Materi Kuliah Statistik 1

Materi Kuliah Statistik 1

Categories: Statistik 1
BAB  I
PENGANTAR
by : Amalia Juniarly, S.Psi., Psi., M.A

Statistika adalah ilmu yang mempelajari bagaimana merencanakan, mengumpulkan, menganalisis,

menginterpretasi, dan mempresentasikan data. Singkatnya, statistika adalah ilmu yang berkenaan
dengan data. Istilah ’statistika’ (bahasa Inggris: statistics) berbeda dengan ’statistik’ (statistic). Statistika
merupakan ilmu yang berkenaan dengan data, sedang statistik adalah data, informasi, atau hasil
penerapan algoritma statistika pada suatu data. Dari kumpulan data, statistika dapat digunakan untuk
menyimpulkan atau mendeskripsikan data; ini dinamakan statistika deskriptif. Sebagian besar konsep
dasar statistika mengasumsikan teori probabilitas. Beberapa istilah statistika antara
lain: populasi, sampel, unit sampel, dan probabilitas.
Statistika banyak diterapkan dalam berbagai disiplin ilmu, baik ilmu-ilmu alam
(misalnya astronomidan biologi maupun ilmu-ilmu sosial (termasuk sosiologi dan psikologi), maupun di
bidang bisnis,ekonomi, dan industri. Statistika juga digunakan dalam pemerintahan untuk berbagai
macam tujuan;sensus penduduk merupakan salah satu prosedur yang paling dikenal. Aplikasi statistika
lainnya yang sekarang popular adalah prosedur jajak pendapat atau polling (misalnya dilakukan sebelum
pemilihan umum), serta jajak cepat (perhitungan cepat hasil pemilu) atau quick count. Di bidang
komputasi, statistika dapat pula diterapkan dalam pengenalan pola maupun kecerdasan buatan.

A. SEJARAH  STATISTIK
Penggunaan istilah statistika berakar dari istilah dalam bahasa latin modern statisticum collegium(“dewan
negara”) dan bahasa Italia statista (“negarawan” atau “politikus”). Gottfried Achenwall (1749)
menggunakan Statistik dalam bahasa Jerman untuk pertama kalinya sebagai nama bagi kegiatan analisis
data kenegaraan, dengan mengartikannya sebagai “ilmu tentang negara (state)”. Pada awalabad ke-
19 telah terjadi pergeseran arti menjadi “ilmu mengenai pengumpulan dan klasifikasi data”. Sir John
Sinclair memperkenalkan nama (Statistics) dan pengertian ini ke dalam bahasa Inggris. Jadi, statistika
secara prinsip mula-mula hanya mengurus data yang dipakai lembaga-lembaga administratif dan
pemerintahan. Pengumpulan data terus berlanjut, khususnya melalui sensus yang dilakukan secara
teratur untuk memberi informasi kependudukan yang berubah setiap saat.
Pada abad ke-19 dan awal abad ke-20 statistika mulai banyak menggunakan bidang-bidang
dalammatematika, terutama peluang. Cabang statistika yang pada saat ini sangat luas digunakan untuk
mendukung metode ilmiah, statistika inferensi, dikembangkan pada paruh kedua abad ke-19 dan awal
abad ke-20 oleh Ronald Fisher (peletak dasar statistika inferensi), Karl Pearson (metode regresi linear),
dan William Sealey Gosset (meneliti problem sampel berukuran kecil). Penggunaan statistika pada masa
sekarang dapat dikatakan telah menyentuh semua bidang ilmu pengetahuan, mulai
dariastronomi hingga linguistika. Bidang-bidang ekonomi, biologi dan cabang-cabang terapannya,
sertapsikologi banyak dipengaruhi oleh statistika dalam metodologinya. Akibatnya lahirlah ilmu-ilmu
gabungan seperti ekonometrika, biometrika (atau biostatistika), dan psikometrika.
Meskipun ada pihak yang menganggap statistika sebagai cabang dari matematika, tetapi sebagian pihak
lainnya menganggap statistika sebagai bidang yang banyak terkait dengan matematika melihat dari
sejarah dan aplikasinya. Di Indonesia, kajian statistika sebagian besar masuk dalam fakultas matematika
dan ilmu pengetahuan alam, baik di dalam departemen tersendiri maupun tergabung dengan matematika.
B. PENGERTIAN  STATISTIK
a.       Batasan Umum
Kata statistic telah digunakan untuk membatasi cara-cara ilmiah untuk mengumpulkan , menyusun,
meringkas dan menyajikan data penyelidikan. Lebih lanjut, statistic merupakan cara untuk mengolah data
tersebut dan menarik kesimpulan-kesimpulan yang teliti dan keputusan-keputusan yang logic dari
pengolahan data tersebut (Hadi, 2004).
b.      Batasan Khusus
Kata statistic juga digunakan untuk menunjuk kepada angka-angka pencatatan dari suatu kejadian atau
kasus tertentu seperti misalnya :
-          Statistic bentuk badan miss universe : 38 – 22 – 36 (dada – pinggang – pinggul)
-          Statistik kecelakaan lalu lintas                  : januari 6, februari 38, Maret 21, …
-          Statistic tinggi badan rata-rata                  : Rata-rata T = 164 cm, dst..
C. KONSEP   DASAR
Dalam mengaplikasikan statistika terhadap permasalahan sains, industri, atau sosial, pertama-tama
dimulai dari mempelajari populasi. Makna populasi dalam statistika dapat berarti populasi benda hidup,
benda mati, ataupun benda abstrak. Populasi juga dapat berupa pengukuran sebuah proses dalam waktu
yang berbeda-beda, yakni dikenal dengan istilah deret waktu. 
Melakukan pendataan (pengumpulan data) seluruh populasi dinamakan sensus. Sebuah sensus tentu
memerlukan waktu dan biaya yang tinggi. Untuk itu, dalam statistika seringkali dilakukan pengambilan
sampel (sampling), yakni sebagian kecil dari populasi, yang dapat mewakili seluruh populasi. Analisis
data dari sampel nantinya digunakan untuk menggeneralisasi seluruh populasi.
Jika sampel yang diambil cukup representatif, inferensial (pengambilan keputusan) dan simpulan yang
dibuat dari sampel dapat digunakan untuk menggambarkan populasi secara keseluruhan. Metode
statistika tentang bagaimana cara mengambil sampel yang tepat dinamakan teknik sampling.
Analisis statistik banyak menggunakan probabilitas sebagai konsep dasarnya hal terlihat banyak
digunakannya uji statistika yang mengambil dasar pada sebaran peluang. Sedangkan matematika
statistika merupakan cabang dari matematika terapan yang menggunakan teori probabilitas dananalisis
matematika untuk mendapatkan dasar-dasar teori statistika.
Ada dua macam statistika, yaitu statistika deskriptif dan statistika inferensial. Statistika deskriptif
berkenaan dengan deskripsi data, misalnya dari menghitung rata-rata dan varians dari data mentah;
mendeksripsikan menggunakan tabel-tabel atau grafik sehingga data mentah lebih mudah “dibaca” dan
lebih bermakna. Sedangkan statistika inferensial lebih dari itu, misalnya melakukan pengujian hipotesis,
melakukan prediksi observasi masa depan, atau membuat model regresi.
 Statistika deskriptif berkenaan dengan bagaimana data dapat digambarkan dideskripsikan) atau
disimpulkan, baik secara numerik (misalnya menghitung rata-rata dan deviasi standar) atau secara grafis
(dalam bentuk tabel atau grafik), untuk mendapatkan gambaran sekilas mengenai data tersebut,
sehingga lebih mudah dibacadan bermakna.
 Statistika inferensial berkenaan dengan permodelan data dan melakukan pengambilan
keputusan berdasarkan analisis data, misalnya melakukan pengujian hipotesis, melakukan estimasi
pengamatan masa mendatang (estimasi atau prediksi), membuat permodelan hubungan
(korelasi, regresi, ANOVA, deret waktu), dan sebagainya.

D. METODE  STATISTIKA
a. Dua jenis penelitian: eksperimen dan survai
 Terdapat dua jenis utama penelitian: eksperimen dan survei. Keduanya sama-sama mendalami
pengaruh perubahan pada peubah penjelas dan perilaku peubah respon akibat perubahan itu. Beda
keduanya terletak pada bagaimana kajiannya dilakukan.
 Suatu eksperimen melibatkan pengukuran terhadap sistem yang dikaji, memberi perlakuan
terhadap sistem, dan kemudian melakukan pengukuran (lagi) dengan cara yang sama terhadap sistem
yang telah diperlakukan untuk mengetahui apakah perlakuan mengubah nilai pengukuran. Bisa juga
perlakuan diberikan secara simultan dan pengaruhnya diukur dalam waktu yang bersamaan pula. Metode
statistika yang berkaitan dengan pelaksanaan suatu eksperimen dipelajari dalam rancangan
percobaan (desain eksperimen).
 Dalam survey, di sisi lain, tidak dilakukan manipulasi terhadap sistem yang dikaji. Data
dikumpulkan dan hubungan (korelasi) antara berbagai peubah diselidiki untuk memberi gambaran
terhadap objek penelitian. Teknik-teknik survai dipelajari dalam metode survei.
 Penelitian tipe eksperimen banyak dilakukan pada ilmu-ilmu rekayasa, misalnya teknik,ilmu
pangan, agronomi, farmasi, pemasaran (marketing), dan psikologi eksperimen.
 Penelitian tipe observasi paling sering dilakukan di bidang ilmu-ilmu sosial atau berkaitan dengan
perilaku sehari-hari, misalnya ekonomi, psikologi dan pedagogi, kedokteran masyarakat, dan industri.

2. Tipe pengukuran
Ada empat tipe pengukuran atau skala pengukuran yang digunakan di dalam statistika, yakni: nominal,
ordinal, interval, dan rasio. Keempat skala pengukuran tersebut memiliki tingkat penggunaan yang
berbeda dalam riset statistik.
 Skala nominal hanya bisa membedakan sesuatu yang bersifat kualitatif (misalnya: jenis kelamin,
agama, warna kulit).
 Skala ordinal selain membedakan juga menunjukkan tingkatan (misalnya: pendidikan, tingkat
kepuasan).
 Skala interval berupa angka kuantitatif namun tidak memiliki nilai nol mutlak (misalnya: tahun,
suhu dalam Celcius).
 Skala rasio berupa angka kuantitatif yang memiliki nilai nol mutlak.

3. Tehnik-Tehnik Statistika
Beberapa pengujian dan prosedur yang banyak digunakan dalam penelitian antara lain:
 Analisis regresi dan korelasi
 Analisis varians (ANOVA)
 Chi-kuadrat
 Uji t-Student

E. FUNGSI   DAN  PERANAN  STATISTIK

Menurut Guilford (Hadi, 2004), fungsi dan peranan statistic digambarkan sebagai berikut:
1.      Statistik memungkinkan pencatatan paling eksak data penyelidikan
2.      Statistic memaksa penyelidik menganut tata pikir dan tata kerja yang definit dan eksak
3.      Statistic menyediakan cara-cara meringkas data ke dalam bentuk yang lebih banyak artinya dan
lebih gampang mengerjakannya
4.      Statistic memberi dasar-dasar  untuk menarik kesimpulan-kesimpulan melalui proses-proses yang
mengikuti  tata yang dapat diterima oleh ilmu pengetahuan
5.      Statistic memberi landasan untuk meramalkan  secara ilmiah tentang bagaimana sesuatu gejala
akan terjadi  dalam kondisi-kondisi yang telah diketahui
6.      Statistic memungkinkan penyelidik menganalisa, menguraikan sebab akibat yang kompleks dan
rumit, yang tanpa statistic akan merupakan peristiwa yang membingungkan, kejadian yang tak teruraikan
BAB  II
DISTRIBUSI  FREKUENSI
A. DATA MENTAH
Adalah  data yang sudah terkumpul tetapi belum terorganisasi secara numeric.
Contoh : kumpulan data berupa tinggi badan dari 100 orang mahasiswa yang diperoleh melalui daftar
nama yang tercatat di universitas yang diurut berdasarkan abjad (Spiegel & Stephens, 2004).
B. DISTRIBUSI   FREKUENSI
-          Pada saat  merangkum sejumlah besar data mentah, seringkali berguna jika kita mendistribusikan
data-data tersebut ke dalam kelas atau kategori data serta menentukan banyaknya individu atau anggota
dari masing-masing kelas yang disebut sebagai frekuensi kelas

-          Suatu susunan data dalam bentuk tabel yang disusun berdasarkan kelas berikut dengan frekuensi
kelasnya disebut sebagai distribusi frekuensi atau tabel frekuensi.

Contoh :
Tabel 2.1. Tinggi badan  100 orang mahasiswa  universitas ABC
Tinggi badan (cm) Banyaknya siswa
160-162 163-165 27 42
166-168 18
169-171 8
172-174 5
Total 100
Keterangan :
Kelas (kategori) pertama, sebagai contoh, terdiri atas siswa-siswa yang memiliki tinggi badan berkisar
antara 160-162 cm, dan ditunjukkan melalui symbol jangkauan atau kisaran 160-162. Karena lima siswa
memiliki tinggi badan yang termasuk dalam kelas ini, maka frekuensi kelasnya adalah 5.
C. VARIABEL KONTINU DAN DISKRIT
Menurut Speiegel dan Stephens (2004), variabel adalah sebuah symbol seperti X. Y, H, x atau B yang
dapat menyandang setiap nilai dari suatu himpunan nilai yang disebut sebagai domain  dari variabel
tersebut. Jika variabel hanya dapat menyandang satu nilai saja, maka variabel ini disebut dengan nama
khusus sebagai konstanta.
Ada dua macam nilai variabel (Hadi,2004) yaitu :
1.      Kontinu atau nilai yang bersambung
Misal : tinggi badan ; si A 165 cm, pada hakekatnya tinggi si A itu tidak mutlak tepat 165 cm, melainkan
misalnya 165,30 cm. Pada umunya angka 165 cm itu untuk mewakili tinggi orang dari 164,50 cm –
165,49. Mereka yang tingginya 165,50 cm-166,49 cm dicatat 166 cm. Dengan kata lain, angka 0,50 ke
atas dibulatkan ke atas, sedangkan angka dibawah 0,50 dihilangkan.
2.      Diskrit  atau nilai yang terpisah
Misal : hasil ujian yang dinilai benar dan salah atau lulus dan gagal merupakan nilai-nilai yang terpisah
satu sama lain, sebab tidak ada nilai-nilai lain yang dipandang sebagi setengah benar atau setengah
lulus.
Contoh lain : variabel jenis kelamin (laki-laki dan  perempuan), pergi dan tinggal
D. JENIS DISTRIBUSI  FREKUENSI
1. DISTRIBUSI  FREKUENSI  TUNGGAL
Contoh :
Mata pelajaran : Statistik
Murid              :  Laki-laki
Jumlah             :  12 orang
Nilai-nilai
70        60        50        40        30        20        60        40        40        50        50        50
Tabel 2.2. Nilai statistik  15 mahasiswa 
Nilai Frekuensi (f)
70 60 12
50 4
40 3
30 1
20 1
N+ = 12

N+ = jumlah frekuensi variabel

Tabel 2.2. disebut Tabel distribusi frekuensi tunggal. Istilah “distribusi” digunakan dalam statistic untuk
menunjuk (seolah-olah) “penyebaran” nilai-nilai dengan jumlah orang yang mendapat nilai tu, sedang
istilah “tunggal” menunjukkan tidak adanya pengelompokan nilai-nilai variabel dalam kolom pertama.
2. DISTRIBUSI  FREKUENSI  BERGOLONG
Contoh :
Psikotes           :  Intelegensi
Subjek             :  Calon mahasiswa psikologi
Tahun              :  2010/2011
Jumlah             :  26 orang
Nilai-nilai
80        85        87        90        93        95        98        100      82        82        115      113      81
111      83        84        91        93        99        116      95        88        81        82        99        98
Tabel 2.3.  Hasil psikotes calon mahasiswa psikologi tahun 2010/2011
Kelompok Nilai Frekuensi (f)
80-90 91-101 12 10
102-112 1
113-123 3
N+ = 26
Keterangan :
Nilai intelegensi tertinggi adalah 116, terendah adalah 80. Apabila dibuat tabel distribusi tunggal , maka
kita harus membuatnya sepanjang  21 baris. Untuk menyingkat ruangan dan menghemat tenaga, maka
dilakukan pengelompokkan seperti diatas.
3. ISTILAH  DALAM  DISTRIBUSI  BERGOLONG
a. Interval kelas
-          Yaitu tiap-tiap kelompok nilai variabel.
-          Biasa disingkat dengan sebutan kelas atau interval saja. Dalam statistic bilamana orang menyebut
kelas atau interval, yang dimaksud adalah interval kelas.
Dari tabel 2.3. diatas ada  empat interval kelas dengan masing-masing sebelas nilai variabel. Misal
interval kelas yang paling atas berisi nilai-nilai 80, 81, 82, 83, 84, 85, 86, 87, 88, 89 dan 90, namun yang
ditulis hanya nilai 80 dan 90.
b. Batas  kelas
-          Yaitu nilai-nilai yang membatasi kelas yang satu dari kelas yang lain.
Misalnya : nilai 80 dan 90 pada kelas terendah, yang tertinggi 113 dan 123.
-          Batas atas (lower limits): 90, 101, 112 dan 123
(Hadi, 2004)
-          Batas bawah (upper limits)  : 80, 91, 102,  dan 113
-          Batas kelas atas  90,5; 101,5; dst
(Spiegel & Stephens, 2004)
-          Batas kelas bawah  80,5 ; 91,5 ; dst
-
c. Lebar kelas adalah  jumlah  nilai-nilai variabel dalam tiap-tiap kelas.
Misal lebar kelas dari tabel 2.3. ada   sepuluh  yaitu 80, 81, 82, 83, 84, 85, 86, 87, 88, 89 dan 90.
-          Biasa diberi symbol “i” atau “h”. Misal : “i”= 10 artinya bahwa distribusi frekwensi disusun dalam
tabel atau grafik yang menggunakan interval kelas dengan isi sepuluh angka atau nilai dalam tiap-tiap
intervalnya.
d. Titik tengah adalah angka atau nilai variabel yang terdapat ditengah-tengah interval kelas.
Misal : 13, 14,15    maka titik tengahnya  14
20, 21, 22 dan 23    maka titik tengahnya  ½ (20+23) = 21, 5
-          Kadang-kadang disebut sebagai tanda kelas
e. Jumlah interval adalah banyaknya interval yang digunakan dalam penyusunan distribusi. Dalam tabel
2.3. jumlah intervalnya ada empat.

f. Jarak  pengukuran adalah angka tertinggi dari pengukuran dikurangi dengan angka terendah. Biasa
juga disebut sebagai  Range of Measurement  atau disingkat huruf  R.
-          R hanya dimiliki oleh variabel kontinu saja

4. MENENTUKAN JUMLAH INTERVAL 

Ada beberapa faktor yang mempengaruhi penetapan jumlah interval, yaitu :
a.       Jumlah frekuensi (N)
b.      Jarak pengukuran (R)
c.       Lebar interval yang hendak digunakan (i)
d.      Tujuan penyusunan distribusi itu
Prinsipnya jumlah interval kelas jangan terlalu sedikit, sehingga pola-pola kelompok  menjadi kabur. Misal
: hanya membagi menjadi dua kelompok (tabel dengan dua interval) : anak-anak dengan nilai baik dan
buruk, sehingga tidak dapat dketahui anak-anak dengan nilai sedang, cukup dsb. Namun, jangan pula
terlalu besar, sehingga kita tidak akan mendapatkan gambaran tentang pola kelompok. Dalam psikologi,
biasanya digunakan 5-15 interval.
5. MENENTUKAN LEBAR INTERVAL
i   =  Jarak pengukuran ( R ) Jumlah
interval

Contoh :
Tinggi orang tertinggi di Indonesia 180 cm, yang terendah 145 cm, jumlah interval sebanyak 9 buah,
maka
i  = 180,5 – 144,5
9
i  =  36 / 9 = 4
Tabelnya :
Interval tinggi badan
 177 – 180
173 – 176
169 – 172
165 – 168
161 – 164
157 – 160
153 – 156
149 – 152
145 – 148
6. DISTRIBUSI  FREKUENSI MENINGKAT (CUMULAT IVE  FREQUENCY DISTRIBUTION)
Pada dasarnya sama saja dengan penyusunan distribusi frekuensi tunggal maupun distribusi  frekuensi
bergolong. Bedanya dengan penyusunan  kedua distribusi itu ialah menambahkan satu kolom lagi yang
memuat frekuensi meningkat.

Contoh :
Tabel 2.4.  Nilai berhitung 72 siswa ornag murid laki-laki SR di kota Y
Nilai Frekuensi (f) Frekuensi Frekuensi
meningkat dari meningkat dari
bawah atas
87 4 23 72 68 4 27
6 28 45 55
5 16 17 71
4 1 1 72
Jumlah Σ f= N = 72
Frekuensi meningkat = cumulative frequency (cf)
Keterangan :
Banyaknya anak yang mendapat  “sesuatu nilai ke bawah”. Mereka yang mendapat nilai enam ke bawah
misalnya, jumlah ada 45 orang, sedang mereka yang mendapat nilai tujuh ke bawah jumlahnya ada 68
orang.

BAB 1

Statistika – Bab 1
OCTOBER 29, 2012  · MATA KULIAH , STATISTIKA

Print Post

 Email


 AUTHORS

 Herry Syafrial
BAB I
PENELITIAN DAN STATISTIK
 
A.     Pengertian Penelitian
Penelitian merupakan cara ilmiah untuk mendapatkan data dengan tujuan dan kegunaan tertentu.
Cara ilmiah, berarti penelitian itu didasarkan pada ciri-ciri keilmuan yaitu, rasional, empiris dan
sistematis.
Rasional: penelitian itu dilakukan dengan cara-cara yang masuk akal sehingga terjangkau oleh penalaran
manusia.

Empiris: cara-cara ygn digunakan dalam penelitian itu teramati oleh indera manusia.

Sistematis: proses yang dilakukan dalam penelitian itu menggunakan langkah-langkah tertentu yang
bersifat logis.

Data, harus valid, reliable dan objektif.

Valid, menunjukan derajat ketepatan antara data sesungguhnya dengan data si peneliti.

Reliabel, menunjukan derajat konsistensi (keajegan) yaitu konsistensi data dalam interval waktu tertentu.

Objektif, menunjukan derajat persamaan persepsi antar orang (interpersonal agreement).

Tujuan penelitian, penemuan, pembuktian, dan pengembangan pengetahuan.

Penemuan, data yang diperoleh dari penelitian itu betul-betul data baru yang belum pernah diketahui
sebelumnya.

Pembuktian, data yang diperoleh itu diperlukan untuk membuktikan adanya keragu-raguan terhadap
suatu pengetahuan.

Pengembangan, data yang diperoleh dari penelitian itu digunakan untuk memperdalam dan memperluas
suatu pengetahuan.

B.      Variabel Penelitian
Variabel penelitian: suatu atribut atau sifat atau nilai dari orang/objek atau kegiatan yang mempunyai
variasi tertentu yang ditetapkan oleh peneliti untuk dipelajari dan ditarik kesimpulan.

Macam-Macam Variabel:

1. Variabel independen, variabel yang mempengaruhi variabel dependen.

2. Variabel dependen, variabel yang dipengaruhi.
3. Variabel Moderator, variabel yang mempengaruhi (memperkuat atau memperlemah) hubungan
antara variabel independen dengan dependen.
4. Variabel intervening, variable yang secara teoritis mempengaruhi hubungan antara variabel
independen dengan dependen, tetapi tidak dapat diamati dan diukur.
5. Variabel kontrol, variabel yang dikendalikan atau dibuat konstan sehingga hubungan variabel
independen terhadap dependen tidak dipengaruhi oleh faktor luar yang tidak diteliti.
 Penghasilan (variabel Harapan Hidup (Variabel
Independen) Dependen)

Lingkungan Tempat Tinggal (Variabel Moderator)

C.      Paradigma Penelitian
Paradigma Penelitian: Pola fikir yang menunjukan hubungan antara variabel yang akan diteliti dan
mencerminkan jumlah rumusan masalah yang perlu dijawab melalui penelitian, teori yang digunakan
untuk merumuskan hipotesis, jenis dan jumlah hipotesis, dan teknik analisis statistik yang akan
digunakan.

Bentuk-bentuk paradigma:

1. Paradigma Sederhana, terdiri dari satu variaben independen dan satu variable dependen.
2. Paradigma Sederhana Berurutan
3. Paradigma Ganda dengan Dua Variabel Independen
4. Paradigma Ganda dengan Tiga Variabel Independen
5. Paradigma Ganda dengan Dua Variabel Dependen
6. Paradigma Ganda dengan Dua Variabel Independen dan Dua Dependen
7. Paradigma Jalur
Contoh Paradigma Sederhana :

X = Kualitas Alat                                               Y = Kualitas Barang yang Dihasilkan

Berdasarkan paradigm di atas kita dapat menentukan:

1. Jumlah rumusan masalah deskriptif ada dua dan asosiatif ada satu:
1)      Rumusan masalah deskriptif ada dua:

a)      Bagaimana kualitas alat (X)?

b)      Bagaimana kualitas barang yang dihasilkan (Y)?

2)      Rumusan masalah asosiatif ada satu:

a)      Bagaimanakah hubungan atau pengaruh kualitas alat dengan kualitas barang yang dihasilkan?

1. Teori yang digunakan ada dua, yaitu teori tentang alat-alat dan tentang kualitas barang.
2. Hipotesis yang dirumuskan ada dua macam hipotesis deskriptif dan hipotesis asosiatif,
1)      Dua hipotesis deskriptif:
a)      Kualitas alat yang digunakan oleh perusahaan tersebut telah mencapai 70% baik

b)      Kualitas barang yang dihasilkan oleh perusahaan tersebut telah mencapai 99% dari yang
diharapkan.

2)      Hipotesis asosiatif:

Ada hubungan yang positif dan signifikan antara kualitas alat dengan kualitas barang yang dihasilkan. Hal
ini berarti bila kualitas alat ditingkatkan maka kualitas barang yang dihasilkan akan menjadi semakin
tinggi (kata signifikan hanya digunakan apabila hasil uji hipotesis akan digeneralisasikan ke populasi di
mana sampel tersebut diambil)

1. Teknik Analisa Data

Berdasarkan rumusan dan hipotesis tersebut, maka dapat ditentukan teknik statistic yang digunakan
untuk analisa data dan menguji hipotasis.

1)      Untuk dua hipotesis deskriptif, bila datanya berbentuk interval dan ratio, maka pengujian hipotesis
menggunakan t-test one sampel.

2)      Untuk hipotesis asosiatif, bila data kedua variable berbentuk interval atau ratio, maka menggunakan
teknik statistic korelasi product moment.

D.     Proses Penelitian
1. Adanya Masalah
2. Rumusan Masalah
3. Pengajuan hipotesis
4. Pembuktian hipotesis
5. Kesimpulan dan Saran
E.      Peranan Statistik dalam Penelitian
Peranan statistik dalam penelitian adalah sebagai berikut:

1. Alat untuk menghitung besarnya anggota sampel yang diambil dari populasi. Dengan demikian
jumlah sampel yang diperlukan lebih dapat dipertanggungjawabkan.
2. Alat untuk menguji validitas dan reliabilitas instrument.
3. Teknik-teknik untuk menyajikan data, sehingga data lebih komunikatif. Teknik-teknik penyajian
data antara lain: table, grafik, diagram lingkar, dan pictogram.
4. Alat untuk analisis data seperti menguji hipotesis penelitian yang diajukan. Dalam hal ini statistic
yang digunakan antara lain: korelasi, regresi, t-test, anova, dll.
F.       Macam-Macam Statistik
1. Statistik Deskriptif, statistik yang digunakan untuk menggambarkan atau menganalisa suatu
statistik hasil penelitian, tetapi tidak digunakan untuk membuat kesimpulan yang lebih luas
(generalisasi/inferensi). Penelitian yang tidak menggunakan sampel, analisanya akan menggunakan
statistic deskriptif.
2. Statistik Inferensial, statistik yang digunakan untuk menganalisis data sampel dan hasilnya akan
digeneralisasikan untuk populasi dimana sampel diambil.
1. Statistik Parametris, untuk menganalisis data interval atau rasio yang diambil dari populasi yang
berdistribusi normal.
 2. Statistik Non Parametris, untuk menganalisis data nominal dan ordinal dari populasi yang bebas
distribusi.
G.     Macam-Macam Data Penelitian
1. Data Kualitatif, data yang berbentuk kalimat, kata, atau gambar.
2. Data Kuantitatif, data yang berbentuk angka, atau data kualitatif yang diangkakan (scoring). Data
kuantitatif dibagi menjadi:
1. Data Diskrit, data dari hasil menghitung. (Data nominal)
2. Data Kontinum, data dari hasil pengukuran, dibagi menjadi tiga :
i.      Ordinal, data berjenjang atau berbentuk peringkat. Jarak data yang satu dengan lainnya mungkin
tidak sama. Contoh : Juara I, II, III.

ii.      Interval, data yang jaraknya sama tetapi tidak mempunyai data nol absolute (mutlak). Pada data ini,
walaupun datanya nol, tetapi masih mempunyai nilai. Contoh: nol derajat celcius.

iii.      Ratio, data yang jaraknya sama dan mempunya nilai nol absolut. Contoh: Ukuran panjang / berat.
Data ini bisa dibuat penjumlahan dan perkalian.

H.     Pedoman Umum Memilih Teknik Statistik

Tabel 1.1
Penggunaan Statistik Parametris dan Non Parametris untuk Menguji Hipotesis
  Bentuk Hipotesis
Macam Deskriptif(sat Komparatif (dua sampel) Komparatif (lebih dari dua Asosiatif
Data u variable) sampel) (hubungan)

Related Independen Related Independen

Nominal BinominalX2O Mc Nemar Fisher Exact X2 for k X2 for k sample Contigency

ne Sample Probability           sampleCochr Coefficient C
   X2 two sample an Q

   Run Test Sign Median Friedman Median Spearman Rank

testWilcoxo testMann- two-way ExtensionKrusk CorrelationKenda
Ordinal n Mached Whithey U Anova al-Wallis One ll Tau
pairs testKolmogoro Way Anova
v-
SmirnovWald-
Woldfowitz

  T -test t-test of t-test One way One way Pearson Product

Ralated independent AnovaTwo AnovaTwo way MomentPartial
Interval      way Anova Anova CorrelationMultip
  Ratio
le Correlation

 
BAB 2

Statistika – Bab 2
OCTOBER 29, 2012  · MATA KULIAH , STATISTIKA
 Print Post

 Email


AUTHORS

 Herry Syafrial
BAB II
STATISTIK DESKRIPTIF
 
A.     Pengertian Statistik Deskriptif
Adalah statistik yang berfungsi untuk mendeskripsikan atau memberi gambaran terhadap obyek yang
diteliti melalui data sampel atau populasi sebagaimana adanya, tanpa melalukan analisis dan membuat
kesimpulan yang berlaku untuk umum.

B.      Penyajian Data
Prinsip dasar penyajian data adalah komunikatif dan lengkap. Menarik perhatian pembacanya dan mudah
dipahami.

1)      Tabel

Tabel terdiri dari dua macam : a. Tabel biasa dan b. Tabel distribusi frekuensi

Contoh Tabel Data Nominal:

Telah dilakukan pengumpulan data untk mengetahui komposisi pendidikan pegawai di Politeknik LP3I
Jakarta Kampus Blok M. Berdasarkan studi dokumentasi diperoleh keadaan sebagai berikut:

a)      Bagian Pamasaran,    S1=2 orang; D3=5 orang; SMTA=4 orang

b)      Bagian Akademik,      S1=4 orang; D3=2 orang; SMTA=1 orang

c)      Bagian Keuangan,      S1=1 orang; D3=1 orang; SMTA=3 orang

d)      Bagian Penempatan, S1= 1 orang; D3=0 orang; SMTA=1 orang

Dari data mentah di atas dapat disusun  ke dalam table dibawah ini:

TABEL 2.1
KOMPOSISI PENDIDIKAN PEGAWAI
POLITEKNIK LP3I JAKARTA KAMPUS BLOK M
 
N Bagian Tingkat Pendidikan Jumlah
o
S1 D3 SMTA

1 Pemasaran 2 3 5 10

2 Akademik 4 2 1 7

3 Keuangan 1 1 3 5

4 Penempatan 1 0 1 2
 Jumlah 8 6 10 24

Sumber data: Bagian Personalia

Contoh Tabel Data Ordinal

 
 
TABEL 2.2
RANGKING SKOR TOEIC
Periode Juli 2012 sd Juni 2013
 
N Nama Karyawan Skor TOEIC Rangking
o

1 Nengwida 780 1

2 Harti 560 2

3 Nunung 440 3

4 Puspita 420 4

5 Iwan 300 5

Rata-Rata Skor TOEIC 500

Sumber Data: Bagian Personalia

Contoh Tabel Data Interval

Dari hasil penelitian kepuasan kerja pegawai menggunakan instrument dengan skala Likert dengan
interval 1 sampai dengan 5 dimana skor 1 untuk sangat kurang; 2 untuk kurang; 3 untuk cukup; 4 untuk
baik; dan 5 untuk sangat baik. Hasilnya disajikan dalam table di bawah ini.

TABEL 2.3
TINGKAT KEPUASAN KERJA PEGAWAI
 
N Aspek Kepuasan Kerja Tingkat Kepuasan
o

1 Gaji 37.58

2 Insentif 57.18

3 Transportasi 68.60

4 Perumahan 48.12

5 Budaya Kerja 54.00

Sumber Data: Bidang Personalia

2)      Tabel Distribusi Frekuensi

Disusun bila jumlah data yang akan disajikan cukup banyak, sehingga kalau disajikan dalam bentuk tabel
biasa menjadi tidak efisien, kurang komunikatif, dan tidak menarik. Selain itu tabel ini dibuat untuk
persiapan pengujian terhadap normalisasi data yang menggunakan kertas peluang normal.

Contoh Tabel Distribusi Frekuensi

TABEL 2.4
DISTRIBUSI FREKUENSI
NILAI MATAKULIAH STATISTIKA 150 MAHASISWA
 
No Kelas Kelas Interval Frekuensi

1 10 – 19 1

2 20 – 29 6

3 30 – 39 9

4 40 – 49 31

5 50 – 59 42

6 60 – 69 32

7 70 – 79 17

8 80 – 89 10

9 90 – 99 2

Jumlah 150

Hal-hal yang perlu diperhatikan dalam tabel distribusi frekuensi

a)      Tabel di atas memiliki 9 kelas. No 1 sd 9

b)      Pada setiap kelas mempunyai kelas interval. Interval nilai bawah dengan atas disebut panjang
kelas.

c)      Setiap kelas interval mempunyai frekuensi (jumlah).

d)      Tabel distribusi frekuensi tersebut bila mau dibuat menjadi tabel biasa akan memerlukan 150 baris
(n=150) jadi akan sangat panjang.

Pedoman Umum membuat Tabel Distribusi Frekuensi

Langkah pertama dalam membuat tabel distribusi frekuensi adalah menentukan kelas interval. Terdapat 3
pedoman yang dapat diikuti:

a)      Berdasarkan Pengalaman, berdasarkan pengalaman jumlah kelas interval yang digunakan dalam
menyusun tabel distribusi frekuensi berkisar antara 6 sd 15 kelas.

b)      Ditentukan dengan membaca grafik

c)      Ditentukan dengan rumus Sturges

Rumus Sturges :
 K = 1 + 3,3 log n

Dimana :

K          = Jumlah Kelas Interval

n          = Jumlah data observasi

log       = Logaritma

Misal: Jumlah data 200, maka jumlah kelasnya (K) =

K = 1 + 3,3 log 200 = 1 + 3,3 * 2,30 = 8,59 dapat dibulatkan menjadi 8 atau 9

Contoh Cara Menyususn Tabel Distribusi Frekuensi

Dibawah ini nilai mata kuliah statistika dari 150 mahasiswa

27 79 69 40 51 88 55 48 36 61

53 44 93 51 65 42 58 55 69 63

70 48 61 55 60 25 47 78 61 54

57 76 73 62 36 67 40 51 59 68

27 46 62 43 54 83 59 13 72 57

82 45 54 52 71 53 82 69 60 35

41 65 62 75 60 42 55 34 49 45

49 64 40 61 73 44 59 46 71 86

43 69 54 31 36 51 75 44 66 53

80 71 53 56 91 60 41 29 56 57

35 54 43 39 56 27 62 44 85 61

59 89 60 51 71 53 58 26 77 68

62 57 48 69 76 52 49 45 54 41

33 61 80 57 42 45 59 44 68 73

55 70 39 59 69 51 85 46 55 67

a)      Hitung jumlah kelas interval

K = 1 + 3,3 log 150 =1+ 3,3 * 2,18 = 8,19 Boleh 8 atau 9. Kita gunakan 9.

b)      Hitung rentang data, yaitu data terbesar dikurangi data terkecil kemudian ditambah 1. Data terbesar
93 dan terkecil 13.

Jadi 93 – 13 = 80 + 1 = 81
c)      Hitung panjang kelas

Panjang Kelas = Rentang : Jumlah Kelas; 81 : 9 = 9. Walau dari hitungan panjang kelas 9, tetapi pada
penyusunan tabel ini digunakan panjang kelas 10.

d)      Susun interval kelas

Secara teoritis penyusunan kelas dimulai dari data terkecil, yaitu 13. Tetapi supaya komunikatif maka
dimulai dengan angka 10

e)      Memasukan data dengan tally

Dengan cara mencoret data yang telah dimasukkan dimulai dari paling awal (27) yang masuk ke kelas no
2 (20-29) dan seterusnya data 53 dengan tally di setiap kelas tersedia. Jumlah tally harus sama dengan
jumlah data. Setelah frekuensi ditemukan lalu tally dihilangkan.

TABEL 2.5
PENYUSUNAN TABEL DISTRIBUSI FREKUENSI
DENGAN TALLY
No Kelas Kelas Interval Tally Frekuensi (f)

1 10 – 19 I 1

2 20 – 29 IIIII I 6

3 30 – 39 IIIII IIII 9

4 40 – 49 IIIII IIIII IIIII IIIII IIIII IIIII I 31

5 50 – 59 IIIII IIIII IIIII IIIII IIIII IIIII IIIII IIIII II 42

6 60 – 69 IIIII IIIII IIIII IIIII IIIII IIIII II 32

7 70 – 79 IIIII IIIII IIIII II 17

8 80 – 89 IIIII IIIII 10

9 90 – 100 II 2

Jumlah  : 150

Tabel Distribusi Frekuensi Kumulatif

Kumulatif adalah tabel yang menunjukan jumlah observasi yang menyatakan kurang dari nilai tertentu.

TABEL 2.6
DISTRIBUSI FREKUENSI KUMULATIF
NILAI STATISTIKA 150 MAHASISWA
Kurang Dari Frekuensi Kumulatif

Kurang dari 20 1

Kurang dari 30 7

Kurang dari 40 16
 Kurang dari 50 47

Kurang dari 60 89

Kurang dari 70 121

Kurang dari 80 138

Kurang dari 90 148

Kurang dari 150

101

Tabel Distribusi Frekuensi Relatif

Penyajian data lebih mudah dipahami bila dinyatakan dalam persen (%). Penyajian data yang merubah
frekuensi menjadi persen dinamakan distribusi frekuensi relative. Cara pembuatannya adalah dengan
merubah frekuensi menjadi persen.

 
TABEL 2.7
DISTRIBUSI FREKUENSI RELATIF
NILAI STATISTIKA 150 MAHASISWA
 
No Kelas Kelas Interval Frekuensi Relatif (%)

1 10 – 19 1 0,67

2 20 – 29 6 4,00

3 30 – 39 9 6,00

4 40 – 49 31 20,67

5 50 – 59 42 28,00

6 60 – 69 32 21,33

7 70 – 79 17 11,33

8 80 – 89 10 6,67

9 90 – 100 2 1,33

Jumlah  : 100

3)      Grafik

Dua macam Grafik:

a)   Grafik Garis (polygon)

Dibuat untuk menunjukan perkembangan suatu keadaan. Perkembangan tersebut bisa naik dan bisa
turun.

b)   Grafik Batang (histogram) dan dikembangkan ada juga

c)   Grafik Balok (3D)

4)      Diagram Lingkaran (Piechart)

Diagram lingkaran digunakan untuk membandingkan data dari berbagai kelompok.

Contoh : Jumlah pengguna handphone dari berbagai merk dagang.

Jumlah pengguna Nokia                     = 20%

Jumlah pengguna Sonyeriksson          = 15%

Jumlah pengguna blackberry             = 45%

Jumlah pengguna Samsung                = 10%

Jumlah pengguna hp china                 = 10%

dari data diatas dapat dibuat diagram lingkaran sebagai berikut :

5)      Pictogram (Grafik Gambar)

Adakalanya supaya penyajiannya lebih menarik dan komunikatif maka penyajian data dibuat dalam
bentuk pictogram.

C.      Pengukuran Gejala Pusat (Central Tendency)

Modus, Median dan Mean merupakan teknik statistik yang digunakan untuk menjelaskan kelompok yang
didasarkan atas gejala pusat dari kelompok tersebut, namun dari tiga macam teknik tersebut yang
menjadi ukuran gejala pusatnya berbeda-beda.

1)   Modus (Mode), adalah nilai yang sering muncul dalam kelompok.
Contoh:

Hasil observasi terhadap umur pegawai di Departemen X adalah: 20, 45, 60, 56, 45, 45, 20, 19, 57, 45,
45, 51, 35. Untuk mengetahui modus umur dari pegawai maka dilihat data yang paling sering muncul,
yaitu 45 sebanyak 5 data.

2)   Median, adalah salah satu teknik penjelasan kelompok yang didasarkan atas nilai tengah dari
kelompok data yang telah disusun urutannya dari yang terkecil sampai yang terbesar atau sebaliknya.

Contoh Jumlah data ganjil. Dari data umur pegawai di atas diurutkan menjadi : 19, 20, 20, 35, 45, 45, 45,
45, 45, 51, 56, 57, 60. Nilai tengahnya adalah data ke 7 yaitu 45.

Contoh jumlah data genap (10 data). Data tinggi badan pegawai 145, 147, 167, 166, 160, 164, 165, 170,
171, 180 cm. Diurutkan (dari yang paling besar atau dari yang paling kecil) 180, 171, 170, 167, 166, 165,
164, 160, 147, 145 cm. Nilai tengahnya adalah dua angka yang ditengah dibagi 2. (166 + 165)/2 = 165,5
cm.
3)   Mean, adalah teknik penjelasan kelompok yang didasarkan atas nilai rata-rata dari kelompok
tersebut. Rata-rata (mean) didapat dengan menjumlahkan data seluruh individu dalam kelompok itu,
kemudian dibagi dengan jumlah individu yang ada pada kelompok tersebut.

Me = ∑ xi / n
Rumus Mean :

Dimana :           Me       = Mean (rata-rata)

∑          = Eplison (baca: jumlah)

xi                    = Nilai x ke I sampai ke n

n          = Jumlah individu

Contoh : Sepuluh pegawai PT Sentosa berpenghasilan sebulannya dalam dolar seperti berikut : 90, 120,
160, 60, 180, 190, 90, 180, 70, 160.

Me = (90+120+160+60+180+190+90+180+70+160) : 10 = 130

4)   Menghitung Modus, Median, Mean untuk data Bergolong. (Tersusun dalam Tabel Distribusi
Frekuensi)

Contoh: Hasil tes kemampuan manajerial 100 pegawai PT Samudra

TABEL 2.8
DISTRIBUSI NILAI KEMAMPUAN MANAJERIAL
100 PEGAWAI PT SAMUDRA
 
Interval Nilai Kemampuan Frekuensi / Jumlah

21 – 30 2

31 – 40 6

41 – 50 18

51 – 60 30

61 – 70 20

71 – 80 10

81 – 90 8

91 – 100 6

Jumlah 100

 
 
Berdasarkan data di tabel di atas hitunglah Modus, Median, Mean.

Menghitung Modus
Rumus Modus

 
 
 
      Dimana :
Mo       = Modus

b          = Batas kelas interval dengan frekuensi terbanyak

p          = Panjang kelas interval

b1         = Frekuensi pada kelas modus dikurangi frekuensi kelas interval terdekat sebelumnya
b2         = Frekuensi kelas modus dikurangi frekuensi kelas interval berikutnya
Dari tabel 2.8 maka ditemukan :

Kelas modus = kelas keempat (f nya terbesar = 30)

b          = 51 – 0,5 = 50,5

b1                  = 30 – 18 = 12
b2         = 30 – 20 = 10 jadi
Modusnya = 50,5 + 10 ( 12/(12+10) ) = 55,95

Menghitung Median
 
      Rumus Median
                            ½ n – F
Md  =  b +  p  (                
)
f

Dimana :

Md       =  Median

b          =  Batas bawah dimana median akan terletak

n          =  Banyak data/jumlah sampel

p          =  Panjang kelas interval

F          =  Jumlah semua frequensi sebelum kelas median

f           =  Frekuensi kelas median

Dari tabel kita hitung median:

Setengan dari data (1/2 n) = ½ x 100 = 50. Jadi median terletak pada interval ke empat, karena sampai
interval ini jumlah frekuensi sudah lebih dari 50 tepatnya 56. Dengan demikian pada interval ke empat
merupakan kelas median batas bawahnya (b) adalah 51 – 0,5 = 50,5. Panjang kelas mediannya (p)
adalah 10, dan frekuensi = 30. Adapun F nya = 2 + 6 + 18 = 26

Md       =  50,5 + 10 ( 50 – 26)  =  58,5

30

Menghitung Mean
Untuk lebih mudah kita buat tabel sebagai berikut terlebih dahulu:

TABEL 2.9
DISTRIBUSI NILAI KEMAMPUAN MANAJERIAL
100 PEGAWAI PT SAMUDRA
 
INTERVAL NILAI xi fi fi xi 

21 – 3031 – 40 25,535,5 26 51213

41 – 50 45,5 18 819
51 – 60 55,5 30 1.665
61 – 70 65,5 20 1.310
71 – 80 75,5 10 755
81 – 90 85,5 8 684
91 – 100 95,5 6 573
       

Jumlah 100 6.070 

Rumus Mean :

Dimana :

Me       = Mean untuk data bergolong

∑ fi              = Jumlah data/sampel

fi xi       = perkalian fi dengan xi. xi adalah rata-rata dari nilai terendah dan tertinggi.
Me = 6070/100 = 60,70

D.     Pengukuran Variasi Kelompok

Untuk menjelaskan data kelompok dapat juga didasarkan pada tingkat variasi data yang terjadi pada
kelompok tersebut. Untuk mengetahui tingkat variasi kelompok data dapat dilakukan dengan melihat
rentang data dan standar deviasi atau simpangan baku dari kelompok data yang telah diketahui.

1.   Rentang Data
Rentang data (range) dapat diketahui dengan mengurai data yang terbesar dengan data terkecil yang
ada pada kelompok itu.

Rumus Rentang Data :

R = xt – xr

Dimana  :

R          =  Rentang

xt          =  Data terbesar dalam kelompok

xr         =  Data terkecil dalam kelompok
Contoh :

Sepuluh pegawai di PT  Damai memiliki gaji (dalam dolar) 50, 75, 150, 170, 175, 190, 200, 400, 600, 700
Data terkecil   = 50

Data terbesar  = 700

R = 700 – 50 = 650

Rentang data inilah yang menunjukan tingkat variasi kelompok

2.      Varians :
 
Varians adalah salah satu teknik yang digunakan  untuk menjelaskan homogenitas kelompok.

Varians  : Jumlah kuadrat semua deviasi nilai-nilai individual terhadap rata-rata kelompok

Akar varians = standar deviasi/simbangan baku

Varian populasi                       :  σ2

Standar deviasi                                               :   σ
Varians sampel                       :  s2
Standar deviasi sampel           :  s

Contoh Tabel cara menghitung varians dan simpangan baku sekelompok mahasiswa yang berjumlah 10
orang yang selanjutnya diberi symbol xi. Dari nilai 10 orang tersebut rata-rata x (mean) adalah :
x = (60+70+65+80+70+65+75+80+70+75)/10 = 71

Jadi rata-rata nilai = 71

Jarak antara nilai individu dengan rata-rata disebut simpangan. Simpangan (deviasi) mahasiswa no 1
adalah  60 – 71 = -11 dan seterusnya. Jumlah simpangan (xt – xr) jumlahnya harus nol.
TABEL 2.10
CARA MENGHITUNG VARIANS DAN SIMPANGAN BAKU
NILAI 10 MAHASISWA
NO NILAI SIMPANGAN         _ SIMPANGAN KUADRAT        _

( xi  –   x ) ( xi –   x )2

   
12 6070 -11-1 1211

3 65 -6 36
4 80 9 81
5 70 -1 1
6 65 -6 36
7 75 4 16
8 80 9 81
9 70 -1 1
10 75 4 16

JUMLA 710 0 390

H
 
 
S2   = 390   =  39
10

S    =  √39  =  6,2450

σ2  =  Σ ( xi  –  x  ) 2

n

σ    = √ Σ ( xi  –  x  ) 2      

                                    
n
_

S2       = Σ ( xi  –  x  ) 2 

                           
(n-1)
Indeks/koefisien Variasi

Indeks Variasi    =        s           x 100 %

Rata-rata

Contoh :

Data Kelompok I                     :  4, 6, 8, 10, 12, 14, 16

Data Kelompok 2                    : 104, 106, 108, 110, 112, 114, 116

Rata-rata Kelompok 1             =  4+6+8+10+12+14+16

7

=  10

s kelompok 1                           =  4,32

Rata-rata kelompok 2                         =  104+106+108+110+112+114+116

7

=  110

S kelompok 2                           =  4,32

Koefisien Variasi kelompok 1 =   (4,32/10)   x 100 % = 43,2%

Koefisien Variasi kelompok 2  =   (4,32/110) x 100 % = 3,93 %

1. 3.      Menghitung Standard Deviasi Untuk Data Bergolong

      Rumus :
                        
S   = √ Σfi ( xi  –  x  )2
(n-1)

 
TABEL 2.11
 TABEL PENOLONG UNTUK MENGHITUNG
STANDAR DEVIASI DARI DATA BERGOLONG
 Interval Nilai  fi  xi        _xi –  x     _(xi – x )2          _fi (xi – x)2
 
         
21 – 30 2 25,5 -35,2 1.239,04 2.478,08

31 – 40 6 35,5 -25,2 639,04 3.810,24

41 – 50 18 45,5 -15,2 231,05 4.158,72
51 – 60 30 55,5 -5,2 27,04 811,20
61 – 70 20 65,5 4,8 23,04 460,80
71 – 80 10 75,5 14,8 219,04 2.190,40
81 – 90 8 85,5 24,8 615,04 4.920,32
91 – 100 6 95,5 34,8 1.211,04 7.266,24
           

JUMLAH 100 – – –   26.096,00 

 
                            _
S   =  √ Σfi ( xi  –  x  )2
(n-1)

= √ 26.096 /99    = √  264,09     =  16,24

Statistika – Bab 3
OCTOBER 30, 2012  · MATA KULIAH , STATISTIKA

Print Post

 Email


AUTHORS

 Herry Syafrial
BAB III
POPULASI, SAMPEL, DAN PENGUJIAN NORMALITAS
A.  Populasi
Populasi adalah wilayah generalisasi yang terdiri atas obyek/subyek yang mempunyai kualitas dan
karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya.

B.   Sampel
Sampel adalah bagian dari jumlah dan karakteristik yang dimiliki oleh populasi. Sampel yang baik harus
dapat mewakili keseluruhan populasi dan hasil penelitian dapat diterapkan keseluruh populasi.
C.   Teknik Sampling
Teknik sampling adalah teknik pengambilan sampel. Teknik sampling bisa dibagi dua yang terlihat pada
gambar di bawah ini:

Gambar 3.1 Macam-Macam Teknik Sampling

1. Probability Sampling
Teknik pengambilan sampel yang memberikan peluang yang sama bagi setiap unsur/anggota populasi
untuk dipilih menjadi anggota sampel.

               a.      Simple Random Sampling

Pengambilan anggota sampel dari populasi dilakukan secara acak tanpa memperhatikan strata yang
ada.  Dilakukan bila populasi dianggap homogen.

                b.      Proportionate Stratified Random Sampling

Bila populasi tidak homogen dan berstrata secara proporsional.

Contoh : Karakteristik pegawai suatu departemen :

S-1  = 45 , S-2 = 30, STM =  800, ST = 900, SMEA = 400, SD = 300

                 c.       Disproportionate Stratified Random Sampling

Digunakan bila populasi berstrata kurang proporsional

Contoh S3 = 3, S2 = 4, S-1 = 90, SMU 800, SMP = 700

Semua sample S-3 dan S-2 diambil semuanya

                  d.      Cluster sampling
Bila objek yang diteliti sangat luas, misal penduduk suatu negara, propinsi atau kabupaten

Caranya :

Sampel ditentukan bertahap dari wilayah negara sampai kabupaten, setelah terpilih sampel terkecil baru
sampel dipilih secara acak

Contoh : Indonesia terdiri atas 33 propinsi, sampelnya akan diambil misalnya 15 propinsi secara acak.

Setiap propinsi berstrata tidak sama, ada yang padat ada yang tidak, ada hutannya banyak/tidak, ada
yang barang tambangnya banyak atau tidak, dll

2. Nonprobability Samling

Teknik pengambilan sampel yang tidak memberi peluang/kesempatan sama bagi setiap unsur/anggota
poulasi untuk dipilih menjadi sampel

               a.   Sampling Sistematis
Teknik pengambilan sampel berdasarkan urutan  yang telah diberi no urut

Misal : anggota populasi yang terdiri dari 100 orang, dan telah diberi no urut

Pengambilan sampelnya bisa  no ganjil saja atau genap saja atau kelipatan dari bilangan tertentu

                  b.   Sampling Kuota
Teknik untuk menentukan sampel dari populasi dengan ciri tertentu sampai jumlah (kuota) yang
diinginkan.

Contoh : penelitian kepuasan layanan mau dilakukan terhadap 100 orang pembeli mobil avanza, maka
selama belum tercapai 100 orang, , penelitian belum dianggap selesai

              c.    Sampling Insidental
Teknik penentuan sampel berdasarkan kebetulan/secara kebetulan bertemu dengan peneliti dan
dipandang cocok.

              d.   Sampling Purposive
Teknik penentuan sampel dengan pertimbangan tertentu

Contoh : penelitian tentang kualitas makanan, maka sampelnya harus ahli makanan.

             e.   Sampling Jenuh (sensus)

Teknik penentuan sampel bila semua anggota populasi digunakan sebagai sampel. Sering digunakan jika
populasinya kurang dari 30

             f.     Snowball Sampling
Teknik pengumpulan sampel, yang mula-mula jumlahnya kecil kemudian membesar

Contoh : meneliti provokator kerusuhan/jaringan teroris

1. Contoh Menentukan Ukuran Sampel

Akan dilakukan penelitian untuk mengetahui tanggapan kelompok masyarakat terhadap pelayanan yang
diberikan pemerintah daerah tertentu. Kelompok masyarakat itu terdiri 1000 orang, yang dapat
dikelompokkan berdasarkan jenjang pendidikan, yaitu lulusan S1 = 50, Sarjana Muda = 300, SMK = 500,
SMP = 100, SD = 50 (populasi berstrata).

Dengan menggunakan Tabel 3.1 bila jumlah pupulasi = 1000, kesalahan 5%, maka jumlah sampelnya =
258, karena populasinya berstrata, maka sampelnya juga berstrata. Stratanya ditentukan menurut jenjang
pendidikan. Dengan demikian masing-masing sampel untuk tingkat pendidikan harus proporsional sesuai
dengan pupulasi. Berdasarkan perhitungan dengan cara berikut ini jumlah sampel untuk kelompok S1 =
13, Sarjana Muda (SM) = 77, SMK = 129, SMP = 26, dan SD = 13.

S1            =  50/1000      ×    258                =  12,9  =  13

SM          =  300/1000    ×    258                =  77,4  =  77

SMK        =  500/1000    ×    258                =  129   =  129

SMP        =  100/1000    ×    258                =  25,8  =  26

SD           =  50/1000      ×    258                =  12,9              =  13

Jumlah                             258     =  258

Jadi jumlah sempelnya = 12,9 + 77,4 + 129 + 25,8 + 12,9 = 258. Jumlah yang pecahan bisa dibulatkan,
sehingga jumlah sampel menjadi 13 + 77 + 129 + 26 + 13 = 258.

Pada perhitungan yang menghasilkan pecahan  (terdapat koma) sebaiknya dibulatkan ke atas sehingga
jumlah sampelnya lebih 259. Hal ini lebih aman daripada kurang dari 258. Gambaran jumlah populasi dan
sampel dapat ditunjukkan pada gambar 3.8 berikut:
Gambar 3.2

Sampel yang diambil dari populasi berstrata dengan kesalahan 5%

1. Cara Menentukan Anggota Sampel

Untuk Probability sampling (peluang sama)/random sampling :

1. Dengan bilangan random, komputer atau undian

1. Bila dengan undian, harus diberi nomor
2. Harus memiliki peluang yang sama (dipulihkan)
1. Normalitas Data
a.Kurva Normal

1)  Asumsi data variabel  membentuk distribusi normal

2)  Bila data tidak normal, teknik statistik parametris tidak dapat digunakan untuk analisis

Suatu data  membentuk distribusi normal bila jumlah data di atas dan di bawah rata-rata adalah sama,
demikian juga simpangan bakunya

Lihat gambar :

         

 
 
                                               
                                                                                                                                                           

 
 
 
                              2                    4                      6                    8                       10

 
 
                                               
                                                                                                                                                           

 
 
                2,27 %                     13,59 %                       34,13 %                     34,13 %      13,59 %        
34,13 %
 
                                                1 S                1 S
                                               
                                    2 S                                   2 S
                                   
                        3 S                                                                           3 S
                       
Penjelasan
 
–          Secara teoritis, kurva tidak akan pernah menyentuh garis dasar, sehingga  luasnyapun tidak
sampai 100 %, tetapi hanya mendekati (99,999 %)

–          Bentuk kurva sistematif :  luas rata-rata mean ke kiri dan ke kanan masing-masing mendekati 50
%, tetapi dalam prakteknya dinyatakan dalam 50 %

–          Disamping kurva normal umum, terdapat kurva normal standar, karena nilai rata-ratanya = 0, dan
simpangan bakunya = 1,2,3,4 dst

Nilai Simpangan baku

Simbol nilai simpangan baku : z

Kurva normal umum dapat dirubah ke dalam kurva normal standar, dengan rumus :                                 
_
Z          =  (xi  –  x  )
s

Dimana :

Z          =  simpangan baku untuk kurva normal standar

Xi          =  Data ke-I dari suatu kelompok data

_

X          =  Rata-rata kelompok

S          =  simpangan baku

Harga z ada kaitannya dengan  prosentase daerah kurva itu

 
    KURVA NORMAL   STANDAR
RATA-RATA 0, SIMPANGAN BAKU 1,2,3
                Prosentase Luas Kurva Normal

 
 
                                               
                                                                                                                                                           
 
 
2,27 %              13,59 %                   34,13 %        34,13 %         13,59 %          34,13 %
 
                                                1 S                1 S
                                               
                                    2 S                                   2 S
                                   
                        3 S                                                                           3 S
 
 
 
1. Contoh Penggunaan Kurva normal
Terdapat 200 mahasiswa  yang ikut ujian mata kuliah statistik.  Nilai rata-ratanya adalah 6 dan
simpangan bakunya adalah 2.  Berapa orang yang mendapat nilai 8 ke atas ?

Jawab  :

Rata-rata ( x)               = 6

S                      = 2

Maka

_
z           =  (xi  –  x  )      =   (8 – 6)         =  1 = 34,13 %
s                       2

Harga 1, menunjukkan prosentase jumlah mahasiswa yang mendapat nilai 6 – 8.

Dengan demikian prosentase yang mendapat nilai 8 ke atas adalah :

50 % – 34,13 %  =  15,87 %  =  15, 87 % x 200  =  31,74 orang

Dibulatkan  = 32 orang

Keterangan : 50 % adalah setengah kurva di atas mean (rata-rata)

 
1. c.       Pengujian Normalitas Data
 
 Statistik parametris didasarkan atas asumsi bahwa data setiap variabel dianalisis berdasakan
distribusi normal.
 Sebelum menggunakan teknik statistik parametris, maka kenormalan data harus diuji terlebih
dahulu.
 Bila data tidak normal, maka statistik parametris tidak dapat digunakan, sehingga digunakan
statistik non parametris.
 Penyebab ketidaknormalan data : kesalahan alat dan pengumpulan data.
  Pengujian normalitas data menggunakan Chi Kuadrat (Χ 2), dilakukan dengan cara
membandingkan kurva normal yang terbentuk dari data yang telah terkumpul (B) dengan kurva
normal baku/standar (A) atau (B : A)
 Bila B tidak berbeda secara signifikan dengan A, maka B merupakan data yang berdistribusi
normal.
 
            Rata-rata 0, Simpangan Baku, 1,2,3   

 
 
                                               
                                                                                                                                                           
                                                ?                      ?

 
                           ?                                                               ?
   ?                                                                                                            ?
 
Distribusi data yang akan diuji normalitasnya

Semua Data harus dikelompokkan menjadi  6 kelas, sesuai 6 bidang kurva normal

Contoh

Misalkan sebaran nilai statistik 150 mahasiswa adalah sebagai berikut :

 
 INTERVAL  F 

13 – 2728 – 42 321

43 – 57 56
58 – 72 45
73 – 87 21
88 – 102 4
 

 
Langkah-langkah
 
1. Menentukan jumlah kelas interval.  Jumlah kelas interval disesuaikan dengan jumlah bidang = 6
2. Menentukan panjang kelas interval
Panjang kelas = (Data terbesar – Dat terkecil)
6
 1. Menyusun ke dalam tabel distribusi frekuensi, sekaligus tabel penolong untuk menguji harga chi
kuadrat hitung
2. Menghitung fh (frequensi yang diharapkan)
Prosentasi luas tiap bidang kurva x jumlah total data

1. Menghitung total  (fo-fh)2
fh

1. 6.   Membandingkan harga chi Kuadrat Hitung dengan Chi Kuadrat Tabel.  Jika Chi kuadrat
hitung lbih kecil dari chi kuadrat Tabel, maka distribusi data dinyatakan normal, dan bila lebih bsar
dinyatakan tidak normal
 
Tabel Penolong untuk pengujian Normalitas Data dengan Chi Kuadrat
 
 INTERVAL   Fo  Fh = ( % x n)   Fo-fh   (fo-fh)2   (fo-fh)2fh
 
 
13 – 27 3 42051 -115 1125 0,250,050,49
28 – 42 21 51 -6 36 0,70
43 – 57 56 20 1 1 0,05
58 – 72 45 4 0 0 0
73 – 87 21        
88 – 102 4
JUMLAH 150  150  0    
1,55
 
 
Bandingkan Chi Kuadrat Hitung dengan Chi Kuadrat Tabel

Chi Kuadrat Hitung                   = 1,55

Chi Kuadrat Tabel dengan :

db = 6-1                                                : 5

tingkat kesalahan                     : 5 %

Adalah                                      :  11,070

Kesimpulan :

Jika Chi Kuadrat  Hitung < Chi Kuadrat Tabel, maka data dinyatakan normal, tapi

Jika Chi Kuadrat  Hitung > Chi Kuadrat Tabel, maka data dinyatakan tidak normal,

Hasil  :

Karena Chi Kuadrat  Hitung (1,55) < Chi Kuadrat Tabel (11,070), maka data dinyatakan normal,
 Statistika – Bab 4
NOVEMBER 9, 2012  · MATA KULIAH , STATISTIKA

Print Post

 Email


AUTHORS

 Herry Syafrial
BAB IV
KONSEP DASAR PENGUJIAN HIPOTESIS
 
 
A. Statistik dan Penelitian
Dalam statistik hipotesis dapat diartikan sebagai pernyataan statistik tentang parameter populasi.
Terdapat perbedaan mendasar pengertian hipotesis menurut statistik dan penelitian. Dalam penelitian,
hipotesis diartikan sebagai jawaban sementara terhadap rumusan masalah penelitian.

B. Tiga Bentuk Rumusan Hipotesis

1. Hipotesis Deskriptif
Adalah dugaan tentang nilai suatu variabel mandiri, tidak membuat perbandingan atau hubungan.

Contoh :

Dari rumusan masalah :

1. Seberapa tinggi daya tahan lampu merek X?

2. Seberapa tinggi produktivitas padi di Kabupaten Klaten?
3. Seberapa baik gaya kepemimpinan di Lembaga X?
Dapat dijadikan rumusan hipotesis sebagai berikut :

1. Daya tahan lampu merek X = 800 jam.

2. Produktivitas padi di Kabupaten Klaten 8 ton/ha.
3. Gaya kepemimpinan di lembaga X telah mencapai 70% dari yang diharapkan.
Dalam perumusan hipotesis statistik, antara hipotesis nol (Ho) dan hipotesis alternative (Ha) selalu
berpasangan, bila salah satu ditolak, maka yang lain pasti diterima.

Contoh :

Suatu bimbingan tes menyatakan bahwa murid yang dibimbing di Lembaga itu, paling sedikit 90% dapat
diterima di Perguruan Tinggi Negeri. Rumusan hipotesis statistiknya adalah :

Ho : µ ≥ 0,90

Ha : µ < 0,90

2. Hipotesis Komparatif
Adalah pernyataan yang menunjukan dugaan nilai dalam satu variabel atau lebih pada sampel yang
berbeda.

Contoh :

Rumusan masalah komparatif :

“Apakah ada perbedaan produktivitas kerja antara pegawai golongan I, II, III?”

Rumusan Hipotesis :

Tidak terdapat perbedaan produktivitas kerja antara golongan I, II, III.

Rumusan Statistiknya :

Ho : µ1 = µ2 = µ3                    µ : dibaca ‘mu’

Ha : µ1 ≠ µ2 ≠ µ3
3. Hipotesis Asosiatif (Hubungan)

Adalah suatu pernyataan yang menunjukan dugaan tentang hubungan antara dua variabel atau lebih.

Contoh :

Rumusan masalah asosiatif :

“Apakah ada hubungan antara Gaya Kepemimpinan dengan Efektifitas Kerja?”

Rumus hipotesis nol nya :

Tidak ada hubungan antara Gaya Kepemimpinan dengan Efektivitas Kerja.

Rumusan Statistiknya :

Ho : ρ = 0

Ha : ρ ≠ 0

1. Taraf Kesalahan dalam Pengujian Hipotesis

Menguji hipotesis pada dasarnya adalah menaksir parameter populasi berdasarkan data sampel.
Terdapat dua cara menaksir yaitu :

1. A point astimate : suatu taksiran parameter populasi berdasarkan satu nilai data sampel. Contoh :
Daya tahan kerja orang Indonesia 10 jam/hari.
2. Interval estimate : suatu taksiran parameter populasi berdasarkan nilai interval data sampel.
Contoh : Daya tahan kerja orang Indonesia antara 8 sampai dengan 12 jam/hari.
3. Dua Kesalahan dalam Pengujian Hipotesis
Dalam menaksir parameter populasi berdasarkan data sampel, kemungkinan akan terdapat dua
kesalahan yaitu :

1. Kesalahan Tipe I adalah suatu kesalahan bila menolak hipotesis nol (Ho) yang benar
(seharusnya diterima). Dalam hal ini tingkat kesalahan dinyatakan dengan α (alpha).
2. Kesalahan Tipe II adalah kesalahan bila menerima hipotesis yang salah (seharusnya ditolak).
Tingkat kesalahan untuk ini dinyatakan dengan β (betha).
 Statistika – Bab 5
NOVEMBER 9, 2012  · MATA KULIAH , STATISTIKA

Print Post

 Email


AUTHORS

 Herry Syafrial
BAB V
PENGUJIAN HIPOTESIS KOMPARATIF
 
Terdapat 2 model komparasi

1. Komparasi antara 2 sampel

2. Komparasi antara lebih dari 2 sampel (k sampel)
 

Dalam pengujian hipotesis komparatif 2 sampel atau lebih, terdapat berbagai teknik statistik yang dapat
digunakan.  Untuk data interval dan rasio digunakan statistik parametris sedangkan  untuk data
nominal/diskrit dapat digunakan statisik non parametris.

Statistik Parametris
 

Statistik parametris yang digunakan untuk menguji hipotesis komparatif rata-rata dua sampel bila datanya
berbentuk interval atau ratio adalah dengan menggunakan t-test

_        _

t    =                          x1  –   x2               

s12  +   s2 2   – 2 r  ( s1 )     ( s2 )
n1        n2             ( √n1 )   (√n2 )
_

X           :  rata-rata sampel 1

X2        :  rata-rata sampel 2

S1        :  simpangan baku sampel 1

S2        :  simpangan baku sampel 2

S1 2      :  varian sampel 1

S2 2      :  varians samel 2
r           :  korelasi antara 2 sampel
 

Contoh :

Dilakukan penelitian untuk mengetahui ada tidaknya perbedaan produktivitas kerja pegawai PT
Meregehese sebelum dan setelah diberi kendaraan dinas.  Berdasarkan  25 sampel pegawai yang dipilih
secara random dapat diketahui bahwa produktivitas pegawai sebelum dan sesudah diberi kendaraan
dinas adalah seperti yang ditunjukkan pada Tabel berikut :

Ho           :   Tidak  terdapat  perbedaan  nilai  produktivitas kerja pegawai antara sebelum dan setelah
mendapatkan kendaraan dinas

Ha           :   Terdapat perbedaan nilai produktivitas kerja pegawai antara sebelum dan setelah
mendapatkan kendaraan dinas

   
NO RESPONDEN
  PRODUKTIFITAS
 
  SESUDAH (X2)

SEBELUM (X1)  
 
1 75 85

2 80 90
3 65 75
4 70 75
5 75 75
6 80 90
7 65 70
8 80 85
9 90 95
10 75 70
11 60 65
12 70 75
13 75 85
14 70 65
15 80 95
 16 65 65
17 75 80
18 70 80
19 80 90
20 65 60
21 75 75
22 80 85
23 70 80
24 90 95
25 70 75
     

Rata-rata 74,00 79,20

   

Simpangan baku 7,50 10,17

   

Varians 56,25 103,50

   

Dari tabel tersebut diperoleh :

T hitung            = – 4, 952

dk          = n1 + n2 – 2 = 50 – 2 = 48

Bila tarap kesalahan = 5 %, maka

T tabel = 2,013 atau t tabel = -2,013

Karena t thitung di sebelah kiri t tabel, atau berada di daerah penolakan Ho, maka Ho ditolak atau Ha
diterima

Kesimpulan : Terdapat perbedaan nilai produktivitas kerja pegawai antara sebelum dan setelah
mendapatkan kendaraan dinas

  Statistik Non Parametris

Teknik yang digunakan : Mc Nemar Test
(untuk komparatif data nominal/diskrit)

Mc Nemar Test : berbentuk “before after”/sebelum dan sesudah perlakuan dalam bentuk segi 4 ABCD
berikut :

SEBELUM  
 
SESUDAH
 
– +

+ A B

– C D

Tanda (+) dan (-) dipakai untuk menandai jawaban yang berbeda.

Seseorang dicatat dalam sel A jika berubah dari positif (+) ke negatif (-) dan dicatat di sel D jika berubah
dari negatif (-) ke positif (+).

A + D  =  jumlah total perubahan.

Rumus yang digunakan  adalah Chi kuadrat :

Χ2  =  Σ       ( fo – fh ) 2

I = 1        fh

Uji signifikansi hanya berkenaan dengan A dan D,sehingga rumus Chi kuadrat menjadi :

Χ 2 =  (  A – D  – 1) 2

A + D 
                                            

dengan dk = 1

Contoh :

Suatu perusahaan ingin mengetahui pengaruh sponsor yang diberikan dalam suatu pwertandingan olah
raga  terhadap nilai penjualan barangnya.  Dalam penelitian ini digunakan sampel yang diambil secara
random yang jumlah anggotanya 200 orang.  Sebelum sponsor diberikan, terdapat 50 orang yang
membeli barang tersebut dan 150 orang tidak membeli.

Setelah sponsor diberikan dalam pertandingan dalam pertandingan olah raga ternyata dari 200 orang
tersebut terdapat 125 orang yang membeli dan 75 orang tidak membeli.  Dari 125 orang tersebut terdiri
dari pembeli tetap 40 orang dan yang berubah dari tidak membeli menjadi membeli ada 85 orang. 
Selanjutnya dari 75 orang yang tidak membeli itu terdiri  atas yang berubah dari membeli menjadi tidak
membeli ada 10 orang dan yang ettap tidak membeli ada 65 orang.

Lebih jelasnya dapat dilihat dalam Tabel berikut :

Tabel Perubahan Penjualan Setelah Ada Sponsor

   
SEBELUM ADA
SPONSOR SETELAH ADA SPONSOR
   
     

KEPUTUSAN f f TOTAL           TETAP        BERUBAH

 
Membeli 50 125       =         40        +      85

   

Tidak Membeli 150 75       =         65        +      10

   

     

200 200       =       105        +       95

 

Untuk Keperluan pengujian, data tersebut harus disajikan dalam tabel ABCD sebgai berikut :

     
Keputusan
Tidak Membeli Membeli
 
   

Membeli 10 40
  

Tidak Membeli 65 85

Jumlah 75 125

Untuk pengujian , hipotesis yang diajukan adalh sebagai berikut :

Ho      :  Tidak terdapat perubahan (perbedaan) penjualan sebelum dan sesudah sponsor

Ha      :  Terdapat perubahan penjualan sebelum dan sesudah ada sponsor

Ketentuan :  Bila Chi Kuadrat hitung ≤ Chi Kuadrat tabel, maka terima Ho

Dari Tabel tersebut, diperoleh Chi Kuadrat sebagai berikut :

Χ 2 =  (  A – D  – 1) 2

A + D 
=  ( 85 – 10 ) – 1) 2
95 
         
=  57, 642
 

Chi Kuadrat Tabel dengan dk  = 1 dan taraf kesalahan 5 % = 3,481

Karena Chi Kuadrat hitung > Chi Kuadrat tabel, maka tolak Ho atau terima Ha

Kesimpulan :

Terdapat perubahan penjualan sebelum  dan sesudah ada sponsor

  Komparatif k sampel
 

Untuk sampel lebih dari 2, Pengujian dilakukan dengan menganalisis apakah terdapat perbedaan nilai
rata-rata (mean) secara signifikan antar kelompok sampel satu dengan lainnya.

Misalnya penelitian yang dilakukan untuk mengetahui perbedaan disiplin kerja antar pegawai Negeri Sipil
(X1), Swasta (X2) dan BUMN (X3)
 

Sampel Berkorelasi
 

Teknik Statistik :

1. Parametrik         :  Analisis of Varians (ANOVA)

2. Non Parametrik : Test Cohran & Friedman
 

Statistik Parametrik

1. Analisis Varians :
Digunakan  untuk menguji hipotesis komparatif rata-rata k sampel bila datanya berbentuk interval atau
ratio

Terdapat 2 jenis ANOVA yaitu :

1. ANOVA Klasifikasi Tunggal (ANOVA satu jalan) :

Digunakan untuk menguji  hipotesis komparatif rata-rata k sampel, bila pada setiap sampel hanya terdiri
atas satu kategori

1. ANOVA Klasifikasi Ganda (ANOVA dua jalan) :

Digunakan untuk menguji hipotesis komparatif rata-rata k sampel bila pada setia sampel terdiri atas 2
atau lebih kategori.

Contoh :

Bila ingin menguji hipotesis ada tidaknya perbedaan secara signifikan antara penghasilan Pegawai
Negeri Sipil, Petani, Pedagang dan Nelayan, maka digunakan ANOVA satu jalan, tetapi bila akan menguji
hipotesis ada tidaknya perbedaan secara siginifikan antara penghasilan Pegawai Negeri, Petani,
Pedagang dan Nelayan berdasarkan jenis kelamin (pria/wanita) maka digunakan 2 jalan.

TABEL RINGKASAN ANOVA

Untuk Menguji Hipotesis

             
SV
dk JUMLAH KUADRAT MK fh ft KEP
(JK)
 

             
     Σ X tot2 – ( Σ X tot )2
    

tot N-1 N
 

    ( Σ X kel)2  – (Σ X ant)2        
Σ        
    n kel             N JK ant MK ant   Fh > Ft
An m-1   Tab F Ha diterima
t
     
m -1 MK dal
 
 

             

    JK tot – JKant JK dal

 
dal N-m

 
N–m
 

Keterangan :

SV       =  Sumber Variasi

Tot     =  Total

Ant     =  Antar Kelompok

Dal     =  Dalam kelompok

Tab F  =  Tabel F untuk 5 % atau 1 %

N        =  Jumlah seluruh anggota sampel

m       =   Jumlah kelompok sampel

MK     =   Mean Kuadrat

F h      =   F hitung

F t       =   F table

Contoh soal :

Dilakukan penelitian untuk mengetahui pengaruh alat kerja baru terhadap tingkat produktivitas kerja di
perusahaan sepatu.  Penelitian menggunakan sampel yang terdiri atas 15 orang yang diambil secara
random.  Penelitian dilakukan dengan cara mengukur produktivitas karyawan sebelum menggunakan alat
kerja baru, dan sesudah menggunakan 3 bulan dan 6 bulan.  Jadi karyawan yang digunakan sebagai
sampel adalah tetap, dan diulang selama 3 kali.  Produktivitas kerja diukur dari jumlah pasang sepatu
yang dihasilkan setiap hari.  Produktivitas selama 3 periode itu selanjutnya disusun ke dalam Tabel
berikut :

Tabel Produktivitas Kerja Karyawan  (X1, X2, X3) selama tiga Periode Pengukuran,

sebelum dan sesudah pakai alat kerja baru

       
 
Produktivitas sebelum memakai Produktivitas setelah 3 bulan Produktivitas setelah 6 bulan
NO alat baru (X1) memakai alat baru X2) memakai alat baru (X3)
     

1 12 13 18

2 13 15 18
3 10 12 14
4 15 18 20
5 13 15 15
6 14 17 19
7 10 18 20
8 12 20 21
9 13 14 18
10 14 16 17
11 13 18 17
12 10 16 19
13 13 15 16
14 10 13 17
15 15 16 14

Jml 187,00 236,00 263,00

Mea 12,47 15,73 17,53

n
2375 3782 4675
Σ x2
s 1,77 2,22 2,13

s2 3,12 4,92 4,55

    Σ x tot = 686 Σ x 2 tot = 10832

 

Hipotesis Penelitian :

Ho      :   Alat kerja baru tidak berpengaruh terhadap produktivitas

Ha      :   Alat kerja baru dapat meningkatkan produktivitas kerja

Syarat ANOVA :

1. Sampel diambil secara random

2. Data berdistribusi normal
3. Varians antar variabel homogen
 

Pengujian homogenitas :

F         =  Varians terbesar

Varians terkecil

F         =  4,92 =  1,58

3,12

F tabel (Tabel 12) untuk dk  :

–   pembilang = dk – 1 = 15- 1 = 14

–   penyebut   = dk – 1 = 15 – 1 = 14

untuk taraf kesalahan 5 % = 2,48

Karena F hitung < F tabel ( 1,58 < 2,48), maka

Varians data homogen

Selanjutnya karena setelah terbukti varians data homogen, maka perhitungan ANOVA dapat dilanjutkan

TABEL Penolong Perhitungan ANOVA

Sampel 1 Sampel 2 Sampel 3 JUMLAH TOTAL

 
     

X1 X12 X2 X22 X3 X32 Xtot Xtot2

               
 12 144 13 169 18 324 43 637

13 169 15 225 18 324 46 718

10 100 12 144 14 196 36 440
15 225 18 324 20 400 53 949
13 169 15 225 15 225 43 619
14 196 17 289 19 361 50 846
10 100 18 324 20 400 48 824
12 144 20 400 21 441 53 985
13 169 14 196 18 324 45 689
14 196 16 256 17 289 47 741
13 169 18 324 17 289 48 782
10 100 16 256 19 361 45 689
13 169 15 225 16 256 44 650
10 100 13 169 17 289 40 558
15 225 16 256 14 196 45 677
               

187 2375 236 3782 263 4.675 686 10.832

               

N1 = 15 N2 = 15 N3 = 15 N = 45

       

Langkah-langkah perhitungan ANOVA :

1. JK tot   =  Σ x2 tot – (Σ  X tot)2

N

=  10.832 – (686)2       =   374,3

                                              
        45
1. JK ant   = (Σ x1)2 + (Σ x2)2 + …. + (Σ xm)2 – (Σ xtot)2
                              
n1                 n2                          nm                 N
=  (187)2 +  (236)2 + (263)2  – (686)2
15            15           15         45

=  2.331,27 + 3713,07 + 4.611,27 – 10.457,69 =  197,92

1. JK dal  =  JK tot – JK ant

=  374,3 – 197,92 =  176,38

1. MK ant            =  Jk ant  =  197,92  =  98,96

m -1                   3 -1

1. MK dal =  JK dal  =  176,38  = 4,2

N – m       45 – 3

1. F hit     =  MK ant  =  98,96   =  23,56

MK dal        4,2

F hitung = 23, 56

F tabel (dk )

–  pembilang    = m-1   = 3 -1  = 2

–  penyebut      = N-m  = 45 – 3   = 42

tarap kesalahan : 5 % adalah  :  3,22

Karena  F hitung ( 23,56) > F tabel (3,22)

Maka  Ho ditolak, dan Ha diterima

Kesimpulan :

Alat kerja baru dapat meningkatkan produktivitas kerja

TABEL RINGKASAN PERHITUNGAN ANOVA

 

SV Dk JUMLAH KUADRAT (JK) MK fh ft KEPUTUSAN

 
Total 45-1 = 44 374,3 –     Fh > Ft

  (23,56 > 3,22)

Antar Kelompok 3-1 = 2 197,92 98,9 23,5 5 % = 3,22 Maka

6 6 Tolak Ho,
 
    atau

Dalam 45-3 = 42 176,38 4,2     Terima Ha

Kelompok

Share this:

Statistika – Bab 6
NOVEMBER 9, 2012  · MATA KULIAH , STATISTIKA

Print Post
 Email


AUTHORS

 Herry Syafrial
BAB VI
PENGUJIAN HIPOTESIS ASOSIATIF
 

Hipotesis Asosiatif
 

Merupakan dugaan tentang adanya hubungan antar variabel dalam populasi, yang akan diuji melalui
hubungan antar variabel dalam sampel.

Langkah pertama pembuktian : perlu dihitung terlebih dahulu koefisiensi korelasi yang ada pada sampel
untuk diberlakukan pada seluruh populasi.

Bila penelitian dilakukan untuk seluruh populasi, maka tidak diperlukan pengujian signifikansi terhadap
koefisien korelasi yang ditemukan, yang berarti peneliti tidak perlu merumuskan dan menguji instrumen
statistik

Terdapat 3 hubungan Asosiatif :

1. Simetris
2. Sebab akibat (kausal)
3. Interaktif (saling mempengaruhi)
 

Korelasi : angka yang menunjukkan arah dan kuatnya hubungan antar variabel.

Arah       :  dinyatakan dalam bentuk hubungan positif (+) atau negatif (-)

Kuat        :  dalam besaran koefisien korelasi

Hubungan variabel dinyatakan positif bila kenaikan nilai variabel yang satu mengakibatkan kenaikan nilai
variabel yang lain, dan sebaliknya bila nilai penurunan nilai variabel yang satu mengakibatkan penurunan
nilai variabel yang lain

Contoh (+) : semakin tinggi orang semakin berat badannya

 
Hubungan variabel dinyatakan negatif bila kenaikan nilai variabel yang satu justru mengakibatkan
penurunan nilai variabel yang lain dan sebaliknya penurunan nilai variabel yang satu justru
mengakibatkan kenaikan nilai variabel yang lain

Contoh (+) : hubungan antara tinggi curah hujan dengan es yang terjual

Kisaran Koefisien Korelasi (r)    :  -1 s/d 1

Hubungan sempurna                 :  r = 1 atau -1

Artinya : kejadian variabel yang satu dapat dijelaskan secara sempurna oleh variabel yang lain, tanpa
melakukan kesalahan sedikitpun

Semakin kecil r, semakin besar error (kesalahan) untuk membuat prediksi

Besarnya koefisien korelasi dapat diketahui dengan penyebaran pertemuan titik-titk antar variabel x dan y
:

1. Jika titik-titiknya berbentuk lingkaran                     :  r = 0

2. Jika titik-titiknya berbentuk elips (oval)      :  r = 0,5
3. Jika titik-tiknya berbentuk garis lurus                     :  r = 1
 

8.1        Pedoman Memilih Teknik Korelasi

 

   
MACAM/TINGKATAN
DATA TEKNIK KORELASI
   
   

Nominal Koefisien Kontingency

   

Ordinal 1. Spearman Rank

2. Kendal Tau
 
 

Interval dan Ratio 1. Pearson Product

Moment
  2. Korelasi Ganda
3. Korelasi Parsial
  

8.1.1        Statistik Parametris
 

1. Korelasi Product Moment

Digunakan untuk mencari hubungan dan membuktikan hipotesis hubungan dua variabel, bila data kedua
variabel berbentruk interval atau ratio, dan sumber data dari kedua variabel tersebut adalah sama

r xy     =      Σ xy
√ Σ x2 y2              
            
dimana :

x = (xi – x) dan
                                    

y = (yi – y)

r xy =                n Σ xi yi – (Σ xi ) (Σ yi)

√ ( n Σ xi2 – (xi)2)( n Σ yi2 – (yi)2)
 

Rumus di atas digunakan bilamana kita sekaligus akan mencari persamaan regresinya

Contoh soal

Dilakukan penelitian untuk mengetahui ada tidaknya hubungan antara pendapatan dan pengeluaran. 
Untuk keperluan tersebut telah dilakukan pengumpulan data terhadap 10 responden yang diambil secara
random.  Berdasarkan 10 responden tersebut diperoleh data tentang pendapatan (x) dan pengeluaran (y)
per bulan dalam ribuan sebagai berikut :

x       =          800    900     700      600    700     800     900      600     500      500

y       =          300    300     200      200    200     200     300      100     100      100

 
Ho     :  Tidak ada hubungan antara pendapatan dan pengeluaran

Ha     :  Terdapat hubungan antara pendapatan dan pengeluaran

atau :

Ho     :  ρ = 0

Ha     :  ρ ≠ 0

Tabel Penolong untuk menghitung korelasi antara pendapatan dan pengeluaran

  Pendapatan Pengeluaran _          _      

No
per bulan per bulan ( X – X) ( Y – Y) X 2 Y 2 XY
     
(Y) (Y) x y  
       

1 8 3 1 1 1 1 1

2 9 3 2 1 4 1 2
3 7 2 0 0 0 0 0
4 6 2 -1 0 1 0 0
5 7 2 0 0 0 0 0
6 8 2 1 0 1 0 0
7 9 3 2 1 4 1 2
8 6 1 -1 –1 1 1 1
9 5 1 –2 -1 4 1 2
10 5 1 2 –1 4 1 2
           

  Σ = 70 Σ = 20 0 0 20 6 10

_ _    
X=7 Y=2
 

r xy =       Σ xy =          10        =  0,9129

√ Σ x2 y2                               √(20)(6)
 
 

Kesimpulan :

Terdapat korelasi positif sebesar 0,9129 antara pendapatan dan pengeluaran setiap bulannya, dimana
semakin besar pendapatan, semakin besar pula pengeluaran

Pertanyaan :

Apakah r tersebut signifikan (dapat digeneralisir) atau tidak ?

Perlu dibandingkan dengan t tabel, dengan tarap kesalahan tertentu (Tabel III)

Untuk N= 10 dan tarap kesalahan 5 %, r tabel = 0,632

Ternyata r hitung ( 0,9129) > r tabel ( 0,632), sehingga tolak Ho atau terima Ha

Kesimpulan :  Hubungan positif antara pendapatan dengan pengeluaran dengan nilai korelasi sebesar
0,9129 dapat digeneralisasikan

Koefisien Determinasi

Koefisien Determinasi : Kuadrat dari Koefisien Korelasi (r 2) :

Koefisien Penentu, dimana varians yang terjadi pada variabel dependen dipengaruhi sebesar r 2
oleh
 variabel  independen.
Contoh  : r = 0,9129

Koefisien determinasinya adalah :

r 2 = (0,9129) 2
=  0,83

Artinya :

Besarnya pengeluaran, 83 % dipengaruhi oleh pendapatan, sedangkan sisanya sebesar 17 %

dipengaruhi oleh variabel/faktor lain, sehingga pengeluaran tersebut tidak dapat diduga 100 %

Pedoman  Untuk Memberikan Interpretasi Terhadap Koefisien Korelasi

   
INTERVAL KOEFISIEN
   TINGKAT HUBUNGAN
 
   

0,00 – 0,199 Sangat Rendah

0,20 – 0,399 Rendah
0,40 – 0,599 Sedang
0,60 – 0,799 Kuat
0,80 – 1,000 Sangat Kuat
   

 
1. 2.         Korelasi Ganda (Multiple Correlation) :
Angka yang menunjukkan arah dan kuatnya hubungan antara 2 variabel independen atau lebih secara
bersama-sama dengan satu variabel dependen :

Contoh :

r1

r3           R

r2

X1     =  Kepemimpinan

X2     =  Tata Ruang kantor

Y       =  Kepuasan Kerja

R       =  Korelasi Ganda

R       ≠      r1  +  r2  +  r3,

R yx1x2 =      ryx1 2 +  ryx2 2 – 2 ryx1 ryx2 rx1x2

1   –  r x1x2 2
Dimana :

R yx1x2                        =  Korelasi antara variabel X1 dengan X2

                                              secara bersama-sama dengan variabel Y

ryx1                             =  Korelasi Product Moment antara X1 dengan Y

 ryx2                               =  Korelasi Product Moment antara X2 dengan Y

rx1x2    =  Korelasi Product Moment antara X1dengan x2

 

Contoh :

Misalnya dari suatu penelitian yang berjudul :”Kepemimpinan dan Tata Ruang Kantor dalam kaitannya
dengan Kepuasan Kerja Pegawai di Lembaga A”.  Berdasarkan data yang terkumpul untuk setiap
variabel, dan setelah dihitung korelasi sederhananya ditemukan sebagai berikut

1. Korelasi antara kepemimpinan dengan Kepuasan Kerja Pegawai, r1 = 0,45

2. Korelasi antara Tata Ruang kantor dengan Kepuasan Kerja Pegawai, r2 = 0,48
3. Korelasi antara Kepemimpinan dengan Tata Ruang Kantor r3 = 0,22

R yx1x2  =        ryx1 2 +  ryx2 2 – 2 ryx1 ryx2 rx1x2

1   –  r x1x2 2

R yx1x2  =         (0,45) 2 +  (0,48) 2 – 2 (0,45) (0,48) (0,22)

1   –  (0,22) 2
=  0,5959

R2 / k
Fh     =

(1 – R 2 ) / (n – k – 1)
Dimana :

R =  Koefisien Korelasi ganda

 K =  Jumlah variabel independent

N =  Jumlah anggota sampel

Berdasarkan nilai yang ada, dan bila n = 30, maka nilai Fh tersebut adalah :

Fh     =                 (0,5959) 2 / 2

(1 – (0,5959) 2 ) / (30 – 2 – 1)
= 7,43

F Tabel :

dk pembilang = k = 2

dk penyebut   = (n – k – 1) = 10 – 2 – 1 = 7

Jika tarap kesalahan 5 %,

Maka F tabel = 4,74

Karena F hitung (7,43)  > F tabel (4,74),

Maka Tolah Ho, atau terima H1

Kesimpulan :  Koefisien Korelasi ganda signifikan atau dapat diberlakukan untuk populasi

SOAL UTS STATISTIK

JANUARY 17, 2013  · STATISTIKA

Print Post

 Email


AUTHORS

 Herry Syafrial
UJIAN TENGAH SEMESTER STATISTIKA
  TAHUN AKADEMIK 2012 – 2013
               SEMESTER / SKS                : V /2

WAKTU                                 : 100 Menit (19.00 – 20.40)

SIFAT                                     : Buka Buku

PETUNJUK                          : Berdoa terlebih dahulu dan kerjakan sendiri

 
 1. Apa yang dimaksud dengan Penelitian?
2. Jelaskan tentang peran statistik dalam penelitian?
3. Jelaskan macam-macam data!
4. Apa yang dimaksud dengan statistik deskriptif?
5. Buatlah contoh penyajian data yang menggunakan :
                   a. Tabel Biasa                  b. Grafik Garis                   c. Piechart 
        6. Mana yang lebih homogen dari kelompok berikut:
 








1. 2   8    2   10   11   17   8    10    8
2.

1. 8   8    7   8     8     6     8    7   4    8

 




 
No Kelas Kelas Interval Frekuensi
1 10 – 19 3
2 20 – 29 14
3 30 – 39 15
4 40 – 49 20
5 50 – 59 10
6 60 – 69 6
7 70 – 79 2