2020
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
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
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.
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).
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.
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.
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
Nilai Jumlah
50 – 59 2
60 – 69 5
70 – 79 10
80 – 89 6
90 – 99 5
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).
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:
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
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. 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
Kelas 2 = 10% * 120 = 20 mahasiswa
Kelas 3 = 10% * 160 = 16 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
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
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
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
20% SD
33%
SMP
SMA
25% SMK
22%
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)
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 :
20
Jika digambarkan dalam tabel atau daftar adalah sebagai berikut:
Kepala tabel
Catatan
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
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
20,0 – 39,9 20
40,0 – 59,9 40
80,0 – 99,9 80
100,0 – 119,9 40
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
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
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:
Nilai fi
50 - 59 2
60 - 69 3
70 - 79 10
80 - 89 8
90 - 99 2
26
Dari tabel di atas, Rata-rata cara panjang adalah:
1912, 5
X= =76 ,5
25
5
X =74 , 5+10 =76 ,5
25
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 B C D E F G H I
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,-
Contoh:
50 – 59 4 4
60 - 69 6 10
70 - 79 20 30
80 - 89 16 46
90 – 99 4 50
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
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
69 ,5+10
(20−15
(20−15)+(20−17 ) )
=69 , 5+6 , 25=75 ,75
30
Langkah-langkah sebagai berikut:
1. Urutkan data (ascending)
i(n+1)
K i=
2. Menentukan letak 4
i(n+1)
D i=
3. Menentukan letak 10
i(n+1)
P i=
4. Menentukan letak 100
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
Artinya: 60% pekerja mempunyai upah/hari maksimal Rp 40.600,-
sedangkan 40% pekerja mempunyai upah/hari minimal Rp 40.600,-
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
Artinya: 85% pekerja mempunyai upah/hari maksimal Rp 45.850,-
sedangkan 15% pekerja mempunyai upah/hari minimal Rp 45.850,-
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,-
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
Contoh:
Upah/minggu 200 pekerja di Perusahaan X (dalam ribuan rupiah)
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
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
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
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
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,-
Contoh:
Upah fi fikum
140 – 159 12 12
160 - 179 18 30
180 - 199 40 70
200 - 219 23 93
220 – 239 7 100
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
b. Untuk data yang dikelompokkan
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
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.
a. Untuk data yang tidak dikelompokkan
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,-
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,-
∑ ( 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
∑ 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
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
LATIHAN
20,0 – 39,9 10
40,0 – 59,9 30
60,0 – 79,9 90
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)
Hitunglah :
a. Range
b. Simpangan kuartil
c. Simpangan rata-rata
d. Simpangan baku dan varian
49
BAB IV
DISTRIBUSI NORMAL
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.
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 +∞
δ1 < δ2 < δ3
µ1 = µ2 = µ3
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
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
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)
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
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
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
Y = abx
61
Gambar 3. Contoh Kurva Non Linear Regresi Berganda
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.
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 :
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:
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
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.
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)
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
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.
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
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
Rumus
Ry2.12 1 JKG
( n 1) s 2y
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 :
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
Ho diterima jika r hitung ≤ r tabel atau Ho ditolak jika r hitung > r tabel
Ho diterima jika t hitung ≤ t tabel atau Ho ditolak jika t hitung > t tabel
r √ n−2
t=
√ √1−r 2
77
Setelah dilakukan perhitungan analisis korelasi, maka nilai korelasi dapat
diinterpretasikan berdasarkan tabel di bawah ini :
Contoh :
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
82
BAB VI
Contoh :
Menilai apakah terdapat perbedaan hasil belajar biologi yang diajarkan
menggunakan model PBL.
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 :
∑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
SD=23,40
5. Menghitung besar SE
23,40
SE=
√ 10
=1,529
uji t= −¿ ¿
SE
170,2−152,5
uji t= =11,576
1,529
7. α = 5% = 0,05
Db = 10 - 1 =10 – 1 = 9
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
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
∑ 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
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:
BAB VII
ANALISIS VARIANS (ANOVA)
94
Capaian Pembelajaran: Mahasiswa mampu memahami analisis uji
beda/analisis varians.
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 :
B = pemberian 3 g MSG
C = pemberian 6 g MSG
D = pemberian 9 g MSG
E = pemberian 12 g MSG
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.
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
kk = √ KTgalat x 100%
rataan total
99
JK perlakuan = (T12 + T22 + ... + Tn2) – FK
r
kk = √ KTgalat x 100%
rataan total
Contoh :
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
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.
kk = √ KTgalat x 100%
rataan total
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
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
105
BAB VIII
UJI LANJUT
106
membandingkan semua rata-rata perlakuan dengan kontrol, uji LSD
dapat digunakan meskipun lebih dari 3 perlakuan.
H0 :
H1 :
BNT (α) = ; x
b. Untuk perlakuan tidak sama : nA ≠ nB
BNT (α) = ; x
Contoh:
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:
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
terhadap hasil produksi padinya.
3. Antara IR32 dan IR36 tidak memiliki perbedaan yang cukup berarti
terhadap hasil produksi padinya.
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%)
dbg = 39
110
Penyelesaian:
Langkah 1 : Hipotesis
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
Ulangan :9 7 8 10 10
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
perbedaan yang cukup berarti daya kecambah dengan dosis 64 dan 0.
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
perbedaan yang cukup berarti daya kecambah dengan dosis 64 dan 32.
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
cukup berarti daya kecambah dengan dosis 64 dan 48.
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
cukup berarti daya kecambah dengan dosis 0 dan 32.
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
cukup berarti daya kecambah dengan dosis 32 dan 48.
Langkah 4 : Kesimpulan
Jika perlakuan tidak sama maka nilai r bisa didekati dengan rataan
harmonik dari semua ulangan perlakuan
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
Penyelesaian :
1. Cari DMRT
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
dalam rata – rata produksinya
e. E – A = 13.2 – 8 = 5.2.
Pada saat p = 3, Rp = 4.70, berarti 5.2 > 4.70. Hal ini menunjukan
bahwa jenis padi E dan A memiliki perbedaan yang cukup berarti
dalam rata – rata produksinya.
f. E – C = 13.2 – 8 = 7.4
117
Pada saat p = 3, Rp = 4.70, berarti 7.4 > 4.70. Hal ini menunjukan
bahwa jenis padi E dan C memiliki perbedaan yang cukup berarti
dalam rata – rata produksinya
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
dalam rata – rata produksinya
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
Pada saat p = 4, Rp = 4.84, berarti 7.6 > 4.84. Hal ini menunjukan
bahwa jenis padi A dan D memiliki perbedaan yang cukup berarti
dalam rata – rata produksinya
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
LATIHAN
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.
119
BAB IX
UJI NONPARAMETRIK
120
e. Efisiensi statistik nonparametrik lebih tinggi dibandingkan dengan
metode parametrik untuk jumlah sampel yang sedikit.
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
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.
122
f ∑ fkolom∑ fbaris
e=¿ ¿
jumlahtotal
x 2=∑¿ ¿
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 ¿ ¿
Asumsi :
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 :
125
Tes Statistik dan metode untuk menetapkan signifikansi harga D
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
Keputusan : Hipotesis nol ditolak jika D hasil analisis > D tabel atau titik
kritis.
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
1
u− n1 n2
2
z=
n1 n2 ( n1 +n2 +1 )
√ 12
Kriteria: Tolak H0 jika p (Z ≤ z) ≤ 0,05
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
129
Langkah –langkah uji Run wald-Wolfowitz
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