
Pengujian normalitas data hasil penelitian dengan menggunakan uji
Kolmogorov-Smirnov, dilakukan dengan langkah-langkah sebagai berikut.
a) Perumusan hipotesis.
H0: Sampel berasal dari populasi berdistribusi normal
H1: Sampel berasal dari populasi berdistribusi tidak normal
b) Data diurutkan dari yang terkecil ke yang terbesar.
c) Menentukan kumulatif proporsi (kp)

X -X
d) Data ditranformasi ke skor baku: z i = i
SD
e) Menentukan luas kurva zi (z-tabel)
f) Menentukan a1 dan a2:
a2 : selisih Z-tabel dan kp pada batas atas (a2 = Absolut (kp –Ztab))
a1 : selisih Ztabel dan kp pada batas bawah (a1 = Absolut (a2 –fi/n))
g) Nilai mutlak maksimum dari a1 dan a2 dinotasikan dengan Do
h) Menentukan harga D-tabel (Wayne W. Daniel, 1990: 571)
Untuk n = 30 dan  = 0,05, diperoleh D-tab = 242, sedangkan
1,36 1,36
Untuk n = 60 dan  = 0,05, diperoleh D-tab = = = 0.17557.
n 60
i) Kriteria pengujian
Jika Do  D-tabel maka H0 diterima
Jika Do  D-tabel maka H0 ditolak
j) Kesimpulan
Do  D-tabel: Sampel berasal dari populasi berdistribusi normal
Do  D-tabel: Sampel berasal dari populasi berdistribusi tidak normal
Contoh perhitungan uji normalitas dengan Kolmogorov-Smirnov, sebagai berikut
Tabel 32. Perhitungan Uji Normalitas Data
Xi fi kp zi ztabel a1 a2
158 3 0.10000 -1.4990 0.0669 0.06694 0.03306
160 2 0.16667 -1.2617 0.1035 0.00354 0.06313
163 3 0.26667 -0.9057 0.1825 0.01588 0.08412
165 1 0.30000 -0.6684 0.2519 0.01473 0.04806
166 1 0.33333 -0.5498 0.2912 0.00875 0.04209
167 2 0.40000 -0.4311 0.3332 0.00014 0.06680
169 1 0.43333 -0.1938 0.4232 0.02317 0.01017
170 3 0.53333 -0.0751 0.4700 0.03672 0.06328
171 1 0.56667 0.0435 0.5174 0.01598 0.04932
172 1 0.60000 0.1622 0.5644 0.00226 0.03559
174 3 0.70000 0.3995 0.6552 0.05522 0.04478
176 1 0.73333 0.6368 0.7379 0.02881 0.00453
177 1 0.76667 0.7554 0.7750 0.02500 0.00833
178 3 0.86667 0.8741 0.8090 0.04229 0.05771
179 1 0.90000 0.9927 0.8396 0.02709 0.06042
184 1 0.93333 1.5860 0.9436 0.02304 0.01029
186 1 0.96667 1.8233 0.9659 0.03254 0.00080
191 1 1.00000 2.4165 0.9922 0.02550 0.00783
Mean 170.633
SD 8.428

Keterangan: Kolom 3, misalnya kp untuk Xi = 163 diperoleh dengan cara
(3+2+3)/30 =0,2667. Kolom 4, adalah harga Zi , misalnya Xi = 158, maka Z =
(158 -170,633)/8,428 = -1,4990. Kolom 5 adalah harga Ztab (dari Microsoft
Excel dengan menekan NORMSDIST untuk nilai pada kolom Zi.
Dari perhitungan di atas diperoleh D-hitung (Do) = 0.08412. Sedangkan dari

tabel pada  = 0.05 (n = 30) diperoleh D-tabel = 0,242. Ini berarti Do lebih kecil dari
L-tabel. Dengan demikian H0 diterima atau data sampel berasal dari populasi
berdistribusi normal.
3. Uji Normalitas Dengan Chi-Square (2)

Pengujian normalitas data hasil penelitian dengan menggunakan Chi-Square,
dilakukan dengan langkah-langkah sebagai berikut.
a) Perumusan hipotesis.
H1: Sampel berasal dari populasi berdistribusi tidak norma
b) Data dikelompokan ke dalam distribusi frekuensi.
c) Menentukan proporsi ke-j (Pj)
d) Menentukan 100 Pj yaitu prosentase luas interval ke-j dari suatu distribusi
Xi - X
normal melalui tranformasi ke skor baku: z i =
SD
e) Menghitung nilai  hitung melalui rumus sbb:
2
n (Pj -100Pj) 2
2 
100
 100Pj
f) Menentukan 2 tabel pada derajat bebas (db) = k -3, dimana k banyaknya
kelompok.
g) Kriteria pengujian
Jika 2  2 tabel maka H0 diterima
Jika 2  2 tabel maka H0 ditolak
h) Kesimpulan
2  2 tabel : Sampel berasal dari populasi berdistribusi normal
2  2 tabel : Sampel berasal dari populasi berdistribusi tidak normal
Contoh: Andaikan kita mempunyai distribusi frekuensi 200 skor Matematika

sebagai berikut:

Tabel 33. Perhitungan Uji Normalitas
(Pj - 100Pj) 2
SKOR fj Pj 100Pj Pj – 100Pj
100Pj
60 – 64 5 3 2,59 0,41 0,0649
65 – 69 15 10 9,31 0,69 0,0511
70 – 74 25 17 20,52 -3,52 0,6038
75 – 79 50 33 27,77 5,23 0,9849
80 – 84 30 20 23,07 -3,07 0,4085
85 – 89 18 12 11,77 0,23 0,0045
90 – 94 7 5 3,68 1,32 0,4734
Jumlah 150 100 - - 2,5911
Keterangan: Rata-rata = 77,6 dan SD = 7,01, kolom Pj diperoleh dari
(fj/150)x100, misalnya fi = 25, maka Pj = (25/150)x100 = 17. Misalkan 100P1
(interval 60-64), batas-batasnya 59,5 dan 64,5 sehingga diperoleh harga Z =
-2,58 dan Z = = -1,87, luas daerah antara kedua harga Z tersebut 0,0049 dan
0,0308 (0,0308- 0,0049) = 0,0259, sehingga 100 P1 = 100x0,0258 = 2,59.
n (Pj -100Pj) 2 150

  2
100
 100Pj
 2 
100
(2,5911)  3,8867
Bandingkan: dengan 2tab untuk db = 7 – 3 = 4

2tab = 2 (0,01)(4) = 13,28 sehingga 2 < 2tab atau H0 diterima. Dengan
demikian populasi skor berdistribusi normal.
Cara II: Menghitung normalitas dengan uji Chi-Square
Limit atas fo z Proporsi Frekuensi fe (fo  fe) 2
Kumulatif Kumulatif
fe
64,5 5 -1,87 0,0308 5 5 0,0000
69,5 15 -1,16 0,1239 19 14 0,0714
74,5 25 -0,44 0,3292 49 30 0,8333
79,5 50 0,27 0,6068 91 42 1,5238
84,5 30 0,98 0,8375 126 35 0,7143
89,5 18 1,70 0,9552 143 17 0,0588
94,5 7 2,41 0,9920 149 6 0,1667
Jumlah 150 - - - - 3,2016

Keterangan: Kolom 3, harga Z misalnya untuk X1 = 64,5 diperoleh dengan cara
(64,5-77,6)/7,01 = -1,87. Kolom 4, adalah proporsi kumulatif, yaitu luas dari dari
Zi (pada Microsoft Excel diperolleh dengan cara menekan NORMSDIST untuk
nilai pada kolom Zi). Kolom 5 = kolom 4 dikali 150, misalnya: 0,0308x150 = 5.
(fo - fe)2
Sehingga diperoleh:  2   fe  3,2016.
Bandingkan dengan: 2tab untuk db = 7 – 3 = 4 atau 2tab = 2 (0,01)(4) = 13,28
sehingga 2 < 2tab atau H0 diterima. Dengan demikian populasi skor
Cara III: Menghitung normalitas dengan uji kecocokan Chi-Square

Batas z F(z) Luas fe fo (fo  fe) 2
Kelas Kelas
Interval fe
59,5 -2,59 0,0049 - - - -
64,5 -1,87 0,0308 0,0259 3,89 5 0,3167
69,5 -1,16 0,1239 0,0931 13,97 15 0,0759
74,5 -0,44 0,3292 0,2053 30,80 25 1,0922
79,5 0,27 0,6068 0,2776 41,64 50 1,6784
84,5 0,98 0,8375 0,2307 34,61 30 0,6141
89,5 1,70 0,9552 0,1177 17,66 18 0,0065
94.5 2,41 0,9920 0,0368 5,52 7 0,3968
150 4,1806
Keterangan: Rata-rata = 77,6 dan SD = 7,01, kolom F(z) adalah luas
daerah dari harga z, kolom 4 diperoleh dari selisih F(z) yang berikutnyan
dengan F(z) yang mendahuluinya. Kolom 5 diperoleh dari kolom F(z)x150,
misalnya 0,0259 x150 = 3,889.
(fo - fe)2
  
2
 4,1806 , bandingkan dengan 2tab untuk db = 7- 3 = 4,
fe
diperoleh 2tab = 2 (0,01)(4) = 13,28 sehingga 2 < 2tab atau H0 diterima.
Dengan demikian populasi skor berdistribusi normal.
4. Uji Normalitas Dengan Q-Q Plot

Plot atau disebut Q-Q Plot dapat digunakan untuk menguji asumsi normalitas.
Plot ini dapat dibentuk dari distribusi marginal sampel pada setiap variabel.
Sebuah plot dari quantil-quantil sampel yang terobservasi akan membentuk
distribusi normal. Jika kumpulan titik-titik mendekati suatu garis lurus, maka
asumsi normalitas dapat diperoleh.

Andaikan x1, x2, x3,...... xn, merepresentasikan n buah observasi dari variabel Xi.
Andaikan pula x1  x2  x3 ,..... xn merupakan observasi terurut, maka x(i)
adalah quantil sampel yang berbeda (kurang atau sama dari setiap observasi ke-
i). Selanjutnya proporsi i/n dari sampel yang dibentuk x(i) dapat diperoleh melalui
(i  0,5)
pendekatan yang lebih cocok.
n
Distribusi normal baku dari quantil q(i) didefinisikan oleh hubungan:
q (i ) 1 (i  0,5)

2
P [( Z  q(i)] = e Z /2
dz  p (i)  , dimana p(i) adalah

2 n
probabilitas yang kurang atau sama q (i) yang digambarkan dari distribusi
populasi normal. Idea ini dapat dilihat pada pasangan quantil (q(i), x(i)) yang
(i  0,5)
berasosiasi dengan probabilitas . Jika data diambil dari populasi normal
n
maka pasangan data (q(i), x(i)) akan membentuk sebuah garis linear, dimana
 q (i)   adalah quantil sampel terdekat yang diharapkan. Asumsi normalitas
diperlihatkan oleh hasil uji koefisien korelasi yang signifikan antara data observasi
dengan standar normal quantil, dengan terlebih dahulu menghitung
probabilitasnya. Sebagai contoh sebuah sampel terurut dengan 10 anggota,
dapat ditentukan probabilitas untuk data ke-8 yaitu:
0 , 674 1 (8  0,5)

2
P [ Z  0,674 ] = e Z /2
dz  p (8)  = 0,75.

2 10
Langkah-langkah perhitungan uji-normalitas dengan Q-Q Plots:
1. Merumuskan Hipotesis
H1: Sampel berasal dari populasi berdistribusi tidak normal
2. Mengurutkan data observasi awal atas x1, x2, x3,.............. xn
(1  0,5) (2  0,5) (n  0,5)
3. Menentukan nilai probabilitas atas , ,.........
n n n
4. Menghitung normal baku quantil q(1), q(2),...........q(n),
5. Buat plot pasangan data observasi (q(1), x(1), (q(2), x(2), ....... (q(n), x(n)) dan
uji signifikansi garis yang terbentuk melalui uji koefisien korelasi dengan
rumus deviasi sebagai berikut: rhitung 

x q i i
 x q
2 2
i i
6. Menentukan r-kritis sesuai ukuran sampel (n), dari nilai kritis untuk Q-Q Plot
sebagai berikut:

Tabel 36. Nilai Kritis Uji Koefisien Korelasi Normalitas Q-Q Plot
Ukuran Taraf signifikansi 
Sampel 0,01 0,05 0,10
5 0,8299 0,8788 0,9032
10 0,8801 0,9198 0,9351
15 0,9126 0,9389 0,9503
20 0,9269 0,9508 0,9604
25 0,9410 0,9591 0,9665
30 0,9479 0,9652 0,9715
35 0,9538 0,9682 0,9740
40 0,9599 0,9726 0,9771
45 0,9632 0,9749 0,9792
50 0,9671 0,9768 0,9809
55 0,9695 0,9787 0,9822
60 0,9720 0,9801 0,9836
75 0,9771 0,9838 0,9866
100 0,9822 0,9873 0,9895
200 0,9905 0,9931 0,9942
g) Kesimpulan
Jika rhitung  r tabel maka H0 diterima atau sampel berasal dari populasi
Jika rhitung  r tabel maka H0 ditolak atau sampel berasal dari populasi
berdistribusi tidak normal.
Contoh: Andaikan kita mempunyai data observasi terurut sebagai berikut:
Tabel 37. Perhitungan Uji Normalitas dengan Q-Q Plot
Data Terurut Probabilitas Standar normal
(Xi) (i  0,5) quantil (Q (i))
p (i) 
n
54,5 0,07 -1,476
59,5 0,21 -0,806
64,5 0,36 -0,358
69,5 0,50 -1,392
74,5 0,64 0,359
79,5 0,79 0,806
84,5 0,93 1,476
r hitung 0,8787
r tabel 0,8299 ( = 0,01)
Kesimpulan Berdistribusi normal

Catatan:
(1  0,5) 0,5
Misalkan data urut ke-1, maka p(1)    0,07 dst.
7 7
Kolom ke-3 diperoleh dari daftar distribusi normal untuk setiap probabilitas ke-i (atau
dari Microsoft Excel dengan menekan NORMSINV pada fungsi statistical).
Normalitas suatu distribusi data ditentukan oleh keberartian koefisien korelasi
antara Xi dan quantil qi atau dengan rumus ditampilkan sebagai berikut.
rhitung 
x q i i
dimana
 x q
2 2
i i
( X i )( Q i )
x q i i  X Q i
n
i 
( X ) 2
( Q i ) 2
 xi   X i  n i dan  qi   Qi  n
2 2 2 2
63,985
rhitung   0,8787
(700) (7,575)
Sehingga rhitung  rtab atau H0 diterima. Dengan demikian populasi skor
B. Pengujian Asumsi Homogenitas

Dalam penelitan eksperimental dan non-eksperimental homogenitas sering
diartikan dalam tiga hal, yaitu: homogenitas teori/konsep, homogenitas
kelompok/group, dan homogenitas data. Homogenitas teori/konsep tekait dengan
variabel penelitian. Misalnya, kita ingin meneliti logat penutur bahasa Indonesia.
Populasinya adalah semua orang Indonesia yang sudah lancar berbicara. Jelas
bahwa populasi ini tidak homogen, karena di Indonesia terdapat banyak jenis logat
penutur yang berbeda-beda. Untuk itu, populasi dibagi-bagi ke dalam sub-sub
populasi, misalnya logat Riau, Batak, Padang, Bugis, Banjar, Madura, Jawa, Sunda,
Betawi, Bali, Ambon, Papua, dan logat campuran. Dengan demikian satuan-satuan
elementer dari sub-sub populasi tersebut menjadi homogen, kemudian sampel dapat
ditetapkan dari masing-masing sub-populasi baik secara proporsional atau tidak.
Homogenitas kelompok atau group, terutama ditemui dalam penelitian
eksperimen. Homogenitas dalam pengertian ini bermakna bahwa group-group yang
terbentuk terpilih secara random sehingga group-group tersebut ekivalen dalam
segala hal kecuali perlakukan berbeda yang akan diberikan. Dengan demikian
homogenitas atau ekivalensi dalam segala hal ini diperoleh melalui proses
randomisasi subjek.

Homogenitas data mempunyai arti atau makna bahwa data memiliki variasi
atau keragaman nilai yang sama atau secara statistik sama. Jadi penekanan dari
homogenitas data adalah terdapat pada keragaman varians atau standar deviasi dari
data tersebut. Homogenitas data merupakan salah satu persyaratan yang
direkomendasikan untuk diuji secara statistik tertutama bila menggunakan statistik uji
parametrik, misalnya uji-t dan uji- F. Walaupun demikian, dalam keadaan terpaksa
untuk kasus uji hipotesis perbedaan dua rata-rata dari kelompok yang tak homogen
(heterogen) dapat digunakan pendekatan statistik uji-t. Tulisan ini memfokuskan
pembahasan pada homogenitas data sebagai persyaratan penggunakan statistik uji
dalam statistik inferensial.
Beberapa teknik pengujian homogenitas varians yang biasa digunakan,
dikemukakan sebagai berikut.
1. Homogenitas Varians Dengan Uji-Bartlett
Andaikan empat kelompok A1, A2, A3, dan A4 dengan ukuran sampel masing-
masing sebesar 40 subjek. Uji homogenitas varians dari empat kelompok, yaitu
kelompok A1, A2, A3, dan A4 dilakukan dengan menggunakan uji Bartlett.
Hipotesis yang akan diuji adalah:
2 2 2 2
H0: 1 = 2 = 3 = 4
H1: Bukan H0
Perhitungan pengujian ke-4 kelompok pada taraf signifikansi  =0,05 disajikan
pada tabel berikut
Tabel 38. Perhitungan Uji Homogenitas Varians

Kelompok db s2 Log s2 db Log s2
Sampel
A1 29 73,482 1,8662 54,119
A2 29 81,614 1,9117 55,441
A3 29 134,869 2,1299 61,767
A4 29 62,120 1,7932 52,004
Jumlah 116 352,085 - 223,331
 (n - 1)s = 29(352,085)/116 = 88,021

2
i i
S2gabungan=
 (n - 1) i
B = (Log S 2
)  (n - 1) = (log 88,021)(116) = 225,572
gabungan i
2hitung = (ln10)(B –  (n - 1)log s ) = (2,3026)( 225,572 - 223,331) = 5,16

i
2
2hitung = 5,16 dan 2(0,05)(3) = 7,81.

2 2
Hasil perhitungan menunjukkan bahwa  hitung = 5,16   (0,05)(3) = 7,81 yang
berarti Ho diterima. Dengan demikian keempat kelompok data mempunyai
varians yang sama atau skor dari keempat kelompok adalah homogen.
2. Homogenitas Varians Dua Buah Variabel Independent Dengan Uji-F

Andaikan kita ingin mengetahui apakah nilai Matematika pada dua kelompok
yang independent, misalkan kelas regular dan kelas eksekutif mempunyai varians
yang sama (homogen), maka kita dapat menguji homogenitasnya dengan
menggunakan uji F. Formula statistik uji F diekspresikan sebagai berikut:
2
Varians TerbesarS b
F 
Varians Terkecil 2
S k
db1 = (n1 – 1) dan db2 = (n2 – 1)
Adapun hipotesis statistiknya:
2 2
H0: 1 = 2
2 2
H1: 1  2
pada tabel berikut.
Kelompok n db s2
A1 30 29 73,482
A2 30 29 81,614
Varians Terbesar 81,614

F   1,11
Varians Terkecil 73,482
Bandingkan dengan Ftabel pada db pembilang = 29 dan db penyebut = 29.
Ftabel = F(0,05)(29 ; 29) = 1,85 dan F(0,01) (29 ;29) = 2,41.
Karena Fhitung lebih kecil dari Ftabel maka H0 diterima. Jadi kedua distribusi
populasi adalah mempunyai varians sama atau homogen.
.
3. Homogenitas Varians Dua Buah Berkorelasi (Dependent) Dengan Uji-t

Andaikan kita ingin mengetahui apakah nilai Matematika pada dua kelompok
yang tak independent (berkorelasi), misalkan distribusi skor pada pre-tes dan
pos-tes mempunyai varians yang sama (homogen), maka kita dapat menguji
homogenitasnya dengan menggunakan uji t. Adapun formula statistik uji t yang
dimaksud diekspresikan sebagai berikut:

2 2
S1  S2
t dengan deraja kebebasan: db = (n – 2)
1- r 2
2S1S2 12
db
Adapun hipotesis statistiknya:
2 2
H0: 1 = 2
2 2
H1: 1  2
pada tabel berikut.
Statistik Pretes Pos-tes
n 30 30
s 11,614 7,882
s2 134,869 62,120
r (pre-pos) 0,252
db n – 2 = 28
134,869  62,120
t  2,173
1 - 0,252 2
2(11,614)(7,882)
28
Bandingkan dengan t tabel pada db = 28 dan  = 0,05, yaitu ttabel = t(0,05)(28) =
2,048. Karena t hitung lebih kecil dari t tabel maka H0 diterima. Jadi kedua distribusi
populasi adalah mempunyai varians sama atau homogen.
4. Homogenitas Varians Dengan Uji Fmaks Hartley

Uji homogenitas varians dengan Fmaks untuk melihat apakah varians k buah
kelompok sama atau berbeda. Uji homogenitas ini sama dengan uji Bartlett,
perbedaanya ialah uji cara ini dibandingkan cara Batlett kurang kuat (Glass dan
Hopkins, 1984: 226). Cara Hartley lebih sederhana dan lebih cepat dalam
menentukan homogen tidaknya beberapa kelompok distribusi. Adapun formula
statistik uji F yang dimaksud diekspresikan sebagai berikut.
2
Varians Terbesar S b
F  
maks 2
Varians Terkecil S k

dengan derajat kebebasan: db1 = (n1 – 1) dan db2 = (n2 – 1)
Hipotesis yang akan diuji adalah:
2 2 2 2 2
H0: 1 = 2 = 3 = 4 = …………= k
H1: Bukan H0
Perhitungan pengujian homogentitas k buah kelompok pada taraf signifikansi 

=0,05 disajikan pada contoh berikut.
Kelompok n db s2
A1 30 29 73,482
A2 30 29 81,614
A3 30 29 134,869
A4 30 29 62,120
Varians Terbesar 134,869

F    2,171
maks
Varians Terkecil 62,120
Bandingkan dengan Ftabel pada  = 0,05 dan derajat bebas (db) pembilang = 29
dan derajat bebas (db) penyebut = 29. Ftabel = F(0,05)(29 ; 29) = 1,85. Karena
Fhitung lebih kecil dari Ftabel maka H0 diterima. Jadi keempat distribusi populasi
mempunyai varians yang sama atau homogen.
5. Homogenitas Varians Dengan Cara Scheffé (Anova- 1 Jalan)

Perhatikan hipotesis nihil dari variansi k buah kelompok sebagai berikut.
H0 : 12 = 22 = 32 = . . . = k2
Homogenitas dengan cara Scheffé, menggunakan prinsip kerja dalam ANOVA 1-
jalan. Uji cara Scheffé ini dapat dipergunakan untuk banyaknya data per
kelompok tidak sama dan populasi induknya boleh tidak normal Statistik uji F-nya
adalah sebagai berikut.
RJKa
Fhit = , dengan:
RJK i
RJKa = rerata jumlah kuadrat antar kelompok
RJKi = rerata jumlah kuadrat dalam kelompok.
Cara melakukan perhitungannya adalah sebagai berikut.
a) Bagilah angota kelompok secara acak ke dalam sub kelompok, setiap
kelompok paling sedikit terdapat empat buah.
b) Menghitung Jumlah Kuadrat (JK) untuk sumber variansi, yaitu: Antar (a), dan
Dalam (i),

c) Menentukan derajat kebebasan (db) masing-masing sumber variansi
d) Menentukan Rata-rata Jumlah Kuadrat (RJK)
RJKa
e) Menghitung harga Fhit = ,
RJK i
f) Kesimpulan
Jika Fhit  Ftab, maka Ho diterma artinya kelompok distribusi data mempunyai
varians homogen. Sebaliknya Fhit  Ftab, maka Ho ditolak, artinya kelompok
distribusi data tidak homogen
Contoh: Misalkan kita memperoleh data hasil belajar sebagai pengaruh
pemberian tiga metode, yaitu metode ceramah (A1), metode diskusi (A2), dan
metode inquiri (A3). Data ketiga kelompok sebagai berikut:
Kelompok A1 : 5, 6, 7, 8, 7, 8, 6, 7, 8, 8, 5, 6,
Kelompok A2 : 5, 3, 7, 8, 7, 5, 6, 7, 6, 8, 5, 4, 8, 6, 7, 7
Kelompok A3 : 7, 8, 6, 7, 8, 5, 5, 3.
Selanjutnya kelompok A1 dapat disebarkan acak menjadi 3 kelompok,
kelompok A2 dapat disebarkan acak menjadi 4 kelompok, dan kelompok A3
dapat disebarkan acak menjadi 2 kelompok.

Kelompok Ceramah Kelompok Diskusi Kelompok Inquri
Skor s12 lns12 Skor s22 ln s22 Skor s32 ln s32
6,8,8,7 0,92 -0,09 6,8,7,7 0,67 -0,41 8,6,8,5 2,25 0,811
5,7,5,8 2,25 0,811 7,5,6,7 0,92 -0,09 5,3,7,7 3,67 1,299
6,8,6,7 0,92 -0,09 5,3,7,8 4,92 1,59
6,8,5,4 2,92 1,07 X 3 = 1,055
X 1 = 0,210 JK3 = 0,119
JK1 = 0,541 X 2 = 0,540
JK2 = 2,683
Catatan:
(-0,09  0,811- 0,09) 0,631
X1 =   1,428
3 3
JK1 = (-0,09 – 0,210)2 + (0,811 – 0,210)2 + (-0,09 – 0,210)2 = 0,541
Menghitung: JKa = ki ( Xi - X t )2
3(0,210) 4(0,540)  2(1,055) 4,90
Xt =   0,544
3 4  2 9
JKa = 3(0,210 – 0,544)2 + 4(0,540 - 0,544)2 + 2(1,055 - 0,544)2 = 0,857
JK a 0,857
RJKa =   0,4285
k -1 3 1

(JK1  JK 2  JK 3 ) 0,541  2,683  0,119 3,343
RJKi =    0,4776
(N - a) 10  3 7
RJKa 0,4285
F   0,897 bandingkan dengan Ftab = F(0,01) (2: 7) = 9,55.
RJKi 0,4776
Fhitung < Ftab, atau H0 diterima. Sehingga skor ketiga kelompok mempunyai
varians sama (homogen).
C. Latihan
1. Berikan alasan mengapa kita perlu melakukan uji normalitas terhadap data hasil
penelitian.
2. Pada hipotesis tentang perbandingan, misalnya perbandingan rata-rata hasil
belajar antara dua kelompok, maka uji homogenitas perlu dilakukan. Mengapa?
3. Jelaskan perbedaan pengujian homogenitas antara cara Bartlett dan cara
Scheffe.
4. Apakah setiap distribusi data yang tidak homogen tidak boleh menggunakan
statistik uji-t?
5. Lengkapi tabel perhitungan uji normalitas dengan Q-Q Plot berikut ini.
Data Terurut Probabilitas Standar normal

(Xi) (Pi) quantil (Q (i))
65
70
75
80
85
90
95
r hitung
r tabel 0,8299 ( = 0,01)
Kesimpulan
6. Periksa apakah data berikut berdistribusi normal dan mempunyai varians yang
homogen.
Xi 5 6 7 8 9 10 12 13 14 15 16 18 20
f 2 3 4 5 6 8 10 8 9 6 7 8 4
7. Efektivitas empat metode mengajar, yaitu Pemecahan Masalah (A1), Penemuan

(A2), Inquiri (A3) dan Konvensional (A4) terlihat dari skor hasil belajar

Matematika keempat kelompok yang diberi metode tersebut selama tiga bulan.
Data hasil belajar Matematika disajikan sebagai berikut:
A1 A2 A3 A4
9 9 8 6
8 8 7 7
8 7 6 6
9 7 6 6
8 8 7 5
8 8 7 7
9 7 7 8
9 7 6 5
9 7 5 5
8 5 5 4
a) Lakukan pengujian normatlitas data setiap kelompok dengan menggunakan

cara:
(i) Lilliefors,
(ii) Kolmogorov-Smirnov, dan
(iii) Chi-Kuadrat yang sesuai.
b) Lakukan pengujian homogenitas dengan menggunakan cara;
(i) Bartlett,
(ii) Hartley, dan
(iii) Scheffe!
Selamat bekerja, semoga sukses!

BAB IX
ANALISIS REGRESI
Analisis regresi merupakan teknik analisis yang khas untuk penelitian
korelasi. Analisis korelasi adalah analisis yang berusaha untuk melihat apakah antara
dua variabel atau lebih ada hubungan atau tidak, mengukur kekuatan hubungannya,
membuat ramalan yang didasarkan kepada kuat lemahnya hubungan tersebut.
Teknik analisis ini berguna untuk mempelajari variabel-variabel yang mempunyai
hubungan berdasarkan teori yang dibangun sebelumnya sehingga arah pertalian
diharapkan dapat ditemukan.
A. Analisis Regresi Sederhana

Jika skala pengukuran data dari dua varibel yang akan dianalisis merupakan
interval atau rasio maka untuk menjelaskan hubungan antara kedua variabel tersebut
dapat dilakukan dengan menggunakan regresi sederhana. Misalkan kedua variabel
tersebut adalah X dan Y, maka hubungan antara Y dengan X atau biasa disebut
dengan regresi Y atas X. Variable X disebut variabel bebas (predictor) dan Y disebut
variabel tak bebas (criterion). Hubungan tersebut dinyatakan dalam suatu persamaan
matematika sebagai berikut:
Model : Y =  + X +  (populasi)
Fungsi Taksiran : Ŷ = a + bX (sampel)
Dimana a = konstanta, b = koefisien regresi, yang dapat diperoleh dari data
sampel. Untuk keperluan itu dibutuhkan pasangan data (X,Y) sebanyak n, misalkan
sebagai berikut.
No.
X Y
Subyek
1 X1 Y1
2 X2 Y2
3 X3 Y3
4 X4 Y4
. . .
. . .
. . .
n Xn Yn
.
Dengan persyaratan sampel yang terpilih adalah sampel random dari populasinya
normal, dan homogen.

Dari perhitungan melalui pasangan data (X,Y) dapat ditentukan:
(1) Persamaan atau model regresi Y atas X.
(2) Linearitas dan signifikansi regresi Y atas X.
(3) Koefisien korelasi dan koefisien determinasi.
Contoh
Misalnya kita membahas hubungan antara kompetensi (X) dan kinerja pegawai (Y).
Untuk itu kita ambil sampel acak sebanyak 15 orang sebagai berikut.
No. X Y
Subyek
1 40 4
2 55 16
3 32 12
4 55 24
5 50 15
6 52 24
7 61 22
8 44 17
9 30 4
10 22 14
11 40 24
12 64 26
13 58 20
14 48 9
15 44 14
Pertanyaan:
a. Tentukan Persamaan regresi Y atas X.
b. Lakukan pengujian:
(i) Linearitas regresi Y atas X.
(ii) Signifikansi/keberartian regresi Y atas X.
c. Hitung koefisien korelasi dan koefisien determinasi Y dan X.
Penyelesaian:
Untuk menjawab persoalan regresi sederhana di atas, terlebih dahulu kita
membuat tabel persiapan atau tabel kerja. Tabel ini berguna untuk memudahkan kita
menghitung jumlah kuadrat dan jumlah hasil kali dari variabel X dan Y (terutama
untuk pemula), sebagai berikut.

Tabel 43. Persiapan Regresi Sederhana
No. X X2 Y Y2 XY
Subyek
1 40 1600 4 16 160
2 55 3025 16 256 880
3 32 1042 12 144 384
4 55 3025 24 576 1320
5 50 2500 15 225 750
6 52 2704 24 576 1248
7 61 3721 22 484 1342
8 44 1936 17 289 748
9 30 900 4 16 120
10 22 484 14 196 308
11 40 1600 24 576 960
12 64 4096 26 676 1664
13 58 3364 20 400 1160
14 48 2304 9 81 432
15 44 1936 14 196 616
Jumlah 695 34219 245 4707 12092
a. Menentukan persamaan regresi Y atas X ( Ŷ  a  bX )

Dari tabel di atas, dapat ditentukan persamaan atau model regresi sebagai
berikut.
Ŷ = a + b X
b =
 xy
x 2
a = Y-b X
dimana:
 X = 695,  X2 = 34219, X1  46.33
 Y = 245,  Y2 = 4707, Y  16,33
 XY = 12092
 xy =  XY -    12092- (695)(245)
( X)( Y)
 740,333
n 15
( X) 2 (695)2
 x2 =  X 2   34219 -  2017,333
n 15
( Y) 2 (245)2
y 2
= Y 2
  4707 -  705,333
n 15

740,333
b =  0,367
2017,333
a = 16,33 - (0,367)(46,33)  - 0,67
ˆ  - 0,67  0,367 X
Persamaan regresi Y atas X adalah: Y
b). Uji Linearitas dan Signifikansi Regresi Y atas X
Pengujian linearitas dan signifikansi Regresi Y atas X dilakukan dengan langkah-
langkah sebagai berikut:
(i) Menghitung Jumlah Kuadrat (JK) Beberapa Sumber Varians
JK(T) =  Y2 = 4707
( Y) 2 245 2
JK(a) =   4001,667
n 15
JK(b/a) = b xy = (0,367)(740,333) = 271,692
JK(S) = JK(T) - JK(a) - JK(b/a)
= 4707 – 4001,667 – 271,692 = 433,641

i  12 ( Yi ) 2 
  i
2
JK(G) = Y  ,
i 1  n i 
untuk itu data terlebih dahulu diurut menurut variabel X:
X 22 30 32 40 40 44 44 48 50 52 55 55 58 61 64
Y 14 4 12 4 24 17 14 9 15 24 16 24 20 22 26
2 282
2 2 2 312 2 2 402
JK(G) = (4  24  ) + (17  14  ) + (16  24  ) = 236,5
2 2 2
JK(Tc) = JK(S) – JK(G) = 433,641 - 236,5 = 197,141
(ii) Menentukan Derajat Bebas (db) Beberapa Sumber Varians
db (T) = n = 15
db (a) = 1
db (b/a) = 1
db (S) = n – 2 = 15 – 2 = 13
db (G) = n – k = 15 – 12 = 3 ( k = 12 )
db (Tc) = k – 2 = 12 – 2 = 10
(iii) Menghitung Rata-rata Jumlah Kuadrat (RJK)
JK(a) 4001,667
RJK(a) =   4001,667
db(a) 1
JK(b/a) 271,692
RJK(b/a) =   271,692
db(b/a) 1
JK(S) 433,641
RJK(S) =   33,357
db(S) 13

JK(G) 236,5
RJK(G) =   78,833
db(G) 3
JK(Tc) 197,141
RJK(Tc) =   19,7141
db(Tc) 10
(iv) Menentukan Fhitung

Fhitung yang akan ditentukan adalah berkaitan dengan uji lineritas dan uji
signifikansi regresi
Uji Linearitas Regresi Y atas X
H0: Y =  + X (regresi linear)
H1: Y   + X (regresi tak linear)
RJK(Tc) 19,7141
Fhit(Tc) =   0,2501
RJK(G) 78,833
Ftab(0.05: 10; 3) = 8,78 dan Ftab(0.01: 10; 3) = 27,23
Sehingga Fhit (Tc) lebih kecil atau sama dengan Ftab, ini berarti H0
diterima. Dengan demikian regresi Y atas X adalah linear.
Uji Signifikansi Regresi Y atas X

H0:  ≤ 0 (regresi tak berarti)
H1:  > 0 (regresi berarti)
RJK(b/a) 271,692
Fhit (b/a) =   8,145
RJK(S) 33,357
Ftab(0.05: 1; 13) = 4,67 dan Ftab(0.01: 1; 13) = 9,07
Sehingga Fhit (b/a) lebih besar dari pada Ftab. Hal ini berarti H0 ditolak pada
taraf signifikansi  = 0.05. Dengan demikian regresi Y atas X adalah berarti
atau signifikan. Kesimpulan dari pengujian linearitas signifikansi regresi yaitu:
terdapat hubungan antara kompetensi dengan kinerja pegawai.
(v) Menyusun Tabel Anava Regresi
Tabel analisis varians regresi atau biasa disebut dengan tabel anareg, adalah
tabel memuat rangkuman hasil analisis linearitas dan signifikansi regresi.
Bentuk tabel tersebut disajikan sebagai berikut.

ˆ  - 0,67  0,367 X
Tabel 44. Uji Linearitas dan Signifikansi Y
Sumber Ftab
db JK RJK Fhit
Varians
 = 0.05  = 0.01
Total 15 4707 -
Regresi (a) 1 4001,667 4001,667

Regresi (b/a) 1 271,692 271,692
8,145* 4,67 9,07
Sisa 13 433,641 33,357
Tuna Cocok 10 197,141 19,7141

0,250ns 8,78 27,23
Galat 3 236,5 78,833
Keterangan:
* = regresi signifikan (Fhit = 8,145 > Ftab = 4,67)
ns = non signifikan atau regresi linear (Fhit = 0,250 < Ftab = 8,78)
db = derajat bebas
JK = jumlah kuadrat
RJK = Rata-rata jumlah kuadrat
Fhit = F hitung
Ftab = F tabel
c). Koefisien Korelasi dan Uji Signifikansi Koefisien Korelasi X dan Y

Koefisien korelasi adalah koefisien yang memperlihatkan tingkat keeratan
hubungan antara variabel X dan Y.
(i) Koefisien korelasi antara X dan Y
rxy 
 xy 
740,333
 0,621
( x )( y
2 2
) (2017,333)(705,333)
Jadi koefisien korelasi antara X dan Y adalah 0,621
(ii) Uji Signifikansi Koefisien Korelasi X dan Y

H0:  ≤ 0
H1:  > 0
rxy n - 2 0,621 13
t hitung    2,849
2
1- r xy 1 - 0,6212
ttab(0,95: 13) = 1,77 dan ttab(0,99: 13) = 2,65

Sehingga thit > ttab atau H0 ditolak. Ini berarti bahwa korelasi antara X
dengan Y adalah sangat signifikan. Karena koefisien korelasi adalah positif,
maka dapat dikatakan bahwa koefisien korelasi antara X dan Y bersifat
positif dan sangat signifikan artinya makin tinggi kompetensi makin tinggi
pula kinerja pegawai yang dapat dicapai.
(iii) Koefisien Determinasi
Koefisien determinasi adalah sebuah koefisien yang memperlihatkan
besarnya variasi yang ditimbulkan oleh variabel bebas (predictor) yang
dinyatakan dengan prosentase. Koefisien determinasi didefenisikan sebagai
kuadrat dari koefisien korelasi. Sehingga untuk hasil analisis diatas,
koefisien determinasi antara X dan Y adalah kuadrat dari rxy = 0,385, yaitu
r2xy = 0,385. Koefisien mengandung makna bahwa 38,5% variasi kinerja
pegawai dapat dijelaskan oleh kompetensi.
Jika kita telah memahami konsep analisis regresi, kita dapat menggunakan
program SPSS dengan berbagai versi. Untuk contoh yang baru kita bahas di atas
dapat kita sajikan dalam bentuk print out SPSS versi 15.0 sebagai berikut.
1. Persamaan regresi linear
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -.670 6.142 -.109 .915
X .367 .129 .621 2.854 .014
a. Dependent Variable: Y
Dari tabel coefficients ini, konstanta dan koefisien persamaan regresi linear
ˆ  - 0,67  0,367 X
diperoleh dari kolom B, yaitu: Y
2. Uji linearitas dan signifikansi persamaan regresi

Pengujian linearitas dan signifikansi persamaan regresi ditentukan berdasarkan
tabel Anovab dan Anova table, sebagai berikut.

ANOVA Table
Sum of
Squares df Mean Square F Sig.
Y*X Between (Combined) 468.833 11 42.621 .541 .803
Groups Linearity 271.692 1 271.692 3.446 .160
Deviation from Linearity 197.141 10 19.714 .250 .959
Within Groups 236.500 3 78.833
Total 705.333 14
Hipotesis statistik:
H0: Y =  + X (regresi linear)
H1: Y   + X (regresi tak linear)
Uji linearitas persamaan garis regresi diperoleh dari baris Deviation from
Linearity, yaitu Fhit(Tc) = 0,250, dengan p-value = 0,959  0,05. Hal ini berarti H0
diterima atau persamaan regresi Y atas X adalah linear atau berupa garis linear.
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 271.692 1 271.692 8.145 .014a
Residual 433.641 13 33.357
Total 705.333 14
a. Predictors: (Constant), X
b. Dependent Variable: Y
H0:  ≤ 0 (regresi tak berarti)
H1:  > 0 (regresi berarti)
Uji linearitas persamaan garis regresi diperoleh dari baris Deviation from Linearity
kolom ke-5, yaitu Fhit (b/a) = 8,145, dan p-value = 0,014  0,05. Hal ini berarti H0
ditolak. Dengan demikian regresi Y atas X adalah berarti atau signifikan.
3. Uji Signifikansi Koefisien Korelasi X dan Y

Hipotesis statistik
H0:  ≤ 0
H1:  > 0

Model Summary
Model
1
R .621a
R Square .385
Adjusted R Square
.338
Std. Error of the Estimate

5.776
Change Statistics R Square

.385
Change
F Change 8.145
df1 1
df2 13
Sig. F Change
.014
a. Predictors: (Constant), X
Uji signifikansi koefisien korelasi diperoleh dari tabel Model Summary. Terlihat
pada baris pertama koefisien korelasi (rxy) = 0,621 dan Fhit (Fchange) = 8,145,
dengan p-value = 0,014  0,05. Hal ini berarti H0 ditolak. Dengan demikian
koefisien korelasi X dan Y adalah berarti atau signifikan. Sedangkan koefisien
determinasi dari tabel di atas terlihat pada baris ke-dua, yaitu R Square = 0,385,
yang mengandung makna bahwa 38,5% variasi kinerja pegawai dapat dijelaskan
oleh kompetensi.
B. Analisis Regresi Ganda Dua Prediktor

Jika skala pengukuran dari dua variabel bebas (predictor) dan sebuah
variabel tak bebas (criterion) yang akan dianalisis merupakan interval atau rasio
maka untuk menjelaskan hubungan antara variabel tersebut dapat dilakukan dengan
menggunakan regresi linear ganda dengan dua prediktor.
Misalkan variabel bebas tersebut adalah X1, X2 dan variabel terikatnya adalah
Y, maka hubungan antara X1, X2 dan Y atau dinamakan regresi ganda Y atas X1 dan
X2. Hubungan atau pertautan antara variabel tersebut dinyatakan dalam persamaan
matematika berikut:
Model : Y = 0 +  1 X1 +  2 X2 +  (populasi)
Fungsi Taksiran : Ŷ = b0 + b1 X1 + b2 X2 (sampel)
Dimana b0 adalah konstanta, b1 dan b2 masing-masing koefisien regresi yang
berkaitan dengan variabel X1 dan X2. Nilai b0 adalah konstanta, b1 dan b2 yang dapat

diperoleh dari data sampel. Untuk keperluan itu dibutuhkan pasangan data (X 1, X2,
Y), dengan persyaratan diambil secara random, populasinya normal, dan homogen.
No. X1 X2 Y
Subyek
1 X11 X21 Y1
2 X12 X22 Y2
3 X13 X23 Y3
4 X14 X24 Y4
. . . .
. . . .
. . . .
.n X1n . X2n Yn
Dari tabel ini ditentukan jumlah kuadrat dan jumlah hasil kali antara variabel
dapat ditentukan dengan menggunakan rumus deviasi, yang selanjutnya digunakan
untuk menentukan:
(1) Persamaan regresi ganda Y atas X1 dan X2.
(2) Signifikansi persamaan regresi ganda Y atas X1 dan X2.
(3) Koefisien korelasi ganda dan koefisien determinasinya.
(4) Signifikansi koefisien persamaan regresi ganda Y atas X1 dan X2.
(5) Koefisien korelasi parsial dan signifikansinya.
Contoh
Misalnya kita akan membahas hubungan antara kompetensi (X1) dan kompensasi
(X2) dengan kinerja pegawai (Y). Untuk tujuan ini misalnya kita ambil sampel acak
sebagai berikut.
No.
X1 X2 Y
Subyek
1 12 10 6
2 14 11 7
3 10 14 8
4 16 13 8
5 18 15 9
6 24 20 10
7 12 8 5
8 30 16 12
9 10 12 6
10 16 9 7
Jumlah 162 128 78

Pertanyaan:
a. Tentukan persamaan regresi ganda Y atas X1 dan X2.
b. Lakukan pengujian signifikansi regresi ganda Y atas X1 dan X2.
c. Hitung dan uji signifikansi koefisien korelasi ganda Y atas X1 dan X2.
d. Lakukan pengujian signifikansi koefisien persamaan regresi ganda Y atas
X1 dan X2.
e. Hitung dan uji signifikansi koefisien korelasi parsial.
f. Tentukan peringkat hubungan antara variabel bebas dan variabel tak bebas.
Penyelesaian:
Tabel 45. Persiapan Regresi Ganda Dua Prediktor
No.
X1 X2 Y X12 X22 Y2 X1 Y X2 Y X1X2
Subyek
1 12 10 6 144 100 36 72 60 120
2 14 11 7 196 121 49 98 77 154
3 10 14 8 100 196 64 80 112 140
4 16 13 8 256 169 64 128 104 208
5 18 15 9 324 225 81 162 135 270
6 24 20 10 576 400 100 240 200 480
7 12 8 5 144 64 25 60 40 96
8 30 16 12 900 256 144 360 192 480
9 10 12 6 100 144 36 60 72 120
10 16 9 7 256 81 49 112 63 144
Jumlah 162 128 78 2996 1756 648 1372 1055 2212
a. Menentukan Persamaan Regresi Linear Ganda Y atas X1 dan X2

Untuk menentukan persamaan regresi ditentukan nilai-nilai sbb:
 X1 = 162  X2 = 128  Y = 78
 X12 = 2996  X22 = 1756  Y = 648
 x12 = 371,6  x22 = 117,6  y2 = 39,6
X1 = 16,2 X2 = 12,8 Y = 7,8

 X1Y = 1372   x1y = 108,4
 X2Y = 1055   x2y = 56,6
 X1X2 = 2212   x1x2 = 138,4

.

Selanjutnya dibentuk persamaan berikut:
b1  x1  b2  x1 x2  x y
2
1
b1  x1 x2  b2  x2  x
2
2 y
x y x x
1 1 2
x y x
2
2 2
b1 
 x x x
1
2
1 2

 
 x x x
2
1 2 2 
x x y
2
1 1
b2 
x x x y
1 2 2
 x  x x 
1
2
1 2

 x x  x 
2
1 2 2
( x 2 )( x1 y ) - (  x1 x 2 )( x 2 y )
2
b1 
( x1 )( x 2 ) - (  x1 x 2 ) 2
2 2
(117,6)(10 8,4)  (138,4)(56 ,6) 4914,4

b1  2
  0,200215
(371,6)(11 7,6)  (138,4) 24545,6
( x1 )( x 2 y ) - (  x1 x 2 )( x1 y )
2
b2 
( x1 )( x 2 ) - (  x1 x 2 ) 2
2 2
(371,6)(56 ,6)  (138,4)(10 8,4) 6030

b2  2
  0,245665
(371,6)(11 7,6)  (138,4) 24545,6
b0 = Y - b1 X 1 - b 2 X 2
b0 = 7,8 - (0,200215)(16,2) – (0,245665)(12,8) = 1,412001

Persamaan/model regresi ganda Y atas X1 dan X2 diekspresikan sebagai:
ˆ  1,412001  0,200215 X  0,245665 X atau
Y 1 2
ˆ
Y  0,412  0,200 X1  0,246 X 2 (pembulatan).

b. Uji Signifikansi Persamaan Regresi Ganda Y atas X1 dan X2
Untuk menguji apakah Regresi Linear Ganda Y atas X1 dan X2
ˆ  0,412  0,200 X  0,246 X ) bersifat signifikan atau tidak
(Y dilakukan
1 2
dengan langkah-langkah sebagai berikut.
(i) Menghitung Jumlah Kuadrat (JK) Beberapa Sumber Varians
JK(T) =  y = 39,6
2
JK(Reg)= b  x y  b  x
1 1 2 2 y = (0,200)(108,4)+(0,246)(56,6)=35,608
JK(Res) = JK(T) - JK(Reg) = 39,6 - 35,608 = 3,992
(ii) Menentukan Derajat Bebas (db) Beberapa Sumber Varians
db (T) = n - 1 = 10 – 1 = 9
db (Reg) = k = 2 (k adalah banyaknya prediktor)
db (Res) = n - k - 1 = 10 – 2 – 1 = 7
(iii) Menghitung Rata-rata Jumlah Kuadrat (RJK)
JK(Reg) 35,608
RJK(Reg) =   17,804
db(Reg) 2
JK(Res) 3,992
RJK(Sisa) =   0,570
db(Res) 7
(iv) Menentukan Fhitung

Uji Signifikansi Regresi Y atas X1 dan X2
Hipotesis yang akan diuji:
H0: regresi tak berarti
H1: regresi berarti
RJK(Reg) 17,804
Fhit (Reg) =   31,219
RJK(Sisa) 0,570
Ftab(0.05: 2; 7) = 4,74 dan Ftab(0.01: 2; 7) = 9,55
Sehingga Fhit (Reg) lebih besar dari pada Ftab, ini berarti H0 ditolak pada
taraf signifikansi  = 0.05 maupun  = 0.01. Sehingga regresi
(Yˆ  0,412  0,200 X  0,246 X ) adalah sangat berarti. Dengan
1 2
demikian terdapat hubungan antara kompetensi dan kompensasi dengan
kinerja pegawai.

(v) Menyusun Tabel Anava Regresi
ˆ  0,412  0,200 X  0,246 X
Tabel 46. Uji Signifikansi Regresi Ganda: Y 1 2
Sumber Ftab
db JK RJK Fhit
Varians
 = 0.05  = 0.01
Regresi 2 35,608 17,804
31,219** 4,74 9,55
Sisa (Residu) 7 3,992 0,570
-
Total 9 39,6 - - -
Tereduksi
Keterangan:
* = regresi signifikan (Fhit = 31,219> Ftab = 9,55)
db = derajat kebebasan
JK = jumlah kuadrat
RJK = Rata-rata jumlah kuadrat
Fhit = F hitung
Ftab = F tabel
c. Uji Signifikansi Koefisien Regresi Ganda Y atas X1 dan X2

(i) Koefisien Korelasi Ganda
JK (Re g )
R2y.12 =
y 2
35,608
R2y.12 = = 0,899
39,6
Ry.12 = 0,899 = 0,948
Sehingga koefisien korelasi ganda antara Y dengan X1 dan X2 (Ry.12) adalah
sebesar 0,948.
(ii) Uji Signifikansi Koefisien Korelasi Ganda
H0: y.12 ≤ 0
H1:  y.12 > 0
R 2 (n  k  1)
Fhit = 2
; R2 = R2y.12 = 0,899
k(1  R )
(0,899)(10  2  1)
Fhit = = 31,219
2(1  0,899)

Ftab (5%)(2; 7) = 4,74 dan Ftab (1%)(2; 7) = 9,55
Sehingga Fhit  Ftab atau H0 ditolak pada kedua taraf signifikansi 5% dan 1%.
Hal Ini berarti bahwa koefisien korelasi ganda antara X1 dan X2 dengan Y
adalah sangat signifikan atau tingkat keeratan hubungan antara kompetensi
dan kompensasi secara bersama-sama (secara simultan) dengan kinerja
pegawai adalah sangat signifikan.
Koefisien determinasi diartikan sebagai kuadrat dari koefisien korelasi.
Sehingga koefisien determinasi antara X1 dan X2 dengan Y adalah kuadrat
dari Ry.12 = 0,948 atau R2y.12 x 100 % = 0,899 x 100% = 89,90%. Dapat
diartikan bahwa 89,90% variasi nilai pada variabel kinerja pegawai (Y) dapat
dijelaskan oleh kompetensi (X1) dan kompensasi (X2) secara bersama-sama.
d. Uji Signifikansi Koefisien Persamaan Regresi Ganda

(i) Menghitung Galat Baku Taksiran (Sy.12)
JK ( S )
S2y.12 =
(n  k  1)
3,992
S2y.12 = = 0,570
10 - 2 - 1
Sehingga galat baku taksiran adalah Sy.12 = 0,7552
(ii) Menghitung Ri2
Karena r12 = r21 maka R21 = R22,
Koefisien R1 = R2 dihitung dengan rumus:
x1 x 2
R1 = , sehingga diperoleh :
2 2
(x1 )(x 2 )
R1 =
x x 1 2

138,4
 0,662
( x )( x (371,6)(117,6)
2 2
1 2 )
Sehingga menghasilkan R21 = R22 = 0,4382
(iii) Menghitung S2bi
S 2 y.12...k
S2bi =
x 2 ij (1  R 2 i )
S 2 y.12
S2b1 =
x 21 (1  R 21 )

0,570
S2b1 = = 0,002732
(371,6)(1  0,4382)
Sehingga diperoleh Sb1 = 0,05226
Selanjutnya :
S 2 y.12
S2b2 =
x 2 2 (1  R 2 2 )
0,570
S2b2 = = 0,008632
(117,6)(1  0,4382)
Sehingga diperoleh Sb2 = 0,0929
(iv) Menghitung Statistik Uji-t

Statistika uji yang digunakan untuk menentukan signifikan dari masing-
masing koefisien X1 dan X2 adalah statistika uji-t dengan rumus:
bi
ti = .
S bi
Uji Signifikansi koefisien X1(b1)
b1 0,200
t1 = = = 3,83, dikonsultasikan dengan :
S b1 0,05226
ttab (0,95)(7) = 1,90 dan ttab (0,99)(7) = 3,00
sehingga t1 > ttab atau H0 ditolak. Dengan demikian, koefisien yang berkaitan
dengan X1 adalah sangat signifikan atau koefisien dari X1 tidak bisa
diabaikan. Dapat disimpulkan bahwa setiap peningkatan satu unit variabel X1
maka variabel Y akan mengalami peningkatan sebesar 0,200 kali pada
konstanta 1,412 sementara variabel X2 diabaikan atau dikontrol.
Uji Signifikansi koefisien X2(b2)
b2 0,246
t2 = = = 2,65, dikonsultasikan dengan ttab.
S b 2 0,0929
ttab (0,95)(47) = 1,90 dan ttab (0,99)(47) = 3,00
Nampak bahwa t2 > ttab, sehingga H0 ditolak. Dengan demikian koefisien yang
berkaitan dengan X2 adalah sangat signifikan. Dengan kata lain bahwa
koefisien X2 tidak bisa diabaikan. Dapat disimpulkan bahwa setiap
peningkatan satu unit variabel X2 akan meningkatkan variabel Y sebesar
0,246 kali pada konstanta 1,412 sementara variabel X1 dianggap tetap atau
dikontrol.

e. Korelasi Parsial dan Uji Signifikansi Korelasi Parsial
Untuk menghitung koefisien korelasi parsial, diperlukan koefisien-koefisien
korelasi sebagai berikut :
Σx 1 y 108,4
ry1 =   0,894  r2y1 = 0,7992
( x 1 )( y 2 )
2
(371,6)(39 ,6)
Σx 1 y 56,6
ry2 =   0,829  r2y2 = 0,6872
( x 1 )( y 2 )
2
(117,6)(39,6)
x1 x 2 138,4
r12 =   0,662  r212 = 0,4382
2
(x1 )(x 2 )
2
(371,6)(11 7,6)
(i) Koefsisien korelasi antara X1 dan Y dengan mengontrol

pengaruh X2 (ry1.2)
ry1  ry 2 .r12 0,894  (0,829)(0, 662)
ry1.2 = = = 0,823
(1  r 2
y2 )(1  r 2
12 ) (1 0,6872)(1  0,4382)
Uji Signifikansi Koefisien Korelasi Parsial
ry1.2 n  3 0,823 10  3
thitung = = = 3,83
(1  r 2 y1.2 ) 1  0,823 2
ttab (0,95 : 7) = 1,90 dan ttab (0,99 : 7) = 3,00
Sehingga thitung  ttab atau H0 ditolak. Dengan demikian koefisien korelasi
antara Y dan X1 dengan mengontrol variabel X2 adalah signifikan. Dengan
kata lain walaupun variabel X2 telah dikontrol variabel X1 masih memiliki
hubungan signifikan dengan Y. Dapat disimpulkan bahwa dengan mengontrol
variabel X2 maka (0,823)2 atau 67,73% variasi Y dapat dijelaskan oleh
variabel X1.
(ii) Koefisien korelasi antara X2 dan Y dengan mengontrol

pengaruh X1 (ry2.1)
ry 2  ry1 .r12 0,829  (0,894)(0, 662)
ry2.1 = = = 0,7069
(1  r 2
y1 )(1  r 2
12 ) (1 0,7992)(1  0,4382)
ry1.2 n  3 0,707 10  3
thitung = = = 2,65
(1  r 2 y1.2 ) 1  0,707 2
ttab (0,95 : 7) = 1,90 dan ttab (0,99 : 7) = 3,00

antara Y dan X2 dengan mengontrol variabel X1 adalah signifikan. Dapat
disimpulkan bahwa dengan mengontrol variabel X1 maka (0,707)2 atau
49,98% variasi Y dapat dijelaskan oleh variabel X2.
f. Peringkat Hubungan Variabel Bebas dengan Variabel Terikat

Untuk mempermudah melihat urutan atau peringkat keeratan hubungan antara
variabel bebas dengan variabel terikat, disajikan koefisien korelasi parsial pada
tabel berikut.
Tabel 47. Peringkat Hubungan Variabel Bebas dan Variabel Terikat
Koefisien ttabel
Korelasi n db thitung Peringkat
 = 0,05  = 0,01
Parsial
ry1.2 = 0,823 10 3 3,83 1,90 3,00 Pertama
ry2.1 = 0,707 10 3 2,65 1,90 3,00 Kedua
Dari hasil analisis pada tabel di atas, menunjukkan bahwa peringkat pertama
keeratan hubungan antara variabel bebas dan variabel terikat dimiliki oleh
variabel kompetensi dan peringkat kedua adalah variabel kompensasi. Hal ini
juga berimplikasi bahwa apabila kinerja pegawai ingin kita tingkatkan maka faktor
pertama yang perlu diperbaiki adalah kompetensi para pegawai kemudian yang
kedua adalah faktor kompensasinya.
Analisis regresi ganda dua prediktor dengan menggunakan program SPSS
versi 15.0 diperlihatkan dengan print out sebagai berikut.
a. Persamaan Linear Ganda

Coefficientsa
1 (Constant) 1.412 .925 1.527 .171
X1 .200 .052 .613 3.830 .006
X2 .246 .093 .423 2.644 .033
.
Dari tabel coefficients di atas, pada kolom B diperoleh konstanta b0= 1,412,
b1 = 0,200, dan b3 = 0,246. Sehingga persamaan regresi linear ganda adalah:
Yˆ  0,412  0,200 X1  0,246 X 2

b. Uji Signifikansi Persamaan Regresi Ganda
ANOVAb
Sum of
1 Regression 35.608 2 17.804 31.219 .000a
Residual 3.992 7 .570
Total 39.600 9
a. Predictors: (Constant), X2, X1
Hipotesis:
H0: Persamaan regresi ganda tak berarti
H1: Persamaan regresi ganda berarti
Uji linearitas persamaan garis regresi diperoleh dari baris Deviation from Linearity
kolom ke-5, yaitu Fhit = 31,219, dan p-value = 0,000  0,05. Hal ini berarti H0
ditolak.
ˆ  0,412  0,200 X  0,246 X

Dengan demikian persamaan regresi ganda Y 1 2
adalah berarti atau signifikan.
c. Uji Signifikansi Koefisien Korelasi Ganda

H0: y.12 ≤ 0
H1: y.12 > 0
Uji signifikansi koefisien korelasi ganda diperoleh dari tabel Model Summary di
bawah ini. Terlihat pada baris pertama bahwa koefisien korelasi ganda (Ry.12) =
0,948 dan Fhit (Fchange) = 31,219, serta p-value = 0,000  0,05. Hal ini berarti H0
ditolak. Dengan demikian koefisien korelasi ganda antara X1 dan X2 dengan Y
adalah berarti atau signifikan. Sedangkan koefisien determinasinya dari tabel di
bawah juga terlihat pada baris ke-dua, yaitu R Square = 0,899, yang
mengandung makna bahwa 89,9% variasi nilai pada variabel kinerja pegawai (Y)
dapat dijelaskan oleh kompetensi (X1) dan konpensasi (X2) secara bersama-
sama.

Model Summary
Model
1
R .948a
R Square .899
Adjusted R Square
.870

.755

.899
Change
F Change 31.219
df1 2
df2 7
Sig. F Change
.000
d. Uji Signifikansi Koefisien Persamaan Regresi Ganda

Perhatikan tabel Coefficient pada bagian (a) di atas, nampak terlihat hasil uji t
untuk masing-masing koefisien X1 dan X2, yaitu: t1 = 3,83 dan p-value = 0,006 
0,05 serta t2 = 2,64 dan p-value = 0,033  0,05. Hal ini berarti H0 ditolak.
Sehingga kedua koefisien persamaan regresi tersebut bersifat signifikan atau
tidak dapat diabaikan.
e. Uji Signifikansi Koefisien Korelasi Parsial

(i) korelasi antara X1 dan Y dengan mengontrol pengaruh X2 (ry1.2)
Correlations
Control Variables Y X1
X2 Y Correlation 1.000 .823
Significance (1-tailed) . .003
df 0 7
X1 Correlation .823 1.000
Significance (1-tailed) .003 .
df 7 0
Dari hasil analisis pada tabel di atas, diperoleh: Sehingga (ry1.2) = 0,823 dan p-
value = 0,003  0,05 atau H0 ditolak. Dengan demikian koefisien korelasi antara
X1 dan Y dengan mengontrol variabel X2 adalah signifikan. .

(ii) Korelasi antara X2 dan Y dengan mengontrol pengaruh X1 (ry2.1)
Correlations
X1 Y Correlation 1.000 .707
df 0 7
df 7 0
Dari hasil analisis pada tabel di atas, diperoleh: Sehingga (ry2.1) = 0,707 dan
p-value = 0,017  0,05 atau H0 ditolak. Dengan demikian koefisien korelasi
antara X2 dan Y dengan mengontrol variabel X1 adalah signifikan. .
C. Analisis Regresi Ganda Tiga Prediktor

Pada dasarnya konsep dan perhitungan dalam Analisis Regresi ganda -3
prediktor sama dengan Analisis Regresi ganda -2 prediktor. Persyaratannya pun
sama, misalnya skala pengukuran dari data variabel yang akan dianalisis merupakan
interval atau rasio. Misalkan variabel-variabel bebas (predictor) adalah X1, X2, X3 dan
variabel terikatnya (criterion) adalah Y. Maka regresi ganda Y atas X1, X2 dan X3
dinyatakan dalam persamaan matematika sebagai berikut:
Model : Y =  0 +  1 X1 +  2 X2 +  3 X3 +  (populasi)
Fungsi Taksiran : Ŷ = b0 + b1 X1 + b2 X2 + b3 X3 (sampel)
Konstanta bo dan koefisien regresi b1, b2 dan b3 diperoleh dari data sampel. Untuk
keperluan itu dibutuhkan pasangan data (X1, X2, X3, Y), dengan persyaratan diambil
secara random, populasinya normal, dan homogen.
Langkah-langkah perhitungan dalam analisis regresi ganda dinyatakan
sebagai berikut:
(1) Menentukan persamaan regresi ganda Y atas X1, X2 dan X3;
(2) Menguji signifikansi regresi ganda Y atas X1, X2 dan X3;
(3) Menghitung koefisien korelasi ganda dan koefisien determinasinya;
(4) Menghitung koefisien korelasi parsial dan menguji signifikansinya;
(5) Menguji signifikansi koefisien persamaan regresi ganda Y atas X1, X2 dan X3.
(6) Memberi kesimpulan atas semua hasil analisis yang telah diperoleh.

Contoh
Misalnya kita akan membahas hubungan antara pengetahuan dasar (X1), kemampuan
numerik (X2), penalaran logik (X3), dengan hasil belajar Matematika (Y). Untuk tujuan ini
misalnya kita ambil sampel acak sebagai berikut.
No. X1 X2 X3 Y
1 5 18 12 5
2 7 22 12 6
3 6 24 15 7
4 6 25 14 7
5 8 25 16 8
6 6 26 15 8
7 8 30 17 9
8 6 26 14 7
9 10 28 18 10
10 9 20 12 6
Jumlah 71 244 145 73
Langkah-langkah perhitungan sebagai berikut:
a) Menentukan Persamaan Regresi Linear Ganda Y atas X1, X2 dan X3

Untuk menentukan persamaan regresi terlebih dahulu ditentukan nilai-nilai dari
jumlah kuadrat dan jumlah hasil kali berikut (perhatikan regresi dua prediktor atau
Gunakan Kalkulator Scientific):
 X1 = 71  X2 = 244  X3 = 145  Y = 73
 X12 = 527  X22 = 6070  X32 = 2143  Y2 = 553
 x12 = 22,9  x22 = 116,4  x32 = 40,5  y2 = 20,1
X1 = 7,0 X2 = 24,4 X3 = 14,5 Y = 7,3
 X1Y = 531   x1y = 12,7

 X2Y = 1825   x2y = 43,8
 X3Y = 1086   x3y = 27,5
 X1X2 = 1750   x1x2 = 17,6
 X1X3 = 1044   x1x3 = 14,5
 X2X3 = 3598   x2x3 = 60

Koefisien korelasi antar variabel:
r(x1y) = ry1 = 0,592
r(x2y) = ry2 = 0,906
r(x3y) = ry3 = 0,964
r(x1x2) = r12 = 0,341
r(x1x3) = r13 = 0,476
r(x2x3) = r23 = 0,874
Persamaan simultan:
b1  x1  b2  x1 x2  b3  x1 x3  x y
2
1
b1  x1 x2  b2  x2  b3  x2 x3  x y
2
2
b1  x1 x3  b2  x2 x3  b3  x3  x
2
3 y
22,9 b1 + 17,6 b2 + 14,5 b3 = 12,7
17,6 b1 + 116,4 b2 + 60 b3 = 43,8
14,5 b1 + 60 b2 + 40,5 b3 = 27,5
Menentukan determinan utama (D)
22,9 17,6 14,5
D = 17,6 116,4 60  138579,18 – 119458,38 = 19120,8
14,5 60 40,5
12,7 17,6 14,5

D1 = 43,8 116,4 60  127016,34 – 123354,64 = 3661,7
27,5 60 40,5
22,9 12,7 14,5

D2 = 17,6 43,8 60  58689,31 – 56046,51 = 2642,8
14,5 27,5 40,5
22,9 17,6 12,7

D3 = 17,6 116,4 43,8  97891,86 – 90134,66 = 7757,2
14,5 60 27,5

Menentukan b0, b1, b2, dan b3
.
x y 1 x x
1 2 x x
1 3
x y x x x
2
2 2 2 3
x y x x x
2
3 2 3 3 D1 3661,7
b1  = = = 0,191504
x x x x x D 19120 ,8
2
1 1 2 1 3
x x x x x
2
1 2 2 2 3
x x x x x
2
1 3 2 3 3
x x y x x
2
1 1 1 3
x x 1 2 x y 2 x x
2 3
x x x y x
2
1 3 3 3 D2 2642,8
b2  = = = 0,138216
x x x x x D 19120 ,8
2
1 1 2 1 3
x x x x x
2
1 2 2 2 3
x x x x x
2
1 3 2 3 3
x x x x y
2
1 1 2 1
x x x x y
2
1 2 2 2
x x 1 3 x x 2 3 x y 3 D3 7757 ,2
b3  = = = 0,405694
x x x x x D 19120 ,8
2
1 1 2 1 3
x x x x x
2
1 2 2 2 3
x x x x x
2
1 3 2 3 3
b0 = Y - b1 X 1 - b2 X 2 - b3 X 3
b0 = 7,3 - (0,191503493)(7,0) – (0,138215974)(24,4) – (0,405694322)(14,5)
b0 = -3,29556
Sehingga persamaan regresi ganda 3 prediktor:
Yˆ  - 3,295561886 0,191503493X 1  0,138215974X 2  0,405694322X 3
atau Ŷ  - 3,296  0,192 X1  0,138X 2  0,406X3

b) Uji Signifikansi Regresi Ganda Y atas X1, X2 dan X3
Pengujian signifikansi Regresi Linear Ganda Y atas X1, X2 dan X3
( Ŷ  - 3,296  0,192 X1  0,138X 2  0,406X3 ) dilakukan dengan langkah-
langkah sebagai berikut.
(i) Menghitung jumlah kuadrat (JK) beberapa sumber varians
JK(T) = y 2 = 20,1
JK(Reg) =b  x y  b  x
1 1 2 2 y  b3  x3 y
= (0,1915035)(12,7) +(0,1382160)(43,8)+(0,4056943)(27,5)=19,6425
JK(Res) = JK(T) - JK(Reg) = 20,1 – 19,6425 = 0,45745
(ii) Menentukan derajat bebas (db) beberapa sumber varians
db (Tot) = n - 1 = 10 – 1 = 9
db (Reg) = k = 3 (k adalah banyaknya prediktor)
db (Res) = n - k - 1 = 10 – 3 – 1 = 6
(iii) Menyusun Tabel Anava Regresi
Tabel 48. Uji Signifikansi Regresi Yˆ  - 3,296  0,192 X 1  0,138X 2  0,406X 3

Sumber Ftabel
db JK RJK Fhit
Varians
 = 0.05  = 0.01
Regresi 3 19,643 6,5477
85,928** 4,76 9,78
Residu 6 0,4575 0,0762
-
Total 9 20,1 - - -
Tereduksi
Keterangan:
* = regresi signifikan (Fhit = 85,881 > Ftab = 9,76)
Dari hasil analisis di atas akan di-uji Signifikansi Regresi Y atas X1, X2 dan X3,
dengan hipotesis berikut.
H0: regresi tak berarti
H1: regresi berarti
Dari tabel anava regresi di atas diperoleh :
RJK(Reg) 6,5477
Fhit (Reg) =   85,928
RJK(Res) 0,0762
Ftab(0.05: 3; 6) = 4,76 dan Ftab(0.01: 3; 6) = 9,78

Sehingga Fhit (Reg) lebih besar dari pada Ftab, ini berarti H0 ditolak pada taraf
signifikansi  = 0.05 maupun  = 0.01. Sehingga regresi Y atas X1, X2 dan X3
adalah sangat berarti, atau terdapat hubungan antara pengetahuan dasar (X1),
kemampuan numerik (X2), penalaran logik (X3), secara bersama-sama dengan
hasil belajar Matematika (Y).
c) Uji Signifikansi Koefisien Regresi Ganda Y atas X1, X2 dan X3
(i) Koefisien Korelasi Ganda
JK (Re g )
R2y.123 =
y 2
2 19,643
R y.123 = = 0,977
20,1
Ry.123 = 0,977 = 0,989
Sehingga koefisien korelasi ganda antara Y dengan X1, X2dan X2 adalah
0,989.
(ii) Uji Signifikansi Koefisien Korelasi Ganda
H0: y.123 ≤ 0
H1:  y.123 > 0
R 2 (n  k  1)
Fhit = 2
; dimana R2y.123 = R2 = 0,977
k(1  R )
(0,977)(10 3  1)
Fhit = = 85,928
3(1  0,977)
Ftab (5%)(3; 6) = 4,76 dan Ftab (1%)(3; 6) = 9,78
Sehingga Fhit  Ftab atau H0 ditolak pada kedua taraf signifikansi 5% dan 1%.
Hal ini berarti bahwa korelasi ganda antara X1, X2 dan X3 dengan Y adalah
sangat signifikan, atau tingkat keeratan hubungan antara pengetahuan dasar
(X1), kemampuan numerik (X2), penalaran logik (X3), secara bersama-sama
dengan hasil belajar Matematika (Y) sangat signifikan.
Koefisien determinasi diartikan sebagai kuadrat dari koefisien korelasi.
Sehingga koefisien determinasi antara X1, X2 dan X3 dengan Y adalah kuadrat
dari Ry.123 = 0,989 atau R2y.123 x 100 % = 0,977 x 100% = 97,70%. Jadi
97,70% variasi nilai pada variabel hasil belajar Matematika (Y) dapat dijelaskan
oleh pengetahuan dasar (X1), kemampuan numerik (X2), dan penalaran logik
(X3).

d) Uji Signifikansi Koefisien Persamaan Regresi Ganda
Langkah-langkah pengujian:
(i) Menghitung Galat Baku Taksiran (Sy.123)
JK(Re s) 0,4575
S2y.123 = = = 0,0762
(n  k  1) 10 - 3 - 1
Sehingga galat baku taksiran adalah Sy.123 = 0,27604
(ii) Menentukan Determinan melalui Matriks Korelasi
 r11 r12 r13   1 0,341 0,476 

   
R =  r21 r22 r23  =  0,341 1 0,874 
r r32 r33   0,476 0,874 1 
 31 
Determinan R (Det R) = 1,283728368 – 1,106733 = 0,176995
Menentukan Adjoint matriks R dengan langkah-langkah:
Matriks minor:
1 0,874 0,341 0,476

M11 =  0,236124 , M21 =   0,075024
0,874 1 0,874 1
0,341 0,874 1 0,476

M12 =   0,075024 , M22 =  0,773424 ,
0,476 1 0,476 1
0,341 1 1 0,341
M13 =   0,177966 , M23 =  0,711684 ,
0,476 0,874 0,476 0,874
0,341 0,476 1 0,476

M31 =   0,177966 , M32 =  0,711684 ,
1 0,874 0,341 0,874
1 0,341
M33 =  0,883719
0,341 1
Kofaktor (Rij) = (-1) i+j Mij

R11 = 0,236124 R12 = 0,075024 R13 = -0,177966
R21 = 0,075024 R22 = 0,773424 R23 = -0,711684
R31 = -0,177966 R32 = -0,711684 R33 = 0,883719

 R 11 R 21 R 31 
 
Adjoint R (Adj (R)) =  R 12 R 22 R 32 
R R 23 R 33 
 13
 0,236124 0,075024  0,177966 
 
Adj (A) =  0,075024 0,773424  0,711684 
  0,177966  0,711684 0,883719 
 
-1
Invers Matriks R ( R )
 0,236124 0,075024  0,177966 

-1 Adj (R ) 1  
R = =  0,075024 0,773424  0,711684 
Det (R ) 0,176995  
  0,177966  0,711684 0,883719 
 1,334069 0,423875  1,005484 
 
=  0,423875 4,369741  4,020919 
  1,005484  4,020919 4,992893 
 
i
(iii) Menentukan ri
ii
Harga r dapat ditentukan dengan dua cara, yaitu:
a. Diambil dari diagonal matriks R-1
r11 = 1,334069 r22 = 4,369741 r33 = 4,992893
atau cara kedua:

2
ii
(1  rij )
b. Dengan menggunakan rumus r =
Det (R )
2
(1  r23 )
r11 = = 1,334069
Det (R )
2
22 (1  r13 )
r = = 4,369741
Det (R )
2
(1  r12 )
r33 = = 4,992893
Det (R )

2 1
(iv) Menentukan (Ri2) dengan rumus Ri = 1 
r ii
1 1
R12 = 1   1   0,250414
r11 1,334069
1 1
R22 = 1  22  1   0,771153
r 1,334069
1 1
R32 = 1  33  1   0,799715
r 4,992893
2 S2 y.123......k
(v) Menentukan (Sbi ) dengan rumus Sb i 
 xi (1  R i )
2 2
2 S2 y.123 0,0762
Sb1  =  0,004439
 1
2 2
x (1  R 1 ) 22,9 (1  0,250414 )
Jadi Sb1 = 0,066627
2 S2 y.123 0,0762
Sb 2  =  0,002861
 2
2 2
x (1  R 2 ) 116,4 (1  0,771153)
Jadi Sb2 = 0,053485
2 S2 y.123 0,0762
Sb 3  =  0,009394
 3
2 2
x (1  R 3 ) 40,5 (1  0,799715)
Jadi Sb3 = 0,0969228
bi
(vi) Menentukan Statistik Uji- t dengan rumus t i 
Sb i
Hipótesis:
Ho: 1 = 0 Ho: 2 = 0 Ho: 3= 0
Hi: 1  0 Hi: 2  0 Hi: 3  0
ttabel = t(0,05)(6) = 2,45 dan t(0,01)(6) = 3,71
b1 0,191505
t1    2,87426  2,874 ( * )
Sb1 0,066627
b2 0,138216
t2    2,58420  2,584 ( * )
Sb 2 0,053485
b3 0,405694
t3    4,18574  4,186 ( ** )
Sb 3 0,096923

Hasil perhitungan tersebut dibandingkan dengan harga kritis t :
a. t1  ttab maka Ho ditolak atau koefisien b1 dari X1 adalah signifikan.
Dengan kata lain koefisien yang berkenaan dengan X1 tidak bisa
diabaikan. Hal ini berarti bahwa setiap peningkatan satu unit variabel X1,
maka variabel Y mengalami peningkatan sebesar 0,192 kali pada
konstanta -3,295 sementara variabel X2 dan X3 dikendalikan atau
dikontrol.
b. t2  ttab maka Ho ditolak atau koefisien b2 dari X2 adalah signifikan. Dengan
kata lain koefisien yang berkenaan dengan X2 tidak bisa diabaikan. Hal ini
berarti bahwa setiap peningkatan satu unit variabel X2, maka variabel Y
mengalami peningkatan sebesar 0,138 kali pada konstanta -3,295
sementara variabel X1 dan X3 dikendalikan atau dikontrol.
c. t3  ttab maka Ho ditolak atau koefisien b3 dari X3 adalah sangat signifikan.
Dengan kata lain koefisien yang berkenaan dengan X3 tidak bisa
diabaikan. Hal ini berarti bahwa setiap peningkatan satu unit variabel X3,
maka variabel Y mengalami peningkatan sebesar 0,406 kali pada
konstanta -3,295 sementara variabel X1 dan X2 dikendalikan atau
dikontrol.
e) Korelasi Parsial dan Uji Signifikansi Korelasi Parsial

Untuk menghitung koefisien korelasi parsial, diperlukan koefisien-koefisien
korelasi sebagai berikut :
r(x1y) = ry1 = 0,592  (ry1)2 = 0,3505
r(x2y) = ry2 = 0,906  (ry2)2 = 0,8208
r(x3y) = ry3 = 0,964  (ry3)2 = 0,9293
r(x1x2) = r12 = 0,341  (r12)2 = 0,1163
r(x1x3) = r13 = 0,476  (r13)2 = 0,2266
r(x2x3) = r23 = 0,874  (r23)2 = 0,7639
(i) Korelasi antara X1 dan Y dengan mengontrol pengaruh X2 (ry1.2)
ry1  ry 2 .r12 0,592  (0,906)(0,341)
ry1.2 = = = 0,711
(1  r 2 y 2 )(1  r 212 ) (1  0,8208)(1  0,1163)
ry1.2 n  3 0,711 10  3
thitung = = = 2,68
(1  r 2 y1.2 ) 1  0,7112
ttab (0,95 : 7) = 1,90 dan ttab (0,99 : 7) = 3,00

antara Y dan X1 dengan mengontrol variabel X2 adalah signifikan. Dapat
disimpulkan bahwa dengan mengontrol variabel X2 maka (0,711)2 atau
50,55% variasi Y dapat dijelaskan oleh variabel X1.
(ii) Korelasi antara X1 dan Y dengan mengontrol pengaruh X3 (ry1.3)
ry1  ry3 .r13 0,592  (0,964)(0,476)
ry1.3 = = = 0,569
(1  r 2 y3 )(1  r 213 ) (1  0,9293)(1  0,2266)
ry1.3 n  3 0,569 10  3
thitung = = = 1,83
(1  r 2
y1.3 ) 1  0,569 2
ttab (0,95 : 7) = 1,89 dan ttab (0,99 : 7) = 3,00

antara Y dan X2 dengan mengontrol variabel X1 adalah tidak signifikan.
(iii) Korelasi X1 dan Y dengan mengontrol pengaruh X2 dan X3 (ry1.23)

ry1.2  (ry 3.2 )(r13.2 )
ry1.23 = , dimana
(1  r 2 y 3.2 )(1  r 213.2 )
r13  (r12 )(r23 ) 0,476  (0,341)(0,874)
r13.2 = =  0,390
(1  r 212 )(1  r 2 23 ) (1  0,3412 )(1  0,874 2 )
ry3  (ry2 )(r23 ) 0,964  (0,906)(0,874)
ry3.2 = =  0,837
(1  r 2 y2 )(1  r 2 23 ) (1  0,906 2 )(1  0,874 2 )
0,711  (0,837)(0,390)
ry1.23 =  0,763
(1  0,837 2 )(1  0,390 2 )

ry1.23 n  4 0,763 10  4
thitung = = = 2,89
(1  r 2
y1.23 ) 1  0,763 2
ttab (0,95 : 6) = 1,94 dan ttab (0,99 : 6) = 3,14

antara Y dan X1 dengan mengontrol variabel X2 dab X3 adalah signifikan.
Hasil perhitungan koefisien korelasi parsial berkenaan dengan X1 dan Y,
dirangkum pada tabel berikut.

.
Tabel 49. Koefisien Korelasi Parsial Jenjang 2 dan 3 Untuk X1

Koefisien ttabel
n Korelasi Dikontrol Notasi thitung
Korelasi  =0,05 0,01
X1 dan Y X2 ry1-2 0,711 2,68** 1,90 3,00
10 X1 dan Y X3 ry1-3 0,569 1,83ns 1,89 3,00
X1 dan Y X 2 & X3 ry1-23 0,763 2,89* 1,94 3,14
Dengan menggunakan analisis yang sama atau dengan menggunakan
program SPSS diperoleh:
ry2.1 = 0,929, ry2.3 = 0,488, dan ry2.13 = 0,726
ry3.1 = 0,962, ry3.2 = 0,836, dan ry3.12 = 0,863,
Untuk lebih jelasnya perhatikan koefisien-koefisien korelasi parsial jenjang

tiga tersebut dari print out program SPSS, sebagai berikut:
Correlations
X2 & X3 Y Correlation 1.000 .761
df 0 6
df 6 0
Correlations
df 0 6
df 6 0

Correlations
df 0 6
df 6 0
f) Peringkat Hubungan Variabel Bebas dengan Variabel Terikat

Untuk mempermudah melihat urutan atau peringkat keeratan hubungan antara
variabel bebas dengan variabel terikat, dirangkum koefisien korelasi parsial
(jenjang ketiga) pada tabel berikut.
Tabel 50. Peringkat Hubungan Variabel X dan Y
Koefisien
Variabel Bebas (X) Peringkat
Notasi Korelasi
Penalaran Logik (X3) ry3.12 0,863 Pertama
Pengetahuan Dasar (X1) ry1.23 0,761 Kedua
Kemampuan Numerik (X2) ry2.13 0,726 Ketiga
Hasil analisis berupa koefisien parsial ini merupakan temuan penting penelitian
(finding of the research). Oleh karena itu dalam hal koefisien korelasi parsial
tidak signifikan merupakan petunjuk terjadinya multikolinearitas diantara
variabel independen. Bila hal tersebut terjadi maka dapat dilakukan analisis
regresi dengan pembobotan atau analisis regresi komponen utama. Analisis
statitistika yang membahas kasus ini akan dijelaskan pada bagian D.
D. Analisis Regresi Komponen Utama

Analisis regresi komponen utama biasanya digunakan dalam penelitian
korelasional yang melibatkan banyak variabel bebas dimana secara empiris variabel-
variabel tersebut saling berhubungan (tergantung). Dalam kasus semacam ini maka
analisis regresi multipel bukan merupakan metode analisis yang tepat. Hal ini karena
asumsi dasar dalam regresi multipel tidak terpenuhi, misalnya asumsi tentang tidak
terjadinya multikolinearitas (multicolllinearity) diantara variabel-variabel bebas. Bila
terjadi multikolinearitas yang tinggi diantara variabel bebas maka teknik pendugaan
berdasarkan metode kuadrat terkecil menjadi tidak dapat lagi diandalkan karena
akan menimbulkan masalah yang serius seperti koefisien korelasi parsial atau
koefisien persamaan regresi multipel menjadi tidak signifikan secara statistik. Untuk

mengatasi hal ini diperlukan teknik analisis lain, salah satu metode yang tepat adalah
model regresi komponen utama (principal component regression model).
Esensi dari analisis regresi komponen utama merupakan kombinasi antara
analisis komponen utama (AKU) dengan analisis regresi. AKU digunakan sebagai
analisis perantara yang selanjutnya akan dianalisis dengan regresi untuk
mendapatkan hasil akhir. Keunggulan teknik komponen utama dalam analisis regresi
adalah disamping untuk mengatasi masalah multikolinearitas juga dapat
meningkatkan presisi pendugaan parameter model regresi melalui peningkatan
derajat bebas (db) galat/error.
AKU pada dasarnya bertujuan untuk menyederhanakan variabel yang diamati
dengan mereduksi dimensinya. Cara ini dilakukan dengan jalan menghilangkan
korelasi diantara variabel bebas melalui transformasi variabel asal ke variabel baru
yang tidak berkorelasi. Variabel baru (Xi) sebagai komponen utama yang merupakan
komponen utama adalah hasil transformasi dari variabel asal Xo yang modelnya
dinyatakan dalam bentuk matriks: Xi = A Xo, dimana A adalah matriks yang
melakukan transformasi terhadap variabel Xo sehingga diperoleh vektor komponen
Xi. Komponen utama adalah kombinasi linear yang dibobot dari variabel asal yang
nantinya dapat menjelaskan keberagaman data dalam prosentase terbesar.
Persamaan komponen utama dapat dinyatakan dengan: Xi = a11X1 + a21X2 +
..........+ apiXp atau Xi = ai Xo, dimana pembobot ai adalah vektor normal, dan
aiao = 1, dipilih sehingga varians komponen utama menjadi maksimum. Varians
2
komponen utama dinyatakan sebagai s Xi  a iSa 0 , vektor pembobot ai adalah
koefsien pembobot variabel asal bagi komponen utama ke-i, dari matriks varians-
kovarians yang diduga dengan matriks S berikut:
S
x 2
. Matriks varians-kovarians S ini digunakan untuk variabel dengan satuan

n 1
pengukuran yang sama. Jika variabel yang diamati tidak mempunyai satuan yang
sama (uncomparabe), perlu dibakukan dengan skor baku z sebagai berikut:
Xi  X
Zi  . Dengan demikian persamaan model komponen utama ke-i dengan
S
skor baku, sebagai berikut: Xi = ai Z. Dimana vektor pembobot ai yang merupakan
koefisien pembobot variabel baku Z untuk komponen utama ke-i yang diturunkan dari
matriks korelasi penduga dari matriks R.
Untuk mengukur tingkat keeratan hubungan antara variabel asal dengan
komponen utama digunakan koefisien korelasi, yang diperoleh besarnya koefisien
korelasi antara variabel ke-i dan komponen utama ke-j. Untuk komponen utama yang
diturunkan dari dari matriks varians-kovarians dihitung dengan rumus
a ij  j
riX  rij  , sedangkan komponen utama yang diturunkan dari matriks korelasi
si
R, koefisien korelasi antara variabel baku ke-i dan komponen utama ke-j dihitung

1
dengan digunakan rumus berikut: rZi X  rij  a ij ( j ) 2 dimana  j diperoleh dengan

cara sebagai berikut:
2
Diketahui s X1  a1Sa 0 dengan syarat a1ao = 1 atau a1ao – 1 = 0, selanjutnya dibentuk
L
fungsi Lagrange: L = a1Sao -  (a1ao – 1), diturunkan terhadap vektor a1, yaitu:
a 0
= a0S -  a0 = a0 (S -  I) = 0
Dengan demikian untuk memperoleh vektor koefisien pembobot komponen utama X1

2
yang memaksimumkan varians utama s X1 dengan syarat a1ao = 1, harus
diselesaikan persamaan linear (persamaan Eigen) berikut:
a0 (S -  I) = 0, dengan S matriks varians-kovarians,  adalah nilai Eigen atau akar

ciri dari matriks S, a0 adalah vektor eigen yang bersesuaian dengan nilai eigen  ,
dan I adalah matriks identitas. Agar a0 (S -  I) = 0 menghasilkan solusi yang tidak
sama dengan nol untuk nilai a0 yang tak trivial, maka matriks a0 (S -  I) = 0
haruslah merupakan matriks singuler, hal ini dipenuhi jika determinan dari matriks
tersebut sama dengan nol atau S  I  0 .
Penentuan nilai eigen dari p buah nilai eigen yang ada untuk digunakan dalam
komponen utama pertama dilakukan dengan menggadakan sistem persamaan a0 (S
-  I) = 0
 Sa0 -  Ia0 = 0
 Sa0 =  Ia0 (kedua ruas dikalikan dengan a1) sehingga menjadi:
 a1Sa0 = a1  Ia0
 a1Sa0 = a1  Ia0 (a1ao = 1)
2
 a1Sa0 = (a1a0) I  =  (diketahui s X1  a1Sa 0 ) maka:
2
  = s X1  a1Sa 0
Berdasarkan persamaan tersebut, agar varians komponen utama maksimum
haruslah dipilih nilai Eigen terbesar dari matriks S. Selanjutnya dengan prosedur
sama dapat dibentuk utama kedua (X2) dan seterusnya. Peranan atau sumbangan
komponen utama tertentu Xi ditentukan oleh besarnya prosentase keragaman total
yang dapat dijelaskan oleh komponen utama ke-i.
Untuk komponen utama dari matriks S peranan atau sumbangan dinyatakan sebagai
rasio antara nilai Eigen dan banyaknya variabel asal atau: Sumbangan komponen
i
utama Xi = (p = banyaknya variabel bebas).
p

Dengan demikian analisis regresi komponen utama tidak lain adalah analisis
regresi dari variabel tak bebas (Y) atas komponen utama (X) yang saling tidak
berkorelasi, dimana setiap komponen utama merupakan kombinasi linear dari semua
variabel bebas yang telah dispesifikan sejak awal. Oleh karena semua variabel
bebas dalam analisis komponen utama adalah komponen-komponen yang tidak
saling berkorelasi, maka tidak ada lagi masalah multikolinearitas diantara variabel-
variabel bebas tersebut, sehingga memudahkan untuk melakukan pendugaan
parameter model regresi. Hal ini berarti bahwa teknik komponen utama adalah suatu
teknik untuk mengatasi masalah multikolinearitas dalam analisis regresi yang
melibatkan banyak variabel bebas.
Contoh
Data hasil penelitian tentang hubungan antara kreativitas (X1), kemampuan
penalaran logik (X2), dan kemampuan numerik (X3) dengan hasil belajar Matematika
siswa dari sepuluh sampel acak disajikan pada tabel berikut.
No X1 X2 X3 Y
1 21 52 8 6
2 23 60 9 7
3 22 65 11 7
4 24 68 13 8
5 19 55 7 6
6 25 72 14 8
7 26 75 16 8
8 28 76 18 9
9 24 62 14 7
10 23 62 10 6
X 23,5 6,47 12,0 7,20

SD 2,55 8,10 3,59 1,03
Dengan menggunakan analisis yang sama seperti analisis regresi ganda 2 dan 3
prediktor, diperoleh hasil analisis awal berturut –turut dirangkum sebagai berikut:
1. Persamaan regresi ganda Ŷ = 0,234 + 0,081X1+ 0,065X2+0,069X3
2. Analisis Varians Regresi
Ftabel
Sumber JK db RJK Fhitung
 =0,05 =0,01
Regresi 8,253 3 2,751
Sisa 1,347 6 0,225 12,253** 4,76 9,78
Total 9,6 9 - - - -
Dari tabel diperoleh Fhitung > Ftabel atau Ho ditolak. Ini berarti ada hubungan yang
sangat signifikan antara X1, X2, dan X3 secara bersama-sama dengan Y.

3. Koefisien korelasi ganda
Hasil perhitungan diperoleh Ry.12 = 0,927 dengan Fhitung = 12,253 > Ftabel = 9,78
atau Ho ditolak pada  = 0,01. Hal ini berarti koefisien korelasi ganda antara X1,
X2, dan X3 secara bersama-sama dengan Y sangat signifikan. Sehingga
diperoleh koefisien determinasi sebesar (Ry.12)2 x 100% = 0,860 x 100% atau 86
% variasi nilai Y dapat dijelaskan oleh X1, X2, dan X3 secara bersama-sama.
4. Koefisien korelasi parsial
Korelasi
Variabel Bebas (X) Notasi p Simpulan
parsial
Kreativitas (X1) ry1.23 0,166 0,347 non-sig
Kemampuan Penalaran (X2) ry2.13 0,470 0,120 non-sig
Kemampuan Numerik (X3) ry3.12 0,117 0,338 non-sig
Nampak dari tabel bahwa untuk  = 0,05 semua koefisien parsial tidak ada yang
signifikan. Hal ini berarti telah terjadi multikolinearitas diantara variabel bebas X1,
X2, dan X3. Sehingga walaupun hasil pengujian regresi dan koefisien korelasi
ganda memberikan hasil yang sangat signifikan, namun untuk kasus dimana
terjadi multikolinearitas yang ditandai dengan tidak berlakunya asumsi koefisien
parsial yang signifikan maka metode analisis regresi ganda (multiple) menjadi
tidak tepat lagi. Oleh karena itu analisis yang lebih tepat untuk digunakan adalah
regresi komponen utama. Adapun langkah-langkah atau caranya sebagai berikut.
a. Menentukan skor baku variabel dasar
Skor baku ditentukan dengan rumus:
(X1  23,5) (X  64,7) (X 12)
Z1  , Z2  2 , dan Z3  3
2,55 8,10 3,59
Skor baku dari variabel bebas (X1, X2, X3)
No Z1 Z2 Z3
1 -0.9806 -1.5684 -1.1142
2 -0.1961 -0.5804 -0.8356
3 -0.5883 0.0370 -0.2785
4 0.1961 0.4075 0.2785
5 -1.7650 -1.1979 -1.3927
6 0.5883 0.9015 0.5571
7 0.9806 1.2720 1.1142
8 1.7650 1.3955 1.6713
9 0.1961 -0.3334 0.5571
10 -0.1961 -0.3334 -0.5571

Correlations
Z1 Z2 Z3
Z1 Pearson Correlation 1 .896** .947**
Sig. (1-tailed) .000 .000
N 10 10 10
Z2 Pearson Correlation .896** 1 .917**
Sig. (1-tailed) .000 .000
N 10 10 10
Z3 Pearson Correlation .947** .917** 1
Sig. (1-tailed) .000 .000
N 10 10 10
**. Correlation is significant at the 0.01 level (1-tailed).
b. Matriks korelasi
 1 0,896 0,947 
 
R =  0,896 1 0,917  selanjutnya dilakukan penggandaan matriks R:
 0,947 0,917 1 

 1 0,896 0,947   1 0,896 0,947 

2
  
R =  0,896 1 0,917   0,896 1 0,917 
 0,947 0,917 1   0,947 0,917 1 

 2,6996 2,6604 2,7156 
 
=  2,6604 2,6437 2,6825 
 2,7156 2,6825 2,7377 
 
Menentukan vektor awal (ao):
ao = [ 1,0000 10000 1,0000 ]
2
aoR = [ 8,0756 7,9866 8,1358 ]
c. Melakukan proses Iterasi

aoR 2
Iiterasi pertama: ( aoR2 dibagi dengan elemen terbesar)
8,1358
[ 0,9926 0,9817 1,0000 ]

.
 2,6996 2,6604 2,7156   2,6996 2,6604 2,7156 
  
R4 =  2,6604 2,6437 2,6825   2,6604 2,6437 2,6825 
 2,7156 2,6825 2,7377   2,7156 2,6825 2,7377 
  
 21,7401 21,4999 21,9021 
 
=  21,4999 21,2627 21,6602 
 21,9021 21,6602 22,0653 
 
aoR4 = [ 65,1421 64,4228 65,6276 ]
aoR 4
Iiterasi kedua: ( aoR4 dibagi dengan elemen terbesar)
65,6276
[ 0,9926 0,9817 1,0000 ]
d. Menentukan vektor normal

Oleh karena hasil iterasi kedua sudah sama dengan hasil iterasi pertama, maka
proses iterasi dihentikan. Selanjutnya hasil yang telah diperoleh perlu dinormalkan
agar berlaku aoa1 = 1.
Vektor normal a1 ditentukan sebagai berikut:
0,9926
a11 =  0,5780
(0,9926)  (0,9817 ) 2  (1,0000) 2
2
0,9817
a21 =  0,5717
(0,9926) 2  (0,9817 ) 2  (1,0000) 2
1,0000
a31 =  0,5823
(0,9926) 2  (0,9817 ) 2  (1,0000) 2
Dengan demikian vektor normal a1 sebagai berikut:
a1 = [ 0,5780 0,5717 0,5823 ]
e. Menentukan nilai Eigen

Vektor ciri (vektor Eigen) normal harus memenuhi persamaan linear berikut:
0,5780 (1 - ) + 0,5717 r12 + 0,5823 r13 = 0
0,5780 – 0,5780 + 0,5717(0,896) + 0,5823 (0,947) = 0
0,5780 = 1,6416814   = 2,840279

Dengan demikian diperoleh komponen utama Xt:
Xt = 0,5780 Z1 + 0,5717 Z2 + 0,5823 Z3
Sx12 =  = 2,840279
Dengan demikian dapat disimpulkan bahwa komponen utama pertama dapat
1 2,840279
menjelaskan sebesar (Xi) =  = 0,947 atau 94,70% variansi total
p 3
hasil belajar Matematika.
f. Mengukur tingkat keeratan hubungan

Selanjutnya dapat diukur keeratan hubungan antara masing-masing variabel Z1, Z2,
dan Z3 dengan komponen utama X melalui formula berikut:
1
rZi X  rij  a ij ( j )  a ij  j
2
Diketahui: a11 = 0,5780, a21 = 0,5717, a31 = 0,5823 dan  = 2,840279

rZ1X  r11  a11  = (0,5780)(2,840279) = 0,9741
rZ 2 X  r21  a 21  = (0,5717)(2,840279) = 0,9635
rZ1X  r11  a11  = (0,5823)(2,840279) = 0,9814
Terdapat hubungan varians komponen utama X,  , dan koefisien korelasi rzix:
( =Sx12= (rz1X)2+ (rz2X)2+ (rz3X)2 =(0,9741)2 +(0,9635)2 +(0,9814)2=2,840279. Dari
koefisien korelasi yang diperoleh bahwa semua variabel asal mempunyai hubungan
yang sangat erat dengan komponen utama X. Tampak pula arah koefisien korelasi
dan koefisien pembobot adalah positif, hal ini dapat disimpulkan bahwa semakin
tinggi nilai variabel bebas/asal akan makin tinggi pula skor komponen utama. Dengan
demikian hasil belajar Matematika dapat ditingkatkan berdasarkan variasi skor
komponen utama (Xt). Skor komponen utama variabel independen dari beberapa
subjek disajikan pada tabel berikut.
g. Menentukan skor komponen utama
Skor komponen utama (Xt)
No Z1 Z2 Z3 Xt
1 -0.9806 -1.5684 -1.1142 -2.1122
2 -0.1961 -0.5804 -0.8356 -0.9318
3 -0.5883 0.0370 -0.2785 -0.4811
4 0.1961 0.4075 0.2785 0.5085
5 -1.7650 -1.1979 -1.3927 -2.5160
6 0.5883 0.9015 0.5571 1.1799
7 0.9806 1.2720 1.1142 1.9428
8 1.7650 1.3955 1.6713 2.7912
9 0.1961 -0.3334 0.5571 0.2471
10 -0.1961 -0.3334 -0.5571 -0.6284

Catatan: Xt = 0,5780 Z1 + 0,5717 Z2 + 0,5823 Z3
h. Melakukan analisis regresi komponen utama

Selanjutnya skor komponen utama (Xt) diregresikan dengan variabel dependent,
yaitu hasil belajar Matematika (Y).
No Xt Y
1 -2.1122 6
2 -0.9318 7
3 -0.4811 7
4 0.5085 8
5 -2.5160 6
6 1.1799 8
7 1.9428 8
8 2.7912 9
9 0.2471 7
10 -0.6284 6
Selanjutnya dilakukan analisis regresi linear sederhana Y atas Xt. Hasil analisis
dengan program SPSS versi 15.00, diperoleh:
Coefficientsa
1 (Constant) 7.200 .133 54.251 .000
Xt .566 .083 .924 6.819 .000
ANOVAb
Sum of
1 Regression 8.191 1 8.191 46.503 .000a
Residual 1.409 8 .176
Total 9.600 9
a. Predictors: (Constant), Xt

Model Summary
Model
1
R .924a
R Square .853
Adjusted R Square
.835

.41969

.853
Change
F Change 46.503
df1 1
df2 8
Sig. F Change
.000
a. Predictors: (Constant), Xt
Dari tabel di atas dapat dituliskan persamaan regresi:

Ŷ = 7,20 + 0,566 Xt, R2 = 0,853. Selanjutnya bila komponen utama disubtitusi ke
persamaan regresi, diperoleh:
Ŷ = 7,20 + 0,566 (0,5780 Z1 + 0,5717 Z2 + 0,5823 Z3)
Ŷ = 7,20 + 0,3272 Z1 + 0,3236 Z2 + 0,3296 Z3.
Untuk menguji signifikansi koefisien persamaan regresi baku secara parsial,

dilakukan perhitungan sebagai berikut:
RJK (Error ) 0,176
a. Menentukan varians error/galat: Se2 =   0,01833 .
JK(Total) 9,6
b. Menentukan varians koefisien regresi komponen utama:
2
m a ij
var (bi) = Se2 
j1 j
 s(bi) = var (b i )
(m = 1, karena hanya satu buah komponen utama)

2
a11 (0,5780) 2
var (b1) = Se2  (0,01833) = 0,002156  s(b1) = 0,04643
 2,840279
2
a 21 (0,5717) 2
var (b2) = Se2  (0,01833) = 0,002109  s(b2) = 0,04592
 2,840279

2
a 31 (0,5823) 2
var (b3) = Se2  (0,01833) = 0,002188  s(b3) = 0,04678
 2,840279
bi
c. Menentukan t hitung: t ( bi ) 
s (bi)
b1 0,3272
t ( b1 )    7,0472
s (b1 ) 0,04643
b2 0,3236
t (b 2 )    7,0470
s (b 2 ) 0,04592
b1 0,3296
t ( b1 )    7,0457
s (b1 ) 0,04678
Sebagai pembanding, t tabel dengan db 10 – 2 = 8, t(0,05)(8) = 1,86
d. Rangkuman hasil perhitungan
Variabel Koefisien Galat Baku t-hitung t-tab Simpulan
(Zi) Regresi (bi) (s bi) t (bi)  = 0,05
Z1 0,3272 0,04643 7,047 1,86 Signifikan
Z2 0,3236 0,04592 7,047 1,86 Signifikan
Z3 0,3296 0,04678 7,046 1,86 Signifikan
Dari tabel di atas terlihat bahwa, koefisien yang didasarkan pada analisis regresi
komponen utama bersifat nyata atau signifikan. Bandingkan hasil ini dengan uji-
signifikansi regresi atau koefisien regresi parsial (bukan regresi komponen
utama) dimana hasilnya tidak bersifat nyata. Dengan demikian teknik analisis
regresi komponen utama yang menghasilkan persamaan regresi:
Ŷ = 7,20 + 0,3272Z1 + 0,3236Z2 + 0,3296Z3 dapat memuaskan secara statistik
dan teoritis.
Selanjutnya berdasarkan hubungan antara Z dan X maka persamaan regresi

baku dapat ditransformasi ke persamaan regresi asli sebagai berikut:
(X1  23,5) (X 2  64,7) (X 3  12)
Ŷ = 7,20 + 0,3272. + 0,3236. + 0,3296
2,55 8,10 3,59
Ŷ = 7,20 + 0,1283 (X1 – 23,5) + 0,03995 (X2 – 64,7) + 0,09181 (X3 -12)
Ŷ = 7,20 + 0,1283 (X1 – 23,5) + 0,03995 (X2 – 64,7) + 0,09181 (X3 -12)
Ŷ = 0,498 + 0,1283X1 + 0,03995X2 + 0,09181X3

e. Menghitung Elastisitas
Untuk mengetahui sejauhmana tingkat responsi (sensitivitas) dari variabel
takbebas terhadap perubahan dalam variabel bebas dari persamaan regresi
dapat dihitung elastisitas rata-rata varibel tak bebas terhadap setiap variabel
bebas, melalui rumus:
Y X i Xi
Ei  .  b i ( ) , dimana hasil analisisnya pada tabel berikut.
X i Y Y
Elastisitas Hasil Belajar Matematika (Y) atas Variabel (Xi)
Variabel Koefisien Nilai Rata- Elastisitas Peringkat
(Xi) Regresi Xi (Ei)
(bi) rata ( )
Y
X1 0,1283 3,2639 0,4188 1
X2 0,0400 8,9861 0,3594 2
X3 0,0918 1,6667 0,1530 3
Dari tabel di atas, terlihat bahwa elastisitas terbesar pada variabel kreativitas (X1),
yang menunjukan variabel Y lebih sensitif pada variabel kreativitas (X1). Koefisien
elastisitas untuk variabel kreativitas (X1) adalah 0,4188 yang dapat
diinterpretasikan bahwa bila kreativitas dalam Matematika bertambah 1% akan
meningkatkan hasil belajar Matematika (Y) sebesar 0,4188%.
E. LATIHAN
1. Jelaskan apa tujuan utama penggunaan analisis regresi dalam penelitian
korelasi.
2. Buatlah 3 buah hubungan baik positif dan negatif antara variabel bebas (X) dan
variabel tak bebas (Y).
3. Data penelitian tentang kompetensi (X) dengan kinerja Karyawan (Y) disajikan
dalam tabel berikut.
(Y) 12 7 11 8 9 8 7 6 7 9
(X) 11 8 11 9 8 9 6 7 7 10
a. Tentukan persamaan regresi Y atas X ( Ŷ  a  bX )

(i) Linearitas persamaan regresi Y atas X, tafsirkan
(ii) Signifikansi/keberartian regresi Y atas X, tafsirkan
c. Hitung koefisien korelasi dan uji signifikansi koefisien tersebut, serta tentukan
pula koefisien determinasinya.

4. Data penelitian tentang kecemasan tes (X) dengan prestasi belajar Matematika
(Y) disajikan dalam tabel berikut.
(Y) 9 8 7 7 8 8 9 6 9 6
(X) 4 5 6 7 6 7 5 10 5 12
1) Tentukan persamaan regresi Y atas X
2) Lakukan pengujian (buat tabel Anava Regresi) apakah regresi linear dan
signifikan pada  = 0,05.
3) Hitung koefisien korelasi dan uji signifikansinya antara Y dan X (rxy).
Tafsirkan hasil yang anda peroleh.
5. Data penelitian tentang insentif (juta/bulan):(X) dengan kinerja Pengacara (Y)

disajikan dalam tabel berikut.
(Y) 10 5 9 6 7 6 5 4 5 7
(X) 9 6 9 7 6 7 4 5 5 8
a. Cari Persamaan regresi Y atas X
(i) Linearitas regresi Y atas X
(ii)Signifikansi/keberartian regresi Y atas X.
c. Hitung koefisien korelasi dan koefisien determinasi antara Y dan X, tafsirkan
hasil yang anda peroleh!
6. Berikut ini adalah statistik mengenai kreativitas (X1), motivasi berprestasi (X2),
dan Prestasi akademik (Y) yang diperoleh dari 15 subyek.
 X1 = 198,  X12 = 2888, X1 = 13,2
 X2 = 323,  X22 = 7193, X 2 = 21,533
 Y = 98, 2
 Y = 664, Y = 6,533
 X1Y = 1369,  X2Y = 2182,  X1X2 = 4497
Pertanyaan:
a. Tentukan persamaan regresi ganda ( Ŷ  b 0  b1 x 1  b 2 x 2 )

b. Uji signifikansi persamaan regresi ganda (buat anava regresi).
c. Hitung koefisien korelasi ganda Ry.12
d. Hitung koefisien korelasi parsil (r y1-2 dan r y2-1)
7. Data penelitian tentang sikap terhadap profesi hakim (X1) dan Kesejahteraan (X2)
dengan prestasi kerja (Y) disajikan dalam tabel berikut.
(Y) 4 5 5 6 6 6 5 6 7 7
(X1) 8 9 8 14 15 16 10 18 20 24
(X2) 2 3 5 8 9 8 6 3 12 5

ˆ  b  b X b X )
a. Cari Persamaan regresi ganda Y atas X1 dan X2 ( Y 0 1 1 2 2
d. Lakukan pengujian signifikansi koefisien persamaan regresi ganda Y
atas X1 dan X2.
8. Data penelitian tentang kompetensi hakim (X1) dan komitmen profesi (X2)
terhadap kinerja hakim (Y) disajikan dalam tabel berikut.
(Y) 6 6 7 6 7 6 5
(X1) 6 5 9 4 10 11 4
(X2) 7 4 9 6 10 9 3
a. Tentukan persamaan regresi Y atas X1 dan X2
b. Lakukan uji signifikansi regresi ganda Y atas X1 dan X2, tafsirkan!
c. Lakukan pengujian signifikansi koefisien persamaan regresi ganda
d. Hitung korelasi:
(1) korelasi dan determinasi Y dan X1, tafsirkan!
(3) korelasi dan determinasi Y dengan X1 dan X2, tafsirkan!
(4) korelasi antara Ydan X1, dengan mengontrol X2 (r y1-2 ), tafsirkan!
(5) korelasi antara Ydan X2, dengan mengontrol X1 (r y2-1 ), tafsirkan!
(6) Tentukan peringkat hubungan variabel bebas dan tak bebas.
9. Data penelitian tentang hubungan kompetensi (X1) dan insentif (X2) terhadap
kinerja pegawai (Y) disajikan dalam tabel berikut.
Y 3 5 6 8 10 11
X1 2 4 6 8 9 10
X2 2 3 5 6 8 9
a. Tentukan persamaan regresi:
(1) Y atas X1 (2) Y atas X2 , (3) Y atas X1 dan X2
b. Lakukan uji signifikansi regresi (anava regresi):
(1) Signifikansi regresi Y atas X1, tafsirkan!
(2) Signifikansi regresi Y atas X2, tafsirkan!
(3) Signifikansi regresi ganda Y atas X1 dan X2, tafsirkan!
c. Lakukan pengujian signifikansi koefisien persamaan regresi ganda
d. Hitung korelasi:
(3) korelasi dan determinasi Y dengan X1 dan X2, tafsirkan!

(4) korelasi antara Ydan X1, dengan mengontrol X2(r y1-2 ), tafsirkan!
(5) korelasi antara Ydan X2, dengan mengontrol X1(r y2-1 ), tafsirkan!
(6) Tentukan peringkat hubungan variabel bebas dan tak bebas.
10. Diberikan data koefisien korelasi sebagai berikut.

rXiYi Y X1 X2 X3
Y 1,00 0,48 0,56 0,40
X1 1,00 0,69 0,59
X2 1,00 0,94
X3 1,00
Hitung koefisien:
a. korelasi parsil r y1-2 , r y2 -1, r y1 -3 , r y3 -1, r y2 -3 dan r y3 -2
b. korelasi parsil r 13-2 , r 12 -3 , r 23 -1, dan r 32 -1
c. korelasi parsil r y1-23, r y2-13, dan r y3-12
11. Data penelitian tentang Insentif (X1 (ratusan ribu)) dan Tingkat Pendidikan (X2)
dengan Kinerja Karyawan (Y) disajikan dalam tabel berikut.
(X1) 5 8 10 12 13 14
(X2) 7 9 12 13 15 16
(Y) 4 6 7 9 11 12
a. Cari persamaan regresi Y atas X1 dan X2 ( Y ˆ  b  b X b X )
0 1 1 2 2
atas X1 dan X2.
f. Jika koefisien korelasi parsial pada bagian (e) tidak signifikansi, lakukan
pengujian dengan langkah-langkah standar dalam analisis regresi komponen
utama.

12. Data hasil penelitian tentang pengetahuan metodologi (X1), pengetahuan
Statistika (X2), pengetahuan subtansi bidang ilmu (X3), dan Kualitas tesis buatan
mahasiswa (Y), disajikan sebagai berikut.
No. X1 X2 X3 Y
1 10 20 8 6
2 12 21 8 7
3 12 21 7 6
4 14 23 9 7
5 15 24 8 7
6 8 20 8 6
7 15 22 9 7
8 8 18 6 5
9 20 26 7 8
10 18 28 9 8
11 10 16 6 5
12 7 15 5 4
13 22 30 10 9
14 12 19 9 6
15 15 20 10 7
a. Cari persamaan regresi Y atas X1, X2 dan X3

b. Lakukan pengujian signifikansi regresi ganda Y atas X1, X2 dan X3
c. Hitung koefisien korelasi ganda Y atas X1, X2 dan X3 serta uji signifikansinya
atas X1, X2 dan X3.
e. Hitung dan uji signifikansi koefisien korelasi parsial jenjang tiga
(r y1-23, r y2-13, dan r y3-12)
d. Jika koefisien korelasi parsial pada bagian (e) tidak signifikansi, lakukan
pengujian dengan langkah-langkah standar dalam analisis regresi komponen
utama.

BAB X
ANALISIS JALUR
Analisis jalur (Path Analysis) merupakan suatu metoda yang digunakan pada
model kausal yang telah dirumuskan peneliti berdasarkan subtansi keilmuwan yaitu
landasan teoretis dan pengalaman peneliti. Metode ini berguna untuk mengecek atau
menguji kausal yang telah diteorikan dan bukan untuk menurunkan teori kausal
tersebut. Dengan demikian bahwa suksesnya analisis jalur bergantung pada kuat
tidaknya teori yang mendukung. Teori yang tidak mendukung model yang kita
hipotesiskan hanya akan memberikan hasil yang tidak berguna. Oleh karena itu
menurut Joreskog dan Sorbom (1989) bahwa program LISREL (LInear Structural
RELationship) yang merupakan salah satu program dalam analisis jalur akan bekerja
lebih baik apabila digunakan dalam konteks confirmatory. Sedangkan untuk tujuan
exploratory dengan banyak variabel dan dengan teori yang lemah maka LISREL
bukanlah teknik statistik yang tepat dan berguna.
A. Konsep Dasar Analisis Jalur
Analisis jalur merupakan teknik statistik yang digunakan untuk menguji
hubungan kausal antara dua atau lebih variabel. Teknik ini pertama kali
dikembangkan oleh seorang ahli genetika bernama Sewall Wright pada tahun 1920-
an. Esensi dari analisis jalur adalah didasarkan pada sistem persamaan linear.
Analisis jalur berbeda dengan teknik analisis regresi, dimana dalam analisis jalur
memungkinkan pengujian dengan menggunakan variabel mediating/intervening.
Sistem hubungan kausal atau sebab akibat menyangkut dua jenis variabel, yaitu
variabel bebas yang diberi simbol X1, X2,......,Xk dan variabel terikat yang biasa diberi
simbol Y1, Y2,....Yl.
Pengaruh variabel bebas terhadap variabel terikat dalam analisis jalur dapat
berupa pengaruh langsung maupun tak langsung. Hal ini berbeda dengan model
regresi biasa dimana pengaruh variabel bebas terhadap variabel tak bebas hanya
berupa pengaruh langsung. Pengaruh tidak langsung suatu variabel bebas terhadap
variabel terikat adalah melalui variabel lain yang disebut variabel antara (intervening
variabel). Sebagai contoh pengaruh variabel insentif (X1) terhadap kinerja pegawai
(Y) bukan hanya secara langsung tetapi juga secara tidak langsung melalui variabel
motivasi kerja (X2). Selain itu, seperti telah disebutkan diatas bahwa hubungan
kausal dalam analisis jalur dibangun berdasarkan pertimbangan-pertimbangan
teoretis.
Dalam analisis jalur dikenal istilah variabel eksogen dan variabel endogen.
Variabel eksogen atau variabel yang mempengaruhi adalah variabel yang variasinya
diasumsikan terjadi bukan karena sebab-sebab dalam model. Sedangkan variabel
endogen atau variabel yang dipengaruhi adalah variabel yang variasinya terjelaskan
oleh variabel eksogen atau pun variabel endogen lain dalam sistem. Pusat perhatian
dalam analisis jalur adalah pola hubungan sebab akibat ini. Oleh karena itu masalah
mayor penelitian dalam kerangka analisis jalur adalah pertanyaan sebagai berikut:

(1) Apakah variabel eksogen X1, X2,......,Xk berpengaruh terhadap variabel endogen
Y1, Y2,....Yj?
(2) Berapa besar pengaruh langsung, pengaruh tak langsung, pengaruh total
maupun serempak X1, X2,......,Xk terhadap Yj?
Pertanyaan selanjutnya adalah pola hubungan mana yang ingin kita
ungkapkan, apakah pola hubungan untuk meramalkan atau menduga variabel
respon Y atas nilai-nilai variabel prediktor X1, X2,......,Xk atau pola hubungan yang
mempelajari besarnya pengaruh variabel penyebab X1, X2,......,Xk terhadap sebuah
variabel akibat, baik pengaruh langsung, tak langsung maupun pengaruh total. Dari
sudut pandang statistika telah diketahui bahwa untuk tujuan peramalan/pendugaan
variabel Y atas X1, X2,......,Xk maka pola hubungan dapat dipelajari secara tepat
melalui analisis model regresi, sedangkan untuk tujuan mempelajari pola hubungan
sebab-akibat maka pisau analisis yang tepat adalah dengan analisis jalur melalui
model struktural (Al-Rasjid, 1994: 1-3).
B. Hakekat Hubungan Kausal Dalam Analisis Jalur
Dalam penelitian eksperimen peneliti memanipulasi variabel-variabel
perlakuan dan kemudian mempelajari apa yang terjadi atau pengaruhnya terhadap
variabel kriterion. Agar hasil yang diperoleh pada variabel kriterion diyakini
disebabkan oleh variabel yang dimanipulasikan maka peneliti perlu mengontrol
variabel-variabel yang tidak relevan. Salah satu cara melakukan pengontrolan ini
adalah dengan randomisasi yang pada umumnya dapat dilakukan secara baik
melalui desain perlakuan maupun unit eksperimen. Dengan melakukan manipulasi
dan randomisasi ini peneliti merasa yakin membuat inferensi tentang perubahan-
perubahan yang terjadi pada variabel kriterion. Dengan kata lain peneliti telah
menciptakan sebab dalam hal ini manipulasi atau perlakuan untuk mendapatkan
hasil (akibat). Dengan demikian hubungan kausal antara variabel manipulasi
(independent) dan variabel kriterion (dependent) dalam penelitian eksperimen lebih
dapat dipastikan karena ada proses kontrol kondisional yang menyertainya.
Keadaannya berbeda dalam penelitian non-eksperimen, dimana tidak dapat
dilakukan manipulasi variabel-variabel dan juga tidak dapat dilakukan randomisasi
sempurna sebagaimana dalam penelitian eksperimen. Jalan keluar yang dilakukan
adalah pengontrolan secara statistik sebagai pengganti pengontrolan secara
kondisional. Namun demikian bahwa pengontrolan secara statistik harus ditafsirkan
secara hati-hati dan cermat, karena kalau tidak kita dapat terjebak dalam penafsiran
yang keliru tentang analisis data penelitian non-eksperimen. Misalnya harus
diwaspadai bahwa “korelasi tidak serta merta membuktikan kausal”. Perlu disadari
bahwa hubungan kausal yang dibangun dari korelasi atau kovarians sebagaimana
dalam analisis jalur tidaklah didasarkan pada data melainkan pada subtansi
keilmuwan (pengetahuan, teori, pengalaman, asumsi-asumsi dan analisis logis). Jadi
kerangka pikir yang diturunkan dari teorilah yang menunjukan hubungan kausal.
Fungsi data adalah mendukung atau tidak mendukung model teoretis dari hubungan
kausal yang dibangun peneliti. Sangat mungkin terjadi bahwa untuk data yang sama
dapat cocok atau konsisten dengan lebih dari satu model. Penentuan model mana
yang tepat tidak didasarkan pada data tetapi pada pertimbangan teoretis yang

dibangun dari peneliti itu sendiri ataupun pertimbangan yang melibatkan pakar
bidang tertentu (Professional Judgment).
C. Diagram Jalur/Pola Hubungan Kausal
Untuk menggambarkan hubungan kausal atau sebab-akibat antara variabel
yang akan diselidiki, peneliti menggunakan model berbentuk diagram jalur. Diagram
jalur adalah alat untuk melukiskan secara grafis struktur hubungan sebab-akibat
antar variabel bebas, intervening, dan variabel terikat. Untuk merepsentasikan
hubungan tersebut diagram jalur menggunakan simbol anak panah
berarah/berkepala satu (single-headed arrow) yang memberi makna adanya
pengaruh langsung antara variabel eksogen, intervening, dan variabel endogen.
Disamping itu anak panah juga menghubungkan error dengan variabel tak bebas dan
untuk anak panah berkepala dua (double-headed arrow) merepresentasikan
hubungan antara dua variabel. Setiap variabel yang akan dianalisis dalam model
disimbolkan dalam bentuk kotak sedangkan variabel lain yang tidak dianalisis dalam
model atau error digambakan berbentuk lingkaran. Sebagai contoh perhatikan
diagram jalur berikut ini.
Penalaran 1 2
logis (X1)
p31 pe1 pe2
Metakognisi p43 Problem

r12
(X3) Solving (Y)
Kreativitas p32
(X2)
Gambar1: Diagram jalur pengaruh Penalaran Logis, Kreativitas,

Metakognisi, terhadap Kemampuan Problem Solving siswa
Model diatas melukiskan adanya hubungan variabel eksogen yaitu penalaran

logis (X1) dan Kreativitas (X2) dengan variabel endogen Metakognisi (X3) dan
Kemampuan problem solving (Y). Variabel eksogen dan endogen digambarkan
dalam bentuk kotak sedangkan error (1 2) dalam bentuk lingkaran. Variabel X1 dan
X2 dihubungkan dengan sebuah korelasi. Pengaruh X1 dan X2 terhadap X3 dan dari
X3 terhadap Y disebut pengaruh langsung (direct effect), sedangkan dari X1 terhadap
Y melalui X3 dan dari X2 terhadap Y melalui X3 disebut pengaruh tak langsung
(indirect effect). Untuk memudahkan dalam membuat indeks dari pengaruh langsung

dari variabel bebas, variabel intervening, dan variabel tak bebas, maka variabel Y
disimbolkan atau diganti dengan X4 saja.
Beberapa model diagram jalur atau konstelasi masalah yang lain:
a. Model diagram jalur sederhana melibatkan 3 variabel (X1, X2, dan Y)
X1 ry1
p31
Y
r12 p21
py2
X2 ry2
<<
b. Model diagram jalur melibatkan 4 variabel (X1, X2, X3, dan X4)
p31r
X1 X3
p41
p32
r12 p43
X2 X4
p42
c. Model lain dari diagram jalur melibatkan 4 variabel (X1, X2, X3, dan X4)
1 2
e1
X1 r14
p31
p41
r13
X3 r34 X4
r12 p21 p43
r23
r24
p32
e2 p42
X2

Dari diagram di atas terlihat bahwa jika kita mempunyai 4 variabel, yaitu X 1, X2,
X3 sebagai variabel bebas dan X4 sebagai variabel tak bebas, maka kita dapat
membentuk dua model, yaitu model (a) dan model (b). Model mana yang kita pilih
didasarkan pada teori yang kita bangun.
D. Koefisien Jalur
Besarnya pengaruh langsung antara variabel yang mempengaruhi terhadap
variabel yang dipengaruhi atau dari suatu variabel eksogen terhadap variabel
endogen dinyatakan dalam koefisien jalur. Notasi atau simbol dari koefisien jalur
dituliskan sebagai pij dimana i menyatakan akibat (variabel terikat) dan j menyatakan
sebab (variabel bebas). Jika model rekursif (model satu arah) maka koefisien
jalurnya menggunakan koefisien korelasi sederhana atau ganda. Koefisien jalur
ekivalen dengan koefisien regresi atau koefisien beta. Koefisien-koefisien ini
biasanya dicantumkan pada diagram jalur tepat pada setiap garis jalur yang nilainya
dalam bentuk numerik. Dengan demikian untuk mengestimasi koefisien jalur,
misalnya variabel eksogen (X1) terhadap variabel endogen (X2) dapat diestimasi
dengan korelasi sederhana (r12) = p21. Jika variabel endogen (X3) dipengaruhi oleh
variabel eksogen (X1) dan (X2), maka koefisien jalur untuk X1 terhadap X3 selanjutnya
X2 terhadap X3 diestimasi oleh besarnya koefisien beta dalam regresi, yaitu p31 = bx1y
dan p32 = bx2y. Untuk lebih jelasnya perhatikan diagram berikut:
p21 = r12
X1 X2
X1
p31 = bx1x2
X3
p32 = bx2x3
X2
Analisis untuk menentukan koefisien jalur dilakukan dengan langkah-langkah

sebagai berikut:
a. Menentukan hubungan skor baku dengan koefisien korelasi
XX x
z  , sehingga skor baku ke-i dan skor baku ke-j adalah:
s s

xi xj
zi  dan z j 
s s
 x xj x x x x
 z i z j  s si =
j j
i
= n i
x x ( x )( x
2 2 2
i j
i
2
j i j )
n n
1
z z i j
n
 zi z j
 n rij  rij 
 z i  n rii  n   z i  n
2 2
b. Menentukan hubungan antara variabel dalam Z

z1 = e1
z2 = p21z1 + e2
z3 = p31z1 + p32z2 + e3
z4 = p41z1 + p42z2 + p43z3 +e4
c. Menentukan hubungan koefisien jalur dengan koefisien korelasi:

1
(1) r12 = (z1.z2)
n
1
= z1 (p21z1 + e2)
n
1
= (p21z12 + z1e2)
n
1
= (p21.n + 0) = p21 (residu ei tak berkorelasi dengan zi)
n
r12 = p21
1
(2) r13 = (z1.z3)
n
1
= z1 (p31z1 + p32z2 + e3)
n
1
= (p31z12 + p32z1z2 + z1e2)
n
1
= (p31.n + p32.n r12 + 0) = p31 + p32.r12
n

r13 = p31 + p32.r12
1
(3) r14 = (z1.z4)
n
1
= z1 (p41z1 + p42z2 + p43z3 +e4)
n
1
= (p41z12 + p42z1z2 + p43z1z3 z1e4)
n
1
= (p41.n + p42.n r12 + p43 n r13+ 0) = p41 + p42 r12 + p43 r13
n
r14 = p41 + p42 r12 + p43 r13
1
(4) r23 = (z2.z3)
n
1
= z2 (p31z1 + p32z2 + e3)
n
1
= (p31z1z2 + p32z22 + z2e3)
n
1
= (p31.n.r12 + p32 n + 0) = p31r12 + p32
n
r23 = p31r12 + p32
1
(5) r24 = (z2.z4)
n
1
= z2 (p41z1 + p42z2 + p43z3 +e4)
n
1
= (p41z1z2 + p42z22 + p43z2z3 + z2e4)
n
1
= (p41.n.r12 + p42 n + p43 n.r23 + 0) = p41r12 + p42 + p43 .r23
n
r24 = p42 + p41r12 + p43r23
1
(6) r34 = (z3.z4)
n
1
= z3 (p41z1 + p42z2 + p43z3 +e4)
n

1
= (p41z1z3 + p42z2z3 + p43z32 + z3e4)
n
1
= (p41.n.r13 + p42 nr23 + p43 n + 0) = p41r13 + p42r23 + p43
n
r34 = p43 + p41r13 + p43r23
Dengan demikian untuk mencari koefisien jalur (pij) dapat diperoleh dari
persamaan berikut:
r12 = p21
r13 = p31 + p32.r12
r23 = p31r12 + p32
r14 = p41 + p42 r12 + p43 r13
r24 = p42 + p41r12 + p43r23
r34 = p43 + p41r13 + p43r23
Sebagai contoh, berikut diberikan data hasil penelitian tentang Insentif (X 1) dan
Motivasi Kerja (X2) dengan Kinerja Karyawan (X3) disajikan dalam tabel berikut.
(Y) 6 6 7 6 7 6
(X1) 6 5 9 4 10 11
(X2) 7 4 9 6 10 9
Misalkan secara teoretik kita bangun menyatakan bahwa insentif tidaklah

berpengaruh langsung terhadap kinerja tetapi melalui variabel intervening
motivasi kerja. Secara visual diagram jalur disajikan sebagai berikut.
X1 ry1
p31
X3
r12 p21
py2
X2 ry2

Selanjutnya ditentukan koefisien jalur dengan langkah-langkah berikut.
a. Menentukan matriks korelasi
Matriks korelasi dibentuk dari koefisien korelasi (r12, r13, dan r23)
rij X1 X2 X3
X1 1,000 0,876 0,538
X2 1,000 0,686
X3 1,000
b. Menentukan koefisien jalur

Koefisien jalur ditentukan dari persamaan berikut
r12 = p21
r13 = p31 + p32.r12
r23 = p31r12 + p32, sehingga diperoleh:
0,876 = p21
0,538 = p31 + 0,876p32
0,686 = 0,876p31 + p32
0,538 0,876
0,686 1,000  0,0649
p31 =    0,279
1,000 0,876 0,2326
0,876 1,000
1,000 0,536
0,876 0,686 0,2165
p32 =   0,931
1,000 0,876 0,2326
0,876 1,000
Sehingga diperoleh koefisien jalur p21 = 0,876, p31 = -0,279, dan p32 = 0,931.
E. Persamaan Struktural
Hubungan sebab akibat dalam analisis jalur disamping dapat dinyatakan secara
visual melalui diagram jalur juga dinyatakan dalam sebuah persamaan matematis
atau persamaan struktural.

2 3
X1 r14
p31
p41
r13
X3 r34 X4
r12 p21 p43
r23
r24
p32
X2 p42
1
Dari diagram jalur diatas dapat disusun persamaan struktural:

X2 = p21X1 + 1
X3 = p31X1 + p32X2 + 2
X4 = p41X1 + p42X2 + p43X3 + 3
F. Persyaratan Analisis
Untuk melakukan menganalisis data dengan teknik analisis jalur, diperlukan
beberapa persyaratan atau asumsi-asumsi sebagai berikut:
1) Data masing-masing variabel minimal dalam skala interval;
2) Hubungan antar variabel dalam model adalah linear dan aditif;
3) Hubungan antar variabel dalam model bersifat rekursif (satu arah);
4) Seluruh error (residual) diasumsikan tidak berkorelasi dengan error lainnya
dan tidak juga dengan variabel dalam model.
G. Pengaruh Langsung, Tak Langsung dan Pengaruh Total
Analisis jalur memperhitungkan pengaruh langsung dan tidak lansung. Pengaruh
langsung adalah pengaruh dari satu variabel bebas ke variabel terikat tanpa
melalui variabel bebas lainnya. Sedangkan pengaruh tak langsung adalah
pengaruh dimana variabel bebas yang mempengaruhi variabel terikat melalui
variabel lain atau variabel intervening. Pengaruh langsung dan tak langsung
secara visual diperlihatkan melalui diagram jalur. Adapun pengaruh total adalah
gabungan antara pengaruh langsung dan pengaruh tak langsung. Sebagai
contoh perhatikan hasil analisis data yang diperlihatkan dalam model berikut.

Penalaran 1 2
Logis(X1)
p31 = 0,36 pe1 pe2
Metakognisi p43 Problem

r12 = 0,26
(X3) Solving (X4)
= 0,48
p32 = 0,18
Kreativitas
(X2)
Dari model ini dapat ditentukan model langsung, model tak langsung, dan
pengaruh total sebagai berikut.
Pengaruh langsung:
Pengaruh langsung adalah pengaruh dari variabel X1, X2 terhadap X3 dan dari
variabel X3 ke X4, secara sederhana disajikan:
Pengaruh X1 terhadap X3 (X1  X3) atau (p31) = 0,36
Pengaruh tak langsung:
Pengaruh tak langsung adalah pengaruh dari variabel X1 terhadap X4 melalui X3
dan dari pengaruh variabel X2 terhadap variabel X4 melalui X3, secara sederhana
disajikan:
Pengaruh tak langsung X1 ke X4 melalui X3 (X1  X3  X4) adalah hasil kali
koefisien jalur (p31) dan (p43) = (0,36)(0,48) = 0,1728.
Pengaruh tak langsung X2 ke X4 melalui X3 (X2  X3  X4) adalah hasil kali
koefisien jalur (p31) dan (p43) = (0,18)(0,48) = 0,0864.
Pengaruh total:
Pengaruh total adalah jumlah antara pengaruh langsung dan pengaruh tak
langsung, yaitu sebagai berikut:
Pengaruh total dari variabel X1 terhadap X4 = 0,36 + 0,1728 = 0,5328
Pengaruh total dari variabel X2 terhadap X4 = 0,18 + 0,0864 = 0,2664

H. Pengujian Kecocokan Model (Model Fit)
Pengujian model diperlukan untuk menentukan apakah model yang diajukan
sesuai (fit) atau konsisten dengan data emprik atau tidak. Pengujian model
dilakukan dengan cara membandingkan matrik korelasi teoritis dengan matrik
korelasi empirisnya. Jika kedua matrik tersebut identik atau sesuai, maka model
teoritis yang diajukan tersebut dapat disimpulkan diterima secara sempurna.
Beberapa program komputer antara lain program Lisrel, dapat menampilkan hasil
uji kesesuaian dengan indek-indek tertentu, sehingga peneliti langsung dapat
menggunakan indeks tersebut untuk menentukan apakah model yang diajukan
diterima atau tidak. Salah satu uji yang dapat digunakan adalah statistik Chi-
Square yang dianjurkan oleh Specht (1975) dan Pedhazur (1982).
Perhitungan secara manual untuk uji kecocokan dilakukan sebagai berikut:
a. Merumuskan hipotesis
Ho: R = R () (matriks korelasi teoretis = matriks korelasi empirik)
H1: R  R () (matriks korelasi teoretis  matriks korelasi empirik)
b. Menentukan statistik Chi-Square (Kai-kuadrat)
W = - (n – d) ln (Q), dimana:
n = ukuran sampel
d = banyaknya koefisien jalur yang tidak signifikan
c. Menentukan nilai Q
2
1 R m
Q dengan,
1 Rg 2
2
Rm = Koefisien determinasi model teoretis (diusulkan)
2
Rg =Koefisien determinasi model setelah terdapat koefisien jalur tak
signifikan.
2 2 2 2
Rg = 1 – (1 - Rg )(1 - Rg )... (1 - Rp )
2 2 2 2
Rm = 1 – (1 – Rm )(1 - Rg )... (1 - Rm )
2 2
Rg = Rm (tidak terdapat koefisien jalur yang tak signifikan)
Statistik W mendekati distribusi Kai-Kuadrat dengan derajat bebas (db) = d.
Hipotesis nol akan diterima pada saat Nilai W semakin kecil mendekati nol.
Dengan demikian model teoretik yang diusulkan cocok dengan data empirik.
Untuk memahami lebih jelas tentang uji kecocokan ini diberikan contoh berikut.
Misalkan matriks korelasi variabel X1, X2, X3, dan X4 dari 30 subjek sebagai berikut:
X1 X2 X3 X4
 1 0,935 0,941 0,962 
 
 1 0,966 0,967 
R= 
1 0,976 
 
 1 


Persamaan (the first law)
r12 = p21 = 0,935
r13 = p31 + p32.r12 = 0,941
r14 = p41 + p42 r12 + p43 r13 = 0,962
r23 = p31r12 + p32 = 0,966
r24 = p42 + p41r12 + p43r23 = 0,967
r34 = p43 + p41r13 + p43r23 = 0,976
Misalkan telah diperoleh hasil perhitungan koefisien jalur yang dinyatakan pada
diagram jalur berikut:
Insentif
1 2
(X1) p41 = 0,33
p31 = 0,30 pe1
Suasana p43 Kinerja (X4)

r12 = 0,94
Kerja (X3)
= 0,45
p32 = 0,68
Kompetensi
(X2) p42 = 0,23
.
Berdasarkan gambar diatas didapat dua persamaan regresi yaitu:
X3 = p31X1 + p32X2 + 1
X4 = p42X1 + p41X2 + p43X3 + 2
Signifikansi atau keberartian dari koefisien jalur dapat ditentukan melalui uji
statistik t (uji beta). Cara lain menguji signifikansi koefisien jalur secara kasar adalah
membandingkan nilai koefiesien jalur pij dengan harga 0,05. Jika pij  0,05, maka
koefisien jalur dianggap signifikan atau berarti.
Misalkan dari perhitungan telah diperoleh koefisien determinasi multipel
kedua persamaan regresi tersebut, masing-masing adalah (R23.12) = 0,945 dan
(R24.123) = 0,973, maka dapat ditentukan residual untuk masing-masing koefisien
jalur , yaitu:
p3e = 1 0,945  0,235 dan p4e = 1 0,973  0,163
sehingga diperoleh: R2m = 1 – (1 – 0,945)(1 – 0,973) = 0,998515.

Dari hasil perhitungan koefisien jalur diperoleh satu jalur yang tidak signifikan yaitu
jalur dari X2 ke X4, sehingga koefisien jalur tersebut dianggap nol, dan persamaan
regresi sekarang menjadi:
X3 = p31X1 + p32X2 + 1
X4 = p41X2 + p43X3 + 2
Matriks korelasi empiris setelah diperoleh koefisien jalur tak signifikan (p 42) = 0 ,
ditaksir dari persamaan regresi baru, sebagai berikut:
r12 = p21 = 0,935
r13 = p31 + p32.r12 = 0,941
r14 = p41 + p42 r12 + p43 r13 = 0,33 + (0)(0,935) + (0,45)(0,941) = 0,754
r23 = p31r12 + p32 = 0,966
r24 = p42 + p41r12 + p43r23 = 0 + (0,33)(0,935) + (0,45)(0,966) = 0,743
r34 = p43 + p41r13 + p43r23 = 0,976, sehingga diperoleh matriks korelasi baru:
X1 X2 X3 X4
 1 0,935 0,941 0,754 
 
 1 0,966 0,743 
R1 = 
1 0,976 
 
 1 
 
Dari hasil perhitungan diperoleh koefisien determinasi multipel kedua
2
persamaan regresi baru tersebut masing-masing adalah (R 3.12) = 0,945 dan
2
(R 4.123) = 0,970.
Sehingga koefiesien determinasi baru R2g = 1 – (1 – 0,945)(1 – 0,970) = 0,99835.

1  0,998515
Selanjutnya dihitung nilai Q = = 0,90.
1  0,998350
Dengan ukuran sampel (n) = 30, dan banyaknya koefisien jalur yang tidak signifikan
(d) = 1, maka statistik uji Kai-kuadrat dengan W = - (n – d) ln Q = -(30 – 1) ln (0,90) =
3,055. Dari tabel Kai-kuadrat dengan derajat bebas, d = 1 pada taraf signifikansi  =
0,05 di dapat harga 2 = 43,77. Karena W = 3,055 < 2 = 43,77, Ho diterima atau
model yang diperoleh adalah sesuai atau cocok (model fit). Secara visual model yang
cocok atau model fit diperlihatkan seperti berikut ini.

Insentif
1 2
(X1) p41 = 0,33
p31 = 0,30 pe1
Suasana p43
r12 = 0,94
Kerja (X3) Kinerja (X4)
= 0,45
p32 = 0,68
Kompetensi
(X2)
I. Pengolahan Data dengan SPSS

Untuk mengolah data dengan menggunakan program SPSS, maka kita harus
melakukan tabulasi data ke dalam editor SPSS, dan memastikan kolom mewakili
variabel dan baris mewakili responden. Perhatikan contoh berikut. Misalkan
kepuasan pelanggan di suatu pusat perbelanjaan (X4) ditentukan oleh kualitas
produk (X1), jarak (X2), dan layanan (X3).
No. X1 X2 X3 X4
1 5 18 12 5
2 7 22 12 6
3 6 24 15 7
4 6 25 14 7
5 6 26 16 8
6 8 25 15 8
7 9 30 17 9
8 6 26 14 7
9 8 28 18 10
10 9 20 12 6
Masukkan X4 ke kotak dependent dan X1, X2, dan X3 ke kotak Independent,
kemudian klik Statistics dan Descriptive, klik method Backward selanjutnya klik
continue. Model teoretik yang diajukan seperti berikut ini. Hasilnya ditampilkan
sebagai berikut.

a. Output SPSS
Struktural 1
Correlations
X3 X1 X2
Pearson Correlation X3 1.000 .296 .888
X1 .296 1.000 .350
X2 .888 .350 1.000
Sig. (1-tailed) X3 . .203 .000
X1 .203 . .161
X2 .000 .161 .
N X3 10 10 10
X1 10 10 10
X2 10 10 10
ANOVAc
Sum of
1 Regression 31.977 2 15.988 13.131 .004a
Residual 8.523 7 1.218
Total 40.500 9
2 Regression 31.967 1 31.967 29.972 .001b
Residual 8.533 8 1.067
Total 40.500 9
b. Predictors: (Constant), X2
c. Dependent Variable: X3
Coefficientsa
1 (Constant) 1.802 2.716 .664 .528
X1 -.024 .278 -.016 -.088 .933
X2 .527 .109 .894 4.831 .002
2 (Constant) 1.713 2.358 .726 .488
X2 .524 .096 .888 5.475 .001
a. Dependent Variable: X3

Model Summary
Model
1 2
R .889a .888b
R Square .790 .789
Adjusted R Square
.729 .763
1.103 1.033

.790 .000
Change
F Change 13.131 .008
df1 2 1
df2 7 7
Sig. F Change
.004 .933

b. Predictors: (Constant), X2
Struktural 2
Correlations
X4 X1 X2 X3
Pearson Correlation X4 1.000 .473 .906 .964
X1 .473 1.000 .350 .296
X2 .906 .350 1.000 .888
X3 .964 .296 .888 1.000
Sig. (1-tailed) X4 . .084 .000 .000
X1 .084 . .161 .203
X2 .000 .161 . .000
X3 .000 .203 .000 .
N X4 10 10 10 10
X1 10 10 10 10
X2 10 10 10 10
X3 10 10 10 10

ANOVAc
Sum of
1 Regression 19.546 3 6.515 70.611 .000a
Residual .554 6 .092
Total 20.100 9
2 Regression 19.448 2 9.724 104.419 .000b
Residual .652 7 .093
Total 20.100 9
a. Predictors: (Constant), X3, X1, X2
b. Predictors: (Constant), X3, X1
c. Dependent Variable: X4
Coefficientsa
1 (Constant) -3.545 .771 -4.600 .004
X1 .202 .076 .191 2.639 .039
X2 .065 .063 .155 1.032 .342
X3 .542 .104 .769 5.208 .002
2 (Constant) -3.444 .768 -4.485 .003
X1 .217 .075 .206 2.885 .023
X3 .636 .050 .903 12.669 .000
a. Dependent Variable: X4
Model Summary
Model
1 2
R .986a .984b
R Square .972 .968
Adjusted R Square
.959 .958
.304 .305

.972 -.005
Change
F Change 70.611 1.065
df1 3 1
df2 6 6
Sig. F Change
.000 .342
a. Predictors: (Constant), X3, X1, X2

b. Predictors: (Constant), X3, X1

b. Interpretasi hasil
(1) Koefisien jalur
Output Struktural 1
Dengan menggunakan metode Backward, diperoleh dua model hasil
pengolahan data, yaitu model 1 dan model 2. Koefisien jalur akan ditunjukkan
oleh kolom Standardized Coefficients (Beta). Hipotesis yang akan diuji
adalah:
Ho: p3j = 0, j = 1, 2
H1: bukan Ho
Dari tabel ANOVA model 1, diperoleh berturut-turut:
(a) p31= -0,016, t = -0,088, p-value = 0,933 > 0,05, atau Ho diterima, yang
berarti tidak terdapat pengaruh kualitas produk terhadap layanan.
(b) p32= 0,894, t = 4,831, p-value = 0,02 > 0,05, atau Ho ditolak, yang berarti
terdapat pengaruh langsung jarak terhadap layanan. Jarak berpengaruhnya
sebesar 0,894.
Dari analisis ini terlihat bahwa terdapat koefisien jalur (p31) tidak signifikan,
maka model perlu diperbaiki dengan cara mengeluarkan X1 dari model
(trimming), yang hasilnya dapat dilihat pada model 2. koefisien jalur setelah
trimming adalah p32= 0,206, t = 5,475, p-value = 0,001 < 0,05, atau Ho
ditolak.
Output Struktural 2
Dengan menggunakan metode Backward, diperoleh dua model hasil
pengolahan data, yaitu model 1 dan model 2. Koefisien jalur akan ditunjukkan
oleh kolom Standardized Coefficients (Beta). Hipotesis yang akan diuji
adalah:
Ho: p4j = 0, j = 1, 2, 3
H1: bukan Ho
Dari tabel ANOVA model 1, diperoleh berturut-turut:
(a) p41= 0,191, t = 2,639, p-value = 0,039 < 0,05, atau Ho ditolak, yang berarti
terdapat pengaruh langsung kualitas produk terhadap kepuasan pelanggan.
Kualitas produk berpengaruhnya sebesar 0,191.
(b) p42= 0,155, t = 1,032, p-value = 0,342 > 0,05, atau Ho diterima, yang
berarti tidak terdapat pengaruh jarak terhadap kepuasan pelanggan.
(c) p43= 0,769, t = 5,208, p-value = 0,002 < 0,05, atau Ho ditolak, yang berarti
terdapat pengaruh langsung layanan terhadap kepuasan pelanggan. Jarak
berpengaruhnya sebesar 0,769.
Dari analisis ini terlihat bahwa terdapat koefisien jalur yang tidak signifikan,
maka model perlu diperbaiki dengan cara mengeluarkan X3 dari model
(trimming), yang hasilnya dapat dilihat pada model 2. koefisien jalur setelah
trimming adalah p41= 0,206, t = 2,885, p-value = 0,023 < 0,05, atau Ho
ditolak, dan p43 = 0,903, t = 12,669, p-value = 0,000 < atau Ho ditolak. Output
SPSS dari struktural 1 dan 2 disajikan pada gambar berikut.

Kualitas 1 2
Produk(X1) p41 = 0,191
p31 =-0,016 pe1
p43 Kepuasan
p12 = 0,350 Layanan (X3)
(X4)
=0,769
p32 = 0,894
Jarak (X2)
p42 = 0,155
(2) Persamaan struktural

Persamaan struktural diekspresikan dalam dua bentuk:
Persamaan struktural 1: X3 = p31X1 + p32X2 + 1
X3 = 0,894X2 + 1 (p31 =-0,016 non signifikan)
Persamaan struktural 2: X4 = p41X1 + p42X2 + p43X3 + 2

X4 = 0,191X1 + 0,769X3 + 2 (p42 = 0,155 non signifikan)
(3) Faktor residual
Perhatikan tabel Model Summary khususnya model 2, untuk struktural 1,
terlihat bahwa koefisien determinasi yang diperlihatkan oleh R Square (R23.12)
= 0,789. Sehingga faktor residual untuk pada variabel tak bebas X3 adalah 1
= 1  R 2 3.12  1  0,789  0,459
Selanjutnya tabel Model Summary khususnya model 2, untuk struktural 2,
terlihat bahwa koefisien determinasi yang diperlihatkan oleh R Square
(R24.123) = 0,968. Sehingga faktor residual untuk pada variabel tak bebas X4
adalah 2 = 1  R 2 4.123  1  0,968  0,179
(4) Model Fit
Hipotesis:
Ho: R = R () (matriks korelasi teoretis = matriks korelasi empirik)
H1: R  R () (matriks korelasi teoretis  matriks korelasi empirik)

c. Menentukan nilai Q
2
1 R m
Q dengan,
1 Rg 2
Lihat koefisien determinasi untuk model 1 masing-masing pada struktural 1
dan struktural 2, (sebelum trimming).
2
R m = 1 – (1 – 0,790)(1 – 0,972) = 0,9941
Selanjutnya koefisien determinasi untuk model 2 masing-masing pada

struktural 1 dan struktural 2, (setelah trimming).
2
Rg = 1 – (1 – 0,789)(1 – 0,968) = 0,9932
1  0,9941
Q= = 0,868.
1  0,9932
Dengan ukuran sampel (n) = 10, dan banyaknya koefisien jalur yang tidak
signifikan (d) = 2, maka statistik uji Kai-kuadrat dengan W = - (n – d) ln Q = -
(10 – 1) ln (0,868) = 1,274. Dari tabel Kai-kuadrat dengan derajat bebas, d = 2
pada taraf signifikansi  = 0,05 di dapat harga 2 = 43,77. Karena W = 1,274
< 2(2;0,05) = 18,31 atau Ho diterima. Dengan demikian model yang diperoleh
adalah sesuai atau cocok (model fit). Secara visual model yang cocok atau
model fit diperlihatkan seperti berikut ini.
Kualitas 1 2
Produk(X1) p41 = 0,191
pe1
p43 Kepuasan
p12 = 0,350 Layanan (X3)
(X4)
=0,769
p32 = 0,894
Jarak (X2)

J. Latihan
1. Jelaskan apa tujuan dari analisis regresi dan apa pula tujuan dari analisis jalur.
2. Buatlah rangkuman sederhana tentang perbedaan antara analisis regresi dan
analisis jalur.
3. Jelaskan mengapa penggunaan teknik analisis jalur membutuhkan teori yang
kuat dalam membangun sebuah model.
4. Jelaskan apa yang dimaksud hubungan sebab-akibat atau kausal dalam analisis
jalur.
5. Jelaskan apa yang dimaksud dengan pengaruh langsung, pengaruh tak langsung
dan pengaruh total.
6. Kemukakan pendapat anda apa yang dimaksud trimming dan mengapa kita perlu
melakukan trimming.
7. Jelaskan perbedaan antara output SPSS dengan metode Enter dan metode
Backward.
8. Diberikan matriks korelasi
X1 X2 X3 X4
1 0,89 0,95 0,94 
 
 1 0,98 0,88 
R= 
1 0,92 
 
 1 

Keterangan:
X1 = Konfensasi
X2 = Kompetensi inti
X3 = Iklim Kerja
X4 = Kinerja Pegawai Golongan III
Pertanyaan:
a. Lukis model diagram jalur yang mungkin dapat dibuat
b. Tentukan koefisien jalur dan lakukan pengujian signifikansi pada kriteria 0,05.
c. Berdasarkan point (b) tentukan pengaruh langsung, pengaruh tak langsung
dan pengaruh total. Tafsirkan
d. Tuliskan persamaan struktural.
e. Tentukan faktor residual
7. Berikut ini diberikan data hasil penelitian tentang pengaruh insentif (X1), Tingkat
Pendidikan (X2), dan Suasana Kerja (X3), terhadap kinerja Karyawan di
perusahaan M (X4).
Pertanyaan:
a. Lukis model diagram jalur yang mungkin dapat dibuat
b. Tentukan koefisien jalur dan lakukan pengujian signifikansi dengan statistik
uji-t.
c. Berdasarkan point (b) tentukan pengaruh langsung, pengaruh tak langsung
dan pengaruh total. Tafsirkan
d. Tuliskan persamaan struktural dari diagram yang ditentukan.
e. Tentukan faktor residual dari variabel endogen.
f. Uji kecocokan model (model Fit)
Data Hasil Penelitian
No X1 X2 X3 X4
1 50 49 50 48
2 29 28 30 27
3 13 9 10 14
4 31 28 20 30
5 27 39 40 36
6 50 48 50 51
7 21 13 11 16
8 40 34 35 40
9 39 41 38 41
10 11 14 8 10
11 55 56 58 57
12 23 23 25 26
13 26 36 27 30
14 23 22 14 19
15 13 9 10 14
16 31 28 20 30
17 40 34 35 40
18 39 41 38 41
19 11 14 6 9
20 36 38 37 36
21 47 39 40 36
22 21 13 11 16
23 51 50 50 51
24 50 49 49 48
25 29 28 30 27
26 26 36 27 30
27 23 22 14 19
28 36 38 37 36
29 55 56 58 57
30 24 24 28 30
Selamat berlatih, semoga menambah pemahaman Anda!

BAB XI
PENGUJIAN PERBEDAAN DUA RATA-RATA
Pengujian hipotesis tentang perbedaan dua parameter rata-rata, dilakukan

ketika ingin membandingkan atau membedakan rata-rata variabel kriterium dua
kelompok. Misalnya rata-rata kinerja pegawai antara perusahaan A dan perusahaan
B, perbedaan rata-rata insentif perbulan antara pengacara di LBH ”A” dan di LBH ”B”,
serta perbedaan kinerja karyawan laki-laki dan wanita pada suatu perusahaan. Untuk
menguji hipotesis perbedaan parameter antara dua kelompok dapat digunakan
statistik uji-t. Tentu saja persyaratan analisis untuk berlakunya statistik uji tersebut
harus terpenuhi, yaitu penempatan subyek dalam kelompok-kelompok yang akan
diuji harus dipilih secara acak, datanya harus normal dan homogen.
A. Analisis Perbedaan Dua Rerata untuk Sampel Bebas
Pengertian sampel bebas dalam analisis ini adalah sampel yang
keberadaannya tidak saling mempengaruhi (independent), misalnya kinerja karyawan
laki-laki tidak mempengaruhi kinerja karyawan wanita dan sebaliknya. Langkah-
langkah pengujian hipotesis perbedaan dua rata-rata rerata untuk sampel bebas
1. Merumuskan hipotesis
2. Menghitung harga “t” observasi atau “thitung” dengan rumus:
Y1 - Y 2
t hit  , dimana
1 1
Sgab 
n1 n 2
y   y2
2 2
Sgab  1
, dengan
n1  n 2  2
( Y1 ) 2 ( Y2 ) 2
y   Y1  y   Y2 
2 2 2 2
1 dan 2
n1 n
3. Menentukan harga “ttabel” berdasarkan derajat bebas tertentu (db),
yaitu db = n1 + n2 –2
4. Membandingkan harga thitung dan ttabel dengan 2 kriteria:

jika thit  ttabel maka hipotesis nihil (HO) diterima
jika thit  ttabel maka hipotesis nihil (HO) ditolak
5. Kesimpulan pengujian
Jika HO diterima, berarti tidak ada perbedaan rerata antara variabel
Jika HO ditolak, berarti ada perbedaan rerata antara variabel
.
Contoh
Untuk mengetahui apakah terdapat perbedaan kompetensi mengajar antara guru
laki-laki (Y1) dan guru wanita (Y2), telah diambil sampel acak guru SMA masing-
masing 8 guru dan 10 guru wanita untuk diberi tes kompetensi mengajar. Data
kompetensi disajikan pada tabel berikut.
Laki-laki (Y1) 7 8 8 9 9 8 10 9 - -
Wanita (Y2) 5 6 7 8 7 7 7 6 8 7
Lakukan pengujian pada  = 0,05 untuk hipotesis “kompetensi mengajar guru
laki-laki lebih tinggi dari pada guru wanita”. Berikan kesimpulan terhadap hasil
yang anda peroleh.
Jawab:
(i) Rumusan hipotesis
“ Kompetensi mengajar guru laki-laki lebih tinggi dari pada kompetensi
mengajar guru wanita”
Hipotesis statistiknya:
HO: 1 ≤ 2
H1: 1  2
(ii) Menghitung harga thitung,
Agar memudahkan perhitungan dapat disusun tabel persiapan sebagai
berikut.
Y1 Y12 Y2 Y22 n1 = 8, n2 = 10
7 49 5 25
8 64 6 36  Y1 = 68,  Y12 = 584
8 64 7 49  Y2 = 68,  Y22 = 470
9 81 8 64 68 68
Y1   8,5 dan Y 2   6,8
9 81 7 49 8 10
8 64 7 49 682
 1
2
10 100 7 49 y  584 - =6
9 81 6 36 8
- - 8 64 682
 y 2  470 - 10 = 7,6
2
- - 7 49
68 584 68 470 db = 8 + 10 –2 = 16
y   y2
2 2
6  7,6
Sgab  1
=  0,92
n1  n 2  2 16

Y1 - Y 2 8,5  6,8 1,7
t hit  = =  3,887
1 1 1 1 0,92(0,474 )
Sgab  0,92 
n1 n 2 8 10
(iii) Menentukan harga ttabel untuk db = 16 dan  = 0,05 yaitu ttabel = t(0,05; 16) =
1,75
(iv) Dengan demikian thit = 3,887  ttabel = 1,75 atau HO ditolak
(v) Kesimpulan
Karena HO ditolak maka H1 diterima, dengan demikian kompetensi mengajar
guru laki-laki secara signifikan lebih tinggi dari pada kompetensi mengajar
guru wanita.
Dengan menggunakan program SPSS, outputnya akan terlihat pada tabel

berikut.
Group Statistics
Std. Error
Guru N Mean Std. Deviation Mean
Kompetensi 1 8 8.50 .926 .327
2 10 6.80 .919 .291
Dari tabel Group Statistics terlihat rata-rata kompetensi mengajar guru laki-
laki (Y1) sebesar 8,5 dan guru wanita (Y2) sebesar 6,8.
Independent Samples Test
Kompetensi
Equal variances Equal variances
assumed not assumed
Levene's Test for F .078
Equality of Variances Sig. .784
t-test for Equality of t 3.887 3.884
Means df 16 15.091
Sig. (2-tailed) .001 .001
Mean Difference
1.700 1.700
Std. Error Difference
.437 .438
95% Confidence Interval Lower .773 .768

of the Difference Upper 2.627 2.632
Interpretasi:
Perhatikan kolom Equal variances assumed, diperoleh harga F = 0.078 angka
sig. atau p-value = 0,764  0,05, yang berarti varians data kedua kedua
kelompok sama atau homogen.
Karena varians data homogen, maka kita mengambil harga t = 3,88, db = 16
dan p-value = 0,0010,05, yang berarti HO ditolak. Dengan demikian hipotesis

yang diajukan teruji oleh data, sehingga dapat disimpulkan bahwa
“kompetensi mengajar guru laki-laki lebih tinggi dari pada kompetensi
mengajar guru wanita.
B. Analisis Perbedaan Dua Rerata untuk Sampel Tak Bebas
Pengertian sampel tak bebas adalah sampel yang keberadaannya saling
mempengaruhi (berkorelasi). Distribusi kedua data sampel tidak dapat diyakini tidak
independen tetapi secara rasional atau teoretis berkorelasi. Esensi dari analisis
perbedaan dua rata-rata sampel tak bebas adalah bahwa kedua data yang ingin diuji
perbedaannya berasal dari satu kelompok sampel (satu unit analisis) yang sama
yang menghasilkan dua distribusi data. Contoh sampel berkorelasi, misalnya skor
pada tes awal dan pada tes akhir, skor IQ dan prestasi akademik, kemampuan verbal
dan kemampuan komunikasi.
Contoh:
Untuk mengetahui perbedaan hasil belajar statistika mahasiwa sebelum dan sesudah
diberi metode inquiri diambil sampel acak 10 orang mahasiswa untuk diberi
perkuliahan dengan metode tersebut. Skor hasil belajar statistika sebelum dan
sesudah perkuliahan disajikan pada tabel berikut.
Sebelum (Y1) 6 7 5 8 7 6 6 6 8 5
Sesudah (Y2) 8 7 8 9 9 8 8 9 10 7
Lakukan pengujian pada  = 0,05 untuk hipotesis “Terdapat perbedaan antara skor
statistika mahasiswa sebelum dan setelah perkuliahan.” Berikan kesimpulan
terhadap hasil yang diperoleh.
Jawab: Cara I
Menghitung harga thitung,
Agar memudahkan perhitungan dapat nL = 10, n2 = 10
disusun tabel persiapan. Y1 = 64,  Y12 = 420
Y2 = 83,  Y22 = 697
Y1 Y12 Y2 Y22 Y1Y2
64 83
6 36 8 64 48 Y1  Y  6,4 dan Y 2   8,3
10 10
7 49 7 49 49
642
5 25 8 64 40
 y1  420 10 10,4
2
8 64 9 81 72
7
6
49
36
9
8
81
64
63
48
2
S y1 =
 y12  10,4  1,1556 
6 36 8 64 48 n1  1 9
6 36 9 81 54 S y1
2
1,1556
2
8 64 10 100 80 S y1    0,11556 
5 25 7 49 35 n 10
64 420 83 697 537 S y1  0,3399

832
 y2  697 10  8,1
2

2 2
2 y2 8,1 2 S y2 0,90
S y2 =   0,90  S y 2    0,090  S y 2  0,30
n2  1 9 n2 10
 Y Y   n  = 537  10  5,8
( Y )( Y ) (64)(83)
y y 1 2  1 2
1 2
ry1y2 =
y y 1

2 5,8
 0,632 , db = 10 – 1 =9
( y )( y ) (10,4)(8,1)
2 2
1 2
Y1  Y 2
Rumus: t hitung 
2 2
S y1  S y 2  2ry1y2S y1S y 2
6,4  8,3 1,9

thitung =   6,859
0,11556 0,090  2(0,632 )(0,3399)(0,30) 0,277
Y1  Y 2
Jawab: Cara II, dengan menggunakan rumus t hit 
d 2
N(N  1)
2
Y1 Y2 D d d  19
D =   1,9 , N = 10,
6 8 -2 - 0,1 0,01 10
7 7 0 +1,9 3,61 d = D -D
5 8 -3 - 1,1 1,21
64 83
8 9 -1 +0,9 0,81 Y1   6,4 dan Y2   8,3
7 9 -2 - 0,1 0,01 10 10
6 8 -2 - 0,1 0,01
6 8 -2 - 0,1 0,01 d 2
 6,9
6 9 -3 - 1,1 1,21 Y1  Y 2
8 10 -2 - 0,1 0,01 6,4  8,3 1,9
t hit     6,859
5
64
7
83
-2
-19
- 0,1
0,0
0,01
6,9
d 2
6,9 0,277
N(N  1) 10(10  1)
Untuk db = 9 dan  = 0,05 atau 1- ½ = 0,975 yaitu ttabel = t(0,975; 9) =2,262,

sehingga -2,262  thit 2,262 atau thit berada di luar daerah penerimaan. Dengan
demikian HO ditolak.

Kesimpulan:
Karena HO ditolak maka H1 diterima, dengan demikian terdapat perbedaan yang
signifikan skor hasil belajar statistika sebelum dan sesudah perkuliahan dengan
metode inquri.
Dengan program SPSS, outputnya disajikan sebagai berikut.
Paired Samples Statistics
Std. Error
Mean N Std. Deviation Mean
Pair SEBELUM 6.40 10 1.075 .340
1 SESUDAH 8.30 10 .949 .300
Interpretasi: rata-rata hasil belajar statistika sebelum perkuliahan dengan metode

inquiri = 6,40 dan setelah perkuliahan = 8,30
Paired Samples Correlations
N Correlation Sig.
Pair 1 SEBELUM & SESUDAH 10 .632 .050
Interpretasi: Koefisien korelasi skor hasil belajar statistika sebelum dan sesudah
perkuliahan dengan metode inquri adalah 0,632 dengan p-value
0,05 ≥ 0,05 jadi tidak bersifat signifikan.
Paired Samples Test
Pair 1
SEBELUM - SESUDAH
Paired Differences Mean -1.900
Std. Deviation .876
Std. Error Mean
.277
95% Confidence Interval Lower -2.526

of the Difference Upper -1.274
t -6.862
df 9
Sig. (2-tailed) .000
Interpretasi: t hitung = -6,862, db = 9 dan p-value = 0,000 < 0,05, yang berarti
terdapat perbedaan yang signifikan skor hasil belajar statistika
sebelum dan sesudah diberi perkuliahan dengan metode inquri.
C. Analisis Perbedaan Dua Rerata untuk Sampel Tak Homogen

Jika dua kelompok, distrbusinya normal namun varians datanya tidak
homogen (12  22), uji perbedaan rata-rata dua kelompok tersebut dapat
menggunakan statistik uji-t’ dengan rumus sebagai berikut.

Y1 - Y2
t,  (Ferguson and Takane, 1989: 192)
2 2
s1 s
 2
n1 n2
Dengan kriteria pengujian:

2 2
(t S )/n + (t 2S2 )/n 2
t ( )
,
 1 1 21 2
S1 S2
+
n1 n2
Contoh:
Suatu penelitian untuk mengetahui perbedaan rerata kinerja karyawan pada
perusahaan sama di dua kota, yaitu kota A dan kota B. Untuk itu telah diambil
sampel acak masing-masing sebesar 30 orang untuk kota A dan 30 orang untuk kota
B. Setelah dilakukan pengukuran diperoleh rerata dan standar deviasi berturut-turut
Y1 = 78,80, S12 = 33,48, Y2 = 65,07, dan S22 = 70,823, data sampelnyapun
berdistribusi normal, namun varians data kedua populasi tidak homogen. Untuk
kasus ini ujilah hipotesis ”Rata-rata kinerja karyawan di kota A lebih tinggi dari pada
kinerja karyawan di kota B” pada taraf  = 0,05.
Jawab:
2 2
s1 s 33,476 70,823
 2 =  = 1,865,
n1 n 2 30 30
t1 = t2 = t()(n1 – 1) = t(0,05)(29) = 1,699
2 2
(t S )/n + (t 2S2 )/n 2
t ( )
,
 1 1 21 2
S1 S2
+
n1 n2
(1,699x33,4 76)/ 30  (1,699x70, 823)/30
t , (0,05)  = 1,698
1,865 2
Y1 - Y2 78,80 - 65,07 13,73
t,  = = = 7,362
s1
2
s
2 1,865 1,865
 2
n1 n2
Kesimpulan:
t’ = 7,362  ttab = 1,698, maka H0 ditolak. Dengan demikian, rata-rata kinerja karyawan
di kota A lebih tinggi dari pada kinerja karyawan di kota B.

D. Latihan
1. Kemukakan pendapat anda, kapan statistik uji-t digunakan. Apapula
persyaratannya.
2. Tuliskan lima contoh sampel bebas (independent) dalam kehidupan sehari-hari.
3. Tuliskan pula tiga contoh sampel berkorelasi (dependent) dalam kehidupan
sehari-hari.
4. Kemukakan pendapat anda apa yang dimaksud dengan sampel yang tidak
homogen. Mengapa dalam membandingkan dua kelompok homogenitas data
sampel perlu ditentukan.
5. Untuk mengetahui apakah ada perbedaan kemampuan numerik antara siswa
laki-laki dan wanita diambil sampel acak masing-masing 8 siswa laki-laki dan 10
siswa wanita untuk diberi tes kemampuan numerik. Data kemampuan numerik
disajikan pada tabel berkut:
Laki-laki 7 8 8 9 9 8 10 9
Wanita 5 6 7 8 7 7 7 6 8 7
Lakukan pengujian pada  = 0,05 untuk hipotesis yang berbunyi “Kemampuan

numerik laki-laki lebih tinggi dari pada wanita”.Berikan kesimpulan terhadap hasil
yang anda peroleh!
6. Untuk mengetahui perbedaan skor statistika yang diperoleh mahasiswa pada tes
awal dan tes akhir diambil sampel acak 10 orang mahasiswa. Sebelum diberi
metode pengajaran diberi tes awal begitupula setelah diberi pengajaran selama
tiga bulan diberi tes akhir. Skor kedua tes tersebut terangkum pada tabel berikut.
Tes Awal 6 7 5 8 7 6 6 6 8 5
Tes Akhir 8 7 8 9 9 8 8 9 10 7
Lakukan pengujian pada  = 0,05 untuk hipotesis yang berbunyi “Terdapat

perbedaan antara skor statistika tes awal dan tes akhir.” Berikan kesimpulan
terhadap hasil yang anda peroleh!
7. Untuk mengetahui apakah ada perbedaan kompetensi hukum antara pengacara
laki-laki dan wanita diambil sampel acak masing-masing 10 pengacara laki-laki
dan 7 pengacara wanita untuk diberi tes kompetensi hukum. Data kompetensi
hukum disajikan pada tabel berikut.
Laki-laki 6 8 8 8 9 8 8 9 10 7
Wanita 5 6 7 8 7 7 7 - - -
Lakukan pengujian pada  = 0,05 untuk hipotesis “Terdapat perbedaan

Kompetensi hukum antara pengacara laki-laki dan wanita”. Berikan kesimpulan
terhadap hasil yang anda peroleh!

8. Untuk mengetahui perbedaan hasil tes kecepatan membaca teks bahasa Inggris
antar mahasiswa kelompok jurusan eksakta dan non-eksakta diambil sampel
acak 8 orang. Skor kecepatan membaca antara kedua kelompok disajikan pada
tabel berikut.
Non-Eksakta 8 9 8 6 7 7 6 9
Eksakta 7 6 5 4 6 6 4 4
Lakukan pengujian pada  = 0,05 untuk hipotesis yang berbunyi

a. Kecepatan membaca teks bahasa Inggris kelompok eksakta lebih tinggi dari
pada kelompok non-eksakta.
b. Terdapat perbedaan kecepatan membaca teks bahasa Inggris antara
kelompok mahasiswa eksakta dan mahasiswa non-eksakta.
9. Data hasil penelitian tentang kecemasan tes antara mahasiswa laki-laki dan
wanita disajikan sebagai berikut.
Data (Y) 4,5 5,0 5,5 6 6,5 7 7,5 8 9,5
Frek Laki-laki 8 10 6 10 20 18 15 10 12
Frek Wanita 18 20 6 8 10 88 12 4 7
Lakukan pengujian pada  = 0,05 untuk hipotesis yang berbunyi:

a. Kecemasan tes mahasiswa laki-laki lebih tinggi dari pada mahasiswa wanita.
b. Terdapat perbedaan kecemasan tes antara siswa laki-laki dan siswa wanita
10. Data hasil penelitian tentang adaptasi diri siswa laki-laki dan wanita pada jenjang
SD disajikan sebagai berikut.
Data (Y) 50 55 65 70 75 80 85 90 90
Frek Laki-laki 10 20 8 12 18 13 25 16 10
Frek Wanita 8 15 6 8 10 8 12 9 8
Lakukan pengujian pada  = 0,05 untuk hipotesis yang berbunyi:

a. Adaptasi diri siswa wanita lebih rendah dari siswa laki-laki.
b. Terdapat perbedaan adaptasi diri antara siswa laki-laki dan siswa wanita.

BAB XII
ANALISIS VARIANS
Analisis Varians atau disingkat ANAVA berasal dari bahasa Inggris Analysis
of Variance (ANOVA). Analisis varians digunakan untuk menguji hipotesis yang
menyatakan perbedaan rata-rata lebih dari dua kelompok sampel, baik dengan
rancangan simple randomized design atau group- within treatmen design. Pada
prinsipnya pengujian perbedaan rata-rata dengan statistik uji-t lebih dari dua
kelompok dapat saja dilakukan. Namun pengujian dengan statistik uji-t secara
berulang-ulang dapat memperbesar terjadinya kekeliruan tipe I (taraf signifikansi ).
Jalan keluar untuk mencegah membesarnya kekeliruan tersebut diperkenalkan
ANOVA. Esensi dari ANOVA bukan pada pengujian perbedaan rata-rata tetapi pada
pengujian perbedaan varians. Disamping itu, dengan ANOVA kita dapat mempelajari
pengaruh variabel bebas dan variabel kontrol baik secara terpisah maupun interaksi
antara variabel tersebut.
A. Analisis Varians Satu Jalan
Analisis Varians Satu Jalan (One Way Analysis of Variance) merupakan
teknik analisis yang ampuh untuk menguji perbedaan rata-rata dengan banyak
kelompok yang terpilih secara acak. Pengujian hipotesis dalam Analisis Varians Satu
Jalan (One Way Analysis of Variance) dilakukan dengan menggunakan statistik uji-F.
Adapun langkah-langkah standar dalam pengujian ANOVA satu jalan, khususnya
yang menggunakan simple randomized design adalah sebagai berikut.
1) Menghitung Jumlah Kuadrat (JK) beberapa sumber variansi, yaitu: Total (T),
Antar (A), dan Dalam (D) dengan formula berikut.
( Yt ) 2
JK(T) =  Yt 
2
nt
a ( Y j ) 2 ( Yt ) 2
JK(A) = 
j 1 nj

nt
a ( Yj ) 2
JK(D) =  Yt  
2
j 1 nj
= y 2
2) Menentukan derajat kebebasan (db) masing-masing sumber variansi

db (T) = nt – 1 db (A) = na – 1, db (D) = nt – na,
3) Menentukan Rata-rata Jumlah Kuadrat (RJK)

JK(A) JK(D)
RJK(A)  , dan RJK(D) 
db (A) db (D)

4) Menyusun tabel ANOVA
Sumber JK db RJK Fhitung Ftabel
Varians  = 0.05  = 0.01
Antar JK(A) na – 1 RJK (A)
RJK(A)
Dalam JK(D) nt – na RJK (D) Fhit =
RJK(D)
Total JK(T) nt – 1 -
RJK(A)
Fhit =
RJK(D)
Jika Fhit > Ft pada taraf signifikan yang dipilih dengan db pembilang adalah db
(A) dan db penyebut adalah db (D) maka Ho ditolak. Jadi terdapat perbedaan
rata-rata parameter antara kelompok–kelompok yang diuji, sebaliknya untuk Fo
 Ft, berarti Ho diterima atau tidak terdapat perbedaan rata-rata parameter dari
kelompok-kelompok yang diuji atau rata-ratanya sama saja.
5) Menafsirkan hasil pengujian perbedaan antara kelompok sampel.
6) Melakukan uji lanjut, misalnya dengan uji-t, untuk mengetahui mana diantara dua
kelompok sampel yang berbeda secara signifikan.
Beberapa formula uji lanjut (post hoc test) yang dapat digunakan, antara lain
uji t - Dunnet dan uji Scheffe’. Formula uji t- Dunnet ditampilkan sebagai berikut.
Yi - Y j
t(Ai - A j ) =
1 1
RJK(D)( + )
ni nj
Sedangkan formula untuk uji Scheffe’

1 1
Mdij = (k  1)(Ftab )(RJK D )(  )
ni n j
Mdij = nilai kritis mean difference
k = jumlah kelompok
Contoh
Efektivitas tiga metode pembelajaran, yaitu metode Inquiri (A1), Penemuan (A2) dan
metode Ceramah (A3) terlihat dari skor hasil belajar Matematika ketiga kelompok
yang diberi metode tersebut selama tiga bulan. Ketiga kelompok diberi perlakuan
A1, A2, dan A3 dipilih dan ditempatkan secara acak, datanya disajikan sebagai
berikut.

A1 A2 A3
7 7 6
8 7 5
8 7 6
9 8 6
8 6 5
8 6 5
9 8 6
9 7 7
a) Lakukan uji hipotesis untuk perbedaan rata-rata hasil belajar Matematika ketiga
metode pembelajaran tersebut! Tafsirkan hasil analisis anda!
b) Lakukan uji lanjut (post hoc test) untuk mengetahui efektivitas antar ketiga metode
tersebut! Tuliskan semua kesimpulan yang anda peroleh!
Jawab:
HO: 1 = 2 = 3
H1: bukan Ho
Misalkan Skor hasil belajar Matematika untuk A1 = Y1, A2 = Y2, dan A3 = Y3
No. Y1 Y12 Y2 Y22 Y3 Y32
1 7 49 7 49 6 36
2 8 64 7 49 5 25
3 8 64 7 49 6 36
4 9 81 8 64 6 36
5 8 64 6 36 5 25
6 8 64 6 36 5 25
7 9 81 8 64 6 36
8 9 81 7 49 7 49
 66 548 56 396 46 268
Untuk menghitung Jumlah Kuadrat dapat dibuat tabel persiapan seperti di

bawah ini.
Tabel 51. Persiapan Perhitungan ANOVA -1 Jalan
Staitistik A1 A2 A3 Jumlah
n 8 8 8 24
Yi 66 56 46 168
Yi2 548 396 268 1212
yi2 3,5 4 3,5 11
Yi 8,25 7 5,75 7,0

(i) Menghitung Jumlah Kuadrat (JK) untuk beberapa sumber variansi, yaitu:
Total (T), Antar (A), dan Dalam (D)
( Yt ) 2 168 2
JK(T) =  Yt 
2
= 1212 - = 36
nt 24
a ( Y j ) 2
( Yt ) 2 66 2 56 2 46 2 168 2
JK(A) = 
j 1 nj

nt
=
8
+
8
+
8
-
24
= 25
a ( Yj ) 2
Y  =  y 2 = 11
2
JK(D) = t
j 1 nj
(ii) Menentukan derajat bebas (db) masing-masing sumber variansi
db(T) = 24 – 1 = 23 db(A) = 3 – 1 = 2 db(D) = 24 – 3 = 21
(iii) Menentukan Rata-rata Jumlah Kuadrat (RJK)

JK(A) 25
RJK(A)    12,5
db(A) 2
JK(D) 11
RJK(D)    0,5238
db(D) 21
(iv) Menghitung Fhitung

RJK(A) 12,5
Fhitung    23,864
RJK(D) 0,5238
(v) Menyusun tabel ANOVA

Sumber JK db RJK Fhit Ftabel
Varians  = 0.05  = 0.01
Antar 25 2 12,5
Dalam 11 21 0,5238 23,864** 3,47 5,78
Total 36 23 -
Fhitung = 23,864 > Ft = 5,78 pada taraf signifikan  = 0.01 dengan db pembilang,
yaitu db (A) = 2 dan db penyebut, yaitu db (D) = 21 maka Ho ditolak. Jadi terdapat
perbedaan rata-rata hasil belajar Matematika kelompok yang diberi metode Inquiri,
Penemuan dan metode ceramah.

(vi) Menentukan Besar Pengaruh Variabel Bebas Terhadap Variabel Terikat
Besarnya pengaruh variabel bebas terhadap variabel terikat dihitung dengan
JK ( A) 25
menggunakan koefisien determinasi: R 2    0,694 . Hal ini berarti
JK (T ) 36
faktor metode pembelajaran dapat menjelaskan 69,4% variansi hasil belajar
Matematika.
Selanjutnya, untuk menguji rata-rata hasil belajar Matematika kelompok mana

yang berbeda secara signifikan dilakukan uji lanjut statistik uji- t (Dunnet).
Uji lanjut dengan t-Dunnet :

(i) HO: 1 ≤ 2 (ii) HO: 1 ≤ 3 (ii) HO: 2 ≤ 3
H1: 1 > 2 H1: 1 > 3 H1: 2 > 3
Y1 - Y 2 8,25- 7 1,25
t o (A1 - A 2 ) = =  = 3,45
1 1 1 1 0,362
RJK(D) ( + ) 0,524 ( + )
n1 n2 8 8
Y1 - Y 3
t o (A1 - A 3 ) = 8,25- 5,75 2,5
1 1 =  = 6,91
RJK(D) ( + ) 1 1 0,362
n1 n3 0,524 ( + )
8 8
Y2 - Y3 7 - 5,75 1,25
t o (A 2 - A 3 ) = = = = 3,45
1 1 1 1 0,362
RJK(D) ( + ) 0,524( + )
n2 n3 8 8
ttabel = t(0,05; 21) = 1,72 dan ttabel = t(0,01; 21) = 2,52
Kesimpulan:
(i) to(A1- A2) = 3,45  ttabel = 2,52 (pada  = 0.01). Dengan demikian hasil
belajar Matematika kelompok yang diberi metode Inquiri secara signifikan
lebih tinggi daripada kelompok yang diberi metode Penemuan.
(ii) to(A1- A3) = 6,91 ttabel = 2,52 (pada  = 0.01). Dengan demikian belajar
Matematika kelompok yang diberi metode Inquiri secara signifikan lebih tinggi
daripada kelompok yang diberi metode Ceramah.
(iii) to(A2 -A3) = 3,45  ttabel = 2,52 (pada  = 0.01). Dengan demikian belajar
Matematika kelompok yang diberi metode Penemuan secara signifikan lebih
tinggi daripada kelompok yang diberi metode Ceramah.
Uji lanjut yang lain adalah uji Scheffe:
1 1
Rumus uji- Scheffe: Mdij = (k  1)(Ftab )(RJK D )(  )
ni n j

Dari tabel ANOVA diperoleh: Ftab = 3,47 pada  = 0,05, RJK(D) = 0,524,
jumlah kelompok (k) = 3. Untuk keperluan perhitungan dengan uji Scheffe’
dibuat tabel perbedaan rata-rata seperti berikut.
Mean n Perbedaan Mean
X 1 =8,25, X 2 =7,00, X 3 =5,75
* *
X 1 =8,25 8 0,00 1,25 2,50
*
X 2 =7,00 8 0,00 1,25
X 3 =5,75 8 0,00
1 1
Md12 = (3  1)(3,47)(0,524)(  ) = 0,953  1,25
8 8
1 1
Md13 = (3  1)(3,47)(0,524)(  ) = 0,953  2,50
8 8
1 1
Md23 = (3  1)(3,47)(0,524)(  ) = 0,953  1,25
8 8
Nilai kritis perbedaan pasangan mean (A1&A2), (A1&A3), dan (A2&A3)
semuanya bersifat signifikan pada  = 0,05.
Bandingkan hasil-hasil di atas dengan ouput SPSS menggunakan syntax
berikut.
UNIANOVA
Y BY A
/METHOD = SSTYPE(3)
/INTERCEPT = INCLUDE
/PRINT = DESCRIPTIVE PARAMETER HOMOGENETY
/CRITERIA = ALPHA(.05)
/DESIGN = A.
KONTRAS
IF (A = 1) fs =1.
IF (A = 2) fs =2.
IF (A = 3) fs =3.
EXECUTE.
ONEWAY
Y BY fs
/CONTRAST= 1 -1 0
/CONTRAST= 1 0 -1
/CONTRAST= 0 1 -1
/STATISTICS DESCRIPTIVES HOMOGENETY
/MISSING ANALYSIS.

Descriptive Statistics
Dependent Variable: Y
A Mean Std. Deviation N
1 8.25 .707 8
2 7.00 .756 8
3 5.75 .707 8
Total 7.00 1.251 24
Interpretasi: Pada kolom mean diperoleh rata-rata (A1) = 8,25, (A2) = 7,00, dan
(A3) = 5,75 dan rata-rata keseluruhan (At) = 7,00
a
Levene's Test of Equality of Error Variances
F df1 df2 Sig.
.056 2 21 .946
Tests the null hypothesis that the error variance of
the dependent variable is equal across groups.
a. Design: +A
Interpretasi: Harga levene’s Tes dengan statistik F=0,056 dengan db=2 dan db=21
pada p-value =0,946  0,05. Sehingga ketiga kelompok data sampel
adalah mempunyai varians sama atau homogen.
Tests of Between-Subjects Effects
Type III Sum
Source of Squares df Mean Square F Sig.
Corrected Model 25.000a 2 12.500 23.864 .000
Intercept 1176.000 1 1176.000 2245.091 .000
A 25.000 2 12.500 23.864 .000
Error 11.000 21 .524
Total 1212.000 24
Corrected Total 36.000 23
a. R Squared = .694 (Adjusted R Squared = .665)
Interpretasi: Harga Fhitung atau F(A)= 23,864 dengan p-value = 0,000  0,05) yang
berarti terdapat perbedaan yang signifikan dari rata-rata hasil belajar matematika
setelah siswa diberi ketiga metode pembelajaran. Dengan kata lain metode
pembelajaran berpengaruh nyata terhadap hasil belajar matematika. Faktor metode
pembelajaran dapat menjelaskan 69,4% variansi hasil belajar Matematika.

.
Contrast Tests
Value of
Contrast Contrast Std. Error t df Sig. (2-tailed)
Y Assume equal variances 1 1.25 .362 3.454 21 .002
2 2.50 .362 6.908 21 .000
3 1.25 .362 3.454 21 .002
Does not assume equal 1 1.25 .366 3.416 13.938 .004
variances 2 2.50 .354 7.071 14.000 .000
3 1.25 .366 3.416 13.938 .004
Kesimpulan: (gunakan baris Assume equal variances)

(a) to(A1- A2) = 3,45, p-value = 0,002/2 = 0,001  0,05, Ho ditolak. Dengan
demikian hasil belajar Matematika kelompok yang diberi metode Inquiri lebih
tinggi daripada kelompok yang diberi metode Penemuan.
(b) to(A1- A3) = 6,91, p-value = 0,000/2 = 0,000  0,05, Ho ditolak. Dengan
demikian hasil belajar Matematika kelompok yang diberi metode Inquiri
secara signifikan lebih tinggi daripada kelompok yang diberi metode
Ceramah.
(c) to(A2 -A3) = 3,45, p-value = 0,000/2 = 0,000  0,05, Ho ditolak. Dengan
demikian hasil belajar Matematika kelompok yang diberi metode Penemuan
lebih tinggi daripada kelompok yang diberi metode Ceramah.
Parameter Estimates
95% Confidence Interval
Parameter B Std. Error t Sig. Lower Bound Upper Bound
Intercept 5.750 .256 22.471 .000 5.218 6.282
[A=1] 2.500 .362 6.908 .000 1.747 3.253
[A=2] 1.250 .362 3.454 .002 .497 2.003
[A=3] 0a . . . . .
a. This parameter is set to zero because it is redundant.
Interpretasi: Kita dapat membentuk model regresi dan persamaan fungsi regresi
perlakuan metode pembelajaran terhadap hasil belajar Matematika,
seperti berikut.
Model regresi : Y = o+ 1 [A=1]+ 2 [A=2] + 
Fungsi regresi: Ŷ = 5,75+ 2,50[A=1]+ 1,25[A=2]
B. Analisis Varians Satu Jalan Group Within Treatment (GWT)

Analisis Varians Satu Jalan Group Within Treatment (GWT) adalah salah satu
bentuk teknik analisis statistik dalam penelitian eksperimen. Teknik ini biasa

digunakan pada kelompok (group) dalam jumlah yang sama, dimana setiap
kelompok diberikan perlakuan-perlakuan. Melalui pengelompokan yang tepat atau
efektif, maka desain ini dapat mengurangi galat atau error perlakuan. Oleh karena itu
desain ini juga merupakan pilihan jika randomisasi subjek terpaksa tidak bisa
dilakukan. Jika dalam analisis varians satu jalan (one way of Anova) yang dipelajari
adalah satu keragaman yang menyebabkan nilai-nilai observasi beragam, yaitu
perlakuan yang dicobakan maka pada GWT yang menjadi perhatian adalah
disamping perlakuan dan error, juga masih dilihat adanya kelompok yang berbeda.
Desain ini menggunakan kelompok sebagai unit sampling bukan individu (subject).
Kalau dalam one way of Anova maka unit sampling harus homogen, maka dalam
GWT kelompok sebagai unit sampling tidak perlu homogen. Unit sampling dapat
dikelompokkan ke dalam kelompok-kelompok tertentu sedemikian hingga kelompok
tersebut relatif homogen.
Proses pengelompokan akan membuat keragaman dalam kelompok menjadi
sekecil mungkin dan keragaman antar kelompok menjadi sebesar mungkin.
Pengelompokan yang tepat akan meningkatkan perbedaan di antara kelompok dan
membuat satuan percobaan menjadi lebih homogen.
1. Model Linear dan Analisis Varians untuk GWT
Dengan satu observasi perkelompok perlakuan, maka model linear untuk GWT
adalah:
Yij = µ + i + j + ij,
i = 1, 2, 3, ....n; j = 1, 2, 3,...m
Dimana:
Yij = nilai observasi dari perlakuan ke-i dan kelompok ke-j
µ = rata-rata populasi
i = pengaruh aditif dari perlakuan ke-i
j = pengaruh aditif dari kelompok ke-j
ij = pangaruh galat percobaan dari perlakuan ke-i pada kelompok ke-j.
2. Analisis Varians GWT
a. Model desain (One way of Anova GWT)
A1 A2 A3…
G1 G2 G3…. G4 G5 G6…. G7 G8 G9…..
Y11 Y12 Y13 …. Y14 Y15 Y16 …. Y17 Y18 Y19 ….
Y21 Y22 Y23 … Y24 Y25 Y26 … Y27 Y28 Y29 …
Y31 Y32 Y33 … Y34 Y35 Y36 … Y37 Y38 Y39 …
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
Ym1 Ym2 Ym3 Yn1 Yn2 Yn3 . Y1 Ys2 Ys3 .

b. Sumber varians
Sumber varians dalam desain GWT meliputi: Antar, Group Within Treatment,
Dalam Group dan Total. Untuk masing-masing sumber varians tersebut akan
dihitung Jumlah Kuadrat (JK)-nya, sebagai berikut.
( Yt ) 2
Y
2
JK(T) = t 
nt
a ( Yj ) 2
( Yt ) 2
JK(A) = 
j1 nj

nt

g ( Yj ) 2 
=   Yj     yj
2 2
JK(DG)
j1  nj 
a 
 ( Yg ) ( Yj ) 
2 2
JK(GWT) =    
j1 
 ng nj 
c. Menentukan derajat bebas

Setiap sumber varians memiliki (db) yang besarnya adalah:
db(T) = nt – 1 db(A) = na – 1
db(DG) = nt – ng db(GWT) = ng – na
Selanjutnya dapat dihitung rata-rata jumlah kuadrat (RJK) masing-masing
sumber varians, yaitu dengan membagi JK dengan db-nya masing-masing.
d. Menyusun Tabel Anova GWT
Sumber JK db RJK Fo Ftab
Varians
Antar JK(A) na – 1 RJK(A) RJK(A)
G. W. T JK(GWT) ng – na RJK(GWT) RJK(GWT)
Dalam JK(DG) nt – ng RJK(DG)
Total JK(T) nt – 1 - - -
Nilai Fhitung diperoleh dengan rumus:
RJK(A)
Fo  ,
RJK(GWT)
selanjutnya bandingkan nilainya dengan Ft. Jika Fo  Ft pada taraf
signifikansi yang dipilih dengan db pembilang adalah db(A) dan db penyebut
adalah db(GWT) maka Ho ditolak. Dengan demikian terdapat perbedaan rata-
rata antar perlakuan yang diuji, dalam hal lain jika Fo ≤ Ft, maka Ho diterima
atau tidak terdapat perbedaan antar perlakuan-perlakuan yang diuji.

3. Contoh Penerapan GWT
Dua metode pembelajaran akan diuji pengaruhnya terhadap hasil belajar
matematika. Masing-masing metode pembelajaran diberlakukan kepada 3
kelompok atau group (G), misalnya metode pemecahan masalah (A1) terhadap
G1, G2, dan G3 dan metode konvensional (A2) terhadap kelompok G4, G5,
danG6. Pemilihan kelompok G1, G2, G3, G4, G5, dan G6 dilakukan dengan cara
random. Setelah diberi perlakuan selama selang waktu tertentu kemudian diberi
tes hasil belajar matematika yang datanya disajikan sebagai berikut.
A1 A2
G1 G2 G3 G4 G5 G6
8 7 8 7 7 7
8 8 7 7 6 7
8 7 7 6 7 6
8 8 7 7 7 7
8 8 8 7 7 7
7 8 7 7 7 6
8 7 7 6 6 5
8 7 8 6 6 6
7 7 7 6 6 5
8 7 6 7 5 6
a. Tabel Persiapan
Statistik A1 A1 A2 A2 Atot
G1 G2 G3 G4 G5 G6
N 10 10 10 30 10 10 10 30 60
 Yi 78 74 72 224 66 64 62 192 416
Y 610 550 522 1682 438 414 390 1242

2
i
2924
1,6 2,4 3,6 7,6 2,4 4,4 5,6 12,4
y 20
2
i
7,8 7,4 7,2 7,47 6,6 6,4 6,2 6,4 6,93
Yi
b. Menghitung Jumlah Kuadrat (JK)
(416)2
JK(T) = 2924  39,733
60
(224)2 (192)2 (416)2
JK(A) =    17,067
30 30 60
g 
 ( Yg ) 2 
JK(DG) =   Yg   =  y g = 20
2 2
j1 
 ng 

JK(GWT) =
 (78)2 (74)2 (72)2 (224)2   (66)2 (64)2 (62)2 (192)2 
     +    
 10 10 10 30   10 10 10 30 
JK(GWT) = 1,8667 + 0,8 = 2,667

.
c. Menentukan derajat bebas (db)
db(T) = nt – 1 = 60 – 1 = 59
db(A) = na – 1 =2–1 =1
db(DG) = nt – ng = 60 – 6 = 54
db(GWT) = ng – na =6–2 =4
d. Menyusun tabel Anova GWT

Varians  = 0,05  = 0,01
Antar 17,067 1 17,067
G. W. T 2,667 4 0,667 25,59** 7,71 21,20
DG 20 54 0,370
Total 39,733 59 - - - -
e. Kesimpulan
Dari hasil analisis seperti yang disajikan pada tabel di atas, diperoleh
RJK(A) 17,067
Fhitung    25,59 > Ft = 21,20.
RJK(GWT) 0,667
Jadi terdapat perbedaan hasil belajar matematika antara siswa yang diberi
metode pemecahan masalah (A1) dan metode konvensional (A2). Nampak
224
bahwa rata-rata kelompok A1 sebesar ( Y1 )   7,47 lebih tinggi dari
30
192
pada kelompok A2 yaitu sebesar ( Y 2 )   6,4.
30
Dengan demikian dapat disimpulkan bahwa hasil belajar matematika siswa
yang diajar dengan metode pemecahan masalah lebih tinggi dari pada yang
diajar dengan metode konvensional. Dengan kata lain metode pemecahan
masalah lebih afektif dari pada metode konvensional setelah
mempertimbangkan keragaman group atau kelompoknya.
Catatan:
Berdasarkan hasil analisis seperti yang telah dilakukan di atas,
memperlihatkan bahwa dalam desain GWT kita tidak menguji hipotesis
pengaruh atau perbedaan antar kelompok, hal ini disebabkan pembentukan
kelompok tidak dilakukan secara acak tetapi berdasarkan kriteria tertentu

seperti umur yang sama, kurikulum, kemampuan rata-rata siswa dan
sebagainya. Pembentukan kelompok bertujuan untuk mengurangi keragaman
unit perlakuan dalam setiap kelompok. Dengan kata lain desain ini
mengusahakan kehomogenan unit perlakuan dalam kelompok. Dengan
demikian dalam GWT yang diuji hanya pengaruh perlakuan saja bukan
pengaruh yang disebabkan oleh perbedaan antar kelompok.
C. Analisis Varians Dua Jalan

Analisis Varians-2 Jalan (Two Way Analysis of Variance) atau disingkat
(ANOVA) 2 jalan dapat digunakan untuk menguji hipotesis yang menyatakan
perbedaan rata-rata antara kelompok-kelompok sampel baik yang menggunakan
Two Factorial Design atau Treatmen by Level Design. Untuk melakukan pengujian
hipotesis dengan menggunakan ANAVA -2 Jalan, digunakan langkah-langkah
sebagai berikut.
1) Menghitung Jumlah Kuadrat (JK) untuk beberapa sumber variansi, yaitu: Total
(T), Antar (A), Antar (B), Interaksi (AB), dan Dalam (D), dengan formula berikut.
( Yt ) 2
JK(T) =  Yt 
2
nt
a  ( Yj ) 2  ( Yt ) 2
JK(A) =   
 n  nt
j 1
 j

b (
 Yi )  ( Yt ) 2
2
JK(B) =   
 ni  nt
i 1
 
   t - JK (A) – JK(B)
ab  ( Y ) 2  ( Y )2
JK(AB) =  
ij

j 1,i 1  n ij
 nt

ab  ( Yij ) 2 
JK(D) =    Yij     yij 2
2
j 1, i 1 
 n ij 
2) Menentukan derajat kebebasan (db) masing-masing sumber varians

db(T) = nt – 1,
db(A) = na – 1,
db(B) = nb – 1,
db(AB) = (na – 1)( nb –1), dan
db(D) = nt – (na)(nb)

3) Menentukan Rata-rata Jumlah Kuadrat (RJK)
JK(A) JK(B)
RJK(A)  , RJK(B)  ,
dk(A) dk(B)
JK(AB) JK(D)
RJK(AB)  , RJK(D) 
dk(AB) dk(D)
4) Menentukan Fhitung
RJK(A) RJK(B) RJK(AB)
F(OA)  , F(OB)  , dan F(OAB) 
RKJ(D) RKJ(D) RKJ(D)
5) Menyusun tabel Anava
Sumber Ftabel
Varians JK db RJK Fhitung  = 0.05  = 0.01
RJK(A)
Antar A JK(A) na – 1 RJK (A) F(OA) 
RKJ(D)
RJK(B)
Antar B JK(B) nb – 1 RJK (B) F(OB) 
RKJ(D)
RJK(AB)
(na – 1)x F(OAB) 
Dalam JK(D) RJK (D) RKJ(D)
(nb –1)
Total JK(T) nt – 1 - -
Kriteria pengujian, jika Fhitung > Ftabel pada taraf signifikan yang dipilih dengan
db pembilang adalah db yang sesuai, maka Ho ditolak. Jadi terdapat perbedaan
rata-rata antara kelompok–kelompok yang diuji, sebaliknya untuk Fhitung  Ftabel,
maka Ho diterima. Untuk ANOVA 2 jalan, langkah pertama yang yang dilakukan
adalah melakukan pengujian terhadap hipotesis statistik pengaruh interaksi, yaitu
F(OAB). Jika F(OAB)  Ftabel atau Ho diterima berarti tidak terdapat pengaruh interaksi,
maka selanjutnya dilakukan uji hipotesis pengaruh utama (main effect), yaitu uji F(OA)
untuk melihat perbedaan rerata antar A, dan uji F(OB) untuk mempelajari perbedaan
antar B. Sebalinya jika F(OAB) > Ftabel atau Ho ditolak, berarti terdapat pengaruh
interaksi yang signifikan, maka konsekuensinya harus diuji pengaruh sederhana
(simple effect). Simple effect adalah perbedaan rerata antar A pada tiap kelompok Bi
(i = 1, 2, 3,..) atau perbedaan rerata antar B pada tiap kelompok Ai (i = 1, 2, 3,..).
Contoh:
Suatu eksperimen untuk mengetahui efektivitas pemberian metode pembelajaran
dan bentuk tes formatif terhadap hasil belajar Matematika. Untuk keperluan itu telah
diambil tiga kelompok sampel acak masing-masing berukuran 16 orang siswa untuk
diberi metode Inquiri (A1), Problem Solving (A2), dan metode Konvensional (A3).

Setiap kelompok masing-masing dibagi dua secara acak dan diberi bentuk tes
formatif Uraian (B1) dan bentuk Pilihan Ganda (B2). Skor hasil belajar Matematika
setelah pemberian metode pembelajaran dan bentuk tes formatif tersebut disajikan
sebagai berikut.
.
A
B A1 A2 A3 Keterangan:
7 7 6 A = Metode Pembelajaran
7 7 6 A1 = Inquiri
8 5 7 A2 = Problem Solving
8 8 4 A3 = Konvensional
B1
9 8 6
8 6 6 B = Bentuk Tes Formatif
8 7 5 B1 = Uraian
9 7 6 B2 = Pilhan Ganda
7 6 8
6 6 7 Y = Skor hasil belajar
6 5 7 Matematika
5 6 8
B2 4 7 7
5 7 8
6 8 9
6 8 8
Untuk mempermudah perhitungan Jumlah kuadrat beberapa sumber varian dapat

dibuat tabel persiapan seperti berikut.
Statistik A1B1 A2B1 A3B1 A1B2 A2B2 A3B2 Jumlah

n 8 8 8 8 8 8 48
X i 64 55 46 45 53 62 325
X
2
i 516 385 270 259 359 484 2273
x
2
i 4 6,875 5,5 5,875 7,875 3,5 33,625
xi 8 6,875 5,75 5,625 6,625 7,75 6,77
1) Menghitung Jumlah Kuadrat (JK) untuk beberapa sumber variansi, yaitu: Total
(T), Antar (A), Antar (B), Interaksi (AB), dan Dalam (D), dengan formula berikut.
( Yt ) 2 3252
JK(T) =  Yt 
2
= 2273-  72,479
nt 48

a  ( Yj ) 2  ( Yt ) 2 1092 1082 1082 3252
JK(A) =    =     0,0417
 nj  nt 16 16 16 48
j 1
 
b (
 Yi )   ( Yt ) 2 = 1652  1602  3252  0,5208
2
JK(B) =  
 ni  nt 24 24 48
i 1
 
ab  ( Y ) 2  ( Yt ) 2
JK(AB) =   
ij
 - JK (A) – JK(B)

j 1,i 1  n ij
 nt

642 552 462 452 532 622 3252
=      -  0,0417- 0,5208  38,292
8 8 8 8 8 8 48
ab  ( Yij ) 2 
JK(D) =   Yij     yij 2 = 33,625
2


j 1, i 1  n ij 
2) Menentukan derajat kebebasan (dk) masing-masing sumber variansi
db(T) = 48 – 1 = 47, db(A) = 3 – 1 = 2, db(B) = 2 – 1 = 1,
db(AB) = (3 – 1)( 2 –1) = 2, db(D) = 48 – (3)(2) = 48 - 6 = 42
3) Menyusun tabel ANOVA
Varians  = 0.05  = 0.01
Antar A 0,0417 2 0,0208 0,026ns 3,32 5,15
Antar B 0,5208 1 0,5208 0,651ns 4,07 7,27
Interaksi
38,292 2 19,1458 23,914** 3,32 5,15
AxB
Dalam 33,625 42 0,8006 -
Total 72,479 47 - -
Dari tabel memperlihatkan bahwa:

Pengaruh Utama (Main Effect)
F(OA)  Ftab atau Ho diterima. Dengan demikian tidak terdapat perbedaan rata-
rata hasil belajar Matematika dari kelompok yang diajar metode pembelajaran
Inquri, Problem Solving, dan Konvensional.
F(OB)  Ftab atau Ho diterima. Dengan demikian tidak terdapat perbedaan rata-
rata hasil belajar Matematika dari kelompok yang diberi bentuk tes formatif uraian
dan pilihan ganda.
Pengaruh Interaksi (Interaction Effect)
F(OAB)  Ftab (0,01), berarti ada pengaruh interaksi yang sangat signifikan antar
faktor A (metode pembelajaran) dan faktor B (bentuk tes formatif) atau pengaruh
metode pembelajaran terhadap hasil belajar Matematika bergantung kepada
bentuk tes formatif.

4) Menentukan Besar Pengaruh Variabel Bebas Terhadap Variabel Terikat
Karena faktor metode pembelajaran (A) dan faktor bentuk tes formatif (B) tidak
bersifat signifikan, maka yang akan dihitung besar pengaruhnya adalah hanya
pengaruh interaksi saja.
.
Pengaruh interaksi metode pembelajaran dan bentuk tes formatif (AxB)
db (Fhit 1) 2 (23,914 1) 45,828
Ŵ 2     0,488
db (Fhit 1)  N 2 (23,914 1)  48 93,828
Ini berarti pengaruh interaksi metode pembelajaran dan bentuk tes formatif dapat
menjelaskan 48,80% variansi hasil belajar Matematika.
Pengaruh Sederhana (Simple Effect)

<
Oleh karena pengujian hipotesis pengaruh interaksi bersifat signifikan maka

harus diuji pengaruh sederhana atau simple effeknya. Sebelum perbedaan rerata
antara kelompok perlakuan dilakukan uji perbedaan/kesamaan dari enam
kelompok perlakuan dengan penerapan prosedur varians satu jalan. Adapun
hipotesis yang akan diuji adalah sebagai berikut.
Ho: 11 = 12 = 31 = 21 = 22 = 23
H1: Bukan Ho
Langkah-langkah pengujian hipotesis dengan analisis varians satu jalan

3252
(i) JK(Ty) = 2273-  72,479
48
642 552 462 452 532 622 3252
(ii) JK(Ay) =      -  38,8542
8 8 8 8 8 8 48
(iii) JK(Dy) = 72,479 - 38,8542 = 33,625
JK(Ay) 38,8542
(iv) RJK(Ay)= = = 7,7708
n a -1 6 -1
JK(Dy) 33,625
(v) RJK(D) = = = 0,8006
nt - na 48 - 6
RJK(Ay) 7,7708
(vi) Fhitung = = = 9,71
RJK(Dy) 0,8006
F(0,05 ; 5 ; 42) = 2,44 dan F(0,01 ; 5 ; 42) = 3,49
Fhituung  Ftab berarti Ho ditolak. Dengan demikian terdapat perbedaan rata-rata

antara keenam kelompok (sel).

Rata-rata skor hasil belajar Matematika
A1B1 A2B1 A3B1 A1B2 A2B2 A3B2
Y11 Y21 Y31 Y12 Y22 Y32
8,00 6,875 5,75 5,625 6,625 7,75
Uji lanjut dengan t- Dunnet

(a) Pengujian simple effect untuk B1:
Perbedaan antar A pada B1 (A1B1, A2B1, dan A3B1)
Y11 - Y 21 8,00 - 6,875
t(A1B1 - A 2 B1 ) =   2,515
1 1  1 1
RJK(D) ( + ) (0,8006)  
n 11 n 21 8 8
Y11 - Y 31 8,00 - 5,75
t(A1B1  A 3 B1 ) =   5,029
1 1  1 1
RJK(D) ( + ) (0,8006)  
n 11 n 31 8 8
Y 21 - Y 31 6,875 - 5,75
t(A 2 B1 - A 3 B1 ) =   2,515
1 1 1 1
RJK(D) ( + ) (0,8006)  
n 21 n 31 8 8
Kesimpulan:
(i) thit = 2,515  ttab = 2,39, maka H0 ditolak. Dengan demikian, hasil belajar
Matematika kelompok siswa yang diajar dengan metode pembelajaran Inquiri
lebih tinggi daripada metode Problem Solving pada kelompok yang diberi
bentuk tes formatif Uraian.
(ii) thit = 5,029  ttab = 2,39, maka H0 ditolak. Dengan demikian, hasil belajar
lebih tinggi daripada metode Konvensional pada kelompok yang diberi bentuk
tes formatif Uraian.
(iii) thit = 2,515  ttab = 2,39, maka H0 ditolak. Dengan demikian, hasil belajar
Matematika kelompok siswa yang diajar dengan metode pembelajaran
Problem Solving lebih tinggi daripada metode Konvensional pada kelompok
yang diberi bentuk tes formatif Uraian.
(b) Pengujian simple effect untuk B2:
Y12 - Y 22 5,625 - 6,625
t(A1B 2 - A 2 B 2 ) =    2,235
1 1  1 1
RJK(D) ( + ) (0,8006)  
n 12 n 22 8 8

Y12 - Y 32 5,625 - 7,75
t(A1B 2 - A 3 B 2 ) =    4,750
1 1  1 1
RJK(D) ( + ) (0,8006)  
n 12 n 32 8 8
Y 22 - Y 32 6,625 - 7,75
t(A 2 B 2 - A 3 B 2 ) =    2,515
1 1  1 1
RJK(D) ( + ) (0,8006)  
n 22 n 32 8 8
ttabel = t(0,95; 42) = - 1,67 dan ttabel = t(0,99; 42) = - 2,39
Kesimpulan:
(i) thit = -2,235  ttab = -2,39, maka H0 ditolak. Dengan demikian, hasil belajar
lebih rendah daripada metode Problem Solving pada kelompok yang diberi
bentuk tes formatif Pilihan Ganda.
(ii) thit = -4,750  ttab = -2,39, maka H0 ditolak. Dengan demikian, hasil belajar
lebih rendah daripada metode Konvensional pada kelompok yang diberi
bentuk tes formatif Pilihan Ganda.
(iii) thit = -2,515  ttab = -2,39, maka H0 ditolak. Dengan demikian, hasil belajar
Matematika kelompok siswa yang diajar dengan metode pembelajaran
Problem Solving lebih rendah daripada metode Konvensional pada kelompok
yang diberi bentuk tes formatif Pilihan Ganda.
(c) Pengujian simple effect untuk A1
Perbedaan antar B pada A1 (A1B1 dan A1B2)
Y11 - Y12 8,00 - 5,625
t(A1B1 - A1B 2 ) =   5,309
1 1  1 1
RJK(D) ( + ) (0,8006)  
n 11 n 12 8 8
(d) Pengujian simple effect untuk A2

Y12 - Y 32 6,875 - 6,625
t(A 2 B1 - A 2 B 2 ) =   0,559
1 1  1 1
RJK(D) ( + ) (0,8006)  
n 12 n 32 8 8
(e) Pengujian simple effect untuk A3

Y 31 - Y 32 5,75 - 7,75
t(A3 B1 - A 3 B 2 ) =    4,470
1 1  1 1
RJK(D) ( + ) (0,8006)  
n 31 n 32 8 8

Kesimpulan:
(i) thit = 5,309  ttab = 2,39, maka H0 ditolak. Dengan demikian, hasil belajar Matematika
kelompok siswa yang diberi bentuk tes formatif Uraian lebih tinggi daripada siswa
yang diberi bentuk tes formatif Pilihan Ganda pada kelompok yang diajar dengan
metodel Inquiri.
(ii) thit = 0,559  ttab = 1,67, maka H0 diterima. Dengan demikian, tidak terdapat
perbedaan hasil belajar Matematika antara kelompok siswa yang diberi bentuk tes
formatif Uraian dan kelompok siswa yang diberi bentuk tes formatif Pilihan Ganda
pada kelompok yang diajar dengan metode Problem Solving.
(iii) thit = -4,470  ttab = - 2,39, maka H0 ditolak. Dengan demikian, hasil belajar Matematika
kelompok siswa yang diberi bentuk tes formatif Uraian lebih rendah daripada siswa
yang diberi bentuk tes formatif Pilihan Ganda pada kelompok yang diajar dengan
metodel Konvensional.
Bandingkan hasil-hasil di atas dengan ouput SPSS menggunakan syntax
berikut.
UNIANOVA
Y BY A B
/METHOD = SSTYPE(3)
/INTERCEPT = INCLUDE
/PRINT = DESCRIPTIVE PARAMETER HOMOGENETY
/CRITERIA = ALPHA(.05)
/DESIGN = A B A*B.
KONTRAS
IF (a = 1 & b = 1) fs =1.
IF (a = 2 & b = 1) fs =2.
IF (a = 3 & b = 1) fs =3.
IF (a = 1 & b = 2) fs =4.
IF (a = 2 & b = 2) fs =5.
IF (a = 3 & b = 2) fs =6.
EXECUTE.
ONEWAY
Y BY fs
/CONTRAST= 1 -1 0 0 0 0
/CONTRAST= 1 0 -1 0 0 0
/CONTRAST= 0 1 -1 0 0 0
/CONTRAST= 0 0 0 1 -1 0
/CONTRAST= 0 0 0 1 0 -1
/CONTRAST= 0 0 0 0 1 -1
/CONTRAST= 1 0 0 -1 0 0
/CONTRAST= 0 1 0 0 -1 0
/CONTRAST= 0 0 1 0 0 -1
/STATISTICS DESCRIPTIVES HOMOGENETY
/MISSING ANALYSIS.

a
Levene's Test of Equality of Error Variances
F df1 df2 Sig.
.489 5 42 .783
Tests the null hypothesis that the error variance of
the dependent variable is equal across groups.
a. Design: +A+B+A * B
Interpretasi:
Harga levene’s Test dengan statistik F=0,489 dengan db=5
dan db=42 pada p-value =0,783  0,05.
Sehingga ke-enam kelompok data sampel adalah mempunyai varians sama atau homogen.
Tests of Between-Subjects Effects
Type III Sum
Source of Squares df Mean Square F Sig.
Corrected Model 38.854a 5 7.771 9.706 .000
Intercept 2200.521 1 2200.521 2748.606 .000
A .042 2 .021 .026 .974
B .521 1 .521 .651 .424
A*B 38.292 2 19.146 23.914 .000
Error 33.625 42 .801
Total 2273.000 48
Corrected Total 72.479 47
a. R Squared = .536 (Adjusted R Squared = .481)
Interpretasi:
Pengaruh Utama (Main Effect)
Fhit (A) = 0,026 dengan p-value = 0,974  0,05, atau Ho diterima.
Hal ini berarti metode pembelajaran tidak berpengaruh terhadap hasil belajar Matematika
Fhit (B) = 0,651 dengan p-value = 0,424  0,05, atau Ho diterima.

Hal ini berarti bentuk tes formatif tidak berpengaruh terhadap hasil belajar Matematika.
Pengaruh Interaksi (Interaction Effect)

Fhit (AB) = 23,914 dengan p-value = 0,000  0,05, atau Ho ditolak.
Hal ini berarti ada pengaruh interaksi yang sangat signifikan antar faktor A (metode
pembelajaran) dan faktor B (bentuk tes formatif).

Contrast Tests
Value of
Contrast Contrast Std. Error t df Sig. (2-tailed)
Y Assume equal variances 1 1.13 .447 2.515 42 .016
2 2.25 .447 5.029 42 .000
3 1.13 .447 2.515 42 .016
4 -1.00 .447 -2.235 42 .031
5 -2.13 .447 -4.750 42 .000
6 -1.13 .447 -2.515 42 .016
7 2.38 .447 5.309 42 .000
8 .25 .447 .559 42 .579
9 -2.00 .447 -4.470 42 .000
Does not assume equal 1 1.13 .441 2.553 13.085 .024
variances 2 2.25 .412 5.463 13.659 .000
3 1.13 .470 2.393 13.829 .031
4 -1.00 .496 -2.018 13.710 .064
5 -2.13 .409 -5.194 13.156 .000
6 -1.13 .451 -2.496 12.196 .028
7 2.38 .420 5.656 13.513 .000
8 .25 .513 .487 13.936 .634
9 -2.00 .401 -4.989 13.341 .000
Pengaruh Sederhana (Simple Effect)

<
Karena pengujian hipotesis pengaruh interaksi bersifat signifikan maka harus diuji
pengaruh sederhana atau simple effeknya. Sebelum perbedaan rata-rata antara
kelompok perlakuan dilakukan uji perbedaan rata-rata dari enam kelompok
perlakuan dengan penerapan prosedur varians satu jalan. Adapun hipotesis yang
akan diuji adalah sebagai berikut.
Ho: 11 = 12 = 31 = 21 = 22 = 23
H1: Bukan Ho
Dari baris corrected model pada tabel Test of Between Subjects- Effects, diperoleh,
Fhitung = 9,706, dan p-value = 0,000< 0,05, berarti Ho ditolak. Dengan demikian
terdapat perbedaan rata-rata antara keenam kelompok.
Berdasarkan koefisien-kontras memperlihatkan ada sembilan buah kontras, yaitu:

/CONTRAST= 1 -1 0 0 0 0 atau kontras (1) : (A1B1 & A2B1)
/CONTRAST= 1 0 -1 0 0 0 atau kontras (2) : (A1B1 & A3B1)
/CONTRAST= 0 1 -1 0 0 0 atau kontras (3) : (A2B1 & A3B1)
/CONTRAST= 0 0 0 1 -1 0 atau kontras (4) : (A1B2 & A2B2)
/CONTRAST= 0 0 0 1 0 -1 atau kontras (5) : (A1B2 & A3B2)
/CONTRAST= 1 0 0 -1 0 0 atau kontras (7) : (A1B1 & A1B2)
/CONTRAST= 0 1 0 0 -1 0 atau kontras (8) : (A2B1 & A2B2)
(Lihat Tabel Contrast Tes baris Assume equal variances)

(a) Pengujian simple effect untuk B1:
 thit (A1B1-A2B1) = 2,515, p-value = 0,016/2 = 0,008 < 0,05, Ho ditolak atau
hasil belajar Matematika siswa yang diajar dengan metode pembelajaran
Inquiri lebih tinggi daripada metode Problem Solving pada kelompok yang
diberi bentuk tes formatif Uraian.
hasil belajar Matematika kelompok siswa yang diajar dengan metode
pembelajaran Inquiri lebih tinggi daripada metode Konvensional pada
kelompok yang diberi bentuk tes formatif Uraian.
pembelajaran Problem Solving lebih tinggi daripada metode Konvensional
pada kelompok yang diberi bentuk tes formatif Uraian.
(b) Pengujian simple effect untuk B2:
 thit (A1B2-A2B2) = -2,235, p-value = 0,0031/2 = 0,0155 < 0,05, Ho ditolak
pembelajaran Inquiri lebih rendah daripada metode Problem Solving pada
kelompok yang diberi bentuk tes formatif Pilihan Ganda.
 thit (A1B2-A3B2) = -4,750, p-value = 0,000/2 = 0,000 < 0,05, H0 ditolak atau
pembelajaran Inquiri lebih rendah daripada metode Konvensional pada
kelompok yang diberi bentuk tes formatif Pilihan Ganda.
 thit (A2B2-A3B2) = -4,515, p-value = 0,016/2 = 0,008 < 0,05, H0 ditolak aau
pembelajaran Problem Solving lebih rendah daripada metode Konvensional
pada kelompok yang diberi bentuk tes formatif Pilihan Ganda.
(c) Pengujian simple effect untuk A1
thit (A1B1-A1B2) = 5,309, p-value = 0,000/2 = 0,000 < 0,05, H0 ditolak atau hasil
belajar Matematika kelompok siswa yang diberi bentuk tes formatif Uraian
lebih tinggi daripada siswa yang diberi bentuk tes formatif Pilihan Ganda pada
kelompok yang diajar dengan metodel Inquiri.
(d) Pengujian simple effect untuk A2
thit (A2B1-A2B2) = 0,559, p-value = 0,579/2 = 0,290 > 0,05, H0 ditolak atau tidak
terdapat perbedaan hasil belajar Matematika antara kelompok siswa yang
diberi bentuk tes formatif Uraian dan kelompok siswa yang diberi bentuk tes
formatif Pilihan Ganda pada kelompok yang diajar dengan metode Problem
Solving.
(e) Pengujian simple effect untuk A3

thit (A3B1-A3B2) = -4,470, p-value = 0,000/2 = 0,000 < 0,05, H0 ditolak atau hasil
belajar Matematika kelompok siswa yang diberi bentuk tes formatif Uraian
lebih rendah daripada siswa yang diberi bentuk tes formatif Pilihan Ganda
pada kelompok yang diajar dengan metodel Konvensional.
Parameter Estimates
95% Confidence Interval
Parameter B Std. Error t Sig. Lower Bound Upper Bound
Intercept 7.750 .316 24.499 .000 7.112 8.388
[A=1] -2.125 .447 -4.750 .000 -3.028 -1.222
[A=2] -1.125 .447 -2.515 .016 -2.028 -.222
[A=3] 0a . . . . .
[B=1] -2.000 .447 -4.470 .000 -2.903 -1.097
[B=2] 0a . . . . .
[A=1] * [B=1] 4.375 .633 6.915 .000 3.098 5.652
[A=1] * [B=2] 0a . . . . .
[A=2] * [B=1] 2.250 .633 3.556 .001 .973 3.527
[A=2] * [B=2] 0a . . . . .
[A=3] * [B=1] 0a . . . . .
[A=3] * [B=2] 0a . . . . .
a. This parameter is set to zero because it is redundant.
Interpretasi:
Kita dapat membentuk model regresi dan persamaan fungsi regresi perlakuan
metode pembelajaran terhadap hasil belajar Matematika, seperti berikut.
Model regresi : Y= o+ 1 [A=1]+  2 [A=2]+ ]+3[B=1]+4[A=1][B=1]+ 5 [A=2][B=1]+
Fungsi regresi:
Ŷ = 7,75 -2.125[A=1] -1,125[A=2] -2,00[B=1]+4,375[A=1][B=1]+2,250 [A=2][B=1]
D. Analisis Varians Dua Jalan Dengan GWT
Analisis varians dua Jalan dengan GWT, adalah penggunaan desain GWT dalam
desain eksperimen untuk lebih dari dua jalan atau lebih. Kita telah membahas analisis
varians jalan dengan GWT untuk satu jalan atau satu variabel perlakuan. Prinsipnya kerja
analisis varians dua Jalan dengan GWT dan analisis varians satu jalan dengan GWT
adalah sama. Perbedaannya pada analisis varians dua Jalan dengan GWT juga
mempelajari faktor interaksi di antara variabel bebas. Dengan demikian model analisis
varians dua Jalan dengan GWT dapat digunakan dalam desain faktorial atau treatment
by level design.
1. Model Linear Analisis Varians Dua Jalan dengan GWT
Model statistika untuk eksperimen faktorial yang terdiri dua faktor (A dan B)
dengan menggunakan desain GWT adalah sebagai berikut:
Yij = µ + i + Ai + Bj + (AB)ij + ijk,
i = 1, 2, 3, ....n; j = 1, 2, 3,.......m; dan k = 1, 2, 3,.......r;

Dimana:
Yij = nilai respon dari kelompok ke-i yang memperoleh taraf ke-i dari faktor A dan
taraf ke-j dari faktor B.
µ = rata-rata populasi
i = pengaruh aditif dari perlakuan ke-i
Aj = pengaruh aditif dari taraf ke-i faktor A
Bj = pengaruh aditif dari taraf ke-j faktor B
(AB)ij = pengaruh interaksi taraf ke-i faktor A dan taraf ke-j faktor B.
ijk = pangaruh galat percobaan pada kelompok ke-i yang memperoleh taraf ke-i
faktor A, dan taraf ke-j faktor B.
2. Analisis Varians GWT

a. Sumber varians
Sumber varians dalam eksperimen faktorial desain GWT meliputi: antar A,
Antar B, Interaksi AB, Group within treatment (GWT), Dalam Group (DG) dan
Total. Untuk masing-masing sumber varians tersebut akan dihitung Jumlah
Kuadrat (JK)-nya, sebagai berikut.
( Yt ) 2
Y
2
JK(T) = t 
nt
a ( Ya ) 2 ( Yt ) 2
JK(A) = 
i 1 na

nt
b ( Yb ) 2
( Yt ) 2
JK(B) = j1 nb

nt
ab ( Yab ) 2
( Yt ) 2
JK(AB) = 
i 1, j1 n ab

nt
 JK(A)  JK(B)
 g ( Yg ) 2 
  g  =  yg
2 2
JK(DG) = Y 
j1   ng 
ab 
 ( Yg ) ( Yg ) 
2 2
JK(GWT) =    
i 1, j1 
 ng ng 
b. Menentukan derajat bebas
db(T) = nt – 1 db(A) = na – 1
db(B) = nb – 1 db(AB) = (na – 1)(nb – 1)
db(DG) = nt – ng db(GWT) = ng – na – nb
Selanjutnya dapat dihitung rata-rata jumlah kuadrat (RJK) masing-masing

sumber varians, yaitu dengan membagi JK dengan db-nya masing-masing.

c. Menyusun tabel Anova GWT
Sumber JK db RJK Fhitung Ftab
Varians
Antar (A) JK(A) na – 1 RJK(A) Fhit(A)
Antar (B) JK(B) nb – 1 RJK(B) Fhit(B)
Interaksi(AB) JK(AB) (na–1)(nb–1) RJK(AB) Fhit(AB)
G. W. T JK(GWT) ng – na – nb RJK(GWT)
Dalam JK(DG) nt – ng RJK(DG)
Total JK(T) nt – 1 - - -
Nilai Fhit ditentuka dengan rumus:
RJK(A) RJK(A) RJK(A)

Fhit (A)  , Fhit (B)  ,dan Fhit (AB) 
RJK(GWT) RJK(GWT) RJK(GWT)
selanjuntnya bandingkan nilainya dengan Ftabel. Jika Fhit  Ft pada taraf

signifikansi yang dipilih dengan db pembilang adalah db(A), db(B), atau
db(AB) dan db penyebutnya adalah db(GWT) maka Ho ditolak. Dengan
demikian terdapat perbedaan rata-rata antar perlakuan yang diuji, dalam hal
lain jika Fo ≤ Ft, maka Ho diterima atau tidak terdapat perbedaan antar
perlakuan-perlakukan yang diuji.
3. Contoh Penerapan
Dua metode pembelajaran dan bentuk tes formatif akan diuji pengaruhnya
terhadap hasil belajar matematika. Masing-masing metode dan bentuk tes
formatif pembelajaran diberlakukan kepada 3 kelompok, misalnya metode
pemecahan masalah (A1) dan bentuk tes formatif uraian (B1) terhadap G1, G2,
dan G3, dan metode konvensional (A2) dan bentuk tes formatif pilihan ganda (B2)
terhadap kelompok G4, G5 dan G6. Pemilihan kelompok G1, G2, G3, G4, G5 dan
G6 dilakukan dengan cara random. Setelah diberi perlakuan selama selang
waktu tertentu kemudian diberi tes hasil belajar matematika. Data hasil tes
tersebut disajikan sebagai berikut.

A1 A2 Keterangan:
A/B
G1 G2 G3 G4 G5 G6 A1= Pemecahan Masalah
A2= Konvensional
8 7 8 6 6 5 B1= Uraian
8 8 7 6 5 5 B2= Pilihan Ganda
8 7 7 5 5 5
Y = Hasil belajar
B1 8 8 7 5 5 4
8 8 8 5 5 4 Matematika
7 8 7 5 4 4
6 6 6 7 8 8
5 5 5 7 7 8
B2 4 4 5 7 7 8
6 5 4 7 7 7
6 5 4 7 8 7
4 6 4 6 6 9
a. Tabel Kerja/Persiapan
Statistik A1B1 A2B1 A1B2 A2B2 Total
G1 G2 G3 G4 G5 G6 G1 G2 G3 G4 G5 G6
n 6 6 6 6 6 6 6 6 6 6 6 6 72
 Yi 47 46 44 32 30 27 31 31 28 41 43 47 447
Y
2 369 354 324 172 152 123 165 163 134 281 311 371 2919
i
y
2
i 0,83 1,33 1,33 1,33 2,0 1,5 4,83 2,83 3,3 0,83 2,83 2,83 25,829
Yi 7,8 7,7 7,3 5,33 5,0 4,5 5,2 5,2 4,7 6,8 7,2 7,83 6,21
b. Menghitung Jumlah Kuadrat (JK)

(447)2
JK(T) = 2919  143,875
72
(227)2 (220)2 (447)2
JK(A) =    0,6806
36 36 72
(226)2 (221)2 (447)2
JK(B) =    0,3472
36 36 72
JK(AB) = 
ab (
 Yab ) 2 ( Yt ) 2
  JK(A)  JK(B)
i 1, j1 n ab nt
 (137)2 (89)2 (90)2 (131) 2 (447)2 
=       - JK(A) –JK(B)
 18 18 18 18 72 
= 111,0417 - 0,6806 - 0,3472 = 110,0139

g ( Yg ) 2 
  g  =  yi = 25,829
2 2
JK(DG) = Y 
j1  ng 
 (47)2 (46)2 (44)2 (137)2   (32)2 (30)2 (27)2 (89)2 
JK(GWT)=     +    
 6 6 6 18   6 6 6 18 
 (31)2 (31)2 (28)2 (90)2   (41)2 (43)2 (47)2 (131)2 
+    +    
 6 6 6 18   6 6 6 18 
= 0,7778 + 2,1111 + 1,000 + 3,1111 = 6,999
c. Menentukan derajat bebas (db)
db(T) = nt – 1 = 72 – 1 = 71
db(A) = na – 1 = 2 - 1 = 1
db(B) = nb – 1 = 2 - 1 = 1
db(AB) = (na – 1)(nb – 1) = 1.1 = 1
db(DG) = nt – ng = 72 – 6 = 66
db(GWT) = ng – na – nb = 6 – 2 – 2 = 2
d. Menyusun tabel Anova GWT

Sumber JK db RJK Fhitung Ftab
Varians  = 0,05  = 0,01
ns
Antar (A) 0,6806 1 0,6806 0,195 18,51 98,50
Antar (B) 0,3472 1 0,3472 0,099ns 18,51 98,50
Interaksi(AB) 110,014 1 110,014 31,437* 18,51 98,50
G. W. T 6,999 2 3,4995 -
Dalam G 25,829 66 0,3914 -
Total 143,875 71 - - -
Nilai Fhitung ditentukan dengan rumus:
RJK(A)
Fhit (A)   0,195 ,
RJK(GWT)
RJK(A)
Fhit (B)   0,099 ,
RJK(GWT)
RJK(A)
Fhit (AB)   31,437
RJK(GWT)
a. Menentukan Besar Pengaruh Variabel Bebas Terhadap Variabel Terikat
Besarnya pengaruh variabel bebas (perlakuan) terhadap variabel kriterion
dinyatakan dengan sebuah koefisien determinasi, yaitu dengan formula
sebagai berikut:

Dimana db adalah derajat bebas dan Fo adalah F observasi atau Fhitung
(i) Pengaruh faktor pendekatan pembelajaran
db (Fhit 1) 1 (10,23  1) 9,23
Ŵ 2     0,1875 ,
db (Fhit 1)  N 1 (10,23  1)  40 49,23
Ini berarti faktor pendekatan pembelajaran dapat menjelaskan 18,75%

variansi hasil belajar Matematika.
(ii) Pengaruh IQ
db (Fhit 1) 1(16,41 1) 15,41
Ŵ 2     0,2781
db (Fhit 1)  N 1(16,41 1)  40 55,41
Ini berarti faktor IQ dapat menjelaskan 27,81% variansi hasil belajar
Matematika.
(iii) Pengaruh interaksi pendekatan dan bentuk tes formatif

db (Fhit 1) 1(24,05  1) 23,05
Ŵ 2     0,3656
db (Fhit 1)  N 1(24,05  1)  40 63,05
Ini berarti pengaruh interaksi pendekatan dan bentuk tes formatif dapat
menjelaskan 36,56% variansi hasil belajar Matematika.
b. Kesimpulan
Dari hasil analisis seperti yang disajikan pada tabel di atas, dapat disimpulkan
sebagai berikut:
(i) Fhit (A) < Ft atau Ho diterima, sehingga tidak terdapat perbedaan hasil belajar
matematika antara siswa yang diberi metode pemecahan masalah (A1) dengan
metode konvensional (A2). Dengan kata lain metode pembelajaran saja tidak
berpengaruh terhadap hasil belajar matematika.
(ii) Fhit (B) < Ft atau Ho diterima, sehingga tidak terdapat perbedaan hasil belajar
matematika antara siswa yang diberi bentuk tes formatif essai (B1) dengan
pilihan ganda (B2). Dengan kata lain bentuk tes formatif saja tidak berpengaruh
terhadap hasil belajar matematika.
(iii) Fhit (AB) > Ft atau Ho ditolak, sehingga terdapat pengaruh interaksi antar metode
pembelajaran dan bentuk tes formatif terhadap hasil belajar matematika.
(iv) Karena pengaruh interaksi adalah signifikan maka dilakukan uji lanjut
untuk melihat pengaruh sederhana (simple effect) masing-masing faktor.
Adapun langkah-langkahnya adalah sebagai berikut.
Rata-rata variabel kriterion (Y)
A1B1 A2B1 A1B2 A2B2
Y11 Y21 Y12 Y22
7,61 4,94 5,00 7,28

Pengujian pengaruh sederhana B1 (A1B1 vs A2B1)
Y11 - Y 21 7,61 - 4,94
t(A1 B1 - A 2 B1 ) =   4,28
1 1  1 1
RJK(GWT) ( + ) (3,4995)  
n 11 n 21  18 18 
Pengujian pengaruh sederhana B2 (A1B2 vs A2B2)

Y12 - Y 22 5,00 - 7,28
t(A1B 2 - A 2 B 2 ) =    3,66
1 1 1 1
RJK(GWT) ( + ) (3,4995)  
n 12 n 22  18 18 
Pengujian pengaruh sederhana A1 (A1B1 vs A1B2)

Y11 - Y12 7,61 - 5,00
t(A1B1 - A1B 2 ) =   4,19
1 1 1 1
RJK(GWT) ( + ) (3,4995)  
n 11 n 12  18 18 
Pengujian pengaruh sederhana A2 (A2B1 vs A2B2)

Y 21 - Y 22 4,94 - 7,28
t(A 2 B1 - A 2 B 2 ) =    3,75
1 1 1 1
RJK(GWT) ( + ) (3,4995)  
n 21 n 22  18 18 

(a) thit = 4,28  ttab = 2,92, maka H0 ditolak. Dengan demikian, hasil belajar
matematika untuk siswa yang diberi tes formatif essai dan diajar
dengan metode pemecahan masalah lebih tinggi dari pada yang diajar
dengan metode konvensional.
(b) thit = -3,66 < ttab = - 2,92, maka H0 ditolak. Dengan demikian, skor hasil
belajar matematika untuk siswa yang diberi tes pilihan ganda dan diajar
dengan metode pemecahan masalah lebih rendah dari pada yang
diajar dengan metode konvensional.
(c) thit = 4,19  ttab = 2,92, maka H0 ditolak. Dengan demikian, skor hasil
belajar matematika untuk siswa yang diajar dengan metode pemecahan
masalah dan diberi tes formatif essai lebih tinggi dari pada yang diberi
tes formatif pilihan ganda.
(d) thit = -3,75 < ttab = -2,92, maka H0 ditolak. Dengan demikian, skor hasil
belajar matematika untuk siswa yang diajar dengan metode
konvensional diberi tes formatif essai lebih rendah dari pada yang diberi
tes formatif pilihan ganda.

E. LATIHAN
1. Kemukakan dua alasan mengapa dalam pengujian parameter lebih dari dua rata-
rata penggunaan teknik ANOVA lebih menguntungkan jika dibandingkan dengan
teknik statistik uji-t.
2. Jelaskan perbedaan pokok antara analisis varians satu jalan (biasa) dan analisis
varians dengan GWT. Kapan kita bekerja atau menggunakan analisis varians
dengan GWT.
3. Suatu survai terhadap kinerja karyawan di Perusahaan Multinasional. Untuk
keperluan tersebut telah dipilih secara acak tiga perusahaan, yaitu perusahaan
Metro Industrial (A1), Anjani Kontraktor (A2) dan Perusahaan Bahari Brothers
(A3). Skor Kinerja karyawan ketiga perusahaan tersebut disajikan di bawah ini.
No. A1 A2 A3 Pertanyaan
1 30 16 6 (i) Lakukan uji hipotesis untuk
2 30 17 8 perbedaan rata-rata skor
3 31 18 9
kinerja karyawan dari ketiga
4 31 18 11
5 32 19 11 perusahaan tersebut. Tafsir-
6 32 21 11 kan hasil analisis anda.
7 33 22 13 (ii) Lakukan uji lanjut (post hoc
8 33 24 14 test) untuk mengetahui kinerja
9 36 27 16 karyawan perusahaan mana
10 37 29 18 yang paling baik. Tuliskan
11 38 29 20 semua kesimpulan yang anda
12 40 30 22 peroleh.
4. Efektivitas empat metode mengajar, yaitu Pemecahan Masalah (A1), Penemuan

(A2), Inquiri (A3) dan Konvensional (A4) terlihat dari skor hasil belajar
Matematika keempat kelompok yang diberi metode tersebut selama tiga bulan.
Data hasil belajar Matematika keempat kelompok disajikan sebagai berikut:
A1 A2 A3 A4
9 9 8 6
8 8 7 7
8 7 7 6
10 7 6 6
8 8 7 5
8 8 7 7
9 7 8 8
9 7 6 5
9 8 5 5
8 6 6 5
a) Lakukan pengujian hipotesis perbedaan rata-rata dengan langkah-langkah
standar dalam Anova -1 Jalan! Tafsirkan hasil analisis anda.

b) Lakukan uji lanjut (post hoc test) untuk mengetahui efektivitas antar keempat
metode tersebut! Tafsirkan hasil yang anda peroleh!
5. Data hasil penelitian dengan desain GWT sebagai berikut.
A1 A2 A3
G1 G2 G3 G4 G5 G6
5 3 6 6 7 9
5 5 7 7 9 10
5 4 7 6 8 8
3 5 6 7 8 8
5 5 6 6 8 9
5 4 8 8 8 9
4 4 7 7 9 9
Pertanyaan:
Lakukan pengujian hipotesis dengan langkah-langkah standar dalam Desain
GWT untuk perbedaan rata-rata hasil belajar dengan ketiga metode tersebut
dengan mempertimbangkan kelompok-kelompok yang ada.
6. Lakukan pengujian hipotesis untuk menguji semua hipotesis baik hipotesis

mengenai efek utama, efek interaksi maupun efek sederhana dari data hasil
penelitian berikut.
A1B1 A2B1 A1B2 A2B2

8 6 5 7
9 5 6 7
10 6 6 8
7 7 5 8
8 6 6 9
9 6 7 8 Keterangan:
9 6 6 8 A1 = Pendekatan Komunikatif
8 5 7 9 A2 = Pendekatan Konvensional
10 6 6 8 B1 = Gaya Belajar Independent
9 6 7 9 B2 = Gaya Belajar Dependent
Y = Skor hasil belajar Bahasa
Inggris

7. Data hasil penelitian
A1B1 A2B1 A3B1 A1B2 A2B2 A3B2

8 8 6 7 6 10
8 7 7 6 7 9
8 8 6 6 6 9
8 8 7 6 6 8
8 8 6 6 7 8
7 7 6 6 7 9
8 7 5 6 7 8
9 7 5 6 8 8
8 8 6 6 7 9
9 8 6 5 8 7
Keterangan:
A1 = Pendekatan Induktif
A2 = Pendekatan Deduktif
A3 = Pendekatan Konvensional
B1 = Bentuk tes formatif Essai
B2 = Bentuk tes formatif Pilihan Ganda
Variabel Kriterion: (Y) Hasil Belajar matematika
Lakukan uji hipotesis dengan langkah-langkah standar dalam ANOVA 2 Jalan
(faktorial Design) untuk perbedaan rata-rata hasil belajar matematika (main effect,
interaction effect, dan simple effect). Tuliskan semua kesimpulan saudara!
8. Dua pendekatan pembelajaran dan bentuk tes formatif akan diuji pengaruhnya
terhadap hasil belajar matematika. Masing-masing pendekatan dan bentuk tes
formatif pembelajaran diberlakukan kepada 3 kelompok, yaitu pendekatan induktif
(A1) dan bentuk tes formatif uraian (B1) terhadap kelompok G1, G2, dan G3, dan
pendekatan konvensional (A2) dan bentuk tes formatif pilihan ganda (B2)
terhadap kelompok G4, G5 dan G6.
Pemilihan kelompok G1, G2, G3, G4, G5 dan G6 dilakukan dengan cara random.
Setelah diberi perlakuan selama selang waktu tertentu kemudian diberi tes hasil
belajar matematika. Dari data yang disajikan pada tabel berikut, lakukan uji
hipotesis dengan langkah-langkah standar dalam ANOVA GWT 2 Jalan (faktorial
Design) untuk perbedaan rata-rata hasil belajar matematika (main effect,
interaction effect, dan simple effect). Tuliskan semua kesimpulan saudara.

A1 A2 Keterangan:
A/B A= Pendekatan
G1 G2 G3 G4 G5 G6
10 8 8 7 6 6 A1= Induktif
8 8 8 7 7 5 A2= Deduktif
8 7 7 6 5 5 B= Bentuk tes formatif
8 8 7 6 5 5 B1= Uraian
8 8 8 6 5 4 B2= Pilihan Ganda
B1 7 8 7 6 5 4 Y=Hasil belajar Matematika
9 8 6 5 4 5
8 7 6 5 5 4
8 7 7 6 5 3
8 7 6 5 4 5
6 6 6 7 8 8
6 6 6 8 7 8
6 6 5 7 7 8
5 5 5 7 7 7
4 4 5 7 8 7
B2 6 5 4 7 6 9
6 5 4 6 8 8
4 6 4 7 8 8
5 4 4 7 7 8
4 5 3 6 8 8

BAB XIII
ANALISIS KOVARIANS (ANKOVA)
A. Pendahuluan
Dalam penelitian eksperimen ada dua pendekatan untuk menekan terjadinya
bias atau kesalahan dalam menarik kesimpulan tentang pengaruh perlakuan
terhadap variabel kriterion. Pendekatan pertama, adalah kontrol kondisional melalui
pengembangan desain penelitian. Tujuan dari pengembangan desain ini adalah
untuk memastikan bahwa hasil-hasil yang diobservasi merupakan akibat dari
perlakuan atau treatment yang diberikan, bukan oleh variabel-variabel atau kausal
lain yang tidak diselidiki.
Dalam keadaan terpaksa, satu atau lebih variabel tidak dapat dikontrol secara
kondisional oleh peneliti karena keterbatasan penyelenggaraan eksperimen atau
karena alasan lain. Padahal peneliti sadar bahwa variabel-variabel tersebut
mempengaruhi (mengotori) hasil eksperimen. Menghadapi situasi ini, peneliti dapat
menempuh pendekatan kedua, yaitu kontrol secara statistik atau pendekatan statistik
melalui pengontrolan atau “pengendalian/penetralan/penyingkiran” satu atau aneka
variabel. Pendekatan kedua ini biasa disebut Analisis Kovarian atau dalam akronim
disebut Ankova.
Ankova dikembangkan oleh R.A. Fisher yang dipublikasikan pada tahun
1932. Desain Ankova pada dasarnya mempunyai kesamaan dengan Analisis Varians
(Anava). Esensi dari Ankova adalah penggunaan model regresi linear untuk
menghilangkan pengaruh variabel yang tak terkontrol yang biasa disebut variabel
pengiring atau kovariabel terhadap variabel kriterion. Pada penelitian pendidikan
kovariabel dapat berbentuk pre-tes, kemampuan awal, IQ dan lain-lain, yang jelas
keberadaan kovariabel berbasis teori dan sejak awal dimasukan dalam desain
penelitian. Dalam praktek, apabila kovariabelnya hanya satu variabel maka pengaruh
atau efek dari kovariabel tersebut dihilangkan dengan menggunakan model regresi
linear sederhana dan analisisnya merupakan kombinasi antara Anava dan Regresi
Linear Sederhana. Sedangkan bila kovariabelnya lebih dari dua variabel, pengaruh
atau efek dari kovariabel-kovariabel tersebut dihilangkan dengan menggunakan
model regresi linear ganda dan analisisnya merupakan kombinasi antara Anava dan
Regresi Linear Ganda (Multiple).
B. Tujuan
Ferguson (1981) mengemukakan bahwa Analisis Kovarians memiliki empat
tujuan, yaitu:
1. Sebagai prosedur kontrol statistis atas suatu atau beberapa variabel yang tidak
terkontrol secara kondisional atau luput dari kontrol eksperimental;
2. Sebagai metode untuk meningkatkan presisi atau kecermatan eksperimen
dengan mengurangi varians kesalahan (error variance);
3. Membantu peneliti dalam memahami atau mengkritisi efektivitas dari perlakuan
yang diselidiki;
4. Untuk menguji homogenitas dari serangkaian koefisien regresi.

C. Asumsi Analisis Kovarians
Asumsi untuk Analisis Kovarians merupakan kombinasi dari asumsi untuk
Analisis Varians dan asumsi untuk Analisis Regresi Linear. Asumsi yang paling
mendasar yang harus dipenuhi agar Analisis Kovarians menjadi sahih adalah:
1. Variabel pengiring/kovariabel (X) bersifat tetap, diukur tanpa kesalahan, dan tidak
berkorelasi (bebas) dengan perlakuan yang dicobakan. Asumsi ini menunjukkan
bahwa kovariabel (X) tidak dipengaruhi oleh perlakuan.
2. Koefisien regresi homogen diantara berbagai perlakuan. Asumsi ini merupakan
suatu keharusan yang perlu dipenuhi agar data percobaan yang dianalisis
dengan analisis kovarians menjadi sah.
3. Hubungan atau pengaruh antara kovariabel (X) dan variabel respons atau
kriterion (Y) harus bersifat linear dan bebas dari perlakuan atau kelompok
percobaan.
4. Galat percobaan harus muncul secara acak, berdistibusi normal dengan nilai
rata-rata sama dengan nol dan ragam atau varians 2.
D. Analisis Kovarians (Ankova) Satu Jalan

Untuk lebih jelasnya diberikan contoh, Ankova dengan satu kovariabel dalam
Ankova-1 jalan. Misalnya pengaruh pre-tes dalam penelitian eksperimen dengan
menggunakan randomized pre-post test control group design.
Y (post-test) = variabel kriterium
X (pre-test) = kovariabel
Penggunaan Analisis Kovarians adalah untuk menghilangkan pengaruh pre-test
terhadap post-test (variabel kriterium). Model statistik untuk analisis kovarians
diekspresikan sebagai berikut:
Yij = µ + i + (Xij - X t ) + ij,

i = 1, 2, 3, ....n;
j = 1, 2, 3,....m
Desain eksperimennya sebagai berikut:
R E O1 T1 O2
R K O3 T2 O4

Ankova -1 jalan dengan 1 kovariabel
E K
X1 Y1 X2 Y2
X1.1 Y1.1 X2.1 Y2.1
X1.2 Y1.2 X2.2 Y2.2
X1.3 Y1.3 X2.3 Y2.3
... ... ... ...
... ... ... ...
X1.n Y1.n X2.n Y2.n
Rumus dasar Ankova ditandai dengan adanya Jumlah Perkalian, Jumlah Kuadrat
Kovarabel (X) dan Jumlah Kuadrat Variabel Kriterium (Y), yang masing-masing
dituliskan sebagai berikut:
a. JPxy
b. JKx
c. JKy
Jumlah perkalian tersebut dihitung berdasarkan 3 sumber varians, yaitu: Total,
Dalam, dan Antar (JPT, JPD, dan JPA). Adapun langkah-langkah standar dalam
Ankova -1 Jalan sebagai berikut.
a. Menentukan Jumlah Perkalian (JP)
 X  Y 
JP (T) = X Y t t  t
nt
t
a
  X i  Yi   X t  Yt 
JP (A) = 
i 1  ni

nt


a   X  Y  , a = banyaknya kelompok
JP (D) =   X Y  i i
i
ni

i
i 1  
b. Menentukan Jumlah Kuadrat Kovariabel (X) : (JKx)
 X  2
JKx (T) = X nt
2
t  t
  X   X 
a
2 2

(A) =    i t
JKx 
i 1n  nt i 

a   X i  
2
JKx (D) =   X i 
2

i 1 
 n i 
c. Menentukan Jumlah Kuadrat Variabel Respon (Y) : (JKy)
 Y  2
JKy (T) = Y t
2

nt
t
a  Y   Y  2 2

(A) =    i t
JKy 

i 1 in nt 
a 
  Yi  
2
JKy (D) =   Yi 
2

i 1 
 n i 
d. Menentukan JKy yang sudah dikoreksi (disebut JKres), melalui langkah-langkah
sebagai berikut.
1) Menentukan Koefisien regresi Y atas X (bxy)
JP (T)
b xy (T) 
JK X (T)
JP (A)
b xy (A) 
JK X (A)
JP (D)
b xy (D) 
JK X (D)
2) Menentukan JKreg untuk berbagai sumber varians
JK reg (T)  b xy (T). JP (T)
JK reg (A)  b xy (A). JP (A)
JK reg (D)  b xy (D). JP (D)
3) Menentukan Jumlah Kuadrat Y Residu (JKres):
JK res (T)  JK y (T) - JK reg (T)
JK res (A)  JK y (A) - JK reg (A)
JK res (D)  JK y (D) - JK reg (D)
e. Menentukan derajat bebas (db)
db res(T) = nt – m – 1 (m = banyaknya kovariabel)
db res(A) = a – 1
db res(D) = nt – m – a (a = banyaknya kelompok)

f. Menghitung Rata-Rata Jumlah Kuadrat Residu (JK residu):
JK res (A)
RJK (A) 
db res (A)
JK res (D)
RJK (D) 
db res (D)
g. Menentukan harga F-hitung (Fhit) :

RJK res (A)
Fhit  bandingkan dengan Ftabel
RJK res (D)
Jika Fhit  Ftabel maka Ho diterima

Jika Fhit  Ftabel maka Ho ditolak
h. Uji lanjut
Selanjutnya jika Ho ditolak atau terdapat pengaruh perlakuan yang signifikan
setelah mengontol kovariabel (pre-tes), maka dilakukan uji lanjut dengan statistik
uji-t Ankova, dengan formula sebagai berikut:
Yres (i) - Yres (j)

t0 
1 1
RJK (D)   
n
 i n j 

Yres (i)  Y (i) - b xy X (i) - X ( t) 
Jika to  ttabel maka Ho diterima
Jika to  ttabel maka Ho ditolak
E. Contoh Penerapan Ankova

Suatu eksperimen yang ingin mempelajari pengaruh metode pembelajaran
terhadap hasil belajar Matematika siswa. Untuk mengetahui kondisi awal maka
sebelum perlakuan, baik kelompok eksperimen dan kelompok pembanding
semuanya diberi pre-tes. Data hasil penelitian disajikan pada tabel berikut.

A1 A2 A3
X Y X Y X Y
6 8 7 8 5 6
7 9 6 8 6 6
6 9 7 9 6 7
6 9 8 9 5 7
7 10 7 9 6 7
6 10 8 10 7 8
7 10 8 10 5 8
- - - - 6 9
Keterangan:
A1 = Metode Inquiri
A2 = Metode ekspositori
A3 = Metode konvensional
X = Pre-tes (kovariabel)
Y = Hasil belajar Matematika
Lakukan pengujian hipotesis tentang perbedaan rata-rata hasil belajar
Matematika sebagai pengaruh dari perlakuan (metode pembelajaran) setelah
mengontrol pre-tesnya.
Jawab:
Ho: µ1 = µ2 = µ3
H1 : bukan Ho
Untuk memudahkan perhitungan disusun tabel kerja sebagai berikut:

Tabel kerja/Persiapan
Statistik A1 A2 A3 Jumlah
X Y X Y X Y X Y
n 7 7 7 7 8 8 22 22
X i Y i
45 65 51 63 46 58 142 186
291 607 375 571 268 428 934 1606
X Y
2 2
i i
1,71 3,43 3,43 4 3,5 7,5 8,64 14,93

x y
2 2
i i
Xi Yi 6,43 9,29 7,29 9 5,75 7,25 6,45 8,45
 XY 419 462 335 1216
 xy 1,143 3 1,5 5,643

. 1. Jumlah Perkalian (JP)
 X  Y 
 X Y   nt = 1216 22  15,455
(142)(186)
t t
JP (T) = t t
  X  Y  ( X )( Y )

a
JP (A) =  
i i t t

 
i 1 ni  nt
(46)(58) (51)(63) (45)(65) (142)(186)
=     9,812
8 7 7 22
a 
JP (D) =   X i Yi 
 X i  Yi  = 1,143 + 3 + 1,5 = 5,643

n 1  nt 
2. Jumlah Kuadrat Kovariabel X (JKx)
JK (T) =  X 
 X  = 934  (142) 17,455
2 t
2 2
x t
nt 22
  X   ( X ) (46)
a
2
(51) (45)
2 2 2 2
(142) 2
JK (A) =  
i t
x  =     8,812
 n i 
i 1 nt 8 7 7 22
a 

JKx (D) =   X i 2
 X i  
2
 = 1,71 + 3,43 + 3,5 = 8,64

i 1  ni 
 
3. Jumlah Kuadrat Variabel Respon Y (JKy)
JK (T) =  Y 
 Y  = 1606  (186)  33,455
2 t
2 2
y t
nt 22
  Y   ( Y )
a
2
(58) (63) (65)
2 2 2 2
(186)2
JK (A) =  
i t
y  =    18,526
 n i 
i 1 nt 8 7 7 22
a 

JKy (D) =   Yi  2
 Yi  
2
 = 3,43 + 4 + 7,5 = 14,93

i 1  ni 
 
4. Koefisien Regresi (bxy)
JP (T) 15,455
b xy (T)  =  0,885
JK X (T) 17,455
JP (A) 9,812
b xy (A)  =  1,113
JK X (A) 8,812

JP (D) 5,643
b xy (D)  =  0,653
JK X (D) 8,64
5. Jumlah Kuadrat Regresi (JKreg):
JK reg (T)  b xy (T). JP (T) = (0,885)(15,455) = 13,678
JK reg (A)  b xy (A). JP (A) = (1,113) (9,812) = 10,921
JKreg (D)  b xy (D). JP (D) = (0,653) (5,643) = 3,685
6. Jumlah Kuadrat Y Residu (JKres):

JK res (T)  JK y (T) - JKreg (T) = 33,455 – 13,678 = 19,777
JK res (A)  JK y (A) - JKreg (A) = 18,526 – 10,921 = 7,605
JK res (D)  JK y (D) - JKreg (D) = 14,93 – 3,685 = 11,245
7. Menentukan derajat bebas (db) sumber varians Total, Dalam,dan Antar
db res(T) = nt – m – 1 = 22 - 1 – 1 = 20 (m =1)
db res(A) = 3 – 1 = 2
db res(D) = nt – m – a = 22 – 1 – 3 = 18 (a = 3)
8. Menyusun tabel Ankova

Tabel Ankova
Sumber Total Dalam Antar
JKXY 15,455 5,643 9,812
JKX 17,455 8,643 8,812
JKY 33,455 14,93 18,526
bXY 0,885 0,653 1,113
JKregresi 13,675 3,685 10,921
JKresidu 19,777 11,245 7,605
db 20 18 2
RJKresidu 0,9885 0,6247 3,8025
Fhitung = RJKres(A) 3,8025
  6,0867
RJKres(D) 0,6247
Ftabel F(0,05)(2:18) = 3,55 dan F(0,01)(2:18) = 6,01

Fhitung > Ftabel atau Ho ditolak, sehingga dapat disimpulkan bahwa terdapat
perbedaan rata-rata hasil belajar Matematika yang signifikan antara siswa
diberi metode inquiri, ekspositori, dan konvensional setelah mengontrol pre-
tes. Dengan kata lain, walaupun pre-tes telah dikontrol, metode pembelajaran
(sebagai perlakuan) tetap berpengaruh nyata terhadap hasil belajar
matematika.
9.Uji lanjut (pos hoct test)

Karena hasil uji F pada Ankova adalah signifikan, maka dilakukan uji lanjut
dengan statistik uji-t sebagai berikut.
Statistik A1 A2 A3 Jumlah
N 7 7 8 22
X 6,43 7,29 5,75 6,45
9,29 9,00 7,25 8,45
Y
bxy 0,653

Yres (i)  Y (i) - b xy X (i) - X (t)  dimana i = 1, 2, 3

Yres(1)  Y (1) - b xy X (1) - X (t)  = 9,29 – (0,653)(6,43 – 6,45) = 9,30

Yres (2)  Y (2) - b xy X (2) - X (t)  = 9,00 – (0,653)(7,29 – 6,45) = 8,45

Yres(1)  Y (3) - b xy X (3) - X (t)  = 7,25 – (0,653)(5,75 – 6,45) = 7,71
Selajuntnya perbedaan rata-rata nilai-nilai residu tersebut, di uji dengan statistik

uji t- ankova, sebagai berikut:
Yres (i) - Yres (j)
t hitung  untuk derajat bebas dalam = db (D)
1 1
RJK (D)   
n 
 i nj 
Adapun hipotesis statitistik yang akan diuji berturut-turut:
(i) Ho : µ1 ≤ µ2 (ii) Ho : µ2 ≤ µ3 (iii) Ho : µ1 ≤ µ3
H1 : µ1  µ2 H1 : µ2  µ3 H1 : µ1  µ3
Dibandingkan dengan t tab :
ttab = t(0,05)(18) = 1,73
ttab = t(0,01)(18) = 2,55

9,30 - 8,45 0,85
t (A1 & A2)    2,01 (*)
1 1 0,422
0,6247   
7 7
8,45 - 7,71
t (A2& A3)   1,81 (*)
1 1
0,6247   
7 8
9,30 - 7,71 1,59
t (A1 & A3)    3,87 (**)
1 1 0,41
0,6247   
7 8
Kesimpulan dari hasil uji lanjut:

(a) Rata-rata hasil belajar Matematika siswa yang diberi metode inquiri lebih
tinggi dari pada metode ekspositori setelah mengontrol pre-tesnya.
(b) Rata-rata hasil belajar Matematika siswa yang diberi metode ekspositori lebih
tinggi dari pada metode konvensional setelah mengontrol pre-tesnya.
(c) Rata-rata hasil belajar Matematika siswa yang diberi metode inquiri lebih
tinggi dari metode konvensional setelah mengontrol pre-tesnya.
F. Efiseiensi Relatif dan Ketepatan Model
1. Efisiensi Relatif (ER)
Untuk melihat efisiensi relatif dari analisis kovarians (setelah mengontrol pre-
tes) terhadap analisis varians (tidak melakukan mengontrol pre-tes), dapat
digunakan rumus efisiensi relatif (ER) berikut ini.
RJK y D (tidak dikoreksi)
ER  X 100% , dimana:
RJK y D (efektif setelah dikoreksi)
JK y (D)14,93 14,93
RJK y D(tidak dikoreksi)     0,829
nt  m  a 22  1  3 18
 JK X (D) 
RJK y D(efektif setelah dikoreksi)  RJKres (D)  1  
 (a  1). JK X (D) 
 8,812 
RJK y D(efektif setelah dikoreksi)  0,6247  1    0,943
 (31) (8,643) 
0,829
ER  X100%  0,88X100%  88% .
0,943
Terlihat bahwa dengan menggunakan analisis kovarians terhadap perlakuan
diatas mampu meningkatkan ketepatan pendugaan sekitar 88%. Jadi analisis
kovarians lebih efisien dibandingkan menggunakan analisis varians.

2. Pemeriksaan Ketepatan Model
Suatu model dikatakan tepat apabila persyaratan asumsi dari model yang
digunakan dapat dipenuhi, oleh karena itu suatu model yang telah berhasil
dibangun perlu diperiksa kembali sejauhmana ketepatan modelnya. Model
analisis kovarians di atas telah dibangun untuk menjawab permasalahan
tentang pengaruh metode pembelajaran yang dicobakan/diberikan terhadap
hasil belajar matematika (Y) dengan mempertimbangkan adanya pengaruh
pre-tes (X).
Pemeriksaan kembali model yang telah dibangun berdasarkan asumsi yang
telah diajukan dilakukan sebagai berikut.
a. Pengujian ketepatan penggunaan kovariabel X dalam model
Pengujian apakah benar pre-tes X mempengaruhi hasil belajar
matematika Y sehingga perlu menggunakan Ankova. Hal ini berarti kita
akan menguji koefisien regresi Y atas X, melalui hipotesis berikut:
Ho:β =0; pre-tes X tidak mempengaruhi hasil belajar matematika yang
dihasilkan oleh metode pembelajaran
H1:β ≠ 0; pre-tes X berpengaruh terhadap hasil belajar matematika yang
dihasilkan oleh metode pembelajaran
Statistik uji yang digunakan adalah sebagai berikut.
(JP(D)2 /JK X (D) (5,643)2 /(8,64)
Fo    5,90
RJKres(D) 0,6247
F(0,05)(1; 18) = 4,41 F(0,01)(1; 18) = 8,29
Karena Fo = 5,90 > Ftab = 4,41, maka Ho ditolak, hal ini berarti terdapat
pengaruh pre-tes X terhadap hasil belajar matematika Y. Dengan
demikian pelibatan pre-tes X dalam model Anakova adalah tepat.
b. Pengujian terhadap asumsi bahwa metode pembelajaran tidak
berpengaruh (berkorelasi) terhadap pre-tes X
Ho: tidak ada hubungan antara perlakuan metode pembelajaran dengan
pre-tes X yang dilibatkan dalam model.
H1: Bukan Ho
Statistik uji yang digunakan adalah sebagai berikut.
(JK X (A)) /(a - 1) (8,812)/2
Fo    9,69
(JK X (D)) /(nt - a) (8,643)/19
F(0,05)(2; 19) = 3,52 F(0,01)(2; 19) = 5,93
Karena Fo > Ft, maka Ho ditolak, berarti metode pembelajaran yang
diberikan mempengaruhi pre-tes X. Jadi model diatas tidak tepat karena
tidak memenuhi salah satu asumsi tentang kebebasan antara pre-tes X
dan perlakuan metode pembelajaran. Walaupun secara statistik terdapat
korelasi yang signifikan antara metode pembelajaran terhadap pre-tes,
namun demikian melalui desain perlakuan telah disusun sedemikian
sehingga penggunaan pre-tes dan sejenisnya terutama dalam eksperimen
bidang pendidikan selalu dilakukan sebelum perlakuan diberikan. Karena

pre-tes selalu diberikan sebelum perlakuan, maka secara teoretis skor
pre-tes yang diperoleh dapat dipastikan bukan dipengaruhi oleh
perlakuan. Dengan demikian secara teoretis asumsi bahwa metode
pembelajaran tidak berpengaruh (berkorelasi) terhadap pre-tes X
terpenuhi.
c. Pengujian terhadap kehomogenan (sama) koefisien regresi masing-
masing perlakuan (A1, A2, dan A3)
Hipotesis yang akan diuji:
Ho: β1 = β2 = β3 (artinya ketiga koefisien regresi sama)
H1: Bukan Ho
Langkah-langkah pengujian (gunakan data pada tabel kerja):
1) Menentukan koefisien regresi, dengan rumus (bi) =

x y i i
x
2
i
Dari tabel kerja diperoleh nilai-nilai untuk:
 x  3,5;  x  3,43;  x
2 2 2
1 2 3  1,71
 x y  1,5;  x y  3;  x y
1 1 2 2 3 3  1,143
(b1) =
 x y  1,5  0,429
1 1
x
2
1
3,5
(b2) =
 x y  3  0,875
2 2
x
2
3,43
2
(b3) =
 x y  1,143  0,668
3 3
x 3
1,71 2
2) Menentukan jumlah kuadrat regresi (JKreg)

Rumus yang digunakan: JKreg (Ai) = b i xi yi 
JKreg (A1) = b1x y 1 1  (0,429)(1,5)  0,6435
JKreg (A2) = b  x y 2 2 2  (0,875)(3)  2,625
JKreg (A3) = b  x y 3 3 3  (0,668)(1,143)  0,764
3) Menentukan jumlah total kuadrat residu (JKres)
Rumus yang digunakan:
 x y
2
JKres (Ai) = JK total (Ai) – JKreg (Ai) = yi  bi i i
JKres (A1) = 7,5 - 0,6435  6,857

JKres (A2) = 4 - 2,625  1,375
JKres (A3) = 3,43  0,764  2,666

Sehingga total JKres (Ai) = ∑JKres (Ai) = 6,857 + 1,375 + 2,666 = 10,898,
dengan derajat bebas (db) = ∑(ni - k -1) = nt – 2ni = (8 - 1 -1) + (7 - 1 -1) +
(7 - 1 -1) = 22 – 6 = 16.
4) Menghitung Fo
Dalam kovarians kita telah menghitung koefsien regresi seluruh
perlakuan metode A1, A2, dan A3, yaitu sebesar: bxy = 0,6247
Hipotesis yang ingin diuji pada bagian ini adalah apakah benar ketiga
koefisien korelasi regresi yang didapatkan dari masing-masing metode
pembelajaran, yaitu: (b1) = 0,429, (b2) = 0,875 dan (b3) = 0,688 dapat
dianggap sama (homogen), sehingga kita cukup menghitung satu
koefisien regresi untuk semua pemberian metode pembelajaran, yaitu
sebesar bxy = 0,6247? Jadi asumsi tentang kehomogenan ketiga
koefisien regreasi ini yang akan diuji, melalui perbandingan antara
selisih rata-rata jumlah kuadrat residu (galat) seluruh perlakuan dengan
rata-rata jumlah kuadrat residu masing-masing perlakuan dan rata-rata
jumlah kuadrat residu masing-masing perlakuan.
Rasio pebandingan tersebut di atas, diperlihatkan oleh statistik uji

berikut.
(JKres(D) -  JKres(Ai ))/(a - 1) (11, 244 - 10,898)/2
Fo    0,51ns
( JKres (A i )) /  (n i  k  1) (10,898)/16
F(0,05)(2; 16) = 3,63 F(0,01)(2; 16) = 6,23
Karena Fo ≤ Ft, maka Ho diterima, artinya memang benar ketiga
koefisien regresi adalah homogen. Jadi asumsi kehomogenan koefisien
regresi untuk setiap perlakuan dengan metode pembelajaran terpenuhi.

G. Latihan
1. Jelaskan perbedaan konsep antara Anava-1 jalan dengan Ankova -1 jalan.
2. Jelaskan keunggulan penggunaan Analisis Kovarians untuk memperbaiki kualitas
kesimpulan penelitian. Berikan pula alasan mengapa menggunakan Ankova.
3. Jelaskan tujuan dari Ankova, dan asumsi-asumsi apa saja yang menjadi
persyaratan penggunaan Ankova.
A1 A2 A3
X1 Y1 X2 Y2 X3 Y3
4 3 5 5 6 8
4 4 6 6 6 8
5 4 6 6 7 9
6 5 6 7 7 9
4 3 6 7 8 10
5 4 7 8 9 10
5 4 8 8 9 10
Lakukan pengujian hipotesis dengan langkah-langkah standar dalam desain

ANKOVA untuk menguji perbedaan rata-rata Y1, Y2, dan Y3 dengan mengontrol
pengaruh X1, X2, dan X3.

A1 A2 A3 A4
X1 Y1 X2 Y2 X3 Y3 X4 Y4
3 4 4 5 5 6 5 7
3 5 4 7 5 7 6 8
4 5 5 6 6 8 6 8
5 5 5 6 6 8 7 8
5 6 6 7 7 9 7 9
5 6 6 7 7 9 8 10
5 6 6 8 7 9 8 10
6 7 6 7 8 9 8 10
6 7 7 8 8 10 9 10
Lakukan pengujian hipotesis dengan langkah-langkah standar dalam desain
ANKOVA untuk menguji perbedaan rata-rata Y1, Y2, Y3, dan Y4 dengan
mengontrol pengaruh X1, X2, X3, dan X4.
Selamat berlatih semoga berhasil!

BAB XIV
STATISTIKA NON-PARAMETRIK
Uji non-parametrik adalah pengujian yang dilakukan pada data dimana

distribusi induknya tidak berdistribusi normal atau skalanya dalam level ordinal atau
nominal atau variabelnya adalah dikhotomi atau dapat didikhotomikan. Untuk dapat
memperoleh tingkat kepercayaan atau presisi yang sama atau hampir menyamai
pengujian parametrik maka pengujian non-parametrik memerlukan ukuran sampel
yang lebih besar.
A. Uji Non-parametrik Hubungan Asosiasi
1. Chi- Square (Kai-Kuadrat) (2)
Untuk menguji hipotesis mengenai hubungan antara dua variabel, dimana salah
satu atau kedua variabelnya berukuran nominal dapat menggunakan teknik Chi-
Square. Pengujian adanya hubungan antara dua variabel tersebut dengan
menggunakan statistik Chi-Square dilakukan dengan menguji perbedaan
frekuensi dari kelompok sampel. Sebagai contoh untuk menguji apakah ada
hubungan antara jenis kelamin dengan tingkat pendidikan, dilakukan dengan
menguji apakah ada perbedaan frekuensi yang berpendidikan tinggi antara
kelompok sampel wanita dan kelompok laki-laki.
Kekuatan hubungan antara kedua variabel dinyatakan dengan koefisien
Kontingensi, dengan rumus sebagai berikut.
2 b k (Oij  E ij ) 2
C 
2  N
dengan  2  
i 1 j 1 E ij
Oij = frekuensi observasi baris ke-i kolom ke-j
Eij = frekuensi ekspektasi (harapan) baris ke-i kolom ke-j
(Jumlah baris ke - i )(Jumlah kolom ke - j)
E ij 
Jumlah seluruh Data
b = cacah baris
k = cacah kolom
db = derajat kebebasan = (b -1)(k – 1)
Contoh 1
100 orang dipilih sebagai sampel yang terdiri dari 53 wanita dan 47 laki-laki,
ternyata tingkat pendidikan mereka seperti disajikan pada tabel berikut.

Tingkat Jenis Kelamin Jumlah
Pendidikan Laki-Laki Wanita
SMP 10 20 30
SMA 15 23 38
Sarjana 22 10 32
Jumlah 47 53 100
Untuk  = 0.05, lakukan pengujian hipotesis atas rumusan masalah “apakah
terdapat hubungan antara jenis kelamin dengan tingkat pendidikan”. Berikan
kesimpulan anda!
Jawab:
Hipotesis
H0:  = 0
H1:   0
(Jumlah baris ke - i )(Jumlah kolom ke - j)
E ij 
Jumlah seluruh Data
30x47 30x53
E11   14,10 E12   15,90
100 100
38x47 38x53
E 21   17,86 E 22   20,14
100 100
32x47 32x53
E 31   15,04 E 32   16,96
100 100
Tabel Persiapan untuk menghitung 2
Jenis Tingkat 2
(Oij E ij ) 2
Oij Eij (Oij - Eij) (Oij - Eij)
Kelamin Pendidikan E ij
Laki-Laki SMP 10 14,10 -4,10 16,810 1,1922
SMA 15 17,86 -2,86 8,180 0,4578
Sarjana 22 15,04 6,96 48,44 3,2207
Wanita SMP 20 15,90 4,10 16,810 1,0572
SMA 23 20,14 2,86 8,180 0,4062
Sarjana 10 16,96 -6,96 48,44 2,8561
Jumlah 100 - - - 9,1902

3 2 (Oij  E ij ) 2
Dari hasil perhitungan pada tabel diperoleh,  2  
i 1 j 1 E ij
= 9,19.
Untuk menguji apakah nilai 2 = 9,19 signifikan atau tidak, harus dibandingkan
dengan nilai pada tabel Kai- Kuadrat (2tab) dengan derajat kebebasan:
(db) = (b – 1)(k – 1) = 2, dimana;
b = jumlah taraf dari jenis kelamin
k = jumlah taraf dari tingkat pendidikan
2 2
Sehingga: 2tab = 2(2)(0,05) = 5,991, ternyata 2 = 9,19 >  tab atau H0 ditolak.
Dengan demikian terdapat hubungan signifikan antara jenis kelamin dengan
tingkat pendidikan atau terdapat perbedaan prosentase tingkat pendidikan
diantara jenis kelamin laki-laki dan wanita.
X2 9,19
Koefisien Kontingensi (KK)=   0,084  0,29 .
X2  N 9,19  100
Dengan demikian dapat disimpulkan bahwa 8,4 % tingkat pendidikan dapat
dijelaskan oleh perbedaan jenis kelamin.
Khusus untuk tabel silang/data (2x2) dapat menggunakan rumus Chi Square :
N(AD - BC) 2
2  .
(A  B)(C  D)(A  C)(B  D)
Perhitungannya dilakukan dengan langkah-langkah berikut.
1) Masukkan data dalam tabel 2 x 2
A B A+B
C D C+D
A+C B+D
2) Hitung Chi Square
N(AD - BC) 2
o2 
(A  B)(C  D)(A  C)(B  D)
3) Menentukan apakah pengujian satu ekor atau dua ekor.
4) Bandingkan dengan X2tabel.
Contoh 2
Apakah terdapat hubungan jenis pekerjaan dengan jenis transportasi yang
digunakan saat bepergian melakukan aktivitas. Telah diambil sampel N = 300
orang dari pegawai (PNS dan Non-PNS), ternyata 200 orang menyatakan

menggunakan kendaraan pribadi dan 100 orang menggunakan kendaraan
umum. Tabel berikut hasil observasinya.
Jenis
PNS Non-PNS Total
Transportasi
Kendaraan 130 70 200
Pribadi
Kendaraan 55 45 100
Umum
Total 185 115 300
Jawaban:
H0: Tidak terdapat hubungan jenis pekerjaan dengan jenis transportasi
H1 : Terdapat hubungan jenis pekerjaan dengan jenis transportasi
N(AD - BC) 2
o2 
(A  B)(C  D)(A  C)(B  D)
300 (130)(45)- (70)(55) 2 12000
o2    2,82
(200)(100)(185)(115) 4255
=  ( 0, 05)( db )
2
Untuk  = 5% maka  tab
2
db = (2 – 1)(2 – 1) = 1, diperoleh  tab

2
=  (20,05)( db ) = 3,841,  02   tab
2
atau H0
diterima. Dengan demikian Tidak ada hubungan jenis pekerjaan dengan jenis
transportasi yang digunakan saat bepergian melakukan aktivitas.
2. Gamma (), Tau- a (a) dan Tau- b (b)

Gamma (), Tau- a (a) dan Tau- b (b) dapat digunakan untuk menguji
hipotesis mengenai hubungan antara dua variabel diskrit dengan skala
pengukuran ordinal. Perbedaanya pada tingkat presisi dan kesesuaiannya
dengan tabulasi silang data yang akan digunakan untuk menguji hipotesis. Untuk
tabulasi silang dimana jumlah baris tidak sama dengan jumlah kolom, Tau- b
lebih tepat digunakan (mempunyai presisi lebih tinggi), walalupun dapat juga
menggunakan Tau- a atau Gamma.
Langkah-langkah menguji hipotesis dengan teknik Gamma (), Tau- a (a) dan
Tau- b (b) adalah sebagai berikut.
a. Data yang telah terkumpul dikategorikan dan disusun dalam bentuk tabulasi
silang.
b. Menghitung nilai Gamma (), Tau- a (a) dan Tau- b (b).
c. Nilai Gamma (), Tau- a (a) dan Tau- b (b) yang diperoleh selanjutnya
ditransformasikan ke Z-skor.

d. Nilai Z-skor yang diperoleh dibandingkan dengan tabel Z pada  tertentu.
e. Kriteria penilaian, tolak H0 jika Z > Ztab dan terima H0 jika Z  Ztab
Rumus untuk menghitung Gamma, Tau-a, dan Tau-b masing-masing sebagai

berikut (Loether J. Herman, 1980):
Ns - Nd
G 
Ns  Nd
a  Ns - Nd
1
N(N - 1)
2
Ns - Nd
b 
(Ns  Nd  Tx)(Ns  Nd  Ty)
dimana:
G = Gamma
a = Tau –a
b = Tau – b
Ns = Jumlah kross product pasangan yang konsisten
Nd = Jumlah kross product pasangan yang tidak konsisten
Tx = Jumlah hasil kali unsur dalam kolom (X)
Ty = Jumlah hasil kali unsur dalam baris (X)
Rumus transformasi dari Gamma, Tau- a, dan Tau –b, ke Z skor, masing-masing
dinyatakan:
5) Transformasi Gamma
( Ns  Nd)
Z=(G-)
N(1 - G 2 )
6) Transformasi Tau –a
ta
Z=
2 ( 2N  5)
9 N (N - 1)
7) Transformasi Tau – b
S
Z=
S Es

dimana:
S = Nd - Ns
1 b k
SEs2 =
18
{ N(N - 1)(2 N  5) -  n i (n i  1)(2n i  5)   n j (n j  1)(2n j  5)} +
i 1 j 1
1 b  k 
 n i (n i  1)(n j  2) n j (n j  1)(n j  2) +
9 N(N - 1)(N - 2)  i 1  j 1 
1 b  k 
 n i (n i  1)  n j(n j  1)
2 N (N - 1)  i 1   j 1 
b = cacah baris
k = cacah kolom
Contoh 3: (Rumus Gamma)

Data hasil penelitian dalam bentuk table silang mengenai hubungan tingkat
pendidikan dan penghasilan disajikan sebagai berikut.
Tingkat Pendidikan
Tingkat Jumlah
Penghasilan Rendah Sedang Tinggi
Rendah 90 60 40 190
Sedang 60 80 60 200
Tinggi 50 60 100 210
Jumlah 200 200 200 600
Langkah-langkah perhitungan dengan uji Gamma sbb:

(1) Merumuskan hipotesis statistik:
H0 :  = 0
H1 :  > 0
(2) Menghitung Nd dan Ns
Ns = 90 (80+60+60+100) + 60 (60+100) + 60 (60+100) + 80 (100) = 54200
Nd = 40 (60+50+80+60) + 60 (60+50) + 60 (50+60) + 80 (50) = 27200

.

(3) Menetapkan kriteria (dari tabel)
Ztab = Z(0,05) = 1,96
(4) Menghitung koefisien Gamma, dengan rumus

Ns - Nd 54200 - 27200 27000
G  =   0,33169
Ns  Nd 54200  27200 81400
(5) Transformasi Gamma ke Z (pada  = 0)

( Ns  Nd)
Z0 = ( G -  )
N(1 - G 2 )
81400
Z0 = ( 0,33169 - 0)  (0,33169) 152,438  4,095
600(1 - 0,110018)
(6) Membandingkan dengan kritera pengujian (Z0 dan Ztab)

Z0 = 4,095 > Ztab = 1,96 atau H0 ditolak.
(7) Membuat kesimpulan

Karena Z0 > Ztab atau H0 ditolak, berarti terdapat hubungan positif antara
tingkat pendidikan dengan tingkat penghasilan, dengan kata lain makin tinggi
pendidikan maka makin tinggi pula penghasilan. Dari koefisien Gamma
diperoleh koefisien determinasinya G2 = 0,331692 x 100% = 11% atau 11%
tingkat penghasilan dapat dijelaskan oleh tingkat pendidikan.
Contoh 4: (Rumus Tau-a)

Dengan menggunakan nilai Ns dan Nd, dapat dihitung koefisien Tau- a (a)
sebagai berikut:
Ns = 54200 dan Nd = 27200

a  Ns - Nd  54200 - 27200  27000  0,15025
1 1 179700
N(N - 1) 600(600- 1)
2 2
ta 0,15025 0,15025
Z0 = =   5,505
2 ( 2N  5) 2 ( 2x600  5) 0,02730
9 N (N - 1) 9 x600 (600 - 1)
Bandingkan dengan Ztab = Z(0,05) = 1,96
Z0 = 5,505 > Ztab = 1,96 atau H0 ditolak.
Karena Z0 > Ztab atau H0 ditolak, berarti terdapat hubungan positif antara tingkat
pendidikan dengan tingkat penghasilan, dengan kata lain makin tinggi pendidikan

maka makin tinggi pula penghasilan. Dari koefisien Tau-a diperoleh koefisien
determinasinya a2 = 0,150252 x 100% = 2,26% atau 2,26% tingkat penghasilan
dapat dijelaskan oleh tingkat pendidikan.
Contoh 5: (Rumus Tau-b)

Dengan menggunakan nilai Ns dan Nd, dapat dihitung koefisien Tau- b (b)
sebagai berikut:
Ns = 54200
Nd = 27200
S = 54200 – 27200 = 27000
Ns + Nd = 54200 + 27200 = 81400
Tx = 90(60+ 50) +60(50)+60(80+60)+ 80(60)+ 40(60+100)+ 60(100)=38500
Ty = 90(60+ 40) +60(40)+60(80+60)+ 80(60)+ 50(60+100)+ 60(100)= 38600
Ns - Nd
b 
(Ns  Nd  Tx)(Ns  Nd  Ty)
27000
b 
(54200 27200 38500)(54200 27200 38600)
27000 27000
   0,225094
(119900)(120000) 119949,99
1 b k
SEs2 =
18
N(N -1)(2 N  5) - n
i 1
i (n i  1)(2n i  5)   n (n
j 1
j j  1)(2n j  5) +
1 b  k 
 i i n ( n  1)( n j  2)  n j (n j  1)(n j  2) +
9 N(N - 1)(N - 2)  i 1  j 1 
1 b  k 
 i i n ( n  1)   n j(n j  1)
2 N (N - 1)  i 1   j 1 
1
SEs2= { (600)(599)(1205) - ((190)(189)(385)  (200)(199)(405)  (210)(209(425))
18
 ((200)(199)(405) ((200)(199)(405)  (200)(199)(405)) 
1
 (190)(189)(188)  (200)(199)(198)  (210)(209)(208 )
9(600)(599)(598)
1
(200)(199)(198)  (200)(199)(198)  (190)(189) 
2(600)(599)
(200)(199)  (210)(209)  (200)(199)  (200)(199)  (200)(199)

1
SEs2 = { (433077000 48597600 48357000)} +
18
1
 (6751080)  (7880400)  (9129120))
1934290800
(7880400)  (7880400)  (7880400) 
1
(35910)  (39800)  (43890)(39800)  (39800)  (39800)
718800
1 1
{ 336122400}  (23760600)(23641200)
18 1934290800
=
1
(119600)(119400)
718800
= 18673466,67  290405,7119  19418,28047  18983290,66
SEs = 18983290,66  4356,982

S 27000
Z0 =   6,197
SEs 4356,982
Bandingkan dengan Ztab = Z(0,05) = 1,96
Z0 = 6,197 > Ztab = 1,96 atau H0 ditolak. Hal ini berarti terdapat hubungan
positif antara tingkat pendidikan dengan tingkat penghasilan, dengan kata lain
makin tinggi pendidikan maka makin tinggi pula pengasilan. Dari koefisien Tau-a
diperoleh koefisien determinasinya b2 = 0,2252 x 100% = 5,06% atau 5,06%
tingkat penghasilan dapat dijelaskan oleh tingkat pendidikan.
B. Uji Non-parametrik Korelasi Peringkat

1. Koefisien Korelasi Peringkat Spearman
Koefisien korelasi peringkat Spearman atau koefisien korelasi rho-Spearman,
digunakan jika kedua variabel yang akan diuji hubungannya mempunyai skala
minimal harus ordinal, sehingga skor dapat diurutkan menurut besar-kecilnya.
Koefisien korelasi peringkat Spearman (Spearman rank) dinyatakan dengan
formula sebagai berikut.
6 d2
s  1 -
N(N 2 - 1)
dimana,
s = koefisien korelasi Spearman
N = banyak pasangan
d = selisih peringkat
.

Contoh 1: Berdasarkan 2 juri disajikan peringkat peserta pada tabel berikut.
Tabel 52. Peringkat peserta lomba menurut 2 Juri
2
Nama Peringkat Peringkat d d
dari Juri I dari Juri II
Daffa 3 5 -2 4
Ade 4 3 1 1
Rudi 6 6 0 0
Juredi 5 4 1 1
Ghina 2 1 1 1
Rahul 1 2 -1 1
Roshan 8 7 1 1
Sani 7 8 -1 1
Jumlah - - 0 10
6 d 2 6 x 10
ρs  1 - 2
1  0,881
N(N - 1) 8(82 1)
Uji signifikansi koefisien korelasi
H0: s ≤ 0 Vs H1: s  0
Untuk N = 8, dan  = 0.05 diperoleh harga kritis tata jenjang Spearmen (rtabel)
=0,643 (lihat Daftar E), sehingga Ho ditolak. Koefisien rho Spearman dapat
ditransformasi ke statistik uji-t, dengan rumus berikut.
N 2 8- 2
t0   s 2
 0,881  4,56 , db = N – 2 = 8 -2 = 6
1 s 1- 0,8812
ttab = 1,943 ( = 0.05), sehingga t0 > ttab atau H0 ditolak. Dengan demikian
terdapat hubungan atau konsistensi postif dari peringkat yang ditentukan oleh
kedua Juri.
Contoh 2: Skor sepuluh finalis suatu lomba berdasarkan penilaian 2 orang Juri
Tabel 53. Skor Finalis Lomba Menurut Penilaian Juri
Nama Nilai dari Nilai dari Rank Rank d d2
Juri I (Xi) Juri II(Yi) (Xi) (Yi)
Wati 75 (7) 78 (6) 7 6 1 1
Amir 70 (8) 65 (10) 8 10 -2 4
Husni 78 (4) 76 (7) 4,5 7 -2,5 6,25
Husna 80 (3) 80 (3) 3 3,5 -0,5 0,25
Adib 76 (6) 79 (5) 6 5 1 1
Imam 78 (5) 80 (4) 4,5 3,5 1 1
Wala 90 (1) 90 (1) 1 1,5 -0,5 0,25
Via 65(10) 68 (9) 10 9 1 1
Sabide 85 (2) 90 (2) 2 1,5 0,5 0,25
Bibi 68 (9) 69 (8) 9 8 1 1
Jumlah - - - 0 16

Bila terdapat nilai yang sama, maka cara merankingnya adalah: misalnya pada Xi
= 78 mempunyai dua rank, yaitu rank 4 dan 5, maka rankingnya menjadi (4+5)/2
= 4,5.
6 d 2 6 x 16
ρS  1 - 2
1  0,903
N(N - 1) 10(102  1)
H0: s ≤ 0 Vs H1: s  0
N2 10 - 2
t 0  ρs 2
 0,903  5,946 , db = 10 -2 = 8
1  ρs 1- 0,9032
ttab = 1,86 ( = 0.05), sehingga t0  ttab atau H0 ditolak. Dengan demikian
terdapat hubungan atau konsistensi positif dari peringkat yang ditentukan kedua
Juri.
1. Koefisien Korelasi Peringkat Kendall

Sebagaimana koefisien korelasi rho-Spearman maka Koefisien korelasi peringkat
Kendall  (tau) juga mempelajari koefisien korelasi jenis data peringkat.
Koefisien korelasi peringkat Kendall  (tau) diekspresikan dengan formula
sebagai berikut.
S 2S
 =  dengan
1/2 N(N - 1) N(N - 1)
 = koefisien korelasi Kendall
N = banyak pasangan yang mungkin
S = jumlah skor wajar yang terjadi
Contoh 3: Peringkat kenetralan siaran 8 TV Swasta menurut penilaian dua
Pakar Komunikasi, disajikan pada berikut.
Inisial A B C D E F G H
Pakar I 2 3 6 7 8 1 5 4
Pakar II 1 4 6 8 7 2 3 5
Langkah-langkah perhitungan:
(i) Urutkan salah satu peringkat secara wajar. Misalnya menurut Pakar I.
Inisial F A B H G C D E
Pakar I 1 2 3 4 5 6 7 8
Pakar II 2 1 4 5 3 6 8 7

(ii) Menghitung skor posisi peringkat wajar
Mengingat peringkat dari Pakar I yang telah disusun secara wajar, maka
derajat kesesuaian kedua kelompok ditentukan oleh peringkat pada Pakar II.
Misalnya urutan wajar Pakar II adalah (2 mendahului 1 jadi tidak wajar, ke
posisi angka lainnya wajar, angka wajar diberi skor + 1 dan yang tidak wajar
-1), sehingga:
2  (-1) + (1) + (1) + (1) + (1) + (1) + (1) = 5
1  (1) + (1) + (1) + (1) + (1) + (1) = 6
4  (1) + (-1) + (1) + (1) + (1) = 3
5  (-1) + (1) + (1) + (1) = 2
3  (1) + (1) + (1) = 3
6  (1) + (1) = 2
8  (-1) = -1
Jumlah skor wajar (S) = 5 + 6 + 3+ 2 + 3 + 2 -1= 20
(iii) Menentukan Skor maksimum, dengan formula:
n!
n C2 =  1/2N(N  1)
2! (n  2)!
(iv) Menghitung koefisien korelasi Peringkat Kendall
S 2 x 20 40
=    0,714 .
1/2 N(N - 1) 8(8 - 1) 56
Jadi koefisien korelasi Kendall sebesar 0,714. Bila terjadi peringkat kembar dapat
digunakan rumus koreksi dari koefisien korelasi peringkat Kendall, sebagai
berikut.
S
 =
(1/2N(N - 1) - 1/2 ( t(t - 1))(1/2N(N -1) -1/2 t(t - 1))
X Y
Keterangan: t = banyaknya skor berperingkat sama pada setiap kelompok.
Contoh 4: Peringkat 8 calon Word Class University (WCU) menurut penilaian

dua Pakar Pendidikan disajikan pada berikut.
Pakar I 2,5 2,5 6 6 6 1 8 4
Pakar II 1,5 1,5 5 6 7 3 8 4
Urutan secara wajar menurut Pakar II (dapat dimulai di Pakar I)
Inisial A B F H C D E G
Pakar II 1,5 1,5 3 4 5 6 7 8
Pakar I 2,5 2,5 1 4 6 6 6 8

S = (5 – 1) + (5 – 0) + (4 – 0) + (1 – 0) = 14
S
=
(1/2N(N - 1) - 1/2 ( t(t - 1))(1/2N(N-1) -1/2 t(t - 1))
X Y
14
=
(1/2(8)(7)- 1/2(2)(1))(1/2(8)(7)- 1/2[(2)(1) (3)(2)(1))
14 14
=   0,550 (koefisien korelasi kendall)
(28 - 1)(28 - 4) (27)(24)
H0: = 0 Vs H1:   0
S 1
z
N(N - 1)(2N  5)/18
Untuk contoh 4 diatas, diperoleh:

S 1 14 1 13
z =   1,35
N(N - 1)(2N  5)/18 (8)(7)(2x8 5)/18 56x1,1667
Untuk  = 0.05  Ztab = 1,96 dan untuk  = 0.01  Ztab = 2,58 sehingga Z <
Ztab, pada  = 0.05 atau H0 diterima. Dengan demikian tidak terdapat hubungan
antara peringkat yang diberikan oleh Pakar I dan Pakar II. Dengan kata lain
peringkat yang diberikan Pakar I dan Pakar II tidak konsisten.
3. Koefisien Korelasi Konkordansi

Koefisien korelasi Konkordansi merupakan pengembangan dari korelasi peringkat
lainnya, yaitu koefisien korelasi yang melibatkan lebih dari dua (N  2) pasang
peringkat. Koefisien konkordansi menghitung koefisien korelasi N buah peringkat
dari k subjek atau elemen. Koefisien korelasi konkordansi dihitung dengan
rumus sebagai berikut.
S 12 S
  , dengan
S maks N (k 3  k )
2
N = banyak peringkat
k = banyak subyek atau elemen
P )
 (P -
j
S = j
2
dimana Pj adalah jumlah peringkat
k
Smaks = N2 (k3 – k)/12, yaitu jumlah maksimum S yang mungkin terjadi.

Contoh 5: Andaikan ada enam mahasiswa yang akan menempuh ujian tesis,
dan akan diuji oleh empat penguji. Berdasarkan skor yang diberikan
penguji disusun peringkat mahasiswa seperti pada tabel dibawah ini.
Mahasiwa A B C D E F
Penguji I 3 1 6 4 5 2
Penguji II 4 1 5 3 6 2
Penguji III 3 2 6 4 5 1
Penguji IV 2 4 3 1 6 5
Pj 12 8 20 12 22 10
P j 12  8  20  12  22  10
 
84
 14 , dengan k = 6,
k 6 6
 Pj
 (Pj - k )2 = (12 -14)2 + (8 -14)2 + (20 -14)2 + (22 -14)2 + (10 -14)2 = 160
Smaks = N2 (k3 – k)/12 = 42 (63 – 6)/12 = 280
S 12 S (160)
  2 3
  0,5714
S maks N (k  k ) 280

H0:  = 0 Vs H1:   0
Untuk k  7 nilai  pada signifikansi 5% dan 1 % dapat dilihat pada tabel

Friedman (1940), Kendall (1970) dan Siegel (1988), yaitu 0,505 dan 0,621,
sehingga nilai  = 0,5714 > 0,505 atau H0 ditolak, koefisien yang diperoleh
signifikan.
Sedangkan untuk k  7 dapat digunakan rumus  2 = N(k -1 )W dengan
derajat kebebasan N -1.
Selanjutnya bila terdapat peringkat sama atau kembar, maka rumus koreksi
Konkordansi yang dapat digunakan:
12 S
 , dan t = banyak peringkat sama.
N (k  k )   t(t 2  1)
2 3
C. Uji Non-parametrik Korelasi Variabel Dikhotomi

1. Koefisien Korelasi Biserial
Korelasi Biserial diberi notasi rbis adalah teknik korelasi yang dirancang untuk
menganalisis hubungan antara dua variabel, dimana variabel kuantitatif X dan
variabel dikhotomi buatan Y (artificial dichotomy). Variabel Y berasal dari variabel
kuantitatif yang berdistribusi normal atau mendekati normal. Misalnya nilai test

statistika dibuat dalam dua kategori, yaitu lulus dan tidak lulus (1, 0). Kemudian
dicari korelasi antara variabel kuantitatif X (IQ) dengan variabel dikhotomi Y (lulus
dan tidak lulus statistika).
Koefisien korelasi Biserial dinyatakan dengan rumus:
Xp  X q  pq 
rbi =   dimana:
St  y 
St = standard deviasi skor total variabel kuantitatif X
p = proporsi untuk kategori 1
q = proporsi untuk kategori 0
X p = rerata X kelompok ”lulus”
X q = rerata X kelompok ”tidak lulus”
y = ordinat dari z yang dari luas kurva normal yang berbanding
sebagai p dan q.
Langkah-langkah perhitungan:
1) Menghitung proporsi dari masing-masing nilai observasi dari dua kategori
tersebut. Misalkan proporsi yang mempunyai nilai 1 adalah p dan nilai 0
adalah q. Karena ada dua kategori maka p + q = 1.
2) Menghitung rerata dari X yang mempunyai kategori 1 dan rerata X yang
mempunyai kategori 0, yaitu X p dan X q .
3) Menghitung standard deviasi dari skor total X, yaitu St.
Contoh 1
Tabel 54. Skor IQ dan Kelulusan Statistika
No. Skor X2 Kelulusan
IQ(X) Statistika (Y)
1 112 12544 1
2 116 13456 1
3 135 18225 1
4 130 16900 1
5 100 10000 0
6 100 10000 1
7 99 9801 0
8 100 10000 0
9 100 10000 0
10 118 13924 1
Jumlah 1110 124850 6
Keterangan: (1 = lulus dan 0 = tidak lulus)
p = 6/10 = 0,6 dan q = 4/10 = 0,4

112  116  135  130  100  118 711
Xp =  118,5
6 6
100  99  100  100 399
Xq =   99,75
4 4
2
St =
X 2
 X 
 
N  N 
2
124850 1110
St =   = 12,806
10  10 
Untuk mencari ordinat y yang membagi luas dibawah kurva normal dalam 60%
dan 40% dapat dilihat (pq) , yaitu y = 0,387 (lihat daftar I).
Xp  X q  pq  118,5  99,5  0,40 x 0,60 

rbis =   =    0,908
St  y  12,806  0,387 

H0: bi ≤ 0 Vs H1: bi  0
N 2 10 - 2
t0  bi 2
 0,908  6,129
1   bi 1 - 0,9082
Untuk db = n – 2 = 8, dan  = 0.05, ttab = 1,86 , sehingga t0  ttab atau H0 ditolak.

Dengan demikian ada hubungan positif antara tingkat IQ dengan kelulusan
statistika.
2. Koefisien Korelasi Point Biserial

Korelasi Point-Biserial, diberi notasi rpbi, adalah korelasi antara dua variabel
dimana variabel pertama dengan pengukuran interval atau rasio dan variabel
yang kedua merupakan dikhotomi. Variabel dikhotomi mempunyai dua nilai,
sebagaimana asal kata ”biserial” dari kata “bi” dan “series” yang berarti “dua
deret”. Misalnya jenis kelamin laki-laki dan wanita.
Perhitungan korelasi point biserial antara variabel kuantitatif X dan dikhotomi Y

(1, 0) menggunakan rumus sebagai berikut.

Xp  X q
rpbi = ( pq) , dimana
St
x = standard deviasi variabel kuantitatif X
X p = rerata X yang mempunyai kategori 1
X q = rerata X yang mempunyai kategori 0
.
Contoh 2
Tabel 55. Skor Statistika 10 Responden
Nama X Y
Larry 75 1
Spongebob 73 1
Tuan Crebb 65 1
Pattrick 70 1
Bush 63 0
Nobita 59 1
Dora 64 0
George 55 0
Obama 56 0
Sri Mulyani 66 1
Keterangan:
X = Skor Statistika
Y = Jenis kelamin (1=laki, 0=perempuan)
Tabel 56. Perhitungan rpbi
Nama X X2 X p = rata-rata laki-laki (kode 1)
Larry 75 5625
Spongebob 73 5329 X p = 408/6 = 68
Crebb 65 4225 X q = rata-rata wanita (kode 0)
Pattrick 70 4900
Cendy 63 3969 X q = 238/4 = 59,5
Nobita 59 3481 2
Dora 64 4096 St =
X 2
 X 
 
Freny 55 3025 N  N 
Sisuka 56 3136
2
Suneo 66 4356 42142  646 
Jumlah 646 42142 St =   = 6,41
10  10 
p = 0,6 dan q = 0,4

Xp  X q
rpbi = ( pq) ,
St
68  59,5
rpbi = (0,6x0,4)  0,65
6,41
Dapat juga menggunakan rumus:
Xi  X t  p
rpbi =   , dimana
St q
St = standard deviasi skor total
X i = rerata X yang mempunyai kategori 1
X t = rerata skor total
Dari perhitungan diperoleh:
Rata-rata total X
X t = 646/10 = 64,6
Rata-rata (kode i = 1)
X i = 408/6 = 6
Xi  Xi  p 68  64,6  0,6 
rpbi =   =    0,65
St q 6,41  0,4 

H0: pbi ≤ 0 Vs H1: pbi  0
N 2 10 - 2
t 0   pbi 2
 0,65  2,419 , db = n – 2 = 8
1   pbi 1- 0,65 2
Untuk  = 0.05, diperoleh ttab = 1,86 , dan t0  ttab atau H0 ditolak. Dengan
demikian ada hubungan antara jenis kelamin dan skor statistika.
3. Koefisien Korelasi Phi

Koefisien korelasi Phi () digunakan untuk menganalisis hubungan antara dua
variabel dikhotomi atau dibuat dikhotomi atau data dalam skala nominal yang
didikhotomikan. Data yang akan dianalisis dibuat dalam bentuk tabel 2 x 2.
Contoh 3: misalkan variabel X adalah jenis kelamin dan Y adalah kelulusan pada
ujian skripsi. Kategori Jenis Kelamin; (Wanita = 0 dan Laki-laki = 1).
Kategori Kelulusan (Tidak lulus = 0 dan Lulus = 1).

Tabel 57. Jenis kelamin dan kelulusan statistika
No. Jenis Kelamin Kelulusan
urut (X) (Y)
1 0 1
2 1 1
3 0 1
4 1 0
5 0 1
6 0 0
7 0 0
8 1 1
9 1 1
10 0 0
11 1 0
12 1 1
Keterangan:
Wanita = 0, Laki-laki = 1
Tidak Lulus =0, Lulus =1
Jenis Kelamin
Jumlah
X=0 X=1
Wanita Laki-laki
Tdk Lulus
a=3 b=2 a+b = 5
Kelulusan Y=0
Lulus
c=3 d=4 c+d = 7
Y=1
Jumlah a+c=6 b+d=6 n = 12
Korelasi Phi dihitung dengan rumus berikut:

ad  bc 3x4 - 2x3
φ  
(a  b)(c  d)(a  c)(b  d) (3  2)(3  4)(3  3)(2  4)
3x4 - 2x3 6
φ    0,169
(3  2)(3  4)(3  3)(2  4) (5)(7)(6)6)
H0:  = 0 Vs H1:   0
2 = n 2 = 12 (0,169)2 = 0,342
Untuk db = (2 -1)(2 -1) = 1, dan  = 0.05, diperoleh 2tab = 3,84, sehingga 2  2tab
atau H0 diterima. Dengan demikian tidak ada hubungan antara jenis kelamin
dengan kelulusan dalam ujian skripsi.

4. Koefisien Korelasi Tetrakhonik
Koefisien korelasi Tetrakhonik digunakan untuk menganalisis hubungan antara
dua variabel, misalnya X dan Y. Baik variabel X maupun Y keduanya berdistribusi
normal dan telah didikhotomikan. Untuk menghitung koefisien korelasi
Tetrakhonik terlebih dahulu dibuat tabel kontingensi 2 x 2. Rumus koefisien
korelasi Tetrakhonik adalah sebagai berikut.
 180 0 ad 
rt  Cos   dengan a, b, c, dan d adalah frekuensi observasi pada

 ad  bc 
sel tabel kontingensi 2 x 2.
Contoh 4
Persyaratan agar calon mahasiswa dapat diterima pada program Magíster,
adalah harus lulus tes TPA dan lulus tes Toefl. Skor TPA dan Toefl disajikan
sebagai berikut.
.
Skor Skor
No Batas lulus untuk tes TPA adalah  70 dan
TPA TOEFL
untuk tes Toefl adalah  475.
1 80 475
2 66 478 Sehingga kategori Lulus TPA  70 = 1, dan
3 68 425 kategori Tidak lulus TPA  70 = 0.
4 70 430 Begitupula kategori Lulus TOEFL  475 = 1,
5 75 480 dan kategori Tidak lulus TPA  475 = 0.
6 85 500 Pada  = 0,05, lakukan uji signifikansi untuk
7 90 516 hipotesis “Terdapat hubungan antara skor
8 95 525 TPA dan skor Toefl”
9 65 400
10 68 490
Jawab:
Berikut ini disusun tabel kelulusan tes TPA dan Toefl sebagai berikut.
TPA TOEFL
No
(X) (Y)
1 1 1
2 0 1
3 0 0
4 1 0
5 1 1
6 1 1
7 1 1
8 1 1
9 0 0
10 0 1

Tabel 58. Kontingensi 2 x 2
TPA
Jumlah
X=0 X=1
Tdk Lulus Lulus
Tdk Lulus
a=2 b=1 a+b = 3
TOEFL Y=0
Lulus
c=2 d=5 c+d = 7
Y=1
Jumlah a+c=4 b+d=6 n = 10
 1800 ad   1800 2 x 5 
rt  Cos   = Cos  
 ad  bc   2 x 5  1x 2 
 
 180 2 x 5 
0
 180 10 
0
rt  Cos   = Cos  
2 x 5  1 x 2   10  2  = Cos 124,38 = -0,565
  
H0: t = 0 Vs H1: t  0
rt
Z 
σ rt
1 (p x p y q x q y )
σ rt 
μ xμ y n
px = 0,60, qx = 0,40, py = 0,70 dan qy = 0,30
x = 0,387 (ordinat pada kurva normal dari data kelulusan X)
y = 0,347 (ordinat pada kurva normal dari data kelulusan y)
1 (0,60)(0,70)(0,40)(0,30) 1 0,0504
σ rt    0,529
(0,387)(0,347) 10 0,1343 10
rt - 0,565
Z  =   1,063
σ rt 0,529
Untuk  = 0.05  Ztab = 1,96 (Ztab = -1,96), sehingga Z > Ztab, terlihat harga Z
berada dalam daerah penerimaan atau H0 diterima. Dengan demikian tidak
terdapat hubungan antara skor TPA dan skor TOEFL.
D. Uji Non-Parametrik untuk Perbedaan Rata-rata

Uji non-parametrik untuk perbedaan rata-rata yang akan dipelajari adalah uji
Mann-Whitney, uji Wilcoxon, dan uji Tanda.

1. Uji Mann-Whitney
Uji Mann-Whitney (U) adalah uji non-parametrik yang tergolong kuat sebagai
pengganti uji-t. Jika dalam statistik uji-t untuk perbedaan dua rata-rata sampel
distribusinya harus berasal dari populasi berdistribusi normal dan variansnya
sama (homogen) maka pada uji Mann-Whitney asumsi normalitas dan
homogenitas tidak diperlukan yang penting level pengukurannya minimal ordinal
dan variabel kedua-duanya kontinu.
Uji Mann-Whitney digunakan untuk menguji perbedaan dua sampel bebas

(independent). Agar kedua kelompok sampel ekivalen dalam segala hal mereka
harus dipilih secara acak atau berdasarkan IQ, sosial ekonomi, dan lain-lain
harus sama. Perhitungan dengan uji Mann-Whitney ini, dilakukan dengan terlebih
dahulu skor-skor kedua sampel harus diurutkan menurut peringkat. Misalkan
sampel pertama n1 dan sampel kedua n2, kemudian kelompok skor digabungkan
dan diurutkan menurut peringkatnya. Untuk lebih jelasnya perhatikan contoh
berikut.
Contoh 1:
Misalkan kita ingin mempelajari efektivitas implementasi KBK dan KTSP pada
satuan pendidikan SMA, dapat dilihat dari perbedaan rata-rata hasil belajar
Matematika yang diperoleh siswa dengan kedua kurikulum tersebut. Agar kedua
pemberlakuan kurikulum dapat diperbandingkan (comparable) maka kedua
kelompok sampel yang dipilih harus ekivalen dari segi IQ, sosial ekonomi, minat,
sikap, dan kesungguhan dan lain-lainya. Untuk maksud tersebut telah dipilih 8
siswa yang telah mengikuti KBK dan 5 siswa yang telah mengikuti KTSP. Skor
siswa dengan kedua kurikulum tersebut, disajikan sebagai berikut.
KTSP 90 75 78 94 70 83 82 76
Inisial P Q R S T
KBK 100 78 84 95 98
Prosedur pengujian sebagai berikut:

1) Merumuskan hipotesis statistik
Ho : µ1 ≥ µ2
H1 : µ1 < µ2
Hipotesis alternatifnya: hasil belajar Matematika dengan KTSP lebih rendah
dibanding KBK.
2) Menetapkan U kritis
Misalkan  = 0,05 dengan n1 = 8, dan n2 = 5, diperoleh U(0,05)(8; 5) = 8
(Lihat Daftar J).
3) Menentukan nilai statistik Mann-Whitney (U), dengan langkah-langkah:

(a) Mengurutkan data tanpa memperhatikan sampelnya: skor terkecil diberi
angka 1 dan yang lebih besar diberi angka 2 dan seterusnya, jika terdapat
skor sama maka digunakan angka rata-rata, seperti skor 78 memiliki
ranking 4 dan 5, maka diberi ranking dengan angka (4 + 5)/2 = 4,5.
KTSP Skor Ranking KBK Skor Ranking

E 70 1 Q 78 4,5
B 75 2 R 84 8
H 76 3 S 95 11
C 78 4,5 T 98 12
G 82 6 P 100 13
F 83 7 Jumlah (K2) = 48,5
A 90 9 n1 = 5
D 94 10
Jumlah (K1) = 42,5
n1 = 8
(b) Menjumlahkan urutan masing-masing sampel:
Misalkan untuk n1 (KTSP) dan n2 (KBK) masing-masing: adalah K1 = 42,5
dan K2 = 48,5.
(c) Menghitung statistik U melalui dua rumus:
n 1 (n 1 1)
Pertama U = n 1 n 2   K1
2
8 (8 1)
= (8)(5)   42,5  33,5
2
n (n 1)
Kedua U = n1 n 2  2 2  K2
2
5(5 1)
= (8)(5)   48,5  6,5
2
Nilai U ditentukan berdasarkan nilai terkecil dari rumus tersebut, yaitu U =
6,5. Untuk memeriksa kebenaran hasil ini, dapat dicek dengan rumus:
U terkecil = n1n2 – U terbesar = 40 – 33,5 = 6,5 (benar).
4) Membuat kesimpulan
Tolak Ho jika statistik U  U kritis dan terima Ho jika U  U kritis.
Karena U = 6,5  U(0,05)(8; 5) = 8 maka Ho ditolak atau rata-rata hasil belajar
matematika dengan KBK lebih tinggi dibanding dengan KTSP.

Uji Mann-Whitney dengan Sampel Besar
Jika ukuran sampel lebih besar dari 20, maka distribusi sampling U menurut
Mann dan Whitney (1974) akan mendekati distribusi normal dengan rata-rata dan
standar error:
n1 n 2 n1n 2 (n1  n 2  1)
µU = dan U =
2 12
Sehingga variabel normal standarnya dirumuskan:
n 1n 2
U-
U - U 2
Z 
U (n  n 2  1)
n 1n 2 1
12
Catatan: walaupun uji Mann-Whitney hampir sama kuatnya dengan uji-t, tetapi
kekuatannya menurun seiring banyaknya skor kembar.
2. Uji Median
Uji median atau uji perbedaan median perhitungannya lebih sederhana.
Penggunaan uji median adalah melihat apakah median-median dari kelompok-
kelompok berbeda atau tidak.
Contoh 2:
Untuk mengetahui kepemimpinan Dekan suatu Fakultas, telah diberikan
kuesioner kepada dua kelompok dosen, yaitu dosen yunior (golongan III)
sebanyak 13 orang dan dosen señior (golongan IV) sebanyak 15 orang. Makin
besar rata-rata skor kuesioner jawaban dosen makin positif sikapnya terhadap
kepemimpinan Dekan tersebut. Data sikap dosen sebagai berikut.
Dosen Senior : 17, 23, 23, 28, 31, 34, 37, 39, 42, 47, 56, 58, 61
Dosen Yunior : 23, 26, 35, 40, 43, 44, 44, 47, 52, 56, 59, 65, 70, 72, 77
Uji hipotesis tentang perbedaan sikap dosen Senior dan Yunior pada  = 0,05.
Hasil penentuan diperoleh nilai median = 43,5, sehingga dapat disusun tabel
silang.
Sikap DOSEN Jumlah

Senior Yunior
Di atas
median 4 10 14
Di bawah
median 9 5 14
Jumlah 13 15 28

Statistik uji yang digunakan:
2
B
n K
  n  ( bk  1)
2
b  1 j 1 n b n k
2
2 2
n bk
 2  28  (  1)
b  1 j 1 nb nk
 n b12
2
n b2
2

  28  (
2
 )  1
b  1  n b n1 n bn 2 
 n112 n12 2 n 212 n 22 2 
  28 
2
     1

n n
 1 1 n n
1 2 n n
2 1 n n
2 2 
 42 102 92 52 
 2  28       1 
 (14)(13) (14)(15) (14)(13) (14)(15)
 2  28  (1,12821)  1   3,59
Cara II
N(AD - BC) 2
2 
(A  B)(C  D)(A  C)(B  D)
28 ( 20 - 90 ) 2
2 
(4  10)(9  5)(4  9)(10  5)
28 ( - 70 ) 2 137200
 
2
  3,59
(14)(14)(13)(15) 38220
Cara III (Formula koreksi dari Stephen Isaac, 1981: 179)

2
 2 N 
2
N  (AD - BC) - 
 2  28 (56) 2 87808
 
2
   2,297
(A  B)(C  D)(A  C)(B  D) (14)(14)(15)(13) 38220
 tab
2
  2 (0,05) (1)  3,841
 02  2,297  tab 2
 3,841 atau Ho diterima. Dengan demikian tidak
ada
perbedaan sikap antara dosen Señor dan dosen Yunior mengenai kepemimpinan
Dekan Fakultas mereka.
.

3. Uji Tanda (Sign Test)
Jika kita ingin mempelajari apakah suatu perbedaan tanpa mengukur besar
bedanya, maka dapat digunakan uji-Tanda. Konsep dasar uji-Tanda didasarkan
pada tanda negatif atau positif yang diperoleh dari selisih pasangan data berskala
ordinal. Esensi dari uji-Tanda adalah pada arah perbedaan dan bukannya pada
besarnya perbedaan-perbedaan tersebut.
Contoh 3:
Misalkan seorang Analisis Pasar ingin mempelajari apakah keberadaan Pusat
pembelanjaan baru sebut saja Point Square disekitar pusat pembelanjaan lama
sebut saja Carrefour mengurangi jumlah pelanggan pada pusat pembelanjaan
lama. Untuk keperluan tersebut telah diambil sampel acak 10 orang untulk
ditanyai frekuensi mereka ke Carrefour sebelum dan setelah adanya Point
Square. Data frekuensi berbelanja dalam sebulan disajikan sebagai berikut.
Subjek Sebelum Sesudah Beda
(1) (2) (3) (4)
A 1 4 (+)
B 2 3 (+)
C 1 2 (+)
D 3 4 (+)
E 2 5 (+)
F 4 2 ( -)
G 4 3 ( -)
H 2 3 (+)
I 1 1 0
J 3 4 (+)
Jumlah positif 6
Jumlah negatif (r) 2
Jumlah (n) 8
Langkah-langkah pengujian hipotesis:
a. Menyatakan hipotesis statistik
Hipotesis nol dalam contoh ini adalah bahwa dengan adanya Poin Square
tidak mempengaruhi jumlah pelanggan yang datang ke Carrefour. Tanda
negatif menunjukkan penurunan jumlah pelanggan. Jika hipotesis
alternatifnya dinyatakan dalam uji pihak kiri, maka bunyinya” Keberadaan
Poin Square disekitar Carrefour menurunkan jumlah pelanggan di pusat
pembelajaan Carrefour”. Misalkan penurunan kurang dari 50 persen.
Ho: p  0,5
H1: p < 0,5
b. Menentukan taraf signifikansi, misalkan diambil  = 0,05

c. Menentukan probabilitas hasil sampel
Observasi yang relevan untuk analisis data adalah yang memiliki perbedaan
(postif dan negatif) yaitu dari 10 pasangan data hanya 8 yang relevan,
sehingga n = 8. Berdasarkan tanda negatif atau positif, maka diambil dari
jumlah tanda yang lebih kecil yaitu r = 2. Berapa peluang paling banyak 2
dari 8 jika faktanya Ho benar?
Dari tabel probabilitas binomial jika n = 8, x = 2 dan p = 0,5, diperoleh:

P(r) = 0,1094
d. Membuat kesimpulan
Terima Ho jika   probabilitas data sampel. Dari hasil perhitungan diperoleh
bahwa 0,05 < 0,1094 atau Ho diterima. Dengan kata lain keberadaaan Point
Square di sekitan Carrefour tidak mempengaruhi jumlah pelanggan untuk
berbelanja di Carrefour.
Uji Tanda untuk Ukuran Sampel Besar

Jika banyaknya observasi yang relevan (n) cukup besar, maka pendekatan
normal untuk distribusi binomial dapat digunakan. Misalkan p adalah proporsi
penurunan jumlah pelanggan dalam sampel. Jika banyaknya observasi yang
relevan cukup besar maka distribusi sampling p akan memiliki distribusi
mendekati normal dengan rata-rata dan standar deviasi berikut.
P(1 - P) Pi   p
µp = P dan p = sehingga Z 
n p
Contoh 4
Terdapat 30 pelanggan yang diambil sebagai sampel untuk mengetahui apakah
penurunan jumlah pelanggang, diperoleh hasil berikut:
Tanda positif : 6
Tanda negatif : 20
Nol : 4
Observasai relevan: 26
Pi = 20/26 = 0,77
Langkah-langkahnya:
1) Ho: p  0,5
H1: p < 0,5
2) Nilai Z kritis pada  = 0,05 adalah Z(0,05) = 1,65
Pi   p 0,77  0,5
3) Statistik uji, Z    2,75
p (0,5)(0,5)
26

4) Karena nilai Z observasi lebih besar daripada Z tabel, maka Ho ditolak. Dengan
demikian terdapat penurunan jumlah pelanggan ke Carrefour dengan
kebebradaan Point Square disekitar Carrefour tersebut.
4. Uji Wilcoxon
Uji Wilcoxon adalah uji nonparametrik digunakan untuk dua sampel bergantungan
atau berhubungan (berkorelasi). Jika pada uji tanda hanya memperhatikan arah
perbedaan dalam pasangan, maka uji Wilcoxon disamping memperhatikan arah
perbedaan juga menentukan besarnya atau adanya perbedaan nyata antara data
pasangan yang diambil dari satu sampel yang berhubungan. Uji ini dapat
digunakan baik data yang diperoleh melalui pengukuran beruntun atau data
berpasangan.
Contoh 5:
Suatu survai tentang minat seseorang membeli produk baru sabun antikuman.
Untuk mengetahui apakah ada pengaruh iklan terhadap minat pembeli dilakukan
observasi terhadap jumlah pembeli sebelum dan setelah pemberian iklan pada 10
buah Tokoh. Data jumlah pembeli sebagai berikut.
Subjek Sebelum Sesudah Beda Rank Tanda(+) Tanda(-)
(1) (2) (3) (4) (5) (6) (7)
A 70 72 +2 2,5 2,5 -
B 75 75 0 abaikan - -
C 83 87 +4 5 5 -
D 86 85 -1 1 - 1
E 90 88 -2 2,5 - 2,5
F 95 100 +5 6,5 6,5 -
G 85 88 +3 4 4 -
H 65 72 +7 9 9 -
I 68 63 -5 6,5 - 6,5
J 72 78 +6 8 8 -
Jumlah K1 = 35 K2 = 10
a. Merumuskan hipotesis statistik
Ho: K1 ≥ K2
H1: K1  K2
b. Menetapkan nilai kritis

Misalkan  = 0,05 dengan n = 8, uji pihak kanan, diperoleh nilai kritis
Wilcoxon untuk uji searah sebesar 5 (lihat Daftar K).
c. Menentukan nilai statistik Wilcoxon (K), dengan langkah-langkah:
1) Menentukan besar dan tanda beda seperti pada tabel di atas;
2) Mengurutkan beda tanpa memperhatikan tanda (kolom 5), jumlah terkecil
diberi angka 1 dan yang lebih besar diberi angka 2 dan saterusnya. Jika

terdapat beda sama maka digunakan angka rata-rata, seperti angka 5 ada
2 observasi, diberi angka (6 + 7)/2 = 6,5.
3) Memisahkan angka yang bertanda positif dari angka bertanda negatif
(kolom 6 dan kolom 7);
4) Menjumlahkan semua angka positif dan kemudian angka negatif (K1 = 35
dan K2 = 10). Nilai yang lebih kecil dari kedua jumlah itu dinamakan nilai
statistik  yang akan menjadi dasar dalam uji Wilcoxon. Nilai statistik
Wilcoxon dari contoh di atas adalah  = 10.
d. Membuat kesimpulan
Tolak Ho jika statistik    kritis dan terima Ho jika    kritis.
Karena  = 10 >  kritis = 5, maka Ho diterima atau iklan sabun tidak
mempengaruhi minat pembeli.
Uji Wilcoxon dengan Sampel Besar

Jika ukuran sampel cukup besar, maka distribusi sampling  akan mendekati
distribusi normal dengan rata-rata dan standar deviasi:
n ( n  1) n (n  1)(2n  1)
µ = dan  =
4 24
Sehingga variabel normal standarnya dirumuskan:
 - 
Z

5. Uji Kruskal- Wallis
Uji Kruskal-Wallis adalah statistik uji untuk perbedaan rata-rata lebih dari dua
kelompok atau k buah kelompok. Statistik uji diperkenalkan oleh William H.
Kruskal dan W. Allen Wallis pada tahun 1952. Uji ini sebagai alternatif dari uji
Anova satu jalur bila datanya dalam bentuk peringkat (skala ordinal).
Sebagaimana uji nonparametrik lanilla, Uji Kruskal-Wallis juga tidak memerlukan
asumsi normal dan homogen pada distribusi induknya. Persyaratan yang harus
dipenuhi dalam uji ini adalah variable-variabel acak pada sampel yang akan
dibandingkan berdistribusi kontinu.
Bila nk adalah sampel usuran ke-k yang lebih besar daripada 5 untuk setiap
sampel maka statistik Kruskal-Wallis adalah:
12  k Pk 2 
H  ( )  3 ( N  1) akan mendekati distribusi 2 derajat
N(N  1)  k 1 n k 
kebebasan (db) = k – 1. Penerimaan hipótesis dan penolakan hipótesis nol
ditentukan perbandingan dan H hitung dan  krits.
2 2

Contoh 6
Untuk mengetahui apakah skor Statistika untuk Jurusan Matematika, Fisika,
Kimia, dan Biologi pada FPMIPA sama atau tidak diambil sampel acak dari
keempat jurusan tersebut. Skor-skor Statistika dari keempat jurusan tersebut
Matematika 60 75 36 47 56 66 38 42
Fisika 74 71 53 48 40 52 41
Kimia 68 72 44 61 62 42
Biologi 70 77 86 72 51 70 87 57 92
Untuk taraf signifikan 5 % ujilah apakah rata-rata skor Statistika keempat jurusan
tersebut sama.
Jawab:
Jurusan
Matematika Fisika Kimia Biologi
Skor Rank Skor Rank Skor Rank Skor Rank
60 15 74 25 68 19 70 20,5
75 26 71 22 72 23,5 77 27
36 1 53 12 44 7 86 28
47 8 48 9 61 16 72 23,5
56 13 40 3 62 17 51 10
66 18 52 11 42 5,5 70 20,5
38 2 41 4 87 29
42 5,5 57 14
92 30
n1= 8 R1=88,5 n2=7 R2=86 n3= 6 R3 =88 n4 =9 R4=202,5
N = 8 + 7+ 6 + 9 = 30 dan k = 4
a) Menyatakan hipotesis statistika
Ho: µ1 = µ2 = µ3 = µ4
H1: bukan Ho
b) Menetukan nilai kritis
Statistik yang digunakan dalam uji Kruskal-Wallis dilambangkan dengan H.
Dengan taraf signifikansi 5 % maka nilai kritis  (0,05)(3) = 7,815.
2
c) Menentukan nilai statistik H dengan cara:

(1) Mengurutkan data tanpa memperhatikan sampelnya: data terkecil diberi
angka 1 dan yang lebih besar diberi angka 2 dan saterusnya, jika terdapat
data sama maka digunakan angka rata-rata, seperti skor 42 diberi angka
(5 + 6)/2 = 5,5.

(2) Menjumlah rank sampel, Misalkan
R1: jumlah rank sampel 1 = 88,5
R2: jumlah rank sampel 2 = 86
R3: jumlah rank sampel 3 = 88
R4: jumlah rank sampel 4 = 202,5
(3) Menghitung jumlah ukuran sampel dari seluruh sampel (N)
N = n1 + n2 + n3 + n4 = 8 + 7+ 6 + 9 = 30
(4) Menghitung statistik H dengan rumus
12  k Rk2 
H  ( )  3 ( N  1)
N(N  1)  k 1 n k 
12  4 Rk2 
H  ( )  3 (30  1)
30(30 1)  k 1 n k 
12  R 1 R4 
2 2 2 2
R2 R3
H       93
930  n1 n2 n3 n4 
12  88,52 862 882 202,52 
H       93  8,799 , db = 4 -1=3
930  8 7 6 9 
d) Membuat keputusan secara statistik
Karena H = 8,799 >  (0,05)(3) = 7,82 maka Ho ditolak, berarti rata-rata skor
2
Statistik dari keempat jurusan adalah berbeda.
6. Uji Run untuk Kerandoman

Salah satu tujuan uji Run adalah menentukan apakah urutan atau ranking yang
terpilih adalah secara random atau tidak. Hal ini berguna bagi Statistik inferensial
yang mensyaratkan sampel yang dipilh secara random. Esensi dari pengujian ini
pada banyaknya run dalam ranking sampel. Yang dimaksud satu run adalah satu
atau lebih simbol yang identik yang didahului atau diikuti oleh simbol yang lain.
Misalkan kita urutkan sampel seperti berikut:
AGAAAAGAAGGGG
Dalam pola tersebut terdapat 6 run, yaitu 1 run dari sebuah simbol A, 1 run dari
sebuah simbol G, 1 run dari 4 buah simbol A, 1 run dari sebuah simbol G, 1 run
dari 2 buah simbol A, 1 run dari 4 buah simbol G. Pengujian hipotesis dinyatakan.
Pertanyaannya adalah apakah kejadian urutan simbol tersebut terjadi secara
random atau sistematik.
Misalkan N adalah jumlah observasi, n1 adalah jumlah simbol A, n2 adalah jumlah
simbol G, nr adalah jumlah run, dan N = n1 + n2. Jika n1 dan n2 > 1, maka jumlah
nr akan berdistribusi normal dengan rata-rata dan standar deviasi.

2n1n 2 2n1n 2 (2n1n 2  N)
r  1 dan  r  sehingga skor bakunya,
N N 2 ( N -1)
n  r
Z r
r
Contoh 7
Seorang Pialang mencatat tanda plus untuk hari-hari dengan kurs rupiah
terhadap dollar Amerika naik dari hari sebelumnya sedangkan tanda minus untuk
hari-hari dengan kurs rupiah turun dari hari sebelumnya. Kurs untuk hari-hari
tertentu yang sama dengan hari sebelumnya tidak dilakukan pencatatan. Adapun
catatan pialang seperti berikut:
(-)(-)(+)(+)(+)(+)(+)(-)(+)(+)(+)(+)(+)(+)(+)(-)(-)(+)(+)(-)(-)(-)(-)(+)(+)(-)(-)
Ujilah apakah urutan tersebut adalah random atau sistematik.

Jawab:
a. Ho: urutan simbol adalah random
H1: urutan simbol adalah sistematik
b. Daerah kritis pada  = 0,05 adalah Z < -1,96 dan Z > 1,96
c. Nilai statistik Z:
n1 = 16, n2 = 11, nr = 9, dan N = 27
2n1n 2 2 (16)(11)
r  1   1  14,037
N 27
2n1n 2 (2n1n 2  N) 2 (16)(11){2 (16)(11)  27}
r  2
  2,457
N ( N -1) 272 (26)
n   r 9  14,037
Z r    2,05
r 2,457
Karena statistik Z dalam daerah penolakan maka Ho ditolak atau urutan tanda
tidak random atau kejadiaannya bersifat sistematik.
.
E. LATIHAN
1. Data jenis kelamin dan tingkat religiusitas 400 orang responden disajikan dalam
bentuk tabel silang sebagai berikut:

Jenis Kelamin
Religiusitas Jumlah
Pria Wanita
Tinggi 30 100 130
Sedang 50 90 140
Rendah 70 60 130
Jumlah 150 250 400
a. Lakukan pengujian (beserta langkah-langkahnya) pada  = 0.05, untuk
hipotesis “Tidak terdapat hubungan antara jenis kelamin dengan religiusitas”
b. Berikan kesimpulan terhadap hasil analisis yang anda peroleh.
2. Data jenis kelamin dan tingkat pendidikan 40 orang
Tingkat Jenis Kelamin Jumlah
Pendidikan Wanita Laki-laki
Rendah 100 40 140
Sedang 60 60 120
Tinggi 90 50 140
Jumlah 250 150 400
Untuk  = 0.05, lakukan pengujian hipotesis atas rumusan masalah “apakah
terdapat hubungan antara jenis kelamin dengan tingkat pendidikan ”. Berikan
kesimpulan anda.
3. Untuk mengetahui seberapa jauh hubungan antara masyarakat di kota dan di
desa dengan religiusitasnya, diambil sampel 400 orang untuk diberikan
kuesioner, frekuensi religiusitas mereka seperti terlihat pada tabel berikut.
Religiusitas Kota Desa Jumlah
Tinggi 30 120 150
Sedang 50 80 130
Rendah 70 50 120
Jumlah 150 250 400
<
Gunakan rumus Gamma, Tau- a dan, Tau- b dan  = 0.05, untuk melakukan
pengujian hipotesis atas rumusan masalah “apakah terdapat perbedaan
religiusitas antara masyarakat di kota dan di desa”. Berikan kesimpulan terhadap
hasil analisis yang anda peroleh.
4. Data tingkat SES dan tingkat hukuman 200 orang pelanggar hukum disajikan
dalam bentuk tabel silang sebagai berikut:

Tingkat SES Tingkat Hukuman Jumlah
<
Berat Sedang Ringan

Atas 10 20 50 80
Menengah 20 20 30 70
Bawah 30 10 10 50
Jumlah 60 50 90 200
Gunakan rumus Gamma, Tau- a dan, Tau- b dan  = 0.05, untuk melakukan
pengujian hipotesis atas rumusan masalah “apakah terdapat hubungan antara
tingkat SES dengan tingkat hukuman”. Berikan kesimpulan anda!
5. Data hasil penilaian oleh dua juri dari 10 finalis disajikan sebagai berikut.
Initial A B C D E F G H I J
Juri I 79 66 77 81 80 81 91 69 91 70
Juri II 80 75 83 85 81 83 95 70 90 73
Hitung koefisien korelasi untuk melihat tingkat kesesuaian penilaian antara
kedua Juri, kemudian uji signifikansinya pada  = 0,05.
6. Suatu analisis terhadap dampak Penerapan OTODA terhadap
peningkatan kesejahtraan penduduk lokal. Hasil analisis dan penilaian dua
Pakar menetapkan sepuluh provinsi terbaik sebagai berikut.
Provinsi A B C D E F G H I J
Pakar A 7,5 9 1 2,5 10 2,5 7,5 4 6 5
Pakar B 6,5 9 2 1 10 3 4 5 8 6,5
Hitung koefisien korelasi untuk melihat tingkat kesesuaian penilaian antara kedua
Pakar, kemudian uji signifikansinya pada  = 0,05.
7. Suatu analisis terhadap tingkat kerusakan hutan di beberapa negara. Hasil
analisis dan penilaian empat Pakar Kehutanan Dunia menetapkan lima negara
dengan peringkat kondisi hutan terparah sebagai berikut.
Negara V W X Y Z
Pakar A 1 3 5 4 2
Pakar B 2 1 4 5 3
Pakar C 1 3 4 5 2
Pakar D 3 2 5 4 1
Hitung koefisien korelasi untuk melihat tingkat kesesuaian penilaian antara
keempat Pakar tersebut, kemudian uji signifikansinya pada  = 0,05.

8. Skor statistika dari 10 mahasiswa disajikan sebagai berikut.
Nama Ali Iwan Ita Lia Amin Ira Amir Ria Joni Ani
Skor 75 80 78 76 85 80 77 68 90 82
Hitung koefisien korelasi antara jenis kelamin dan skor statistika, kemudian uji
signifikansinya pada  = 0,05.
9. Data kelulusan statistika 10 mahasiswa disajikan sebagai berikut.
Nama Adib Irwan Tia Lia Amin Ira Aswin Ria Joni Adin
Kelulusan L L L TL L TL TL TL L L
Keterangan: L = Lulus, TL = Tidak Lulus
Hitung koefisien korelasi antara jenis kelamin dan kelulusan statistika, kemudian
uji signifikansinya pada  = 0,05.
10. Persyaratan agar calon mahasiswa dapat diterima pada Perguruan Tinggi Negeri
jurusan Kedokteran, adalah harus lulus tes IPA dan lulus tes Matematika. Skor
IPA dan Matematika disajikan sebagai berikut.
IPA 75 70 85 80 68 75 90 70 83 80
Matematika 78 72 80 80 65 70 85 70 80 85
Keterangan: Batas lulus untuk tes IPA adalah  78 dan untuk Matematika  75.
Pada  = 0,05, lakukan uji signifikansi untuk hipotesis “ Terdapat hubungan
antara skor IPA dan skor Matematika”
11. Efektivitas model sertifikasi guru Portofolio dan PLPG, dapat dilihat dari
perbedaan rata-rata kinerja guru dengan kedua model tersebut. Agar kedua
model dapat diperbandingkan (comparable) maka kedua kelompok sampel yang
dipilih harus ekivalen dari segi masa kerja, kualifikasi, bidang studi yang diampu,
dan akreditasi sekolah dan lain-lainya. Untuk maksud tersebut telah dipilih
masing-masing 8 guru yang telah mengikuti sertifikasi. Skor kinerja guru setelah
lulus sertifikasi, disajikan sebagai berikut.
Portofolio 90 75 78 85 70 83 82 76
Inisial P Q R S T U V W
PLPG 90 86 87 95 98 70 65 85
Uji hipotesis ”rata-rata kinerja guru yang lulus sertifikasi model PLPG lebih tinggi
dari pada yang lulus sertifikasi portoflio”
12. Untuk mengetahui sikap dosen tentang kesiapan suatu Universitas menjadi Word
Class University (WCU), telah diberikan skala sikap kepada dua kelompok dosen,
yaitu dosen yunior dosen señior masing-masing sebanyak 12 orang. Makin besar

rata-rata skor sikap makin positif sikap dosen terhadap kesiapan WCU. Data
sikap dosen sebagai berikut.
Senior 18 23 35 40 46 50 55 59 66 68 76 82
Yunior 20 28 45 45 48 52 58 67 68 75 78 88
Uji hipotesis tentang perbedaan median dari sikap dosen Senior dan Yunior
terhadap kesiapan universitas mereka menjadi WCU pada  = 0,05.
13. Misalkan kita ingin mempelajari apakah tunjangan profesi guru mempengaruhi
frekuensi kunjungan keluarga mereka ke pusat pembelanjaan per-bulan. Untuk
keperluan tersebut telah diambil sampel acak 10 orang untulk ditanyai frekuensi
mereka ke pusat perbelanjaan sebelum dan setelah adanya tunjangan profesi
tersebut. Data frekuensi berbelanja dalam sebulan disajikan sebagai berikut.
Sebelum 1 2 2 1 2 3 3 4 2 1
Setelah 2 3 2 3 4 4 3 4 3 4
Pada  = 0,05, lakukan uji-tanda pada hipotesis yang berbunyi “ Tunjangan profesi guru
mempengaruhi jumlah kunjungan ke pusat perbelanjaan”.
14. Suatu survai tentang motivasi guru mengikuti seminar/workshop pasca
diberlakukannya sertifiasi guru. Untuk mengetahui apakah ada pengaruh
sertifikasi terhadap frekuensi mengikuti seminar/worksho dilakukan observasi
mengenai jumlah guru yang mengikuti seminar/worksho sebelum dan setelah
adanya sertifikasi guru setiap bulan di 10 sekolah. Data jumlah guru mengikuti
kegiatan seminar/worksho sebagai berikut.
.
Sekolah A B C D E F G H I J
Sebelum 30 25 40 20 15 42 10 22 38 35
Setelah 32 30 45 36 35 55 25 28 58 62
Pada  = 0,05, lakukan uji Wilcoxon pada hipotesis yang berbunyi “ Terdapat pengaruh
sertifikasi terhadap motivasi guru mengikuti seminar/worksop”.
15. Untuk mengetahui apakah skor Bahasa Inggris pada angkatan sama dan diajar
dengan dosen yang sama untuk Jurusan Matematika, Fisika, Kimia, dan Biologi
pada FPMIPA sama atau tidak diambil sampel acak dari keempat jurusan
tersebut. Skor-skor Bahasa Inggris dari keempat jurusan tersebut adalah sebagai
berikut.
Matematika 65 80 55 57 68 76 58 65 80
Fisika 84 84 73 68 60 62 51 55
Kimia 78 82 64 77 80 85
Biologi 80 87 86 82 71 80 87 87 92
Untuk taraf signifikan 5 % ujilah apakah rata-rata skor Bahasa Inggris keempat
jurusan tersebut sama.

16. Suatu pencataan terhadap getaran suatu gempa. Getaran keras dicatat dengan
tanda bintang, sedangkan getaran ringan dicatat dengan tanda pagar.
Pencatatan getaran dalam kategori sedang tidak dilakukan. Hasil pencatatan
###*****##****##*****#######****##*##***#***###******###.
Untuk taraf signifikan 5 % ujilah apakah getaran gempa tersebut merupakan

kejadian secara random atau kejadian sistematik.
17. Seorang ahli transportasi mencatat tanda plus untuk jam-jam dengan kemacetan
lalulintas yang serius, sedangkan tanda minus untuk jam-jam tidak ada
kemacetan. Kemacetan lalulintas untuk jam-jam tertentu yang sama dengan jam
hari sebelumnya tidak dilakukan pencatatan. Adapun hasil pencatatan ahli
tersebut seperti berikut:
(+)(+)(+)(+)(+)(-)(-)(-)(-)(-)(+)(+)(+)(+)(+)(-)(-)(+)(-)(-)(+)(+)(+)(+)(-)(-)(-).
Untuk taraf signifikan 5 % ujilah apakah kemacetan tersebut merupakan kejadian
secara random atau kejadian sistematik.

DAFTAR PUSTAKA
Agung, I Gusti Ngurah (2003). Statistika: Penerapan Model Linear Univariat dan
Multivariat. Jakarta: UI.
--------------------------------. (2004). Statitistika: Penerapan Metode Analisis Untuk
Tabulasi Sempurnah dan Tak Sempurnah Dengan SPSS. Jakarta: Raja Grafindo
Persada.
Bachruddin, Ahmad & Tobing, l., Harapan (2003). Analisis Data Untuk Penelitian
Survai dengan Menggunakan Lisrel 8. Bandung: FMIPA Universitas
Padjajaran.
Daniel, Wayne W. (1990). Applied Nonparametric Statistics. Boston: PWS-KENT
Publishing Company.
Djaali dan Muhammad, Farouk. (2003). Metodologi Penelitian Sosial. Jakarta: CV.
Restu Agung.
Ferguson G.A, & Takane, Yashio. (1989). Statistical Analysis in Psychology and
Education. San Francisco: McGraw-Hill Book Company.
Gaspersz, Vincent. (1995). Teknik Analisis Dalam Penelitian Percobaan: Jilid 1.
Bandung: Tarsito.
Glass, Gene V. dan Hopkins, Kenneth D. (1984). Statistical Methods in Education
and Psychology. New Jersey: Prentice Hall, Inc.
Isaac, Stephen. dan Michael William (1981). Handbook in Research and Evaluation.
California: EdITS Publishers.
Keppel, Geoffrey. (1973). Design and Analysis A Researcher’s Handbook. New
Jersey: Prentice-Hall, Inc.
Kerlinger, F.N. and Pedhazur, E.J. (1986). Multiple Regression in Behavioral
Research. New York: Rinehart & Winston.
Ruseffendi, E.T. (1993). Statistik Dasar untuk Penelitian Pendidikan. Bandung:
Depdikbud.
Scheffe, H. (1967). The Analysis of Varians. New York: Jhon Wiley & Sons.
Supranto, J. (1995). Pengantar Statistik Bidang Hukum: Teori dan Aplikasi. Jakarta:
Erlangga.
Supriadi, Dedi. & Jalal, Fasli. (2001). Reformasi Pendidikan Dalam Konteks Otonomi
Daerah. Jakarta: Adicita Karya Nusa.

DAFTAR-A
Distribusi Binomial C xn px (1 - p) n -x
x n-x
Angka pada table menunjukkan nilai p (1 - p) untuk nilai n, x, dan p yang tertentu.
x n-x
Bila p > 0,5, maka nilai p (1 - p) untuk n, x, dan p yang tertentu ini dapat diperoleh
dengan mencari angka tabel untuk n- x tertentu, kemudian menggantikan x dengan -
x, dan p dengan 1 - p.
p
n x .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
1 0 .9500 .9000 .8500 .8000 .7500 .7000 .6500 .6000 .5500 .5000
1 .0500 .1000 .1500 .2000 .2500 .3000 .3500 .4000 .4500 .5000
2 0 .9025 .8100 .7225 .6400 .5625 .4900 .4225 .3600 .3025 .2500
1 .0950 .1800 .2550 .3200 .3750 .4200 .4550 .4800 .4950 .5000
2 .0025 .0100 .0225 .0400 .0625 .0900 .1225 .1600 .2025 .2500
3 0 .8574 .7290 .6141 .5120 .4219 .3430 .2746 .2160 .1664 .1250
1 .1354 .2430 .3251 .3840 .4219 .4410 .4436 .4320 .4084 .3750
2 .0071 .0270 .0574 .0960 .1406 .1890 .2389 .2880 .3341 .3750
3 .0001 .0010 .0034 .0080 .0156 .0270 .0429 .0640 .0911 .1250
4 0 .8154 .6561 .5220 .4096 .3164 .2401 .1785 .1296 .0915 .0625
1 .1715 .2916 .3685 .4096 .4219 .4116 .3845 .3456 .2995 .2500
2 .0135 .0486 .0975 .1536 .2109 .2646 .3105 .3456 .3675 .3750
3 .0005 .0036 .0115 .0256 .0469 .0756 .1115 .1536 .2005 .2500
4 .0000 .0001 .0005 .0016 .0039 .0081 .0150 .0256 .0410 .0625
5 0 .7738 .5905 .4437 .3277 .2373 .1681 .1160 .0778 .0503 .0312
1 .2036 .3280 .3915 .4096 .3955 .3602 .3124 .2592 .2059 .1562
2 .0214 .0729 .1382 .2048 .2637 .3087 .3364 .3456 .3369 .3125
3 .0011 0081 .0244 .0512 .0879 .1323 .1811 .2304 .2757 .3125
4 .0000 .0004 .0022 .0064 .0146 .0284 .0488 .0768 .1128 .1562
5 .0000 .0000 .0001 .0003 .0010 .0024 .0053 .0102 .0185 .0312
6 0 .7351 .5314 .3771 .2621 .1780 .1176 .0754 .0467 .0277 .0156
1 .2321 .3543 .3993 .3932 .3560 .3025 .2437 .1866 .1359 .0938
2 .0305 .0984 .1762 .2458 .2966 .3241 .3280 .3110 .2780 .2344
3 .0021 .0146 .0415 .0819 .1318 .1852 .2355 .2765 .3032 .3125
4 .0001 .0012 .0055 .0154 .0330 .0595 .0951 .1382 .1861 .2344
5 .0000 .0001 .0004 .0015 .0044 .0102 .0205 .0369 .0609 .0938
6 .0000 0000 .0000 .0001 .0002 .0007 .1302 .0041 .0083 .0156

p
n x .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
7 0 .6983 .4783 .3206 .2097 .1335 .0824 .0490 .0280 .0152 .0078
1 .2573 .3720 .3960 .3670 .3115 .2471 .1848 .1306 .0872 .0547
2 .0406 .1240 .2097 .2753 .3115 .3177 .2985 .2613 .2140 .1641
3 .0036 .0230 .0617 .1147 .1730 .2269 .2679 .2903 .2918 .2734
4 .0002 .0026 .0109 .0287 .0577 .0972 .1442 .1935 .2388 .2734
5 .0000 .0002 .0012 .0043 .0115 .0250 .0466 .0774 .1172 .1641
6 .0000 .0000 .0001 .0004 .0013 .0036 .0084 .0172 .0320 .0547
7 .0000 .0000 .0000 .0000 .0001 .0002 .0006 .0016 .0037 .0078
8 0 .6634 .4305 .2725 .1678 .1001 .0576 .0319 .0168 .0084 .0039
1 .2793 .3826 .3847 .3355 .2670 .1977 .1373 .9896 .0548 .0312
2 .0515 .1488 .2376 .2936 .3115 .2965 .2587 .2090 .1596 .1094
3 .0054 .1331 .1839 .1468 .2076 .2541 .2786 .2787 .2568 .2188
4 .0004 .0046 .0185 .0459 .0865 .1361 .1875 .2322 .2627 .0734
5 .0000 .0004 .0026 .0092 .0231 .0467 .0808 .1239 .1719 .2188
6 .0000 .0000 .0002 0011 .0038 .0100 .0217 .0413 .0703 .1094
7 .0000 .0000 .0000 .0001 .0004 :0012 .0033 .0079 .0164 .0312
8 .0000 .0000 .0000 .0000 .0000 .0001 .0002 .0007 .0017 .0039
9 0 .6302 .3874 .2316 .1342 .0751 .0404 .0207 .0101 .0046 .0020
1 .2985 .3874 .3679 .3020 .2253 .1556 .1004 .0605 .0339 .0176
2 .0679 .1722 .2597 .3020 .3003 .2668 .2162 .1612 .1110 .0703
3 .0077 .0446 .1069 .1762 .2336 .2668 .2716 .2508 .2119 .1641
4 .0006 .0074 .0283 .0661 .1168 .1715 .2194 .2508 .2600 .2461
5 .0000 .0008 .0050 .0165 .0389 .0735 .1181 .1672 .2128 .2461
6 .0000 .0001 .0006 .0028 .0087 .0210 .0424 .0743 .1160 .1641
7 .0000 .0000 .0000 .0003 0012 .0039 .0098 .0212 .0407 .0703
8 .0000 .0000 .0000 .0000 .0001 .0004 .0013 .0035 .0083 .0176
9 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0008 .0020
10 0 .5987 .3487 .1969 .1074 .0563 .0282 .0135 .0060 .0025 .0010
1 .3151 3874 .3474 .2634 .1817 .1211 .0725 .1403 .0207 .0098
2 .1746 .1937 .2759 .3020 .2816 .2335 .1757 .1209 .0763 .5439
3 .0105 .0574 .1298 .2013 .2503 .2668 .2522 .2150 .1665 .1172
4 .0010 .0112 .0401 .0881 .1460 .1001 .2377 .2508 .2384 .2051
5 .0001 .0015 .0085 .0264 .0594 .1029 .1536 .2007 .2340 .2461
6 .0000 .0001 .0012 .0055 .0162 .0368 .0689 .1115 .1596 .2051
7 .0000 .0000 .0001 .0008 .0031 .0090 .0212 .0425 .0746 .1172
8 .0000 .0000 .0600 .0001 .0004 .0014 .0043 .0106 .0229 .0439
9 .0000 .0000 .0000 .0000 .0000 .0001 .0005 .0016 .0042 .0098
10 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0010

p
n x .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
11 0 .5688 3138 .1673 .0859 .0422 1198 .0088 .0036 .0014 .0005
1 .3293 .3835 .3248 .2362 .1549 .0932 .0518 .0266 .0125 .0054
2 .0867 .2131 .2866 .2953 .2581 .1998 .1395 .0887 .0513 .0269
3 .1137 1710 .1517 1215 .2581 .2568 .2254 .1774 .1259 .0806
4 .0014 .0158 .0536 .1107 .1721 .2201 .2428 .2365 .2060 .1611
5 .0001 .0025 .0132 .0388 .0803 .1321 .1930 .2207 .2360 .2256
6 .0000 .0003 .0023 .0097 .0268 .0566 .0985 .1471 .1931 .2256
7 .0000 .0000 .0003 .0017 .0064 .0173 .0379 .0701 .1128 .1611
8 .0000 .0000 .0000 .0002 .0011 .0037 .0102 .0234 .0462 .0806
9 .0000 .0000 .0000 .0000 .0001 .0005 .0018 .0052 .0126 .0269
10 .0000 .0000 .0000 .0000 .0000 .0000 .0002 .0007 .0021 .0054
11 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0002 .0005
12 0 .1405 .2824 .1422 .0687 .0317 .1038 .0057 .0022 .0008 .0002
1 .3413 .3766 .3012 1062 .1267 .0712 .0368 .0174 .0075 .0029
2 .0988 .1301 .29Z4 1835 1323 1678 .1088 .0639 .0339 .0161
3 .0173 .0852 .1720 1362 .2581 1397 .1954 1419 .0923 .0537
4 .4021 .1213 .0683 .1329 .1936 .2311 .2367 .2128 .1700 .1208
5 .0002 .0038 .0193 .0532 .1032 .1585 .2039 .2270 .2225 .1934
6 .0000 .0005 .0040 .0155 .0401 .0792 .1281 .1766 .2124 .2256
7 .0000 .0000 .0006 .0033 .0115 .0291 .0591 .1009 .1489 .1934
8 .0000 .0000 .0001 .0005 .0024 .0078 .0199 .0420 .0762 .1208
9 .0000 .0000 .0000 .0001 .0004 .0015 .0048 .0125 .0277 .0537
10 .0000 .0000 .0000 .0000 .0000 .0002 .0008 .0025 .0068 .0161
11 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0010 .0029
12 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0002
13 0 .5133 .2542 .1209 .0550 .0238 .0097 .0037 .0013 .0004 .0001
1 .3512 .3672 .2774 .1787 .1029 .0540 .0259 .0113 .0045 .0016
2 .1109 .2448 .2937 .2680 .2059 .1388 .0836 .0453 .0220 .0095
3 .0214 .0997 .1900 .2457 .2517 .2181 .1651 .1107 .0660 .0349
4 .0028 .0277 .0838 .1535 .2097 .2337 .2222 .1845 .1350 .0873
5 .0003 .0055 .0266 .0691 .1258 .1803 .2154 .2214 .1989 .1571
6 .0000 .0008 .0063 .0230 .0559 .1030 .1546 .1968 .2169 .2095
7 .0000 .0001 .0011 .0058 .0186 .0442 .0833 .1312 .1775 .2095
8 .0000 .0000 .0001 .0011 .0047 .0142 .0336 .0656 .1089 .1571
9 .0000 .0000 .0000 .0001 .0009 .0034 .0101 .0243 .0495 .0873
10 .0000 .0000 .0000 .0000 .0001 .0006 .0022 .0065 .0162 .0349
11 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0012 .0036 .0095
12 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0005 .0016
13 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001
.

p
n x .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
14 0 .4877 .2288 .1028 .0440 .0178 .0068 .0024 .0008 .0002 .0001
1 .3953 .3559 .2539 .1539 .0832 .0407 .0181 .0073 .0027 .0009
2 .1229 .2570 .2912 .2501 .1802 .1134 .0634 .0317 .0141 .0056
3 .0259 .1142 .2056 .2501 .2402 .1943 .1366 .0845 .0462 .0222
4 .0037 .0349 .0998 .1720 .2202 .2290 .2022 .1549 .1040 .0611
5 .0004 .0078 .0352 .0860 .1468 .1963 .2178 .2066 .1701 .1222
6 .0000 .0013 .0093 .0322 .0734 .1262 .1759 .2066 .2088 .1833
7 .0000 .0002 .0019 .0092 .0280 .0618 .1082 .1574 .1952 .2095
8 .0000 .0000 .0003 .0020 .0082 .0232 .0510 .0918 .1398 .1833
9 .0000 .0000 .0000 .0003 .0018 .0066 .0183 .0408 .0762 .1222
10 .0000 .0000 .0000 .0000 .0003 .0014 .0049 .0136 .0312 .0611
11 .0000 .0000 .0000 .0000 .0000 .0002 .0010 .0033 .0093 .0222
12 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0005 .0019 .0056
13 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0002 .0009
14 .0000 .0000 .0000 .0000 .0000 .6000 .0000 .0000 .0000 .0001
15 0 .4633 .2059 .0874 .0352 .0134 .0047 .0016 .0005 .0001 .0000
1 .3658 .3432 .2312 .1319 .0668 .0305 .0126 .0047 .0016 .0005
2 .1348 .2669 .2856 .2309 .1559 .0916 .0476 .0219 .0090 .0032
3 .0307 .1285 .2184 .2501 .2252 .1700 .1110 .0634 .0318 .0139
4 .0049 .0428 .1156 .1876 .2252 .2186 .1792 .1268 .0780 .0417
5 .0006 .0105 .0449 .1032 .1651 .2061 .2123 .1859 .1404 .0916
6 .0000 .0019 .0132 .0430 .0917 .1472 .1906 .2066 .1914 .1527
7 .0000 .0003 .0030 .0138 .0393 .0811 .1319 .1771 .2013 .1964
8 .0000 .0000 .0005 .0035 .0131 .0348 .0710 .1181 .1647 .1964
9 .0000 .0000 .0001 .0007 .0034 .0116 .0298 .0612 .1048 .1527
10 .0000 .0000 .0000 .0001 .0007 .0030 .0096 .0245 .0515 .0916
11 .0000 .0000 .0000 .0000 .0001 .0006 .0024 .0074 .0191 .0417
12 .0000 .0000 .0000 .0000 .0000 .0001 .0004 .0016 .0052 .0139
13 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0010 .0032
14 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0005
15 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000

p
n x .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
16 0 .4401 .1853 .0743 .0281 .0100 .0033 .0010 .0003 .0001 .0000
1 .3706 .3294 .2097 .1126 .0535 .0228 .0087 .0030 .0009 .0002
2 .1463 .2745 .2775 .2111 .1336 .0732 .0353 .0150 .0056 .0018
3 .0359 .1423 .2285 .2463 .2079 .1465 .0888 .0468 .0215 .0085
4 .0061 .0514 .1311 .2001 .2252 .2040 .1553 .1014 .0572 .0278
5 .0008 .0137 .0555 .1201 .1802 .2099 .2008 .1623 .1123 .0667
6 .0001 .0028 .0180 .0550 .1101 .1649 .1982 .1983 .1684 .1222
7 .0000 .0004 .0045 .0197 .0524 .1010 .1524 .1889 .1969 .1746
8 .0000 .0001 .0009 .0055 .0197 .0487 .0923 .1417 .1812 .1964
9 .0000 .0000 .0001 .0012 .0058 .0185 .0442 .0840 .1318 .1746
10 .0000 .0000 .0000 .0002 .0014 .0056 .0167 .0392 .0755 .1222
11 .0000 .0000 .0000 .0000 .0002 .0013 .0049 .0142 .0337 .0667
12 .0000 .0000 .0000 .0000 .0000 .0002 .0011 .0040 .0115 .0278
13 .0000 .0000 .0000 .0000 .0000 .0000 .0002 .0008 .0029 .0085
14 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0005 .0018
15 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0002
16 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000

DAFTAR- B
Fungsi Distribusi Poisson e -  x / x !
Angka pada tabel menunjukan nilai e -  x / x ! untuk nilai x dan  tertentu
x 
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
0 .9084 .8180 .7408 .6703 6065 .5488 .4966 .4493 .4066 .3679
1 .0905 .1637 .2222 .2681 .3033 .3293 .3476 .3595 .3659 .3679
2 .0045 .1664 .0333 .0536 .0758 .0988 .1217 .1438 .1647 .1839
3 .0002 .0011 .0033 .0072 .0126 .0198 .0284 .0383 .0494 .0613
4 .0000 .0001 .0002 .0007 .0016 .0030 .0050 .0077 .0111 .0153
5 .0000 .0000 .0000 .0001 .0002 .0004 .0007 .0012 .0020 .0031
6 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0002 .0003 .0005
7 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001
x 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
0 .3329 .3012 .2725 .2466 .2231 .2019 .1827 .1653 .1496 .1353
1 .3662 .3614 .3543 .3452 .3347 .3230 .3106 .2975 .2842 .2707
2 .2014 .2169 .2303 .2417 .2510 .2584 .2640 .2678 .2700 .2707
3 .0738 .0867 .0998 .1128 .1255 .1378 1496 .1607 .1710 .1804
4 .0203 .0260 .0324 0395 .0471 .0551 .0636 .0723 .0812 .0902
5 .0045 .0062 .0084 .0111 .0141 .0176 .0216 .0260 .0309 .0361
6 .0008 .0012 .0018 .0026 .0035 .0047 .0061 .0078 .0098 .0120
7 .0001 .0002 .0003 .0005 .0008 .0011 .0015 .0020 .0027 .0034
8 .0000 .0000 .0001 .0001 .0001 .0002 .0003 .0005 .0006 .0009
9 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0002
<
x 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0
0 .1225 .1108 .1003 .0907 .0821 .0743. .0672 .0608 .0550 .0498
1 .2572 .2438 .2306 .2177 .2052 1931 .1815 .1703 .1596 .1494
2 .2700 .2681 .2652 .2613 .2565 .2510 .2450 .2384 .2314 .2240
3 .1890 .1966 .2033 .2090 .2138 .2176 .2205 .2225 .2237 .2240
4 .0992 .1082 .1169 .1254 .1336 .1414 .1488 .1557 .1622 .1680
5 .0417 .0476 .0538 .0602 .0668 .0735 .0804 .0872 .0940 .1008
6 .0146 .0174 .0206 .0241 .0278 .0319 .0362 .0407 .0455 .0504
7 .0044 .0055 .0068 .0083 .0099 .0118 .0139 .0163 .0188 .0216
8 .0011 .0015 .0019 .0025 .0031 .0038 .0047 .0057 .0068 .0081
9 .0003 .0004 .0005 .0007 .0009 .0011 .0014 .0018 .0022 .0027
10 .0001 .0001 .0001 .0002 .0002 .0003 .0004 .0005 .0006 .0008
11 .0000 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0002 .0002
12 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001

x 
3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 4.0
0 .0450 .0408 .0369 .0334 .0302 .0273 .0247 .0224 .0202 .0183
1 .1397 .1304 .1217 .1135 .1057 .0984 .0915 .0850 .0789 .0733
2 .2165 .2087 .2008 1929 .1850 .1771 .1692 .1615 .1539 .1465
3 .2237 .2226 .2209 .2186 .2158 .2125 .2087 .2046 .2001 .1954
4 .1734 .1781 .1823 .1858 .1888 .1912 .1931 .1944 .1951 .1954
5 .1075 .1140 1203 .1264 .1322 .1377 .1429 .1477 .1522 .1563
6 .0555 .0608 .0662 .0716 .0771 .0826 .0881 .0936 .0989 .1042
7 .0246 .0278 .0312 0348 .0385 .0425 .0466 .0508 .0551 .0595
8 .0095 .0111 .0129 .0148 .0169 .0191 .0215 .0241 .0269 .0298
9 .0033 .0040 .0047 .0056 .0066 .0076 .0089 .0102 .0116 .0132
10 .0010 .0013 .0016 .0019 .0023 .0028 .0033 .0039 .0045 .0053
11 .0003 .0004 .0005 .0006 .0007 .0009 .0011 .0013 .0016 .0019
12 .0001 .0001 .0001 .0002 .0002 .0003 .0003 .0004 .0005 .0006
13 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0001 .0002 .0002
14 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001
x 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 5.0
0 .0166 .0150 .0136 .1023 .0111 .0101 .0091 .0082 .0074 .0067
1 .0679 0630 .0583 .0540 .0500 .0462 .0427 .0395 .0365 .0337
2 .1393 1323 .1254 .1188 .1125 .1063 .1005 .0948 .0894 .0842
3 .1904 .1852 .1798 .1745 .1687 .1631 .1574 .1517 .1460 .1404
4 .1951 .1944 .1933 .1917 .1898 .1875 .1849 .1820 .1789 .1755
5 .1600 .1633 .1662 .1687 .1708 .1725 .1738 .1747 .1753 .1755
6 .1093 .1143 .1191 .1237 .1281 .1323 .1362 .1398 .1432 .1462
7 .0640 .0686 .0732 .0778 .0824 .0869 .0914 .0959 .1002 .1044
8 .0328 .0360 .0393 .0428 .0463 .0500 .0537 .0575 .0614 .0653
9 .0150 .0168 .0188 .0209 .0232 .0255 .0280 .0307 .0334 .0363
10 .0061 .0071 .0081 .0092 .0104 .0118 .0132 .0147 .0164 .0181
11 .0023 .0027 .0032 .0037 .0043 .0049 .0056 .0064 .0073 .0082
12 .0008 .0009 .0011 .0014 .0016 .0019 .0022 .0026 .0030 .0034
13 .0002 .0003 .0004 .0005 .0006 .0007 .0008 .0009 .0011 .0013
14 .0001 .0001 .0001 .0001 .0002 .0002 .0003 .0003 .0004 .0005
15 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0001 .0001 .0002

x 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 6.0
0 .0061 .0055 .0050 .0045 .0041 .0037 .0033 .0030 .0027 .0025
1 .0311 .0287 .0265 .0244 .0225 .0207 .0191 .0176 .0162 .0149
2 .0793 .0746 .0701 .0659 .0618 .0580 .0544 .0509 .0477 .0446
3 .1348 .1293 .1239 .1185 .1133 .1082 .1033 .0935 .0938 .0892
4 .1719 .1681 .1641 .1600 .1558 .1515 .1472 .1428 .1383 .1339
5 .1753 .1748 .1740 .1728 .1714 .1697 .1678 .1656 .1632 .1606
6 .1490 .1515 .1537 .1555 .1571 .1584 .1594 .1601 .1605 .1606
7 .1086 .1125 .1163 .1200 .1234 .1267 .1298 .1326 .1353 .1377
8 .0692 .0731 .0771 .0810 .0849 .0887 .0925 .0962 .0998 .1033
9 .0392 .0423 .0454 .0486 .0519 .0552 .0586 .0620 .0654 .0688
10 .0200 .0220 .0241 .0262 .0285 .0309 .0334 .0359 .0386 .0413
11 .0093 .0104 .0116 .0129 .0143 .0157 .0173 .0190 .0207 .0225
12 .0039 .0045 .0051 .0058 .0065 .0073 .0082 .0092 .0102 .0113
13 .0015 .0018 .0021 .0024 .0028 .0032 .0036 .0041 .0046 .0052
14 .0006 .0007 .0008 .0009 .0011 .0013 .0015 .0017 .0019 .0022
15 .0002 .0002 .0003 .0003 .0004 .0005 .0006 .0007 .0008 .0009
16 .0001 .0001 .0001 .0001 .0001 .0002 .0002 .0002 .0003 .0003
17 .0000 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0001 .0001
x 6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 7.0
0 .0022 .0020 .0018 .0017 .0015 .0014 .0012 .0011 .0010 .0009
1 .0137 .0126 .0116 .0106 .0098 .0090 .0082 .0076 .0070 .0064
2 .0417 .0390 .0364 .0340 .0318 .0296 .0276 .0258 .0240 .0223
3 .0848 .0806 .0765 .0726 .0688 .0652 .0617 .0584 .0552 .0912
4 .1294 .1249 .1205 .0116 .1118 .1076 .1034 .0992 .0952 .0912
5 .1579 .1549 .1519 .1487 .1454 .1420 .1385 .1349 .1314 .1277
6 .1605 .1601 .1595 .1586 .1575 .1562 .1546 .1529 .1511 .1490
7 .1399 .1418 .1435 .1450 .1462 .1472 .1480 .1486 .1489 .1490
8 .1066 .1099 .1130 .1160 .1188 .1215 .1240 .1263 .1284 .1304
9 .0723 .0757 .0791 .0825 .0858 .0891 .0923 .0954 .0985 .1014
10 .0441 ..0469 .0498 .0528 .0558 .0588 .0618 .0649 .0679 .0710
11 .0245 .0265 .0285 .0307 .0330 .0353 .0377 .0401 .0426 .0452
12 .0124 .0137 .0150 .0164 .0179 .0194 .0210 .0227 .0245 .0264
13 .0058 .0065 .0073 .0081 .0089 .0098 .0108 .0119 .0130 .0142
14 .0025 .0029 .0033 .0037 .0041 .0046 .0052 .0058 .0064 .0071
15 .0010 .0012 .0014 .0016 .0018 .0020 .0023 .0026 .0029 .0033
16 .0004 .0005 .0005 .0006 .0007 .0008 .0010 .0011 .0013 .0014
17 .0001 .0002 .0002 .0002 .0003 .0003 .0004 .0004 .0005 .0006
18 .0000 .0001 .0001 .0001 .0001 .0001 .0001 .0002 .0002 .0002
19 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0001 .0001

x 
7.1 7.2 7.3 7.4 7.5 7.6 7.7 7.8 7.9 8.0
0 .0008 .0007 .0007 .0006 .0006 .0005 .0005 .0004 .0004 .0003
1 .0059 .0054 .0049 .0045 .0041 .0038 .0035 .0032 .0029 .0027
2 .0208 .0194 .0180 .0167 .0156 .0145 .0134 .0125 .0116 .0107
3 .0492 .0464 .0438 .0413 .0389 .0366 .0345 .0324 .0305 .0286
4 .0874 .0836 .0799 .0764 .0729 .0696 .0663 .0632 .0602 .0573
5 .1241 .1204 .1167 .1130 .1094 .1057 .1021 .0986 .0951 .0916
6 .1468 .1445 .1420 .1394 .1367 .1339 .1311 .1282 .1252 .1221
7 .1489 .1486 .1481 .1474 .1465 .1454 .1442 .1428 .1413 .1396
8 .1321 .1337 .1351 .1363 .1373 .1382 .1388 .1392 .1395 .1396
9 .1042 .1070 .1096 .1121 .1144 .1167 .1187 .1207 .1224 .1241
10 .0740 .0770 .0800 .0829 .0858 .0887 .0914 .0941 .0967 .0993
11 .0478 .0504 .0531 .0558 .0585 .0613 .0640 .0667 .0695 .0722
12 .0283 .0303 .0323 .0344 .0366 .0388 .0411 .0434 .0457 .0481
13 .0154 .0168 .0181 .0196 .0211 .0227 .0243 .0260 .0278 .0296
14 .0078 .0086 .0095 .0104 .0113 .0123 .0134 .0145 .0157 .0169
15 .0037 .0041 .0046 .0051 .0057 .0062 .0069 .0075 .0083 .0090
16 .0016 .0019 .0021 .0024 .0026 .0030 .0033 .0037 .0041 .0045
17 .0007 .0008 .0009 .0010 .0012 .0013 .0015 .0017 .0019 .0021
18 .0003 .0003 .0004 .0004 .0005 .0006 .0006 .0007 .0008 .0009
19 .0001 .0001 .0001 .0002 .0002 .0002 .0003 .0003 .0003 .0004
20 .0000 .0000 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0002
21 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0001
x 8.1 8.2 8.3 8.4 8.5 8.6 8.7 8.8 8.9 9.0
0 .0003 .0003 .0002 .0002 .0002 .0002 .0002 .0002 .0001 .0001
1 .0025 .0023 .0021 .0019 .0017 .0016 .0014 .0013 .0012 .0011
2 .0100 .0092 .0086 .0079 .0074 .0068 .0063 .0058 .0054 .0050
3 .0269 .0252 .0237 .0222 .0208 .0195 .0183 .0171 .0160 .0150
4 .0544 .0517 .0491 .0466 .0443 .0420 .0398 .0377 .0357 .0337
5 .0882 .0849 .0816 .0784 .0752 .0722 .0692 .0663 .0635 .0607
6 .1191 .1160 .1128 .1097 .1066 .1034 .1003 .0972 .0941 .0911
7 .1378 .1358 .1338 .1317 .1294 .1271 .1247 .1222 .1197 .1171
8 .1395 .1392 .1388 .1382 .1375 .1366 .1356 .1344 .1332 .1318
9 .1256 .1269 .1280 .1290 .1399 .1306 .1311 .1315 .1317 .1318
10 .1017 .1040 .1063 .1084 .1104 .1123 .1140 .1157 .1172 .1186
11 .0749 .0776 .0802 .0828 .0853 .0878 .0902 .0525 .0948 .0970
12 .0505 .0530 .0555 .0579 .0604 .0629 .0654 .0679 .0703 .0728
13 .0315 .0334 .0354 .0374 .0395 .0416 .0438 .0459 .0481 .0504
14 .0182 .0196 .0210 .0225 .0240 .0256 .0272 .0289 .0306 .0324

15 .0098 .0107 .0116 .0126 .0136 .0147 .0158 .0169 .0182
.0194
16 .0050 .0055 .0060 .0066 .0072 .0079 .0086 .0093 .0101
17 .0024 .0026 .0029 .0033 .0036 .0040 .0044 .0048 .0053 .0109
18 .0011 .0012 .0014 .0015 .0017 .0019 .0021 .0024 .0026 .0058
19 .0005 .0005 .0006 .0007 .0008 .0009 .0010 .0011 .0012 .0029
20 .0002 .0002 .0002 .0003 .0003 .0004 .0004 .0005 .0005 .0014
21 .0001 .0001 .0001 .0001 .0001 .0002 .0002 .0002 .0002 .0006
22 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0001 .0001 .0003
.0001

DAFTAR-C
Distribusi Normal
Angka pada tabel menunjukan proporsi pada kurva yang terletak antara z = 0
dan nilai z positif. Daerah untuk nilai z negatif diperoleh dengan cara yang sama.
z 0 1 2 3 4 5 6 7 8 9
0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
0.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
0.4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879
0.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
0.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2517 .2549
0.7 .2580 .2611 .2642 .2673 .2703 .2734 .2764 .2794 .2823 .2852
0.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
0.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0 .3413 .3438 .3461 .3485 .3508 .3531 3554 .3577 .3599 .3521
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.5 .4332 .4345 4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767
2.0 .4772 .4778 4783 .4788 .4793 .4798 .4803 .4808 .4812 4817
2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 4857
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936
2.5 4938 .4940 4941 .4943 .4945 .4946 .4948 .4949 .4951 .4952
2.6 .4953 .4955 4956 .4957 .4959 .4960 .4961 .4962 .4963 .4964
2.7 .4965 .4966 4967 .4968 .4969 .4970 .4971 .4972 .4973 .4974
2.8 .4974 .4975 4976 .4977 .4977 .4978 .4979 .4979 .4980 .4981
2.9 .4981 .4982 4982 .4983 .4984 .4984 .4985 .4985 .4986 .4986
3.0 .4987 .4987 4987 .4988 .4988 .4989 .4989 .4940 .4990 .4990

DAFTAR-D
Harga Kritik Korelasi Product Moment Person
.05 .025 .01 .005
dƒ
Level of significance for two-tailed tes
.01 .05 .02 .01
1 988 997 995 999
2 900 950 980 990
3 805 878 934 959
4 729 811 882 917
5 669 754 833 874
6 622 707 789 834
7 582 666 750 798
8 549 632 716 765
9 521 602 685 735
10 497 576 658 708
11 476 553 634 684
12 458 532 612 661
13 441 514 592 641
14 426 497 574 623
15 412 482 558 606
16 400 468 542 590
17 389 456 528 575
18 378 444 516 561
19 369 433 503 549
20 360 423 492 537
21 352 413 482 526
22 344 404 472 515
23 337 396 462 505
24 330 388 456 496
25 323 381 445 487
26 317 374 437 479
27 311 367 430 471
28 306 361 423 463
29 301 355 416 456
30 296 349 409 449
35 275 325 381 418
40 257 304 358 393
45 243 288 338 372
50 231 273 322 354
60 211 250 295 325
70 195 232 274 303
80 183 217 256 283
90 173 205 242 267
100 164 195 230 254
Sumber: Diambil dari Gullford, JP dan Benyamin, F; Fundamental Statistic In
Psychology and Education; McGraw-Hill Book Company; Sydney; 1978

DAFTAR-E
Harga Kritik Korelasi Tata Jenjang Spearman’s
Level of Significance for two-tail test
N .10 .02 .01 N .10 .02 .01
5 .900 1.000 16 .425 .601 .665

6 .829 .943 1.000 18 .399 .564 .625
7 .714 .893 .929 20 .377 .534 .591
8 .643 .833 .881 22 .359 .508 .562
9 .600 .783 .833 24 .343 .485 .537
10 .564 .746 .794 26 .329 .465 .515
12 .506 .712 .777 28 .317 .448 .496
14 .456 .645 .715 30 .306 .432 .478
.05 .01 .005 .05 .01 .005
Level of Significance for one-tail test
Sumber: Diambil dari Ferguson, A. George; Statistical Analysis in Psychology And

Education; McGraw-Hill Book Company; New York; 1989.

DAFTAR-F
Harga Kritik Untuk t
.10 .05 .025 .01 .005 .0005
dƒ
Level of significance for two-tailed test
.20 .10 .05 .02 .01 .001
1 3.078 6.314 12.706 31.821 63.657 636.619
2 1.886 2.920 4.303 6.965 9.925 31.598
3 1.638 2.353 3.182 4.541 5.841 12.941
4 1.533 2.132 2.770 3.747 4.604 8.613
5 1.476 2.015 2.571 3.365 4.032 6.859
6 1.440 1.943 2.447 3.143 3.707 5.959
7 1.415 1.895 2.365 2.998 3.499 5.405
8 1.397 1.860 2.306 2.896 3.355 5.041
9 1.383 1.833 2.262 2.821 3.250 4.781
10 1.372 1.812 2.228 2.764 3.169 4.587
11 1.363 1.796 2.201 2.718 3.106 4.437

12 1.356 1.782 2.179 2.681 3.055 4.318
13 1.350 1.771 2.160 2.650 3.012 4.221
14 1.345 1.761 2.145 2.624 2.977 4.140
15 1.341 1.753 2.131 2.602 2.947 4.073
16 1.337 1.746 2.120 2.853 2.921 4.015
17 1.333 1.740 2.110 2.567 2.898 3.965
18 1.330 1.734 2.101 2.552 2.878 3.922
19 1.328 1.729 2.093 2.539 2.861 3.883
20 1.325 1.725 2.086 2.528 2.845 3.850
21 1.323 1.721 2.080 2.518 2.831 3.819

22 1.321 1.717 2.074 2.508 2.819 3.792
23 1.319 1.714 2.069 2.500 2.807 3.767
24 1.318 1.711 2.064 2.492 2.797 3.745
25 1.316 1.708 2.060 2.485 2.787 3.725
26 1.315 1.706 2.056 2.479 2.779 3.707
27 1.314 1.703 2.052 2.473 2.771 3.690
28 1.313 1.701 2.048 2.467 2.763 3.674
29 1.311 1.699 2.045 2.462 2.756 3.659
30 1.310 1.697 2.042 2.457 2.750 3.646
40 1.303 1.684 2.021 2.423 2.704 3.551

60 1.296 1.671 2.000 2.390 2.660 3.460
120 1.289 1.658 1.980 2.358 2.617 3.373
 1.282 1.645 1.960 2.326 2.576 3.291
Sumber: Diambil dari Gullford, JP. dan Benyamin, F., Fundamental Statistic in

DAFTAR-G
304
Harga Kritik Untuk F
Baris atas untuk  = 0,05
Baris bawah untuk  = 0,01
Penyebut
1 2 3 4 5 6 7 8 9 10 11 12 14 16 20 24 30 40 50 75 100 200 500 
1 161 200 216 225 230 234 237 239 241 242 243 244 245 246 248 249 250 251 252 253 253 254 254 254
STATISTIKA SOSIAL
4052 4999 5403 5625 5764 5859 5928 5981 6022 6056 6082 6106 6142 6169 6208 6234 6258 6286 6302 6323 6334 6352 6361 6366
2 18.51 19.00 19.16 19.25 19.30 19.33 19.36 19.37 19.38 19.39 19.40 19.14 19.42 19.43 19.44 19.45 19.46 19.47 19.47 19.48 19.49 19.49 19.50 19.50
98.49 99.01 99.17 99.25 99.30 99.33 99.34 99.36 99.38 99.40 99.41 99.42 99.43 99.44 99.45 99.46 99.47 99.48 99.48 99.49 99.49 99.49 99.50 99.50
3 10.13 9.55 9.28 9.12 9.01 8.94 8.88 8.84 8.81 8.78 8.76 8.374 8.71 8.69 8.66 8.46 8.26 8.60 8.58 8.57 8.56 8.54 8.54 8.53
35.12 30.81 29.46 28.71 28.24 27.91 27.67 27.49 27.34 27.23 27.13 27.05 26.92 26.83 26.69 26.60 26.50 26.41 2635 26.27 26.23 26.18 26.14 26.12
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.93 5.91 5.87 5.84 5.80 5.77 5.74 5.71 5.70 5.68 5.66 5.65 5.64 5.63
21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.08 14.66 14.54 14.45 14.37 14.24 14.15 14.02 13.93 13.83 13.74 13.69 13.61 13.57 13.52 13.48 13.46
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.78 4.74 4.70 4.68 4.64 4.60 1.56 4.56 4.50 4.46 4.44 4.42 4.40 4.38 4.37 4.36
16.26 13.27 12.06 11.39 10.97 10.67 10.45 10.27 10.15 10.05 9.96 9.89 9.77 9.68 9.55 9.47 9.38 9.29 09.24 9.17 9.13 9.07 9.04 9.02
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.03 4.00 3.96 3.02 3.87 3.84 3.81 3.77 3.75 3.72 3.71 3.69 3.68 3.67
13.74 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.79 7.72 7.60 7.52 7.39 7.31 7.23 7.14 7.09 7.02 6.99 6.94 6.90 6.88
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.63 3.60 3.57 3.52 3.49 3.44 3.41 3.38 3.34 3.32 3.29 3.28 3.25 3.24 3.23
13.74 9.55 8.45 7.85 7.46 7.19 7.00 6.84 6.71 6.62 6.54 6.47 6.35 6.27 6.15 6.07 5.98 5.90 5.85 5.78 5.75 5.70 5.67 5.65
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.34 3.31 3.28 3.23 3.20 3.15 3.12 3.08 3.05 3.03 3.00 2.98 2.96 2.94 2.93
11.26 8.65 7.59 7.01 6.63 6.37 6.19 6.03 5.91 5.82 5.74 5.67 5.56 5.48 5.36 5.28 5.20 5.11 5.06 5.00 4.96 4.91 4.88 4.86
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.13 3.10 3.07 3.02 2.98 2.93 2.90 2.86 2.82 2.80 2.77 2.76 2.73 2.72 2.71
10.56 8.02 6.99 6.42 6.06 5.80 5.62 5.47 5.35 5.26 5.18 5.11 5.00 4.92 4.80 4.73 4.64 4.56 4.51 4.45 4.41 4.36 4.33 4.31
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.97 2.94 2.91 2.86 2.82 2.77 2.74 2.70 2.67 2.64 2.61 2.59 2.56 2.55 254
10.04 7.56 6.55 5.99 5.64 5.39 5.21 5.06 4.95 4.85 4.78 4.71 4.60 4.52 4.41 4.33 4.25 4.17 4.12 4.05 4.01 3.96 3.93 3.91
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.86 2.82 2.79 2.74 2.70 2.65 2.61 2.57 2.53 2.50 2.47 2.45 2.42 2.41 2.40
9.65 7.20 6.22 5.67 5.32 5.07 4.88 4.47 4.63 4.46 4.46 4.40 4.29 4.21 4.10 4.02 3.94 386 3.80 3.74 3.70 3.66 3.62 3.60
Adaptasi dari : Ferguson, A. George; Statistical Analysis in Psychology and Education. San Francisco: McGraw-Hill Book Company. 1989.
Penyebut
1 2 3 4 5 6 7 8 9 10 11 12 14 16 20 24 30 40 50 75 100 200 500 
12 4.75 3.88 3.49 3.26 3.11 3.00 2.92 2.85 2.80 2.76 2.72 2.69 2.64 2.60 2.54 2.50 2.46 2.42 2.40 2.36 2.35 2.32 2.31 2.30
9.33 6.93 5.95 5.41 5.06 4.82 4.65 4.50 4.39 4.30 4.22 4.16 4.05 3.98 3.86 3.78 3.70 3.61 3.56 3.49 3.46 3.41 3.38 3.36
13 4.67 3.80 3.41 3.18 3.02 2.92 2.84 2.77 2.72 2.67 2.63 2.60 2.55 2.51 2.46 2.42 2.38 2.34 2.32 2.28 2.26 2.24 2.22 2.21
9.07 6.70 5.74 5.20 4.86 4.62 4.44 4.30 4.19 4.10 4.02 3.96 3.85 3.78 3.67 3.59 3.51 3.42 2.37 3.30 3.27 3.21 3.18 3.16
14 4.60 3.74 3.34 3.11 2.96 2.85 2.77 2.70 2.65 2.60 2.56 2.53 2.48 2.44 2.39 2.35 2.31 2.27 2.24 2.21 2.19 2.16 2.14 2.13
8.86 6.51 5.56 5.03 4.69 4.46 4.28 4.14 4.03 3.94 3.86 3.80 3.70 3.62 3.51 3.43 3.34 3.26 3.21 3.14 3.11 3.06 3.02 3.00
15 4.54 3.68 3.29 3.06 2.90 2.79 2.70 2.64 2.59 2.55 2.51 2.48 2.43 2.39 2.33 2.29 2.25 2.21 2.18 2.15 2.12 2.10 2.08 2.07
8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89 3.80 3.73 3.67 3.56 3.48 3.36 3.29 3.20 3.12 3.07 3.00 2.97 2.92 2.89 2.87
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.45 2.42 2.37 2.33 2.28 2.24 2.20 2.16 2.13 2.09 2.07 2.04 2.02 2.06
8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78 3.69 3.61 3.55 3.45 3.37 3.25 3.18 3.10 3.01 2.96 2.89 2.86 2.80 2.77 2.75
17 4.45 3.59 3.20 2.96 2.81 2.70 2.62 2.55 2.50 2.45 2.41 2.38 2.33 2.29 2.23 2.19 2.15 2.11 2.08 2.04 2.02 1.99 1.97 1.96
8.40 6.11 5.18 4.67 4.43 4.10 3.93 3.79 3.68 3.59 3.52 3.45 3.35 3.27 3.16 3.08 3.00 2.92 2.86 2.79 2.76 2.70 2.67 2.65
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.37 2.34 2.29 2.25 2.19 2.15 2.11 2.07 2.04 2.00 1.98 1.95 1.93 1.92
8.28 6.01 5.09 4.58 4.25 4.01 3.85 3.71 3.60 3.51 3.44 3.37 3.27 3.19 3.07 3.00 2.91 2.83 2.78 2.71 2.68 2.62 2.59 2.57
19 4.38 3.52 3.13 2.90 2.74 2.63 2.55 2.48 2.41 2.38 2.34 2.31 2.26 2.21 2.15 2.11 2.07 2.02 2.00 1.96 1.94 1.91 1.90 1.88
8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52 3.43 3.36 3.30 3.19 3.12 3.00 2.92 2.84 2.76 2.70 2.63 2.60 2.54 2.51 2.49
20 4.35 3.49 3.10 2.87 2.71 2.60 2.52 2.45 2.40 2.35 2.31 2.28 2.23 2.18 2.12 2.08 2.04 1.99 1.96 1.92 1.90 1.87 1.85 1.84
8.10 5.85 4.94 4.43 4.10 3.87 3.71 3.56 3.45 3.37 3.30 3.23 3.13 3.05 2.94 2.86 2.77 2.69 2.63 2.56 2.53 2.47 2.44 2.42
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 4.42 2.37 3.32 2.28 2.25 2.20 2.15 2.09 2.05 2.00 1.96 1.93 1.89 1.87 1.84 1.82 1.81
8.02 5.78 4.87 4.37 4.04 3.81 3.65 3.51 3.40 3.31 3.24 3.17 3.07 2.99 2.88 2.80 2.72 2.63 2.58 2.51 2.47 3.42 2.38 2.36
22 4.30 3.44 3.05 2.82 2.66 2.55 2.47 2.40 2.35 2.30 2.26 2.23 2.18 2.13 2.07 2.03 1.98 1.93 1.91 1.87 1.84 1.81 1.80 1.78
7.94 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35 3.26 3.18 3.12 3.02 2.94 2.83 2.75 2.67 2.58 2.53 2.46 2.42 2.37 2.33 2.23
23 4.28 3.42 3.03 2.80 2.64 2.53 2.45 2.38 2.32 2.28 2.24 2.20 2.14 2.10 2.04 2.00 1.96 1.91 1.88 1.84 1.82 1.79 1.77 1.76
7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41 3.30 3.21 3.14 3.07 2.97 2.89 2.78 2.70 2.62 2.53 2.48 2.41 2.37 2.32 2.28 2.26
24 4.26 3.40 3.01 2.78 2.62 2.51 2.43 2.36 2.30 2.26 2.22 2.18 2.13 2.09 2.02 1.98 1.94 1.89 1.86 1.82 1.80 1.76 1.74 1.73
STATISTIKA SOSIAL
7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.25 3.17 3.09 3.03 2.93 2.85 2.74 2.66 2.58 2.49 2.44 2.36 2.33 2.28 2.28 2.21
305
306
Penyebut
1 2 3 4 5 6 7 8 9 10 11 12 14 16 20 24 30 40 50 75 100 200 500 
25 4.24 3.38 2.99 2.76 2.60 2.49 2.41 2.34 2.28 2.24 2.20 2.16 2.11 2.06 2.00 1.96 1.92 1.87 1.84 1.80 1.77 1.74 1.72 1.71
7.77 5.57 4.68 4.18 3.86 3.62 3.46 3.32 3.21 3.13 3.05 2.99 2.89 2.81 2.70 2.62 2.54 2.45 2.40 2.32 2.29 2.23 2.19 2.17
26 4.22 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22 2.18 2.15 2.10 2.05 1.99 1.95 1.90 1.85 1.82 1.78 1.76 1.72 1.70 1.69
7.72 5.83 4.64 4.14 3.82 3.59 3.42 3.29 3.17 3.09 3.02 2.96 2.86 2.77 2.66 2.58 2.50 2.41 2.36 2.28 2.25 2.19 2.15 2.13
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.30 2.25 2.20 2.16 2.13 2.08 2.03 1.97 1.93 1.88 1.84 1.80 1.76 1.74 1.71 1.68 1.67
STATISTIKA SOSIAL
7.68 5.49 4.60 4.11 3.79 3.56 3.39 3.26 3.14 3.06 2.98 2.93 2.83 3.74 2.63 2.55 2.47 2.38 2.33 2.25 2.21 2.16 2.12 2.10
28 4.20 3.34 2.95 2.71 2.56 2.44 2.36 2.29 2.24 2.19 2.15 2.12 2.06 2.02 1.96 1.91 1.87 1.81 1.78 1.75 1.72 1.69 1.67 1.65
7.64 5.45 4.57 4.07 3.76 3.53 3.36 2.23 3.11 3.03 2.95 2.90 2.80 3.71 2.60 2.52 2.44 2.35 2.30 2.22 2.18 2.13 2.09 2.06
29 4.18 3.33 2.93 2.07 2.54 2.43 2.35 2.28 2.22 2.18 2.14 2.10 2.05 2.00 1.94 2.90 1.85 1.80 1.77 1.73 1.71 1.68 1.65 1.63
7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20 3.08 3.00 2.92 2.87 2.77 2.68 2.57 2.49 2.41 2.32 2.27 2.19 2.15 2.10 2.06 2.03
30 4.17 3.32 2.92 2.69 2.53 2.42 2.34 2.27 2.21 2.16 2.12 2.09 2.04 1.99 1.93 1.89 1.84 1.79 1.76 1.72 1.69 1.66 1.64 1.62
7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.06 2.98 2.90 2.84 2.74 2.66 2.55 2.47 2.38 2.29 2.24 2.16 2.13 2.07 2.03 2.01
32 4.15 3.30 2.90 2.67 2.51 2.40 2.32 2.25 2.19 2.14 2.10 2.07 2.02 1.97 1.91 1.86 1.82 1.76 1.74 1.69 1.67 1.64 1.61 1.59
7.50 5.24 4.46 3.97 3.66 3.42 3.25 3.13 3.01 2.94 2.86 2.80 2.70 2.62 2.51 2.42 2.34 2.25 2.20 2.12 2.08 2.02 1.98 1.96
34 4.13 3.28 2.88 2.65 2.49 2.38 2.30 2.23 2.17 2.12 2.08 2.05 2.00 1.95 1.89 1.84 1.80 1.74 1.71 1.67 1.64 1.61 1.59 1.57
7.44 5.29 4.42 3.93 3.61 3.38 3.21 3.08 2.97 2.89 2.82 2.76 2.66 2.58 2.47 2.38 2.30 2.21 2.15 2.08 2.04 1.98 1.94 1.91
36 4.11 3.26 2.86 2.63 2.48 2.36 2.28 2.21 2.15 2.10 2.06 2.03 1.98 1.93 1.87 1.82 1.78 1.72 1.69 1.65 1.62 1.59 1.56 1.55
7.39 5.25 4.38 3.89 3.58 3.35 3.18 3.04 2.94 2.86 2.78 2.72 2.62 2.54 2.43 2.35 2.26 2.17 2.12 2.04 2.00 1.94 1.90 1.87
38 4.10 3.25 2.85 2.62 2.46 2.35 2.26 2.19 2.14 2.09 2.05 2.02 1.96 1.92 1.85 1.80 1.76 1.71 1.67 1.63 1.60 1.57 1.54 1.53
7.35 5.21 4.34 3.86 3.54 3.32 3.15 3.02 2.91 2.82 3.75 2.69 2.59 2.51 2.40 2.22 2.22 2.14 2.08 2.00 1.97 1.90 1.86 1.84
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.07 2.04 2.00 1.95 1.90 1.84 1.79 1.74 1.69 1.66 1.61 1.59 1.55 153 1.51
7.31 5.18 4.31 3.83 3.51 3.29 3.13 2.99 2.88 2.80 3.73 2.66 2.56 2.49 2.37 2.29 2.20 2.11 2.05 1.97 1.94 1.88 1.84 1.81
42 4.07 3.22 2.83 2.59 2.44 2.32 2.24 2.17 2.11 2.06 2.02 1.99 1.94 1.89 1.82 1.78 1.73 1.68 1.64 1.60 1.57 1.54 1.51 1.49
7.27 3.15 4.29 3.80 3.49 3.26 3.10 2.96 2.86 2.77 2.70 2.64 2.54 2.46 2.35 2.26 2.17 2.06 2.02 1.94 1.91 1..85 1.80 1.78
44 4.06 3.21 2.82 2.58 2.43 2.31 2.23 2.16 2.10 2.05 2.01 1.98 1.92 1.88 1.81 1.76 1.72 1.66 1.63 1.58 1.56 1.52 1.50 1.48
7.24 5.12 4.26 3.78 3.46 3.24 3.07 2.94 2.84 2.75 2.68 2.62 2.52 2.44 2.32 2.24 2.15 2.06 2.00 1.92 1.88 1.82 1.78 1.75
Penyebut
1 2 3 4 5 6 7 8 9 10 11 12 14 16 20 24 30 40 50 75 100 200 500 
46 4.05 3.20 2.81 2.57 2.42 2.30 2.22 2.14 2.09 2.04 2.00 1.97 1.91 1.87 1.80 1.75 1.71 1.65 1.62 1.57 1.54 1.51 1.48 1.46
7.21 5.10 4.24 3.76 3.44 3.22 3.05 2.92 2.82 2.73 2.66 2.60 2.50 2.42 2.30 2.22 2.13 2.04 1.98 1.90 1.86 1.80 1.76 1.72
48 4.04 3.19 2.80 2.56 2.41 2.30 2.21 2.14 2.03 2.03 1.99 1.96 1.90 1.86 1.79 1.74 1.70 1.64 1.61 1.56 1.53 1.50 1.47 1.45
7.19 5.08 4.22 3.42 3.42 3.20 3.04 2.90 2.80 2.71 2.64 2.58 2.48 2.40 2.28 2.20 2.11 2.02 1.96 1.68 1.84 1.78 1.73 1.70
50 7.03 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07 2.02 1.98 1.95 1.90 1.85 1.78 1.74 1.69 1.63 1.60 1.55 1.52 1.48 1.46 1.41
7.17 5.06 4.20 3.72 3.41 3.18 3.02 2.88 2.73 2.70 2.62 2.56 2.46 2.39 2.26 2.18 2.10 2.00 1.94 1.86 1.82 1.76 1.71 1.68
55 4.02 3.17 2.78 2.54 2.38 2.27 2.18 2.11 2.05 2.00 1.97 1.93 1.88 1.83 1.76 1.72 1.67 1.61 1.58 1.52 1.50 1.46 1.43 1.41
7.12 5.01 4.16 3.68 3.37 3.15 2.98 2.85 2.75 2.65 2.59 2.53 2.43 2.35 2.23 2.15 2.06 1.96 1.90 1.86 1.78 1.71 1.66 1.64
60 4.00 3.15 2.76 2.52 2.37 2.25 2.17 2.10 2.04 1.99 1.95 1.92 1.86 1.81 1.75 1.70 1.65 1.59 1.56 1.50 1.48 1.44 1.41 1.39
7.03 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63 2.50 2.50 2.40 2.32 2.20 2.10 2.03 1.93 1.87 1.79 1.74 1.68 1.63 1.60
65 3.99 3.14 2.75 2.51 2.36 2.24 2.15 2.08 2.02 1.98 1.94 1.90 1.85 1.80 1.71 1.68 1.63 1.57 1.54 1.49 1.46 1.42 1.39 1.37
7.04 4.95 4.10 3.62 3.31 3.09 2.93 2.79 2.70 2.61 2.54 2.47 2.37 2.30 2.18 2.09 2.00 1.90 1.84 1.76 1.71 1.62 1.60 1.56
70 3.98 3.13 2.74 2.50 2.35 2.23 2.14 2.07 2.01 1.97 1.93 1.89 1.83 1.79 1.72 1.67 1.62 1.56 1.53 1.47 1.45 1.40 1.37 1.35
7.01 4.92 4.08 3.60 3.29 3.07 2.91 2.77 2.67 2.59 2.51 2.45 2.35 2.28 2.15 2.07 1.98 1.88 1.82 1.74 1.69 1.62 1.56 1.52
80 3.96 3.11 2.72 2.48 2.33 2.21 2.12 2.05 1.99 1.95 1.91 1.88 1.82 1.77 1.70 1.65 1.60 1.54 1.51 1.45 1.42 1.38 1.35 1.32
6.96 4.88 4.04 3.56 3.25 3.04 2.87 2.74 2.64 2.55 2.48 2.41 2.32 2.24 2.11 2.03 1.94 1.84 1.78 1.70 1.65 1.57 1.52 1.49
100 3.94 3.09 2.70 2.46 2.30 2.19 2.10 2.03 1.97 1.92 1.88 1.85 1.79 1.75 1.68 1.63 1.57 1.51 1.48 1.42 1.39 1.34 1.30 1.28
6.90 4.82 3.98 3.51 3.20 2.99 2.82 2.69 2.59 2.51 2.43 2.36 2.26 2.19 2.06 1.98 1.89 1.79 1.73 1.64 1.59 1.51 1.46 1.43
125 3.92 3.07 2.68 2.44 2.29 2.17 2.08 2.01 1.95 1.90 1.86 1.83 1.77 1.72 1.65 1.60 1.55 1.49 1.45 1.39 1.36 1.31 1.27 1.25
6.84 4.78 3.94 3.47 3.17 2.95 2.79 2.65 2.56 2.47 2.40 2.33 2.23 2.15 2.03 1.94 1.85 1.75 1.68 1.59 1.54 1.46 1.40 1.37
130 3.91 3.06 2.67 2.43 2.27 2.10 2.07 2.00 1.94 1.89 1.85 1.82 1.76 1.71 1.64 1.59 1.54 1.47 1.44 1.37 1.34 1.29 1.25 1.22
6.81 4.75 3.91 3.44 3.14 2.92 2.76 2.62 2.53 2.44 2.37 2.30 2.20 2.12 2.00 1.91 1.83 1.72 1.66 1.56 1.51 1.43 1.37 1.33
200 3.89 3.04 2.65 2.41 2.26 2.14 2.05 1.98 1.92 1.87 1.83 1.80 1.74 1.69 1.62 1.57 1.52 1.45 1.42 1.35 1.32 1.26 1.22 1.19
6.76 4.71 3.88 3.41 3.11 2.90 2.73 2.60 2.50 2.41 2.34 2.28 2.17 2.09 1.97 1.88 1.79 1.69 1.62 1.53 1.48 1.39 1.33 1.28
400 3.86 3.02 2.62 2.39 2.23 2.12 2.03 1.96 1.90 1.85 1.81 1.78 1.72 1.67 1.60 1.54 1.49 1.42 1.38 1.32 1.28 1.22 1.16 1.13
6.70 4.66 3.83 3.36 3.06 2.85 2.69 2.55 2.46 2.37 2.29 2.23 2.12 2.04 1.92 1.84 1.74 1.64 1.57 1.47 1.42 1.32 1.24 1.19
1000 3.85 3.00 2.61 2.38 2.22 2.10 2.02 1.95 1.89 1.84 1.80 1.76 1.70 1.65 1.58 1.53 1.47 1.41 1.36 1.30 1.26 1.19 1.13 1.08
STATISTIKA SOSIAL
6..66 4.62 3.80 3.34 3.04 2.82 2.66 2.53 2.43 2.34 2.26 2.20 2.09 2.01 1.89 1.81 1.71 1.61 1.54 1.46 1.38 1.28 1.19 1.11
 3.84 2.99 2.60 2.37 2.31 2.09 2.01 1.94 1.88 1.83 1.79 1.75 1.69 1.57 1.57 1.52 1.46 1.40 1.35 1.28 1.24 1.11 1.11 1.00
6.64 4.60 3.78 3.32 3.02 2.80 2.64 2.31 2.41 2.32 2.24 2.18 2.07 1.79 1.79 1..79 1.69 1.59 1.52 1.41 1.36 1.15 1.15 1.00
307
DAFTAR-H
Harga Kritik 2
dƒ .99 .98 .95 .90 .80 .70 .50 .30 .20 .10 .05 .02 .01 .001
1 .000 .001 .004 .016 .064 .15 .46 1.07 1.64 2.71 3.84 5.41 6.64 10.83
2 .02 .04 .10 .21 .45 .71 1.39 2.41 3.22 4.60 5.99 7.82 9.21 13.82
3 .12 .18 .35 .58 1.00 1.42 2.37 3.66 4.64 6.25 7.82 9.84 11.34 16.27
4 .30 .43 .71 1.06 1.65 2.20 3.36 4.88 5.99 7.78 9.49 11.67 13.28 18.46
5 .55 .75 1.14 1.61 2.34 3.00 4.35 6.06 7.29 9.24 11.07 13.39 15.09 20.52
6 .87 1.13 1.64 2.20 3.07 3.83 5.35 7.23 8.56 10.64 12.59 15.03 16.81 22.46
7 1.24 1.56 2.17 2.83 3.82 4.67 6.35 8.38 9.80 12.02 14.07 16.62 18.84 24.32
8 1.65 2.03 2.73 3.49 4.59 5.53 7.34 9.52 11.03 13.36 15.51 18.17 20.09 26.12
9 2.09 2.53 3.32 4.17 5.38 6.39 8.34 10.66 12.24 14.68 16.92 19.68 21.67 27.88
10 2.56 3.06 3.94 4.86 6.18 7.27 9.34 11.78 13.44 15.99 18.31 21.16 23.21 29.59
11 3.05 3.61 4.58 5.58 6.99 8.15 10.34 12.90 14.63 17.28 19.68 22.62 24.72 31.26
12 2.57 4.18 5.23 6.30 7.81 9.03 11.34 14.01 15.81 18.55 21.03 24.05 26.22 32.91
13 4.11 4.76 5.89 7.04 8.63 9.93 12.34 15.12 16.98 19.81 22.36 25.47 27.69 34.53
14 4.66 5.37 6.57 7.79 9.47 10.82 13.34 16.22 18.15 21.06 36.68 26.87 29.14 36.12
15 5.23 5.98 7.26 8.55 10.31 11.72 14.34 17.32 19.31 22.31 25.00 28.26 30.58 37.70
16 5.18 6.61 7.96 6.31 11.15 12.62 15.34 18.42 20.46 23.54 26.30 29.83 32.00 39.29
17 6.41 7.26 8.67 10.08 12.00 13.53 16.34 19.51 21.63 24.77 27.59 31.00 33.41 40.75
18 7.02 7.91 9.39 10.86 12.86 14.44 17.34 20.60 22.76 25.99 28.87 32.35 34.80 42.31
19 7.63 8.57 10.12 11.65 13.72 15.35 18.34 21.69 23.90 27.20 30.14 33.69 36.19 43.82
20 8.26 9.24 10.85 12.44 14.58 16.27 19.34 22.78 25.04 28.41 31.41 35.02 37.57 45.32
21 8.90 9.92 11.59 13.24 15.44 17.18 20.34 23.86 26.17 29.62 32.67 36.32 38.93 46.80
22 9.54 10.60 11.34 14.04 16.31 18.10 21.34 24.94 27.30 30.81 33.92 37.66 40.29 48.27
23 10.20 11.29 13.09 14.85 17.19 19.02 22.34 26.02 28.43 32.01 35.17 38.97 41.64 49.73
24 10.86 11.99 13.85 15.66 18.06 19.94 23.34 27.10 29.55 33.20 36.42 40.27 42.98 51.18
25 11.52 12.70 14.61 16.47 18.94 20.87 24.34 28.17 30.69 34.38 37.65 41.57 44.31 52.62
26 11.20 13.41 15.38 17.29 19.82 21.97 25.34 29.25 31.08 35.56 38.88 42.86 45.64 54.05
27 12.88 14.12 16.15 18.11 20.70 22.72 26.34 30.32 32.91 36.74 40.11 44.14 46.96 55.48
28 13.56 14.85 16.93 18.94 21.59 23.65 27.34 31.39 34.03 37.92 41.34 45.42 48.28 54.59
29 14.26 15.57 17.71 19.77 22.48 24.58 28.34 32.46 35.14 39.09 42.56 46.69 49.59 58.30
30 14.95 16.31 18.49 20.60 23.36 25.51 29.34 33.53 36.25 40.26 43.77 47.96 50.89 59.70
Sumber: Diambil dari Gullford, JP dan Benyamin, F; Fundamental Stastistic in Psychology

and Education; McGraw-Hill Book Company; Sydney; 1978.

DAFTAR- I
Area dan Ordinat Dari Kurva Normal (Longer)
(1) (2) (3) (4) (5)
z A B C Y
Standard Area From Area ini Area in Ordinate
z z Larger Smaller z
Score   Mean to Portion Portion AT
   
0.00 .0000 .5000 .5000 .3989
0.01 .0040 .5040 .4960 .3989
0.02 .0080 .5080 .4920 .3989
0.03 .0120 .5120 .4880 .3989
0.04 .0160 .5160 .4840 .3989
0.05 .0199 5199 .4801 .3984
0.06 .0239 .5239 .4761 .3982
0.07 .0279 .5279 .4721 .3980
0.08 .0319 .5319 .4681 .3977
0.09 .0359 .5359 .4641 .3973
0.10 .0398 .5398 .4602 .3970
0.11 .0438 .5438 .4562 .3965
0.12 .0478 .5478 .4522 .3961
0.13 .0517 .5517 .4483 .3959
0.14 .0557 .5557 .4443 .3951
0.15 .0596 .5596 .4404 .3945
0.16 .0636 .5636 .4364 .3939
0.17 .0675 .5675 .4325 .3932
0.18 .0714 .5714 .4286 .3925
0.19 .0753 .5753 .4247 .3918
0.20 .0793 .5793 4207 .3910
0.21 .0832 .5832 .4168 .3902
0.22 .0871 .5871 .4129 .3894
0.23 .0910 .5910 .4090 .3885
0.24 .0948 .5948 .4052 .3876
0.25 .0987 .5987 .4013 .3867
0.26 .1026 .6026 .3974 .3857
0.27 .1064 .6064 .3936 .3847
0.28 .1103 .6103 .3897 .3836
0.29 .1141 .6141 .3859 .3825
0.30 .1179 .6179 .3821 .3814
0.31 .1217 .6217 .3783 .3802
0.32 .1255 .6255 .3745 .3790
0.33 .1293 .6293 .3707 .3778
0.34 .1331 .6331 .3669 .3765

DAFTAR- I (lanjutan)
(1) (2) (3) (4) (5)
z A B C Y
   
0.35 .1368 .6368 .3632 .3752

0.36 .1406 .6406 .3594 .3739
0.37 .1443 .6413 .3557 .3725
0.38 .1480 .6480 .3520 .3712
0.39 .1517 .6517 .3483 .3697
0.40 .1554 .6554 .3446 .3683
0.41 .1591 .6591 .3409 .3668
0.42 .1628 .6623 .3372 .3653
0.43 .1664 .6664 .3336 .3637
0.44 .1700 .6700 .3300 .3621
0.45 .1736 .6736 .3264 .3605
0.46 .1772 .6772 .3228 .3589
0.47 .1808 .6808 .3192 .3572
0.48 .1844 .6844 .3156 .3555
0.49 .1879 .6879 .3121 .3538
0.50 .1915 .5915 .3083 .3521
0.51 .1950 .6950 .3050 .3503
0.52 .1985 .6955 .3015 .3485
0.53 .2019 .7019 .2981 .3467
0.54 .2054 .7054 .2946 .3448
0.60 .2088 .7088 .2912 .3429
0.61 .2123 .7123 .2877 .3410
0.62 .2157 .7157 .2843 .3391
0.63 .2190 .7190 .2810 .3372
0.64 .2224 .7224 .2776 .3352
0.65 .2257 .7257 .2743 .3332
0.66 .2291 .7291 .2709 .3312
0.67 .2324 .7324 .2676 .3292
0.68 .2357 .7357 .2643 .3271
0.69 .2380 .7309 .2611 .3251
0.70 .2422 .7422 .2578 .3230
0.71 .2454 .7454 .2546 .3209
0.72 .2486 .7486 .2514 .3187
0.73 .2517 .7517 .2483 .3166
0.74 .2549 .7549 .2451 .3144

(1) (2) (3) (4) (5)
z A B C Y
   
0.70 .2580 .7580 .2420 .3123

0.71 .2611 .7611 .2389 .3101
0.72 .2642 .7642 .2358 .3079
0.73 .2673 .7673 .2327 .3056
0.74 .2704 .7704 .2296 .3034
0.75 .2734 .7734 .2266 .3011
0.76 .2764 .7764 .2236 .2089
0.77 .2794 .7794 .2206 .2966
0.78 .2823 .7823 .2177 .2943
0.79 .2852 .7852 .2148 .2920
0.80 .2881 .7881 .2119 .2897
0.81 .2910 .7910 .2090 .2874
0.82 .2939 .7939 .2061 .2850
0.83 .2967 .7967 .2033 .2827
0.84 .2995 .7995 .2005 .2803
0.85 .3032 .8023 .1977 .2780
0.86 .3051 .8051 .1949 .2756
0.87 .3078 .8078 .1922 .2732
0.88 .3106 .8106 .1894 .2709
0.89 .3133 .8133 .1867 .2685
0.90 .3159 .8159 .1841 .2661
0.91 .3186 .8186 .1814 .2637
0.92 .3212 .8212 .1788 .2613
0.93 .3238 .8238 .1762 .2589
0.94 .3264 .8264 .1736 .2565
0.95 .3289 .8289 .1711 .2541
0.96 3315 .8315 .1685 .2516
0.97 .3340 .8340 .1660 .2492
0.98 .3365 .8365 .1635 .2468
0.99 .3389 .8389 .1611 .2444
0.80 .3413 .8413 .1587 .2420
0.81 .3438 .8438 .1562 .2396
0.82 .3461 .8461 .1539 .2371
0.83 .3485 .8485 .1515 .2347
0.84 .3508 .8508 .1492 .2323

(1) (2) (3) (4) (5)
z A B C Y
   
1.05 .3531 .8531 .1469 .2299

1.06 .3554 .8554 .1446 .2275
1.07 .3577 .8577 .1423 .2251
1.08 .3599 .8599 .1401 .2227
1.09 .3621 .8621 .1379 .2203
1.10 .3643 .8643 .1357 .2179
1.11 .3665 .8665 .1335 .2155
1.12 .2686 .8686 .1314 .2131
1.13 .3708 .8703 .1292 .2107
1.14 .3279 .8729 .1271 .2083
1.15 .3749 .8749 .1251 .2059
1.16 .3770 .8770 .1230 .2036
1.17 .3790 .8790 .1210 .2012
1.18 .3810 .8810 .1190 .1989
1.19 .3830 .8830 .1170 .1965
1.20 .3849 .8849 .1151 .1942
1.21 .3869 .8869 .1131 .1919
1.22 .3888 .8888 .1112 .1895
1.23 .3907 .8907 .1093 .1872
1.24 .3925 .8925 .1075 .1840
1.25 .3944 .8944 .1056 .1826
1.26 .3962 .8962 .1038 .1804
1.27 .3980 .8990 .1020 .1781
1.28 .3997 .8997 .1003 .1758
1.29 .4015 .9015 .0985 .1736
1.30 .4032 .9032 .0968 .1714
1.31 .4049 .9049 .0951 .1691
1.32 .4066 .9066 .0934 .1669
1.33 .4082 .9082 .0918 .1647
1.34 .4099 .9090 .0901 .1626
1.34 .4115 .9115 .0885 .1604
1.36 .4131 .9131 .0869 .1682
1.37 .4147 .9147 .0853 .1561
1.38 .4162 .9162 .0838 .1539
1.39 .4177 .9177 .0823 .1518

(1) (2) (3) (4) (5)
z A B C Y
   
1.40 .4192 .9192 .0808 .1497

1.41 .4207 .9207 .0793 .1476
1.42 .4222 .9222 .0778 .1456
1.43 .4236 .9236 .0764 .1435
1.44 .4251 .9251 .0749 .1415
1.45 .4265 .9265 .0735 .1394
1.46 .4279 .9279 .0721 .1374
1.47 .4292 .9292 .0708 .1354
1.48 .4306 .9306 .0694 .1334
1.49 .4319 .9319 .0681 .1315
1.50 .4332 .9332 .0668 .1295
1.51 .4345 .9345 .0655 .1276
1.52 .4357 .9357 .0643 .1257
1.53 .4370 .9370 .0630 .1238
1.54 .4382 .9382 .0618 .1219
1.55 .4394 .9394 .0606 .1200
1.56 .4406 .9406 .0594 .1182
1.57 .4418 .9418 .0582 .1163
1.58 .4429 .9429 .0571 .1145
1.59 .4441 .9441 .0559 .1127
1.60 .4452 .9452 .0548 .1109
1.61 .4463 .9463 .0537 .1092
1.62 .4474 .9474 .0526 .1074
1.63 .4484 .9484 .0516 .1057
1.64 .4495 .9495 .0505 .1040
1.65 .4505 .9505 .0495 .1023
1.66 .4515 .9515 .0485 .1006
1.67 .4525 .9525 .0475 .0989
1.68 .4535 .9535 .0465 .0973
1.69 .4545 .9545 .0455 .0957
1.70 .4554 .9554 .0446 .0940
1.71 .4564 .9564 .0436 .0925
1.72 .4573 .9573 .0427 .0909
1.73 .4582 .9582 .0418 .0983
1.74 .4591 .9591 .0409 .0878

(1) (2) (3) (4) (5)
z A B C Y
   
1.75 .4599 .9599 .0401 .0863

1.76 .4608 .9608 .0392 .0848
1.77 .4616 .9616 .0384 .0833
1.78 .4625 .9623 .0375 .0818
1.79 .4633 .9633 .0367 .0804
1.80 .4641 .9641 .0359 .0790
1.81 .4649 .9649 .0351 .0775
1.82 .4656 .9656 .0344 .0761
1.83 .4664 .9664 .0336 .0748
1.84 .4671 .9671 .0329 .0734
1.85 .4678 .9678 .0322 .0721
1.86 .4686 .9686 .0314 .0707
1.87 .4693 .9693 .0307 .0694
1.88 .4699 .9699 .0301 .0681
1.89 .4706 .9706 .0294 .0669
1.90 .4713 .9713 .0287 .0656
1.91 .4719 .9719 .0281 .0644
1.92 .4726 .9726 .0247 .0632
1.93 .4732 .9732 .0258 .0620
1.94 .4738 .9738 .0262 .0608
1.95 .4744 .9744 .0256 .0596
1.96 .4750 .9750 .0250 .0584
1.97 .4756 .9756 .0244 .0573
1.98 .4761 .9761 .0239 .0562
1.99 .4767 .9767 .0233 .0498
2.00 .4772 .9772 .0228 .0540
2.01 .4778 .9778 .0222 .0529
2.02 .4783 .9783 .0217 .0519
2.03 .4788 .9788 .0212 .0508
2.04 .4793 .9793 .0207 .0498
2.05 .4798 .9798 .0202 .0488
2.06 .4803 .9803 .0197 .0478
2.07 .4808 .9808 .0192 .0468
2.08 .4812 .9812 .0156 .0459
2.09 .4817 .9817 .0183 .0449

(1) (2) (3) (4) (5)
z A B C Y
   
2.10 .4821 .9821 .0179 .0440
2.11 .4826 .9826 .0174 .0431
2.12 .4830 .9830 .0170 .0422
2.13 .4834 .9834 .0166 .0413
2.14 .4838 .9838 .0162 .0404
2.15 .4842 .9842 .0158 .0396
2.16 .4846 .9846 .0154 .0387
2.17 .4850 .9850 .0150 .0379
2.18 .4854 .9854 .0148 .0371
2.19 .4857 .9857 .0143 .0363
2.20 .4861 .9861 .0139 .0355
2.21 .4864 .9864 .0136 .0347
2.22 .4868 .9868 .0132 .0339
2.23 .4871 .9871 .0129 .0332
2.24 .4875 .9875 .0125 .0325
2.25 .4878 .9878 .0122 .0317
2.26 .4881 .9881 .0119 .0310
2.27 .4884 .9884 .0116 .0303
2.28 .4887 .9887 .0113 .0297
2.29 .4890 .9890 .0110 .0290
2.30 .4893 .9893 .0107 .0283
2.31 .4896 .9896 .0104 .0277
2.32 .4898 .9898 .0102 .0270
2.33 .4901 .9901 .0099 .0264
2.34 .4904 .9904 .0096 .0258
2.35 .4906 .9906 .0094 .0252
2.36 .4909 .9909 .0091 .0246
2.37 .4911 .9911 .0089 .0241
2.38 .4913 .9913 .0087 .0235
2.39 .4916 .9916 .0084 .0229
2.40 .4918 .9918 .0082 .0224
2.41 .4920 .9920 .0080 .0219
2.42 .4922 .9922 .0078 .0213
2.43 .4925 .9925 .0075 .0208
2.44 .4927 .9927 .0073 .0203

(1) (2) (3) (4) (5)
z A B C Y
   
2.45 .4929 .9929 .0071 .0198
2.46 .4931 .9931 .0069 .0194
2.47 .4932 .9932 .0068 .0189
2.48 .4934 .9934 .0066 .0184
2.49 .4936 .9936 .0064 .0180
2.50 .4938 .9938 .0062 .0175
2.51 .4940 .9940 .0060 .0171
2.52 .4941 .9941 .0059 .0167
2.53 .4943 .9943 .0057 .0163
2.54 .4945 .9945 .0055 .0158
2.55 .4946 .9946 .0054 .0154
2.56 .4948 .9948 .0052 .0151
2.57 .4949 .9949 .0051 .0147
2.58 .4951 .9951 .0049 .0143
2.59 .4952 .9952 .0048 .0139
2.60 .4953 .9953 .0047 .0136
2.61 .4955 .9955 .0045 .0132
2.62 .4955 .9955 .0044 .0129
2.63 .4957 .9957 .0043 .0126
2.64 .4959 .9959 .0041 .0122
2.65 .4960 .9960 .0040 .0119
2.66 .4961 .9961 .0039 .0116
2.67 .4962 .9962 .0038 .0113
2.68 .4963 .9963 .0037 .0110
2.69 .4964 .9964 .0036 .0107
2.70 .4965 .9965 .0035 .0104
2.71 .4966 .9966 .0034 .0101
2.72 .4967 .9967 .0033 .0099
2.73 .4968 .9968 .0032 .0096
2.74 .4969 .9969 .0031 .0093
2.75 .4970 .9970 .0030 .0091
2.76 .4971 .9971 .0029 .0088
2.77 .4972 .9972 .0028 .0086
2.78 .4973 .9973 .0027 .0084
2.79 .4974 .9974 .0026 .0081

(1) (2) (3) (4) (5)
z A B C Y
   
2.80 .4974 .9974 .0026 .0079
2.81 .4975 .9975 .0025 .0077
2.82 .4975 .9975 .0024 .0075
2.83 .4977 .9977 .0023 .0073
2.84 .4977 .9977 .0023 .0071
2.85 .4978 .9978 .0022 .0069
2.86 .4979 .9979 .0021 .0067
2.87 .4979 .9979 .0021 .0065
2.88 .4980 .9980 .0020 .0063
2.89 .4981 .9981 .0019 .0061
2.90 .4981 .9981 .0019 .0060
2.91 .4982 .9982 .0018 .0058
2.92 .4982 .9982 .0018 .0056
2.93 .4983 .9983 .0017 .0055
2.94 .4984 .9984 .0016 .0053
2.95 .4984 .9984 .0016 .0051
2.96 .4985 .9985 .0015 .0050
2.97 .4985 .9985 .0015 .0048
2.98 .4986 .9986 .0014 .0047
2.99 .4986 .9986 .0014 .0046
3.00 .4987 .9987 .0013 .0044
3.01 .4987 .9987 .0013 .0043
3.02 .4987 .9987 .0013 .0042
3.03 .4988 .9988 .0012 .0040
3.04 .4988 .9988 .0012 .0039
3.05 .4989 .9989 .0011 .0038
3.06 .4989 .9989 .0011 .0037
3.07 .4989 .9989 .0011 .0036
3.08 .4990 .9990 .0010 .0035
3.09 .4990 .9990 .0010 .0034
3.10 .4990 .9990 .0010 .0033
3.11 .4991 .9991 .0009 .0032
3.12 .4991 .9991 .0009 .0031
3.13 .4991 .9991 .0009 .0030
3.14 .4992 .9992 .0008 .0029

(1) (2) (3) (4) (5)
z A B C Y
   
3.15 .4992 .9992 .0008 .0028

3.16 .4992 .9992 .0008 .0027
3.17 .4992 .9992 .0008 .0026
3.18 .4993 .9993 .0007 .0025
3.19 .4993 .9993 .0007 .0025
3.20 .4993 .9993 .0007 .0024

3.21 .4993 .9993 .0007 .0023
3.22 .4994 .9994 .0006 .0022
3.23 .4994 .9994 .0006 .0022
3.24 .4994 .9994 .0006 .0021
3.30 .4995 .9995 .0005 .0017

3.40 .4997 .9997 .0003 .0012
3.50 .4998 .9998 .0002 .0009
3.60 .4998 .9998 .0002 .0006
3.70 .4999 .9999 .0001 .0004

DAFTAR- J
Harga Kritik U Test (Mann Whitney)
Uji searah untuk U:  = 0,05 ( = 0,1 pada uji dua arah)

n1 n2
2 3 4 5 6 7 8 9 10 11 12 13 14 15
2 0 0 0 1 1 1 1 2 2 2 3
3 0 0 1 2 2 3 3 4 5 5 6 7 7
4 0 1 2 3 4 5 6 7 8 9 10 11 12
5 0 1 2 4 5 6 8 9 11 12 13 15 16 18
6 0 2 3 5 7 8 10 12 14 16 17 19 21 23
7 0 2 4 6 8 11 13 15 17 19 21 24 26 28
8 1 3 5 8 10 13 15 18 20 23 26 28 31 33
9 1 3 6 9 12 15 18 21 24 27 30 33 36 39
10 1 4 7 11 14 17 20 24 27 31 34 37 41 44
11 1 5 8 12 16 19 23 27 31 34 38 42 46 50
12 2 5 9 13 17 21 26 30 34 38 42 47 51 55
13 2 6 10 15 19 24 28 33 37 42 47 51 56 61
14 2 7 11 16 21 26 31 36 41 46 51 56 61 66
15 3 7 12 18 23 28 33 39 44 50 55 61 66 72
Uji searah arah untuk U:  = 0,01 ( = 0,02 pada uji dua arah)
n1 n2
3 4 5 6 7 8 9 10 11 12 13 14 15
0 0 0
3 0 0 1 1 1 2 2 2 3
4 0 1 1 2 3 3 4 5 5 6 7
5 0 1 2 3 4 5 6 7 8 9 10 11
6 1 2 3 4 6 7 8 9 11 12 13 15
7 0 1 3 4 6 7 9 11 12 14 16 17 19
8 0 2 4 6 7 9 11 13 15 17 20 22 24
9 1 3 5 7 9 11 14 16 18 21 23 26 28
10 1 3 6 8 11 13 16 19 22 24 27 30 33
11 1 4 7 9 12 15 18 22 25 28 31 34 37
12 2 5 8 11 14 17 21 24 28 31 35 38 42
13 2 5 9 12 16 20 23 27 31 35 39 43 47
14 2 6 10 13 17 22 26 30 34 38 43 47 51
15 3 7 11 15 19 24 28 33 37 42 47 51 56
Sumber: Diambil dari William H. Beyer (editor), Handbook of Tables for Probability and
Statistics, The Chemical Rubber Co, CRC Press, 1968

DAFTAR- J (Lanjutan)
Uji dua arah untuk U:  = 0,05 ( = 0,025 pada uji searah)

n1 n2
2 3 4 5 6 7 8 9 10 11 12 13 14 15
2 0 0 0 0 1 1 1 1
3 0 1 1 2 2 3 3 4 4 5 5
4 0 1 2 3 4 4 5 6 7 8 9 10
5 0 1 2 3 5 6 7 8 9 11 12 13 14
6 1 2 3 5 6 8 10 11 13 14 16 17 19
7 1 3 5 6 8 10 12 14 16 18 20 22 24
8 0 2 4 6 8 10 13 15 17 19 22 24 26 29
9 0 2 4 7 10 12 15 17 20 23 26 28 31 34
10 0 3 5 8 11 14 17 20 23 26 29 30 36 29
11 0 3 6 9 13 16 19 23 26 30 33 37 40 44
12 1 4 7 11 14 18 22 26 29 33 37 41 45 49
13 1 4 8 12 16 20 24 28 30 37 41 45 50 54
14 1 5 9 13 17 22 26 31 36 40 45 50 55 59
15 1 5 10 14 19 24 29 34 39 44 49 54 59 64

n1 n2
3 4 5 6 7 8 9 10 11 12 13 14 15
3 0 0 0 1 1 1 2
4 0 0 1 1 2 2 3 3 4 5
5 0 1 1 2 3 4 5 6 7 7 8
6 0 1 2 3 4 5 6 7 9 10 11 12
7 0 1 3 4 6 7 9 10 12 13 15 16
8 1 2 4 6 7 9 11 13 15 17 18 20
9 0 1 3 5 7 9 11 13 16 18 20 22 24
10 0 2 4 6 9 11 13 16 18 21 24 26 29
11 0 2 5 7 10 13 16 18 21 24 27 30 33
12 1 3 6 9 12 15 18 21 24 27 31 34 37
13 1 3 7 10 13 17 20 24 27 31 34 38 42
14 1 4 7 11 15 18 22 26 30 34 38 42 46
15 2 5 8 12 16 20 24 29 33 37 42 46 51
Sumber: Diambil dari Gullford, JP dan Benyamin, F; Fundamental Statistic In Psychology

And Education; McGraw-Hill Book Company; Sydney; 1978.

DAFTAR - K
Nilai Kritis Untuk Uji Bertanda Wilcoxon
n uji dua arah uji searah
0,05 0,01 0,05 0,01
4
5 0
6 0 2
7 2 3 0
8 3 0 5 1
9 5 1 8 3
10 8 3 10 5
11 10 5 13 7
12 13 7 17 9
13 17 9 21 12
14 21 12 25 15
15 25 15 30 19
16 29 19 35 23
17 34 23 41 27
18 40 27 47 32
19 46 32 53 37
20 52 37 60 43
21 58 42 67 49
22 65 48 75 55
23 73 54 83 62
24 81 61 91 69
25 89 68 100 76
26 98 75 110 84
27 107 83 119 92
28 116 91 130 101
29 126 100 140 110
30 137 109 151 120
31 147 118 163 130
32 159 128 175 140
33 170 138 187 151
34 182 148 200 162
35 195 159 213 173
40 264 220 286 238
50 434 373 466 397
60 648 567 690 600
70 907 805 960 846
80 1211 1086 1276 1136
90 1560 1410 1638 1476
100 1955 1779 2045 1850
Sumber: Robert L. Mc. Cormack, Extended Tables of Statistics,
Journal of The American Association, September 1965.

Sekilas Tentang Penulis
KADIR, adalah dosen tetap pada Universitas Islam Negeri Syarif
Hidayatullah (UIN) Jakarta. Lahir di Sinjai, Sulawesi Selatan 12
Agustus 1967. Sarjana pendidikan matematika diperolehnya dari
Universitas Haluoleo (1992), Magister Pendidikan Matematika
dari Universitas Pendidikan Indonesia (UPI) Bandung (2000) dan
Doktor dalam bidang Penelitian dan Evaluasi Pendidikan
diperolehnya dari Universitas Negeri Jakarta (UNJ) tahun 2005.
Pengalaman kerja dimulai sebagai guru matematika (1992-2000), Dosen
matematika pada Universitas Haluoleo (1992-1994) dan STKIP Kolaka (1997).
Konsultan pada projek: Asset Management Plan Dikdas DKI Jakarta (2005), Master
Plan Pendidikan Propivinsi Lampung (2005), Decentralized Basic Education 3-
USAID (2006-2009), tim ad-hoc pada Badan Standar Nasional Pendidikan (2006-
2007), tim ahli kajian Standar Isi Mata Pelajaran Matematika dan pengembangan
Model KTSP MTs pada Puskur Balitbang Depdiknas (2007-2008), dan konsultan
pada Puslitbang Pendidikan Agama dan Keagamaan Balitbang Depag RI, sejak
2008 sampai sekarang. Saat ini penulis bekerja sebagai dosen program studi
matematika FITK UIN Jakarta, Program Doktor dan Magister Program Pascasarjana
UNJ, UIJ, UHAMKA, dan UIN Jakarta.
Menulis buku diantaranya: Buku Pengajaran Matematika SMU/MA Berdasarkan KBK
(2003) dan Statistika Sosial (2006), juga menulis pada jurnal ilmiah terakreditasi
diantaranya: jurnal Pendidikan dan Kebudayaan, jurnal Algoritma, jurnal Didaktika
dan jurnal Edukasi. Menjadi reviewer, diantaranya: buku Tes Pengukuran dan
Evaluasi UT, dan buku matematika pendidikan dasar.
Aktif dalam berbagai kegiatan workshop dan seminar diantaranya: Master Teacher
Training Program di La Trobe University Melbourne Australia (2000), peserta pada
International Statistics Conference University of Malaya, Malaysia (2005), Trainer of
Core Trainer mata pelajaran matematika DBE-3 USAID–Save The Children
Federation (2007-2009), pemakalah pada international seminar on Mathematics and
Sciense Education UIN Jakarta (2008), dan International Teacher’s Training of: The
Implementatition of Collaborative Learning Based on Classroom Action Research in
Upgrading Teacher’c Creativity, LKSMI (2009), serta nara sumber pada berbagai
workshop evaluasi dan penelitian.

DAFTAR-A
Distribusi Binomial C xn px (1 - p) n -x
Angka pada table menunjukkan nilai px(1 - p) n-x untuk nilai n, x, dan p yang tertentu.
Bila p > 0,5, maka nilai px(1 - p) n-x untuk n, x, dan p yang tertentu ini dapat diperoleh
dengan mencari angka tabel untuk n- x tertentu, kemudian menggantikan x dengan -
x, dan p dengan 1 - p.
p
n x .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
1 0 .9500 .9000 .8500 .8000 .7500 .7000 .6500 .6000 .5500 .5000
1 .0500 .1000 .1500 .2000 .2500 .3000 .3500 .4000 .4500 .5000
2 0 .9025 .8100 .7225 .6400 .5625 .4900 .4225 .3600 .3025 .2500
1 .0950 .1800 .2550 .3200 .3750 .4200 .4550 .4800 .4950 .5000
2 .0025 .0100 .0225 .0400 .0625 .0900 .1225 .1600 .2025 .2500
3 0 .8574 .7290 .6141 .5120 .4219 .3430 .2746 .2160 .1664 .1250
1 .1354 .2430 .3251 .3840 .4219 .4410 .4436 .4320 .4084 .3750
2 .0071 .0270 .0574 .0960 .1406 .1890 .2389 .2880 .3341 .3750
3 .0001 .0010 .0034 .0080 .0156 .0270 .0429 .0640 .0911 .1250
4 0 .8154 .6561 .5220 .4096 .3164 .2401 .1785 .1296 .0915 .0625
1 .1715 .2916 .3685 .4096 .4219 .4116 .3845 .3456 .2995 .2500
2 .0135 .0486 .0975 .1536 .2109 .2646 .3105 .3456 .3675 .3750
3 .0005 .0036 .0115 .0256 .0469 .0756 .1115 .1536 .2005 .2500
4 .0000 .0001 .0005 .0016 .0039 .0081 .0150 .0256 .0410 .0625
5 0 .7738 .5905 .4437 .3277 .2373 .1681 .1160 .0778 .0503 .0312
1 .2036 .3280 .3915 .4096 .3955 .3602 .3124 .2592 .2059 .1562
2 .0214 .0729 .1382 .2048 .2637 .3087 .3364 .3456 .3369 .3125
3 .0011 0081 .0244 .0512 .0879 .1323 .1811 .2304 .2757 .3125
4 .0000 .0004 .0022 .0064 .0146 .0284 .0488 .0768 .1128 .1562
5 .0000 .0000 .0001 .0003 .0010 .0024 .0053 .0102 .0185 .0312
6 0 .7351 .5314 .3771 .2621 .1780 .1176 .0754 .0467 .0277 .0156
1 .2321 .3543 .3993 .3932 .3560 .3025 .2437 .1866 .1359 .0938
2 .0305 .0984 .1762 .2458 .2966 .3241 .3280 .3110 .2780 .2344
3 .0021 .0146 .0415 .0819 .1318 .1852 .2355 .2765 .3032 .3125
4 .0001 .0012 .0055 .0154 .0330 .0595 .0951 .1382 .1861 .2344
5 .0000 .0001 .0004 .0015 .0044 .0102 .0205 .0369 .0609 .0938
6 .0000 0000 .0000 .0001 .0002 .0007 .1302 .0041 .0083 .0156
.
p
n x .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
7 0 .6983 .4783 .3206 .2097 .1335 .0824 .0490 .0280 .0152 .0078
1 .2573 .3720 .3960 .3670 .3115 .2471 .1848 .1306 .0872 .0547
2 .0406 .1240 .2097 .2753 .3115 .3177 .2985 .2613 .2140 .1641
3 .0036 .0230 .0617 .1147 .1730 .2269 .2679 .2903 .2918 .2734
4 .0002 .0026 .0109 .0287 .0577 .0972 .1442 .1935 .2388 .2734
5 .0000 .0002 .0012 .0043 .0115 .0250 .0466 .0774 .1172 .1641
6 .0000 .0000 .0001 .0004 .0013 .0036 .0084 .0172 .0320 .0547
7 .0000 .0000 .0000 .0000 .0001 .0002 .0006 .0016 .0037 .0078
8 0 .6634 .4305 .2725 .1678 .1001 .0576 .0319 .0168 .0084 .0039
1 .2793 .3826 .3847 .3355 .2670 .1977 .1373 .9896 .0548 .0312
2 .0515 .1488 .2376 .2936 .3115 .2965 .2587 .2090 .1596 .1094
3 .0054 .1331 .1839 .1468 .2076 .2541 .2786 .2787 .2568 .2188
4 .0004 .0046 .0185 .0459 .0865 .1361 .1875 .2322 .2627 .0734
5 .0000 .0004 .0026 .0092 .0231 .0467 .0808 .1239 .1719 .2188
6 .0000 .0000 .0002 0011 .0038 .0100 .0217 .0413 .0703 .1094
7 .0000 .0000 .0000 .0001 .0004 :0012 .0033 .0079 .0164 .0312
8 .0000 .0000 .0000 .0000 .0000 .0001 .0002 .0007 .0017 .0039
9 0 .6302 .3874 .2316 .1342 .0751 .0404 .0207 .0101 .0046 .0020
1 .2985 .3874 .3679 .3020 .2253 .1556 .1004 .0605 .0339 .0176
2 .0679 .1722 .2597 .3020 .3003 .2668 .2162 .1612 .1110 .0703
3 .0077 .0446 .1069 .1762 .2336 .2668 .2716 .2508 .2119 .1641
4 .0006 .0074 .0283 .0661 .1168 .1715 .2194 .2508 .2600 .2461
5 .0000 .0008 .0050 .0165 .0389 .0735 .1181 .1672 .2128 .2461
6 .0000 .0001 .0006 .0028 .0087 .0210 .0424 .0743 .1160 .1641
7 .0000 .0000 .0000 .0003 0012 .0039 .0098 .0212 .0407 .0703
8 .0000 .0000 .0000 .0000 .0001 .0004 .0013 .0035 .0083 .0176
9 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0008 .0020
10 0 .5987 .3487 .1969 .1074 .0563 .0282 .0135 .0060 .0025 .0010
1 .3151 3874 .3474 .2634 .1817 .1211 .0725 .1403 .0207 .0098
2 .1746 .1937 .2759 .3020 .2816 .2335 .1757 .1209 .0763 .5439
3 .0105 .0574 .1298 .2013 .2503 .2668 .2522 .2150 .1665 .1172
4 .0010 .0112 .0401 .0881 .1460 .1001 .2377 .2508 .2384 .2051
5 .0001 .0015 .0085 .0264 .0594 .1029 .1536 .2007 .2340 .2461
6 .0000 .0001 .0012 .0055 .0162 .0368 .0689 .1115 .1596 .2051
7 .0000 .0000 .0001 .0008 .0031 .0090 .0212 .0425 .0746 .1172
8 .0000 .0000 .0600 .0001 .0004 .0014 .0043 .0106 .0229 .0439
9 .0000 .0000 .0000 .0000 .0000 .0001 .0005 .0016 .0042 .0098
10 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0010
.
p
n x .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
11 0 .5688 3138 .1673 .0859 .0422 1198 .0088 .0036 .0014 .0005
1 .3293 .3835 .3248 .2362 .1549 .0932 .0518 .0266 .0125 .0054
2 .0867 .2131 .2866 .2953 .2581 .1998 .1395 .0887 .0513 .0269
3 .1137 1710 .1517 1215 .2581 .2568 .2254 .1774 .1259 .0806
4 .0014 .0158 .0536 .1107 .1721 .2201 .2428 .2365 .2060 .1611
5 .0001 .0025 .0132 .0388 .0803 .1321 .1930 .2207 .2360 .2256
6 .0000 .0003 .0023 .0097 .0268 .0566 .0985 .1471 .1931 .2256
7 .0000 .0000 .0003 .0017 .0064 .0173 .0379 .0701 .1128 .1611
8 .0000 .0000 .0000 .0002 .0011 .0037 .0102 .0234 .0462 .0806
9 .0000 .0000 .0000 .0000 .0001 .0005 .0018 .0052 .0126 .0269
10 .0000 .0000 .0000 .0000 .0000 .0000 .0002 .0007 .0021 .0054
11 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0002 .0005
12 0 .1405 .2824 .1422 .0687 .0317 .1038 .0057 .0022 .0008 .0002
1 .3413 .3766 .3012 1062 .1267 .0712 .0368 .0174 .0075 .0029
2 .0988 .1301 .29Z4 1835 1323 1678 .1088 .0639 .0339 .0161
3 .0173 .0852 .1720 1362 .2581 1397 .1954 1419 .0923 .0537
4 .4021 .1213 .0683 .1329 .1936 .2311 .2367 .2128 .1700 .1208
5 .0002 .0038 .0193 .0532 .1032 .1585 .2039 .2270 .2225 .1934
6 .0000 .0005 .0040 .0155 .0401 .0792 .1281 .1766 .2124 .2256
7 .0000 .0000 .0006 .0033 .0115 .0291 .0591 .1009 .1489 .1934
8 .0000 .0000 .0001 .0005 .0024 .0078 .0199 .0420 .0762 .1208
9 .0000 .0000 .0000 .0001 .0004 .0015 .0048 .0125 .0277 .0537
10 .0000 .0000 .0000 .0000 .0000 .0002 .0008 .0025 .0068 .0161
11 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0010 .0029
12 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0002
13 0 .5133 .2542 .1209 .0550 .0238 .0097 .0037 .0013 .0004 .0001
1 .3512 .3672 .2774 .1787 .1029 .0540 .0259 .0113 .0045 .0016
2 .1109 .2448 .2937 .2680 .2059 .1388 .0836 .0453 .0220 .0095
3 .0214 .0997 .1900 .2457 .2517 .2181 .1651 .1107 .0660 .0349
4 .0028 .0277 .0838 .1535 .2097 .2337 .2222 .1845 .1350 .0873
5 .0003 .0055 .0266 .0691 .1258 .1803 .2154 .2214 .1989 .1571
6 .0000 .0008 .0063 .0230 .0559 .1030 .1546 .1968 .2169 .2095
7 .0000 .0001 .0011 .0058 .0186 .0442 .0833 .1312 .1775 .2095
8 .0000 .0000 .0001 .0011 .0047 .0142 .0336 .0656 .1089 .1571
9 .0000 .0000 .0000 .0001 .0009 .0034 .0101 .0243 .0495 .0873
10 .0000 .0000 .0000 .0000 .0001 .0006 .0022 .0065 .0162 .0349
11 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0012 .0036 .0095
12 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0005 .0016
13 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001
.
p
n x .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
14 0 .4877 .2288 .1028 .0440 .0178 .0068 .0024 .0008 .0002 .0001
1 .3953 .3559 .2539 .1539 .0832 .0407 .0181 .0073 .0027 .0009
2 .1229 .2570 .2912 .2501 .1802 .1134 .0634 .0317 .0141 .0056
3 .0259 .1142 .2056 .2501 .2402 .1943 .1366 .0845 .0462 .0222
4 .0037 .0349 .0998 .1720 .2202 .2290 .2022 .1549 .1040 .0611
5 .0004 .0078 .0352 .0860 .1468 .1963 .2178 .2066 .1701 .1222
6 .0000 .0013 .0093 .0322 .0734 .1262 .1759 .2066 .2088 .1833
7 .0000 .0002 .0019 .0092 .0280 .0618 .1082 .1574 .1952 .2095
8 .0000 .0000 .0003 .0020 .0082 .0232 .0510 .0918 .1398 .1833
9 .0000 .0000 .0000 .0003 .0018 .0066 .0183 .0408 .0762 .1222
10 .0000 .0000 .0000 .0000 .0003 .0014 .0049 .0136 .0312 .0611
11 .0000 .0000 .0000 .0000 .0000 .0002 .0010 .0033 .0093 .0222
12 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0005 .0019 .0056
13 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0002 .0009
14 .0000 .0000 .0000 .0000 .0000 .6000 .0000 .0000 .0000 .0001
15 0 .4633 .2059 .0874 .0352 .0134 .0047 .0016 .0005 .0001 .0000
1 .3658 .3432 .2312 .1319 .0668 .0305 .0126 .0047 .0016 .0005
2 .1348 .2669 .2856 .2309 .1559 .0916 .0476 .0219 .0090 .0032
3 .0307 .1285 .2184 .2501 .2252 .1700 .1110 .0634 .0318 .0139
4 .0049 .0428 .1156 .1876 .2252 .2186 .1792 .1268 .0780 .0417
5 .0006 .0105 .0449 .1032 .1651 .2061 .2123 .1859 .1404 .0916
6 .0000 .0019 .0132 .0430 .0917 .1472 .1906 .2066 .1914 .1527
7 .0000 .0003 .0030 .0138 .0393 .0811 .1319 .1771 .2013 .1964
8 .0000 .0000 .0005 .0035 .0131 .0348 .0710 .1181 .1647 .1964
9 .0000 .0000 .0001 .0007 .0034 .0116 .0298 .0612 .1048 .1527
10 .0000 .0000 .0000 .0001 .0007 .0030 .0096 .0245 .0515 .0916
11 .0000 .0000 .0000 .0000 .0001 .0006 .0024 .0074 .0191 .0417
12 .0000 .0000 .0000 .0000 .0000 .0001 .0004 .0016 .0052 .0139
13 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0010 .0032
14 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0005
15 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000
.
p
n x .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
16 0 .4401 .1853 .0743 .0281 .0100 .0033 .0010 .0003 .0001 .0000
1 .3706 .3294 .2097 .1126 .0535 .0228 .0087 .0030 .0009 .0002
2 .1463 .2745 .2775 .2111 .1336 .0732 .0353 .0150 .0056 .0018
3 .0359 .1423 .2285 .2463 .2079 .1465 .0888 .0468 .0215 .0085
4 .0061 .0514 .1311 .2001 .2252 .2040 .1553 .1014 .0572 .0278
5 .0008 .0137 .0555 .1201 .1802 .2099 .2008 .1623 .1123 .0667
6 .0001 .0028 .0180 .0550 .1101 .1649 .1982 .1983 .1684 .1222
7 .0000 .0004 .0045 .0197 .0524 .1010 .1524 .1889 .1969 .1746
8 .0000 .0001 .0009 .0055 .0197 .0487 .0923 .1417 .1812 .1964
9 .0000 .0000 .0001 .0012 .0058 .0185 .0442 .0840 .1318 .1746
10 .0000 .0000 .0000 .0002 .0014 .0056 .0167 .0392 .0755 .1222
11 .0000 .0000 .0000 .0000 .0002 .0013 .0049 .0142 .0337 .0667
12 .0000 .0000 .0000 .0000 .0000 .0002 .0011 .0040 .0115 .0278
13 .0000 .0000 .0000 .0000 .0000 .0000 .0002 .0008 .0029 .0085
14 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0005 .0018
15 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0002
16 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000
DAFTAR- B
Fungsi Distribusi Poisson e -  x / x !
Angka pada tabel menunjukan nilai e -  x / x ! untuk nilai x dan  tertentu
x 
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
0 .9084 .8180 .7408 .6703 6065 .5488 .4966 .4493 .4066 .3679
1 .0905 .1637 .2222 .2681 .3033 .3293 .3476 .3595 .3659 .3679
2 .0045 .1664 .0333 .0536 .0758 .0988 .1217 .1438 .1647 .1839
3 .0002 .0011 .0033 .0072 .0126 .0198 .0284 .0383 .0494 .0613
4 .0000 .0001 .0002 .0007 .0016 .0030 .0050 .0077 .0111 .0153
5 .0000 .0000 .0000 .0001 .0002 .0004 .0007 .0012 .0020 .0031
6 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0002 .0003 .0005
7 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001
x 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
0 .3329 .3012 .2725 .2466 .2231 .2019 .1827 .1653 .1496 .1353
1 .3662 .3614 .3543 .3452 .3347 .3230 .3106 .2975 .2842 .2707
2 .2014 .2169 .2303 .2417 .2510 .2584 .2640 .2678 .2700 .2707
3 .0738 .0867 .0998 .1128 .1255 .1378 1496 .1607 .1710 .1804
4 .0203 .0260 .0324 0395 .0471 .0551 .0636 .0723 .0812 .0902
5 .0045 .0062 .0084 .0111 .0141 .0176 .0216 .0260 .0309 .0361
6 .0008 .0012 .0018 .0026 .0035 .0047 .0061 .0078 .0098 .0120
7 .0001 .0002 .0003 .0005 .0008 .0011 .0015 .0020 .0027 .0034
8 .0000 .0000 .0001 .0001 .0001 .0002 .0003 .0005 .0006 .0009
9 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0002
<
x 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0
0 .1225 .1108 .1003 .0907 .0821 .0743. .0672 .0608 .0550 .0498
1 .2572 .2438 .2306 .2177 .2052 1931 .1815 .1703 .1596 .1494
2 .2700 .2681 .2652 .2613 .2565 .2510 .2450 .2384 .2314 .2240
3 .1890 .1966 .2033 .2090 .2138 .2176 .2205 .2225 .2237 .2240
4 .0992 .1082 .1169 .1254 .1336 .1414 .1488 .1557 .1622 .1680
5 .0417 .0476 .0538 .0602 .0668 .0735 .0804 .0872 .0940 .1008
6 .0146 .0174 .0206 .0241 .0278 .0319 .0362 .0407 .0455 .0504
7 .0044 .0055 .0068 .0083 .0099 .0118 .0139 .0163 .0188 .0216
8 .0011 .0015 .0019 .0025 .0031 .0038 .0047 .0057 .0068 .0081
9 .0003 .0004 .0005 .0007 .0009 .0011 .0014 .0018 .0022 .0027
10 .0001 .0001 .0001 .0002 .0002 .0003 .0004 .0005 .0006 .0008
11 .0000 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0002 .0002
12 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001
x 
3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 4.0
0 .0450 .0408 .0369 .0334 .0302 .0273 .0247 .0224 .0202 .0183
1 .1397 .1304 .1217 .1135 .1057 .0984 .0915 .0850 .0789 .0733
2 .2165 .2087 .2008 1929 .1850 .1771 .1692 .1615 .1539 .1465
3 .2237 .2226 .2209 .2186 .2158 .2125 .2087 .2046 .2001 .1954
4 .1734 .1781 .1823 .1858 .1888 .1912 .1931 .1944 .1951 .1954
5 .1075 .1140 1203 .1264 .1322 .1377 .1429 .1477 .1522 .1563
6 .0555 .0608 .0662 .0716 .0771 .0826 .0881 .0936 .0989 .1042
7 .0246 .0278 .0312 0348 .0385 .0425 .0466 .0508 .0551 .0595
8 .0095 .0111 .0129 .0148 .0169 .0191 .0215 .0241 .0269 .0298
9 .0033 .0040 .0047 .0056 .0066 .0076 .0089 .0102 .0116 .0132
10 .0010 .0013 .0016 .0019 .0023 .0028 .0033 .0039 .0045 .0053
11 .0003 .0004 .0005 .0006 .0007 .0009 .0011 .0013 .0016 .0019
12 .0001 .0001 .0001 .0002 .0002 .0003 .0003 .0004 .0005 .0006
13 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0001 .0002 .0002
14 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001
x 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 5.0
0 .0166 .0150 .0136 .1023 .0111 .0101 .0091 .0082 .0074 .0067
1 .0679 0630 .0583 .0540 .0500 .0462 .0427 .0395 .0365 .0337
2 .1393 1323 .1254 .1188 .1125 .1063 .1005 .0948 .0894 .0842
3 .1904 .1852 .1798 .1745 .1687 .1631 .1574 .1517 .1460 .1404
4 .1951 .1944 .1933 .1917 .1898 .1875 .1849 .1820 .1789 .1755
5 .1600 .1633 .1662 .1687 .1708 .1725 .1738 .1747 .1753 .1755
6 .1093 .1143 .1191 .1237 .1281 .1323 .1362 .1398 .1432 .1462
7 .0640 .0686 .0732 .0778 .0824 .0869 .0914 .0959 .1002 .1044
8 .0328 .0360 .0393 .0428 .0463 .0500 .0537 .0575 .0614 .0653
9 .0150 .0168 .0188 .0209 .0232 .0255 .0280 .0307 .0334 .0363
10 .0061 .0071 .0081 .0092 .0104 .0118 .0132 .0147 .0164 .0181
11 .0023 .0027 .0032 .0037 .0043 .0049 .0056 .0064 .0073 .0082
12 .0008 .0009 .0011 .0014 .0016 .0019 .0022 .0026 .0030 .0034
13 .0002 .0003 .0004 .0005 .0006 .0007 .0008 .0009 .0011 .0013
14 .0001 .0001 .0001 .0001 .0002 .0002 .0003 .0003 .0004 .0005
15 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0001 .0001 .0002
‘
x 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 6.0
0 .0061 .0055 .0050 .0045 .0041 .0037 .0033 .0030 .0027 .0025
1 .0311 .0287 .0265 .0244 .0225 .0207 .0191 .0176 .0162 .0149
2 .0793 .0746 .0701 .0659 .0618 .0580 .0544 .0509 .0477 .0446
3 .1348 .1293 .1239 .1185 .1133 .1082 .1033 .0935 .0938 .0892
4 .1719 .1681 .1641 .1600 .1558 .1515 .1472 .1428 .1383 .1339
5 .1753 .1748 .1740 .1728 .1714 .1697 .1678 .1656 .1632 .1606
6 .1490 .1515 .1537 .1555 .1571 .1584 .1594 .1601 .1605 .1606
7 .1086 .1125 .1163 .1200 .1234 .1267 .1298 .1326 .1353 .1377
8 .0692 .0731 .0771 .0810 .0849 .0887 .0925 .0962 .0998 .1033
9 .0392 .0423 .0454 .0486 .0519 .0552 .0586 .0620 .0654 .0688
10 .0200 .0220 .0241 .0262 .0285 .0309 .0334 .0359 .0386 .0413
11 .0093 .0104 .0116 .0129 .0143 .0157 .0173 .0190 .0207 .0225
12 .0039 .0045 .0051 .0058 .0065 .0073 .0082 .0092 .0102 .0113
13 .0015 .0018 .0021 .0024 .0028 .0032 .0036 .0041 .0046 .0052
14 .0006 .0007 .0008 .0009 .0011 .0013 .0015 .0017 .0019 .0022
15 .0002 .0002 .0003 .0003 .0004 .0005 .0006 .0007 .0008 .0009
16 .0001 .0001 .0001 .0001 .0001 .0002 .0002 .0002 .0003 .0003
17 .0000 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0001 .0001
x 6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 7.0
0 .0022 .0020 .0018 .0017 .0015 .0014 .0012 .0011 .0010 .0009
1 .0137 .0126 .0116 .0106 .0098 .0090 .0082 .0076 .0070 .0064
2 .0417 .0390 .0364 .0340 .0318 .0296 .0276 .0258 .0240 .0223
3 .0848 .0806 .0765 .0726 .0688 .0652 .0617 .0584 .0552 .0912
4 .1294 .1249 .1205 .0116 .1118 .1076 .1034 .0992 .0952 .0912
5 .1579 .1549 .1519 .1487 .1454 .1420 .1385 .1349 .1314 .1277
6 .1605 .1601 .1595 .1586 .1575 .1562 .1546 .1529 .1511 .1490
7 .1399 .1418 .1435 .1450 .1462 .1472 .1480 .1486 .1489 .1490
8 .1066 .1099 .1130 .1160 .1188 .1215 .1240 .1263 .1284 .1304
9 .0723 .0757 .0791 .0825 .0858 .0891 .0923 .0954 .0985 .1014
10 .0441 ..0469 .0498 .0528 .0558 .0588 .0618 .0649 .0679 .0710
11 .0245 .0265 .0285 .0307 .0330 .0353 .0377 .0401 .0426 .0452
12 .0124 .0137 .0150 .0164 .0179 .0194 .0210 .0227 .0245 .0264
13 .0058 .0065 .0073 .0081 .0089 .0098 .0108 .0119 .0130 .0142
14 .0025 .0029 .0033 .0037 .0041 .0046 .0052 .0058 .0064 .0071
15 .0010 .0012 .0014 .0016 .0018 .0020 .0023 .0026 .0029 .0033
16 .0004 .0005 .0005 .0006 .0007 .0008 .0010 .0011 .0013 .0014
17 .0001 .0002 .0002 .0002 .0003 .0003 .0004 .0004 .0005 .0006
18 .0000 .0001 .0001 .0001 .0001 .0001 .0001 .0002 .0002 .0002
19 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0001 .0001
x 
7.1 7.2 7.3 7.4 7.5 7.6 7.7 7.8 7.9 8.0
0 .0008 .0007 .0007 .0006 .0006 .0005 .0005 .0004 .0004 .0003
1 .0059 .0054 .0049 .0045 .0041 .0038 .0035 .0032 .0029 .0027
2 .0208 .0194 .0180 .0167 .0156 .0145 .0134 .0125 .0116 .0107
3 .0492 .0464 .0438 .0413 .0389 .0366 .0345 .0324 .0305 .0286
4 .0874 .0836 .0799 .0764 .0729 .0696 .0663 .0632 .0602 .0573
5 .1241 .1204 .1167 .1130 .1094 .1057 .1021 .0986 .0951 .0916
6 .1468 .1445 .1420 .1394 .1367 .1339 .1311 .1282 .1252 .1221
7 .1489 .1486 .1481 .1474 .1465 .1454 .1442 .1428 .1413 .1396
8 .1321 .1337 .1351 .1363 .1373 .1382 .1388 .1392 .1395 .1396
9 .1042 .1070 .1096 .1121 .1144 .1167 .1187 .1207 .1224 .1241
10 .0740 .0770 .0800 .0829 .0858 .0887 .0914 .0941 .0967 .0993
11 .0478 .0504 .0531 .0558 .0585 .0613 .0640 .0667 .0695 .0722
12 .0283 .0303 .0323 .0344 .0366 .0388 .0411 .0434 .0457 .0481
13 .0154 .0168 .0181 .0196 .0211 .0227 .0243 .0260 .0278 .0296
14 .0078 .0086 .0095 .0104 .0113 .0123 .0134 .0145 .0157 .0169
15 .0037 .0041 .0046 .0051 .0057 .0062 .0069 .0075 .0083 .0090
16 .0016 .0019 .0021 .0024 .0026 .0030 .0033 .0037 .0041 .0045
17 .0007 .0008 .0009 .0010 .0012 .0013 .0015 .0017 .0019 .0021
18 .0003 .0003 .0004 .0004 .0005 .0006 .0006 .0007 .0008 .0009
19 .0001 .0001 .0001 .0002 .0002 .0002 .0003 .0003 .0003 .0004
20 .0000 .0000 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0002
21 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0001
x 8.1 8.2 8.3 8.4 8.5 8.6 8.7 8.8 8.9 9.0
0 .0003 .0003 .0002 .0002 .0002 .0002 .0002 .0002 .0001 .0001
1 .0025 .0023 .0021 .0019 .0017 .0016 .0014 .0013 .0012 .0011
2 .0100 .0092 .0086 .0079 .0074 .0068 .0063 .0058 .0054 .0050
3 .0269 .0252 .0237 .0222 .0208 .0195 .0183 .0171 .0160 .0150
4 .0544 .0517 .0491 .0466 .0443 .0420 .0398 .0377 .0357 .0337
5 .0882 .0849 .0816 .0784 .0752 .0722 .0692 .0663 .0635 .0607
6 .1191 .1160 .1128 .1097 .1066 .1034 .1003 .0972 .0941 .0911
7 .1378 .1358 .1338 .1317 .1294 .1271 .1247 .1222 .1197 .1171
8 .1395 .1392 .1388 .1382 .1375 .1366 .1356 .1344 .1332 .1318
9 .1256 .1269 .1280 .1290 .1399 .1306 .1311 .1315 .1317 .1318
10 .1017 .1040 .1063 .1084 .1104 .1123 .1140 .1157 .1172 .1186
11 .0749 .0776 .0802 .0828 .0853 .0878 .0902 .0525 .0948 .0970
12 .0505 .0530 .0555 .0579 .0604 .0629 .0654 .0679 .0703 .0728
13 .0315 .0334 .0354 .0374 .0395 .0416 .0438 .0459 .0481 .0504
14 .0182 .0196 .0210 .0225 .0240 .0256 .0272 .0289 .0306 .0324
15 .0098 .0107 .0116 .0126 .0136 .0147 .0158 .0169 .0182
.0194
16 .0050 .0055 .0060 .0066 .0072 .0079 .0086 .0093 .0101
17 .0024 .0026 .0029 .0033 .0036 .0040 .0044 .0048 .0053 .0109
18 .0011 .0012 .0014 .0015 .0017 .0019 .0021 .0024 .0026 .0058
19 .0005 .0005 .0006 .0007 .0008 .0009 .0010 .0011 .0012 .0029
20 .0002 .0002 .0002 .0003 .0003 .0004 .0004 .0005 .0005 .0014
21 .0001 .0001 .0001 .0001 .0001 .0002 .0002 .0002 .0002 .0006
22 .0000 .0000 .0000 .0000 .0001 .0001 .0001 .0001 .0001 .0003
.0001
DAFTAR-C
Distribusi Normal
Angka pada tabel menunjukan proporsi pada kurva yang terletak antara z = 0
dan nilai z positif. Daerah untuk nilai z negatif diperoleh dengan cara yang sama.
z 0 1 2 3 4 5 6 7 8 9
0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
0.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
0.4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879
0.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
0.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2517 .2549
0.7 .2580 .2611 .2642 .2673 .2703 .2734 .2764 .2794 .2823 .2852
0.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
0.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0 .3413 .3438 .3461 .3485 .3508 .3531 3554 .3577 .3599 .3521
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.5 .4332 .4345 4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767
2.0 .4772 .4778 4783 .4788 .4793 .4798 .4803 .4808 .4812 4817
2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 4857
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936
2.5 4938 .4940 4941 .4943 .4945 .4946 .4948 .4949 .4951 .4952
2.6 .4953 .4955 4956 .4957 .4959 .4960 .4961 .4962 .4963 .4964
2.7 .4965 .4966 4967 .4968 .4969 .4970 .4971 .4972 .4973 .4974
2.8 .4974 .4975 4976 .4977 .4977 .4978 .4979 .4979 .4980 .4981
2.9 .4981 .4982 4982 .4983 .4984 .4984 .4985 .4985 .4986 .4986
3.0 .4987 .4987 4987 .4988 .4988 .4989 .4989 .4940 .4990 .4990
DAFTAR-D
Harga Kritik Korelasi Product Moment Person
.05 .025 .01 .005
dƒ
Level of significance for two-tailed tes
.01 .05 .02 .01
1 988 997 995 999
2 900 950 980 990
3 805 878 934 959
4 729 811 882 917
5 669 754 833 874
6 622 707 789 834
7 582 666 750 798
8 549 632 716 765
9 521 602 685 735
10 497 576 658 708
11 476 553 634 684
12 458 532 612 661
13 441 514 592 641
14 426 497 574 623
15 412 482 558 606
16 400 468 542 590
17 389 456 528 575
18 378 444 516 561
19 369 433 503 549
20 360 423 492 537
21 352 413 482 526
22 344 404 472 515
23 337 396 462 505
24 330 388 456 496
25 323 381 445 487
26 317 374 437 479
27 311 367 430 471
28 306 361 423 463
29 301 355 416 456
30 296 349 409 449
35 275 325 381 418
40 257 304 358 393
45 243 288 338 372
50 231 273 322 354
60 211 250 295 325
70 195 232 274 303
80 183 217 256 283
90 173 205 242 267
100 164 195 230 254
Sumber: Diambil dari Gullford, JP dan Benyamin, F; Fundamental Statistic In
DAFTAR-E
Harga Kritik Korelasi Tata Jenjang Spearman’s
Level of Significance for two-tail test
N .10 .02 .01 N .10 .02 .01
5 .900 1.000 16 .425 .601 .665

6 .829 .943 1.000 18 .399 .564 .625
7 .714 .893 .929 20 .377 .534 .591
8 .643 .833 .881 22 .359 .508 .562
9 .600 .783 .833 24 .343 .485 .537
10 .564 .746 .794 26 .329 .465 .515
12 .506 .712 .777 28 .317 .448 .496
14 .456 .645 .715 30 .306 .432 .478
.05 .01 .005 .05 .01 .005
Level of Significance for one-tail test
Sumber: Diambil dari Ferguson, A. George; Statistical Analysis in Psychology And

Education; McGraw-Hill Book Company; New York; 1989.
.
DAFTAR-F
Harga Kritik Untuk t
.10 .05 .025 .01 .005 .0005
dƒ
Level of significance for two-tailed test
.20 .10 .05 .02 .01 .001
1 3.078 6.314 12.706 31.821 63.657 636.619
2 1.886 2.920 4.303 6.965 9.925 31.598
3 1.638 2.353 3.182 4.541 5.841 12.941
4 1.533 2.132 2.770 3.747 4.604 8.613
5 1.476 2.015 2.571 3.365 4.032 6.859
6 1.440 1.943 2.447 3.143 3.707 5.959
7 1.415 1.895 2.365 2.998 3.499 5.405
8 1.397 1.860 2.306 2.896 3.355 5.041
9 1.383 1.833 2.262 2.821 3.250 4.781
10 1.372 1.812 2.228 2.764 3.169 4.587
11 1.363 1.796 2.201 2.718 3.106 4.437

12 1.356 1.782 2.179 2.681 3.055 4.318
13 1.350 1.771 2.160 2.650 3.012 4.221
14 1.345 1.761 2.145 2.624 2.977 4.140
15 1.341 1.753 2.131 2.602 2.947 4.073
16 1.337 1.746 2.120 2.853 2.921 4.015
17 1.333 1.740 2.110 2.567 2.898 3.965
18 1.330 1.734 2.101 2.552 2.878 3.922
19 1.328 1.729 2.093 2.539 2.861 3.883
20 1.325 1.725 2.086 2.528 2.845 3.850
21 1.323 1.721 2.080 2.518 2.831 3.819

22 1.321 1.717 2.074 2.508 2.819 3.792
23 1.319 1.714 2.069 2.500 2.807 3.767
24 1.318 1.711 2.064 2.492 2.797 3.745
25 1.316 1.708 2.060 2.485 2.787 3.725
26 1.315 1.706 2.056 2.479 2.779 3.707
27 1.314 1.703 2.052 2.473 2.771 3.690
28 1.313 1.701 2.048 2.467 2.763 3.674
29 1.311 1.699 2.045 2.462 2.756 3.659
30 1.310 1.697 2.042 2.457 2.750 3.646
40 1.303 1.684 2.021 2.423 2.704 3.551

60 1.296 1.671 2.000 2.390 2.660 3.460
120 1.289 1.658 1.980 2.358 2.617 3.373
 1.282 1.645 1.960 2.326 2.576 3.291
Sumber: Diambil dari Gullford, JP. dan Benyamin, F., Fundamental Statistic in
DAFTAR-G
Harga Kritik Untuk F
Baris atas untuk  = 0,05
Baris bawah untuk  = 0,01
Penyebut
1 2 3 4 5 6 7 8 9 10 11 12 14 16 20 24 30 40 50 75 100 200 500 
1 161 200 216 225 230 234 237 239 241 242 243 244 245 246 248 249 250 251 252 253 253 254 254 254
4052 4999 5403 5625 5764 5859 5928 5981 6022 6056 6082 6106 6142 6169 6208 6234 6258 6286 6302 6323 6334 6352 6361 6366
2 18.51 19.00 19.16 19.25 19.30 19.33 19.36 19.37 19.38 19.39 19.40 19.14 19.42 19.43 19.44 19.45 19.46 19.47 19.47 19.48 19.49 19.49 19.50 19.50
98.49 99.01 99.17 99.25 99.30 99.33 99.34 99.36 99.38 99.40 99.41 99.42 99.43 99.44 99.45 99.46 99.47 99.48 99.48 99.49 99.49 99.49 99.50 99.50
3 10.13 9.55 9.28 9.12 9.01 8.94 8.88 8.84 8.81 8.78 8.76 8.374 8.71 8.69 8.66 8.46 8.26 8.60 8.58 8.57 8.56 8.54 8.54 8.53
35.12 30.81 29.46 28.71 28.24 27.91 27.67 27.49 27.34 27.23 27.13 27.05 26.92 26.83 26.69 26.60 26.50 26.41 2635 26.27 26.23 26.18 26.14 26.12
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.93 5.91 5.87 5.84 5.80 5.77 5.74 5.71 5.70 5.68 5.66 5.65 5.64 5.63
21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.08 14.66 14.54 14.45 14.37 14.24 14.15 14.02 13.93 13.83 13.74 13.69 13.61 13.57 13.52 13.48 13.46
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.78 4.74 4.70 4.68 4.64 4.60 1.56 4.56 4.50 4.46 4.44 4.42 4.40 4.38 4.37 4.36
16.26 13.27 12.06 11.39 10.97 10.67 10.45 10.27 10.15 10.05 9.96 9.89 9.77 9.68 9.55 9.47 9.38 9.29 09.24 9.17 9.13 9.07 9.04 9.02
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.03 4.00 3.96 3.02 3.87 3.84 3.81 3.77 3.75 3.72 3.71 3.69 3.68 3.67
13.74 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.79 7.72 7.60 7.52 7.39 7.31 7.23 7.14 7.09 7.02 6.99 6.94 6.90 6.88
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.63 3.60 3.57 3.52 3.49 3.44 3.41 3.38 3.34 3.32 3.29 3.28 3.25 3.24 3.23
13.74 9.55 8.45 7.85 7.46 7.19 7.00 6.84 6.71 6.62 6.54 6.47 6.35 6.27 6.15 6.07 5.98 5.90 5.85 5.78 5.75 5.70 5.67 5.65
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.34 3.31 3.28 3.23 3.20 3.15 3.12 3.08 3.05 3.03 3.00 2.98 2.96 2.94 2.93
11.26 8.65 7.59 7.01 6.63 6.37 6.19 6.03 5.91 5.82 5.74 5.67 5.56 5.48 5.36 5.28 5.20 5.11 5.06 5.00 4.96 4.91 4.88 4.86
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.13 3.10 3.07 3.02 2.98 2.93 2.90 2.86 2.82 2.80 2.77 2.76 2.73 2.72 2.71
10.56 8.02 6.99 6.42 6.06 5.80 5.62 5.47 5.35 5.26 5.18 5.11 5.00 4.92 4.80 4.73 4.64 4.56 4.51 4.45 4.41 4.36 4.33 4.31
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.97 2.94 2.91 2.86 2.82 2.77 2.74 2.70 2.67 2.64 2.61 2.59 2.56 2.55 254
10.04 7.56 6.55 5.99 5.64 5.39 5.21 5.06 4.95 4.85 4.78 4.71 4.60 4.52 4.41 4.33 4.25 4.17 4.12 4.05 4.01 3.96 3.93 3.91
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.86 2.82 2.79 2.74 2.70 2.65 2.61 2.57 2.53 2.50 2.47 2.45 2.42 2.41 2.40
9.65 7.20 6.22 5.67 5.32 5.07 4.88 4.47 4.63 4.46 4.46 4.40 4.29 4.21 4.10 4.02 3.94 386 3.80 3.74 3.70 3.66 3.62 3.60
Adaptasi dari : Ferguson, A. George; Statistical Analysis in Psychology and Education. San Francisco: McGraw-Hill Book Company. 1989.
Penyebut
1 2 3 4 5 6 7 8 9 10 11 12 14 16 20 24 30 40 50 75 100 200 500 
12 4.75 3.88 3.49 3.26 3.11 3.00 2.92 2.85 2.80 2.76 2.72 2.69 2.64 2.60 2.54 2.50 2.46 2.42 2.40 2.36 2.35 2.32 2.31 2.30
9.33 6.93 5.95 5.41 5.06 4.82 4.65 4.50 4.39 4.30 4.22 4.16 4.05 3.98 3.86 3.78 3.70 3.61 3.56 3.49 3.46 3.41 3.38 3.36
13 4.67 3.80 3.41 3.18 3.02 2.92 2.84 2.77 2.72 2.67 2.63 2.60 2.55 2.51 2.46 2.42 2.38 2.34 2.32 2.28 2.26 2.24 2.22 2.21
9.07 6.70 5.74 5.20 4.86 4.62 4.44 4.30 4.19 4.10 4.02 3.96 3.85 3.78 3.67 3.59 3.51 3.42 2.37 3.30 3.27 3.21 3.18 3.16
14 4.60 3.74 3.34 3.11 2.96 2.85 2.77 2.70 2.65 2.60 2.56 2.53 2.48 2.44 2.39 2.35 2.31 2.27 2.24 2.21 2.19 2.16 2.14 2.13
8.86 6.51 5.56 5.03 4.69 4.46 4.28 4.14 4.03 3.94 3.86 3.80 3.70 3.62 3.51 3.43 3.34 3.26 3.21 3.14 3.11 3.06 3.02 3.00
15 4.54 3.68 3.29 3.06 2.90 2.79 2.70 2.64 2.59 2.55 2.51 2.48 2.43 2.39 2.33 2.29 2.25 2.21 2.18 2.15 2.12 2.10 2.08 2.07
8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89 3.80 3.73 3.67 3.56 3.48 3.36 3.29 3.20 3.12 3.07 3.00 2.97 2.92 2.89 2.87
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.45 2.42 2.37 2.33 2.28 2.24 2.20 2.16 2.13 2.09 2.07 2.04 2.02 2.06
8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78 3.69 3.61 3.55 3.45 3.37 3.25 3.18 3.10 3.01 2.96 2.89 2.86 2.80 2.77 2.75
17 4.45 3.59 3.20 2.96 2.81 2.70 2.62 2.55 2.50 2.45 2.41 2.38 2.33 2.29 2.23 2.19 2.15 2.11 2.08 2.04 2.02 1.99 1.97 1.96
8.40 6.11 5.18 4.67 4.43 4.10 3.93 3.79 3.68 3.59 3.52 3.45 3.35 3.27 3.16 3.08 3.00 2.92 2.86 2.79 2.76 2.70 2.67 2.65
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.37 2.34 2.29 2.25 2.19 2.15 2.11 2.07 2.04 2.00 1.98 1.95 1.93 1.92
8.28 6.01 5.09 4.58 4.25 4.01 3.85 3.71 3.60 3.51 3.44 3.37 3.27 3.19 3.07 3.00 2.91 2.83 2.78 2.71 2.68 2.62 2.59 2.57
19 4.38 3.52 3.13 2.90 2.74 2.63 2.55 2.48 2.41 2.38 2.34 2.31 2.26 2.21 2.15 2.11 2.07 2.02 2.00 1.96 1.94 1.91 1.90 1.88
8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52 3.43 3.36 3.30 3.19 3.12 3.00 2.92 2.84 2.76 2.70 2.63 2.60 2.54 2.51 2.49
20 4.35 3.49 3.10 2.87 2.71 2.60 2.52 2.45 2.40 2.35 2.31 2.28 2.23 2.18 2.12 2.08 2.04 1.99 1.96 1.92 1.90 1.87 1.85 1.84
8.10 5.85 4.94 4.43 4.10 3.87 3.71 3.56 3.45 3.37 3.30 3.23 3.13 3.05 2.94 2.86 2.77 2.69 2.63 2.56 2.53 2.47 2.44 2.42
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 4.42 2.37 3.32 2.28 2.25 2.20 2.15 2.09 2.05 2.00 1.96 1.93 1.89 1.87 1.84 1.82 1.81
8.02 5.78 4.87 4.37 4.04 3.81 3.65 3.51 3.40 3.31 3.24 3.17 3.07 2.99 2.88 2.80 2.72 2.63 2.58 2.51 2.47 3.42 2.38 2.36
22 4.30 3.44 3.05 2.82 2.66 2.55 2.47 2.40 2.35 2.30 2.26 2.23 2.18 2.13 2.07 2.03 1.98 1.93 1.91 1.87 1.84 1.81 1.80 1.78
7.94 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35 3.26 3.18 3.12 3.02 2.94 2.83 2.75 2.67 2.58 2.53 2.46 2.42 2.37 2.33 2.23
23 4.28 3.42 3.03 2.80 2.64 2.53 2.45 2.38 2.32 2.28 2.24 2.20 2.14 2.10 2.04 2.00 1.96 1.91 1.88 1.84 1.82 1.79 1.77 1.76
7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41 3.30 3.21 3.14 3.07 2.97 2.89 2.78 2.70 2.62 2.53 2.48 2.41 2.37 2.32 2.28 2.26
24 4.26 3.40 3.01 2.78 2.62 2.51 2.43 2.36 2.30 2.26 2.22 2.18 2.13 2.09 2.02 1.98 1.94 1.89 1.86 1.82 1.80 1.76 1.74 1.73
7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.25 3.17 3.09 3.03 2.93 2.85 2.74 2.66 2.58 2.49 2.44 2.36 2.33 2.28 2.28 2.21
Penyebut
1 2 3 4 5 6 7 8 9 10 11 12 14 16 20 24 30 40 50 75 100 200 500 
25 4.24 3.38 2.99 2.76 2.60 2.49 2.41 2.34 2.28 2.24 2.20 2.16 2.11 2.06 2.00 1.96 1.92 1.87 1.84 1.80 1.77 1.74 1.72 1.71
7.77 5.57 4.68 4.18 3.86 3.62 3.46 3.32 3.21 3.13 3.05 2.99 2.89 2.81 2.70 2.62 2.54 2.45 2.40 2.32 2.29 2.23 2.19 2.17
26 4.22 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22 2.18 2.15 2.10 2.05 1.99 1.95 1.90 1.85 1.82 1.78 1.76 1.72 1.70 1.69
7.72 5.83 4.64 4.14 3.82 3.59 3.42 3.29 3.17 3.09 3.02 2.96 2.86 2.77 2.66 2.58 2.50 2.41 2.36 2.28 2.25 2.19 2.15 2.13
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.30 2.25 2.20 2.16 2.13 2.08 2.03 1.97 1.93 1.88 1.84 1.80 1.76 1.74 1.71 1.68 1.67
7.68 5.49 4.60 4.11 3.79 3.56 3.39 3.26 3.14 3.06 2.98 2.93 2.83 3.74 2.63 2.55 2.47 2.38 2.33 2.25 2.21 2.16 2.12 2.10
28 4.20 3.34 2.95 2.71 2.56 2.44 2.36 2.29 2.24 2.19 2.15 2.12 2.06 2.02 1.96 1.91 1.87 1.81 1.78 1.75 1.72 1.69 1.67 1.65
7.64 5.45 4.57 4.07 3.76 3.53 3.36 2.23 3.11 3.03 2.95 2.90 2.80 3.71 2.60 2.52 2.44 2.35 2.30 2.22 2.18 2.13 2.09 2.06
29 4.18 3.33 2.93 2.07 2.54 2.43 2.35 2.28 2.22 2.18 2.14 2.10 2.05 2.00 1.94 2.90 1.85 1.80 1.77 1.73 1.71 1.68 1.65 1.63
7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20 3.08 3.00 2.92 2.87 2.77 2.68 2.57 2.49 2.41 2.32 2.27 2.19 2.15 2.10 2.06 2.03
30 4.17 3.32 2.92 2.69 2.53 2.42 2.34 2.27 2.21 2.16 2.12 2.09 2.04 1.99 1.93 1.89 1.84 1.79 1.76 1.72 1.69 1.66 1.64 1.62
7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.06 2.98 2.90 2.84 2.74 2.66 2.55 2.47 2.38 2.29 2.24 2.16 2.13 2.07 2.03 2.01
32 4.15 3.30 2.90 2.67 2.51 2.40 2.32 2.25 2.19 2.14 2.10 2.07 2.02 1.97 1.91 1.86 1.82 1.76 1.74 1.69 1.67 1.64 1.61 1.59
7.50 5.24 4.46 3.97 3.66 3.42 3.25 3.13 3.01 2.94 2.86 2.80 2.70 2.62 2.51 2.42 2.34 2.25 2.20 2.12 2.08 2.02 1.98 1.96
34 4.13 3.28 2.88 2.65 2.49 2.38 2.30 2.23 2.17 2.12 2.08 2.05 2.00 1.95 1.89 1.84 1.80 1.74 1.71 1.67 1.64 1.61 1.59 1.57
7.44 5.29 4.42 3.93 3.61 3.38 3.21 3.08 2.97 2.89 2.82 2.76 2.66 2.58 2.47 2.38 2.30 2.21 2.15 2.08 2.04 1.98 1.94 1.91
36 4.11 3.26 2.86 2.63 2.48 2.36 2.28 2.21 2.15 2.10 2.06 2.03 1.98 1.93 1.87 1.82 1.78 1.72 1.69 1.65 1.62 1.59 1.56 1.55
7.39 5.25 4.38 3.89 3.58 3.35 3.18 3.04 2.94 2.86 2.78 2.72 2.62 2.54 2.43 2.35 2.26 2.17 2.12 2.04 2.00 1.94 1.90 1.87
38 4.10 3.25 2.85 2.62 2.46 2.35 2.26 2.19 2.14 2.09 2.05 2.02 1.96 1.92 1.85 1.80 1.76 1.71 1.67 1.63 1.60 1.57 1.54 1.53
7.35 5.21 4.34 3.86 3.54 3.32 3.15 3.02 2.91 2.82 3.75 2.69 2.59 2.51 2.40 2.22 2.22 2.14 2.08 2.00 1.97 1.90 1.86 1.84
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.07 2.04 2.00 1.95 1.90 1.84 1.79 1.74 1.69 1.66 1.61 1.59 1.55 153 1.51
7.31 5.18 4.31 3.83 3.51 3.29 3.13 2.99 2.88 2.80 3.73 2.66 2.56 2.49 2.37 2.29 2.20 2.11 2.05 1.97 1.94 1.88 1.84 1.81
42 4.07 3.22 2.83 2.59 2.44 2.32 2.24 2.17 2.11 2.06 2.02 1.99 1.94 1.89 1.82 1.78 1.73 1.68 1.64 1.60 1.57 1.54 1.51 1.49
7.27 3.15 4.29 3.80 3.49 3.26 3.10 2.96 2.86 2.77 2.70 2.64 2.54 2.46 2.35 2.26 2.17 2.06 2.02 1.94 1.91 1..85 1.80 1.78
44 4.06 3.21 2.82 2.58 2.43 2.31 2.23 2.16 2.10 2.05 2.01 1.98 1.92 1.88 1.81 1.76 1.72 1.66 1.63 1.58 1.56 1.52 1.50 1.48
7.24 5.12 4.26 3.78 3.46 3.24 3.07 2.94 2.84 2.75 2.68 2.62 2.52 2.44 2.32 2.24 2.15 2.06 2.00 1.92 1.88 1.82 1.78 1.75
Penyebut
1 2 3 4 5 6 7 8 9 10 11 12 14 16 20 24 30 40 50 75 100 200 500 
46 4.05 3.20 2.81 2.57 2.42 2.30 2.22 2.14 2.09 2.04 2.00 1.97 1.91 1.87 1.80 1.75 1.71 1.65 1.62 1.57 1.54 1.51 1.48 1.46
7.21 5.10 4.24 3.76 3.44 3.22 3.05 2.92 2.82 2.73 2.66 2.60 2.50 2.42 2.30 2.22 2.13 2.04 1.98 1.90 1.86 1.80 1.76 1.72
48 4.04 3.19 2.80 2.56 2.41 2.30 2.21 2.14 2.03 2.03 1.99 1.96 1.90 1.86 1.79 1.74 1.70 1.64 1.61 1.56 1.53 1.50 1.47 1.45
7.19 5.08 4.22 3.42 3.42 3.20 3.04 2.90 2.80 2.71 2.64 2.58 2.48 2.40 2.28 2.20 2.11 2.02 1.96 1.68 1.84 1.78 1.73 1.70
50 7.03 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07 2.02 1.98 1.95 1.90 1.85 1.78 1.74 1.69 1.63 1.60 1.55 1.52 1.48 1.46 1.41
7.17 5.06 4.20 3.72 3.41 3.18 3.02 2.88 2.73 2.70 2.62 2.56 2.46 2.39 2.26 2.18 2.10 2.00 1.94 1.86 1.82 1.76 1.71 1.68
55 4.02 3.17 2.78 2.54 2.38 2.27 2.18 2.11 2.05 2.00 1.97 1.93 1.88 1.83 1.76 1.72 1.67 1.61 1.58 1.52 1.50 1.46 1.43 1.41
7.12 5.01 4.16 3.68 3.37 3.15 2.98 2.85 2.75 2.65 2.59 2.53 2.43 2.35 2.23 2.15 2.06 1.96 1.90 1.86 1.78 1.71 1.66 1.64
60 4.00 3.15 2.76 2.52 2.37 2.25 2.17 2.10 2.04 1.99 1.95 1.92 1.86 1.81 1.75 1.70 1.65 1.59 1.56 1.50 1.48 1.44 1.41 1.39
7.03 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63 2.50 2.50 2.40 2.32 2.20 2.10 2.03 1.93 1.87 1.79 1.74 1.68 1.63 1.60
65 3.99 3.14 2.75 2.51 2.36 2.24 2.15 2.08 2.02 1.98 1.94 1.90 1.85 1.80 1.71 1.68 1.63 1.57 1.54 1.49 1.46 1.42 1.39 1.37
7.04 4.95 4.10 3.62 3.31 3.09 2.93 2.79 2.70 2.61 2.54 2.47 2.37 2.30 2.18 2.09 2.00 1.90 1.84 1.76 1.71 1.62 1.60 1.56
70 3.98 3.13 2.74 2.50 2.35 2.23 2.14 2.07 2.01 1.97 1.93 1.89 1.83 1.79 1.72 1.67 1.62 1.56 1.53 1.47 1.45 1.40 1.37 1.35
7.01 4.92 4.08 3.60 3.29 3.07 2.91 2.77 2.67 2.59 2.51 2.45 2.35 2.28 2.15 2.07 1.98 1.88 1.82 1.74 1.69 1.62 1.56 1.52
80 3.96 3.11 2.72 2.48 2.33 2.21 2.12 2.05 1.99 1.95 1.91 1.88 1.82 1.77 1.70 1.65 1.60 1.54 1.51 1.45 1.42 1.38 1.35 1.32
6.96 4.88 4.04 3.56 3.25 3.04 2.87 2.74 2.64 2.55 2.48 2.41 2.32 2.24 2.11 2.03 1.94 1.84 1.78 1.70 1.65 1.57 1.52 1.49
100 3.94 3.09 2.70 2.46 2.30 2.19 2.10 2.03 1.97 1.92 1.88 1.85 1.79 1.75 1.68 1.63 1.57 1.51 1.48 1.42 1.39 1.34 1.30 1.28
6.90 4.82 3.98 3.51 3.20 2.99 2.82 2.69 2.59 2.51 2.43 2.36 2.26 2.19 2.06 1.98 1.89 1.79 1.73 1.64 1.59 1.51 1.46 1.43
125 3.92 3.07 2.68 2.44 2.29 2.17 2.08 2.01 1.95 1.90 1.86 1.83 1.77 1.72 1.65 1.60 1.55 1.49 1.45 1.39 1.36 1.31 1.27 1.25
6.84 4.78 3.94 3.47 3.17 2.95 2.79 2.65 2.56 2.47 2.40 2.33 2.23 2.15 2.03 1.94 1.85 1.75 1.68 1.59 1.54 1.46 1.40 1.37
130 3.91 3.06 2.67 2.43 2.27 2.10 2.07 2.00 1.94 1.89 1.85 1.82 1.76 1.71 1.64 1.59 1.54 1.47 1.44 1.37 1.34 1.29 1.25 1.22
6.81 4.75 3.91 3.44 3.14 2.92 2.76 2.62 2.53 2.44 2.37 2.30 2.20 2.12 2.00 1.91 1.83 1.72 1.66 1.56 1.51 1.43 1.37 1.33
200 3.89 3.04 2.65 2.41 2.26 2.14 2.05 1.98 1.92 1.87 1.83 1.80 1.74 1.69 1.62 1.57 1.52 1.45 1.42 1.35 1.32 1.26 1.22 1.19
6.76 4.71 3.88 3.41 3.11 2.90 2.73 2.60 2.50 2.41 2.34 2.28 2.17 2.09 1.97 1.88 1.79 1.69 1.62 1.53 1.48 1.39 1.33 1.28
400 3.86 3.02 2.62 2.39 2.23 2.12 2.03 1.96 1.90 1.85 1.81 1.78 1.72 1.67 1.60 1.54 1.49 1.42 1.38 1.32 1.28 1.22 1.16 1.13
6.70 4.66 3.83 3.36 3.06 2.85 2.69 2.55 2.46 2.37 2.29 2.23 2.12 2.04 1.92 1.84 1.74 1.64 1.57 1.47 1.42 1.32 1.24 1.19
1000 3.85 3.00 2.61 2.38 2.22 2.10 2.02 1.95 1.89 1.84 1.80 1.76 1.70 1.65 1.58 1.53 1.47 1.41 1.36 1.30 1.26 1.19 1.13 1.08
6..66 4.62 3.80 3.34 3.04 2.82 2.66 2.53 2.43 2.34 2.26 2.20 2.09 2.01 1.89 1.81 1.71 1.61 1.54 1.46 1.38 1.28 1.19 1.11
 3.84 2.99 2.60 2.37 2.31 2.09 2.01 1.94 1.88 1.83 1.79 1.75 1.69 1.57 1.57 1.52 1.46 1.40 1.35 1.28 1.24 1.11 1.11 1.00
6.64 4.60 3.78 3.32 3.02 2.80 2.64 2.31 2.41 2.32 2.24 2.18 2.07 1.79 1.79 1..79 1.69 1.59 1.52 1.41 1.36 1.15 1.15 1.00
DAFTAR-H
Harga Kritik 2
dƒ .99 .98 .95 .90 .80 .70 .50 .30 .20 .10 .05 .02 .01 .001
1 .000 .001 .004 .016 .064 .15 .46 1.07 1.64 2.71 3.84 5.41 6.64 10.83
2 .02 .04 .10 .21 .45 .71 1.39 2.41 3.22 4.60 5.99 7.82 9.21 13.82
3 .12 .18 .35 .58 1.00 1.42 2.37 3.66 4.64 6.25 7.82 9.84 11.34 16.27
4 .30 .43 .71 1.06 1.65 2.20 3.36 4.88 5.99 7.78 9.49 11.67 13.28 18.46
5 .55 .75 1.14 1.61 2.34 3.00 4.35 6.06 7.29 9.24 11.07 13.39 15.09 20.52
6 .87 1.13 1.64 2.20 3.07 3.83 5.35 7.23 8.56 10.64 12.59 15.03 16.81 22.46
7 1.24 1.56 2.17 2.83 3.82 4.67 6.35 8.38 9.80 12.02 14.07 16.62 18.84 24.32
8 1.65 2.03 2.73 3.49 4.59 5.53 7.34 9.52 11.03 13.36 15.51 18.17 20.09 26.12
9 2.09 2.53 3.32 4.17 5.38 6.39 8.34 10.66 12.24 14.68 16.92 19.68 21.67 27.88
10 2.56 3.06 3.94 4.86 6.18 7.27 9.34 11.78 13.44 15.99 18.31 21.16 23.21 29.59
11 3.05 3.61 4.58 5.58 6.99 8.15 10.34 12.90 14.63 17.28 19.68 22.62 24.72 31.26
12 2.57 4.18 5.23 6.30 7.81 9.03 11.34 14.01 15.81 18.55 21.03 24.05 26.22 32.91
13 4.11 4.76 5.89 7.04 8.63 9.93 12.34 15.12 16.98 19.81 22.36 25.47 27.69 34.53
14 4.66 5.37 6.57 7.79 9.47 10.82 13.34 16.22 18.15 21.06 36.68 26.87 29.14 36.12
15 5.23 5.98 7.26 8.55 10.31 11.72 14.34 17.32 19.31 22.31 25.00 28.26 30.58 37.70
16 5.18 6.61 7.96 6.31 11.15 12.62 15.34 18.42 20.46 23.54 26.30 29.83 32.00 39.29
17 6.41 7.26 8.67 10.08 12.00 13.53 16.34 19.51 21.63 24.77 27.59 31.00 33.41 40.75
18 7.02 7.91 9.39 10.86 12.86 14.44 17.34 20.60 22.76 25.99 28.87 32.35 34.80 42.31
19 7.63 8.57 10.12 11.65 13.72 15.35 18.34 21.69 23.90 27.20 30.14 33.69 36.19 43.82
20 8.26 9.24 10.85 12.44 14.58 16.27 19.34 22.78 25.04 28.41 31.41 35.02 37.57 45.32
21 8.90 9.92 11.59 13.24 15.44 17.18 20.34 23.86 26.17 29.62 32.67 36.32 38.93 46.80
22 9.54 10.60 11.34 14.04 16.31 18.10 21.34 24.94 27.30 30.81 33.92 37.66 40.29 48.27
23 10.20 11.29 13.09 14.85 17.19 19.02 22.34 26.02 28.43 32.01 35.17 38.97 41.64 49.73
24 10.86 11.99 13.85 15.66 18.06 19.94 23.34 27.10 29.55 33.20 36.42 40.27 42.98 51.18
25 11.52 12.70 14.61 16.47 18.94 20.87 24.34 28.17 30.69 34.38 37.65 41.57 44.31 52.62
26 11.20 13.41 15.38 17.29 19.82 21.97 25.34 29.25 31.08 35.56 38.88 42.86 45.64 54.05
27 12.88 14.12 16.15 18.11 20.70 22.72 26.34 30.32 32.91 36.74 40.11 44.14 46.96 55.48
28 13.56 14.85 16.93 18.94 21.59 23.65 27.34 31.39 34.03 37.92 41.34 45.42 48.28 54.59
29 14.26 15.57 17.71 19.77 22.48 24.58 28.34 32.46 35.14 39.09 42.56 46.69 49.59 58.30
30 14.95 16.31 18.49 20.60 23.36 25.51 29.34 33.53 36.25 40.26 43.77 47.96 50.89 59.70
Sumber: Diambil dari Gullford, JP dan Benyamin, F; Fundamental Stastistic in Psychology

and Education; McGraw-Hill Book Company; Sydney; 1978.
.
DAFTAR- I
Area dan Ordinat Dari Kurva Normal (Longer)
(1) (2) (3) (4) (5)
z A B C Y
   
0.00 .0000 .5000 .5000 .3989
0.01 .0040 .5040 .4960 .3989
0.02 .0080 .5080 .4920 .3989
0.03 .0120 .5120 .4880 .3989
0.04 .0160 .5160 .4840 .3989
0.05 .0199 5199 .4801 .3984
0.06 .0239 .5239 .4761 .3982
0.07 .0279 .5279 .4721 .3980
0.08 .0319 .5319 .4681 .3977
0.09 .0359 .5359 .4641 .3973
0.10 .0398 .5398 .4602 .3970
0.11 .0438 .5438 .4562 .3965
0.12 .0478 .5478 .4522 .3961
0.13 .0517 .5517 .4483 .3959
0.14 .0557 .5557 .4443 .3951
0.15 .0596 .5596 .4404 .3945
0.16 .0636 .5636 .4364 .3939
0.17 .0675 .5675 .4325 .3932
0.18 .0714 .5714 .4286 .3925
0.19 .0753 .5753 .4247 .3918
0.20 .0793 .5793 4207 .3910
0.21 .0832 .5832 .4168 .3902
0.22 .0871 .5871 .4129 .3894
0.23 .0910 .5910 .4090 .3885
0.24 .0948 .5948 .4052 .3876
0.25 .0987 .5987 .4013 .3867
0.26 .1026 .6026 .3974 .3857
0.27 .1064 .6064 .3936 .3847
0.28 .1103 .6103 .3897 .3836
0.29 .1141 .6141 .3859 .3825
0.30 .1179 .6179 .3821 .3814
0.31 .1217 .6217 .3783 .3802
0.32 .1255 .6255 .3745 .3790
0.33 .1293 .6293 .3707 .3778
0.34 .1331 .6331 .3669 .3765
.
(1) (2) (3) (4) (5)
z A B C Y
   
0.35 .1368 .6368 .3632 .3752

0.36 .1406 .6406 .3594 .3739
0.37 .1443 .6413 .3557 .3725
0.38 .1480 .6480 .3520 .3712
0.39 .1517 .6517 .3483 .3697
0.40 .1554 .6554 .3446 .3683
0.41 .1591 .6591 .3409 .3668
0.42 .1628 .6623 .3372 .3653
0.43 .1664 .6664 .3336 .3637
0.44 .1700 .6700 .3300 .3621
0.45 .1736 .6736 .3264 .3605
0.46 .1772 .6772 .3228 .3589
0.47 .1808 .6808 .3192 .3572
0.48 .1844 .6844 .3156 .3555
0.49 .1879 .6879 .3121 .3538
0.50 .1915 .5915 .3083 .3521
0.51 .1950 .6950 .3050 .3503
0.52 .1985 .6955 .3015 .3485
0.53 .2019 .7019 .2981 .3467
0.54 .2054 .7054 .2946 .3448
0.60 .2088 .7088 .2912 .3429
0.61 .2123 .7123 .2877 .3410
0.62 .2157 .7157 .2843 .3391
0.63 .2190 .7190 .2810 .3372
0.64 .2224 .7224 .2776 .3352
0.65 .2257 .7257 .2743 .3332
0.66 .2291 .7291 .2709 .3312
0.67 .2324 .7324 .2676 .3292
0.68 .2357 .7357 .2643 .3271
0.69 .2380 .7309 .2611 .3251
0.70 .2422 .7422 .2578 .3230
0.71 .2454 .7454 .2546 .3209
0.72 .2486 .7486 .2514 .3187
0.73 .2517 .7517 .2483 .3166
0.74 .2549 .7549 .2451 .3144
(1) (2) (3) (4) (5)
z A B C Y
   
0.70 .2580 .7580 .2420 .3123

0.71 .2611 .7611 .2389 .3101
0.72 .2642 .7642 .2358 .3079
0.73 .2673 .7673 .2327 .3056
0.74 .2704 .7704 .2296 .3034
0.75 .2734 .7734 .2266 .3011
0.76 .2764 .7764 .2236 .2089
0.77 .2794 .7794 .2206 .2966
0.78 .2823 .7823 .2177 .2943
0.79 .2852 .7852 .2148 .2920
0.80 .2881 .7881 .2119 .2897
0.81 .2910 .7910 .2090 .2874
0.82 .2939 .7939 .2061 .2850
0.83 .2967 .7967 .2033 .2827
0.84 .2995 .7995 .2005 .2803
0.85 .3032 .8023 .1977 .2780
0.86 .3051 .8051 .1949 .2756
0.87 .3078 .8078 .1922 .2732
0.88 .3106 .8106 .1894 .2709
0.89 .3133 .8133 .1867 .2685
0.90 .3159 .8159 .1841 .2661
0.91 .3186 .8186 .1814 .2637
0.92 .3212 .8212 .1788 .2613
0.93 .3238 .8238 .1762 .2589
0.94 .3264 .8264 .1736 .2565
0.95 .3289 .8289 .1711 .2541
0.96 3315 .8315 .1685 .2516
0.97 .3340 .8340 .1660 .2492
0.98 .3365 .8365 .1635 .2468
0.99 .3389 .8389 .1611 .2444
0.80 .3413 .8413 .1587 .2420
0.81 .3438 .8438 .1562 .2396
0.82 .3461 .8461 .1539 .2371
0.83 .3485 .8485 .1515 .2347
0.84 .3508 .8508 .1492 .2323
(1) (2) (3) (4) (5)
z A B C Y
   
1.05 .3531 .8531 .1469 .2299

1.06 .3554 .8554 .1446 .2275
1.07 .3577 .8577 .1423 .2251
1.08 .3599 .8599 .1401 .2227
1.09 .3621 .8621 .1379 .2203
1.10 .3643 .8643 .1357 .2179
1.11 .3665 .8665 .1335 .2155
1.12 .2686 .8686 .1314 .2131
1.13 .3708 .8703 .1292 .2107
1.14 .3279 .8729 .1271 .2083
1.15 .3749 .8749 .1251 .2059
1.16 .3770 .8770 .1230 .2036
1.17 .3790 .8790 .1210 .2012
1.18 .3810 .8810 .1190 .1989
1.19 .3830 .8830 .1170 .1965
1.20 .3849 .8849 .1151 .1942
1.21 .3869 .8869 .1131 .1919
1.22 .3888 .8888 .1112 .1895
1.23 .3907 .8907 .1093 .1872
1.24 .3925 .8925 .1075 .1840
1.25 .3944 .8944 .1056 .1826
1.26 .3962 .8962 .1038 .1804
1.27 .3980 .8990 .1020 .1781
1.28 .3997 .8997 .1003 .1758
1.29 .4015 .9015 .0985 .1736
1.30 .4032 .9032 .0968 .1714
1.31 .4049 .9049 .0951 .1691
1.32 .4066 .9066 .0934 .1669
1.33 .4082 .9082 .0918 .1647
1.34 .4099 .9090 .0901 .1626
1.34 .4115 .9115 .0885 .1604
1.36 .4131 .9131 .0869 .1682
1.37 .4147 .9147 .0853 .1561
1.38 .4162 .9162 .0838 .1539
1.39 .4177 .9177 .0823 .1518
(1) (2) (3) (4) (5)
z A B C Y
   
1.40 .4192 .9192 .0808 .1497

1.41 .4207 .9207 .0793 .1476
1.42 .4222 .9222 .0778 .1456
1.43 .4236 .9236 .0764 .1435
1.44 .4251 .9251 .0749 .1415
1.45 .4265 .9265 .0735 .1394
1.46 .4279 .9279 .0721 .1374
1.47 .4292 .9292 .0708 .1354
1.48 .4306 .9306 .0694 .1334
1.49 .4319 .9319 .0681 .1315
1.50 .4332 .9332 .0668 .1295
1.51 .4345 .9345 .0655 .1276
1.52 .4357 .9357 .0643 .1257
1.53 .4370 .9370 .0630 .1238
1.54 .4382 .9382 .0618 .1219
1.55 .4394 .9394 .0606 .1200
1.56 .4406 .9406 .0594 .1182
1.57 .4418 .9418 .0582 .1163
1.58 .4429 .9429 .0571 .1145
1.59 .4441 .9441 .0559 .1127
1.60 .4452 .9452 .0548 .1109
1.61 .4463 .9463 .0537 .1092
1.62 .4474 .9474 .0526 .1074
1.63 .4484 .9484 .0516 .1057
1.64 .4495 .9495 .0505 .1040
1.65 .4505 .9505 .0495 .1023
1.66 .4515 .9515 .0485 .1006
1.67 .4525 .9525 .0475 .0989
1.68 .4535 .9535 .0465 .0973
1.69 .4545 .9545 .0455 .0957
1.70 .4554 .9554 .0446 .0940
1.71 .4564 .9564 .0436 .0925
1.72 .4573 .9573 .0427 .0909
1.73 .4582 .9582 .0418 .0983
1.74 .4591 .9591 .0409 .0878
(1) (2) (3) (4) (5)
z A B C Y
   
1.75 .4599 .9599 .0401 .0863

1.76 .4608 .9608 .0392 .0848
1.77 .4616 .9616 .0384 .0833
1.78 .4625 .9623 .0375 .0818
1.79 .4633 .9633 .0367 .0804
1.80 .4641 .9641 .0359 .0790
1.81 .4649 .9649 .0351 .0775
1.82 .4656 .9656 .0344 .0761
1.83 .4664 .9664 .0336 .0748
1.84 .4671 .9671 .0329 .0734
1.85 .4678 .9678 .0322 .0721
1.86 .4686 .9686 .0314 .0707
1.87 .4693 .9693 .0307 .0694
1.88 .4699 .9699 .0301 .0681
1.89 .4706 .9706 .0294 .0669
1.90 .4713 .9713 .0287 .0656
1.91 .4719 .9719 .0281 .0644
1.92 .4726 .9726 .0247 .0632
1.93 .4732 .9732 .0258 .0620
1.94 .4738 .9738 .0262 .0608
1.95 .4744 .9744 .0256 .0596
1.96 .4750 .9750 .0250 .0584
1.97 .4756 .9756 .0244 .0573
1.98 .4761 .9761 .0239 .0562
1.99 .4767 .9767 .0233 .0498
2.00 .4772 .9772 .0228 .0540
2.01 .4778 .9778 .0222 .0529
2.02 .4783 .9783 .0217 .0519
2.03 .4788 .9788 .0212 .0508
2.04 .4793 .9793 .0207 .0498
2.05 .4798 .9798 .0202 .0488
2.06 .4803 .9803 .0197 .0478
2.07 .4808 .9808 .0192 .0468
2.08 .4812 .9812 .0156 .0459
2.09 .4817 .9817 .0183 .0449
(1) (2) (3) (4) (5)
z A B C Y
   
2.10 .4821 .9821 .0179 .0440
2.11 .4826 .9826 .0174 .0431
2.12 .4830 .9830 .0170 .0422
2.13 .4834 .9834 .0166 .0413
2.14 .4838 .9838 .0162 .0404
2.15 .4842 .9842 .0158 .0396
2.16 .4846 .9846 .0154 .0387
2.17 .4850 .9850 .0150 .0379
2.18 .4854 .9854 .0148 .0371
2.19 .4857 .9857 .0143 .0363
2.20 .4861 .9861 .0139 .0355
2.21 .4864 .9864 .0136 .0347
2.22 .4868 .9868 .0132 .0339
2.23 .4871 .9871 .0129 .0332
2.24 .4875 .9875 .0125 .0325
2.25 .4878 .9878 .0122 .0317
2.26 .4881 .9881 .0119 .0310
2.27 .4884 .9884 .0116 .0303
2.28 .4887 .9887 .0113 .0297
2.29 .4890 .9890 .0110 .0290
2.30 .4893 .9893 .0107 .0283
2.31 .4896 .9896 .0104 .0277
2.32 .4898 .9898 .0102 .0270
2.33 .4901 .9901 .0099 .0264
2.34 .4904 .9904 .0096 .0258
2.35 .4906 .9906 .0094 .0252
2.36 .4909 .9909 .0091 .0246
2.37 .4911 .9911 .0089 .0241
2.38 .4913 .9913 .0087 .0235
2.39 .4916 .9916 .0084 .0229
2.40 .4918 .9918 .0082 .0224
2.41 .4920 .9920 .0080 .0219
2.42 .4922 .9922 .0078 .0213
2.43 .4925 .9925 .0075 .0208
2.44 .4927 .9927 .0073 .0203
(1) (2) (3) (4) (5)
z A B C Y
   
2.45 .4929 .9929 .0071 .0198
2.46 .4931 .9931 .0069 .0194
2.47 .4932 .9932 .0068 .0189
2.48 .4934 .9934 .0066 .0184
2.49 .4936 .9936 .0064 .0180
2.50 .4938 .9938 .0062 .0175
2.51 .4940 .9940 .0060 .0171
2.52 .4941 .9941 .0059 .0167
2.53 .4943 .9943 .0057 .0163
2.54 .4945 .9945 .0055 .0158
2.55 .4946 .9946 .0054 .0154
2.56 .4948 .9948 .0052 .0151
2.57 .4949 .9949 .0051 .0147
2.58 .4951 .9951 .0049 .0143
2.59 .4952 .9952 .0048 .0139
2.60 .4953 .9953 .0047 .0136
2.61 .4955 .9955 .0045 .0132
2.62 .4955 .9955 .0044 .0129
2.63 .4957 .9957 .0043 .0126
2.64 .4959 .9959 .0041 .0122
2.65 .4960 .9960 .0040 .0119
2.66 .4961 .9961 .0039 .0116
2.67 .4962 .9962 .0038 .0113
2.68 .4963 .9963 .0037 .0110
2.69 .4964 .9964 .0036 .0107
2.70 .4965 .9965 .0035 .0104
2.71 .4966 .9966 .0034 .0101
2.72 .4967 .9967 .0033 .0099
2.73 .4968 .9968 .0032 .0096
2.74 .4969 .9969 .0031 .0093
2.75 .4970 .9970 .0030 .0091
2.76 .4971 .9971 .0029 .0088
2.77 .4972 .9972 .0028 .0086
2.78 .4973 .9973 .0027 .0084
2.79 .4974 .9974 .0026 .0081
(1) (2) (3) (4) (5)
z A B C Y
   
2.80 .4974 .9974 .0026 .0079
2.81 .4975 .9975 .0025 .0077
2.82 .4975 .9975 .0024 .0075
2.83 .4977 .9977 .0023 .0073
2.84 .4977 .9977 .0023 .0071
2.85 .4978 .9978 .0022 .0069
2.86 .4979 .9979 .0021 .0067
2.87 .4979 .9979 .0021 .0065
2.88 .4980 .9980 .0020 .0063
2.89 .4981 .9981 .0019 .0061
2.90 .4981 .9981 .0019 .0060
2.91 .4982 .9982 .0018 .0058
2.92 .4982 .9982 .0018 .0056
2.93 .4983 .9983 .0017 .0055
2.94 .4984 .9984 .0016 .0053
2.95 .4984 .9984 .0016 .0051
2.96 .4985 .9985 .0015 .0050
2.97 .4985 .9985 .0015 .0048
2.98 .4986 .9986 .0014 .0047
2.99 .4986 .9986 .0014 .0046
3.00 .4987 .9987 .0013 .0044
3.01 .4987 .9987 .0013 .0043
3.02 .4987 .9987 .0013 .0042
3.03 .4988 .9988 .0012 .0040
3.04 .4988 .9988 .0012 .0039
3.05 .4989 .9989 .0011 .0038
3.06 .4989 .9989 .0011 .0037
3.07 .4989 .9989 .0011 .0036
3.08 .4990 .9990 .0010 .0035
3.09 .4990 .9990 .0010 .0034
3.10 .4990 .9990 .0010 .0033
3.11 .4991 .9991 .0009 .0032
3.12 .4991 .9991 .0009 .0031
3.13 .4991 .9991 .0009 .0030
3.14 .4992 .9992 .0008 .0029
(1) (2) (3) (4) (5)
z A B C Y
   
3.15 .4992 .9992 .0008 .0028

3.16 .4992 .9992 .0008 .0027
3.17 .4992 .9992 .0008 .0026
3.18 .4993 .9993 .0007 .0025
3.19 .4993 .9993 .0007 .0025
3.20 .4993 .9993 .0007 .0024

3.21 .4993 .9993 .0007 .0023
3.22 .4994 .9994 .0006 .0022
3.23 .4994 .9994 .0006 .0022
3.24 .4994 .9994 .0006 .0021
3.30 .4995 .9995 .0005 .0017

3.40 .4997 .9997 .0003 .0012
3.50 .4998 .9998 .0002 .0009
3.60 .4998 .9998 .0002 .0006
3.70 .4999 .9999 .0001 .0004
DAFTAR- J
Harga Kritik U Test (Mann Whitney)
Uji searah untuk U:  = 0,05 ( = 0,1 pada uji dua arah)

n1 n2
2 3 4 5 6 7 8 9 10 11 12 13 14 15
2 0 0 0 1 1 1 1 2 2 2 3
3 0 0 1 2 2 3 3 4 5 5 6 7 7
4 0 1 2 3 4 5 6 7 8 9 10 11 12
5 0 1 2 4 5 6 8 9 11 12 13 15 16 18
6 0 2 3 5 7 8 10 12 14 16 17 19 21 23
7 0 2 4 6 8 11 13 15 17 19 21 24 26 28
8 1 3 5 8 10 13 15 18 20 23 26 28 31 33
9 1 3 6 9 12 15 18 21 24 27 30 33 36 39
10 1 4 7 11 14 17 20 24 27 31 34 37 41 44
11 1 5 8 12 16 19 23 27 31 34 38 42 46 50
12 2 5 9 13 17 21 26 30 34 38 42 47 51 55
13 2 6 10 15 19 24 28 33 37 42 47 51 56 61
14 2 7 11 16 21 26 31 36 41 46 51 56 61 66
15 3 7 12 18 23 28 33 39 44 50 55 61 66 72
Uji searah arah untuk U:  = 0,01 ( = 0,02 pada uji dua arah)
n1 n2
3 4 5 6 7 8 9 10 11 12 13 14 15
0 0 0
3 0 0 1 1 1 2 2 2 3
4 0 1 1 2 3 3 4 5 5 6 7
5 0 1 2 3 4 5 6 7 8 9 10 11
6 1 2 3 4 6 7 8 9 11 12 13 15
7 0 1 3 4 6 7 9 11 12 14 16 17 19
8 0 2 4 6 7 9 11 13 15 17 20 22 24
9 1 3 5 7 9 11 14 16 18 21 23 26 28
10 1 3 6 8 11 13 16 19 22 24 27 30 33
11 1 4 7 9 12 15 18 22 25 28 31 34 37
12 2 5 8 11 14 17 21 24 28 31 35 38 42
13 2 5 9 12 16 20 23 27 31 35 39 43 47
14 2 6 10 13 17 22 26 30 34 38 43 47 51
15 3 7 11 15 19 24 28 33 37 42 47 51 56
Sumber: Diambil dari William H. Beyer (editor), Handbook of Tables for Probability and
Statistics, The Chemical Rubber Co, CRC Press, 1968
DAFTAR- J (Lanjutan)

n1 n2
2 3 4 5 6 7 8 9 10 11 12 13 14 15
2 0 0 0 0 1 1 1 1
3 0 1 1 2 2 3 3 4 4 5 5
4 0 1 2 3 4 4 5 6 7 8 9 10
5 0 1 2 3 5 6 7 8 9 11 12 13 14
6 1 2 3 5 6 8 10 11 13 14 16 17 19
7 1 3 5 6 8 10 12 14 16 18 20 22 24
8 0 2 4 6 8 10 13 15 17 19 22 24 26 29
9 0 2 4 7 10 12 15 17 20 23 26 28 31 34
10 0 3 5 8 11 14 17 20 23 26 29 30 36 29
11 0 3 6 9 13 16 19 23 26 30 33 37 40 44
12 1 4 7 11 14 18 22 26 29 33 37 41 45 49
13 1 4 8 12 16 20 24 28 30 37 41 45 50 54
14 1 5 9 13 17 22 26 31 36 40 45 50 55 59
15 1 5 10 14 19 24 29 34 39 44 49 54 59 64

n1 n2
3 4 5 6 7 8 9 10 11 12 13 14 15
3 0 0 0 1 1 1 2
4 0 0 1 1 2 2 3 3 4 5
5 0 1 1 2 3 4 5 6 7 7 8
6 0 1 2 3 4 5 6 7 9 10 11 12
7 0 1 3 4 6 7 9 10 12 13 15 16
8 1 2 4 6 7 9 11 13 15 17 18 20
9 0 1 3 5 7 9 11 13 16 18 20 22 24
10 0 2 4 6 9 11 13 16 18 21 24 26 29
11 0 2 5 7 10 13 16 18 21 24 27 30 33
12 1 3 6 9 12 15 18 21 24 27 31 34 37
13 1 3 7 10 13 17 20 24 27 31 34 38 42
14 1 4 7 11 15 18 22 26 30 34 38 42 46
15 2 5 8 12 16 20 24 29 33 37 42 46 51
Sumber: Diambil dari Gullford, JP dan Benyamin, F; Fundamental Statistic In Psychology

And Education; McGraw-Hill Book Company; Sydney; 1978.
DAFTAR - K
Nilai Kritis Untuk Uji Bertanda Wilcoxon
n uji dua arah uji searah
0,05 0,01 0,05 0,01
4
5 0
6 0 2
7 2 3 0
8 3 0 5 1
9 5 1 8 3
10 8 3 10 5
11 10 5 13 7
12 13 7 17 9
13 17 9 21 12
14 21 12 25 15
15 25 15 30 19
16 29 19 35 23
17 34 23 41 27
18 40 27 47 32
19 46 32 53 37
20 52 37 60 43
21 58 42 67 49
22 65 48 75 55
23 73 54 83 62
24 81 61 91 69
25 89 68 100 76
26 98 75 110 84
27 107 83 119 92
28 116 91 130 101
29 126 100 140 110
30 137 109 151 120
31 147 118 163 130
32 159 128 175 140
33 170 138 187 151
34 182 148 200 162
35 195 159 213 173
40 264 220 286 238
50 434 373 466 397
60 648 567 690 600
70 907 805 960 846
80 1211 1086 1276 1136
90 1560 1410 1638 1476
100 1955 1779 2045 1850
Sumber: Robert L. Mc. Cormack, Extended Tables of Statistics,
Journal of The American Association, September 1965.
Sekilas Tentang Penulis
KADIR, adalah dosen tetap pada Universitas Islam Negeri Syarif
Hidayatullah (UIN) Jakarta. Lahir di Sinjai, Sulawesi Selatan 12
Agustus 1967. Sarjana pendidikan matematika diperolehnya dari
Universitas Haluoleo (1992), Magister Pendidikan Matematika
dari Universitas Pendidikan Indonesia (UPI) Bandung (2000) dan
Doktor dalam bidang Penelitian dan Evaluasi Pendidikan
diperolehnya dari Universitas Negeri Jakarta (UNJ) tahun 2005.
Pengalaman kerja dimulai sebagai guru matematika (1992-2000), Dosen
matematika pada Universitas Haluoleo (1992-1994) dan STKIP Kolaka (1997).
Konsultan pada projek: Asset Management Plan Dikdas DKI Jakarta (2005), Master
Plan Pendidikan Propivinsi Lampung (2005), Decentralized Basic Education 3-
USAID (2006-2009), tim ad-hoc pada Badan Standar Nasional Pendidikan (2006-
2007), tim ahli kajian Standar Isi Mata Pelajaran Matematika dan pengembangan
Model KTSP MTs pada Puskur Balitbang Depdiknas (2007-2008), dan konsultan
pada Puslitbang Pendidikan Agama dan Keagamaan Balitbang Depag RI, sejak
2008 sampai sekarang. Saat ini penulis bekerja sebagai dosen program studi
matematika FITK UIN Jakarta, Program Doktor dan Magister Program Pascasarjana
UNJ, UIJ, UHAMKA, dan UIN Jakarta.
Menulis buku diantaranya: Buku Pengajaran Matematika SMU/MA Berdasarkan KBK
(2003) dan Statistika Sosial (2006), juga menulis pada jurnal ilmiah terakreditasi
diantaranya: jurnal Pendidikan dan Kebudayaan, jurnal Algoritma, jurnal Didaktika
dan jurnal Edukasi. Menjadi reviewer, diantaranya: buku Tes Pengukuran dan
Evaluasi UT, dan buku matematika pendidikan dasar.
Aktif dalam berbagai kegiatan workshop dan seminar diantaranya: Master Teacher
Training Program di La Trobe University Melbourne Australia (2000), peserta pada
International Statistics Conference University of Malaya, Malaysia (2005), Trainer of
Core Trainer mata pelajaran matematika DBE-3 USAID–Save The Children
Federation (2007-2009), pemakalah pada international seminar on Mathematics and
Sciense Education UIN Jakarta (2008), dan International Teacher’s Training of: The
Implementatition of Collaborative Learning Based on Classroom Action Research in
Upgrading Teacher’c Creativity, LKSMI (2009), serta nara sumber pada berbagai
workshop evaluasi dan penelitian.

Kadir - Fitk

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Kadir - Fitk

Diunggah oleh

Hak Cipta:

Format Tersedia

kkkkkkk

Jakarta, Mei 2010

BAB II PENGUMPULAN DAN PENYAJIAN DATA

BAB III UKURAN KECENDRUNGAN MEMUSAT DAN UKURAN PENYEBARAN

BAB IV TEORI PELUANG

BAB VI PENGANTAR STATISTIKA INFERENSIAL

BAB VII ESTIMASI PARAMETER

BAB X ANALISIS JALUR

BAB XI PENGUJIAN PERBEDAAN DUA RATA-RATA

BAB XII ANALISIS VARIANS

BAB XIII ANALISIS KOVARIANS

DAFTAR PUSTAKA ....................................................................................................... 290

B. Pengertian dan jenis Statistika

C. Pengukuran, Besaran dan Jenis Skala

Umum Khusus Non- random

Contoh: Dengan menggunakan aturan di atas dan cara langsung, jumlahkan

E. Interpolasi dan Transformasi

Perhatikan contoh berikut.

Jika nilai X = 4,7, berapakah nilai Y?

Y 150 Y 200 250 300

c. Dengan dua syarat

Derajat bebas (db) = (6 – 1)(4 – 1) = 15

G. Notasi Sigma dan Abjad Yunani

X1Y1 + X2Y2 + X3Y3 + X4Y4 = X Y

Beberapa dalil penggunaan notasi sigma:

Kapital Kecil Sebutan Kapital Kecil Sebutan

10. Jabarkan notasi sigma berikut:

A. Pengumpulan dan Pengolahan Data

Tes Kemampuan (TPA, Tes IQ & Bakat)

Tes Tes Hasil Belajar (Kognitif)

Instrumen Angket (Data faktual)

Skala (Data aspek Psikologi/Konsep)

Pedoman Observasi (Mengamati

Dalam hal pengumpulan data dengan menggunakan instrumen maka kualitas

Tabel 1. Daftar Distribusi Frekuensi

2. Histogram dan Poligon Frekuensi

Gambar 1. Histogram dan Poligon Frekuensi

3. Distribusi Frekuensi Kumulatif dan Grafiknya

Gambar 2. Ozaiv “Kurang Dari”

Tabel 4. Banyaknya Korban Peristiwa

Diagram 3. Mahasiswa Program Pascasarjana Suatu Universitas 2003/2004.

Tabel 5. Keadaan Murid Sekolah Lanjutan di Jawa Barat Tahun 1970

Pada diagram di bawah nampak batang komponen SMP dipatahkan.

Diagram 4. Keadaan Murid Sekolah Lanjutan di Jawa Barat Tahun 1970

Untuk membandingkan dua keadaan atau lebih, digunakan ”diagram batang

Guru SD di Desa (GSDD) Rp. 301,300 Rp. 701,202 Rp. 400,902

Guru SD di Kota (GSDK) Rp. 384,885 Rp. 944,368 Rp. 559,484

Guru SLTP di Desa

Guru SLTP di Kota

Sumber: Supriadi dan Jalal (2001)

Jenis Guru Rp200,000 Rp400,000 Rp600,000 Rp800,000 Rp1,000,000

Rp- Rp200 Rp400 Rp600, Rp800 Rp1,000,

Diagram 5: Rata-rata Pendapatan, Pengeluaran dan Defisit Guru SD dan SLTP di

Sasaran Peristiwa Jenis Kelamin

Diagram 7. Peristiwa Kejahatan Terhadap Jiwa Menurut

Diagram 8. Jumlah Pelanggaran Bidang Ekonomi di Tiga Wilayah (Jawa, Sumatera,

Agar gambar tampak hidup, kadang-kadang kita membuat diagram lingkaran

Dengan busur derajat, kita dapat melukis besarnya masing-masing sudut

4) Diagram Dahan dan Daun

Perhatikan data mengenai hasil ujian statistika mahasiswa suatu Universitas

1. Jelaskan apa yang dimaksud dengan pengumpulan dan pengolahan data.

5. Berikut ini hasil ujian mata kuliah statistika 80 mahasiswa

Ukuran kecenderungan memusat atau tendensi sentral adalah ukuran dimana

A. UKURAN KECENDERUNGAN MEMUSAT