Buku Biostatistika

BIOSTATISTIKA
Dewi Jumiarni, M.Si Rendi Zulni Eka Putri, M.Pd
2020
BIOSTATISTIKA
Dewi Jumiarni, M.Si

Rendi Zulni Eka Putri, M.Pd
BIOSTATISTIKA
Nama Penulis
Dewi Jumiarni, M.Si
Rendi Zulni Eka Putri, M.Pd
Desain Cover :
Betania Simanungkalit
Tata Letak :
Betania Simanungkalit
ISBN :
Cetakan Pertama :
November, 2020
Hak Cipta 2020, Pada Penulis

Isi diluar tanggung jawab percetakan
Copyright © 2020 by UPP FKIP UNIB
All Right Reserved
Hak cipta dilindungi undang-undang

Dilarang keras menerjemahkan, memfotokopi, atau
memperbanyak sebagian atau seluruh isi buku ini
tanpa izin tertulis dari Penerbit.
UPP FKIP UNIB

Jl. W.R. Supratman, Kandang Limun, Kota Bengkulu 38371A
Telp. (0736) 21186, Fax. (0736) 21186
Laman: www.fkip.unib.ac.id/unit-penerbitan/
E-mail: uppfkip@unib.ac.id
KATA PENGANTAR
Biostatistika merupakan mata kuliah wajib di Program Studi

Pendidikan Biologi FKIP Universitas Bengkulu dan menjadi mata kuliah
prasyarat mahasiswa sebelum melakukan tugas akhir. Evaluasi terhadap
pengajaran mata kuliah Biostatistika selama beberapa periode menunjukkan
bahwa masih banyak mahasiswa Biologi yang kesulitan dalam memppelajari
Biostatistika. Oleh karena itu bahan ajar ini disusun untuk membantu
mahasiswa dalam mempelajari Biostatistika sehingga kelak tidak mengalami
kesulitan dalam melakukan tugas akhir.
Buku ini akan terus diperbaiki mengikuti kebutuhan perkembangan

ilmu pengetahuan. Saran dan kritik yang membangun akan diterima demi
penyempurnaan buku ini. Teriring doa semoga buku ini dapat bermanfaat
dan menjadi bagian dalam percepatan kemajuan sains dan teknologi di
Indonesia.
Bengkulu, Juni 2020
Penulis
i
DAFTAR ISI
KATA PENGANTAR...........................................................................i
DAFTAR ISI ........................................................................................ii
BAB 1 PENDAHULUAN.....................................................................1
BAB 2 UKURAN PEMUSATAN DATA.............................................24
BAB 3 UKURAN PENYEBARAN DATA...........................................39
BAB 4 DISTRIBUSI NORMAL...........................................................50
BAB 5 ANALISIS REGRESI DAN KORELASI..................................60
BAB 6 ANALISIS UJI BEDA (T-TEST)..............................................83
BAB 7 ANALISIS VARIANS (ANOVA).............................................95
BAB 8 UJI LANJUT.............................................................................106
BAB 9 UJI NON PARAMETRIK.........................................................120
DAFTAR PUSTAKA............................................................................133
ii
BAB I
PENDAHULUAN
Capaian Pembelajaran : Mahasiswa mampu memahami fungsi statistik

dalam penelitian dan mampu menyajikan data dalam bentuk tabel dan
grafik
1.1 Pengertian Statistik
Statistika dan statistik memiliki arti yang berbeda, statistika diartikan

sebagai ilmu/pengetahuan yang berhubungan dengan cara-cara
mengumpulkan fakta, mengolah serta membuat keputusan yang cukup
beralasan berdasarkan fakta dan analisa yang dilakukan. Dengan kata lain
statistika adalah ilmu yang berkaitan dengan data. Sedangkan statistik adalah
metode/cara yang dilakukan untuk mengumpulkan, menyajikan dan
menganalisis data dan menarik kesimpulan serta membuat keputusan.
Statistik juga dapat diartikan sebagai kegiatan yang dilakukan untuk
mengumpulkan data, meringkas/menyajikan data, menganalisa data dengan
metode tertentu, dan menginterpretasikan hasil analisis tersebut. Secara
singkat statistik juga dapat diartikan sebagai alat untuk analisis dan membuat
keputusan.
Berdasarkan arti di atas maka disimpulkan bahwa statistik merupakan
cara maupun aturan-aturan yang berkaitan dengan pengumpulan, pengolahan
(analisis), penarikan kesimpulan atas data-data yang berbentuk angka-angka
dengan menggunakan suatu asumsi-asumsi tertentu. Statistik mempunyai
peranan yang sangat penting dalam langkah-langkah pokok metode ilmiah
terutama pada saat pengumpulan informasi misalnya statistika memberi
petunjuk kepada peneliti mengenai cara yang wajar dan baik untuk
mengumpulkan data yang informatif termasuk penentuan macam dan banyak
data sedemikian hingga kesimpulan yang ditarik dari analisis data dapat
dinyatakan dengan tingkat ketepatan (presisi) yang diinginkan.
Statistik memiliki tiga ciri khas yang utama yaitu:
1
1. Berhubungan dengan angka-angka, hal ini berarti bahwa statistik
dapat digunakan sebagai metode penelitian jika data yang
dikumpulkan berupa angka-angka baik angka yang menunjukkan
jumlah maupun angka yang menunjukkan nilai atau harga. Angka
tersebut menunjukkan kualitas sesuatu. Contohnya angka prestasi
belajar, berat badan, tinggi badan, dan lain-lain.
2. Bersifat objektif, statistik harus bersifat apa adanya berdasarkan
kenyataan atau fakta yang diperoleh tanpa dipengaruhi unsur-unsur
subjektif. Objektif atau tidak suatu hasil kerja statistik, masih harus
ditentukan oleh relevansi dari teknik yang digunakan dengan keadaan
atau jenis data yang sedang dihadapi. Untuk itu diperlukan
pemahaman yang mendalam dari si peneliti tentang statistik yang akan
digunakan. Misalnya tidak relevan dengan nilai rata-rata hitungnya,
sehingga hasilnya menjadi tidak objektif. Untuk itu, mungkin lebih
tepat menggunakan median atau modus.
3. Bersifat universal, maksudnya bahwa statistik dapat digunakan hampir
pada semua bidang penelitian baik dalam ilmu sains, sosial, budaya
maupun ilmu lainnya
Salah satu penggunaan stastistika dalam ilmu pengetahuan yaitu
Biostatistika. Biostatistika adalah penerapan ilmu statistika ke dalam ilmu
biologi, meliputi rancangan percobaan biologi, pengumpulan data,
peringkasan data dan analisis data percobaan serta pengambilan kesimpulan.
1.2 Macam-Macam Statistik
Berdasarkan fungsinya statistika terbagi menjadi dua macam yaitu

statistik deskriptif/deduktif dan statistik analitik/induktif
a) Statistik Deskriptif/Deduktif
Statistik deskriptif/deduktif adalah statistik yang berhubungan dengan
pengumpulan data , mengolah data, menganalisis data tanpa menarik
kesimpulan. Statistik ini digunakan untuk menggambarkan atau
menganalisis suatu hasil penelitian tetapi tidak digunakan untuk mengambil
2
keputusan (generalisasi). Jenis statistik ini hanya digunakan untuk
menguraikan atau memberikan keterangan mengenai data, keadaan atau
fenomena yang sedang diteliti. Dengan arti lain bahwa statistik desriptif ini
hanya digunakan untuk menerangkan keadaan, gejala atau persoalan.
Contoh:
Mendeskripsikan tentang data yang dijadikan dalam bentuk tabel, diagram,
ukuran gejala pusat, simpangan baku, angka indeks, regresi dan korelasi,
analisa data deret waktu tanpa perlu menggunakan signifikansi atau tidak
bermaksud membuat generalisasi.
b) Statistik Analitik/Induktif
Statistik analitik/induktif adalah statistik yang berhubungan dengan
mengumpulan data, mengolah data, menganalisis data dengan menarik
kesimpulan. Statistik ini mempersiapkan cara pengambilan keputusan
mengenai karakteristik populasi berdasarkan data yang diperoleh dari
penelitian. Penarikan kesimpulan mengenai karakteristik populasi
berdasarkan data sampel yang diambil dari populasinya, disebut generalisasi
atau induksi. Selain memiliki fungsi untuk generalisasi, statistik ini juga
menyediakan aturan-aturan tertentu dalam rangka penyusunan atau
pembuatan ramalan (prediction) maupun penaksiran (estimation).
Contoh:
Data dikumpulkan, diolah dan membuat tindakan berdasarkan analisis data
yang dikumpulkan dan hasilnya dimanfaatkan/digeneralisasi untuk populasi
(Distribusi Normal, Probabilitas).
1.3 Fungsi Statistik

Secara umum statistik berfungsi sebagai alat bantu dalam mengolah,
menganalisis dan menyimpulkan hasil yang telah dicapai. Secara khusus
statistik memiliki fungsi sebagai berikut:
1. Fungsi deskriptif yaitu statistik berfungsi untuk memaparkan

informasi dalam sajian yang bermakna dan mendeskripsikan suatu
3
keadaan atau menjelaskan mengapa dan bagaimana suatu kejadian
terjadi
2. Fungsi inferensial yaitu statistik berfungsi untuk mendapatkan
kesimpulan yang bermakna
3. Fungsi analitik yaitu statistik mampu menjelaskan hubungan antara
faktor satu dengan yang lain
4. Fungsi prediktif yaitu statistik mampu melakukan prediksi dari data
yang terkumpul.
Fungsi statistik dalam penelitian adalah membantu peneliti untuk:
1. Menentukan sampel yang akan digunakan dalam penelitian, sehingga

peneliti dapat bekerja efisien dan hasilnya sesuai dengan objek yang
diinginkan/diteliti.
2. Menguji validitas dan reliabilitas instrumen yang digunakan dalam
penelitian.
3. Membantu peneliti untuk menyajika data yang lebih komunikatif
misalnya dalam bentuk tabel, grafik, diagram batang maupun
lingkaran.
4. Membaca dan memahami data yang telah dikumpul, sehingga peneliti
dapat mengambil keputusan yang tepat.
5. Melihat ada tidaknya perbedaan antara kelompok satu dengan yang
lainnya atau objek yang diteliti.
6. Melihat ada tidaknya hubungan antara variabel yang satu dengan yang
lainnya.
7. Membantu peneliti dalam melakukaan prediksi untuk waktu yang
akan datang maupun masa lalu.
8. Membantu peneliti untuk melakukan interprestasi atas data yang
terkumpul.
1.3 Definisi Data

Data dapat diartikan sebagai kumpulan fakta yang bentuknya dapat
berupa angka atau tidak angka yang dapat diolah sehingga dapat
4
dimanfaatkan bagi yang membutuhkannya. Secara singkat data diarikan
sebagai kumpulan fakta yang diamati oleh peneliti yang dihasilkan situasi
tertentu. Data penelitian berasal dari berbagai sumber yang dikumpulkan
dengan berbagai teknik selama kegiatan penelitian berlangsung. Suatu
pengambilan keputusan yang baik merupakan hasil dari penarikan
kesimpulan yang didasarkan pada data yang akurat.
1.4 Klasifikasi Data

Klasifikasi data dibagi menjadi 3 yaitu menurut sifatnya, menurut
proses pengolahannya, dan menurut sumbernya. Berdasarkan sifatnya data
dibagi menjadi :
1. Data Kualitatif
Data kualitatif adalah data yang berbentuk suatu pernyataan, atau
gambar yang berhubungan dengan karakteristik dalam bentuk sifat dan tidak
berbentuk angka.
Contoh: Mahasiswa Pendidikan Biologi angkatan 2016 sangat disiplin.
2. Data Kuantitatif
Data kuantitatif adalah data yang berbentuk angka atau bilangan yang
dapat diukur besar kecilnya serta bersifat objektif sehingga dapat ditafsirkan
sama oleh orang lain Data kuantitatif dibagi menjadi 2 yaitu:
a. Data kuantitatif diskrit adalah data yang diperoleh dengan cara
menghitung atau membilang (bukan mengukur) biasanya datanya
merupakan bilangan bulat.
Contoh: Melati mendapat nilai ujian statistik 90.
b. Data kuantitatif kontinu adalah data yang diperoleh dengan cara
mengukur sehingga ada alat untuk mengukur dan satuannya. Dengan
kata lain data ini merupakan data yang diperoleh berdasarkan hasil
pengukuran. Data ini dapat berupa bilangan bulat atau pecahan
tergantung skala pengukurannya.
Contoh: Suhu Kota Bengkulu rata-rata 310 C.
Menurut proses pengolahannya data dibagi menjadi :

1. Data yang tidak dikelompokkan
5
Data yang tidak dikelompokkan diartikan sebagai data yang belum
dikelompokan yang terdiri dari data mentah (data yang murni) dan data
array (data yang sudah diurutkan) secara ascending (dari kecil ke besar) atau
secara discending (dari besar ke kecil).
Contoh:
Nilai Statistik 10 mahasiswa: 90, 85, 90, 75, 55, 65, 80, 65, 55, 40
Jika diurutkan secara discending: 90, 90, 85, 80, 75, 65, 65, 55, 55, 40
2. Data yang dikelompokkan

Data yang dikelompokkan adalah data yang berbentuk distribusi
frekuensi atau disebut dengan DF.
Contoh:
Nilai Biostatistik 28 mahasiswa Pendidikan Biologi
Nilai Jumlah
50 – 59 2
60 – 69 5
70 – 79 10
80 – 89 6
90 – 99 5
Berdasarkan sumbernya data terbagi menjadi:

1. Data intern
Data intern merupakan data yang berasal dari suatu badan/instansi
yang melakukan penelitian dan hasilnya untuk kepentingan badan/instansi
itu sendiri.
Contoh:
Penelitian yang dilakukan oleh BPS tentang jumlah penduduk Indonesia
tahun 2011.
2. Data Ekstern
6
Data ekstern adalah data yang berasal dari luar suatu badan/instansi
yang melalukan penelitian baik secara langsung (primer) maupun tidak
langsung (sekunder).
Contoh:
Seorang mahasiswa ingin mengetahui laporan keuangan bank BNI maka jika
memperolehnya di BNI (data ekstern primer) jika memperolehnya dari
internet (data ekstern sekunder).
1.5 Populasi dan Sampel

Secara biologi, populasi diartikan sebagai kumpulan individu sejenis
yang berada pada wilayah tertentu dan pada waktu tertentu. Dalam statistik
populasi diartikan sebagai sekumpulan data yang menjadi obyek/subyek
inferensi. Populasi dapat juga diartikan sebagai wilayah generalisasi yang
terdiri atas obyek/subyek yang mempunyai karakteristik tertentu yang
ditetapkan oleh peneliti untuk dipelajari sehingga dapat ditarik
kesimpulannya. Populasi bukan hanya orang, tetapi juga mencakup obyek
atau benda-benda alam lainnya. Populasi ini tidak hanya sekedar jumlah
yang ada pada objek/subjek yang dipelajari, tetapi juga memuat seluruh
karakteristik yang dimiliki oleh objek dan subyek yang diteliti. Misalnya
akan melakukan penelitian di instansi X, maka instansi X ini mempunya
populasi yang dapat berupa jumlah subyek/orang dan karakteristik
subyek/orang tersebut.
Sedangkan sampel merupakan sebagian dari seluruh individu yang

menjadi objek penelitian. Sampel juga diartikan sebagai bagian dari jumlah
dan karakteristik yang dimiliki oleh populasi. Tujuan penemuan sampel
adalah untuk memperoleh keterangan mengenai obyek yang sedang diteliti
dengan cara mengamati sebagian saja dari populasi. Pengambilan sampel
dalam suatu penelitian harus benar-benar mewakili populasi tersebut
(representatif). Contohnya penelitian tentang motivasi belajar mahasiswa
Prodi Pendidikan Biologi dengan meneliti 10% dari jumlah seluruh
mahasiswa.
7
1.6 Istilah-Istilah dalam Statistik
Dalam statistik terdapat beberapa istilah-istilah yang digunakan dan
sering ditemukan. istilah-istilah yang sering ditemukan tersebut adalah
sebagai berikut:
1. Parameter adalah karakteristik yang merupakan ukuran deskriptif dari

suatu populasi. Contoh: rata-rata Populasi ( μ ) dan standar deviasi
populasi ( σ )
2. Statistik Sampel adalah karakteristik yang merupakan ukuran
diskriptif dari suatu sampel. Contoh: rata-rata sampel ( X ) dan
standar deviasi sampel (S)
3. Probabilitas adalah suatu nilai yang digunakan untuk mengukur
tingkat terjadinya suatu kejadian secara acak. Probabilitas sering
disebut peluang atau kemungkinan. Secara sederhana probabilitas
merupakan ukuran kemungkinan suatu peristiwa dapat terjadi dari
sejumlah total kemungkinan.
4. Hipotesis adalah pernyataan yang merupakan jawaban sementara yang
perlu dibuktikan kebenarannya.
5. Sensus adalah proses atau kegiatan mengumpulkan data dan informasi
dengan cara mengamati seluruh elemen dari populasi.
6. Signifikan merupakan hipotesis yang terbukti pada sampel yang dapat
diambil kesimpulan dan berlaku pada populasi.
7. Teknik sampling merupakan cara/metode yang digunakan untuk
mengambil sampel secara tepat.
LATIHAN
1. Tentukanlah data diskrit atau data kontinu dari data dibawah ini:
a. Import kedelai selama tahun 2010.
b. Rata-rata upah seorang pekerja di perusahaan.
c. Kecepatan kendaraan roda dua per jam.
d. Jumlah saham yang beredar tahun 2010 di bursa saham.
e. Panen kedelei di desa Samirono baru.
8
2. Dari ujian mata kuliah Statistik diperoleh nilai 20 mahasiswa
sebagai berikut:
80 51 90 88 65 75 54 64 68 90
62 60 88 67 75 93 55 70 50 77
Sumber : Bagian Administrasi
a. Data di atas termasuk data apa?

1. Menurut sifatnya
2. Menurut proses pengolahannya
3. Menurut sumbernya
b. Berdasarkan data di atas buatlah array data dengan cara ascending
1.8. Metode Pengumpulan Data
Metode pengumpulan data merupakan teknik atau cara yang dilakukan

peneliti untuk mengumpulkan data. Pengumpulan data dilakukan bertujuan
untuk memperoleh informasi yang dibutuhkan dalam rangka mencapai
tujuan penelitian. Untuk mengumpulkan data diperlukan alat pengumpul
data yang disebut instrumen penelitian. Kualitas instrumen penelitian
berkaitan dengan validitas dan realibitas instrumen dan kualitas
pengumpulan data berkenaan dengan ketepatan cara yang digunakan dalam
pengumpulan data.
Terdapat berbagai metode yang dapat digunakan untuk

mengumpulkan data penelitian. Metode ini dapat dilakukan secara tersendiri
atau dengan menggabungkan dua metoode atau lebih. Adapun beberapa
metode pengumpulan data tersebut antara lain :
1. Wawancara (Interview)
9
Wawancara merupakan teknik pengumpulan data dengan melakukan
tanya jawab antara pewawancara dengan responden baik secara langsung
(face to face) maupun tidak langsung (perantara media) dan menggunakan
daftar lampiran pertanyaan. Wawancara biasanya digunakan saat akan
melakukan studi pendahuluan untuk menemukan masalah yang harus diteliti,
dan apabila peneliti ingin mengetahui hal-hal yang lebih mendalam serta
jumlah respondennya sedikit. Contohnya wawancara pekerjaan, wawancara
dengan pemilik perusahaan.
Beberapa hal yang harus diperhatikan peneliti dalam melakukan
wawancara adalah :
 Subyek atau responden yang diwawancarai merupakan orang yang
paling tahu tentang dirinya sendiri.
 Hal yang dinyatakan oleh subyek/responden kepada peneliti benar
adanya dan dapat dipercaya.
 Intrepretasi subyek tentang pertanyaan-pertanyaan yang diajukan
peneliti kepadanya sama dengan apa yang dimaksudkan oleh peneliti.
Terdapat dua jenis wawancara yang dapat dilakukan oleh peneliti
yaitu wawancara tersruktur dan tidak terstruktur. Wawancara terstruktur
merupakan wawancara yang digunakan apabila peneliti telah mengetahui
dengan pasti tentang informasi apa yang diperoleh sehingga peneliti telah
mempersiapkan instrumen berupa pertanyaan-pertanyaan tertulis yang
alternatif jawabannya telah ditulis.
Contoh:
Tanggapan mahasiswa Pendidikan Biologi terhadap model pembelajaran
kooperatif yang digunakan dalam pembelajaran Biostatistik.
Bagaimana tanggapan anda mengenai penerapan model kooperatif yang
digunakan dalam pembelajaran Biostatistik?
a. Sangat Baik
b. Baik
c. Tidak Baik
d. Sangat Tidak Baik
Wawancara tidak terstuktur merupakan wawancara yang bebas yang
dilakukan oleh peneliti dimana peneliti tidak menggunakan pedoman
10
wawancara yang telah tersusun secara sistemats dan lengkap untuk
pengumpulan datanya serta pedoman wawancara yang digunakan hanya
garis-garis besar permasalahan yang akan ditanyakan.
Contoh:
Bagaimana pendapat anda terhadap model pembelajaran kooperatif yang
digunakan dalam pembelajaran Biostatistik?
2. Angket (Questioner)
Angket merupakan teknik pengumpulan data yang dilakukan dengan
memberikan seperangkat pertanyaan kepada respoden baik langsung maupun
tidak langsung untuk dijawab dengan jangka waktu tertentu untuk diisi dan
dikembalikan. Angket ini efisien digunakan bila peneliti telah mengetahui
dengan pasti variabel yang akan diukur dan tahu apa yang bisa diharapkan
dari responden. Terdapat kuesioner dua jenis berdasarkan bentuk
pertanyaannya yaitu kuesioner terbuka dan kuesioner tertutup. Kuesioner
terbuka merupakan kuesioner yang mana obyek penelitian memiliki
kebebasa untuk menjawab. Sementara itu, kuesioner tertutup merupakan
kuesioner yang telah menyediakan pilihan jawaban untuk dipilih oleh objek
penelitian. Akan tetapi saat ini terdapat beberapa penelitian yang juga
menerapkan metode kuesioner berbentuk semi terbuka. Kuisioner semi
terbuka merupakan kuisioner dimana pilihan jawaban telah diberikan oleh
peneliti, akan tetapi objek penelitian tetap diberi kesempatan untuk
menjawab sesuai dengan kemauan mereka.
Contoh:
Angket yang diberikan kepada mahasiswa tentang kepuasan konsumen
3. Observasi
Observasi merupakan teknik pengumpulan data yang kompleks dan
memiliki ciri yang lebih spesifik dibandingkan dengan wawancara dan
kuisioner karena observasi melibatkan berbagai faktor dalam
pelaksanaannya. Metode pengumpulan data ini tidak hanya terbatas pada
orang namun juga dapat digunakan untuk merekam berbagai
11
fenomena/objek-objek alam yang terjadi. Teknik pengumpulan data
observasi cocok digunakan untuk penelitian yang berkaitan dengan perilaku
manusia, proses kerja, gejala-gejala alam dan kuantitas responden yang
diamati tidak terlalu besar.
1.9. Metode Sampling
Sampling merupakan cara atau teknik pengambilan sampel yang

digunakan untuk menentukan sampel dalam penelitian dengan
memperhatikan sifat-sifat dan penyebaran populasi agar diperoleh sampel
yang representatif. Sampling juga diartikan sebagai cara penyelidikan
dengan mengambil sebagian/ sampel dari populasi untuk diteliti.
Sampling harus dilakukan dengan benar dan tepat serta mengikuti

cara-cara yang dapat dipertanggungjawabkan sehingga kesimpulannya dapat
bersifat representatif yang artinya karakteristik dari populasi haruslah
terwakili pada sampel yang diambil. Tujuan sampling adalah untuk membuat
kesimpulan mengenai populasi (parameter) berdasarkan nilai dari sampel
(statistik sampel). Terdapat beberapa jenis teknis sampling yaitu:
1. Random Sampling
Random Sampling merupakan teknik pengambilan sampel secara acak
dimana anggota populasi mempunyai kesempatan yang sama untuk
menjadi anggota sampel dan memperoleh hasil yang memuaskan bila
populasi sama jenis.
Contoh:
Ada 5 mahasiswa, jika diambil 3 mahasiswa untuk mewakili dalam
mengikuti ON MIPA, berapa pilihan terjadi?
N!
K=
Dengan menggunakan rumus kombinasi n !(N-n )!
Dimana:
K = Kombinasi
12
N = Populasi
n = Sampel
N! 5! 543 !
K= = = =10
Jawab: n !(N-n )! 3 !(5-3)! 3 ! 2 !
Maka kemungkinan terjadi ada 10 pilihan
2. Stratified Random Sampling
Stratified Random Sampling merupakan teknik pengambilan sampel
yang dilakukan dengan mengklasifisikasikan populasi menurut
kegiataannya sehingga pengambilan sampel berdasarkan tingkatanya.
Contoh:
Diketahui populasi mahasiswa Prodi Pendidikan Biologi menurut tingkatan
semesternya yang terdiri: kelas 1 sebanyak 150 mahasiswa, kelas 2
sebanyak 120 mahasiswa dan kelas 3 sebanyak 160 mahasiswa.
Jika kita ambil 10% untuk dijadikan sampel, dengan menggunakan Stratified
Random Sampling pembagianya adalah sebagai berikut:
Kelas 1 = 10% * 150 = 15 mahasiswa
Dari kelas 1 diambil 15 mahasiswa secara random dari 250
mahasiswa, demikian juga kelas 2 dan kelas 3
3. Systematic Random Sampling
Systematic Random Sampling merupakan teknik pengambilan sampel
dimana anggota sampel yang pertama diambil secara acak sedangkan
anggota lain diambil secara sistematik.
Contoh:
Ada populasi (N) = 100 anggota (misalnya X1, X2, ....... X100)
Jika diambil 25% untuk dijadikan sampel maka sampel (n) = 25% x 100 =
25
Sehingga dapat dihitung jarak/interval = N/n = 100/25 = 4
Jika anggota pertama diambil secara acak X3 maka anggota lainnya adalah:
X7, X11, X15, .............. X99
4. Non Random Sampling
13
Non Random Sampling merupakan teknik pengambilan sampel yang
diambil secara sengaja dengan syarat sampel yang diambil mewakili
dan peneliti sudah mengetahui karakteristik dari sampel yang diambil
untuk mewakili populasi.
Contoh:
Diambil 2 anggota sampel untuk mewakili dalam olimpiade Biologi ON
MIPA.
LATIHAN
1. Suatu team bola voli akan dipilih dari 7 pemain, berapa macam pilihan
yang dapat dipilih.
2. Ada populasi sebanyak N anggota, jika kita ambil 10 anggota sebagai
sampel dimana anggota yang pertama diambil secara acak yaitu X 4,
X8,....Xn
Dengan menggunakan Systematic Random Sampling, tentukan:
a. Banyaknya anggota populasi.
b. Berapa % anggota populasi yang dijadikan sampel.
c. Anggota yang lainnya.
3. Seorang Mahasiswa Ekonomi Universitas Bengkulu membuat tabel
gaji/bulan (dalam jutaan rupiah) karyawan perusahaan X berdasarkan
golongan sebagai berikut:
Golonga Gaji Jumlah
n
4B 3,00 – 3,29 15
4A 2,50 – 2,99 30
3D 2,00 – 2,49 60
3C 1,50 – 1,99 30
3B 1,00 – 1,49 15
Sumber: Perusahaan X
Jika kita ambil 20% dari seluruh karyawan untuk dijadikan sampel,
dengan tujuan untuk mengetahui apakah gaji/bulan yang diberikan sudah
layak atau belum. Bagaimana pembagiannya?
14
1.10. Penyajian Data
Data yang dikumpulkan untuk keperluaan laporan atau analisis perlu
disajikan dalan bentuk yang jelas dan baik. Bentuk penyajian data yang
sering dipakai adalah tabel atau daftar dan grafik atau diagram.
a) Diagram Batang
Penyajian data menggunakan diagram batang sesuai apabila
perlakuannya diskret (diskontinu). Diagram batang pada umumnya
digunakan untuk memperjelas perbedaan antar perlakuan atau menunjukkan
pola tertentu tentang perubahan antar kelompok perlakuan. Beberapa aturan
yang digunakan dalam menggunakan diagram batang untuk menyajikan
hasil perbandingan rataan adalah :
1. Gunakan diagram batang apabila terdapat perbedaan yang jelas atau
perubahan pola nisbih yang akan ditekankan.
2. Apabila menggunakan Uji Jarak Ganda Duncan (UJGD), pakai
catatan alfabet dengan menempatkan huruf UJGD-nya pada puncak
setiap balok perlakuan.
3. Selalu mulai dengan poros Y pada taraf nol sehingga tinggi balok
menunjukkan besarnya ketelitian dari rataan perlakuan dan perbedaan
rataannya.
4. Hindari pemotongan balok untuk tujuan memperpendek tinggi balok
apabila terdapat perbedaan tinggi balok yang sangat ekstrem.
5. Hindari menyatukan ujung dari balok yang berdekatan dengan suatu
garis. Garis yang memotong balok seperti itu digunakan untuk
menunjukkan arah, tidak sesuai bagi pengubah diskret. Apabila
pengubah dalam poros X adalah pengubah kontinu, gunakan grafik
garis dan bukan bagan balok.
6. Tentukan urutan balok berdasarkan pada macam perlakuan. Apabila
terdapat pengelompokkan, balok-balok dapat disajikan dalam
kelompok perlakuan. Jika tidak, balok-balok dapat disusun menurut
nilainya dari yang tertinggi ke terendah atau dari terendah ke tertinggi.
Contoh :
15
6
5
(mg fluorescein/kg/jam)
Aktivitas hidrolitik FDA
4
3,113
3 2,470
2,264
0
Saguling Cirata Jatiluhur
Waduk
Gambar 1. Aktivitas hidrolisis FDA mikroorganisme sedimen Waduk

Saguling, Cirata dan Jatiluhur (jawa Barat)
b) Diagram Lingkaran
Diagram lingkaran merupakan penyajian data statistik berbentuk
lingkaran yang dibagi menjadi beberapa bagian sesuai dengan
pengklasifikasian datanya. Diagram biasanya dinyatakan dalam persentase
dan digunakan untuk membandingkan data dari berbagai kelompok.
Terdapat beberapa hal yang harus diperhatikan dalam membuat
diagram lingkaran yaitu sebagai berikut:
1. Besar lingkaran harus dibuat sedemikian rupa sehingga tidak terlalu
besar dan tidak terlalu kecil agar enak dipandang.
2. Ketegori data yang dibandingkan tidak banyak, biasanya 4-6
kategori.
3. Sudut segmen tidak terlalu kecil agar dapat dibedakan dengan jelas.
4. Tiap segmen dapat diberi warna.
5. Besarnya segmen harus menggambarkan persentase yang sesuai.
Contoh:
Berikut jumlah siswa SD, SMP, SMA, dan SMK di kota pada tahun 2017
16
Tingkatan Sekolah Jumlah
SD 1500
SMP 1000
SMA 1100
SMK 900
Jumlah 4500
Gambarkan diagram lingkarannya.
Penyelesaian :
Sebelumnya kita harus mengubah dahulu kedalam bentuk persentase untuk
masing-masing tingkatan sekolah.
1500
SD= x 100 %=33 %
4500
1000
SMP= x 100 %=22 %
4500
1100
SMA= x 100 %=25 %
4500
900
SMK= x 100 %=20 %
4500
Selanjutnya nilai presentase tersebut diubah kedalam satuan derajat untuk

masing-masing tingkatan sekolah.
1500
SD= x 360 °=120 °
4500
17
1000
SMP= x 360 °=80 °
4500
1100
SMA= x 360° =88 °
4500
900
SMK= x 360 °=72 °
4500
Data Jumlah Siswa di Kota Bengkulu pada Tahun 2018
20% SD
33%
SMP
SMA
25% SMK
22%
Gambar 2. Data Jumlah Siswa di Kota Bengkulu pada Tahun 2018
c) Grafik Garis
Perbandingan arah menunjukkan hubungan secara fungsional antara
taraf perlakuan dan respon biologis yang bersangkutan. Ini merupakan
metode yang sesuai dalam membandingkan rataan dalam perlakuan
kuantitatif. Untuk perbandingan seperti itu, penggunaan grafik garis adalah
yang paling sesuai karena nilai respon yang diminati tidak hanya terbatas
pada taraf perlakuan yang diuji tetapi juga pada semua titik dalam wilayah
perlakuan yang diuji. Beberapa aturan penggunaan grafik garis dalam
menyajikan perbandingan kuantitaf adalah :
18
1. Gunakan poros Y untuk menunjukkan respons dan poros X
menunjukkan taraf perlakuan. Pilih skala untuk poros X dan Y yang
menunjukkan titik-titik penting, tapi hindari pemutar balikan hasilnya.
Beberapa petunjuk untuk mengerjakannya adalah sebagai berikut :
 Pilih skala pada poros Y yang membawa pembaca untuk melihat
perbedaan yang ditunjukkan sangat nyata dan jangan perlihatkan
perbedaan yang tidak nyata sebagai sesuatu yang nyata. Perbedaan
diperbesar dengan memperlebar skala dan dikurangi dengan
memperkecil skala.
 Poros X harus hanya menutupi wilayah taraf perlakuan yang diuji.
Sebanyak mungkin tanda pada poros X (yaitu tanda yang
menunjukkan taraf perlakuan) harus sesuai. Tetapi apabila jumlah
perlakuan banyak, tidak semua taraf harus diberi tanda,
atauapabilaperlakuanmempunyaiselang yang tidak sama, tanda
tidaklah harus sama jaraknya. Tanda-tanda pada poros Y
seharusnya berjarak sama. Perkecil jumlah tanda sejumlah yang
diperlukan agar mudah dibaca.
2. Gunakan grafik garis apabila terdapat paling sedikit tiga perlakuan.
3. Apabila mungkin, duga persamaan regresi yang sesuai, dengan
menggunakan teknik regresi. Yakini bahwa grafik garis termasuk :
 Titik-titik yang diamati yaitu data yang digunakan dalam regresi.
 Dugaan garis regresi atau kurva, gambarkan dalam wilayah taraf
perlakuan yang diujikan.
 Fungsi regresi dugaan, taraf nyatanya dan koefisien korelasinya.
4. Apabila persamaan regresi yang sesuai tidak dapat diperoleh, baik
karena jumlah perlakuan tidak cukup atau karena hubungan fungsi
yang berarti tidak dapat dituliskan, sederhanakan dengan menggambar
garis yang menghubungkan titik-titik pengamatan dan gunakan uji
nyata yang sesuai.
19
Contoh :
y = 0.0341x + 0.0207
Kurva Standar Selulase
R2 = 0.9967
1,20
1,00
0,80
Absorbansi
0,60
0,40
0,20
0,00
0 5 10 15 20 25 30
Konsentrasi Glukosa (ug/m l)
Gambar 3. Kurva standar aktivitas selulase
d) Tabel
Tabel adalah kumpulan data yang disusun berdasarkan baris dan
kolom. Baris dan kolom ini berfungsi untuk menunjukkan data terkait
keduanya. Dimana titik temu antara baris dan kolom adalah data yang
dimaksud. Penyajian data berupa tabel harus memenuhi persyaratan sebagai
berikut :
a. Nomor tabel, jika tabel lebih dari satu

b. Kepala tabel, yang memuat mengenai judul tabel
c. Judul kolom, yang memuat keterangan-keterangan tentang angka
yang terdapat dalam kolom
d. Judul baris, yang memuat keterangan-keterangan yang terdapat
dalam baris
e. Badan tabel, merupakan bagian tabel yang berisi angka-angka.
f. Catatan, yang memuat dari mana isi tabel diperoleh (sumber).
20
Jika digambarkan dalam tabel atau daftar adalah sebagai berikut:
Kepala tabel
Judul baris Judul kolum Judul kolum

Sel
Sel
(badan tabel)
(badan tabel)
Catatan
Penyajian data berupa tabel menurut bidangnya terbagi menjadi:
1. General purpose table, merupakan penyajian data dalam tabel yang isi
penjelasannya lengkap. Contohnya Laporan sensus
2. Special purpose table, merupakan penyajian data dalam tabel yang isi
penjelasannya satu aspek saja. Contohnya Tabel harga gula
Menurut klasifikasinya tabel terbagi menjadi :

1. Tabel satu arah, yaitu tabel yang memuat satu aspek saja misalnya
produksi, harga
Contoh:
Tabel 1
Produksi Sepatu di Perusahaan Kenanga Tahun 2015-2019 (Dalam Unit)
Tahun Produksi
2015 100
2016 125
2017 150
2018 200
2019 175
2. Tabel dua arah atau lebih yaitu tabel yang memuat dua aspek/lebih
21
Contoh:
Tabel 2
Jumlah karyawan di perusahaan Melati Tahun 2017 (menurut jenis kelamin
dan golongan)
Jenis kelamin
Golonga Laki-laki Wanita (orang) Jumlah (orang)
n (orang)
1 10 5 15
2 8 7 15
3 15 10 25
4 5 2 7
Jumlah 38 24 62
LATIHAN
1. Diketahui: Keuntungan dari 300 perusahaaan di Jawa Tengah Tahun

2018 (dalam jutaan rupiah)
Keuntungan Jumlah
20,0 – 39,9 20
40,0 – 59,9 40
60,0 – 79,9 120
80,0 – 99,9 80
100,0 – 119,9 40
Buatlah diagram lingkaran berdasarkan tabel diatas !
22
2. Pada bulan Desember 2016 tercatat turis lokal dan mancanegara yang
berkunjung ke Bali dengan menggunakan 5 macam kendaraan yaitu:
bus, kapal terbang, kapal laut, kendaraan pribadi dan sepeda motor.
Bila jumlah 5 macam kendaraan berjumlah 1854 buah kendaraan.
Dimana bus 1,2 kali sepeda motor. Kapal terbang 10% lebih kecil dari
kapal laut. Kendaraan pribadi 100% lebih banyak dari sepeda motor
dan sepeda motor 2 kali kapal laut.
a. Susunlah data tersebut di dalam sebuah tabel!
b. Susunlah data tersebut menggunakan diagram batang!
BAB II
23
PEMUSATAN DATA
Capaian Pembelajaran : Memahami teknik menghitung dan dapat

menggunakan ukuran pemusatan data
Pemusatan data merupakan teknik statistik yang digunakan untuk

menjelaskan kelompok yang didasarkan atas gejala pusat dari kelompok
tersebut. Ukuran gejala pusat diartikan ukuan statistik yang menyatakan
bahwa satu skor yang mewakili keseluruhan distribusi skor atau penilaian
yang sedang diteliti. Ukuran gejala pusat ini juga diartikan sebagai ukuran
letak titik pemusatan yang setiap variabel cenderung mengarah ke titik
tersebut. Dalam statistik terdapat tiga jenis ukuran gejala pusat yaitu Mean,
Median dan Modus.
1.1. Rata-rata Hitung/Mean

Rata-rata hitung atau Mean adalah sebuah rata-rata dari data/
kelompok yang diperoleh berupa angka. Mean ini dapat diperoleh dengan
menjumlahkan seluruh data dalam kelompok tersebut kemudian dibagi
dengan jumlah data yang ada pada kelompok tersebut.
1. Mean untuk data yang tidak dikelompokkan
X=
∑ Xi
n
Dimana:
X =rata−rata
X i =data kei
n =banyaknya data
Contoh:
24
Universitas Bengkulu mempunyai 10 pekerja, gaji mereka setiap minggu
adalah sebagai berikut: (dalam ribuan rupiah)
A B C D E F G H I J
500 650 700 800 550 575 750 725 700 775
Hitung rata-rata gaji pegawai per minggu.

500+650+700+800+550+575+ 750+725+700+775 6725
X= = =672, 5
10 10
Maka rata-rata gaji pegawai per minggu Rp 672.500,-
2. Mean untuk data yang dikelompokan

Rumus untuk menentukan rata-rata ada 2 cara yaitu:
 Cara panjang
X=
∑ f i Xi
∑fi
Dimana:
X =rata−rata
f i =frekuensi kei
X i =titik tengah
 Cara pendek
X =X 0 +Ci
∑ f i Ui
∑ fi
Dimana:
25
X =rata−rata
X 0 =titik tengahdengan kode klas 0
Ci =kelas interval
f i =frekuensi ke i
U i =Kode kelas ke i
X i−X 0
Ui=
Untuk rumus Ui adalah Ci
Contoh:
Diperoleh data mengenai nilai statistik dari 25 mahasiswa adalah sebagai

berikut:
Nilai fi
50 - 59 2
60 - 69 3
70 - 79 10
80 - 89 8
90 - 99 2
Hitung rata-rata dengan cara panjang dan pendek
Nilai fi Xi fiXi Ui fiUi

50 – 59 2 54,5 109 -2 -4
60 - 69 3 64,5 1.93,5 -1 -3
70 - 79 10 74,5 745 0 0
80 - 89 8 84,5 676 1 8
90 – 99 2 94,5 189 2 4
1.912,5 5
26
Dari tabel di atas, Rata-rata cara panjang adalah:
1912, 5
X= =76 ,5
25
Rata-rata cara pendek adalah:
5
X =74 , 5+10 =76 ,5
25
Maka rata-rata nilai statistik dari 25 siswa adalah 76,5
1.2. Median
Median merupakan nilai tengah dari kelompok data yang telah
disusun urutannya dari yang terkecil sampai yang terbesar, atau sebaliknya
dari yang terbesar sampai yang terkecil. Median dilambangkan dengan Me.
a) Median untuk data yang tidak dikelompokkan

Langkah-langkahnya adalah sebagai berikut:
1. Mengurutkan data (ascending)
2. Menentukan letak Median: K=(n+1)/2
3. Nilai Median terletak pada data no K
Contoh:
Universitas Bengkulu mempunyai 9 pekerja, gaji mereka setiap bulan adalah
sebagai berikut: (dalam ribuan rupiah)
A B C D E F G H I
2000 2650 2500 3000 1750 1575 2750 1725 2700
Hitung Median
1. Urutkan data: 1.575; 1.725; 1.750; 2.000; 2.500; 2.650; 2700; 2.750;
3.000
27
2. Letak Me = (9+1)/2= 5
3. Maka Median terletak pada data 5 yaitu Rp 2.500.000,-
b) Median untuk data yang dikelompokkan

Langkah-langkahnya adalah sebagai berikut:
1. Ditribusikan data dari yang kecil ke besar
2. Tentukan letak Me = n/2
3. Dengan bantuan frekuensi komulatif yang menambahkan selangkah
demi selangkah diperoleh letak median berada
S
Me=BBS+Ci
4. Nilai Median ditentukan dengan rumus:
f Me
Dimana:
BBS = Batas bawah sebenarnya kelas median
Ci = Kelas interval
S = Selisih letak kelas median dengan frekuensi kumulatif
sebelum kelas median
fme = frekuensi kelas dimana median berada
Contoh:
Diperoleh data mengenai nilai biostatistik dari 50 mahasiswa Pendidikan

Biologi adalah sebagai berikut
Kelas interval fi Frekuensi kumulatif (F)
50 – 59 4 4
60 - 69 6 10
70 - 79 20 30
80 - 89 16 46
90 – 99 4 50
Letak median = 50/2 = 25 (kelas interval ke-3)
28
Nilai median =
69 ,5+ 10 (25−10
20 )=69 , 5+7,5=77
Artinya: 50% dari 50 mahasiswa Pendidikan Biologi mempunyai
nilai statistik maksimal 77 sedangkan 50% sisanya
mempunyai nilai statistik minimal 77
2.3 Modus
Modus merupakan nilai yang paling sering muncul/didapatkan
dalam suatu kelompok dan dilambangkan dengan Mo.
a) Untuk data yang tidak dikelompokkan
Langkah-langkah sebagai berikut:
1. Urutkan data (ascending).
2. Hitung frekuensi dari tiap-tiap data.
3. Nilai Modus pada data yang mempunyai frekuensi terbesar
Contoh:
Diperoleh data sebagai berikut: 2, 3, 3, 4, 4, 4, 5, 5, 7, 7, 7,7
Nilai modus = 7
b) Untuk data yang dikelompokkan

Langkah-langkahnya sebagai berikut:
1. Ditribusi data dari yang kecil ke besar
2. Letak Modus pada kelas yang mempunyai fekuensi tertinggi
S1
Mo=BBS+Ci
3. Nilai Modus ditentukan dengan rumus: S1 + S 2
Dimana:
BBS = Batas bawah sebenarnya kelas modus
Ci = Kelas interval
S1 = Selisih frekuensi kelas modus dengan frekuensi sebelum kelas
modus
S2 = Selisih frekuensi kelas modus dengan frekuensi sesudah kelas
modus.
Contoh:
29
Diperoleh data mengenai nilai Biostatistik dari 60 siswa adalah sebagai
berikut:
Nilai fi
50 - 59 5
60 - 69 15
70 - 79 20
80 - 89 17
90 - 99 3
Letak modus pada kelas 3

Nilai modus =
69 ,5+10
(20−15
(20−15)+(20−17 ) )
=69 , 5+6 , 25=75 ,75
Artinya: nilai biostatistik yang paling banyak didapatkan adalah 75,75
2.4 Perluasan Median

Perluasan median digunakan untuk menguji apakah beberapa populasi
yang berasal dari sampel mana yang diambil memiliki median yang sama.
Terdapat 3 jenis perluasan media yakni sebagai berikut:
1) Kuartil merupakan bilangan yang membagi suatu data/deretan nilai
menjadi 4 bagian yang sama besar. Kuartil dilambangkan dengan Ki
2) Desil merupakan bilangan yang membagi suatu data/deretan nilai
menjadi 10 bagian yang sama besar. Desil dilambangkan dengan Di
3) Persentil merupakan bilangan yang membagi suatu data/deretan nilai
menjadi 100 bagian yang sama besar. Persentil dilambangkan dengan Pi.
Terdapat beberapa langkah yang harus dilakukan dalam menentukan

kuartil, desil, dan persentil suatu data adalah sebagai berikut :
a. Untuk data yang tidak dikelompokkan
30
Langkah-langkah sebagai berikut:
1. Urutkan data (ascending)
i(n+1)
K i=
2. Menentukan letak 4
i(n+1)
D i=
i(n+1)
P i=
5. Nilai Ki terletak pada data nomor Ki, Nilai Di terletak pada data nomor
Di, dan Nilai Pi terletak pada data nomor Pi
Dimana:
n = banyaknya data
i = 1,2, 3 untuk kuartil
i = 1,2,...., 9 untuk desil
i = 1,2,......,99 untuk persentil
Contoh:
Diketahui upah/hari 20 pekerja di Perusahaan X (dalam ribuan rupiah)
25 27 28 30 31 33 35 36 38 38
39 40 41 42 43 44 45 46 46 47
Hitung:
a. K3, D6, P85, artikan
b. Jika 20% dari 20 pekerja termasuk golongan yang mempunyai
upah/hari tinggi, berapa batas terendah golongan itu.
c. Berapa % pekerja yang mempunyai upah/hari minimal Rp 37.000,-
Jawab:
3 (20+1) 63
K 3= = =15 ,75
a. Letak 4 4
Nilai K3= data 15 + 0,75 (data 16 – data 15) = 43 + 0,75 (44 – 43) =
43,75
31
Artinya: 75% pekerja mempunyai upah/hari maksimal Rp 43.750,-
sedangkan 25% pekerja mempunyai upah/hari minimal Rp 43.750,-
6(20+1) 126
D6 = = =12 , 6
Letak 10 10
Nilai D6= data 12 + 0,6 (data 13 – data 12) = 40 + 0,6 (41 – 40) = 40,6
85(20+1) 1785
P85= = =17 , 85
Letak 100 100
Nilai P85= data 17 + 0,85 (data 18 – data 17) = 45 + 0,85 (46 – 45) =
45,85
b. 20% upah tinggi ada berada dikanan sehingga untuk menentukan

batas terendah golongan tersebut menggunakan D8 atau P80
80(20+1) 1680
P80= = =16 , 8
Letak 100 100
Nilai P80= data 16 + 0,80 (data 17 – data 16) = 44 + 0,80 (45 – 44) =
44,80
Maka batas terendah golongan tersebut adalah Rp 44.800,-
c. Pekerja yang mempunyai upah/hari minimal Rp 37.000,-, terletak
disebelah kanan, sedangkan i yang ditentukan adalah sebelah kiri:
Pi = 37 (data 8 dan 9)
Nilai Pi = data 8 + x (data 9 – data 8)
37 = 36 + x (38 – 36)
1=2x
x = 0,5
Jadi letak Pi = 8,5
32
i(20+1 )
P i=
100
21 i
8,5=
100
850=21 i
850
i= =41
21
Maka ada (100%-41%) = 59 % pekerja yang mempunyai upah/hari
minimal Rp 37.000,-
b. Untuk data yang dikelompokkan

Langkah-langkahnya sebagai berikut:
1. Ditribusi data dari yang kecil ke besar
i(n )
K i=
i(n)
D i=
i(n)
Pi=
5. Dengan bantun frekuensi kumulatif yang menambahkan selangkah
demi selangkah diperoleh letak Ki, Di dan Pi
6. Nilai Kuartil ke i ditentukan dengan rumus:
in
K i=BBS+Ci
4
−F
[ ]
f Ki
33
7. Nilai Desil ke i ditentukan dengan rumus:
in
Di=BBS+Ci
10
−F
f Di[ ]
8. Nilai Persentil ke i ditentukan dengan rumus :
in
Pi=BBS+Ci
Dimana:
100
[ ]
−F
f Pi
BBS = Batas bawah sebenarnya kelas Kuartil, Desil, Persentil

Ci = Kelas interval
F = Frekuensi kumulatif sebelum kelas Kartil, Desil dan Persentil
berada
fKi = frekuensi kelas dimana Kuartil berada
fDi = frekuensi kelas dimana Desil berada
fPi = frekuensi kelas dimana Persentil berada
Contoh:
Upah/minggu 200 pekerja di Perusahaan X (dalam ribuan rupiah)
Upah fi Frekuensi kumulatif
140 - 159 24 24
160 - 179 36 60
180 - 199 80 140
200 - 219 46 186
220 – 239 14 200
Hitunglah
a. K1, D4, P95 dan artikan
34
b. Jika 40 pekerja dari 200 pekerja termasuk golongan upah/minggu
rendah, berapa batas tertinggi golongan terebut
c. Jika 30 pekerja dari 200 pekerja termasuk golongan upah/minggu
tinggi, berapa batas terrendah golongan terebut
d. Berapa pekerja yang mempunyai upah/minggu paling rendah Rp
225.000,-
e. Berapa pekerja yang mempunyai upah/minggu antara Rp 175.000,-
dan Rp 210.000,-
Jawab:
1(200 )
K 1= =50(kelas 2)
a. Letak 4
50−24
Nilai
K 1 =159 ,5+20 [ 36 ]
=159 , 5+14 , 44=173 ,94
Artinya: 25% dari 200 pekerja mempunyai upah/minggu maksimal Rp

173.940,- sedangkan 75% dari 200 pekerja mempunyai upah/minggu
minimal Rp 173.940,-
4 (200)
D4 = =80(kelas 3)
Letak 10
80−60
Nilai
D 4 =179 , 5+20
[ 80 ]
=179 ,5+5=184 ,5

95 (200)
P95= =190(kelas 5 )
Letak 100
190−186
Nilai
P95=219 , 5+20
[ 14 ]
=219 ,5+5 , 71=225 ,21

35
b. 40 pekerja dari 200 pekerja maka ada 40/200*100% = 20% pekerja
termasuk upah rendah yaitu sebelah kiri sehingga untuk menentukan
batas tertinggi golongan tersebut menggunakan D2 atau P20
20(200 )
P20= =40(kelas 2 )
Letak 100
40−24
Nilai
P20=159 , 5+20
[ 36 ]
=159 , 5+8 , 89=168 , 4
Maka batas tertinggi golongan tersebut adalah Rp 168.400,-

c. 30 pekerja dari 200 pekerja maka ada 30/200*100% = 15% pekerja
termasuk upah tinggi yaitu sebelah kanan sehingga untuk menentukan
batas terendah golongan tersebut menggunakan P 85
85(200 )
P85= =170 (kelas 4 )
Letak 100
170−140
Nilai
P85=199 , 5+20
[ 46 ]
=199 , 5+13 , 04=212 ,54
Maka batas terendah golongan tersebut adalah Rp 212.540,-

d. Pekerja yang mempunyai upah/minggu paling rendah Rp 225.000,-
terletak pada kelas 5 disebelah kanan. Diketahui Pi = 225.000
200 i
Pi=219 ,5+20 [ ]
100
14
−186
2 i−186
225=219,5+20 [
14 ]
40 i−3720
5,5=
14
77=40 i−3720
40 i=3797
3797
i= =95
40
36
Maka ada (100%-95%) = 5% x 200 = 10 pekerja yang mempunyai
upah/minggu paling rendah Rp 225.000,-
e. Pekerja yang mempunyai upah/minggu antara Rp 175.000,- dan
Rp 210.000,-. (i2 – i1)
Diketahui Pi(1) = 175 (kelas 2) dan Pi(2) =210 (klas 4)
200i
Pi=159,5+20 [ ]
100
36
−24
2i−24
175=159,5+20 [ ]
36
40i−480
5,5=
36
558=40i−480
40i=1038
1038
i1= =26
40
200i
Pi=199,5+20 [ ]
100
46
−140
2i−140
210=199,5+20 [46 ]
40i−2800
10,5=
46
483=40i−2800
40i=3283
3283
i2= =82
40
Dari perhitungan di atas maka ada (82% - 26%)*200 =112 pekerja
yang mempunyai upah/minggu antara Rp 175.000,- dan Rp 210.000,-
37
LATIHAN
1. Diketahui: Keuntungan dari 150 perusahaaan di Jakarta tahun 2018

(dalam jutaan rupiah)
Keuntungan Frekuensi
20,0 – 39,9 20
40,0 – 59,9 40
60,0 – 79,9 20
80,0 – 99,9 60
100,0 – 119,9 10
Hitunglah
a. Rata-rata dengan cara pendek.

b. Median dan Modus, artikan
c. K3, D4 dan P45, artikan
d. Jika 30 perusahaan termasuk golongan yang mempunyai
keuntungan tinggi berapa batas terendah golongan tersebut?
2. Diketahui: Penjualan dari 14 perusahaan pada Bulan Januari di

Bengkulu (dalam jutaan rupiah) adalah sebagai berikut :
125,50 125,75 126,50 128,75 130,25
132,75 133,50 135,20 137,50 139,25
141,50 143,25 144,25 145,75
Hitunglah:
a. Rata-rata
b. Median, artikan
c. K1, D7 dan P65, artikan
38
d. Berapa % perusahaan yang mempunyai penjualan minimal Rp
142.000.000.
BAB III
UKURAN PENYEBARAN DATA
Capaian Pembelajaran : Memahami teknik menghitung dan dapat

menggunakan ukuran pemusatan/sentral dan ukuran penyebaran dalam
analisis data (variabilitas)
Ukuran dispersi diartikan sebagai ukuran penyebaran/pemencaran

atau disenbut juga ukuran penyimpangan dimana terdapat kecendrungan
bagi setiap variabel untuk berpencar disekitar nilai rata-rata. Ukuran dispersi
ini berfungsi untuk mengetahui pemencaran dari nilai variabel di sekitar
rata-rata sifatnya kompak atau menyebar. Salah satu syarat data yang baik
adalah mempunyai penyimpangan yang kecil sehingga ukuran dispersi
sangat bermanfaat untuk penelitian yaitu simpangan baku atau standar
deviasi
3.1. Macam-Macam Ukuran Dispersi

a) Range/rentang
Range/rentang merupakan selisih data yang terbesar dengan data
terendah. Range dapat diketahui dengan cara mengurangi data terbesar
dengan data terkecil yang ada pada kelompok tersebut
Range = Xn – X1
Dimana:
Xn = data terbesar
X1 = data terkecil
Contoh:
39
Diketahui upah/hari 20 pekerja di Perusahaan X (dalam ribuan rupiah)
45 47 49 52 55 56 60 62 64 65
65 65 66 67 67 68 68 69 69 70
Range = 70 – 45 = 25
Maka rangenya adalah Rp 25.000,-

Range = Batas atas kelas terakhir – Batas bawah kelas pertama
Contoh:
Upah/minggu 100 pekerja di Perusahaan X (dalam ribuan rupiah)
Upah fi fikum
140 – 159 12 12
160 - 179 18 30
180 - 199 40 70
200 - 219 23 93
220 – 239 7 100
Range = 239 – 140 = 99

Maka range Rp 99.000,-
b) Simpangan Rata-rata
Simpangan rata-rata menggunakan nilai rata-rata (media) sebagai
dasar pengukurannya. Simpangan rata dihitung dengan menjumlahkan
simpangan masing-masing nilai variabel dengan nilai rata-ratanya atau
median dan kemudian membaginya dengan jumlah seluruh variabel, tanpa
memperhatikan tanda jabar, artinya simpangan-simpangan itu harus dirata-
ratakan seolah-olah kesemuannya itu adalah positif.
Karakteristik utama dari SR adalah:
40
 SR didasarkan pada setiap nilai di dalam data. Karenanya ia
memberikan gambaran yang lebih baik mengenai dispersi daripada
range dan simpangan kuartil.
 SR dihitung dari sebuah rata-rata, baik rata-rata hitung maupun
median. Ia mengukur dispersi sekitar rata-rata lebih baik dari dispersi
di dalam nilai-nilai tertentu, seperti yang diukur dengan range dan
simpangan kuartil.
 SR merupakan rata-rata hitung dari nilai-nilai simpangan yang mutlak.
Ia mengabaikan tanda-tanda positif dan negatif dari simpangan. Hal
ini merupakan kelemahan dari SR.
dX=
∑|X i −X|
n
Dimana:
d X =simpangan rata-rata
X i =data ke i
X =rata−rata
n=banyaknya data
Dari data di atas pula, maka untuk menetukan simpangan rata-rata
terlebih dahulu menentukan rata-rata dengan rumus:
X=
∑ Xi
n
41
Xi |X i −X|
45 16,45
47 14,45
49 12,45
52 9,45
55 6,45
56 5,45
60 1,45
62 60,9
64 58,9
65 57,9
65 57,9
65 57,9
66 56,9
67 55,9
67 55,9
68 54,9
68 54,9
69 53,9
69 53,9
70 52,9
1.229 798,85
X=
∑ X i =1229 =61, 45
n 20
d X=
∑|X i −X|=798 , 85 =39 , 94
n 20
Maka simpangan rata-rata Rp 39.940,-
42
dX=
∑ f i|X i −X|
n
d X =simpangan rata-rata
X i =titik tengah
X =rata−rata
n=banyaknya data
Dari data di atas pula, maka untuk menetukan simpangan rata-rata
terlebih dahulu menentukan rata-rata dengan rumus:
X=
∑ f i Xi
∑fi
Upah fi Xi fi Xi f i|X i−X|
140 - 159 12 149,5 1.794 468
160 - 179 18 169,5 3.051 342
180 - 199 40 189,5 7.580 40
200 - 219 23 209,5 4.818,5 483
220 - 239 7 229,5 1.606,5 287
100 18.850 1620
X=
∑ f i X i =18850 =188 , 5
∑ f i 100
dX=
∑ f i|X i −X|=1620 =16 ,2
n 100
43
Maka simpangan rata-rata Rp 16.200,-
c) Simpangan Kuartil
Simpangan kuartil adalah jauhnya penyimpangan antara kuartil ke 1
dengan kuartil ke 3 dilambangkan dengan KD.
K 3 −K 1
K D=
2
Dimana:
KD = simpangan kuartil
K3 = kuartil ke 3
K1 = kuartil ke 1
Dari contoh di atas, maka nilai KD dapat dihitung sebagai berikut:
Letak K1 = 1(20+1)/ 4 =5,25
Nilai K1 = data ke 5 + 0,25 (data ke 6– data ke 5)
Nilai K1 = 55 + 0,25 (56 – 55)
Nilai K1 = 55,25
Letak K3 = 3(20+1)/ 4 =15,75
Nilai K3 = data ke 15 + 0,75 (data ke 16– data ke 15)
Nilai K3 = 67 + 0,75 (68 – 67)
Nilai K3 = 67,75
67 , 75−55 ,25
K D= =6 , 25
2
Maka simpangan kuartil Rp 6.250,-

K 3 −K 1
K D=
2
Dimana:
KD = simpangan kuartil
K3 = kuartil ke 3
K1 = kuartil ke 1
Dari contoh di atas, maka nilai KD dapat dihitung sebagai berikut:
44
1(100 )
K 1= =25(kelas 2)
Letak 4
25−12
Nilai
K 1 =159 ,5+20
[ 18 ]
=159 ,5+14 , 44=173 , 94
3 (100)
K 3= =75( kelas 4)
Letak 4
75−70
Nilai
K 3 =199 ,5+20
[ 23 ]
=199 , 5+4 ,35=203 , 85
203 , 85−173 , 94
K D= =14 , 96
2
Maka simpangan kuartil Rp 14.960,-
d) Simpangan Baku (Standar Deviasi)

Simpangan baku (s) merupakan bentuk simpangan rata- rata yang
diperbarui dan juga merupakan ukuran dispersi yang lebih umum
dipergunakan. Simpang baku sangat penting karena merupakan standar
ukuran dispersi.
Jika n < 30
∑ ( X i−X )2
S=
Jika n > 30
√ n−1
∑ ( X i−X )2
S=
√
S=simpangan baku
n
X i =data ke i
X =rata−rata
n=banyaknya data
45
Sedangkan untuk menetukan simpangan baku terlebih dahulu
menentukan rata-rata dengan rumus:
X=
∑ Xi
n
Dari simpangan baku dapat ditentukan varian yang menunjukkan
simpangan baku dikuadratkan yaitu:
Varian = S2
Xi 2
( X i−X )
45 270,6025
47 208,8025
49 155,0025
52 89,3025
55 41,6025
56 29,7025
60 2,1025
62 3.708,81
64 3.469,21
65 3.352,41
65 3.352,41
65 3.352,41
66 3.237,61
67 3.124,81
67 3.124,81
68 3.014,01
68 3.014,01
69 2.905,21
69 2.905,21
70 2.798,41
1.229 42.156,45
46
X=
∑ X i =1229 =61, 45
n 20
∑ ( X i−X )2
S=
√ n−1
Maka simpangan baku Rp 47.100,-
=
√ 42156 , 45
20−1
=2218 , 176=47 , 10

Jika n<30
∑ f i ( X i −X )2
S=
Jika n>30
√ n−1
∑ f i ( X i −X )2
S=
√
S=simpangan baku
n
X i =titik tengah
X =rata−rata
n=banyaknya data
Dari simpangan baku dapat ditentukan varian yang menunjukkan
simpangan baku dikuadratkan yaitu:
Varian = S2
Upah fi Xi fi Xi f i ( X i −X )2
140 - 159 12 149,5 1794 18252

160 - 179 18 169,5 3051 6498
180 - 199 40 189,5 7580 40
200 - 219 23 209,5 4818,5 10143
220 – 239 7 229,5 1606,5 11767
47
100 18850 46700
X=
∑ f i X i =18850 =188 , 5
∑ f i 100
2
S=
√ ∑ f i ( X i −X )
n
=
√ 46700
100
=21, 6
Maka simpangan baku Rp 21.600,-
Varian = (21,6)2 = 466,56. Maka varian Rp 466.560,-
LATIHAN
1. Diketahui: Keuntungan dari 150 perusahaaan di Jakarta tahun 2019

(dalam jutaan rupiah)
Keuntungan fi kum
20,0 – 39,9 10
40,0 – 59,9 30
60,0 – 79,9 90
80,0 – 99,9 130
100,0 – 119,9 150
Hitunglah :
a. Range
b. Simpangan kuartil
c. Simpangan rata-rata
d. Simpangan baku dan varian
48
2. Diketahui; Penjualan dari 15 perusahaan pada bulan Desember
2010 di Malang (dalam jutaan rupiah)
125,50 125,75 126,50 128,75 130,25
132,75 133,50 135,20 137,50 139,25
141,50 143,25 144,25 145,75 146,50
Hitunglah :
a. Range
b. Simpangan kuartil
c. Simpangan rata-rata
d. Simpangan baku dan varian
49
BAB IV
DISTRIBUSI NORMAL
Capaian Pembelajaran : Memahami distribusi normal dan mampu menguji

persyaratan analisis data
Jika suatu percobaan menggunakan variabel acak yang kontinu dan

nilai yang tidak terbatas, maka diperlukan distribusi probabilitas kontinu
untuk menentukan probabilitas suatu peristiwa yang akan dihasilkan dari
percobaan tersebut. Distribusi normal merupakan hal yang sangat penting
dalam distribusi probabilitas kontinu. Distribusi normal diartikan sebagai
alat statistik yang sangat penting untuk menaksir dan meramal peristiwa-
peristiwa yang lebih luas. Suatu kumpulan nilai data akan terdistribusi secara
normal (membentuk kurva yang simetris) apabila rata-rata nilai variabel
sama dengan median dan sama dengan modus nilai data tersebut. Distribusi
probabilitas normal membentuk suatu kurva normal menyerupai bentuk
lonceng atau genta sehingga sering juga disebut kurva genta (bell-shaped
curve) dengan nilai rata-rata sebagai sumbu simetrisnya.
Terdapat dua alasan distribusi normal sering digunakan dalam analisa

statistik yaitu :
1. Karena distribusi normal memiliki kemampuan yang dapat diterapkan
pada banyak situasi, terutama untuk membuat kesimpulan dari sampel
yang digunakan.
2. Karena distribusi normal sangat baik digunakan dalam analisis tentang
fenomena yang menggunakan data kontinu, seperti ukuran berat,
tinggi rendahnya skor IQ, panjang, jumlah curah hujan, banyaknya
botol dalam satu kerat dan lain sebagainya.
Terdapat 3 jenis kemiringan distribusi, yaitu :

50
1. Distribusi miring ke kiri (x < med < mod)
Gambar di atas menunjukkan distribusi data miring ke kiri, dimana

nilai rata-rata hitung lebih kecil dari median dan median lebih kecil
dari modus. Kurva tidak simetris sebab puncaknya ada di bagian
kanan, tetapi ada sedikit data yang menyebar ke kiri.
2. Distribusi simetri (med = mod = x)
Gambar di atas dimana nilai rata-rata sama atau mendekati median

dan modus. Kurvanya simetris dengan puncak distribusi ada dibagian
tengah. Distribusi ini disebut dengan distribusi normal.
3. Distribusi miring ke kanan (med < mod < x)
51
Gambar di atas menunjukkan keadaan terbalik dari gambar 8.1, yaitu
distribusi data miring ke kanan, dimana nilai modus lebih kecil dari
median dan median lebih kecil dari nilai rata-rata hitung. Kurva juga
tidak simetris sebab puncaknya ada dibagian kiri, sementara ada
sedikit data yang menyebar ke kanan.
4.1 Distribusi Normal

Pada pembahasan sebelumnya telah diuraikan empat bentuk distribusi
probabilitas variabel diskret, yaitu distribusi binomial, poisson, multinomial,
dan hipergeometrik. Variabel diskret adalah variabel yang nilainya bilangan
bulat (0, 1, 2, 3,...). Nilai variabel diskret tidak dapat minus dan juga tidak
berupa pecahan. Pembahasan berikutnya adalah probabilitas peristiwa untuk
variabel acak kontinu yang berbentuk simetris dan memiliki poros di tengah-
tengah distribusi. Probabilitas suatu peristiwa yang berdistribusi normal dari
variabel acak kontinu ditunjukkan oleh daerah di bawah kurva normal. Pada
suatu observasi, berapapun nilai rata-rata dan nilai standar deviasinya, luas
seluruh daerah di bawah kurva normal adalah 1. Hal ini sesuai dengan
ketentuan nilai probabilitas semua kemungkinan peristiwa yang akan terjadi
dalam suatu percobaan adalah 1. Poros kurva normal terdapat pada rata-rata
dan populasi (µ).
Distribusi normal disebut juga distribusi Gauss, lihat kembali kurva

distribusi normal berikut :
52
µ
Rata-rata populasi membagi dua data sama banyaknya sehingga luas

daerah di sebelah kiri rata-rata adalah 0.5 dan di sebelah kanan rata-rata juga
0.5. karakteristik kurva normal yang dihubungkan dengan nilai rata-rata dan
nilai standar deviasi data adalah sebagai berikut :
1. Sekitar 68% nilai data observasi yang terdistribusi secara normal

berada di dalam interval µ ± 1 standar deviasi
2. Sekitar 95% nilai data observasi yang terdistribusi secara normal

berada di dalam interval µ ± 2 standar deviasi
Distribusi probabilitas normal untuk setiap nilai x yang membentuk

kurva normal mempunyai persamaan umum :
1 2
− 2 ( x− μ)
1
f (x )= e 2σ
σ √2 π
Keterangan :
µ = rata-rata populasi
δ = simpangan baku populasi
π = konstanta yang nilainya mendekati 3.14159
e = konstanta yang nilainya mendekati 2,7182
53
x = setiap nilai variabel acak kontinu yang besarnya -∞ sampai dengan +∞
Distribusi normal f(x) didefinisikan pada internal terbuka -∞ < x <

+∞. Distribusi normal dengan parameter µ dan δ 2 biasanya ditulis N (µ, δ2).
Dengan memperhatikan persamaan umum dan grafik distribusi normal f(x),
tampak bahwa bentuk kurva normal ditentukan oleh dua parameter, yaitu
rata-rata (µ) dan simpangan baku (δ). Bila nilai δ mengecil, bentuk kurva
akan lebih rapat dan semakin runcing, dan sebagian besar nilai x akan
berkumpul atau mendekati nilai rata-rata µ. Sebaliknya, jika nilai δ semakin
besar, bentuk kurva akan lebih renggang dan tumpul, dimana sebagian besar
nilai x akan menjauhi nilai rata-rata µ. Perhatikan gambar 8.5 yang
menunjukkan uraian tiga distribusi data yang mempunyai simpangan baku
serta rata-rata.
δ1 < δ2 < δ3
µ1 = µ2 = µ3
Gambar 8.5 Distribusi data yang mempunyai simpangan baku berbeda
Ada beberapa sifat penting dari distribusi normal, diantaranya :

1. Kurvanya berbentuk lonceng dan simetri terhadap garis tegak x = µ
54
2. Grafik selalu berada diatas sumbu x (horizontal) atau f(x) > 0
3. Rataan, median, dan modus dari distribusi berimpitan
4. Mempunyai modus pada X = µ sebesar 0,3989/ σ
5. Grafik mendekati sumbu-X pada X = µ-3 µ dan X = µ+3 µ
6. Mempunyai satu nilai modus
7. Kurva normal digunakan sebagai acuan pengujian hipotesis jika
ukuran sampel n ≥ 30.
8. Luas daerah di bawah kurva f(x) dan di atas sumbu x = 1, yaitu
P (-∞ < x < +∞) = 1
4.3 Probabilitas P (A < x < B)

Probabilitas distribusi normal f(x) pada interval a < x < b ditentukan
dengan memakai luas daerah di bawah kurva f(x), sebagaimana ditunjukkan
oleh gambar 8.6
f(x)
a µ b
Pada gambar 8.6 probabilitas P(a<x<b) ditunjukkan oleh luas daerah
yang diarsir, yang dibatasi oleh kurva f(x), sumbu x, garis tegak x=a dan
x=b. Oleh karena f(x) merupakan fungsi kontinu, probabilitas P(a<x<b)
dihitung dengan menggunakan integral dari fungsi f(x) yang dibatasi oleh
x=a dan x=b, yaitu :
P(a<x<b) = ∫ f(x) dx = ∫ 1 e -1/2 (x - µ)2 dx
δ
δ√2π
55
Rumus integral tersebut sangat berguna untuk menghitung daerah di
bawah kurva distribusi normal standar. Akan tetapi, secara matematis bentuk
integral dari fungsi f(x) tersebut sulit dipecahkan secara langsung dengan
teknik integral. Oleh karena itu, penyelesaiannya dilakukan dengan memakai
transformasi nilai-nilai X menjadi nilai-nilai baku Z, yaitu :
Z=x-µ
δ
Dengan transformasi tersebut, kita memperoleh distribusi normal Z
yang mempunyai rata-rata µ = 0 dan simpangan baku δ = 1, atau ditulis
N(0,1). Distribusi normal Z seperti ini disebut distribusi normal standar.
Dengan demikian, fungsi distribusi f(x) berubah menjadi fungsi distribusi
f(z).
f(z) = 1 e – ½ Z2
√2π
Selanjutnya probabilitas P(z 1 < Z < z 2) dihitung dengan rumus
berikut :
P(z1 < Z < z2) = ∫ f(z) dz = ∫ 1 e – ½ Z2 dz
√2π
Berdasarkan integral dari distribusi normal standar tersebut,
probabilitas P(z1 < Z < z2) dihitung dengan memakai tabel distribusi normal
standar. Perhatikan bahwa nilai-nilai yang ada dalam tabel tersebut
menunjukkan probabilitas dari nilai-nilai Z mulai dari z = 0 sampai dengan z
= Z0 (positif) yaitu P(0 < Z < Z0).
Contoh :
Tentukan probabilitas dari nilai Z berikut (gunakan tabel distribusi normal
standar)
1) P(0 < Z ≤ 1.54) = 0.4382
2) P(- 2.53 ≤ Z < 0)
Karena fungsi distribusi normal standar simetri terhadap Z = 0, maka
probabilitas P(- 2.53 ≤ Z < 0) = P(0 < Z < 2.53) = 0.4943
3) P(- 1.62 ≤ Z ≤ 1.62)

56
Karena P(- 1.62 ≤ Z ≤ 0) = P(0 ≤ Z ≤ 1.62), P(- 1.62 ≤ Z ≤ 1.62)
= 2P (0 ≤ Z ≤ 1.62)
= 2 (0.4474)
= 0.8948
4) P(- 2.75 < Z < - 1.52)

Perhatikan bahwa P(- 2.75 < Z < - 1.52) = P(1.52 < Z < 2.75)
= P(0 < Z < 2.75) – P(0 < Z <
1.
= 0.4970 – 0.4357
= 0.0613
5) P(1.42 < Z < 2.54)

Perhatikan bahwa P(1.42 < Z < 2.54) = P(0 < Z < 2.54) – P(0 < Z < 1.42)
= 0.495 – 0.4222
= 0.0723
6) Bila X adalah variabel acak berdistribusi normal dengan rata-rata µ = 25
dan simpangan baku δ = 10, tentukanlah probabilitas P(20 < X < 38)
Jawab :
Z = x - µ = X - 25
δ 10
maka diperoleh
Z1 = (20 – 25) / 10 = - 0.5 dan Z2 = (38 – 25)/10 = 1.3
Dengan demikian probabilitas P(20 < X < 38) = P(- 0.5 < Z < 1.3)
= P(- 0.5 < Z < 0) + P(0 < Z
< 1.3)
= P(0 < Z < 0.5) + P(0 < Z <
1.3)
= 0.1915 + 0.4032
= 0.5947
57
4.4 Fungsi Distribusi Kumulatif
Sering kali perhitungan probabilitas variabel acak Z yang berdistribusi
normal standar lebih mudah dilakukan dengan memakai fungsi distribusi
kumulatif. Bila variabel acak Z berdistribusi normal standar dengan fungsi
padat probabilitas f(z), fungsi distribusi kumulatif dari Z yang ditulis F(z)
dirumuskan sebagai berikut :
F(z) = P(Z < z) = ∫ f(z) dz = ∫ 1 e – ½ Z2 dz
√2π
Sifat-sifat fungsi distribusi kumulatif F(z) adalah sebagai berikut ;

1. F(z) monoton naik
2. 0 ≤ F(z) ≤ 1
3. F (-∞) = Lim F(x) = 0 dan F (+∞) = Lim F(x) = 1
X -> ∞ X -> ∞
Perhatikan bahwa grafik F(z) tidak memotong sumbu Z dan juga tidak
memotong garis F9z) = 1. Oleh karena itu, sumbu Z dan garis F9z)
merupakan garis batas dari grafik F(z). Dengan memakai fungsi distribusi
kumulatif F(z), probabilitas P(z1 < Z < z2) dihitung dengan menggunakan
rumus berikut :
P(z1 < Z < z2) = P(Z < z2) – P(Z < z1) = F(z2) – F(z1)
Nilai-nilai probabilitas fungsi distribusi kumulatif dari distribusi

normal standar terdapat dalam tabel distribusi kumulatif normal standar.
Contoh :
a. P(-1.43 < Z < 2.53) = F(2.53) – F(-1.43)
= F(2.50) – F(-1.40)
= 0.9938 – 0.0808
= 0.9130
b. P(-0.5 < Z < 1.3) = F(1.3) – F(-0.5)

= 0.9032 – 0.3085
58
= 0.5947
LATIHAN
1. Nilai ujian Biologi di sebuah kelas terdistribusi secara normal dengan
rata-rata 60 dan deviasi standar 10. Berapa persen siswa yang
memperoleh nilai antara 60 – 70 ?
2. Dari penelitian terhadap 150 orang laki-laki yang berumur 40–60
tahun didapatkan rata-rata kadar kolesterol (μ) mereka 215 mg % dan
simpangan baku σ = 45 mg %. Hitunglah peluang mendapatkan
seorang yang kadar kolesterolnya:
a. < 200 mg %
b. > 250 mg %
c. antara 200 –275 mg %
3. Dalam suatu ujian terdapat 300 siswa yang mengikuti ujian tersebut.
Rata-rata dari hasil ujian yaitu 70 serta simpangan baku hasil ujian
tersebut adalah 10. Jika data nilai hasil ujian siswa tersebut
berdistribusi normal, maka berapa persen mahasiswa yang mendapat
nilai A jika syarat untuk mendapatkan nilai A adalah nilai lebih dari
85?
BAB V
ANALISIS REGRESI DAN KORELASI
Capaian Pembelajaran : Memahami jenis-jenis dan kegunaan analisis

regresi dan korelasi dan uji signifikasi koefisien korelasi.
5.1 Analisis Regresi

a) Pengertian Analisi Regresi
59
Analisis regresi merupakan analisis yang digunakan untuk
memprediksikan seberapah jauh pengaruh variabel bebas, bila nilai variabel
diubah-ubah/dimanipulasi atau dinaik-turunkan. Garis regresi menjelaskan
hubungan antar variabel hanya dalam kondisi jika satu variabel membantu
menjelaskan atau memprediksi variabel yang lain. Faktor yang merupakan
kepentingan utama menjadi variabel terikat (Y) dan faktor yang
mempengaruhi hasil menjadi variabel bebas (X). Garis regresi digunakan
untuk memprediksi nilai Y terhadap nilai yang diberikan X.
b) Macam-Macam Regresi
Terdapat beberapa macam regresi adalah sebagai berikut :
1. Regresi Linier Sederhana

Regresi sederhana atau tunggal digunakan apabila peneliti
ingin mengetahui linearitas hubungan satu variabel bebas
(X) dan satu variabel terikat (Y) dan dapat pula
digunakan untuk memprediksi kenaikan variabel bebas jika
variabel terikat diketahui. Regresi linier sederhana dihitung
dengan persamaan :
Y = a + bX
Y = variabel terikat
X = variabel bebas
b = kemiringan; nilai dimana Y berubah ketika X naik satu unit
a = konstanta; nilai Y ketika X = 0
Penetapan Persamaan Regresi Linier Sederhana
n
 n  n 
n  xi y i    x i    y i 
i 1  i 1   i 1 
b 2
n
 n 
n  x    xi 
2
i 1
i
 i 1 
60
n n
y
i 1
i x
i 1
i
a  y  bx a b
sehingga n n
n : banyaknya pasangan data

yi : nilai pengubah tak bebas Y ke-i
xi : nilai pengubah bebas X ke-i
2. Regresi Linier Berganda

Regresi linier berganda digunakan jika terdapat 3 variabel atau lebih,
yaitu sekurang-kurangnya 2 variabel bebas dan 1 variabel terikat.
Regresi linier berganda dihitung dengan persamaan :
Y = a + b1X1 + b2X2 + ...+ bnXn
Y : variabel terikat a : konstanta
X1 : variabel bebas ke-1 b1 : kemiringan garis ke-1

X2 : variabel bebas ke-2 b2 : kemiringan garis ke-2
Xn : variabel bebas ke-n bn : kemiringan garis ke-n
3. Regresi Non Linier

Bentuk umum Regresi Eksponensial
Y = abx
log Y = log a + (log b) x
4. Regresi Non Linear Berganda
61
Gambar 3. Contoh Kurva Non Linear Regresi Berganda
5.2 Analisis Korelasi

a) Pengertian Analisis Korelasi
Analisis korelasi merupakan analisis statistik yang dilakukan untuk
mengukur arah dan kekuatan hubungan linear antara dua variabel yang
nilainya dipengaruhi oleh skala atau satuan pengukuran pada X dan Y
menghasilkan koefisien korelasi (r). Arah dinyatakan dalam bentuk
hubungan positif atau negatif, sedangkan kuatnya hubungan. Besarnya nilai
r menunjukkan keeratan hubungan linear antara dua variabel. Nilai r berada
diantara -1 dan +1. Nilai r mendekati nol menunjukkan hubungan linear
yang sangat lemah. Terdapat beberapa tiga macam hubungan antar variabeel
yaitu hubungan simetris, hubungan sebab akibat (kausal) dan hubungan
interaktif (saling mempengatuhi). Hubungan dua variabel atau lebih
dikatakan hubungan positif, bila nilai suatu variabel ditingkatkan, maka
akan meningkatkan variabel yang lain dan sebalinya bila satu variabel
diturunkan maka akan menurunkan variabel yang lain. Contohnya
hubungan positif antara motivasi belajar dengan hasil belajar, hal ini berarti
semakin tinggi motivasi belajar, maka akan semakin baik hasil belajarnya,
dan semakin rendah motivasi belajar maka akan kurang baik hasil belajar.
62
Hubungan dua variabel atau lebih atau lebih dikatakan hubungan negatif,
bila nilai sutu variabel dinaikkan maka akan menurunkan nilai variabel yang
lain, dan juga sebaliknya nilai variabel diturunkan, maka akan menaikkan
nilai variabel yang lain. Contohnya misalnya ada hubungan negatif antara
curah hujan dengan es yang terjual. Hal ini berarti semakin tinggi curah
hujan, maka akan semakin sedikit es yang terjual, dan semakin sedikit curah
hujan makan akan semakin banyak es yang terjual.
Gambar 4 menunjukkan beberapa kemungkinan arah dan kekuatan

hubungan dalam korelasi.
Gambar 4. Beberapa kemungkinan arah dan kekuatan hubungan dalam

korelasi.
63
Dalam perhitungan koefisien korelasi linear sederhana, tidak perlu
menentukan variabel mana sebagai penyebab dan mana sebagai akibat, atau
memisahkan variabel bebas dengan variabel terikat seperti pada analisis
regresi, sehingga tidak ada perbedaan variabel mana yang disebut X dan
mana yang disebut Y dalam menghitung korelasi. Setelah dilakukan
perhitungan analisis korelasi, maka untuk mengintepretasi nilai korelasi
dapat ditentukan berdasarkan tabel di bawah ini :
Nilai koefisien korelasi Keterangan

0,00 – 0,199 Sangat rendah
0,20 – 0,399 Rendah
0,40 – 0,599 Cukup
0,60 – 0,799 Kuat
0,80 – 1,00 Sangat kuat
(Sumber : Sudjana, 1982)
b) Macam-Macam Analisis Korelasi

Terdapat beberapa macam analisis korelasi sebagai berikut:
1. Korelasi Sederhana (Korelasi Bivariat)
Korelasi bivariat merupakan korelasi yang paling sederhana karena
korelasi tersebut hanya mencari hubungan antara 2 variabel. Dalam
perhitungan koefisien korelasi linear sederhana, tidak perlu menentukan
variabel mana sebagai penyebab dan mana sebagai akibat, atau memisahkan
variabel bebas dengan variabel terikat seperti pada analisis regresi, sehingga
tidak ada perbedaan variabel mana yang disebut X dan mana yang disebut Y
dalam menghitung korelasi.
Terdapat beberapa teknik analisis korelasi sederhana (korelasi bivariat),

yaitu :
a. Korelasi Product Moment

Korelasi Product Moment merupakan teknik korelasi yang digunakan
untuk mengetahui hubungan antara dua variabel. Disebut Product Moment
Correlation, karena angka korelasinya merupakan hasil perkalian atau
product dari moment-moment variabel yang dikorelasikan (Product of the
64
Moment). Teknik korelasi ini digunakan bila berhadapan dengan kenyataan
bahwa:
 Pengambilan sampel dilakukan secara acak
 Dua variabel yang akan dicari korelasinya, terdiri dari dua gejala
interval atau ratio.
 Regresinya merupakan regresi linier/garis lurus
Terdapat tiga kemungkinan hipotesis yang diuji dalam analisis

Korelasi Product Moment yaitu:
 Hipotesis uji dua pihak

Ho : ρ = 0
H1 : ρ ≠ 0
 Hipotesis satu pihak, uji pihak kanan.
Ho : ρ ≤ 0
H1 : ρ > 0
 Hipotesis satu pihak, uji pihak kiri.
Ho : ρ ≥ 0
H1 : ρ < 0
Terdapat 2 macam Rumus Korelasi Product Moment/Pearson

Correlation yaitu:
1. Korelasi Product Moment dengan simpangan:

∑ xy
r xy = 2 2
√ (∑ x ) (∑ y )
Keterangan:
r xy =¿ Koefisiensi korelasi antara variabel X dan variabel Y: dua variabel
yang dikorelasikan ( x= X - M ) dan( y= Y- M).
∑ xy=¿Jumlah perkalian x dengan y
x 2=¿Kuadrat dari x (deviasi x)
y 2=¿ Kuadrat dari y (deviasi y)
65
2. Korelasi Product Moment dengan Angka Kasar:
NΣx y −( ∑ x ) ( ∑ y )
r xy =
√¿ ¿ ¿
Keterangan:
r xy =¿ Koefisien korelasi antara variabel X dan variabel Y
Σx y = Jumlah perkalian antara variabel x dan Y
∑ x 2=Jumlah darikuadrat nilai X
∑ y 2=Jumlah dari kuadrat nilai Y
2
¿ ( ∑ x ) =Jumlah nilai X kemudian dikuadratkan
( ∑ y )2=Jumlah nilai Y kemudian dikuadratkan
Contoh :
Suatu penelitian yang ingin melihat apakah ada hubungan antara banyaknya
kredit yang diambil dengan indeks prestasi yang dicapai mahasiswa dalam
satu semester. Setelah dilakukan pengumpulan data dari 10 mahasiswa
ternyata penyebaran kredit dan indeks prestasi yang dicapai sebagai berikut:
Mahasiswa ke Jumlah kredit yang Indeks prestasi

diambil
1 20 3,1
2 18 4,0
3 15 2,8
4 20 4,0
5 10 3,0
6 12 3,6
7 16 4,0
8 14 3,2
9 18 3,5
10 12 4,0
66
Tahapan yang harus dilalui untuk menyelesaikan Rumus Korelasi
Product Moment dengan Simpangan adalah:
1. Jika jumlah kredit mata kuliah yang diambil mahasiswa merupakan
variabel X, maka indeks prestasi merupakan variabel Y
2. Buatlah tabel penolong yang mengandung unsur-unsur atau faktor-
faktor yang diperlukan dalam perhitungan korelasi sesuai dengan
kebutuhan tabel Korelasi Product Moment dengan Simpangan.
3. Menjumlahkan subyek penelitian
4. Menjumlahkan skor X dan skor Y
∑x
5. Menghitung Mean variabel X dengan rumus: M x = dan hasilnya
N
menjadi 155/10=15,5
ΣY
6. Menghitung Mean variabel Y dengan rumus: My= dan hasilnya
N
menjadi 35,2/10=3,52
7. Menghitung deviasi masing-masing skor x dengan rumus : x=X-M
X baris ke 1, kolom ke 4 kita isi menjadi, contohnya = 20-15,5=4,5,
dan seterusnya.
8. Menghitung deviasi masing-masing skor y dengan rumus: y =Y-M
y baris ke 1, kolom ke 5 kita isi menjadi, contohnya= y=3,1-3,52=-
0,42,dan seterusnya
9. Mengalikan deviasi x dengan y
10. Menguadratkan seluruh deviasi x dan menjumlahkannya
11. Menguadratkan seluruh deviasi y dan menjumlahkannya
12. Menyelesaikan rumus Korelasi Product Moment dengan Simpangan,
yaitu:
67
Mahasiswa X Y x Y Xy x2 y2
ke
1 20 3,1 4,5 -0,42 -1,89 20,25 0,1764
2 18 4,0 2,5 0,48 1,2 6,25 0,2304
3 15 2,8 -0,5 -0,72 0,36 0,25 0,5184
4 20 4,0 4,5 0,48 2,16 20,25 0,2304
5 10 3,0 -5,5 -0,52 2,86 30,25 0,2704
6 12 3,6 -3,5 0,08 -0,28 12,25 0,0064
7 16 4,0 0,5 0,48 0,24 0,25 0,2304
8 14 3,2 -1,5 -0,32 0,48 2,25 0,1024
9 18 3,5 2,5 -,02 -0,05 6,25 0,0004
10 12 4,0 -3,5 0,48 -1,68 12,25 0,2304
N=10 155 35,2 0 0 3,4 110,5 1,996
Hal yang perlu diingat (sebagai bahan koreksi perhitungan) adalah

jumlah simpangan masing-masing nilai dengan rata-ratanya adalah 0.
Disamping itu kita tidak perlu menghilangkan tanda negatif (-).
Jadi,
3,4
r xy =
√ (110,5 ) ( 1,996 )
3,4
¿
14,85119524
= 0,2289378023
= 0,23
Tahapan yang harus dilalui untuk menyelesaikan Rumus Korelasi

Product Moment dengan angka kasar adalah:
1. Jika jumlah kredit mata kuliah yang diambil mahasiswa merupakan
variabel X, maka indeks prestasi merupakan variabel Y
2. Buatlah tabel penolong yang mengandung unsur-unsur atau faktor-
faktor yang diperlukan dalam perhitungan korelasi sesuai dengan
kebutuhan tabel Korelasi Product Moment dengan angka kasar.
3. Menjumlahkan subyek penelitian
68
4. Menjumlahkan variabel X dan variabel Y
5. Mengalikan antara variabel X dan variabel Y
6. Mengkuadratkan variabel X dan menjumlahkannya
7. Mengkuadratkan variabel Y dan menjumlahkannya
8. Menyelesaikan rumus Korelasi Product Moment dengan angka
kasar untuk mencari koefisien korelasinya, yaitu:
Mahasiwa
ke
X Y XY X2 Y2
1 20 3,1 62 400 9,61
2 18 4,0 72 324 16
3 15 2,8 42 225 7,84
4 20 4,0 80 400 16
5 10 3,0 30 100 9
6 12 3,6 43,2 144 12,96
7 16 4,0 64 156 16
8 14 3,2 44,8 196 10,24
9 18 3,5 63 324 12,25
10 12 4,0 48 144 16
N=10 155 35,2 549 2513 125,90
Hal yang bisa diketahui berdasarkan pada soal maupun tabel di atas adalah:
N=10 Σx Y=549 Σx =155 ΣY =35,2 ∑ x 2 =2513
∑ y 2=125,90
Setelah kita inventarisir seluruh faktor yang diperlukan dalam rumus
Korelasi Product Moment dengan Angka Kasar, maka angka-angka tersebut
kita masukkan dalam rumus di bawah ini. Dengan demikian, maka hasil
perhitungan Korelasi Product Moment dengan Angka Kasar sebagai berikut:
NΣx y −( ∑ x ) ( ∑ y )
r xy =
√¿ ¿ ¿
( 10 x 549 )−(155 x 35,2)
¿ 2
√(10 x 2513)−( 155 ) ¿ ¿¿ ¿
69
34
¿
148,5119524
= 0,2289378023 = 0,23
Dengan demikian telah terbukti bahwa menggunakan rumus
pertama maupun kedua menghasilkan hasil yang sama. Oleh karena kedua
rumus korelasi product moment di atas benar-benar sama, maka keduanya
bisa dipakai pada kondisi yang sama, tetapi disarankan untuk memakai
rumus yang kedua karena lebih simpel perhitungannya.
b. Korelasi Spearman Rank

Korelasi Spearman Rank sering juga disebut sebagai korelasi
berjenjang, atau korelasi berpangkat, dan ditulis dengan notasi (r s). Jenis
korelasi ini dikemukakan oleh Carl Spearman Tahun 1904. Korelasi ini
berfungsi untuk mengukur eratnya hubungan antara dua variabel yaitu
variabel bebas dan variabel terikat yang berskala ordinal, mengetahui tingkat
kecocokan dari dua variabel terhadap grup yang sama, mendapatkan
validitas empiris (concusrent validity) alat pengumpul data, dan mengetahui
reliabilitas alat pengumpul data.
Rumus Korelasi Spearman Rank yang digunakan yaitu:
2
6 Σd rs = Nilai Korelasi Spearman Rank
r s =1− d 2 = Selisih setiap pasangan rank
n( n2 −1)
n = Jumlah pasangan rank untuk Spearman (5 < n
< 30)
Bila dilanjutkan untuk mencari signifikan, maka digunakan rumus

Zhitung:
rs
Z hitung =
1
√n−1
70
Contoh
Akan diteliti apakah terdapat hubungan antara motivasi belajar dengan
prestasi belajar mahasiswa. Kemudian diambil 10 mahasiswa sebagai sampel
dengan taraf signifikan 5%. Data motivasi belajar (X) dan prestasi belajar
Mata Kuliah Statistik (Y). Buktikan apakah data tersebut ada korelasi dan
signifikan.
X : 70, 60, 55, 50, 89, 85, 75, 95, 90, dan 92.
Y : 50, 50, 40, 90, 80, 80, 70, 65, 65, dan 50.
Langkah-langkah menjawab:
1. Membuat Ha dan Ho dalam bentuk kalimat :
Ha: Ada hubungan yang signifikan antara motivasi belajar dengan
prestasi belajar Mata Kuliah Statistik.
Ho: Tidak ada hubungan yang signifikan antara motivasi belajar
dengan prestasi belajar Mata Kuliah Statistik.
2. Membuat Ha dan Ho dalam bentuk statistik:
Ha : r  0
Ho : r = 0
3. Membuat tabel penolong untuk menghitung ranking:
No. Mahasiswa Nilai Motivasi Rank Nilai Prestasi Rank X – Y (d2)
Belajar (X) Belajar (Y) (d)
1. A 70 7 50 8 –1 1
2. B 60 8 50 8 0 0
3. C 55 9 40 10 –1 1
4. D 50 10 90 1 9 81
5. E 89 4 80 2,5 1,5 2,25
6. F 85 5 80 2,5 2,5 6,25
7. G 75 6 70 3 3 9
8. H 95 1 65 5,5 – 4,5 20,25
9. I 90 3 65 5,5 – 2,5 6,25
10. J 92 2 50 8 –6 36
Jumlah d2 =
163
4. Mencari rshitung dengan rumus:
71
2
6 Σd (6 ).(163 ) 978
r s =1− 2 =1− 2
=1− =0 , 012
n( n −1) 10 .(10 −1) 990
5. Mencari Nilai rs tabel Spearman:

Dengan  = 0,05 dan n = 10, maka rs tabel = 0,648
Kemudian membandingkan antara rs hitung dengan rs tabel, ternyata rs hitung
lebih kecil dengan rs tabel atau 0,012 < 0,648, maka Ho diterima dan Ha
ditolak.
5. Mencari Zhitung dengan rumus :

rs 0 , 012 0 , 012
Z hitung = = = =0 , 036
1 1 0 , 33
√n−1 √10−1
Dengan tingkat signifikansi 5%, harga Z tabel dicari pada Tabel Kurva
Normal Z([0,5]– ½.[0,05] ) = Z0,475.
Apabila harga dalam kurva normal 0,475, maka harga Z tabel = 1,96.
Jika Zhitung  Z tabel, maka tolak Ho artinya signifikan dan
Zhitung  Z tabel, maka terima Ho artinya tidak signifikan
Ternyata Zhitung lebih kecil dari Z tabel, atau 0,036 < 1,96, maka Ho
diterima, artinya Tidak ada hubungan yang signifikan antara motivasi belajar
dengan prestasi belajar Mata Kuliah Statistik.
72
c. Korelasi Kendal Tau
Korelasi Kendal Tau digunakan untuk menganalisis korelasi antara
data ordinal dengan data ordinal yang anggota sampelnya lebih dari 10.
Rumus korelasi Kendal Tau adalah:
τ=
∑ RA−∑ RB
N ( N −1)
2
ΣRA : jumlah rangking kelas atas
ΣRB : jumlah rangking kelas bawah
Untuk menguji signifikansi korelasi Kendal Tau menggunakan nilai
tabel nilai Z dengan rumus sebagai berikut:
τ
Z=
2(2 N +5 )
√ 9 N ( N−1 )
Ho diterima apabila Z ≤ Zα/₂
Ho ditolak apabila Z > Zα/₂
d. Korelasi Point Biserial
Korelasi point biserial diterapkan apabila ingin menguji dua variabel,
yaitu satu variabel bergejala kontinu dan variabel kedua bergejala disklip
murni. Contohnya Ingin mengetahui hubungan antara jenis kelamin dan
prestasi belajar. Korelasi point biserial bisa digunakan dalam menguji
validitas soal yaitu skor tiap soal dikorelasikan dengan skor total hasil tes.
Rumus untuk mencari nilai korelasi point biserial (rpbi) adalah:
M p −M t p
rpbi =
sd t q √
rpbi : Angka indeks korelasi point biserial.
73
Mp : Mean (nilai rata-rata hitung) skor yang dicapai oleh peserta tes yang
menjawab betul, yang sedang dicari korelasinya dengan tes secara
keseluruhan.
Mt : Mean skor total, yang berhasil diperoleh oleh seluruh peserta test.
SDt : Deviasi standar total.
p : Proporsi peserta tes.
e. Korelasi Phi
Korelasi Phi digunakan apabila dua variabel yang sedang diselidiki
korelasi terdiri dari variabel deskrit dan masing- masing hanya terdiri dari
dua kategori misalnya laki-laki- perempuan, hidup-mati, lulus-tidak lulus,
dan lain-lain. Apabila diambil dari variabelnya bukan variabel deskrit dan
peneliti ingin menganalisanya dengan teknik korelasi phi, maka variabel
tersebut harus dirubah menjadi variabel deskrit dan masing-masing terdiri
dari dua kelompok sehingga menghasilkan tabel 2 x 2. Lambang dari
korelasi phi adalah ɸ. Koefisien korelasi phi dapat dicari dengan
rumus berikut:
ad−bc
ϕ= atau
√(a+b)(a+ c)( b+d )(c+ d)
α 1 β 2−α 2 β 1
ϕ= atau
√( p 1)( p 2)(q 1)(q 2)
X2
ϕ¿ √
N
f. Koefisien Kolerasi Kontingensi

Korelasi koefisien Kontigensi adalah salah analisis korelasional dua
buah variabel dikorelasikan adalah berbentuk katagori atau merupakan
gejala ordinal. Misalnya: tingkat pendidikan: tinggi, menengah, rendah:
pemahaman terhadap ajaran agama islam: baik, cukup. kurang dan
sebagainya. Kuat lemah, tinggi rendah, atau besar kecilnya korelasi antar dua
variabel dapat diketahui dari besar kecilnya angka Indeks korelasi yang di
74
sebut Coefficient Contingency, Teknik analisis ini dilambangkan dengan
huruf C atau KK (Singkatan dari koefisien kotegensi).
Rumus untuk mencari Koefisien Korelasi Kontingensi adalah :
x2
C= 2
x +N
x 2 dapat diperoleh dengan menggunakan rumus
2 (f 0−f t )2
x =∑
ft
2. Korelasi Linier Berganda

Korelasi linier ganda merupakan analisis korelasi yang digunakan
apabila penelitian bertujuan untuk mengetahui hubungan dua atau lebih
variabel independen yang diteliti dengan satu variabel dependen. Korelasi
ganda berfungsi untuk angka yang menunjukkan arah dan kuatnya hubungan
antara dua variabel secara bersama-sama atau lebih dengan variabel yang
lain yang disebut koefisien korelasi ganda dan biasanya disimbolkan dengan
R. Koefisien Determinasi Sampel untuk Regresi Linier Berganda diberi
R2
notasi sebagai berikut y.12
Sedangkan Koefisien Korelasi adalah akar positif Koefisien Determinasi
atau
ry.12 2
Ry.12
=
Rumus
Ry2.12  1  JKG
( n  1) s 2y
JKG : Jumlah Kuadrat Galat
75
sy² : Jumlah Kuadrat y (terkoreksi)
dimana
s 
2
n y 2    y 2
y
n(n  1)
JKG   y 2  a  y  b1  x1 y  b2  x2 y
Contoh :
1. Penelitian dengan judul Analisis Hubungan Bahan Organik dengan

Total Bakteri pada Tambak Udang Intensif Sistem Semi bioflok di
BBPBAP Jepara (Putra et al., 2014).
Hipotesis yang digunakan untuk analisis korelasi dalam penelitian ini
yaitu:
H0 : Tidak ada hubungan antara total bahan organik dengan total

bakteri di tambak udang intensif sistem semibioflok.
H1 : Adanya hubungan antara total bahan organik dengan total bakteri
di tambak udang intensif sistem semibioflok
Gambar 5. Hubungan Total Bakteri dengan TOM pada tambak

intensif sistem semibioflok
76
Berdasarkan uji Pearson correlation diperoleh nilai koefisien korelasi
antara bahan organik dengan jumlah total bakteri. Uji Pearson
correlation antara bahan organik dengan jumlah total bakteri memiliki
hubungan yang signifikan, hal ini disebabkan besarnya koefisien
korelasi 0,522 lebih besar dari 0,514 dengan taraf signifikasi 5%
sehingga tolak H0 dan terima H1. Nilai r untuk TOM (Total Organic
Matter) atau bahan organik dengan total bakteri adalah 0,522.
Hubungan bahan organik dengan total bakteri menunjukkan arah
korelasi yang linier positif yaitu hubungan yang searah, artinya
semakin tinggi bahan organik maka akan semakin besar pula total
bakteri. Uji Pearson correlation untuk nilai probabilitas/ Sig.(2-tailed)
menunjukkan nilai 0,046 < 0,05 , yang artinya ada hubungan yang
signifikan antara bahan organik dengan total Bakteri di tambak udang
intensif sistem semibioflok
Kriteria pengujian dengan tabel r :
Menggunakan tabel r product moment (untuk n besar) dengan dk

(derajat bebas) = n
Ho diterima jika r hitung ≤ r tabel atau Ho ditolak jika r hitung > r tabel
Kriteria pengujian dengan tabel distribusi t :
Menggunakan tabel distribusi t (untuk n kecil) dengan dk = n -2
Ho diterima jika t hitung ≤ t tabel atau Ho ditolak jika t hitung > t tabel
Konversi nilai r menjadi t hitung menggunakan rumus :
r √ n−2
t=
√ √1−r 2
77
Setelah dilakukan perhitungan analisis korelasi, maka nilai korelasi dapat
diinterpretasikan berdasarkan tabel di bawah ini :
Nilai koefisien korelasi Keterangan

0,00 – 0,199 Sangat rendah
0,20 – 0,399 Rendah
0,40 – 0,599 Cukup
0,60 – 0,799 Kuat
0,80 – 1,00 Sangat kuat
(Sumber : Sudjana, 1982)
Contoh :
2. Seorang mahasiswa melakukan penelitian dengan menggunakan

kuisioner untuk mengetahui prestasi belajar siswa. Terdapat 10 butir
pertanyaan dengan menggunakan skala Likert yaitu :
1 = Sangat Tidak Setuju
2 = Tidak Setuju
3 = Setuju
4 = Sangat Setuju
Setelah membagikan skala kepada 15 responden diperoleh tabulasi
data-data sebagai berikut :
78
Ujilah validitas setiap butir soal dalam kuisioner ini menggunakan
korelasi Pearson Product Moment.
Jawab
Analisis ini dilakukan dengan cara mengkorelasikan masing-masing
skor item dengan skor total keseluruhan item. Item-item pertanyaan
yang berkorelasi signifikan dengan skor total menunjukkan item-item
tersebut valid.
Pengujian menggunakan uji dua sisi dengan taraf signifikansi 0,05.
Kriteria pengujian adalah sebagai berikut:
 Jika r hitung > r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen
atau item-item pertanyaan berkorelasi signifikan terhadap skor
total (dinyatakan valid).
 Jika r hitung < r tabel (uji 2 sisi dengan sig. 0,05) atau r hitung
negatif, maka instrumen atau item-item pertanyaan tidak
berkorelasi signifikan terhadap skor total (dinyatakan tidak
valid).
79
80
81
LATIHAN
1. Variabel acak X mempunyai distribusi normal dengan rata-rata 18 dan

standar deviasi 2.5, hitunglah :
a. P(X < 15)
b. P(17 < X < 21)
2. Data sebuah penelitian memiliki nilai korelasi r = 0,745 dengan jumlah
responden penelitian 40 siswa. Tentukan apakah korelasi tersebut
signifikan pada α = 0,05 dan tentukan koefisien determinasinya!
3. Dari pengiriman sebanyak 1000 rim kertas koran dengan berat 60 gr,
diketahui bahwa rata-rata tiap rimnya berisi 450 lembar dengan standar
deviasi 10 lembar. Jika distribusi jumlah kertas per rim tersebut
berdistribusi normal, berapa persen dari rim kertas itu yang berisi 455
lembar atau lebih ?.
4. Nilai ujian statistik sebagian besar mahasiswa mempunyai distribusi
normal dengan rata-rata 34 dan standar deviasi 4. Jika X menyatakan
nilai-nilai mahasiswa tersebut, berapakah batas nilai x 0 agar 10% dari
kelompok nilai terendah berada di bawah x0?.
5. Diketahui data pemberian insentif guru (X) dengan produktivitas kerja
guru (Y) sebagai berikut :
X = 85 74 76 90 85 87 94 98 81 91 76 74
Y = 65 60 55 65 55 70 65 70 55 70 50 55
a. Hitung koefisien korelasi pada α = 0,05
b. Tentukan koefisien determinasinya.
c. Buatlah interpretasinya.
82
BAB VI
ANALISIS UJI BEDA (t-test)
Capaian Pembelajaran : Mahasiswa mampu memahami analisis uji

beda/analisis varians
Analisisi uji beda t-test merupakan analisis statistik yang digunakan

untuk menguji hipotesis komparatif (perbandingan). Analisis ini berfungsi
untuk menguji ada tidaknya perbedaan yang signifikan di antara kelompok-
kelompok data dan membandingkan dua mean (rata-rata) untuk menentukan
apakah perbedaan rata-rata tersebut perbedaan nyata atau karena kebetulan.
Tes t atau uji t ini digunakan untuk menguji kebenaran atau kepalsuan
hipotesis nihil. Analisis ini dapat digunakan untuk sampel kecil (≤ 30),
sampel diambil dari populasi yang mempunyai distribusi normal dan
variabel yang diuji bertipe interval atau rasio.
Contoh :
Menilai apakah terdapat perbedaan hasil belajar biologi yang diajarkan
menggunakan model PBL.
Terdapat tiga macam uji beda (t-test) yaitu sebagai berikut:
6.1 Uji t satu sampel (one sample t-test)

Uji t satu sampel merupakan uji t-test yang digunakan untuk pengujian
satu sampel. Pengujian satu sampel yang pada prinsipnya ingin menguji
apakah suatu nilai tertentu (yang diberikan sebagai pembanding) berbeda
secara nyata ataukah tidak dengan rata-rata sebuah sampel. Nilai tersebut
pada umumnya adalah nilai parameter untuk mengukur suatu populasi.
¿
x −μ
Rumus : thitung = t=
Sd
√n
Keterangan :
83
x = rata-rata sampel
µ = nilai parameter
Sd = standar deviasi sampel
n = jumlah sampel
Contoh:
Rata-rata target pencapaian produksi rumput laut di seluruh provinsi adalah
100%. Untuk mengetahui kebenarannya maka dilakukan sampling data di 15
propinsi sebagai berikut:
a. Formula Hipotesis
Ho : m = 100
Ha : m ≠ 100  dua arah
b. Taraf nyata dan nilai t tabel
a = 5% a /2 = 2.5% db = 15-1 = 14
t2.5%;14 = 2.145
c. Kriteria pengujiannya
Ho diterima jika : -2,145 ≤ to ≤ 2,145
Ho ditolak jika : to > 2.145 atau to < -2.145
d. Uji Statistik
to = (100.05 -100) / (15.02/151/2)
= 0.013
e. Kesimpulan
Ho diterima, artinya rata-rata target pencapaian produksi rumput laut
adalah 100%
6.2 Uji t berpasangan (paired sample t-test)
84
Paired sample t-test merupakan analisis yang digunakan untuk
membandingkan rata-rata dari sampel berpasangan. Sampel berpasangan
yang dimaksud adalah sekelompok sampel objek yang sama namun
mendapat dua perlakuan atau pengukuran yang berbeda, sehingga diperoleh
dua data dari satu kelompok sampel yang sama. Misalnya membandingkan
data sebelum dengan data sesudah, membandingkan data antar waktu dari
satu kelompok sampel. Apabila suatu perlakuan tidak memberi pengaruh,
maka perbedaan rata-rata adalah nol.
Contoh yang umum ditemui adalah desain pra uji–pasca uji (pre-test–
post-test design), dimana untuk mengkaji perubahan yang terjadi akibat
suatu perlakuan, kita sudah membandingkan perilaku atas kemampuan
subjek penelitian sebelum dan sesudah perlakuan diberikan. Uji – t
berpasangan digunakan jika uji komparasi antar dua nilai pengamatan
berpasangan, misalnya: sebelum dan sesudah dan digunakan pada uji p
Langkah – langkah uji t berpasangan adalah sebagai berikut :
1. Buatlah Ha dan Ho dalam bentuk kalimat

Ha : Terdapat perbedaan antara ................. dengan ..................
Ho : Tidak terdapat perbedaan antara .............. dengan ..............
2. Buatlah Ha dan Ho dalam bentuk hipotesis statistik
Ho : µ1 = µ2
H1 : µ1 ≠ µ2
3. Tentukan besarnya D dan D2 ( dalam kolom tabel distribusi ) serta X
setiap kelompok
D = X-Y
D = Differences
∑X
❑❑=
N
∑Y
❑❑=
N
85
4. Hitung besarnya SD ( standar deviasi )
∑ D 2−[ ( ∑ D )2 ] / np
SD=
√
Keterangan :
np−1
SD = standar deviasi
D = differences
np = n populasi
1 = nilai konstan
5. Hitung besarnya / kesalahan baku distribusi sampling SE (Standard
error of the sampling distribution of differences )
SD
SE=
√ np
6. Uji perbedaan dengan menggunakan rumus uji t dependen
uji t= −¿ ¿
SE
Keterangan :
X 1 = mean kelompok 1
X 2 = mean kelompok 2
SD = kesalahan baku distribusi sampling perbedaan
7. Menguji taraf nyata dan Db / Df
Taraf nyata (α) = 5% atau 1 %, misalnya 5 % = 0,05
Db / df = N - 1
8. Bandingkan hasil t hitung dengan t tabel (dengan terlebih dahulu
menentukan two tail / one tail )
Bila:
t hitung > t tabel signifikan; Ha diterima Ho ditolak
t hitung < t tabel non signifikan; Ha ditolak, Ho diterima
9. Berikan kesimpulan dalam bentuk kalimat.
Contoh:
86
Data sampel terdiri atas 10 pasien pria mendapat obat captopril dengan dosis
6,25 mg. pasien diukur dengan tekanan darah sistolik sebelum pemberian
obat dan 60 menit sesudah pemberian obat. Peneliti ingin mengetahui apakah
pengobatan tersebut efektif untuk menurunkan tekanan darah pasien-pasien
tersebut. Dengan α = 0,05. Adapun hasil pengukuran sebagai berikut:
Sebelum : 175 179 165 170 162 180 177 178 140 176
Sesudah : 140 143 135 133 162 150 182 150 175 155
Penyelesaian :
1. H0 = Tidak ada
perbedaan tekanan darah sistolik setelah diberikan obat dibanding
sebelum diberi obat
Ha = Ada perbedaan tekanan darah sistolik setelah diberikan obat
dibanding sebelum diberi obat
2. H0 : µ1 = µ2
Ha : µ1 ≠ µ2
3. Tabel distribusi dan
penghitungan D, D 2 serta X setiap kelompok
No X Y D D2
1 175 140 35 1225
2 179 143 36 1296
3 165 135 30 900
4 170 133 37 1369
5 162 162 0 0
6 180 150 30 900
7 177 182 -5 25
8 178 150 28 784
9 140 175 -35 1225
10 176 155 21 441
∑ 1702 1525 177 8065
∑ X 1702
❑❑= = =170,2
N 10
87
∑ Y 1525
❑❑= = =152,5
N 10
4. Standar Deviasi
∑ D 2−[ ( ∑ D )2 ] / np
SD=
√ np−1
8065−[ ( 177 )2 /10 ]

SD=
√
10−1
SD=23,40
5. Menghitung besar SE
23,40
SE=
√ 10
=1,529
6. Rumus uji t dependen
uji t= −¿ ¿
SE
170,2−152,5
uji t= =11,576
1,529
7. α = 5% = 0,05
Db = 10 - 1 =10 – 1 = 9
Maka ttabel two tail = 2,262
8. t hitung = 11,576 ; t tabel = 2,262
88
Jadi t hitung > t tabel ; Ha diterima Ho ditolak; signifikan
9. Kesimpulan :
Ada perbedaan tekanan darah sistolik setelah diberikan obat dibanding
sebelum diberi obat
6.3 Uji t tidak berpasangan (independent t-test)

Independent t-test digunakan untuk membandingkan rata-rata dari dua
kelompok sampel yang berbeda. Misalnya membandingkan data 2 kelompok
sampel, membandingkan data antara kelompok yang mendapat perlakuan
dengan kelompok kontrol.
Langkah – Langkah Uji T tidak berpasangan :
1. Buatlah Ha dan Ho dalam bentuk kalimat

Ho : Tidak terdapat perbedaan antara .............. dengan ..............
Ha : Terdapat perbedaan antara ................. dengan ..................
2. Buatlah Ha dan Ho dalam bentuk hipotesis statistik
3. Masukkan angka-angka statistik dari tabel distribusi. Hitunglah skor

X12 dan X22
4. Tentukan besarnya ❑1, ❑2 dan Jk 1, Jk 2 (Jk = jumlah kuadrat)
∑ X1 ∑ X2
❑1= ❑2=
N N
Jika distribusi tunggal :
( ∑ X )2
2
Jk=∑ X −
N
Jika distribusi bergolong :
( ∑ fX )2
2
Jk=∑ fX −
N
Keterangan :
❑1 = rata-rata skor kelompok 1
89
❑2 = rata-rata skor kelompok 2
Jk1 = jumlah deviasi kuadrat kelompok 1
Jk2 = jumlah deviasi kuadrat kelompok 2
N1 = jumlah subjek penelitian pada kelompok 1
N2 = jumlah subjek penelitian pada kelompok 2
F = frekuensi
5. Uji perbedaan dengan menggunakan rumus uji t independen
❑1−❑2
Ujit ind=
Jk 1+Jk 2 1 1
√[ ][ +
( N 1+ N 2 )−2 N 1 N 2 ]
6. Menentukan taraf nyata dan Db / Df
Taraf nyata (α) = 5% atau 1 %, misalnya 5 % = 0,05
Db / df = (N1 + N2) – 2
7. Bandingkan hasil t hitung dengan t tabel (dengan terlebih dahulu
menentukan two tail/one tail) Bila:
T hitung > t tabel maka signifikan; Ha diterima Ho ditolak
T hitung < t tabel maka non signifikan; Ha ditolak, Ho diterima
8. Berikan kesimpulan
Contoh: :
Misalnya anda ingin meneliti apakah siswa usia 8 sampai 10 tahun yang
diajarkan menghitung dengan sistem sempoa lebih memiliki kecepatan
menghitung matematis dibandingkan dengan siswa usia 8 sampai 10 tahun
yang tidak diajarkan menghitung dengan sistem sempoa. Setelah
pengumpulan data dilakukan didapat hasil sebagai berikut
No 1 2 3 4 5 6
X1 10 6 8 4 9 7
X2 7 3 2 4 1 2
a. Rumuskan hipotesis
b. Ujilah dengan taraf nyata 5%
c. Berikan kesimpulan berdasarkan hasil analisis tersebut
90
Penyelesaian :
1. Hipotesis :
H0 : Siswa usia 8 sampai 10 tahun yang tidak diajarkan menghitung
sistem sempoa tidak lebih cepat menghitung matematis
Ha : Siswa usia 8 sampai 10 tahun yang diajarkan menghitung sistem
sempoa lebih memiliki kecepatan menghitung matematis
2. Hipotesis statistik
H0 : µ1 ≤ µ2
H1 : µ1 > µ2
3. Tabel distribusi frekuensi

X1 X2 X12 X22
10 7 100 49
6 3 36 9
8 2 64 4
4 4 16 16
9 1 81 1
7 2 49 4
∑X1 = 44 ∑X2 = 19 ∑X12 = 346 ∑X22 = 83
4. Menghitung jumlah rata-rata dan jumlah kuadrat
∑ X 1 44
❑1= = =7,33
N 6
2 ( ∑ X )2 44 2
Jk 1=∑ X − =346− =23,3333
N 6
∑ X 2 19
❑2= = =3 ,167
N 6
( ∑ X )2 192
Jk 2=∑ X 2− =38− =23,8333
N 6
91
5. Jika sudah menemukan hasil rerata dan jumlah kwadrat, langkah
selanjutnya adalah menghitung nilai uji t ind
❑1−❑2
Ujit ind=
Jk 1+Jk 2 1 1
√[ ( N 1+ N 2 )−2 ][ +
N1 N2 ]
7,333−3,167
¿
2,333+23,833 1 1
√[
¿ 3,358
( 6+ 6 )−2 ][ ]
+
6 6
6. Menentukan taraf nyata dan Db / Df

Taraf nyata (α) = 5% = 0,05
Db / df = (N1 + N2) – 2 = (6 + 6) – 2 = 10
Maka ttabel = 1,833
7. Jadi t hitung = 3,358 ; ttabel = 1,833
t hitung > t tabel, H0 ditolak Ha diterima => Signifikan
8. Kesimpulan.
Terdapat perbedaan kecepatan berhitung matematis siswa usia 8
sampai 10 tahun yang diajarkan menghitung dengan sistem sempoa
dangan yang tidak diajarkan menghitung dengan sistem sempoa, yaitu
Siswa usia 8 sampai 10 tahun yang diajarkan menghitung sistem
sempoa lebih memiliki kecepatan menghitung matematis
LATIHAN
92
1. Seorang guru ingin menguji efektifitas model Inquiri pada
pembelajaran biologi. Maka dilakukan pre test dan post test dari 10
siswanya. Berikut datanya:
No subjek Pre test Post test

1 76 79
2 83 89
3 75 70
4 76 75
5 60 79
6 66 80
7 77 89
8 90 90
9 75 83
10 75 70
N =10 753 804
Ha : Model Inquiry efektif untuk diterapkan pada pembelajaran

biologi
Ujilah hipotesis alternatif tersebut!
2. Menjelang tahun ajaran baru toko buku Cendekia menjual berbagai

macam merk buku tulis. Dari berbagai merk yang ada, ada 2 merk
yang sangat laris, yaitu merk Cerdas dan Cantik. Pemilik toko ingin
menguji apakah antara kedua merk tersebut sama larisnya atau salah
satu lebih laris dari yang lain. Dari catatan penjualan yang ada selama
sebulan diperoleh data jumlah buku yang terjual sebagai berikut:
Hari ke Merk Cerdas (X1) Merk Cantik (X2)

1 200 250
2 189 223
93
3 190 198
4 210 200
5 203 190
6 208 200
7 216 205
8 214 215
9 195 180
10 205 197
a. Rumuskan hipotesis
b. Ujilah dengan taraf nyata 5%
c. Berikan kesimpulan berdasarkan hasil analisis tersebut.
BAB VII
ANALISIS VARIANS (ANOVA)
94
Capaian Pembelajaran: Mahasiswa mampu memahami analisis uji
beda/analisis varians.
Analisis varians (anova) merupakan teknik statistik yang digunakan

untuk membandingkan kualitas lebih dari dua kelompok sampel. Prinsip
pengujiannya adalah menganalisis variabilitas atau keragaman data menjadi
dua sumber variasi, yaitu variasi dalam kelompok dan variasi antar
kelompok. Analisis ini memungkinkan kita untuk mengetahui apakah dua
atau lebih mean populasi akan bernilai sama dengan menggunakan data dari
sampel masing–masing populasi dan digunakan untuk menguji hipotesis jika
datanya interval atau rasio. Bila variasi dalam kelompok dan variasi antar
kelompok sama, maka nilai rata-rata yang dibandingkan menunjukkan tidak
ada perbedaan. Sebaliknya bila hasil perbandingan kedua varian tersebut
menghasilkan nilai lebih dari 1, maka rata-rata yang dibandingkan
menunjukkan adanya perbedaan. Analisis ini digunakan apabila sampel
diambil secara acak, saling bebas dan populasinya berdistribusi normal.
Contohnya penelitian bertujuan untuk mengetahui apakah ada perbedaan
antara rata–rata penghasilan guru SD, guru SMP dan guru SMA.
Berdasarkan langkah pengujiannya, anova terbagi menjadi anova satu

arah (one way anova) dan anova dua arah (two way anova).
7.1 Anova Satu Arah (One Way Anova)

Analisis varians satu arah (one way anova) ini digunakan jika
penelitian eksperimen terdiri dari satu variabel bebas dengan satu variabel
terikat, tetapi terdiri dari lebih dari 2 kelompok perlakuan. one way anova
berfungsi untuk memperhitungkan satu faktor yang menyebabkan variasi.
Berdasarkan pengacakan dan penataannya, dalam anova satu jalur
rancangan percobaan yang dapat digunakan yaitu Rancangan Kelompok
Lengkap (Rancangan Acak Lengkap, Kelompok Lengkap Acak, Bujur
Sangkar Latin) dan Rancangan Kelompok Tidak Lengkap (Rancangan Kisi,
Kelompok Berimbang).
a) Rancangan Acak Lengkap (RAL)
95
Pada Rancangan Acak Lengkap perlakuan diatur dengan pengacakan
secara lengkap sehingga setiap satuan percobaan memiliki peluang yang
sama untuk mendapat setiap perlakuan. RAL hanya cocok untuk penelitian
yang homogen, seperti penelitian di laboratorium dimana pengaruh
lingkungan lebih mudah dikendalikan.
Terdapat dua sumber keragaman diantara n pengamatan yang
diperoleh dari percobaan dengan RAL, yaitu keragaman perlakuan dan galat
percobaan. Besaran nisbi dari keduanya digunakan untuk menunjukkan
apakah perbedaan diantara perlakuan itu berbeda nyata atau hanya kebetulan
saja.
Contoh :
Pengaruh Pemberian Monosodium Glutamat (MSG) terhadap Pertumbuhan

dan Produksi Kacang Tanah (Arachis hypogeae L.) dilakukan menggunakan
Rancangan Acak Lengkap dengan 5 perlakuan, yaitu :
A = tanpa pemberian MSG ( 0 g MSG)
B = pemberian 3 g MSG
C = pemberian 6 g MSG
D = pemberian 9 g MSG
E = pemberian 12 g MSG
Langkah-langkah analisis varians dengan rancangan acak lengkap
96
1. Kelompokkan data sesuai dengan perlakuannya dan hitung jumlah
perlakuannya dan hitung jumlah perlakuannya (T) dan jumlah total
(G).
2. Buatlah garis besar anova dalam tabel.
Sumber Derajat Jumlah Kuadrat T tabel

F hitung
keragaman bebas kuadrat tengah 5% 1%
Perlakuan
Galat
percobaan
Total
3. Tentukan derajat bebas (db) untuk setiap sumber keragaman, dimana r

menunjukkan banyaknya ulangan dan t menunjukkan banyak
perlakuan.
db perlakuan = t–1
db galat = t (r - 1)
db total = ( r )( t ) – 1
db galat dapat juga dihitung dengan pengurangan sebagai berikut :
db galat = db total – db perlakuan
4. Hitung faktor korelasi dan jumlah kuadrat
FK = G2
N
JK total = (x1i + x2i2 + ... + xni2) – FK
2
JK perlakuan = (T12 + T22 + ... + Tn2) – FK

r
JK galat = JK total – JK perlakuan
5. Hitung nilai kuadrat tengah

KT perlakuan = JK perlakuan
97
db perlakuan
KT galat = JK galat
db galat
6. Hitung nilai F untuk menguji beda nyata perbedaan perlakuan
F hitung = KT perlakuan
KT galat
7. Tentukan nilai F tabel dari tabel distribusi nilai F (Lampiran),

dengan f1 = db perlakuan, f2 = db galat
8. Masukkan semua nilai ke dalam tabel
9. Bandingkan nilai F hitung dengan F tabel, dan tentukan beda nyata
antar perlakuan dengan ketentuan sebagai berikut :
- Jika F hitung > F tabel pada taraf nyata 1%, maka perbedaan
perlakuan dikatakan berbeda sangat nyata. Pada umumnya
ditunjukkan dengan tanda dua bintang (**) pada F hitung dalam
tabel anova.
- Jika F hitung > F tabel pada taraf nyata 5% tetapi lebih kecil
atau sama dengan F tabel pada taraf nyata 1%, maka perbedaan
perlakuan dikatakan berbeda nyata. Pada umumnya ditunjukkan
dengan tanda satu bintang (*) pada F hitung dalam tabel anova.
- Jika F hitung ≤ F tabel pada taraf nyata 5%, maka perlakuan
dikatakan tidak berbeda nyata
10. Hitung rataan total dan koefisien keragaman kk
Rataan total = G
n
kk = √ KTgalat x 100%
rataan total
b) Rancangan Kelompok Lengkap

98
Rancangan Kelompok Lengkap terutama cocok digunakan untuk
percobaan di lapangan dimana jumlah perlakuan tidak terlalu besar dan areal
percobaan mengalami penurunan produktivitas yang dapat diduga.
Contohnya heterogenitas tanah, kemiringan lahan, dan lain-lain.
Langkah-langkah analisis varians dengan rancangan acak lengkap
1. Kelompokkan data sesuai perlakuan dan ulangan, lalu hitung jumlah

perlakuan (T), jumlah ulangan (R) dan jumlah total (G)
2. Buatlah garis besar anava dalam tabel
Sumber Derajat Jumlah Kuadrat T tabel

F hitung
Ulangan
Perlakuan
Galat
Umum
3. Tentukan derajat bebas untuk setiap sumber keragaman, dimana r

menunjukkan banyaknya ulangan dan t menunjukkan banyak
perlakuan.
db total = ( r )( t ) – 1
db ulangan =r–1
db perlakuan =t–1
db galat = (r – 1)(t – 1) atau db galat = db total – db ulangan
– db perlakuan
4. Hitung faktor korelasi dan jumlah kuadrat.

FK = G2
(r)(t)
JK total = (x1i2 + x2i2 + ... + xni2) – FK
99
JK perlakuan = (T12 + T22 + ... + Tn2) – FK
r
JK galat = JK total – JK perlakuan
5. Hitung kuadrat tengah

KT ulangan = JK ulangan
db ulangan
KT perlakuan = JK perlakuan
db perlakuan
KT galat = JK galat
db galat
6. Hitung nilai F hitung
F hitung = KT perlakuan
KT galat
7. Bandingkan nilai F hitung dengan F tabel, dengan f 1 = db perlakuan
dan f2 = db galat.
8. Hitung koefisien keragaman
rataan total
9. Masukkan nilai-nilai yang dihitung di dalam tabel.
7.2 Anova Dua Arah (Two Way Anova)

Anova dua jalur (two way anova) merupakan analisis yang digunakan
jika suatu penelitian eksperimen terdiri dari 2 variabel bebas dan masing-
masing variabel bebas dibagi dalam beberapa kelompok. Dua faktor
dikatakan berinteraksi apabila pengaruh suatu faktor berubah pada saat
faktor lainnya berubah.
100
Percobaan Faktorial
Makhluk hidup secara serentak dihadapkan dengan banyak faktor
selama hidupnya. Suatu faktor tidak dapat berdiri sendiri dalam menentukan
kehidupan biologis. Beberapa faktor bekerja pada waktu dan tempat yang
sama. Suatu percobaan dimana perlakuan di dalamnya terdiri dari semua
kemungkinan kombinasi taraf terpilih untuk dua faktor atau lebih dinyatakan
sebagai percobaan faktorial. Misalnya suatu penelitian menggunakan 2
faktor masing-masing 2 taraf, seperti 2 varietas dan 2 taraf nitrogen,
dinyatakan sebagai percobaan faktorial 2 x 2 atau 2 2. Perlakuannya terdiri
dari 4 kombinasi.
Contoh :
Pengaruh konsentrasi nitrogen dan Fe3+ terhadap kadar lipid mikroalga.
Perbedaan pengaruh metode pembelajaran quantum learning dengan metode

peta fikiran (mind mapping) dan jigsaw pada siswa dengan tingkat
kreativitas berbeda terhadap hasil belajar biologi siswa SMA (Hariyanto et
al., 2016).
Langkah-langkah analisis varians dengan rancangan kelompok lengkap

faktorial
1. Tentukan derajat bebas untuk semua sumber keragaman.

db ulangan = r – 1
db perlakuan = a.r – 1
db A = a – 1
db B = b – 1
db A X B = (a – 1) (b – 1)
db galat = (r – 1)(ab – 1)
db total = r.a.b
2. Banyak ulangan dinyatakan dengan r, taraf faktor A dengan a dan
taraf faktor B dengan b. Susun garis besar anova dalam tabel.
Sumber Derajat Jumlah Kuadrat F hitung T tabel

101
Ulangan
Perlakuan
A
B
AXB
Galat
Total
3. Hitunglah jumlah perlakuan (T)), jumlah ulangan (R) dan jumlah total
(G), lalu hitunglah JK total, JK ulangan, JK perlakuan dan JK galat.
G2
FK = r..a.b
JK total = ∑ X2 - FK
JK ulangan = ∑ R2 - FK
a.b
JK perlakuan = ∑ T2 - FK
r
JK galat = JK total – JK ulangan – JK perlakuan
4. Susun tabel jumlah faktor A X faktor B, dengan menghitung jumlah

faktor A dan jumlah faktor B.
5. Hitung ketiga komponen faktorial dari jumlah kuadrat perlakuan.
JK A = ∑ A2 - FK
r.b
JK B = ∑ B2 - FK
r.a
JK A X B = JK perlakuan – JK A – JK B
6. Hitung kuadrat tengah untuk setiap sumber keragaman dengan
membagi JK dengan db nya.
102
JK A
KT A = a−1
JKB
KT B = b−1
JKAx B
KT A X B = (a−1)(b−1)
7. Hitung nilai F untuk masing-masing dari ketiga komponen faktorial.
KT A
F (A) = KTgalat
KT B
F (B) = KTgalat
KT AxB
F (A X B) = KTgalat
8. Bandingkan setiap F hitung dengan F tabel, dengan f 1 adalah derajat
bebas KT pembilang dan f2 adalah derajat bebas KT penyebut.
9. Hitung nilai koefisien keragaman.
rataan total
10. Masukkan semua nilai yang diperoleh ke dalam tabel.
103
LATIHAN
1. Seorang peneliti ingin mengetahui perbedaan nilai rata-rata
kandungan salinitas (gram) setiap 100 ml air dari keempat jenis air,
yaitu air sungai, air laut, air sumur dan air hujan. Dari hasil penelitian,
didapatkan hasil sebagai berikut:
No Jenis Air
Perhitungan
. Laut Sungai Hujan Sumur
1. 1 62,7 44,6 52,3 35,7
2. 2 61,2 47,8 56,4 36,6
3. 3 60,9 48,6 53,3 37,8
4. 4 59,8 47,9 55,7 38,6
5. 5 65,3 45,1 57,3 36,4
6. 6 66,1 43,7 51,8 39,1
7. 7 62,3 48,4 53,2 38,2
8. 8 67,4 42,5 56,6 37,9
9. 9 64,6 46,8 51,5 37,5
10. 10 61,8 47,2 53,4 36,4
Tentukan perbedaan rata-rata kandungan garam pada keempat jenis air

tersebut!
2. Seorang peneliti ingin mengetahui perbedaan nilai rata-rata dari 5

mata pelajaran (Bahasa Indonesia, Bahasa Inggris, Matematika, Fisika
dan Kimia). Pengambilan sampel dilakukan pada 10 siswa. Dari hasil
penelitian diperoleh data:
Mata Pelajaran
No. Siswa B. B.
MTK Fisika Kimia
Indonesia Inggris
1. 1 81 78 80 70 80
2. 2 88 78 75 71 82
3. 3 82 79 74 72 83
104
4. 4 85 79 76 73 81
5. 5 88 78 77 71 87
6. 6 86 76 80 70 88
7. 7 84 78 73 74 82
8. 8 86 80 74 78 81
9. 9 83 76 71 80 85
10. 10 85 81 84 73 86
Tentukan perbedaan nilai rata-rata siswa dari 5 mata pelajaran tersebut
2. Seorang peneliti ingin mengetahui perbedaan jam belajar (per hari)

seseorang berdasarkan tingkat pendidikan dan Jenis Kelamin. Sampel
yang diambil sebanyak 5 orang. Dari hasil penelitian didapatkan data:
Jenis Tingkat Pendidikan

Kelamin SD SMP SMA Mahasiswa
1 4 5 7
1,5 3 5,5 8
Laki-Laki 1,25 3,5 5,25 9
2 4 4,5 9,5
1 3 6 8
2 5 7 9
2,5 4,5 6,5 10
Perempuan 3 4,75 6 9,5
2,75 5,5 7,5 10,5
3,5 5 6,5 9,5
Tentukan perbedaan rata-rata jam belajar (dalam satu hari)

berdasarkan tingkat (jenjang) dan gender.
105
BAB VIII
UJI LANJUT
Capaian Pembelajaran : Memahami tentang uji lanjut Beda Nyata Terkecil

(BNT) dan Uji Jarak Ganda Duncan.
8.1 Uji Beda Nyata Terkecil (BNT)

Uji Beda Nyata Terkecil (BNT) merupakan prosedur yang paling
sederhana dan paling umum digunakan untuk pembandingan berpasangan.
Uji BNT merupakan prosedur pengujian perbedaan diantara rata-rata
perlakuan yang paling sederhana dan paling umum digunakan. Metode ini
diperkenalkan oleh Fisher (1935), sehingga dikenal pula dengan Metoda
Fisher’s LSD (Least Significance Difference). Untuk menggunakan uji BNT,
atribut yang kita perlukan adalah nilai kuadrat tengah galat (KTG), taraf
nyata, derajat bebas(db) galat, dan tabel t-student untuk menentukan nilai
kritis uji perbandingan.
Uji BNT menguji perlakuan secara berpasang – pasangan, misalkan
jika terdapat 6 perlakuan yang akan dibangdingkan berarti terdapat
pasangan pengujian dimana setiap pasangan memiliki peluang galat jenis I
sebesar α. Berarti semakin banyak jumlah perlakuan yang akan
dibandingkan akan mengakibatkan kesalahan yang harus ditanggung juga
semakin besar. Oleh karena itu, BNT akan sangat sensitive terhadap
perbedaan yang muncul dalam perlakuan karena kriteria pemisahan
perlakuan tidak terlalu ketat.
Hal – hal yang perlu diperhatikan untuk uji BNT:
1. Gunakan uji LSD apabila uji F dalam Analisis Ragam signifikan
2. Prosedur LSD akan mempertahankan taraf nyata ≤ 0.05 hanya jika
pembandingan semua kombinasi pasangan nilaitengah perlakuan ≤ 3
perlakuan
3. Gunakan uji LSD untuk pembandingan terencana tanpa
memperhatikan banyaknya perlakuan. Misalnya apabila kita ingin
106
membandingkan semua rata-rata perlakuan dengan kontrol, uji LSD
dapat digunakan meskipun lebih dari 3 perlakuan.
Hipotesis dari perbandingan dengan metode BNT
H0 :
H1 :
Rumus menentukan Nilai Kritis BNT:
a. Untuk perlakuan sama: nA = nB = n:
BNT (α) = ; x
b. Untuk perlakuan tidak sama : nA ≠ nB
BNT (α) = ; x
Catatan: ; → dicari pada tabel t
Jika masing – masing perlakuan memiliki ulangan yang sama maka

hanya diperlukan satu nilai BNT untuk semua pasangan perlakuan,
sedangkan jika ulangan setiap perlakuan berbeda maka setiap
pasangan perlakuan membutuhkan satu nilai BNT sebagai
pembanding.
Langkah – langkah melakukan uji BNT:
a. Cari nilai BNT.

b. Urutkan Rataan data dari yang terbesar ke yang terkecil.
c. Cari nilai selisih 2 rataan.
d. Tarik Kesimpulan.
Kriteria pengambilan keputusan uji BNT:

107
 jika beda dari dua perlakuan lebih besar dari BNT maka kedua
perlakuan tersebut berbeda nyata pada taraf α
 jika beda dari dua perlakuan lebih kecil atau sama dengan BNT maka
kedua perlakuan tersebut tidak berbeda nyata pada taraf α
Contoh:
Untuk Ulangan Sama
Berikut data mengenai produksi padi yang dihasilkan oleh 3 varietas padi
yaitu IR 32, IR 36 dan VUTW untuk tiap 2000 m2 sawah. Hasil produksi
satu musi tanam diperoleh data sebagai berikut:
IR 32 IR 36 VUTW
I 8 8 15
II 9 7 12
III 12 6 20
IV 11 8 17
V 10 9 19
Total 50 38 82 170
Rata-
rata 10 7.6 16.4
Diketahui:
JKT = 259.33
JKP = 206.94
JKG = JKT – JKP = 52.39
dbg = 3x4 = 12
KTP = 129.665
KTG = 4.366
108
Uji apakah ada perbedaan dalam hasil produksi antara ketiga jenis varietas
padi dan tunjukanlah yang mana dari ketiga jenis varietas padi tersebut yang
memiliki perbedaan cukup berarti satu sama lainnya serta mana pula yang
tidak! (α = 5%)
Penyelesaian:
Langkah 1: Hipotesis:
H0 : µ IR 32 = µ IR 36 = µ VUTW ; tidak ada perbedaan antara
produksi ketiga varietas padi
H1 : µ IR 32 = µ IR 36 = µ VUTW ; ada perbedaan antara produksi
ketiga varietas padi
Langkah 2: Jika selisih antara 2 rataan > BNT maka tolak H0.
x
BNT = ;
= 2.179 x
= 2.87
Langkah 3: Urutkan rataan dari terbesar ke terkecil:
VUTW IR32 IR36
16,4 10 7.6
1. Selisih antara VUTW dan IR32 = 16.4–10 = 6.4. 6.4 > BNT (2.87)
sehingga tolak H0 yang berarti ada perbedaan yang cukup berarti
terhadap hasil produksi padi VUTW dan IR32.
109
2. Selisih antara VUTW dan IR36 = 16.4–7.6 = 8.8. 8.8 > BNT (2.87)
sehingga tolak H0 yang berarti ada perbedaan yang cukup berarti
terhadap hasil produksi padi VUTW dan IR36.
3. Selisih antara IR32 dan IR36 = 10–7.6 = 2.4. 2.4 < BNT (2.87)
sehingga terima H0 yang berarti tidak ada perbedaan yang cukup
berarti terhadap hasil produksi padi IR32 dan IR36.
Langkah 4: Kesimpulan
1. Antara VUTW dan IR32 memiliki perbedaan yang cukup berarti
terhadap hasil produksi padinya.
2. Antara VUTW dan IR36 memiliki perbedaan yang cukup berarti
3. Antara IR32 dan IR36 tidak memiliki perbedaan yang cukup berarti
Untuk Ulangan Tidak Sama
Suatu percobaan dilakukan untuk melihat pengaruh fumigasi terhadap daya

kecambah kacang hijau. Data yang diperoleh sebagai berikut:
Perlakuan 0 16 32 48 64
(Dosis)
Yi 123 145 150 135 110
Rj 8 9 10 10 7
Rata - rata 15.37 16.11 15 13.5 15.71
Uji apakah ada perbedaan dalam daya kecambah antara pemberian 5 dosis
yang berbeda dan tunjukanlah yang mana dari pemberian 5 dosis tersebut
yang memiliki perbedaan cukup berarti satu sama lainnya serta mana pula
yang tidak! (α=5%)
Dengan Diketahui: KTG = 2,5
dbg = 39
110
Penyelesaian:
Langkah 1 : Hipotesis
H0 : µA = µB, tidak ada perbedaan yang cukup berarti antara kedua

perlakuan.
H1 : µA = µB, ada perbedaan yang cukup berarti antara kedua

perlakuan
Langkah 2 : Cari nilai BNT:
Karena ada 5 perlakuan yang ulangannya tidak sama maka ada 6 nilai
BNT
x
1. BNT(8;9) = ;
= 2.331 x 0.768
= 1.79
x
2. BNT(8;10) = ;
3. BNT(10;10) = ; x
111
=
= 2.331 x 0.707
= 1.648
x
4. BNT(9;10) = ;
= 2.3310.726
= 1,693
x
5. BNT(10;7) = ;
= 2.331 x 0.77
= 1.82
x
6. BNT(9;7) = ;
112
x
7. BNT(8;7) = ;
= 2,331 x 0.517
= 1,205
Langkah 3: Urutkan perlakuan Dari terbesar ke yang terkecil kemudian cari

selisihnya jiak selisih antara 2 perlakuan < BNT maka terima H0 dan jika
selisih antara 2 perlakuan > BNT maka tolak H0.
Perlakuan : 16 64 0 32 48
Ulangan :9 7 8 10 10
Rataan : 16.11 15.71 15.37 15 13.5
a) Selisih antara dosis 16 dan dosis 64 = 16.11 – 15.71 = 0.39,

0.39<BNT 9;7 (1.82) sehingga terima H0 yang berarti tidak ada
perbedaan yang cukup berarti daya kecambah dengan dosis 16 dan 64.
b) Selisih antara dosis 16 dan dosis 0 = 16.11 – 15.37 = 0.74 0.74<BNT
8;9 (1.79) sehingga terima H0 yang berarti tidak ada perbedaan yang
cukup berarti daya kecambah dengan dosis 16 dan 0.
c) Selisih antara dosis 16 dan dosis 32 = 16.11 – 15= 1.11 1.11<BNT
9;10 (1.693) sehingga terima H0 yang berarti tidak ada perbedaan
yang cukup berarti daya kecambah dengan dosis 16 dan 32.
d) Selisih antara dosis 16 dan dosis 48 = 16.11 – 13.5 =2.61 2.61>BNT
9;10 (1.693) sehingga tolak H0 yang berartiada perbedaan yang cukup
berarti daya kecambah dengan dosis 16 dan 48.
113
e) Selisih antara dosis 64 dan dosis 0 = 15.71 – 15.37 = 0.34
0.34<BNT8;7 (1.205) sehingga terima H0 yang berarti tidak ada
f) Selisih antara dosis 64 dan dosis 32 = 15.71 – 15 = 0.71
0.71<BNT10;7 (1.82) sehingga terima H0 yang berarti tidak ada
g) Selisih antara dosis 64 dan dosis 48 = 15.71 – 13.5 = 2.21 2.21
>BNT10;7 (1.82) sehingga tolak H0 yang berarti ada perbedaan yang
h) Selisih antara dosis 0 dan dosis 32 = 15.37 – 15 = 0.37 0.37<BNT
8;10 (1.75) sehingga terima H0 yang berarti tidak ada perbedaan yang
i) Selisih antara dosis 0 dan dosis 48 = 15.37 – 13.5 = 1.87 1.87>BNT
8;10 (1.75) sehingga tolak H0 yang berarti ada perbedaan yang cukup
berarti daya kecambah dengan dosis 0 dan 48.
j) Selisih antara dosis 32 dan dosis 48 = 15 – 13.5 = 1.5 1.5<BNT10;10
(1.648) sehingga terima H0 yang berarti tidak ada perbedaan yang
Langkah 4 : Kesimpulan
Perlakuan yang hasil daya kecambahnya berbeda yaitu:
Dosis 16 dengan dosis 48
8.2 Uji Perbandingan Berganda Duncan (DMRT)

Uji Perbandingan berganda Duncan pada dasarnya hampir sama
dengan metode BNT yaitu melibatkan perhitungan batas angka yang
diperkenankan dalam klasifikasi perbedaan dua rataan perlakuan sebagai
berbeda nyata atau tidak berbeda. Akan tetapi tidak seperti uji BNT yang
hanya memerlukan satu nilai untuk pembadingan berpasangan yang mana
114
pun pada satu taraf nyata yang ditentukan, perhitungan DMRT memerlukan
sederetan nilai, yang masing-masing berkaitan dengan satu gugus
pembanding berpasangan tertentu.
Rumus Nilai ktitis DMRT
Untuk perlakuan sama:
Jika perlakuan tidak sama maka nilai r bisa didekati dengan rataan
harmonik dari semua ulangan perlakuan
Langkah – langkah Uji Duncan (DMRT)

1. Urutkan rataan perlakuan dari terkecil ke terbesar atau sebaliknya
2. Nilai awal i=1 dan j=1
3. Hitung beda antara rataan perlakuan terkecil ke –i dengan terbesar ke-
j, kemudian bandingkan dengan nilai Rp, jika beda rataan perlakuan
lebih kecil lanjutkan ke langkah 5 dan jika tidak lanjutkan ke langkah
4
4. Berikan j=j+1, jika j<p kembali ke langkah 3
5. Garis mulai rataan perlakuan ke-i sampai ke perlakuan ke-j
6. Berikan i=i+1, jika i<p kembali ke langkah 3
7. Stop
Contoh:
115
Berikut terdapat hasil produksi dari 5 jenis Varietas Padi yang ditanam pada
masing masing sawah seluas 2 Ha
A B C D E Total
10 18 6 4 14
8 14 10 6 12
16 16 4 8 18
12 12 6 2 8
6 18 14 8 14
Total 52 78 40 28 66
Rata-
10.4 15.6 8 5.6 13.2
rata
KTG = 11,524
dbg = 20
Tunjukan varietas padi yang mana saja memiliki perbedaan yang

cukup berarti dan mana pula yang tidak! (α = 5 % )
Penyelesaian :
1. Cari DMRT
Selanjutnya Nilai Rp dapat kita hitung:
116
2. Urutkan rata – rata data dari yang terbesar ke yang terkecil:
B E A C D
Rata-rata 15.6 13.2 10.4 8 5.6
3. Bandingkan nilai rata – rata yang satu terhadap yang lainnya, setelah
diperoleh selisihnya maka bandingkan dengan nilai Rp pada saat
sesuai dengan p nya. Hasil yang diperoleh adalah:
a. B – E = 15.6 – 13.2 = 2.4
Pada saat p = 2, Rp = 4.47, berarti 2.4 < 4.47. Hal ini menunjukan
bahwa jenis padi B dan E tidak memiliki perbedaan yang cukup
berarti dalam rata – rata produksinya.
b. B – A = 15.6 – 10.4 = 5.2
Pada saat p = 3, Rp = 4.70, berarti 5.2 >4.70. Hal ini menunjukan
bahwa jenis padi B dan A memiliki perbedaan yang cukup berarti
dalam rata – rata produksinya.
c. B – C = 15.6 – 8 = 7.6
Pada saat p = 4, Rp = 4.84, berarti 7.6 > 4.84. Hal ini menunjukan
bahwa jenis padi B dan C memiliki perbedaan yang cukup berarti
dalam rata – rata produksinya
d. B – D = 15.6 – 5.6 = 10
Pada saat p = 5, Rp = 4.89, berarti 10<4.89. Hal ini menunjukan
bahwa jenis padi B dan D memiliki perbedaan yang cukup berarti
e. E – A = 13.2 – 8 = 5.2.
bahwa jenis padi E dan A memiliki perbedaan yang cukup berarti
dalam rata – rata produksinya.
f. E – C = 13.2 – 8 = 7.4
117
bahwa jenis padi E dan C memiliki perbedaan yang cukup berarti
g. E – D = 13.2 – 5.6 = 7.6
Pada saat p = 2, Rp = 4.47, berarti 7.6 >4.47. Hal ini menunjukan
bahwa jenis padi E dan D memiliki perbedaan yang cukup berarti
h. A – C = 13.2 – 10.4 = 2.8
Pada saat p = 2, Rp = 4.47, berarti 2.8 < 4.47. Hal ini menunjukan
bahwa jenis padi A dan C tidak memiliki perbedaan yang cukup
berarti dalam rata – rata produksinya
i. A – D = 13.2 – 5.6 = 7.6
bahwa jenis padi A dan D memiliki perbedaan yang cukup berarti
j. C – D = 8 – 5.6 = 2.4
Pada saat p = 2, Rp = 4.47, berarti 2.4< 4.47. Hal ini menunjukan
bahwa jenis padi C dan D tidak memiliki perbedaan yang cukup
berarti dalam rata – rata produksinya
NB: p= 2 3 4 5
Dihitung berdasarkan jumlah kolom pengamatan.
Angka p = 2 merupakan angka perbandingan paling rendah yang mungkin

dapat terjadi dalam membedakan ada tidaknya perbedaan yang signifikan
antara variabel-variabel tersebut.
LATIHAN
Seorang peneliti yang ingin mengetahui apakah ada pengaruh yang

signifikan dari beberapa jenis pupuk (pupuk A, B, C, D, E, F dan G)
118
terhadap produktivitas tanaman padi di sebuah wilayah. Untuk itu dilakukan
percobaan dengan design RAL (Rancangan Acak Lengkap). Hasil
pengukurannya adalah sebagai berikut:
Setelah dilakukan uji ANOVA (sidik ragam) pada taraf kepercayaan 5%,
hasilnya menunjukkan bahwa perlakuan memberikan pengaruh signifikan
terhadap produktivitas tanaman padi.
Karena uji ANOVA menunjukkan adanya perbedaan yang nyata secara

statistik, maka lakukan lah uji lanjut BNT untuk mengetahui ada tidaknya
perbedaan antar tiap individu perlakuan!
119
BAB IX
UJI NONPARAMETRIK
Capain Pembelajaran : Memahami tentang uji nonparametrik dan jenis-

jenis uji nonparametrik
9.1 Pengertian Uji Nonparametrik

Uji nonparametrik merupakan uji statistik yang tidak memerlukan
adanya asumsi-asumsi mengenai sebaran data populasi. Uji statistik ini
disebut juga sebagai statistik bebas sebaran (distribution free). Uji
nonparametrik ini tidak mensyaratkan bentuk sebaran parameter populasi
harus berdistribusi normal. Statistik nonparametrik dapat digunakan untuk
menganalisis data yang berskala nominal atau ordinal karena pada umumnya
data berjenis nominal dan ordinal tidak menyebar normal. Dari segi jumlah
data, pada umumnya statistik nonparametrik digunakan untuk data berjumlah
kecil (n <30).
Terdapat beberapa keunggulan statistik nonparametrik yaitu sebagai

berikut:
a. Asumsi dalam uji-uji statistik nonparametrik relatif lebih longgar.

Jika pengujian data menunjukkan bahwa salah satu atau beberapa
asumsi yang mendasari uji statistik parametrik (misalnya mengenai
sifat distribusi data) tidak terpenuhi, maka statistik nonparametrik
lebih sesuai diterapkan dibandingkan statistic parametrik.
b. Perhitungan-perhitungannya dapat dilaksanakan dengan cepat dan
mudah, sehingga hasil penelitian cepat diselesaikan.
c. Untuk memahami konsep-konsep dan metode-metodenya tidak
memerlukan dasar matematika serta statistika yang mendalam.
d. Uji-uji pada statistik nonparametrik dapat diterapkan jika kita
menghadapi keterbatasan data yang tersedia, misalnya jika data telah
diukur menggunakan skala pengukuran yang lemah (nominal atau
ordinal).
120
e. Efisiensi statistik nonparametrik lebih tinggi dibandingkan dengan
metode parametrik untuk jumlah sampel yang sedikit.
Disamping keunggulan, statistik non parametrik juga memiliki

kekurangan. Beberapa kekurangan statistik non parametrik antara lain:
a. Uji nonparametrik menjadi tak berguna apabila uji parametrik untuk

data yang sama tersedia,
b. Uji nonparametrik pada umumnya tidak tersedia secara luas
dibandingkan dengan uji parametrik.
c. Untuk sampel besar, perhitungan untuk statistika nonparametrik
menjadi rumit.
9.2 Jenis-Jenis Uji Nonparametik

a) Uji Untuk Satu Sampel
1. Uji Kolmogorov Smirnov
Uji untuk satu sampel terbagi menjadi beberapa cara, salah satunya
yaitu dengan uji Kolmogorov-Smirnov. Uji Kolmogorov Smirnov bisa
dipakai untuk menguji keselarasan data yang berskala minimal ordinal.
2. Uji Chi-Square
Uji Chi-Square termasuk salah satu alat uji dalam statistik yang sering
digunakan dalam beberapa praktek. Dalam uji chi-square untuk satu sampel
digunakan untuk menguji apakah data sebuah sampel yang diambil
menunjang hipotesis yang menyatakan bahwa populasi asal sampel tersebut
mengikuti suatu distribusi yang diterapkan.
b) Uji Data Dua Sampel Berhubungan (Dependent)

1. Uji Peringkat Bertanda Wilcoxon
2. Uji Tanda (Sign)
3. Uji Mc.Nemar
c) Uji Data Dua Sampel Tidak Berhubungan (Independent)
121
Berikut ini beberapa Uji Non Parametrik untuk 2 sampel (independen)
yang akan dibahas disini:
1. Uji Chi Square
2. Uji Median
3. Uji Kormogorov smirnov
4. Uji Mann whitney
5. Walt- wolfwritz runs
6. Moses extreme reaction
1. Uji Chi Square
Uji χ2 hanya digunakan untuk data diskrit. Uji ini adalah uji
independensi, dimana suatu variable tidak dipengaruhi atau tidak ada
hubungan dengan variable lain.χ2 bukan merupakan ukuran derajat
hubungan. Uji ini hanya digunakan untuk mengestimate barangkali bahwa
beberapa factor, disamping sampling error, dipandang mempengaruhi
adanya hubungan. Selama hipotesa nihil menyatakan bahwa tidak ada
hubungan (variable-variabelnya independen), uji ini hanya mengevaluasi
kemungkinan bahwa hubungan dari nilai pengamatan disebabkan oleh
sampling error. Hipotesa nihil ditolak bila nilai χ2 yang dihitung dari sampel
lebih besar dari nilai χ2 dalam tebel berdasarkan level of significance
tertentu.
Ho diterima apabila: χ2 ≤ χ2 ; derajat bebas tertentu
Ho ditolak apabila: χ2>χ2 ; derajat bebas tertentu
Ditemukan nilai χ2 yang signifikan belum tentu menunjukkan

adanya hubungan sebab akibat (seperti halnya pada korelasi). Diketemukan
nilai χ2 yang signifikan menunjukkan bahwa variabel-variabelnya dependen.
Frekuensi yang diharapkan/frekuensi teoritis untuk setiap sel

dihitung dengan rumus:
122
f ∑ fkolom∑ fbaris
e=¿ ¿
jumlahtotal
Nilai x 2 dihitung dengan rumus sebagai berikut:
x 2=∑¿ ¿
2. Uji Median (Median Tes)

Uji median adalah metode nonparametrik yang paling sederhana. Uji
median ini adalah merupakan prosedur pengujian apakah dua atau lebih
populasi dari mana sampel independen diambil mempunyai median yang
sama.Untuk menyederhanakannya hanya akan dibatasi pada dua sampel saja
(sebenarnya prosedur ini dapat dengan mudah diperluas untuk tiga sampel
atau lebih). Uji nonparametrik ini dipergunakan untuk menentukan
signifikansi perbedaan antara median dari duapopulasi yang independen.
Hipotesa nihil yang akan diuji menyatakan bahwa populasi dari mana dua
sampel itu diambil mempunyai median yang sama. Hipotesa alternatifnya
menyatakan bahwa dua populasi itu mempunyai median yang berbeda. Uji
median tidak memerlukan anggapan-anggapan tertentu tentang dua populasi
darimana sampel diambil. Untuk keperluan uji median ini perlu
ditentukan/dihitung lebih dahulu median dari kombinasi distribusi
sampelnya (overall median). Kemudian untuk setiap grup dihitung frekuensi
nilai yang terletak pada/diatas overall median dan yang terletak dibawah
overall median. Bila n1 dan n2a dalah jumlah pengamatan dalam dua
sampel, maka dipergunakan tabel 2 x 2 sebagai berikut:
Jumlah Score Grup I Grup II Total

Diatas Overall Median A B A+B
Dibawah Overall Median C D C+D
Total A + C = N1 B + D = N2 N1 + N2
Apabila hipotesa nihil benar, berarti bahwa dua populasi dari mana
sampel diambil mempunyai median yang sama, dapat diharapkan bahwa
123
setengah dari score masing-masing sampel akan terletak diatas dan
setengahnya akan jatuh dibawah median. Dengan perkataan lain dapat
diterapkan bahwa a = c = 0,5 n1 dan b = d = 0,5 n2. Kemudian bila n = n1+
n2 lebih besar frekuensi yang diharapkan dalam salah satu sel sekurang-
kurangnya 5, dapatlah dipergunakan uji dengan uji statistik yang dinyatakan
dengan rumus sebagai berikut:
X 2 =n ¿ ¿
Kriteria keputusan pengujinya adalah :
H 0 diterima apabila x2 ≤ x 2 α ; d.b. 1
H 0 ditolak apabila x 2> x 2 α ; d.b. 1
Ujian median adalah mudah dan sederhana penggunaannya. Karena

kesederhanaannya, prosedurnya hanya dipergunakan apabila uji parametrik
tidak dapat diterapkan. Uji median dikenal sebagai “ low powered test”
terutama dibandingkan dengan ujia parametrik. Agar memiliki keampuhan
yang sama bila dibandingkan dengan uji parametrik maka ukuran sampel
harus diperbesar.
3. Tes Dua Sampel Kolmogorov Smirnov (Kolmogorov Smirnov Two

Sample Test)
Tes dua sampel Kolmogorov Smirnov adalah tes yang digunakan
untuk mengetahui apakah dua sampel bebas (independent) berasal dari
populasi yang sama. Artinya tes ini diterapkan dalam kaitan pembuktian
apakah sampel yang diambil berasal dari satu populasi yang sama atau
populasi yang berbeda. Sebagaimana yang berlaku pada kasus satu sampel
tes Kolmogorov Smirnov dua sampel secara prinsip memperhatikan
kesesuaian antara dua distribusi kumulatif. Jika kasus satu sampel
memperhatikan kesesuaian antara distribusi kumulatif harga sampel dengan
distribusi teoritis, maka pada kasus dua sampel tes ini memperhatikan
kesesuaian antara dua himpunan harga sampel.
124
Apabila dua sampel ditarik dari populasi yang sama maka distribusi
kumulatif kedua sampel berada pada kondisi berdekatan. Sebaliknya jika
distribusi frekuensi kumulatif kedua sampel posisinya berjauhan (pada titik
dimanapun berada) maka sampel-sampel dapat dinyatakan berasal dari
populasi yang berbeda. Dengan demikian fakta yang menjadi dasar untuk
membuat kesimpulan apakah dua sampel berasal dari populasi yang sama
atau tidak adalah memperhatikan deviasi yang cukup besar antara distribusi
kumulatif kedua sampel.
Asumsi :
 Tes ini diterapkan jika berhadapan dengan dua sampel bebas

 Masing-masing sampel mempunyai data paling rendah berskala
ordinal
 Menggunakan pendekatan distribusi frekuensi kumulatif dan data
untuk masing- masing sampel observasi disusun dalam bentuk
interval-interval kelas.
Catatan : interval kelas untuk sampel 1 dan sampel 2 dibuat sama dengan
catatan tidak boleh terlalu sedikit. Apabila dengan jumlah interval yang
terlalu sedikit kemungkinan Ho diterima, maka diijinkan untuk membuat
klasifikasi atau interval kelas yang baru dengan jumlah interval lebih banyak
sebelum memutukan Ho.
Prosedur Analisis :
1. Buatlah interval kelas yang sama untuk kedua distribusi, selanjutnya

hitunglah frekuensi untuk tiap interval kelas pada tiap kelompok
sampel.
2. Tentukan selisih antara kedua distribusi kumulatif sesuai dengan titik-
titik interval kelas yang ada.
3. Tentukan selisih terbesar atau deviasi terbesar, selanjutnya identifikasi
selisih terbesar itu sebagai D.
125
Tes Statistik dan metode untuk menetapkan signifikansi harga D
Untuk menetapkan signifikansi harga D tergantung pada ukuran sampel dan

sifat/ arah hipotesisnya.
 Pengujian hipotesis 2 arah (two tailed test).

Apabila N < 40 di mana n1 = n2 = N
Untuk menentukan hasil analisis menggunakan rumus D = maks. I
Sn1 (x) – Sn2 (X) I
D yang dimaksud adalah pembilang terbesar dari selisih tersebut dan
selanjutnya disebut KD.
Untuk tes ini sebagai titik kritis digunakan tabel L dalam berbagai
tingkat signifikansi baik untuk tes satu sisi maupun tes dua sisi.
Apabila masing-masing n > 40

Dalam kasus ini n1 tidak harus sama dengan n2. Tes statistiknya sama
dengan tes diatas tetapi hasilnya akan menunjuk pada bilangan
desimal. Harga D dalam kasus ini bukan merupakan pembilang tetapi
benar-benar merupakan selisih antara 2 sampel dan ditunjukkan
dengan bilangan desimal. Titik kritis untuk kasus ini terletak pada
tabel M dengan catatan titik kritis hanya memberikan petunjuk dan
disesuaikan dengan besar n dan taraf signifikansi.
Misalnya untuk alpha 0,05 maka harga D tabel (titik kritis) adalah :
n1+n 2

1,36
√ n1n2
Pengujian hipotesis 1 sisi (one tailed test)
Apabila N < 40, n1= n2 = N < 40
Pada kasus ini tes statistiknya adalah D = maks { Sn1 (X) – Sn2
(X)} D dalam hal ini adalah pembilang terbesar dari selisih antara 2
kelompok sampel. Titik kritis terletak pada tabel L.
Apabila masing-masing n > 40
126
Tes statistik untuk menentukan D analisis sama dengan diatas dan D
adalah selisih terbesar (bukan pembilang). Untuk tes satu sisi di mana
masing-masing n > 40 maka dilakukan pendekatan pada distribusi Chi
Square dengan tes sebagai berikut.
n1 n 2
x 2=4 D 2
n 1+ n 2
Untuk kasus ini titik kritis terletak pada tabel C dengan db = 2
Keputusan : Hipotesis nol ditolak jika D hasil analisis > D tabel atau titik
kritis.
4. Uji Mann- whitney

Uji Mann-Whitney, atau U test merupakan bagian dari statistik
nonparametrik yang digunakan pada analisis komparatif untuk menguji
hipotesis komparatif dua sampel yang saling independen yang tidak
mengasumsikan distribusi normal. Adapun cara menentukan nilai uji statistik
Mann-Whitney (nilai U) adalah sebagai berikut (Siegel, 1997:145 dan
Wijaya, 2010:51-52):
1. Menentukan formula hipotesis
H0 : tidak terdapat perbedaan data satu dengan yang lainnya.
H1 : terdapat perbedaan data satu dengan yang lainnya.
2. Menentukan taraf nyata (α) dan U tabel.
Taraf nyata yang biasa digunakan biasanya 5% atau 1%. Nilai U
dilihat dari tabel harga-harga kritis dalam uji Mann Whitney.
3. Menentukan kriteria uji.
Tolak H0 jika U hitung < U tabel. Terima dalam hal lainnya.
4. Menentukan nilai uji statistik (uji U)
Penentuan nilai uji statistik melalui tahap-tahap sebagai berikut:
 Nilai pengamatan (skor) kedua sampel yang berukuran n1 dan
n2 digabungkan, kemudian diranking (nilai pengamatan yang
sama, rankingnya adalah rata-ratanya).
 Tentukan R1 dan R2, yaitu jumlah ranking gabungan n1 dan n2.
127
 Tentukan nilai U:
n1 (n 1+1)
u1=n1 n 2+ −R1
2 ❑
n2 (n2+ 1)
u2=n1 n 2+ −R2
2 ❑
Dimana:
U1 = jumlah peringkat 1
U2 = jumlah peringkat 2
n1 = jumlah sampel 1
n2 = jumlah sampel 2
R1 = jumlah ranking padasampel n1
R2 = jumlah ranking pada sampel n2
Nilai U yang diambil adalah nilai U terkecil dan untuk
memeriksa ketelitian perhitungan digunakan rumus:
uterkecil =n1 n2−uterbesar
5. Bandingkan statistik U dengan nilai U pada Tabel U Mann-Whitney

pada taraf nyata 0,05. Kriteria uji: Tolak H0 jika p (U) ≤ α untuk Uji
satu pihak, atau p (U) ≤ α/2 untuk Uji dua pihak.Untuk n > 20,
digunakan pendekatan ke normal z dimana:
1
u− n1 n2
2
z=
n1 n2 ( n1 +n2 +1 )
√ 12
Kriteria: Tolak H0 jika p (Z ≤ z) ≤ 0,05
5. Uji Run Wolfowitz

Uji Run Wolfowitz berfungsi untuk :
128
a. Untuk menguji sekumpulan besar hipotesis-hipotesis pengganti
b. Pengujiannya tidak pada jenis perbedaan tertentu tetapi pada
sembarang perbedaan
c. Untuk menguji signifikansi hipotesis komparatif dua sampel
independen bila datanya disusun dalam bentuk ordinal dan disusun
dalam bentuk run
Terdapat dasar pemikiran dan metode Uji Run Wolfowitz sebagai

berikut
 Test Run wald-Wolfowitz menganggap bahwa variabel yang

dipelajari memiliki ditribusi kontinu, sehingga skala yang dibutuhkan
setidaknya dalam bentuk ordinal.
 Misalkan banyak sampel dari populasi pertama adalah m dan banyak
sampel dari populasi kedua adalah n. kita akan menyusun masing –
masing nilai dari m (dimisalkan dengan a) dan nilai dari n (dimisalkan
dengan b) dalam suatu susunan (dimulai dari nilai a atau b yang
terkecil) degan tetap mempertahankan informasi mengenai dari
populasi manakah nilai tersebut berasal.
 Setelah susunan didapatkan langkah selanjutnya adalah menghitung
banyaknya run.
 Misalkan terdapat suatu susunan nilai (a dan b) dari dua sampel
independent n dan m sbb: a a a b b b b b a b a b a b a a a b, maka
banyaknya run dapat dihitung dengan cara mengelompokkan nilai –
nilai sejenis kedalam satu run, dalam hal ini terdapat 10 run
(kelompok dari nilai a a a = run I, b b b b b = run II, a = run III, dst
sampai b = run X) .
 Jika hipotesis nol gagal ditolak, maka dapat disimpulkan bahwa nilai
dari m+n berasal dari pupulasi yang identik. Oleh sebab itu, a dan b
akan tercampur secara merata dan nilai total dari run juga akan
menjadi besar. Sebaliknya, jika ho berhasil ditolak, maka nilai total
dari run akan menjadi kecil yang mengindikasikan bahwa sampel
berasal dari populasi yang berbeda.
129
Langkah –langkah uji Run wald-Wolfowitz
Sampel Kecil (n dan m ≤ 20)

1. Tentukan nilai total run dengan cara yang telah disebutkan
sebelumnya
2. Gunakan Tabel FI yang terdapat pada lampiran di buku Siegell (hanya
compatible untuk tingkat signifikansi 5 %).
3. Cari nilai run dengan menggunakan tabel tsb yang sesuai dengan
harga n dan m yang kita obsevasi.
4. Bandingkan nilai run observasi dengan nilai run tabel.
5. Tolak Ho jika nilai run tabel lebih besar dari nilai run observasi.
Sampel Besar (n dan m >20 ):

1. Tabel FI tidak dapat digunakan
2. Gunakan pendekatan normal
3. Rumus untuk Mean dan Standar Deviasi:
4. Karena sampel berasal dari populasi yang tidak kontinu, maka

dibutuhkan koreksi kontinuitas, sehingga:
5. Bandingkan nilai z observasi dengan nilai z tabel yang sesuai dengan

tingkat signifikansinya
6. Tolak Ho jika nilai z observasi lebih besar dari z tabel atau nilai p-
value lebih kecil dari nilai α.
130
6. Moses Extreme Reaction
Uji Moses untuk reaksi ekstrem digunakakan untuk menguji
hipotesis-hipotesis pada suatu kondisi eksperimen yang diharapkan dapat
menyebabkan perilaku ekstrem yang berlawanan arah. Kondisi eksperimen
tertentu dapat menyebabkan beberapa orang menunjukkan perilaku ekstrem
ke satu arah tertentu sedangkan beberapa orang lainnya menunjujak perilaku
ekstrem ke arah yang berlawanan. Misalnya depresi ekonomi atau
ketidakstabilan politik akan menyebabkan beberapa orang menjadi
reaksioner secara ekstrem sedangkan lainnya secara ektstrem pada posisi
“sayap kiri” dalam opini politik mereka.
Prosedur Uji Moses untuk reaksi esktrem:
1. Gunakan skor-skor kelompok E dan C, dan aturlah skor-skor tersebut
dalam suatu rangkaian yang berurutan dengan mempertahankan
identitas kelompok masing-masing.
2. Tentukan luasan skor-skor C dengan mencatat skor C tertinggi dan
terendah,
3. Tentukan s’, yaitu angka terkecil dari skor-skor berurutan dalam suatu
rangkaian, yang diperlukan agar semua skor C tercakup à s’ = selisih
antara rangking-rangking ekstrem C plus 1
4. Tentukan nilai h, yaitu sembarang bilangan kecil tertentu, untuk
mengurangkan h skor kontrol pada kedua ujung rentang skor kontrol.
5. Tentukan nilai Sh , yaitu selisih antara rangking-rangking ekstrem

yang telah terpotong sebesar h + 1.
6. Tentukan luasan terpotong minimum yang mungkin, yaitu: n c – 2h
7. Tentukan besar bilangan Sh yang melampaui harga n c – 2h
d) Uji Data Tiga Atau Lebih Sampel Berhubungan (Dependent)

Uji Data Tiga Atau Lebih Sampel Berhubungan (Dependent) terdiri
dari :
131
1. Uji Friedman
2. Uji keselarasan (konkordansi) Kendall
Uji kendall ini digunakan untuk mengetahui sejauh mana dua
himpunan peringkat-peringkat dan n individu selaras ataukah tidak.
Dalam praktek, misal ingin diketahui derajat keselarasan antara
beberapa, misal m peringkat dari n benda atau individu.
3. Uji Cochran
Uji Cochran adalah salah satu model pengolahan data untuk menguji
tiga sampel atau lebih dengan catatan reaksi (hasil) terhadap suatu
perlakuan hanya dinyatakan dalam dua nilai, yaitu 0 dan 1. Karena itu,
uji ini dilakukan pada penelitian untuk uji sampel yang mempunyai
data berskala nominal (kategori)
e. Uji Data Tiga Sampel Atau Lebih Tidak Berhubungan

(Independent)
Uji Data Tiga Sampel Atau Lebih Tidak Berhubungan (Independent)
terdiri dari:
1. Uji Kruskal Wallis
2. Uji Median
Uji median juga sering digunakan sebagai pelengkap pada uji kruskal
wallis. Didalam uji median yang diuji adalah apakah beberapa
populasi mempunyai median (titik tengah) yang sama.
DAFTAR PUSTAKA
Ananda, R., & Fadhli, M 2018, Statistik Pendidikan: Teori Dan Praktik
Dalam Pendidikan, CV. Widya Puspita, Medan.
Sugiyono, 2017, Statistika untuk Penelitian, Penerbit Alfabeta, Bandung.
132
Gomez, K. A., & Gomez, A. A 1995, Prosedur Statistik untuk Penelitian
Pertanian, Edk 2. UI Prees, Jakarta.
Ismail, H. F, 2018, Statistika untuk penelitian pendidikan dan ilmu-ilmu
sosial, Prenada Media Grup, Jakarta.
Anwar, A, 2009. Statistika untuk Penelitian Pendidikan dan Aplikasinya
dengan SPSS dan Excel. IAIT Press, Kediri.
133
134

Buku Biostatistika

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

Buku Biostatistika

Diunggah oleh

Hak Cipta:

Format Tersedia

BIOSTATISTIKA

Dewi Jumiarni, M.Si Rendi Zulni Eka Putri, M.Pd

Dewi Jumiarni, M.Si

Hak Cipta 2020, Pada Penulis

Hak cipta dilindungi undang-undang

UPP FKIP UNIB

Biostatistika merupakan mata kuliah wajib di Program Studi

Buku ini akan terus diperbaiki mengikuti kebutuhan perkembangan

Bengkulu, Juni 2020

Capaian Pembelajaran : Mahasiswa mampu memahami fungsi statistik

1.1 Pengertian Statistik

Statistika dan statistik memiliki arti yang berbeda, statistika diartikan

1.2 Macam-Macam Statistik

Berdasarkan fungsinya statistika terbagi menjadi dua macam yaitu

1.3 Fungsi Statistik

1. Fungsi deskriptif yaitu statistik berfungsi untuk memaparkan

Fungsi statistik dalam penelitian adalah membantu peneliti untuk:

1. Menentukan sampel yang akan digunakan dalam penelitian, sehingga

1.3 Definisi Data

1.4 Klasifikasi Data

Menurut proses pengolahannya data dibagi menjadi :

2. Data yang dikelompokkan

Nilai Biostatistik 28 mahasiswa Pendidikan Biologi

Berdasarkan sumbernya data terbagi menjadi:

1.5 Populasi dan Sampel

Sedangkan sampel merupakan sebagian dari seluruh individu yang

1. Parameter adalah karakteristik yang merupakan ukuran deskriptif dari

Sumber : Bagian Administrasi

a. Data di atas termasuk data apa?

1.8. Metode Pengumpulan Data

Metode pengumpulan data merupakan teknik atau cara yang dilakukan

Terdapat berbagai metode yang dapat digunakan untuk

1.9. Metode Sampling

Sampling merupakan cara atau teknik pengambilan sampel yang

Sampling harus dilakukan dengan benar dan tepat serta mengikuti

Gambar 1. Aktivitas hidrolisis FDA mikroorganisme sedimen Waduk

Gambarkan diagram lingkarannya.

Selanjutnya nilai presentase tersebut diubah kedalam satuan derajat untuk

Data Jumlah Siswa di Kota Bengkulu pada Tahun 2018

Gambar 2. Data Jumlah Siswa di Kota Bengkulu pada Tahun 2018

Gambar 3. Kurva standar aktivitas selulase

a. Nomor tabel, jika tabel lebih dari satu

Judul baris Judul kolum Judul kolum

Penyajian data berupa tabel menurut bidangnya terbagi menjadi:

Menurut klasifikasinya tabel terbagi menjadi :

1. Diketahui: Keuntungan dari 300 perusahaaan di Jawa Tengah Tahun

60,0 – 79,9 120

Buatlah diagram lingkaran berdasarkan tabel diatas !

Capaian Pembelajaran : Memahami teknik menghitung dan dapat

Pemusatan data merupakan teknik statistik yang digunakan untuk

1.1. Rata-rata Hitung/Mean

1. Mean untuk data yang tidak dikelompokkan

Hitung rata-rata gaji pegawai per minggu.

2. Mean untuk data yang dikelompokan

Diperoleh data mengenai nilai statistik dari 25 mahasiswa adalah sebagai

Hitung rata-rata dengan cara panjang dan pendek

Nilai fi Xi fiXi Ui fiUi

Rata-rata cara pendek adalah:

Maka rata-rata nilai statistik dari 25 siswa adalah 76,5

a) Median untuk data yang tidak dikelompokkan

2000 2650 2500 3000 1750 1575 2750 1725 2700

b) Median untuk data yang dikelompokkan

Diperoleh data mengenai nilai biostatistik dari 50 mahasiswa Pendidikan

Kelas interval fi Frekuensi kumulatif (F)