Buku Statistika Elementer Kirim

STATISTIKA ELEMENTER
Penulis:
SEBASTIANUS FEDI, S.Si, M.Pd
ALBERTA PARINTERS MAKUR, S.Si, M.Pd
PENERBIT:
STKIP St. Paulus Ruteng (Anggota IKAPI)
Jl. Jend. A. Yani No. 10, Tromolpos 805, Ruteng-Flores 865508
Telp. (0385) 22305, Fax (0385) 21097;
e-mail: penerbitstkip@stkipsantupaulus.ac.id
Web: stkipsantupaulus.ac.id
Fedi. S, Makur. A.P
Statistika Elementer, - Oleh: Sebastianus Fedi, S.Si,
M.Pd, Alberta Parinters Makur, S.Si, M.Pd. -Cet. I-
Ruteng: Penerbit: STKIP St. Paulus, Ruteng, 2018.
vii, 131, Hlm: 14 cm x 20 cm
ISBN: 978-602-52508-1-1
Statistika Elementer
Sebastianus Fedi, S.Si, M.Pd,

Alberta Parinters Makur, S.Si, M.Pd.
Cover : Sebastianus Fedi

Layout : Sebastianus Fedi
Hak cipta yang dilindungi

Undang-undang pada : Pengarang
Hak Penerbitan pada : STKIP St. Paulus Ruteng
Dicetak oleh : STKIP St. Paulus Ruteng
Hak cipta dilindungi undang-undang. Dilarang memperbanyak

atau mengutip sebagian atau seluruh isi buku ini dalam bentuk
apapun tanpa izin tertulis dari Penerbit STKIP ST. PAULUS
RUTENG.
STKIP St. Paulus Ruteng (Anggota IKAPI)

Jl. Jend. A. Yani No. 10, Tromolpos 805, Ruteng-Flores
865508
Telp. (0385) 22305, Fax (0385) 21097;
e-mail: penerbitstkip@stkipsantupaulus.ac.id
Web: stkipsantupaulus.ac.id
KATA PENGANTAR
Pujian dan syukur kepada Tuhan, atas rahmatNya,

sehingga kami dapat menuntaskan penulisan buku ini.
Buku ini merupakan bentuk persembahan yang dapat
kami lakukan sebagai orang beriman dan berilmu, demi
peningkatan kualitas kehidupan masyarakat.
Peran statistika amat penting terhadap tiga hal:

memanage data, menarik kesimpulan dan mengambil
keputusan. Tiga hal ini merupakan langkah penting dan
krusial bagi masyarakat yang ingin hidup secara ilmiah,
dan ingin membentuk populasi rasionalis dan maju. Tiga
hal tersebut berlaku bagi masyarakat dalam hal mengolah
ekonomi rumah tangga, mengolah data kantoran,
managemen sosial-budaya, dan lain sebagainya. Maka
kehadiran referensi statistika adalah hal mutlak bagi
masyarakat.
Kami menulis buku ini, dengan isi yang siap

diterapkan dalam berbagai aspek kehidupan. Buku ini
mengandung banyak konsep dasar statistika. Pengguna
dapat menelaah sendiri isinya, dan dapat mengalami
asupan banyak konsep pokok statistika, mulai dari
pengertian ilmu statistika, jenis data, cara penyajian data,
hakekat nilai rataan dan hakekat varians, ukuran letak
i
data, keruncingan dan kemencengan pola distribusi data,
sampling, distribusi variabel diskrit/kontinu, nilai harapan,
korelasi, dan regresi.
Penulis menyadari, isi buku ini belum tentu

sempurna. Khusus pada pengambilan (soal) contoh yang
berciri pembelajaran ilmu secara realistik atau kontekstual,
kebanyakan mengambil konteks lokal daerah Manggarai,
Flores dengan tambahan konteks universal. Bisa terjadi,
ada penggunaan konteks yang tidak sesuai dengan
keadaan pembaca. Karena itu, kami mengharapkan
masukan yang bersifat memperbaiki isi buku ini.
Terima kasih.
Ruteng, Juli 2018
Tim Penulis
ii
DAFTAR ISI
Kata Pengantar ................................................................... i

Daftar Isi ............................................................................. iii
BAB I : STATISTIKA, JENIS DATA DAN

PENYAJIANNYA
1.1. Pengertian Statistika dan Statistik ........................ 1
1.2. Populasi dan Sampel .............................................. 3
1.3. Peranan dan Fungsi Statistik ................................ 5
1.4. Data dan Variabel ................................................... 6
1.5. Jenis Skala/ Penggolongan Statistik ...................... 8
1.6. Statistika Deskriptif dan Statistika Inferensial ... 12
1.7. Operator Perhitungan yang Sering Dipakai
Statistika ................................................................... 13
1.8. Manfaat Sajian Data ............................................... 14
1.9. Metode Penyajian Data .......................................... 16
1.10. Menyusun Data Tunggal Menjadi Data
Berkelompok ........................................................... 21
1.11. Distribusi Frekuensi Relatif ................................... 25
1.12. Distribusi Frekuensi Kumulatif ............................. 26
1.13. Grafik Daftar Distribusi Frekuensi ...................... 30
iii
BAB II : UKURAN LETAK DATA
2.1 Pengertian ................................................................ 34
2.2 Kuartil Data ............................................................. 35
2.3 Desil .......................................................................... 38
2.4 Persentil .................................................................... 41
BAB III: UKURAN PEMUSATAN DATA

3.1 Pengertian ................................................................. 43
3.2 Rata-Rata/Mean ....................................................... 43
3.3 Modus ....................................................................... 52
3.4 Median ...................................................................... 54
BAB IV : UKURAN KERAGAMAN, KEMIRINGAN

DAN KERUNCINGAN DATA
4.1 Pengertian ................................................................ 58
4.2 Rentang Data/Range (R) ........................................ 60
4.3 Jangkauan Semi Antar Kuartil ............................... 61
4.4 Rata-rata Simpangan .............................................. 62
4.5 Varians dan Varians Baku ...................................... 64
4.6 Pengantar Ukuran Kemiringan dan
Keruncingan ............................................................. 70
4.7 Ukuran Kemiringan ................................................ 72
4.8 Ukuran Keruncingan .............................................. 74
iv
BAB V : DISTRIBUSI SAMPLING YANG ISTIMEWA
5.1 Pengertian ................................................................ 76
5.2 Distribusi Normal ................................................... 76
5.3 Distribusi Student (Distribusi t) ........................... 81
5.4 Distribusi F .............................................................. 86
BAB VI: KORELASI

6.1 Pengertian................................................................. 91
6.2 Korelasi Product Moment Pearson ...................... 92
6.3 Korelasi Ganda (Multiple Correlation) ................ 94
6.4 Korelasi Peringkat Spearman ............................... 99
6.5 Korelasi Point Biserial ............................................ 103
6.6 Uji Signifikansi Korelasi ........................................ 106
BAB VII ANALISIS REGRESI

7.1 Pengantar ................................................................. 109
7.2 Regresi Linear Sederhana ...................................... 110
7.3 Metode Kuadrat Terkecil Untuk Regresi Linear
Sederhana ................................................................. 111
7.4 Galat dan Simpangan Baku Pada Perhitungan
Regresi Linear .......................................................... 116
7.5 Uji Signifikansi Koefisien Regresi ........................ 120
7.6 Analisis Ragam ........................................................ 125
DAFTAR PUSTAKA ....................................................... 127

TENTANG PENULIS....................................................... 129
v
vi
BAB I
STATISTIKA, JENIS DATA DAN
PENYAJIANNYA
1.1. Pengertian Statistika dan StatistiK

Kekeliruan penggunaan antara kata statistik dan
statistika, sering terjadi. Kata statistika jarang digunakan.
Misalnya orang menyebut mata kuliah statistik bukan mata
kuliah statistika. Hampir pada semua hal, orang menyebut
statistik, sekalipun itu berbicara tentang cara
pengumpulan, cara pengolahan dan cara menggeneralisasi
kesimpulan suatu penelitian. Padahal, statistik dan
statistika memiliki pengertian berbeda.
Statistik memiliki beberapa pengertian (Awaluddin,
2008), yaitu:
(i) statistik adalah sekumpulan angka yang menerangkan
sesuatu, baik yang sudah diurutkan maupun yang
masih bersifat acak; atau statistik adalah keterangan
ringkas berbentuk angka-angka;
(ii) statistik adalah sekumpulan angka-angka yang
menjelaskan sifat-sifat data atau hasil pengamatan.
Jadi, statistik adalah data berupa angka yang
dikumpulkan, ditabulasi, digolong-golongkan sehingga
dapat memberi informasi yang berarti tentang suatu
1
masalah atau fenomena/gejala. Statistik menjadi representase

dari karakter pada obejk tertentu.
Sedangkan statistika adalah ilmu yang mempelajari
tentang metode pengumpulan, pengolahan dan penafsiran
statistik (data).
Contoh : Seorang pelatih renang ingin mengetahui beberapa
informasi tentang semua anggota kelasnya. Tinggi
dan berat badan diukur secara langsung sedangkan
informasi lainnya diketahui dengan cara tanya-
jawab dan pengamatan langsung. Dieproleh:
Tinggi Berat Gol

No Nama TTL JK
(cm) (kg) Darah
1 Agustina Dewi Flores, 4 Mei W 183 65 A
1994
2 Bayu Badri Bogor, 12 Okt L 168 59 O
1992
3 Evlin Samosir Medan, 25 Aprl W 170 60 AB
1994
4 Dion Penafui Kupang, 6 Juni L 167 55 O
1993
5 Eka Ayu P. Singaraja, 9 Jan W 172 62 B
1994
Pada contoh ini: tanya-jawab, pengamatan langsung,

pengukuran tinggi badan, penimbangan berat badan dan
tabulasi data merupakan statistika. Sedangkan entri-entri
pada kolom TTL, JK, Tinggi Badan, Berat Badan, dan
Golongan Darah merupakan Statistik. Perhatikan bahwa,
walaupun berupa huruf, JK dan Golongan Darah
merupakan statistik. Dalam situasi tertentu, data-data
2
tersebut bisa diganti dengan angka. Misalkan untuk JK, 1

=Laki-laki dan 2 = perempuan. Untuk golongan darah, 1 =
A, 2 = AB, 3 = B dan 4 = O. Pengkodean seperti ini sangat
penting karena untuk pengolahan data tertentu, mesin
pengolah data hanya menginginkan data numerik.
Jika dilakukan perhitungan rata-rata berat dan tinggi
badan, atau penentuan modus (data terbanyak) dan
median juga termasuk statistika. Sedangkan angka yang
menunjukan rata-rata berat, angka modus atau angka yang
menunjukkan media termasuk statistik.
1.2. Populasi dan Sampel

Ilustrasi nyata: Dalam satu kabupaten terdapat 28
SMP. Hendak diadakan penelitian tentang efektifnya
pengelolaan perpustakaan di sekolah-sekolah tersebut.
Dengan alasan tertentu, peneliti tidak mungkin melibatkan
semua sekolah tersebut. Peneliti memutuskan, hanya
melibatkan 16 sekolah. Dengan anggapan bahwa keadaan
pada sekolah lain, akan terwakili oleh ke-16 sekolah yang
dilibatkan. Penelitian ini tidak mungkin melibatkan SD
atau SMA. Sebab, level SD tidak sama dengan level SMP,
demikian juga level SMA tidak sama dengan level SMP.
• Populasi adalah kumpulan objek-objek yang memiliki
kesamaan sifat atau karakter.
Pada gambaran di atas, ke-28 sekolah merupakan
populasi. Katakan saja, populasi SMP di kabupaten
tersebut.
• Sampel adalah sebagian anggota populasi yang
dijadikan sebagai objek pengamatan.
3
Pada contoh di atas, ke-16 sekolah yang dilibatkan

dalam penelitian merupakan sampel.
Hasil penelitian atau pengamatan pada sampel akan
berlaku untuk semua populasi. Karena itu, dalam
penelitian atau pengamatan, pemilihan sampel sebaiknya
bisa mewakili (representatif) keadaan seluruh populasi. Jika
sampel tidak bersifat representatif, maka kesimpulan yang
diambil dalam pengamatan/penelitian sulit untuk
menggambarkan keadaan seluruh populasi.
Dalam statistika, ditetapkan cara menentukan sampel
jika kita melakukan penelitian. Cara penentuan ini
dimaksudkan agar sampel benar-benar representative,
benar-benar wewakili keadaan populasi. Teori penentuan
sampel sangat penting, karena generalisasi kesimpulan dari
pengamatan pada sampel diberlakuan pada seluruh
anggota populasi.
Misalkan: Suatu penelitian, mengambil sampel 5.000
pemuda dari 9.800 pemuda yang ada. Hasil penelitian
menunjukkan bahwa mayoritas pemuda berambut keriting
(ada yang lurus).
Modus keriting ini tentu harus menjamin bahwa jika
diamati seluruh 9.800 pemuda, harus menunjukkan bahwa
mayoritas (modus) juga berambut keriting. Jika ada
sebagian pemuda yang kenyataannya berambut lurus,
maka mereka dianggap data pencilan atau data ekstrim.
Tetapi jika pengamatan menyeluruh 9.800 pemuda
ternyata modusnya rambut lurus, maka sampel 5000 orang
tidak representatif. Dalam staistika, ditentukan konsep
toleransi kesalahan sampling, biasanya 5% atau 1%. Untuk
penelitian teknik dan kesehatan, toleransi kesalahan/galat
maksimal 1%.
4
1.3. Peranan dan Fungsi Statistik
1) Dalam kehidupan sehari-hari

Statistik berperan sebagai penyedia bahan-bahan
atau keterangan-keterangan berbagai hal untuk diolah
dan ditafsirkan. Misalnya, data jumlah penduduk (jenis
kelamin, umur, pendidikan), data model celana yang
paling digemari remaja, data tingkat pendapatan,
angka kenakalan remaja, rata-rata kebutuhan beras
satu rumah tangga dalam sebulan, dsb.
2) Dalam penelitian ilmiah
Statistik berperan sebagai penyedia data untuk
diolah, dikaji/dianalisis, dibuat interpretasi, dan
selanjutnya dilaporkan secara ilmiah terhadap masalah
yang diteliti. Analisis data melalui penelitian akan
mengungkapkan rahasia yang terkandung dalam data
tersebut. Harus dipikirkan bahwa data mengandung
fenomena tertentu, dan fenomena tersebut dapat
dijelaskan melalui kajian ilmiah (penelitian).
3) Dalam kegiatan proses belajar mengajar
Dalam kegiatan belajar mengajar, statistik mutlak
diperlukan. Seorang pendidik atau pihak yang terlibat
dan bertanggungjawab langsung terhadap segala
urusan pendidikan dan pengajaran, harus mengetahui
keadaan siswanya. Anda tentu tidak asing dengan
istilah daftar nilai, daftar hadir, atau daftar jumlah
siswa berdasarkan jenis kelamin. Dengan daftar nilai,
guru/pendidik akan mengetahui fenomena
perkembangan prestasi belajar peserta didik. Daftar
5
hadir akan membantu pendidik/guru untuk mendidik

siswa dalam hal berdisiplin. Hal lain, misalnya
pendidik dapat menentukan kebijakan dalam
pembelajaran jika ia mengetahui perbandingan nilai
siswa laki-laki terhadap perempuan.
4) Dalam kegiatan ilmu pengetahuan
Secara umumdalam ilmu pengetahuan, statistik
memiliki peranan sebagai sarana analisis dan
interpretasi dari data kuantitatif. Bedsarkan data yang
ada, kegiatan ilmu pengetahuan akan memberikan
suatu kesimpulan terhadap gambaran yang
terkandung dalam data.
Secara umum, fungsi statistik adalah penyedia
informasi untuk diolah. Sedangkan peranan dan fungsi
statistika adalah sebagai alat bantu, agar manusia bisa
mengumpulkan, mengolah, menganalisis data dan
memberi penjelasan ilmiah dengan cara-cara baku,
dipercaya dan dapat diterima secara logis dan
universal.
1.4. Data dan Variabel

Data adalah bentuk jamak dari datum. Data
merupakan keterangan tentang suatu hal, merupakan
kumpulan fakta atau angka-angka, atau segala sesuatu
yang dapat dipercaya kebenarannya sehingga dapat
digunakan sebagai acuan untuk menarik kesimpulan, atau
membuat suatu ramaalan. Tidak semua angka merupakan
data statistik. Untuk dapat disebut data statistik, angka-
angka harus menunjukkan ciri dari suatu penelitian yang
bersifat agregatif.
6
Bersifat agregatif artinya:

1) Pencatatan atau penelitian itu boleh hanya mengenai
satu individu saja tetapi pencatatannya dilakukan lebih
dari satu kali
2) Pencatatan/penelitian hanya dilakukan satu kali saja,
tetapi individu yang diteliti harus lebih dari satu.
Variabel adalah atribut (sifat dasar) pada suatu
objek/fenomena yang menjadi aspek perhatian dalam
kajian statistik. Dalam statistika, dikenal dua jenis variabel
yaitu variabel bebas (independen) dan variabel terikat
(independen). Contohnya: prestasi hasil belajar (Y)
dipengaruhi oleh ketersediaan sumber belajar (X1),
kemampuan siswa (X2), dan metode pembelajaran (X3).
Semua X adalah variabel bebas, dan Y adalah variabel
terikat.
Kasus I: Untuk satu orang siswa (subjek tunggal kajian)
Jika hanya satu kali ujian dan memperoleh nilai Y1,

maka ini belum tergolong statistik. Kita tak dapat
menjelaskan apa-apa dengan nilai tunggal ini, tak ada
pembanding. Jika ujian dilakukan sebanyak n kali, n  2 ,
dan didapat nilai Y1, Y2, ..., Yn maka himpunan ini sudah
merupakan data statistik. Indeks n menunjukkan
perulangan tindakan.
7
Kasus II: Untuk beberapa orang siswa (subjek kajian

majemuk)
Misalkan ada n siswa n  2 , dilakukan satu kali tes,
akan diperoleh nilai masing-masing Y1, Y2, ..., Yn,. Himpunan
ini merupakan data statistik, karena kita dapat melakukan
pengolahan dan penafsiran. Ada pembanding. Dalam hal
ini indeks n menyatakan banyak subjek yang terlibat.
1.5. Jenis Skala/Penggolongan Statistik

Penggolongn statistik maksudnya penggolongan jenis data.
▪ Berdasarkan sifatnya
Secara umum dibagi dalam dua kelompok besar: data
kualitatif (atribut) dan kuantitatif (bilangan).
1) Data kualitatif adalah data yang berbentuk kategori
atau atribut
Contoh:
Jenis kelamin: 1 = Laki-laki, 2 = Wanita
Golongan darah: A, AB, O
Sebagian dari produksi barang 𝐴 pada perusahaan
𝑋 adalah rusak (rusak sebagai atribut)
2) Data kuantitatif adalah data yang berbentuk
bilangan, diperoleh dengan cara mengukur atau
menghitung dan umumnya berlaku operasi hitung
matematika.
Contoh:
Jumlah mahasiswa STKIP adalah 2500 orang
Tinggi badan Arman adalah 1,62 meter
Nilai Hasil UN Matematika Bernadus adalah 7,25
8
Pengukuran dalam statistika memiliki skala tertentu.

Pengelompokkan skala pengukuran adalah sebagai
berikut.
▪ Berdasarkan variabel yang diteliti/sifat angkanya:
1) Data kontinu: data yang diperoleh dari kegiatan
mengukur, bisa dinyatakan dalam bentuk pecahan
di mana deretan angkanya sambung-
menyambung/kontinum (desimal tak terbatas).
Misalnya: ukuran panjang, tinggi badan, massa,
waktu, suhu, nilai hasil belajar, dsb.
2) Data diskrit: data yang diperoleh dari kegiatan
menghitung, di mana atribut variabel kajian tidak
boleh dinyatakan dalam bentuk pecahan, hanya
mengandung angka atau bilangan bulat yang
nilainya terpisah.
Misalnya: jumlah jiwa, jumlah ternak, jumlah buku,
jumlah gedung, dsb. Tidak mungkin jumlah
penduduk = 99,5 orang.
▪ Berdasarkan cara menyusun angka
1) Data Nominal/skala Nominal: adalah ukuran yang
paling sederhana, dimana angka yang diberikan
kepada objek mempunyai arti sebagai label saja,
tidak menunjukkan tingkatan apapun, hanya
menunjukkan klasifikasi/kategorisasi tertentu saja.
Ciri-ciri data nominal adalah hanya memiliki
atribut atau nama, bersifat diskrit dan tidak
berbentuk pecahan, tidak memiliki urutan/
rangking, tidak mempunyai ukuran baru, tidak
9
mempunyai nol mutlak dan tidak berlaku operasi

hitung matematika.
Skala nominal merupakan data kualitatif (lihat
pembahasan awal bagian ini).
Misalnya:
Jenis kelamin: 1 = laki-laki, angka 2 = perempuan;
Golongan darah: 1= golongan darah A, 2 =
golongan darah B, 3 = golongan darah AB, dan 4 =
golongan darah O
Warna: 1 = Merah, 2 = Jingga, 3 = Kuning, 4 = Biru,
5 = Nila, 6 = Ungu, 7 = Putih,
2) Data/skala ordinal: data yang didasarkan pada
urutan kedudukan atau rangking dan diantara
data tersebut ada hubungan erat. Urutan bisa dari
jenjang terendah ke jejang tertinggi atau
sebaliknya.
Misalnya:
Urutan juara lomba: I, II, III, IV;
Tingkat kelas : I, II, III, IV, V, VI.
Kepangkatan perwira militer: 4 = Jenderal, 3 =
Letjen, 2 = Mayjen, 1= Brigjen
3) Data/skala interval: data hasil pengukuran, jarak
antara titik data diketahui dan memiliki bobot
yang sama.
Misalnya:
• Nilai: 7,8,9,10; Nilai terendah 0 dan nilai
tertinggi 10 (Skala 0 – 10).
• Data suhu (0C): Batas bawah = 0 dan Batas
atas = 100 (jarak 100 skala)
10
• Waktu: detik, menit, jam, hari, minggu, bulan,

tahun
• Persepsi kepuasan:
5 = sangat puas, 4 = puas, 3 = cukup puas, 2 =
kurang puas, 1 = tidak puas
▪ Berdasarkan Bentuk angka
1) Data tunggal: masing-masing angka merupakan
satu unit/tidak dikelompokkan
2) Data berkelompok: tiap unit terdiri dari
sekelompok data.
Misalnya:
• Pengkategorian skor apresiasi matematika dalam
rentang skor 10 – 50.
Rentang skor Tingkat apresiasi
X ≥ 48,00 sangat tinggi
36,00 ≤ X < 48,00 tinggi
24,00≤ X <36,00 Sedang
12,00 ≤ X < 24,00 rendah Unit
X < 12,00 sangat rendah
• Kategori usia (menurut Depkes RI, 2009):
Rentang usia Kategori
0 – 5 tahun Balita
5 – 11 tahun Kanak-kanak
12 – 16 tahun Remaja awal
17 – 25 tahun Remaja akhir
26 – 35 tahun Dewasa awal
36 – 45 tahun Dewasa akhir
46 – 55 tahun Lansia awal
56 – 65 tahun Lansia akhir
> 65 tahun Manula
11
▪ Berdasarkan sumber data

• data primer: diambil langsung melalui
observasi/first hand. Mis: nilai hasil ujian yang
didata guru mapel berdasarkan hasil pemeriksaan
lembar jawaban.
• data sekunder: diambil dari second hand. Mis data
kutipan dari arsip sekolah, dari surat kbr, dsb
▪ Berdasarkan waktu pengumpulan data
(1) Data seketika/cross section data.
Misalnya: data guru SDK A pada tahun ajaran
2012/2013
(2) Data Urutan Waktu/Time series data: menunjukkan
perkembangan dari waktu ke waktu. Misalnya:
Data guru SDK A sejak 2000/2001 sampai dengan
2012/2013.
1.6. Statistika Deskriptif dan Statistik

Inferensial
Statistika deskriptif adalah ilmu atau metode yang
digunakan untuk mendeskripsikan karakteristik data yang
sudah dikumpulkan, baik secara kualitatif maupun
kuantitatif. Statistika deskriptif merupakan arti sempit dari
statistika.
Statistika deskriptif misalnya: tabel data, diagram,
pengukuran tendensi pusat, ukuran letak, ukuran
penyimpangan, angka indeks, kuat-lemahnya hubungan
antar variabel, membuat perbandingan.
12
Statistika inferensial adalah suatu alat pengumpul

data, pengolah data, penarikan kesimpulan, membuat
keputusan/tindakan, perkiraan atau generalisasi tentang
populasi berdasarkan data sampel. Statistika inferensial
disebut juga statistika induktif atau statistika probabilitas.
Statistika inferensial merupakan arti luas dari statistika.
Misalkan sekelompok subjek menjadi sasaran
penelitian. Apabila data dikumpulkan hanya melibatkan
sebagian anggota populasi (metode sampling), tetapi
kesimpulan yang dibuat pada akhir penelitian adalah
berlaku untuk seluruh populasi, maka kesimpulan itu
bersifat inferensi. Statistika yang membahas cara-cara
mengambil kesimpulan tentang populasi berdasarkan
sampel data disebut statistika inferensial.
1.7. Operator Perhitungan yang Sering

Dipakai Statistika
Statistika adalah cabang matematika. Karena itu,
oprator khusus seperti integral atau sigma sering dipakai
dalam statistika. Simbol notasi sigma adalah . Operator 
berarti penjumlahan beruntun, dengan sifat-sifat:
n
(i)  ai = a1 +a2 + a3 + ... + an
i =1
n n
(ii)  kai = k  ai = k ( a1 + a2 + ... + an )
i=1 i=1
( )
n n n
(iii)  ai  bi =  ai   bi
i=1 i=1 i=1
13
m n
  a = ( a11 + a21 + a31 + ... + an1 ) +
(iv) j =1 i =1 ij
( a12 + a22 + a32 + ... + an 2 ) + ... + ( a1m + a2m + ... + anm )
Beberapa sifat khusus notasi sigma:

n n( n + 1)
(i)  i = 1 + 2 + 3... + n = ; n  N
i=1 2
n 2 2 2 2 n( n + 1)( 2n + 1)
(ii)  i = 1 + 2 +3 ... + n = ; n  N
i =1 6
2
n  n(n + 1) 
(iii)  i = 1 + 2 +3 ... + n = 
3 3 3 3 ; n  N
i=1  2 
1.8. Manfaat Sajian Data

Dalam statistika, pendataan berfungsi untuk
mengumpulkan aspek-aspek pengamatan yang akan
memberi gambaran tentang karakter objek kajian.
Misalnya, untuk mengetahui model pakaian yang digemari
kalangan muda di suatu kota. Tanpa pendataan, sulit
mengetahui gambaran umum kesukaan berpakaian kaum
muda. Andaikata 500 responden disurvey, ternyata 400
responden memilih celana jeans. Kita bisa yakin bahwa
tiada hari tanpa kita melihat orang muda bercelana jeans di
kota tersebut.
Selanjutnya, berdasarkan survey tadi, para pebisnis
pakaian memperoleh gambaran yang jelas tentang minat
kaum muda di kota tersebut. Pebisnis akan lebih banyak
membidik pasar pakaian kaum muda dengan menjual
celana jeans.
14
Hasil survey tidak informatif dan tidak berguna jika

tidak ditampilkan. Untuk menampilkan hasil olahan data,
dikenal metode penyajian data. Peneliti dapat mengatur,
menyusun dan menampilkan hasil pendataan dan olahan
data dalam bentuk diagram, tabel atau laporan tertulis.
Sajian data dibuat menarik dan mudah dipahami.
Statistik deskriptif berguna untuk menggambarkan
atau mendeskripsikan keadaan objek yang diteliti
sebagaimana adanya, entah dengan pendataan populasi
maupun pendataan sampel.
Ada tiga hal penting dalam statistika deskriptif yaitu
1. Pendataan
2. Penyajian data
3. Deskripsi atau interpretasi keadaan populasi atau
sampel (kelompok).
Pada pendataan, dilakukan pengumpulan data
dengan melibatkan seluruh objek yang dikaji (populasi)
atau hanya dengan melibatkan sebagian anggota yang
mewakili populasi (metode sampling). Data yang diperoleh
akan mendeskripsikan keadaan/karakter/sifat anggota
populasi.
Selanjutnya, data disajikan dalam berbagai pilihan
bentuk sajian. Pilihan berbagai bentuk sajian data
tergantung kepada kebutuhan dan keadaan data. Bentuk-
bentuk sajian data:
a. tabel
b. diagram garis
c. diagram batang
d. diagram lingkaran
e. diagram lambang/pictogram
15
1.9. Metode Penyajian Data

Misalkan kita mendata jumlah penduduk desa Duat
Terus, selama 3 tahun berturut-turut sejak tahun 2007.
Diperoleh data: (tahun 2007) laki-laki 560, perempuan 640;
(tahun 2008) laki-laki 574, perempuan 652; (tahun 2009)
laki-laki 585, perempuan 664. Data mentah tersebut lebih
mudah dipahami oleh pengguna data jika disajikan dengan
cara-cara (metode) berikut:
1.9.1. Tabel
Sajian data dengan tabel, paling populer karena sangat
komunikatif, ringkas dan mudah dipahami. Tabel harus
dilengkapi dengan keterangan/judul tentang data dan
sumber data. Judul utama ditulis di atas tabel. Setiap kolom
atau baris juga diberi judul. Tanpa judul, tabel tidak
bernilai informatif. Ada dua jenis tabel yaitu tabel biasa dan
tabel distribusi frekuensi
(a) Tabel Biasa
Tabel 1. Jumlah Penduduk Desa Duat Terus
Penduduk (jiwa)
Tahun Jumlah (jiwa)
L P
2007 560 640 1.200
2008 574 652 1.226
2009 585 664 1.249
Jumlah (jiwa) 1.719 1.956 3.675
Di atas merupakan contoh tabel biasa nominal, karena

memuat data penggolongan berdasarkan jenis kelamin.
Berikut contoh tabel biasa yang memuat data ordinal:
16
Tabel 2. urutan kepadatan penduduk per dusun di desa

Duat Terus pada tahun 2007
Penduduk (jiwa) Jumlah Tingkat
Dusun
L P (jiwa) Kepadatan (%)
Londek 220 230 450 37,5
Wela 210 210 420 35
Gentok 130 200 330 27,5
Jumlah (jiwa) 560 640 1.200 100
Mudah bagi anda untuk mengidentifikasi bahwa

wilayah paling padat penduduknya di desa Duat Terus
adalah dusun Gentok. Urutan kepadatan merupakan data
ordinal.
Urutan pada tabel tergantung kebutuhan pendataan.
Tetapi, sebaiknya penataan tabel memudahkan pengguna/
pembaca memahami isinya. Dalam keadaan tertentu,
perangkingan tak perlu disajikan secara berurutan, akan
tetapi pada kolom tertentu harus diisi entri order/urutan
data secara jelas.
(b) Tabel Distribusi Frekuensi (Data Berkelompok)
Berikut ini merupakan contoh tabel distribusi frekuensi.
Tabel 3. data jumlah penduduk desa Duat Terus
berdasarkan kategori umur
Umur Jumlah (jiwa)

No
(tahun) 2007 2008 2009
1 0-5 200 210 219
2 6-12 350 360 365
3 >13 650 656 665
Total 1.200 1.226 1.249
17
Tabel di atas menunjukkan gambaran penduduk desa

tersebut pada tingkatan umur tertentu. Umur disajikan
dalam bentuk interval. Interval tidak harus berjarak teratur,
tetapi disesuaikan dengan kebutuhan penyajian data. Yang
harus diperhatikan adalah tidak ada penduduk yang tidak
tercakup dalam semua kelas interval.
Dalam menyusun tabel distribusi frekuensi, hal-hal
yang harus diperhatikan adalah:
a. Jumlah Kelas interval
Pada contoh di atas, jumlah kelas interval adalah 3
(diberi nomor 1 sampai 3)
b. Interval kelas
Interval kelas adalah jarak kategori data dalam satu
kelompok/kelas tertentu. Interval kelas biasa disebut
panjang kelas. Pada contoh di atas, interval kelas
pertama memuat 5 kategori data, yaitu usia 0 tahun
hingga 5 tahun.
c. Frekuensi
Frekuensi tiap interval adalah banyaknya data yang
termasuk dalam kelas interval tersebut.
1.9.2. Diagram Garis
700
664
650 652
640
600
585
574
560
550 L
P
500
2007 2008 2009
Diagram jumlah penduduk Desa Duat Terus
18
1.9.3. Diagram Batang

680
664
660 652
640
640
620
600 585
580 574
560
560
540 L
520 P
500
2007 2008 2009
Diagram jumlah penduduk Desa Duat Terus
1.9.4. Diagram Lingkaran

Pada diagram lingkaran, luas daerah/sektor lingkaran
menunjukkan frekuensi data. Semakin besar frekuensi data,
semakin besar pula luas sektor lingkaran yang
mewakilinya. Perhitungan matematika dibutuhkan dalam
penentuan luas sektor ini.
Pilihan tampilan yangdapat disajikan tiap sektor:
a. menulis langsung nilai data
b. mencantumkan prosentase data
c. mencantumkan besar sudut
Untuk diagram lingkaran, sulit untuk membuat seri
data (misalnya per jenis kelamin) dalam satu sektor
diagram.
19
Contoh:
Diagram jumlah penduduk desa Duat Terus (sajian
langsung nilai data).
Perempuan Laki-laki
2007
2007
664 640 585 560
2008
652 2008 574
2009
2009
Total Penduduk
1200 2007
1249
1226 2008
2009
Diagram jumlah penduduk desa Duat Terus
1.9.5. Pictogram (diagram lambang)

Pictogram adalah grafik berbentuk gambar (ikonik
yang berhubungan dengan objek pendataan). Sering
dipakai untuk mendapatkan gambaran kasar bagi orang
awam agar mudah memahami isi data yang disajikan.
Kelemahan diagram ini adalah rumitnya membuat ikon
dan sulitnya menyatakan nilai bilangan/jumlah tertentu
yang diwakili tiap ikon. Jika data berbentuk angka desimal
tertentu yang tidak teratur, sulit disajikan dengan diagram
lambang ini.
20
Tabel 4. Pictogram produksi kopi suatu desa
Tahun Jumlah Keterangan

2006
= 1 ton
2007
2008
Disimpulkan bahwa produksi kopi tahun 2006 adalah

5,5 ton, tahun 2007 sebanyak 6 ton dan tahun 2008
sebanyak 7,5 ton.
1.10. Menyusun Data Tunggal Menjadi Data

Berkelompok
Susunan data tunggal menjadi data berkelompok sering
disebut s, karena setiap kelompok ada distribusi frekuensi
data yang masuk katehgori kelompok tersebut. Data
disajikan dalam bentuk tabel. Frekuensi yang dimaksud di
sini adalah frekuensi absolut (𝑓𝑎𝑏𝑠 ) yaitu banyaknya data
dalam suatu kelompok, biasa ditulis 𝑓𝑖 atau 𝑓 saja.
Tabel distribusi frekuensi adalah sebuah tabel yang
berisi nilai-nilai data di mana nilai-nilai tersebut
dikelompokkan ke dalam interval-interval dan setiap
interval mempunyai nilai frekuensi.
Tiap kelompok berbentuk interval a – b. Di sini, a
merupakan nilai batas bawah kelas, b merupakan batas atas
kelas. Tiap kelas interval 𝑎 − 𝑏 memuat semua nilai data
mulai dari a hingga b. Umumnya, dalam daftar distribusi
frekuensi, urutan kelas interval 𝑎 − 𝑏 dimulai dari data
bernilai terkecil, disusun ke bawah hingga data bernilai
terbesar.
21
Selisih antar batas bawah kelas selalu sama, dan akan

sama dengan selisih antar batas atas kelas.
Langkah-langkah untuk membuat daftar distribusi
frekuensi adalah sebagai berikut:
(i) Tentukan rentang data (R): selisih antara nilai data
terbesar dengan data terkecil.
R = xmax − xmin
(ii) Tentukan banyaknya kelas Interval, sesuai kebutuhan.
Umumnya, paling sedikit 5 kelas dan paling banyak 15
kelas. Untuk data dalam jumlah banyak ( n besar),
misalnya n200, penentuan banyak kelas
menggunakan aturan Sturgess:
banyak kelas : k = 1 + 3,3 log n
Dengan n adalah banyak data dan hasil akhir dijadikan

bilangan bulat. Pembulatan sesuai kebutuhan, entah
pembulatan ke atas maupun ke bawah. Sebaiknya
pembulatan ke atas. Dengan alasan: makin banyak
kelas, interval makin sempit, sehingga data makin
mendekati nilai aslinya.
(iii) Tentukan panjang interval tiap kelas (p).
R
p= ; R = rentang data
banyak kelas
Perlu diperhatikan, jika yang diutamakan adalah
kevalidan interpretasi data, nilai p disesuaikan dengan
karakter angka data. Jika data memiliki ketelitian
hingga satuan, nilai p dibulatkan ke satuan. Jika data
disajikan hingga satu desimal, maka p juga dibulatkan
ke satu desimal, begitu seterusnya.
22
(iv) Tetapkan batas bawah kelas interval pertama.

Batas bawah kelas pertama bisa sama dengan data
terkecil atau diambil nilai yang lebih kecil dari data
terkecil, tetapi selisih dengan data terkecil harus kurang
dari setengah nilai panjang kelas yang telah ditentukan.
(v) Susun kelas interval berikutnya mengacu pada kelas
interval pertama.
Contoh:
Andaikan 50 peserta tes, diberikan 100 nomor soal
pilihan ganda. Nilai perolehan peserta sebagai berikut:
80, 66, 68, 97, 71, 85, 68, 87, 98, 85, 70, 65, 80, 75, 67, 85,
96, 93, 78, 90, 68, 67, 85, 80, 73, 85, 98, 87, 75, 98, 67, 69,
75, 75, 94, 78, 67, 97, 75, 68, 80, 73, 71, 75, 80, 78, 83, 75,
68, 82.
Buatlah daftar distribusi frekuensi berkelompok untuk
data di atas.
Penyelesaian
R = 98 − 65 = 33
banyak kelas k = 1 + 3,3 log 50 = 6,61 Pilih Banyak
kelas k = 7
33
p= = 4,71 Gunakan p = 5
7
Tabel 5. Distribusi frekuensi, dengan batas bawah
kelipatan 5
kelas interval frekuensi ( f abs )

65-69 12
70-74 5
75-79 10
80-84 7
23
kelas interval frekuensi ( f abs )

85-89 7
90-94 3
95-99 6
Jumlah 50
Pada tabel 5: cakupan nilai tiap kelas interval pada

batas bawah dan batas atasnya tidak berbeda jauh dengan
nilai data sebenarnya. Artinya, pemilihan jumlah interval
kelas dan panjang kelas seperti ini sangat baik. Pada daftar
distribusi frekuensi di atas, panjang tiap kelas sama dan
bersifat tertutup. Dalam kondisi tertentu, mungkin saja
dibuat kelas terbuka, khususnya pada kelas pertama dan
terakhir. Kelas terbuka terjadi jika tidak cukup banyak data
yang dapat dimasukkan dalam kelas tersebut.
Pada daftar distribusi frekuensi, dikenal dua istilah
berikut. Istilah-istilah ini hanyalah merupakan sebutan,
anda akan menemukan sebutan berbeda pada beberapa
buku statistika.
▪ Tepi bawah dan tepi atas kelas

tepi bawah = batas bawah − 0,5 dan
tepi atas = batas atas + 0,5
▪ Titik tengah kelas
batas bawah + batas atas
titik tengah =
2
24
1.11. Distribusi Frekuensi Relatif

Pada daftar distribusi frekuensi yang anda pelajari
sebelumnya, banyak data tiap kelas dinyatakan dengan
frekuensi absolut. Frekuensi juga dapat dinyatakan dalam
bentuk persen, disebut frekuensi relatif dan frekuensi
kumulatif, disimbolkan dengan 𝐹%
frekuensi kelas − i
F% kelas ke - i =  100%
n
Frekuensi kumulatif diperoleh dengan cara
menjumlahkan frekuensi kelas-kelas sebelumnya.
Berdasarkan tabel 5, kita dapat menyajikan data seperti
tabel 6.
Tabel 6. frekuensi absolut, frekuensi kumulatif dan

frekuensi relatif
Kelas interval 𝑓𝑎𝑏𝑠 F%

65-69 12 0,24
70-74 5 0,1
75-79 10 0,2
80-84 7 0,14
85-89 7 0,14
90-94 3 0,06
95-99 6 0,12
Jumlah 50 1
25
1.12. Distribusi Frekuensi Kumulatif

Tabel distribusi frekuensi komulatif adalah tabel yang
diperoleh dari tabel distribusi frekuensi, di mana
frekuensinya dijumlahkan dari kelas interval ke kelas
interval berikutnya. Pada kolom nilai data, bilangan yang
digunakan adalah batas bawah kelas (bisa juga tepi bawah
kelas). Tabel distribusi frekuensi komulatif ada dua jenis:
1. Tabel kurang dari (less than distribution)
2. Tabel atau lebih (or more distribution)
Penentuan frekuensi tiap kelas dapat dilakukan

dengan dua cara:
(i) Mengakumulasikan secara berturut turut frekuensi
kelas-kelas sebelumnya yang ada dalam daftar
frekuensi biasa (𝑑𝑎𝑟𝑖 𝑓𝑎𝑏𝑠 ); atau
(ii) Memasukkan angka-angka ke dalam kelas-kelas yang
bersangkutan dengan menggunakan data asal
kemudian menghitung frekuensinya. Misalnya:
Frekuensi kelas ke lima diperoleh dengan
menjumlahkan frekuensi kelas ke-1, 2, 3, dan 4 dari
data asal.
Andaikan data asal tabel distribusi frekuensi biasa
berbentuk:
26
Frekuensi Absolut Frekuensi relatif

( fi ) FRi ( %)
Nilai Data
a −b f1 f1
FR1 =  100
N
c−d f2 f2
FR2 = 100
N
e− f f3 f3
FR3 = 100
N
g −h f4 f4
FR4 = 100
N
i− j f5 f5
FR5 = 100
N
Jumlah 5
N =  fi 100
i =1
Format tabel distribusi komulatif kurang dari (less than

distribution) sebagai berikut:
Frekuensi Komuatif
Nilai Data Frekuensi relatif (𝑭𝑹𝒊 )(%)
(𝑭𝒊 )
Kurang
0 0 (di bawah interval I)
dari a
Kurang f1
f1 (interval I) FR1 =  100
dari c N
Kurang f +f
f1 + f 2 FR2 = 1 2 100
dari e N
Kurang
f1 + f 2 + f3 f1 + f 2 + f3
dari g FR3 = 100
N
Kurang f1 + f 2 + f3 + f 4
27
dari i f1 + f 2 + f 3 + f 4
FR4 = 100
N
Kurang
f1 + f 2 + f 3 + f 4 + f 5
dari f1 + f 2 + f3 + f 4 + f5 FR5 =  100
(i + p ) N
Jumlah N =  fi −
∗ 𝐾𝑢𝑟𝑎𝑛𝑔 𝑑𝑎𝑟𝑖 𝑐 = 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙 𝑎 − 𝑐. 𝑝 = panjang kelas
interval
Format tabel distribusi komulatif atau lebih (or more
distribution)
Frekuensi Komuatif
Nilai Data Frekuensi relatif (𝐹𝑅𝑖 )(%)
(𝐹𝑖 )
𝑓1 +𝑓2 + 𝑓3 + 𝑓4 + 𝑓5
𝑎 atau lebih 𝑓1 +𝑓2 + 𝑓3 + 𝑓4 + 𝑓5 𝐹𝑅5 =
𝑁
× 100
𝑓1 +𝑓2 + 𝑓3 + 𝑓4
𝑐 atau lebih 𝑓1 +𝑓2 + 𝑓3 + 𝑓4 𝐹𝑅4 = × 100
𝑁
f1 + f 2 + f3
𝑒 atau lebih . FR3 = 100
N
g atau f +f
f1 + f 2 FR2 = 1 2 100
lebih N
f
i atau lebih f1 FR1 = 1  100
N
(i + p ) 0 (di atas interval
0
atau lebih terakhir)
5
Jumlah N =  fi 100
i =1
28
Contoh:
(data dari contoh sebelumnya, tabel 6 hal. 25) Less than
distribution
Nilai data Frekuensi Komulatif (𝑭𝒊 ) F%
Kurang dari 65 0 0
Kurang dari 70 12 24
Untuk distribusi komulatif atau lebih (or more
distribution), sebagai berikut
Nilai Data Frekuensi Komulatif (𝑭𝒊 ) F%
65 atau lebih 50 100
70 atau lebih 38 76
75 atau lebih 33 66
80 atau lebih 23 46
85 atau lebih 16 32
90 atau lebih 9 18
95 atau lebih 6 12
100 atau lebih 0 -
29
1.13. Grafik Daftar Distribusi Frekuensi

Daftar distribusi frekuensi dapat dibuat grafiknya
berupa histogram dan polygon. Berbeda dengan data
tunggal, penentuan grafik data berkelompok
membutuhkan pemahaman akan ‘history’ data, yaitu pola
‘keberlanjutan skala’ data. Perbedaan antara grafik data
tunggal dengan grafik data berkelompok adalah tampilan
‘kekontinuan’ data, artinya data dipahami sebagai sesuatu
yang tidak terpisah satu-sama lain. Batas antar kelas akan
ditampilkan secara ‘sambung-menyambung’ dengan batas
kelas berikutnya.
Kelas-kelas yang ada dibentuk atas dasar teori
ataukah atas dasar kebijakan/pertimbangan tertentu,
misalnya bayi, balita, remaja, dewasa dan lansia.
Pengelompokkan seperti ini sulit menggunakan rumus
Sturgess.
Selanjutnya, frekuensi komulatif, baik data tunggal
maupun data berkelmpok, dapat ditampilkan dalam
bentuk grafik ogive/ozaiv. Ogive mirip diagram garis.
Berikut ini dibahas:
1. Histogram
2. Polygon
3. Ogive
30
1.13.1. Histogram
Histogram mirip diagram batang, tetapi histogram
lebih spesifik, yakni untuk menampilkan data yang
sifatnya kontinu dan memiliki tepi kelas (tepi atas atau
bawah), sehingga bentuk batang pada histogram
adalah menyambung. Histogram dapat dibuat dengan
terlebih dahulu menentukan tepi bawah dan tepi atas
tiap kelas. Histogram data pada tabel 6 adalah sebagai
berikut
12
10
8
6
4
2
64,5 69,5 74,5 79,5 84,5 89,5 94,5 99,5
1.13.2. Polygon
Poligon merupakan perpaduan antara grafik garis
dengan histogram. Langkah-langkah pembuatan polygon:
(i) Tentukan titik tengah tiap kelas interval,
(ii) Tiap titik tengah kelas dihubungkan dengan garis
(iii) Hubungkan sisi atas kelas pertama dengan setengah
kali panjang kelas, diukur ke kiri bawah batangan
kelas pertama, dan ke kanan bawah batangan kelas
terakhir.
31
Poligon untuk data pada tabel 6 adalah sebagai berikut
12
10
8
6
4
2
67 72 77 82 87 92 97
Garis polygon menghubungkan titik tengah tiap

kelas pada histogram.
1.13.3. Ogive (Ozaiv)
Misalkan ada sekumpulan data, tersusun dalam tabel
distribusi frekuensi komulatif. Dari tabel tersebut dapat
dibuat grafik ogive. Karena tabel distribusi frekuensi
komulatif ada dua jenis (frekuensi komulatif kurang dari
dan frekuensi komulatif atau lebih), maka grafiknya juga
ada dua macam yaitu ogive positif dan ogive negatif.
Grafik yang disusun berdasarkan frekuensi komulatif
kurang dari disebut ogive positif, dan Grafik yang disusun
berdasarkan frekuensi komulatif atau lebih disebut ogive
negatif.
Perhatikan data perhitungan frekuensi komulatif pada
halaman 13. Didapat ogive sebagai berikut:
32
60
50
40
30 Series1
20 Series2
10
0
Kurang Kurang Kurang Kurang Kurang Kurang Kurang Kurang
dari 65 dari 70 dari 75 dari 80 dari 85 dari 90 dari 95 dari 100
Latihan:
Data nilai 50 siswa: 82, 66, 68, 97, 71, 85, 68, 88, 98, 85, 70,
65, 80, 70, 77, 85, 96, 93, 78, 90, 68, 67, 85, 85, 73, 85, 98, 87,
75, 98, 67, 69, 75, 76, 94, 78, 67, 97, 75, 68, 80, 73, 61, 75, 80,
78, 83, 75, 68, 80.
1. Sajikan menjadi data berkelompok
2. Buatlah daftar distribusi frekuensi relative dan
komulatifnya (sesuai nomor 1)
3. Sajikan diagram garis, batang, histogram dan
ogivenya
33
BAB II
UKURAN LETAK DATA
2.1. Pengertian
Untuk mengambil kesimpulan secara statistika,
khususnya dalam penelitian kuantitatif (menentukan
interpretasi parameter dalam pengujian hipotesis), tiga hal
utama yang harus dipahami adalah ukuran letak, ukuran
pemusatan data, dan ukuran dispersi (keragaman) dan
kemencengan data.
Masing-masing pembahsan diatur sebagai berikut:
Ukuran letak (bab II)
Ukuran pemusatan data (Bab III)
Ukuran dispersi (Bab IV)
Ukuran Kemiringan dan keruncingan grafik statistic
(Bab IV)
Ukuran letak data menjelaskan suatu nilai data ada
pada kelompok mana dalam rentang (interval) data,
apakah pada kelompok nilai terendah, nilai tengah, atau
nilai tertinggi. Ukuran letak meliputi
1. Kuartil,
2. Desil dan
3. Presentil.
34
2.2. Kuartil Data

Kuartil adalah konsep tata letak data di mana
sekumpulan data dikelompokkan menjadi 4 bagian yang
sama banyak, di mana tiap interval kuartil memuat 25%
data. Walaupun setelah dikelompokkan, belum tentu tepat
memuat 25% data, tetapi secara teoretis, tiap interval
memuat 25% data. Pembagian dilakukan setelah
mengurutkan data dari terkecil ke terbesar.
Pengelompokkan data seperti ini disebut kuartil
(disimbolkan dengan 𝑄). Ada 3 titik batas (dari 4 interval
kuartil), yaitu kuartil bawah (𝑄1 ), kuartil tengah (𝑄2 ) dan
kuartil atas (𝑄3 ). Perhatikan ilustrasi berikut:
n
Xmin Q1 Q2 Q3 Xmax
½n ½n
1/4 n 1/4 n 1/4 n 1/4 n
Misalkan kita memiliki n data. Q2 membagi data

sedemikian hingga banyaknya data yang bernilai lebih
kecil dari Q2 sama dengan banyak data yang bernilai lebih
besar dari Q2. Dengan kata lain, 50% data tergolong ‘lebih
kecil’ dari Q2, dan 50% data masuk anggota kelompok ‘lebih
besar’ dari Q2. Perhatikan bahwa sebanyak 75% data
bernilai lebih besar dari Q1. Data yang menjadi kuartil Q
hanyalah berfungsi sebagai pembatas kelompok-kelompok
tersebut. Nilai kuartil Q tak selamanya ada pada data.
35
1. Kuartil Data Tunggal

Langkah-langkah penentuan kuartil:
(i) Urutkan data dari terkecil ke terbesar
(ii) Tentukan letak kuartil dan nilai kuartil
Letak kuartil ke-i (Qi) data tunggal ditentukan dengan
rumus:
Q1 = x 1 ( n+1) ⎯
⎯→ n ganjil atau
4
Q1 = x 1 ( n+2) ⎯
⎯→ n genap
4
Q2 = x n+1 ⎯
⎯→ n ganjil atau
2
Q2 =  x n + x n+2  ⎯
1
⎯→ n genap
2  2 2 
Q3 = x 3 ( n+1) ⎯→ n ganjil atau Q3 = x3 ( n+2) ⎯
⎯ ⎯→ n genap
4 4
Perhatikan bahwa kuartil tengah (Q2) sama dengan

median.
Contoh:
Tentukan kuartil data 8,8,9,7,7,6,8,6,6,9,10,10,6,8,7,9.
Jawab:
(i) Urutan data 6,6,6,6,7,7,7,8,8,8,8,9,9,9,10,10. (n=16)
(ii) Letak kuartil
6+7
Q1 = x1 =x 1 = = 6,5
( 16+2 ) 4 2
4 2
1  1
Q2 =  x16 + x16+2  = x8 + x9
2 2
( )
2  2
8+8
= =8
2
36
9+9
Q3 = x 3 =x 1 = =9
(16 + 2) 13 2
4 2
2. Kuartil data Berkelompok
 41 n − fk1 
Q1 = L1 +  f  p Q1 = Kuartil Bawah
 1  L1 = tepi bawah kelas yang memuat Q1
L2 = tepi bawah kelas yang memuat Q2
 1 n − fk  L3 = tepi bawah kelas yang memuat Q3
Q =L +2 2
2 2  f2  p P = interval kelas
  fk1 = jumlah frekuensi sebelum kelas Q1
fk2 = jumlah frekuensi sebelum kelas Q2
fk3 = jumlah frekuensi sebelum kelas Q3
f1 = frekuensi kls Q1 f2 = frek kls Q2
 43 n − fk3  f3 = frekuensi kelas Q3
+
Q = L3
 f  p n = banyaknya data ( f)
3
 3 
Sebelum menghitung kuartil, terlebih dahulu

menentukan kelas yang memuat masing-masing kuartil. Q1
terletak pada kelas yang memuat data x 1 n . Q2 terletak pada
4
kelas yang memuat data x 1 n dan Q3 terletak pada kelas

2
yang memuat data x 3 n

4
Contoh: Tentukan ketiga kuartil berdasarkan data berikut

Usia Frekuensi frek komulatif
25-29 8 8
30-34 14 22
35-39 10 32
40-44 18 50
45-49 7 57
50-54 3 60
Jumlah 60 -
37
Jawab:
Q1 terletak pada kelas yang memuat data ke-15 (= 60/4)
yaitu kelas ke-2.
 4160 − 8 
Q1 = 29,5 +  14 5 = 32
 
Q2 terletak pada kelas yang memuat data ke-30 (= 60/2)
yaitu kelas ke-3.
 2160 − 22 
Q = 34,5 +  10 5 = 38,5
2
 
Q3 terletak pada kelas yang memuat data ke-45 yaitu
kelas ke-4.
 4360 − 32 
Q = L3 +  18 5 = 43,1
3
 
2.3. Desil
Jika sekumpulan data dibagi menjadi 10 bagian yang
sama, maka didapat sembilan pembagi (pembatas
kelompok) yang disebut desil (D). Jadi akan ada D1, D2, D3,
..., D9.
Desil adalah konsep statistika di mana sekumpulan
data diletakkan dalam 10 bagian yang sama, tiap bagian
memuat 10% data (dari banyaknya 𝑛 data).
2.3.1. Desil data tunggal
Untuk data tunggal, desil ke-i terletak pada data yang
ke
i ( n + 1)
; i = 1,2,3,...,9
10
38
Dalam hal ini, data harus telah diurutkan dari yang

terkecil ke terbesar. Sama seperti kuartil, nilai desil tidak
harus terletak pada data (secara teoretis). Dalam
praktiknya, setelah diurutkan, belum tentu tiap interval
𝑛
benar-benar memuat 10 data, tetapi cakupan nilai data
secara teoretis, memenuhi pemerataan menjadi 10 bagian,
terhitung dari data terkecil ke data terbesar.
Contoh:
Tentukan nilai D2, D6, dan D8 pada kumpulan data:
8,8,9,7,7,6,8,6,6,9,10,10,6,8,7,9.
Jawab:
Urutan data 6,6,6,6,7,7,7,8,8,8,8,9,9,9,10,10. (n=16)
2(16 + 1)
D2 = data ke − = data ke 5,4
10
artinya data 𝑘𝑒_5 + (0,4 ×
(𝑑𝑎𝑡𝑎 𝑘𝑒𝑒𝑛𝑎𝑚 – 𝑑𝑎𝑡𝑎 𝑘𝑒𝑙𝑖𝑚𝑎)) = 7 + 0,4(7 − 7) =
7. Jadi, D2 = 7
6(16 + 1)
D6 = data ke − = data ke − 10,2
10
(𝑑𝑎𝑡𝑎 𝑘𝑒 11 – 𝑑𝑎𝑡𝑎 𝑘𝑒 10)) = 8 + 0,2(8 − 8) = 8.
Jadi D6 = 8
8(16 + 1)
D8 = data ke − = data ke − 13, 6
10
(𝑑𝑎𝑡𝑎 𝑘𝑒 14 – 𝑑𝑎𝑡𝑎 𝑘𝑒 13)) = 9 + 0,6(9 − 9) = 9.
Jadi D8 = 9
39
2.3.2. Desil data berkelompok

Untuk data berkelompok, desil dihitung menggunakan
rumus
 i .n − F 
Di = L +  10  p; i =1,2,3,...,9
 f 
Di = Desil ke-i
L = tepi bawah kelas yang memuat Di.
F = frekuensi komulatif sebelum kelas Di
f = frekuensi kelas Di
p = panjang kelas
n = banyaknya data (total frekuensi)
Contoh:
Tentukan D1, D3, D4, D5, D6, D8 dari data berikut
Usia Frekuensi frek komulatif

25-29 8 8
30-34 14 22
35-39 10 32
40-44 18 50
45-49 7 57
50-54 3 60
Jumlah 60 -
Penyelesaian (mahasiswa kerjakan dalam kuliah)
40
2.4. Persentil
Sekumpulan data dapat dibagi menjadi 100 sub-
kelompok. Pengelompokkan data seperti ini disebut
persentil. Akan ada 99 pembatas yang disebut persentil (Pi).
2.4.1. Persentil data tunggal
Untuk data tunggal, persentil ke-i yaitu Pi adalah
data yang ke
i (n + 1)
; i = 1,2,3,...,99
100
Dalam hal ini, data harus telah diurutkan dari
yang terkecil ke terbesar. Sama seperti kuartil dan
desil, nilai persentil tidak harus terletak pada data.
Contoh perhitungan persentil, ditinggalkan sebagai
latihan.
2.4.2. Persentil data berkelompok
Untuk data berkelompok, rumusan persentil
adalah
 i .n − F 
Pi = L +  100  p
 f 
Dimana
L = tepi bawah kelas yang memuat Pi
F = frekuensi komulatif sebelum kelas Pi
f = frekuensi kelas Pi
p = panjang kelas Pi
41
Latihan
A. Perhatikan data berikut:

50 peserta tes, diberikan 100 nomor soal pilihan ganda.
Nilai perolehan peserta sebagai berikut: 80, 66, 68, 97,
71, 85, 68, 87, 98, 85, 70, 65, 80, 75, 67, 85, 96, 93, 78, 90,
68, 67, 85, 80, 73, 85, 98, 87, 75, 98, 67, 69, 75, 75, 94, 78,
67, 97, 75, 68, 80, 73, 71, 75, 80, 78, 83, 75, 68, 82.
Tentukan:
1. Kuartil: Q1, Q2, Q3 dan Q4
2. Desil: D3, D4, D5, D8 dan D9
3. Persentil P25, P50 dan P75
B. Perhatikan data berikut:

Usia Frekuensi
25-29 18
30-34 24
35-39 20
40-44 28
45-49 17
50-54 13
Tentukan:
1. Kuartil: Q1, Q2, Q3 dan Q4
2. Desil: D2, D4, D5, D8 dan D9
3. Persentil P25, P50 dan P75
42
BAB III
UKURAN PEMUSATAN DATA
3.1. Pengertian
Dalam statistika, ukuran pemusatan data adalah
parameter pengukuran yang akan menjelaskan fenomena
umum atau kecenderungan utama atau mayoritas keadaan
yang dipresentasikan data. Misalnya, diadakan survey
untuk mengetahui model celana panjang kesukaan para
remaja di suatu kota. Ternyata, dari 300 remaja yang
mengisi angket, 195 orang memilih celana jeans, sisanya
memilih celana kain. Hal itu berarti, secara umum,
kecenderungan para remaja di kota tersebut memilih celana
jeans. Atau, mode remaja saat itu adalah celana jeans. Kita
bisa mengaggap bahwa para remaja kota tersebut
umumnya suka celana jeans.
Ukuran tendensi pusat digunakan sebagai data yang
mewakili statistik yang ada. Ada tiga ukuran pemusatan
data yang umum dipakai yaitu: Rata-rata, Modus, dan
Median.
3.2. Rata-rata/Mean
a. Rata-rata hitung
Rata-rata/mean merupakan perbandingan antara
jumlah seluruh nilai data terhadap banyaknya data
(mean/rata-rata diperoleh dengan menjumlahkan semua
43
nilai data dibagi dengan banyaknya data). Rata-rata sampel

disimbolkan dengan x sedangkan rata-rata populasi
disimbolkan dengan  (baca: mu)
1. Nilai rata-rata data tunggal

Untuk data tunggal, rata-rata hitung dirumuskan:
x=
x i
n
Di mana:
x = nilai rata-rata (mean)
n = banyaknya data
2. Nilai rata-rata data berkelompok
Untuk data dengan distribusi frekuensi atau data
berkelompok/berkelas, nilai rata-rata dirumuskan
dengan:
n
 f .x i i
x= 1=1
n
f
i =1
i
Dalam hal ini:

x= nilai rata-rata (mean)
f i = frekuensi data ke−i; data berkelompok: f i =frek.

kelas ke−i
xi = xi =titik tengah
nilai data ke-i; data berkelompok,
kelas ke-i
44
Perhatikan bahwa, jumlah seluruh frekuensi data sama

dengan banyak data. Secara simbolis dirumuskan dengan:
f i =n
Contoh 1:
Hasil ujian akhir mata pelajaran matematika dari
sekelompok siswa SMA adalah sebagai berikut: 14 orang
mendapat nilai 6, 8 orang mendapat nilai 7, 12 orang
mendapat nilai 8, dan 6 orang mendapat nilai 9. Hitunglah
nilai rata-ratanya.
Jawab: Misalkan nilai = x
n
 f .x i i
(14  6) + (8  7) + (12  8) + (6  9)
x= 1=1
= = 7,25
n
14 + 8 + 12 + 6
f
i =1
i
Jadi, nilai rata-rata ke-40 siswa tersebut adalah 7,25.
Contoh 2:
Tentukan rataan umur dari sekelompok warga berikut
Usia (Tahun) Banyak Warga

35-39 2
40-44 6
45-49 7
50-54 4
55-59 1
45
Penyelesaian: Tabel dikembangkan sesuai kebutuhan

perhitungan (rumus)
interval frek (𝑓𝑖 ) 𝑥𝑖 𝑓𝑖 . 𝑥𝑖

35-39 2 37 74
40-44 6 42 252
45-49 7 47 329
50-54 4 52 208
55-59 1 57 57
 20 - 920
n
 f .x i i
920
x= 1=1
n
= = 46
f
20
i
i =1
Jadi, rata-rata usia dari kelompok warga tersebut adalah 46

tahun.
b. Perhitungan Rata-Rata Menggunakan Metode

Coding
Cara lain untuk menghitung rata-rata dari data
berdistribusi frekuensi adalah dengan metode
coding/sandi.Untuk ini, dipilih titik tengah kelas 𝑥0
yaitu titik tengah kelas modus (frekuensinya paling
besar). Pada 𝑥0 diberi sandi c = 0. Titik tengah kelas
yang lebih kecil dari 𝑥0 berturut–turut diberi harga
sandi c = -1, c = -2, c = -3, ... Titik tengah kelas yang
lebih besar dari x0 berturut–turut diberi harga sandi c =
+1, c = +2, c = +3, ... Jika p menyatakan panjang kelas
interval maka-maka rata-rata dihitung dengan rumus:
46
 
  f i .ci 
x = x0 + p 

  f i 
 
Perhatikan data umur pada contoh sebelumnya:
interval frek (𝑓𝑖 ) 𝑥𝑖 𝑐𝑖 𝑓𝑖 𝑐𝑖

35-39 2 37 -2 -4
40-44 6 42 -1 -6
45-49 7 47 0 0
50-54 4 52 1 4
55-59 1 57 2 2
 20 - -4
−4
x = 47 + 5  = 46
 20 
Hasil ini tidak berbeda dengan perhitungan
sebelumnya.
c. Rata-rata Gabungan
Dalam statistik, data dapat dibuat dalam beberapa
kelompok(sub sampel) tertentu. Rata-rata dari setiap
sub sampel dapat digabung, disebut rata-rata gabungan.
Jika ada k sub sampel dengan keadaan:
sub sampel 1 berukuran n1 dengan rata-rata x1

sub sampel 2 berukuran n2 dengan rata-rata x 2
sub sampel 3 berukuran n3 dengan rata-rata x 3
sub sampel k berukuran nk dengan rata-rata x k
47
maka, rata-rata gabungan dirumuskan dengan
x gab =
n xi i
dengan 𝑖 = 1,2,3, . . . , 𝑘
n i
Contoh:
Rata-rata nilai 15 orang siswa adalah 7. Rata-rata nilai 8

siswa pertama adalah 6,5. Sedangkan rata-rata nilai 6 siswa
berikutnya 7,5. Tentukan nilai siswa yang ke 15.
Jawab:
Dalam hal ini x gab = 7

(8  6,5) + (6  7,5) + (1  x15 )
7=
8 + 6 +1
x15 = (7  15) − (52 + 45) = 8
Jadi, nilai siswa ke 15 adalah 8.
Nilai rata-rata akan mewakili sekumpulan data tanpa

mempertimbangkan sebaran (tingkat variasi data).
Misalkan nilai matematika kelas IIIA dan IIIB sebagai
berikut
A 4 5 6 7 8 8 9 9 10 10 Jlh Nilai: 76 Rata-rata: 7,6

B 7 7 7 7 7 8 8 8 8 9 Jlh Nilai: 76 Rata-rata: 7,6
Tampak bahwa kedua kelas memiliki rataan yang sama.

Artinya, jika ditinjau dari nilai rata-rata, maka keadaan
kelas IIIA dan IIIB tidak berbeda. Dalam hal ini, dinyatakan
bahwa rata-rata nilai kelas III adalah 7,6.
48
Jelas bagi anda, bahwa pernyataan tersebut tidak

menggambarkan keadaan sebenarnya. Coba anda
perhatikan nilai terendah dan tertinggi setiap kelas.
Tampak bahwa sebaran nilai tiap kelas berbeda. Inilah
kelemahan menafsirkan data menggunakan parameter
mean/rataan.
d. Rata-rata Harmonis
Disimbolkan dengan 𝐻. Untuk data x1, x 2 , x3 ,..., x n

maka rata-rata harmonis dirumuskan dengan
n
H=
1 
  x 
 i 
Contoh 1: (Contoh teoretis)
Rata-rata harmonis untuk kumpulan data 3,5,6,6,7,10,12
adalah
7
H= = 5,87
1 1 1 1 1 1 1
+ + + + + +
3 5 6 6 7 10 12
Contoh 2 : (Contoh aplikatif)

Maman berangkat pergi-pulang dari kota A ke kota B. Saat
pergi, kecepatannya adalah 40 km/jam dan saat pulang,
kecepatannya adalah 50 km/jam. Berapa rata-rata kecepatan
pergi-pulang?
Jawab:
▪ Jika dihitung dengan rataan biasa:
40 + 50
v= = 45km / jam
2
49
Perhitungan ini salah. Sebab, misalkan panjang jalan

100km maka saat pergi dibutuhkan waktu 2,5 jam dan
saat pulang dibutuhkan waktu 2 jam. Sehingga, total
waktu pergi pulang adalah 4,5 jam. Karena pulang-
pergi, maka total jarak yang ditempuh adalah 200 km
dan kecepatan rata-rata
200 km
v= = 44 ,44 km / jam
4,5 jam
Jadi, ada selisih perhitungan sebesar 0,56 km/jam.

Perbedaan semakin besar jika jarak tempuh lebih dari
100km.
▪ Dihitung menggunakan rataan harmonis
2
v= = 44,44km / jam (sama dengan
40 + 50
1 1
perhitungan terakhir di atas).

e. Rata-rata ukur
Disebut juga rata-rata geometris (geometric mean),
disimbolkan dengan 𝑈. Pada gugus data positif
𝑥1 , 𝑥2 , 𝑥3 , … . , 𝑥𝑛 rata-rata geometrik adalah akar ke−𝑛
dari hasil perkalian unsur-unsur datanya. Secara
matematis dapat dinyatakan dengan formula berikut:
𝑈 = 𝑛√𝑥1 . 𝑥2 . 𝑥3 . … . . 𝑥𝑛 atau 𝑈 = 𝑛√∏𝑛𝑖=1 𝑥𝑖 atau
∑ log 𝑥𝑖
𝐿𝑜𝑔 𝑈 = 𝑛
Statisti 𝑈 digunakan sebagai perbandingan yang relatif

tetap, sehinga seolah-olah urutan data merupakan
barisan geometri. Misalkan ada sederet data terurut
𝑥1 , 𝑥2 , 𝑥3 , … . , 𝑥𝑛 dan berlaku
50
𝑥1 𝑥2 𝑥3 𝑥𝑛−1
= = =⋯=
𝑥2 𝑥3 𝑥4 𝑥𝑛
Maka, akan diperoleh rataan geometris 𝑈. Parametr
satistik 𝑈 ini banyak dipakai dalam data teknik atau
pekerjaan engineering.
Contoh:
Tentukan rata-rata geometris dari 8.192, 2, 32, 512, 128,
2048, 8.
Penyelesaian:
(dikerjakan mahasiswa dalam kuliah).
Kunci jawaban=128. Perhatikan pola angka merupakan
kelipatan 4.
f. Rata-rata Kuadratis (NRK)

Biasanya, NRK disebut juga akar nilai rata-rata kuadratis
dari kumpulan data terurut 𝑥1 , 𝑥2 , 𝑥3 , … . , 𝑥𝑛 ,
dirumuskan dengan
∑ 𝑥2
𝑁𝑅𝐾 = √ 𝑖
𝑛
Tentukan NRK dari 8.192, 2, 32, 512, 128, 2048, 8.
Penyelesaian:
(dikerjakan mahasiswa dalam kuliah).
Kunci jawaban= 3.198.
51
3.3. Modus
Modus adalah nilai yang paling sering atau paling banyak
muncul. Modus menggambarkan fenomena yang paling
umum terjadi pada objek pengamatan.
1. Modus Data Tunggal
Modus data tunggal: cukup lihat frekuensi tertinggi.
Data: 8,7,9,8,8,10,8 Modus adalah 8
Data: 8,7,9,8,10 tidak memiliki modus
2. Modus data berkelompok
Rumus untuk menghitung modus data berkelompok
adalah
𝑑1
𝑀0 = 𝐿𝑚 + [ ]𝑝
𝑑1 + 𝑑2
(disebut rumus Croxton dan Cowden). Di mana:

M o = Modus/mode
Lm = tepi bawah kelas modus (𝐿𝑚 =Lower margin)
d1 = selisih frekuensi kelas modus dengan frekuensi
kelas sebelumnya.
d2 = selisih frekuensi kelas modus dengan frekuensi
kelas sesudahnya.
𝑝 = panjang/interval kelas
Langkah-langkah menentukan kelas modus:
(i) Tentukan kelas dengan frekuensi terbesar
(ii) Hitung L = batas bawah kelas-0,5 (L=tepi bawah
kelas Modus)
52
(iii) Hitung selisih frekuensi kelas modus dgn kelas

sebelumnya (d1) dan sesudahnya (d2)
(iv) Hitung panjang interval kelas (i)
(v) Hitung modus dengan rumus di atas.
Contoh
Distribusi usia 60 nasabah baru “PT Asuransi Ngaok
Terus”sebagai berikut:
Usia Frekuensi
25-29 8
30-34 14
35-39 10
40-44 18
45-49 7
50-54 3
Jumlah 60
(i) Modus adalah kelas yang frekuensinya 18 (usia 40-44)

(ii) 𝐿𝑚 = 40 − 0,5 = 39,5
(iii) p = (44 − 40) + 1 = 5
(iv) d1 = 18 − 10 = 8 dan d 2 = 18 − 7 = 11
Nilai modus dihitung sebagai berikut
 8 
M o = 39,5 +  5 = 41,61 senilai dengan 41 tahun 7 bulan.
 8 + 11
Berdasarkan modus, anda dapat mengatakan bahwa

sebagian besar nasabah asuransi tersebut berusia 41 tahun 7
bulan.
53
3.4. Median
Median adalah nilai tengah atau titik tengah dari
sekumpulan data. Median dapat ditentukan dengan cara
mengurutkan data dari yang nilainya paling rendah ke
nilai yang paling tinggi, kemudian menentukan titik
tengahnya.
1. Median data tunggal
Jika 𝑛 ganjil maka
M e = x n +1
2
Jika 𝑛 genap maka

Me =
1

x n + x n+2
2 2 2

Contoh:
Data: 8,7,9,8,8,10,8. Diurutkan: 7,8,8,8,8,9,10. Median=𝑥7+1 = 𝑥4 =8
2
1
Data: 8,7,9,5,6,9. Diurutkan: 5,6,7,8,9,9. Median= [𝑥3 + 𝑥4 ] = 7,5
2
2. Median data berkelompok

1
2
𝑛 − 𝐹𝑀𝑒
𝑀𝑒 = 𝐿𝑚 + [ ]𝑝
𝑓𝑀𝑒
Keterangan:
𝑀𝑒 = Median
𝐿𝑚 = tepi bawah kelas median (𝑙𝑜𝑤𝑒𝑟 𝑚𝑎𝑟𝑔𝑖𝑛) =
𝐵𝑏 − 0,5
𝐹𝑀𝑒 = frekuensi komulatif sebelum kelas median
𝑓𝑀𝑒 = frekuensi kelas median
1
Tentukan kelas median: memuat data ke = (𝑛 + 1); 𝑛 = ∑ 𝑓𝑖
2
54
Contoh:
Usia Frekuensi Fi
25-29 8 8
30-34 14 22
35-39 10 32
40-44 18 50
45-49 7 57
50-54 3 60
Jumlah 60
1
Kelas median: memuat data ke = (60 + 1) = 30,5.
2
Kelas median: 35-39.
𝐿𝑚 = 35 − 0,5 = 34,5
1
(60) − 22
𝑀𝑒 = 34,5 + [2 ] 5 = 38,5
10
Latihan
1. Perhatikan nilai 20 orang siswa berikut: 8, 6, 7, 8, 9, 7, 7,
8, 9, 8, 8, 9, 7, 6, 7, 8, 9, 6, 8, 6.
Sajikan dalam bentuk
a. Tabel distribusi frekuensi
b. Histogram
2. Sebanyak 50 peserta tes diberikan 100 nomor soal

pilihan ganda. Nilai perolehan peserta sebagai berikut:
80, 66, 68, 97, 71, 85, 68, 87, 98, 85, 70, 65, 80, 75, 67, 85,
96, 93, 78, 90, 68, 67, 85, 80, 73, 85, 98, 87, 75, 98, 67, 69,
75, 75, 94, 78, 67, 97, 75, 68, 80, 73, 71, 75, 80, 78, 83, 75,
68, 82.
55
a. Buatlah daftar distribusi frekuensi bergolong

sesuai data di atas. Keterangan log 50 = 1,699
b. Sajikan polygonnya
c. Tentukaan rataan rataan hitung, rataan
gabungan, dan rataan dengan metode coding
d. Tentukan median dan modus
3. Berikut ini merupakan tabel nilai tes mata pelajaran
matematika di suatu sekolah:
Nilai (𝑥𝑖 ) Frekuensi (𝑓𝑖 )
6 3
7 4
8 2
9 1
∑ …
Tentukan:
a. Banyaknya siswa yang mengikuti tes
matematika tersebut.
b. Nilai rata-rata hitung, rata-rata ukur, rataan
harmonis dan rataan kuadratis
c. Median
d. Modus
4. Rata-rata nilai 15 orang siswa adalah 7. Rata-rata
nilai 8 siswa pertama adalah 6,5. Sedangkan rata-
rata nilai 6 siswa berikutnya 7,5. Tentukan nilai
siswa yang ke 15.
5. Sebanyak 50 peserta tes diberikan 100 nomor soal
pilihan ganda. Nilai perolehan peserta sebagai
berikut:
56
80, 66, 68, 97, 71, 85, 68, 87, 98, 85, 70, 65, 80, 75, 67,
85, 96, 93, 78, 90, 68, 67, 85, 80, 73, 85, 98, 87, 75, 98,
67, 69, 75, 75, 94, 78, 67, 97, 75, 68, 80, 73, 71, 75, 80,
78, 83, 75, 68, 82.
(a) Buatlah tabel distribusi frekuensi bergolong,
(b) Tentukan rataan hitung, rataan gabungan,
rataan harmonis, dan rataan kuadratis
(c) Modus
(d) Median
(e) Sajikan histogram dan ogive
57
BAB IV
UKURAN KERAGAMAN,
KEMIRINGAN DAN
KERUNCINGAN DATA
4.1. Pengertian
Sekumpulan data hasil observasi atau pendataan
umumnya tersebar secara acak. Nilainya bervariasi,
walaupun ada kecenderungan mengumpul pada nilai
tertentu. Fenomena nilai yang ‘beragam’ tentunya tidak
dapat diambil semua nilai tersebut untuk menjadi
kesimpulan sementara tentang gambaran umum keadaan
objek yang didata.
Dalam kenyataan hidup, sering dikatakan, misalnya:
‘umumnya orang Eropa berkulit putih’; rata-rata tinggi badan
sekelompok pemuda adalah 168 cm; atau nilai rata-rata
sekelompok siswa SMU 7,5, dan sebagainya. Ungkapan
seperti itu merupakan suatu kesimpulan umum, atau
gambaran umum yang mewakili sekelompok data.
Namun, dari contoh ini, harus disadari bahwa dalam
populasi atau dalam kumpulan data yang sangat banyak,
kenyataan bahwa:
58
(1) Tidak semua orang Eropa berkulit putih atau putihnya

tidak seragam: ada yang sangat putih, ada yang putih
kemerahan, dst;
(2) Paling kurang ada satu orang pemuda yang tinggi
badannya kurang dari atau lebih dari 168 cm;
(3) Pasti ada satu orang siswa yang memiliki nilai lebih
dari atau kurang dari 7,5 (kejadian sangat langka jika
semua siswa bernilai 7,5).
Jika ada pernyataan: selisih nilai tertinggi dengan
terendah sangat besar. Atau perbedaan nilai tertinggi dan
terendah sangat mencolok. Gambaran seperti ini
merupakan deskripsi praktis terhadap keadaan
sekelompok data yang memiliki nilai bervariasi, mulai dari
yang terendah/terkecil hingga yang terbesar/tertinggi.
Gambaran keadaan seperti ini merupakan gambaran kasar,
dalam statistika disebut rentang data atau jangkauan data
atau range.
Bervariasinya nilai statistik penting untuk dikaji.
Kajian akan hal ini biasa dikenal dengan pengukuran
keragaman data. Pengukuran keragaman data erat
kaitannya dengan pengukuran tendensi pusat (gejala
pemusatan data) yaitu suatu keadaan dimana nilai-nilai/data
cenderung berkumpul pada suatu titik (nilai) tertentu.
Pengukuran tendensi pusat memudahkan kita untuk
menduga fenomena umum sekelompok objek
penelitian/objek kajian. Seperti ungkapan ‘orang Eropa
umumnya berkulit putih’.
Ukuran keregaman data disebut juga ukuran dispersi.
Beberapa parameter pengukur keragaman data adalah
59
1. Range
2. Rentang antar Kuartil (RAK)
3. Rata-rata simpangan
4. Varians
Masing-masing dibahas dalam bagian-bagian
berikut.
4.2. Rentang Data/Range (R)

Pada data kulitatif, rentang data hanya bisa terlihat
dengan observasi langsung untuk merekam keanekaragaman
data. Sedangkan pada data kuantitatif, akan terjadi sebaran
data dari nilai terkecil ke nilai tebesar dan dengan mudah
dihitung selisihnya. Secara kasar, selisih ini menunjukkan
gejala keragaman data. Selisih data terbesar dengan data
terkecil disebut range data, dirumuskan:
R = xmax − xmin
Dimana : xmax = data terbesar, xmin = data terkecil
Contoh:
Nilai hasil ulangan 8 siswa adalah sebagai berikut: 8, 6,
7, 9, 7, 8, 7, 9. Tentukan rangenya.
Jawab:
Data diurutkan : 6, 7, 7, 7, 8, 8, 9, 9.
R=9–6=3
Jadi, rentangan data / range adalah 3.
60
4.3. Jangkauan Semi Antar Kuartil (JSAK)

Jangkauan semi antar kuartil disebut juga rentang
semi antar kuartil (RSAK).
Kuartil membagi data ke dalam empat kluster. Jika
kuartil terbentuk, maka dipastikan data menyebar dalam
rentang tertentu. Perhatikan gambar:
n
Xmin Q1 Q2 Q3 Xmax
½n ½n
1/4 n 1/4 n 1/4 n 1/4 n
RAK diperoleh dari selisih antara kuartil ke tiga

dengan kuartil pertama.
RAK = Q3 − Q1
RAK = Rentang antar Kuartil
Q3 = Kuartil ke tiga
Q1 = kuartil pertama
Simpangan antar kuartil atau jangkauan semi antar

kuartil dirumuskan:
1
JSAK = (Q3 − Q1 )
2
61
Contoh:
frek Berdasarkan tabel di samping,
interval 𝑥𝑖 𝑓𝑖 . 𝑥𝑖
(𝑓𝑖 ) diperoleh nilai kuartil:
35-39 2 37 74 Q1 = 42 Q3 = 49,5
40-44 6 42 252 1
45-49 7 47 329 JSAK = (Q3 − Q1 )
2
50-54 4 52 208 1
= (49,5 − 42)
55-59 1 57 57 2
 20 - 920 = 3,75
4.4. Rata-Rata Simpangan

Andaikan ada sekumpulan data 𝑥1 , 𝑥2 , 𝑥3 . . . , 𝑥𝑛
dipastikan memiliki nilai rata-rata 𝑥̅ . Nilai 𝑥̅ inilah yang
mewakili keadaan sampel (atau populasi).
Ilustrasi:
Misalkan, seorang tukang kayu, bekerja secara orderan dan
tidak setiap bulan ia bekerja. Sekali bekerja, ia mendapat
bayaran antara Rp500.000,00 hingga Rp8.000.000,00.
Ternyata, rata-rata penghasilannya adalah Rp3.000.000,00
per bulan.
Kondisi ini, menunjukkan terjadinya dispersi (pencaran) nilai
bayaran yang tidak seragam. Bisa diperhatikan, bagaimana
selisih bayaran yang lebih rendah, mendekati, sama, sedikit
lebih, atau lebih tinggi dari ‘angka pukul rata’ Rp3 juta itu.
Masalah seperti ini, dalam statistika, bisa dianalisis selisih
tiap titik data terhadap nilai rata-rata, dan ‘diambil rata-
rata dari selisih ini’.
62
Tiap titik data memiliki selisih

𝑥𝑖 − 𝑥̅
Yaitu
𝑥1 − 𝑥̅ , 𝑥2 − 𝑥̅ , 𝑥3 − 𝑥̅ , … , 𝑥𝑛 − 𝑥̅
Terhadap nilai rata-rata. Akan terjadi selisih negatif untuk
data di bawah rata-rata, dan selisih positif untuk data lebih
dari rata-rata. Namun, bukan soal negatif atau positifnya,
tetapi seberapa jauh letah titik data dari rata-rata. Maka
yang diperhatikan adalah jarak simpangan sebesar
|𝑥𝑖 − 𝑥̅ |
Yaitu simpangan tiap titik data sebesar
|𝑥1 − 𝑥̅ |, |𝑥2 − 𝑥̅ |, | 𝑥3 − 𝑥̅ |, … , |𝑥𝑛 − 𝑥̅ |
Jika nilai simpangan ini dijumlahkan dan dibagi rata kepada
n data didapat rata-rata simpangan:
∑|𝑥𝑖 − 𝑥̅ |
𝑅𝑆 =
𝑛
Contoh:
Siswa calon peserta olimpiade dites selama 5 kali, dengan
perolehan nilai 78, 82, 70, 90, 80.
a. Berapa nilai rataanya?
b. Berapa rerata simpangannya?
c. Jika anak tersebut mengikuti olimpiade, berapa prediksi
nilai terendah dan berapa prediksi nilai tertinggi?
63
Jawab:
(dikerjakan bersama mahasiswa dalam kuliah) Kunci
jawaban: 𝑥̅ = 80; 𝑅𝑆 = 4,8; prediksi minimal = 75,8; prediksi
maksimal = 84,8
4.5. Varians dan Varians Baku (Simpangan

Baku)
Varians baku disebut juga Standar
Deviasi/Simpangan Baku. Andaikan sekelompok data
populasi memiliki nilai rata-rata (mean) 𝜇, maka nilai-nilai
data 𝑥𝑖 ; ∇𝑥𝑖 ≠ 𝜇 pasti memiliki selisih dengan nilai rata-rata
𝜇. Nilai mutlak penyimpangan tersebut adalah
|𝑥𝑖 − 𝜇|
Selisih ini disebut simpangan/varians. Jika ada
sebanyak 𝑁 data, maka total variansi (penyimpangan)
adalah
𝑁
∑|𝑥𝑖 − 𝑥̅ |
𝑖=1
Jika diambil nilai rata-ratanya, didapat

∑𝑛𝑖=1|𝑥𝑖 − 𝑥̅ |
𝑁
Dalam penelitian, sekelompok data tidak hanya
diperhatikan parameter ukuran pusat (rataan, median,
modus) tetapi sebaran data juga menggambarkan karater
objek pengamatan. Persamaan di atas menggambarkan
bagaimana penyimpangan terjadi dan diamati secara
kolektif. Jarak simpangan diukur dari letak nilai rata-rata,
64
dan jarak tersebut dibagi rata kepada semua 𝑁 data dalam

populasi. Untuk populasi, simpangan ini disimbolkan
dengan 𝜎 (sigma). Jika dikuadratkan didapat rumus varians
populasi:
 2
=
 (X i − )
2
N
dan simpangan baku (varians standar) populasi adalah
 (X − )
2
=
i
N
Sedangkan jika kita hanya mengambil sebagian
anggota populasi sebagai sampel penelitian, maka
perhitungan varians adalah:
 (x )
2
−x
=
2 i
s
n −1
dan adalah simpangan baku
 (x ) 2
−x
s=
i
n −1
Dalam hal ini
 :simpangan baku populasi 𝑁 :Banyak anggota populasi
s :simpangan baku data sampel 𝑛 :Banyak anggota sampel
Catatan:
Pada sampel, penyebutnya adalah 𝑛 − 1 (dalam penelitian
bertindak sebagai derajat kebebasan sampel). Alasannya
adalah:
65
(1) Secara matematis, berlaku teori ‘diharapkan bahwa

apa yang terjadi pada sampel, benar-benar mewakili
populasi’ sehingga nilai harapan
𝐸(𝑠) = 𝜎
Nilai ini bisa terjadi jika penyebutnya 𝑛 − 1 (akan
dibuktikan di statistika matematika).
(2) Jika hanya ada dua pengukuran (dua data), maka
hanya akan ada satu selisih, yaitu perbedaan antara
pengukuran pertama dengan pengukuran ke dua,
misalkan (𝑥1 − 𝑥2 )2 . Tidak dapat diandalkan nilai
rata-ratanya, belum meyakinkan.
Rumus di atas berlaku untuk data tunggal. Ada
pendataan yang dibuat dalam bentuk kelompok,
misalnya data penduduk. Umur 0 – 5 tahun, 6 – 11
tahun, 12 – 17tahun. Biasanya data seperti itu
disajikan dalam tabel distribusi frekuensi. Untuk data
berkelompok, rumusan standar deviasi sampel
adalah sebagai berikut:
 f (x )
2
−x
s=
i i
n −1
dalam hal ini, xi adalah titik tengah kelas, dan f i
adalah frekuensi tiap kelas. Rumus di atas dapat juga
ditulis sebagai berikut:
n  f i .xi − ( f i .xi ) 2
2
s=
n(n − 1)
66
Rumus terakhir ini adalah rumus perhitungan

simpangan baku (sampel) yang tingkat ketelitiannya
paling tinggi.
Contoh :
1. Hasil ulangan statistik 20 orang mahasiswa adalah
sebagai berikut: 4 orang mendapat nilai 6; 8 orang
mendapat nilai 7; 5 orang mendapat nilai 8; sisanya
mendapat nilai 9.
Tentukan
a. Rentang nilai
b. Rentaang antar kuartil dan JSAK
c. Simpangan Baku
Penyelesaian:
Terlebih dahulu dibuat tabel bantuan sesuai variabel
yang tertera pada rumus.
Nilai (𝑥𝑖 ) Frek (𝑓𝑖 ) f i .xi xi − x ( xi − x) 2 fi ( xi − x)2

6 4 24 -1,35 1,8225 7,29
7 8 56 -0,35 0,1225 0,98
8 5 40 0,65 0,4225 2,1125
9 3 27 1,65 2,7225 8,1675
 20 147 5,09 18,55
Diperoleh
a. Rentang nilai = 9 – 6 = 3
b. Simpangan baku (anggap ini merupakan
populasi).
18,55
= = 0,96
20
67
2. Hitunglah simpangan baku dari data nilai ujian

matematika berikut:
Interval Nilai Jlh Mahasiswa

21-30 2
31-40 6
41-50 18
51-60 30
61-70 20
71-80 10
81-90 8
91-100 6
Penyelesaian:
Interval Frek. fi (Xi ) fi . X i Xi2 fi . Xi2

21-30 2 25,5 51 650,25 1300,5
31-40 6 35,5 213 1260,25 7561,5
41-50 18 45,5 819 2070,2537264,5
100 394545 − 60702
51-60 30 55,5 1665 3080,2592407,5 s =
100(100 − 1)
61-70 20 65,5 1310 4290,25 85805
= 16,24
71-80 10 75,5 755 5700,2557002,5
81-90 8 85,5 684 7310,25 58482
91-100 6 95,5 573 9120,2554721,5
 100 - 6070 33482 394545
Jadi, standar deviasi nilai ujian para siswa adalah 16,24.
68
Latihan (Ukuran keragaman data)
1. Manakah yang lebih homogen dari data-data

berikut?
(a) 6, 8, 6, 10, 9, 7, 8, 10, 8, 6 atau (b) 8, 7, 9, 8, 8, 10, 9,
7, 4, 8
2. Hasil ulangan matematika 40 orang siswa adalah
sebagai berikut: 4 orang mendapat nilai 6; 18 orang
mendapat nilai 7; 12 orang mendapat nilai 8; sisanya
mendapat nilai 9.
Tentukan: (a) Rentang nilai; (b) Rataan selisih, (c)
Simpangan Baku
3. Tentukan simpangan baku dari data berikut:
Interval Nilai Jumlah Mahasiswa
31-40 9
41-50 14
51-60 16
61-70 32
71-80 15
81-90 8
91-100 6
69
4.6. Pengantar Ukuran Kemiringan dan

Keruncingan
Selain poligon, sebaran data bisa diestimasi dengan
garis (kurva) yang menjadi garis hampiran untuk titik-titik
data. Garis estimasi ini disebut kurva frekuensi. Jika semua
data populasi dapat dikumpulkan dan dibuat daftar
distribusi frekuensinya, kemudian dibuat kurva distribusi
frekuensi, maka kurva ini dapat menjelaskan karakteristik
populasi. Kurva dapat juga dibuat berdasarkan data
sampel yang representatif dari data populasinya.
Kesimpulan sebaran data populasi didasarkan pada
kesimpulan sebaran data pada sampel. Beberapa kurva
model untuk populasi adalah:
1. Model Normal
2. Model simetrik
3. Model positif / miring ke kiri
4. Model negatif / miring ke kanan
5. Model J
6. Model U
Tempat kedudukan mean, median, dan modus dalam
satu distribusi sangat tergantung kepada bentuk
distribusinya. Bilamana dari suatu distribusi simetris
normal, dihitung mean, median, dan mode-nya, maka akan
dijumpai sifat yang khas, yakni bahwa ketiga tendensi
sentral itu bersekutu satu sama lain. Hal ini dapat
dimengerti, sebab pada distribusi normal, mean membagi
dua sama banyak frekuensi variabel di atas dan
dibawahnya.
70
Dengan demikian, mean ini mempunyai fungsi

seperti median. Oleh karena yang menjadi mode dalam
distrubusi normal adalah nilai yang ada pada mean, maka
dengan sendirinya mode itu bersekutu dengan mean. Jadi,
pada distribusi normal mean, median, dan mode ketiga-
tiganya berhimpit, seperti gambar berikut:
 Me
Mo
Namun, pada distribusi yang juling/miring atau
menceng, tempat kedudukan ketiga tendensi sentralnya
terpisah satu sama lain. Bilamana distribusi
miring/menceng positif, mean-nya terletak di sebelah
kanan, sedang modenya di sebelah kiri. Selanjutnya,
median dari distribusi itu terletak diantara mean dan mode.
Sebaliknya pada distribusi miring/menceng negatif, letak
ketiga tendensi sentralnya secara berturut-turut dari kiri ke
kanan adalah mean, median, dan mode. Kurva menceng
positif condong ke kiri, kurva menceng negatif condong ke
kanan, seperti kedua gambar berikut.
f f
 Me Mo
Mo Me 
Kurva bentuk juling/menceng secara positif Kurva bentuk
miring/menceng secara negatif
71
4.7.Ukuran Kemiringan (Kemencengan,

Skewness)
Ukuran kemiringan adalah ukuran yang menyatakan
sebuah model distribusi yang mempunyai kemiringan
tertentu. Jika diketahui nilai kemiringan, maka diketahui
pula bagaimana model distribusinya, apakah: simetris,
negatif atau positif. Kemiringan merupakan derajat
kesimetrian.
Untuk mengetahui derajat ketidaksimetrian model
suatu grafik distribusi frekuensi, dihitung koefisien
kemiringan. Beberapa rumus koefisien kemiringan sebagai
berikut:
1. Koefisien Kemiringan Pertama dari Pearson
𝑀𝑒𝑎𝑛 − 𝑀𝑜𝑑𝑢𝑠 𝑥̅ − 𝑀0
𝐾𝑜𝑒𝑓𝑖𝑠𝑖𝑒𝑛 𝐾𝑒𝑚𝑖𝑟𝑖𝑛𝑔𝑎𝑛 = =
𝑆𝑖𝑚𝑝𝑎𝑛𝑔𝑎𝑛 𝑏𝑎𝑘𝑢 𝑠
2. Koefisien Kemiringan Kedua dari Pearson
Rumus kedua ini dikenal dengan rumus empiris.
3(𝑀𝑒𝑎𝑛 − 𝑀𝑒𝑑𝑖𝑎𝑛) 3(𝑥̅ − 𝑀𝑒 )
𝐾𝑜𝑒𝑓𝑖𝑠𝑖𝑒𝑛 𝐾𝑒𝑚𝑖𝑟𝑖𝑛𝑔𝑎𝑛 = =
𝑆𝑖𝑚𝑝𝑎𝑛𝑔𝑎𝑛 𝑏𝑎𝑘𝑢 𝑠
3. Koefisien Kemiringan dengan Kuartil
𝑄3 −2𝑄2 +𝑄1
𝐾𝑜𝑒𝑓𝑖𝑠𝑖𝑒𝑛 𝐾𝑒𝑚𝑖𝑟𝑖𝑛𝑔𝑎𝑛 = 𝑄3 −𝑄1
𝑄 = 𝑘𝑢𝑎𝑟𝑡𝑖𝑙
4. Koefisien Kemiringan dengan Persentil
𝑃90 − 2𝑃50 + 𝑃10
𝐾𝑜𝑒𝑓𝑖𝑠𝑖𝑒𝑛 𝐾𝑒𝑚𝑖𝑟𝑖𝑛𝑔𝑎𝑛 =
𝑃90 − 𝑃10
𝑃90 =persentil ke−90,
𝑃50 = persentil ke−50 𝑃10 =persentil ke−10
72
Rumus empirik untuk kemiringan adalah

3(Mean − Median )
Kemiringan =
Simpangan Baku
Menurut Pearson, dari hitungan koefisien kemiringan
di atas, ada tiga kriteria untuk bentuk distribusi data,
yaitu:
(1) Model positif jika koefisien kemiringan bernilai
positif, 𝐾 > 0,
(2) Model negatif jika koefisien kemiringan bernilai
negatif, 𝐾 < 0,
(3) Jika hasil perhitungan kemiringan bernilai nol, 𝐾 =
0, maka model dikatakan simetrik.
Contoh:
Interval frek (𝑓𝑖 ) 𝑥𝑖 𝑓𝑖 .𝑥𝑖
35-39 2 37 74
40-44 6 42 252
45-49 7 47 329
50-54 4 52 208
55-59 1 57 57
 20 - 920
Diperoleh nilai rata-rata, modus adalah dan
simpangan baku adalah
n
 f .x i i
 d 
x= 1=1
= 46 M o = L +  1 i = 45,75
 d1 + d 2 
n
f
i =1
i
n f i .xi − ( f i .xi ) 2
2
s= = 5,3
n(n − 1)
73
Maka
Mean − Modus
Kemiringan = =0,04734
Simpangan Baku
Nilai kemiringan ini agak kecil, jadi bisa saja, data
hampir berdistribusi simetrik. Walaupun begitu, model
tetap menceng positif (condong ke kiri).
4.8. Ukuran Keruncingan

Ukuran keruncingan disebut juga kurtosis. Kurtosis
merupakan derajat ketinggian puncak suatu distribusi
frekuensi, biasanya diambil relatif terhadap distribusi
normal. Ada tiga istilah:
(a) Leptokurtik: grafik distribusi dengan titik puncak relatif

tinggi
(b) Platikurtik: grafik distribusi dengan titik puncak relatif
mendatar
(c) Mesokurtik (=distribusi normal) jika titik puncak grafik
distribusi tidak terlalu tinggi dan tidak juga mendatar.
Untuk mengetahui jenis keruncingan grafik

sekumpulan data, dihitung nilai koefisien kurtosisnya.
Rumus perhitungan koefisien kurtosis sebagai berikut:
74
1
(𝑄3 −𝑄1 )
𝐾=2
𝑃90 −𝑃10
Dengan
𝑄1 = kuartil pertama
𝑄3 = kuartil ke tiga
𝑃90 =persentil ke−90, 𝑃10 =persentil ke−10
Kriteria model distribusi
(1) Distribusi platikurtik jika koefisien kurtosis 𝐾 < 0,263
(2) Distribusi mesokurtik (≈ 𝑛𝑜𝑟𝑚𝑎𝑙) jika koefisien kurtosis
𝐾 = 0,263
(3) Distribusi leptokurtik jika koefisien kurtosis 𝐾 > 0,263
Latihan (Ukuran Keruncingan dan Kemiringan data):

1. Tentukan model kemiringan kurva dan model
keruncingan kurva data berikut:
8,8,9,7,7,6,8,6,6,9,10,10,6,8,7,9. Hitunglah koefisien
kemiringan menggunakan nilai kuartil, koefisien
keruncingan menggunakan rumus yang ada.
2. Tentukan model kemiringan kurva dan model
keruncingan kurva data berikut. Hitungan koefisien
kemiringan menggunakan nilai kuartil, koefisien
keruncingan menggunakan rumus yang ada.
Nilai Banyak Siswa
76 − 80 7
81 − 85 4
86 − 90 10
91 − 95 8
96 − 100 6
75
BAB V
DISTRIBUSI SAMPLING YANG
ISTIMEWA
5.1. Pengertian
Data dan distribusi data adalah dua hal berbeda tetapi
saling berkaitan sangat erat. Suatu nilai mentah data 𝑥
mempunyai frekuensi 𝑓(𝑥). Makin besar freluensi 𝑓(𝑥),
maka peluang terjadinya suatu data 𝑥 makin besar. Jika kita
mengumpulkan data, misalnya data nilai hasil ujian siswa
semua rombongan belajar, maka akan membentuk pola
distribusi data.
Pada awalnya, mudah kita amati lewat diagram data.
Tetapi secara teoretis, ada hal yang lVebih umum di mana
kita bisa menduga peluang suatu kejadian dengan melihat
sebaran data yang ada. Utuk kemudahan dalam penelitian,
telah dibuat fungsi distribusi data. Di antaranya, yang
paling sering dipakai adalah distribusi normal (distribusi
Gauss), distribusi t (student), dan distribusi F.
5.2. Distribusi Normal

Distribusi Normal disebut juga distribusi Gauss.
Distribusi ini sangat penting dan paling sering digunakan,
sama seperti distribusi 𝑡.
76
Definisi:
Variabel acak kontinu 𝑋 dikatakan berdistribusi normal jika
mempunyai persamaan fungsi kepadatan peluang pada X=x:
−1( )
x− 2
1
f ( x) = e 2 
 2
Dengan:
 = nilai konstan = 3,1416
e = bilangan konstanta = 2, 7183 −   x  
 = parameter ( rata − rata untuk distribusi ).
 = parameter ( simpangan untuk distribusi ).
Sifat-sifat penting distribusi normal:

(i) grafiknya selalu ada di atas sumbu x
(ii) Simetris terhadap x = 
(iii) Memiliki modus tunggal (kurvanya unimodal),
tercapai pada
0,3989
x =  sebesar

(iv) Grafiknya berasimptut sumbu datar x, dimulai dari
x =  + 3 ke kanan dan x =  − 3 ke kiri.
(v) Luas daerah grafik sama dengan satu unit persegi.
Untuk setiap pasang  dan  hanya bentuk kurvanya saja

yang berbeda. Jika  makin besar, kurvanya makin rendah
(platikurtik), jika  makin kecil, kurvanya makin tinggi
(leptokurtik).
Sebagaimana fungsi padat umumnya, untuk distribusi
Normal berlaku
77
− 12 (  )
 x− 2
1
 2 e
− 
dx = 1
dan berlaku:
−1( )
b x− 2
1
P ( a  x  b) =  e 2  dx
a  2
Untuk pemakaian praktis, telah tersedia tabel distribusi

normal standar untuk menentukan nilai peluang
berdasarkan rumusan di atas. Distribusi normal standar
adalah distribusi normal dengan rata-rata  = 0 dan
simpangan baku  = 1. Sehingga fungsi kepadatan
distribusi normal standar adalah
1 − 12 z 2
f ( z) = e −  z  
2
Transformasi ke bentuk normal standar

Dengan rumus distribusi normal baku, pekerjaan
pengolahan data (penelitian) menjadi mudah. Terlebih
dahulu data ditransformasi menjadi variabel normal
standar, dengan rumus transformasi:
x− 𝑥𝑖 −𝑥̅
Z= atau 𝑍 =
 𝑠
Perbandingan grafiknya sebagai berikut
78
-3 -2 -1 0 1 2 3
Cara menggunakan tabel distribusi normal adalah sebagai

berikut:
1) Hitung nilai Z hingga dua desimal (gunakan rumus
transformasi)
2) Gambar kurva distribusi Z (normal standar)
3) Letakkan harga Z pada sumbu datar. Tarik garis
vertikal hingga memotong kurva. Luas yang tertera
dalam daftar adalah luas daerah antara garis ini dengan
garis tegak di titik nol
4) Dalam daftar, cari tempat harga Z pada kolom paling
kiri (hingga satu desimal); desimal keduanya dicari pada
baris paling atas.
5) Ambil nilai dalam daftar yang merupakan persekutuan
antara nilai Z pada kolom kiri dengan nilai Z pada baris
atas. Nilai tersebut merupakan luas yang dicari (= nilai
peluang). Bilangan yang didapat harus ditulis dalam
bentuk 0,xxxx (hingga 4 desimal).
Perhatikan bahwa luas seluruh daerah di bawah kurva = 1,

dan kurva simetrik terhadap sumbu  = 0 maka luas dari garis
tegak pada titik nol ke kiri ataupun ke kanan adalah 0,5.
79
Contoh:
Anggap produksi harian susu sapi jenis tertentu
berdistribusi normal, dengan rata-rata produksi 70 liter per
hari, dan standar deviasi 13 liter. Tentukan:
a. Peluang produksi susu dari seekor sapi yang dipilih
secara acak adalah kurang dari 60 liter?
b. Peluang produksi susu dari seekor sapi yang dipilih
secara acak adalah lebih dari 90 liter?
c. Peluang produksi susu dari seekor sapi yang dipilih
secara acak adalah antara 60 liter dan 90 liter?
Penyelesaian:
Perhatikan grafik
a. Untuk menghitung peluang produksi susu kurang dari

60 liter, kita harus menghitung harga z yang sesuai
untuk nilai y = 60
y− 60 − 70
z= = = −0,77
 13
Nilai tabel yang sesuai adalah dengan harga z tersebut
adalah 0,2794. Maka
P( x  −0,77) = 0,5 − P( z = 0,77) = 0,5 − 0,2794 = 0,2206
80
Jadi peluang produksi susu kurang dari 6 liter adalah

0,2206.
b. Peluang produksi susu lebih dari 90 liter
Kita hitung harga z yang sesuai dengan nilai y = 90
y− 90 − 70
z= = = 1,54
 13
Nilai tabel yang sesuai adalah dengan harga z tersebut
adalah 0,4382. Maka
P( x  1,54) = 0,5 − P( z = 0,54) = 0,5 − 0,4382 = 0,0618
Jadi peluang produksi susu lebih dari 9 liter adalah
0,0618.
c. Peluang produksi susu antara 60 dan 90 liter
P(−0,77  z  1,54) = 1 − (0,2206 + 0,0618) = 0,7176
atau
P(−0, 77  z  1,54) = P( z = −0, 77) + P( z = 1,54)
= 0, 2794 + 0, 4382 = 0, 7176
5.3. Distribusi Student (Distribusi t)

Distribusi ini diturunkan dari distribusi normal.
Distribusi 𝑡 sangat berguna dalam penelitian.
Jika suatu populasi memiliki model distribusi
frekuensi memenuhi persamaan:
K
f (t ) = 1
n
 t2 
2
1 + 
 n −1 
 
81
Maka populasi tersebut dikatakan berdistribasi t

dengan −   t   ; K merupakan bilangan tetap yang
besarnya tergantung pada n sedemikian hingga luas daerah
di bawah kurva sama dengan satu unit. Derajat kebebasan
= 𝑛 − 1.
Grafik distribusi t sama dengan distribusi normal
standar dan simetris terhadap t = 0. Untuk n 30 distribusi t
mendekati distribusi normal baku (lihat rumus Dist.
Normal Standar di atas).
Distribusi 𝑡 sering dipakai untuk menguji kekuatan
korelasi, menguji rataan satu sampel atau menguji
perbedaan rataan dua sampel.
Cara penggunaan:
(1) Hitung nilai 𝑡 (t hitung) satu sampel atau dua sampel.
(2) Tentukan derajat kebebasan
Dalam kondisi tertentu, pilihan derajat kebebasan
adalah 𝑛 − 1; atau 𝑛1 + 𝑛2 − 1 atau menggunakan
rumus khusus. Ini akan dipelajari di statistika
matematika.
(3) Lihat nilai 𝑡 tabel
Rumusan nilai t hitung
• Uji t untuk sampel tunggal
𝑋̅ − 𝜇0
𝑡0 =
𝑆⁄√𝑛
Derajat kebebasan (dk)= 𝑛 − 1 (dk ini jadi penentu
pilihan pada baris table t) untuk dibandingkan dengan
nilai 𝑡0 .
82
Bentuk hipotesis yang diuji:

𝐻0 : 𝜇 = 𝜇0
𝐻1 : 𝜇 ≠ 𝜇0
Masih ada bentuk lain, akan dipelajari di Statistika
Matematika.
• Uji t untuk Sampel Ganda
Ada dua kasus. Kasu I: 𝜎12 = 𝜎22 = 𝜎 2 dan kasus II: 𝜎12 ≠
𝜎22
Lebih jauh, kedua kasus ini dibahas di statistika
matematika.
Kasus I: 𝝈𝟐𝟏 = 𝝈𝟐𝟐 = 𝝈𝟐
Misalkan 𝑋1 dan 𝑋2 saling independen, berasal dari

populasi berdistribusi normal. Andaikan rata-rata 𝜇1
dan 𝜇2 belum diketahui, dan varian tidak diketahui
tetapi ada asumsi kuat yang mendukung penilaian
bahwa varian tersebut sama, 𝜎12 = 𝜎22 = 𝜎 2 .
Hipotesis yang hendak diuji:
𝐻0 : 𝜇1 = 𝜇2
𝐻1 : 𝜇1 ≠ 𝜇2
Misalkan 𝑋11 , 𝑋12 , … , 𝑋1𝑛 adalah sampel random 𝑛1

observasi dari 𝑋1 dan 𝑋21 , 𝑋22 , … , 𝑋2𝑛 adalah sampel
random 𝑛2 observasi dari 𝑋2 . Misalkan 𝑋11 , 𝑋12 , … , 𝑋1𝑛
adalah sampel random 𝑛1 observasi dari 𝑋̅1 , 𝑋̅2 , 𝑠12 dan
𝑠22 merupakan rata-rata sampel dan varian sampel.
Diasumsikan 𝜎12 = 𝜎22 = 𝜎 2 , sehingga 𝑠12 dan 𝑠22 adalah
perkiraan untuk 𝜎 2 , maka dapat digabungkan menjadi
perkiraan tunggal sebagai berikut:
83
(𝑛1 − 1)𝑠12 + (𝑛2 − 1)𝑠22

𝑠𝑝2 =
𝑛1 + 𝑛2 − 2
Estimator gabungan ini telah dibahas di bagian depan.

Untuk menguji 𝐻0 : 𝜇1 = 𝜇2 perhitungan statistik ujinya
adalah
𝑋̅1 − 𝑋̅2
𝑡0 =
1 1
𝑠𝑝 √ +
𝑛1 𝑛2
Jika 𝐻0 : 𝜇1 = 𝜇2 bernilai benar, maka 𝑡0 berdistribusi 𝑡

dengan derajat kebebasan 𝑛1 + 𝑛2 − 2. Ketentuan
terhadap hipotesis sebagai berikut:
𝐻0 ditolak jika 𝑡0 > 𝑡𝛼,𝑛1 +𝑛2 −2 atau 𝑡0 < −𝑡𝛼,𝑛1+𝑛2−2
2 2
𝐻0 diterima jika −𝑡𝛼,𝑛1+𝑛2 −2 ≤ 𝑡0 ≤ 𝑡𝛼,𝑛1+𝑛2 −2

2 2
Kasus II: 𝛔𝟐𝟏 ≠ 𝛔𝟐𝟐
Dalam keadaan tertentu, varians tidak diketahui dan

tidak bisa diasumsikan bahwa 𝜎12 = 𝜎22 . Tidak ada
statistik 𝑡 yang tepat untuk menguji 𝐻0 di atas.
Karena itu, statistik uji
𝑋̅1 − 𝑋̅2
𝑡0∗ =
𝑠12 𝑠22
√ +
𝑛1 𝑛2
Mengikuti distribusi 𝑡 dengan derajat kebebasan
84
2
𝑠12 𝑠22
(𝑛 + 𝑛 )
1 2
𝑣= 2 2 2 2
−2
𝑠 𝑠
( 1) ( 2)
𝑛1 𝑛2
+
𝑛1 +1 𝑛2 +1
Prosedur penggunaan Uji 𝒕

(1) Tetapkan hipotesis yang diuji
(2) Tetapkan nilai t table, gunakan 𝛼 =
5%, 2,5% 𝑎𝑡𝑎𝑢 10%
(3) Hitung nilai t
(4) Bandingkan nilai 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 dengan 𝑡𝑡𝑎𝑏𝑒𝑙 dan tentukan
jawaban terhadap hipotesis
Cara membaca table 𝒕 (lihat lampiran table t)
• Kolom paling kiri: derajat kebebasan (dk)
• Baris atas: nilai 𝛼 = 5%; 2,5%; 10% atau nilai 𝛼
lainnya
• Entri pada irisan dk dan nilai 𝛼 adalah nilai 𝑡𝑡𝑎𝑏𝑒𝑙
yang dimaksud.
Cara menentukan nilai 𝒕 menggunakan excel
• Untuk uji dua arah ketik pada cell:
=T.INV.2T(5%,10)
• Untuk uji satu arah, ketik pada cell:
=T.INV(5%,10)
• 5% adalah nilai 𝛼; 10 adalah derajat kebebasan
(𝑛 − 1)
85
Contoh:
(dijadikan latihan, target skripsi)
Data berikut adalah hasil pretest dan posttest suatu
tindakan pembelajaran pada siswa kelas X SMUN 1 Wela
Benge.
Sisw Pre Post Sisw Pre Post Sisw Pre Post
a Test Test a Test Test a Test Test
1 70 75 11 40 70 21 45 70
2 65 70 12 45 65 22 65 80
3 50 70 13 45 70 23 70 70
4 70 70 14 65 80 24 60 65
5 45 65 15 70 70 25 45 70
6 45 70 16 60 65 26 70 70
7 65 80 17 45 70 27 45 65
8 65 75 18 65 80 28 45 70
9 60 80 19 65 75 29 30 65
10 55 80 20 60 80 30 65 80
Andaikan semua data berdistribusi normal, apakah

ada dampak signifikan dari tindakan yang diberikan?
5.4. Distribusi F
Distribusi F (𝐹 = 𝐹𝑖𝑠ℎ𝑒𝑟) memiliki fungsi kepadatan
peluang:
1
F 2 ( v1 − v 2)
f (F ) = k 1 ( v +v )
 vF
2 1 2
1 + 1 
 v2 
dengan variabel acak F > 0. Daerah definisinya adalah
(0, ∞), K adalah bilangan tetap yang harganya tergantung
86
pada v1 dan v2 sedemikian hingga luas di bawah kurva

sama dengan satu.
Daftar distribusi F telah disediakan, untuk peluang

𝛼 =0,01 dan 𝛼 =0,05 dengan derajat kebebasan v1 dan v2.
Peluang ini sama dengan luas daerah ujung kanan yang
diarsir.
Simbol
v1: adalah derajat kebebasan pembilang = 𝑛1 − 1
v2: adalah derajat kebebasan penyebut = 𝑛2 − 1.
Grafik di atas, untuk uji satu arah ke kanan. Berlaku

hubungan
1
𝐹(1−𝛼);𝑣1,𝑣2 =
𝐹𝛼;𝑣2,𝑣1
Contoh:
Dalam tabel 𝐹 didapat 𝐹0,05;(12,20) = 2,28. Tentukan 𝐹0,95;(20,12)
Jawab:
1 1
𝐹0,95;(20,12) = =
𝐹0,05;(12,20) 2,28
87
Penggunaan distribusi F
Distribusi F biasa dipakai untuk uji homogenitas varians
dua kelompok sampel yang berdistribusi normal. Dalam
hal ini, diasumsikan bahwa 𝜎12 = 𝜎22 . Bentuk hipotesis yang
diuji adalah
𝐻0 : 𝜎12 = 𝜎22 (𝑑𝑎𝑡𝑎 𝑘𝑒𝑑𝑢𝑎 𝑘𝑒𝑙𝑜𝑚𝑝𝑜𝑘 ℎ𝑜𝑚𝑜𝑔𝑒𝑛)
𝐻0 : 𝜎12 ≠ 𝜎22 (𝑑𝑎𝑡𝑎 𝑘𝑒𝑑𝑢𝑎 𝑘𝑒𝑙𝑜𝑚𝑝𝑜𝑘 𝑡𝑖𝑑𝑎𝑘 ℎ𝑜𝑚𝑜𝑔𝑒𝑛)
(Uji dua arah). Pengujian kesamaan varians ini dapat
dilakukan dengan bantuan distribusi F (distribusi Fisher),
dengan rumusan:
𝑠12
𝐹=
𝑠22
2 2
Andaikan 𝐻0 : 𝜎1 = 𝜎2 memang benar, maka nilai 𝐹
seharusnya mendekati 1. Nilai 𝐹 akan menjauh dan lebih
besar dari 1 jika 𝜎12 > 𝜎22 dan akan mendekati nol jika 𝜎12 <
𝜎22
Dengan: derajat kebebasan pembilang sebesar 𝑣1 = 𝑛1 − 1
dan derajat kebebasan penyebut 𝑣2 = 𝑛2 − 1.
Daerah kritis (Dajan,1996:294):
1
• Daerah kritis bawah: 𝐹 < 𝐹1−𝛼(𝑣1,𝑣2) atau 𝐹 < 𝐹
2 𝛼
(𝑣 ,𝑣
2 2 1)
• Daerah kritis atas: 𝐹 > 𝐹𝛼(𝑣1,𝑣2)
2
Contoh:
Sampel random 25 siswa dan 15 siswi mengikuti tes. Rata-
rata nilai siswa adalah 82 dengan deviasi standar 8. Rata-
rata nilai siswi adalah 78 dengan deviasi standar 7.
Gunakan 𝛼 = 0,02, tentukan apakah varians nilai kedua
kelmpok ini relatif homogen?
88
Jawab:
𝑠12 = 64; 𝑠22 = 49; 𝑛1 = 25; 𝑛2 = 15
Hipotesis:
𝐻0 : 𝜎12 = 𝜎22
𝐻1 : 𝜎12 ≠ 𝜎22
𝛼 = 0,02
𝑠12 64
𝐹= = = 1,306
𝑠22 49
Daerah kritis 𝛼 = 0,02 secara dua arah menjadi

1 1
𝐹<( = = 0,341) dan 𝐹 > (𝐹0,01(24,14) = 3,43)
𝐹0,01(15−1,25−1) 2,93
Karena 𝐹 = 1,306 > 0,341 dan 𝐹 = 1,306 < 3,43 maka
𝐻0 : 𝜎12 = 𝜎22 diterima.
Latihan
Nilai mata pelajaran matematika kelas A dan B adalah
sebagai berikut:
A 70 60 90 90 65 80 70 85 85
B 90 80 50 80 75 70 70 65 95
Pada 𝛼 = 5%, ujilah apakah varians kedua kelas relatif
homogen atau tidak.
Petunjuk: hitung varians terlebih dahulu.
89
Latihan
Dengan derajat kebebasan pembilang 15, dk penyebut
30, tentukan nilai F sehingga luas di bawah kurva:
1. Dari F ke kanan = 0,01
2. Dari F ke kanan = 0,05
3. Dari F ke kiri = 0,99
4. Dengan derajat kebebasan pembilang 30, dk penyebut
15, tentukan nilai F pada 𝛼 = 0,05
90
BAB VI
KORELASI
6.1. Pengertian
Korelasi adalah istilah statistik yang menyatakan
derajat hubungan linier antara dua variabel atau lebih,
yang ditemukan oleh Karl Pearson pada wal 1900, oleh
sebab itu terkenal dengan sebutan korelasi Pearson Product
Moment (PPM). Korelasi menjadi salah satu teknik analisis
statistik yang banyak digunakan oleh peneliti.
Korelasi antara dua variabel 𝑥 dan 𝑦 dirumuskan
sebagai:
𝑐𝑜𝑣(𝑋, 𝑌) 𝐸((𝑋 − 𝜇𝑋 )(𝑌 − 𝜇𝑌 ))
𝜌𝑋𝑌 = =
𝜎𝑋 . 𝜎𝑌 𝜎𝑋 . 𝜎𝑌
2
Catatan: 𝜇𝑋 = 𝐸(𝑋), 𝜎𝑋 2 = 𝐸(𝑋 2 ) − (𝐸(𝑋)) dan
demikian pula untuk 𝑌, maka dapat ditulis
𝐸(𝑋𝑌) − 𝐸(𝑋). 𝐸(𝑌)
𝜌𝑋𝑌 =
2 2
√𝐸(𝑋 2 ) − (𝐸(𝑋)) √𝐸(𝑌 2 ) − (𝐸(𝑌))
Rumusan di atas sulit dipakai karena membutuhkan

fungsi distribusi variable acak atau nilai peluang suatu
variebel acak. Koefisien korelasi dapat dihitung bila
simpangan baku terbatas dan keduanya tidak sama dengan
nol. Telah ada beberapa rumusan yang sering dipakai.
Harga mutlak koefisien korelasi tak lebih dari 1.
91
Makna koefisien korelasi

(i) Jika koefisien korelasi = 1 maka terdapat hubungan
linier yang sangat kuat dan positif,
(ii) Jika koefisien korelasi = −1 maka terdapat hubungan
linier yang sangat kuat dan negatif,
(iii) Jika koefisien korelasi = 0 maka tidak ada sama sekali
hubungan antara variabel yang dianalisis (saling
bebas).
Semakin dekat dengan -1 atau +1, semakin kuat korelasi
antara kedua variabel tersebut.
Korelasi positif artinya kenaikan nilai salah satu
variabel akan diikuti kenaikan nilai variabel lainnya;
Korelasi negatif artinya kenaikan nilai salah satu
variabel akan diikuti penurunan nilai variabel lainnya;
Beberapa bentuk korelasi dibahas pada bagian-bagian
berikut, yaitu korelasi Product Moment Pearson, korelasi
ganda, korelasi peringkat Spearman, dan korelasi point
biserial.
6.2. Korelasi Product Moment Pearson

Korelasi Pearson dirumuskan sebagai berikut
𝑛 ∑ 𝑋𝑖 𝑌𝑖 − ∑ 𝑋𝑖 . ∑ 𝑌𝑖
𝑟=
√𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 )2 √𝑛 ∑ 𝑌𝑖2 − (∑ 𝑌𝑖 )2
dimana Y = variabel terikat dan X = variabel bebas. Nilai

koefisien korelasi r dibatasi pada interval:
−1  r  1
92
Contoh:
Data berikut merupakan data data hasil padi (dalam ton)
dan data luas arealnya (dalam hektare). Selidiki apakah ada
hubungan yang signifikan antara luas areal dengan hasil
padi yang diperoleh petani.
No Lahan (X) Padi (Y)

1 2 5
2 5 11
3 1,5 4
4 7 12
5 4 8,5
6 3,5 7
7 6 13
Penyelesaian:
Kita buat hipotesis:
Ho : Tidak ada korelasi positif antara luas lahan dengan
tingkat hasil padi
Ha : Ada pengaruh antara luas lahan dengan hasil padi.
No Lahan (X) Padi (Y) XY 𝑋𝑖2 𝑌𝑖2

1 2 5 10 4 25
2 5 11 55 25 121
3 1,5 4 6 2,25 16
4 7 12 84 49 144
5 4 8,5 34 16 72,25
6 3,5 7 24,5 12,25 49
7 6 13 78 36 169
29 60,5 291,5 144,5 596,25
93
maka koefisien korelasinya

n  xy − ( x )( y )
r=
n  x 2 − ( x )2  n  y 2 − ( y )2 
   
7  291,5 − 29  60,5
= = 0,9666
 
7  144 ,5 − 29 2 7  596,25 − 60,52 
Jadi, ada korelasi positif antara luas lahan dengan

tingkat hasil padi. Artinya, luas lahan sangat menentukan
hasil padi, dalam hal ini, semakin besar luas areal/lahan
maka hasil padi makin besar.
Apakah koefisien korelasi hasil perhitungan tersebut
signifikan (dapat digeneralisasikan) atau tidak, maka perlu
dibandingkan dengan nilai 𝑟 pada tabel product moment.
Di sini harus ditentukan taraf kesalahannya. Misalkan kita
tetapkan taraf kesalahan 5% (taraf kebenaran 95%), dengan
𝑁 = 7 maka diperoleh rtabel = 0,754.
Ternyata rtabel lebih kecil daripada r hitung = 0,9666;
maka Ho diterima (ada hubungan yang signifikan antara
luas areal dengan hasil padi).
6.3. Korelasi Ganda (Multiple Correlation)

Korelasi ganda merupakan angka yang menunjukkan
arah dan kuatnya hubungan antara dua atau lebih variabel
independen secara bersama-sama terhadap satu variabel
dependen. Simbol korelasi ganda adalah 𝑅.
94
Pemahaman tentang korelasi ganda dapat dilihat pada

bagan berikut:
Misalkan hubungan antara faktor kepemimpinan dan tata
ruang kerja terhadap kepuasan kerja.
r1
X1
r3 R Y
X2 r2
Bagan 1.
Korelasi ganda dua variabel independen
X1 = kepemimpinan X2 = tata ruang kantor

Y = kepuasan kerja R = relasi ganda
r1
X
1
r6
r3 X2 R
r4 Y
r5
r2
X3
Bagan 2.
Korelasi ganda tiga variabel independen dengan satu
X1 = kesejahteraan pegawai X2 = Hubungan dengan pimpinan

X3= Pengawasan Y = efektivitas kerja
R = relasi ganda
variabel dependen.
95
Korelasi ganda 𝑅 antara dua variabel bebas dengan satu

varibel terikat dirumuskan sbb:
ryx2 1 + ryx2 2 − 2ryx1 ryx2 rx1x2

R y. x1x2 =
1 − rx21x2
Dimana:
R y. x1x2 = Korelasi antara variabel 𝑋1 dengan 𝑋2 secara
bersama-sama dengan variabel Y
ryx1 = Korelasi product Moment antara 𝑋1 dengan Y
ryx 2 = Korelasi product Moment antara 𝑋2 dengan Y
rx1x2 = Korelasi product Moment antara 𝑋1 dengan 𝑋2
Pada korelasi ganda, terlebih dahulu menghitung

korelasi sederhananya. Korelasi sederhana antar variabel
dihitung menggunakan korelasi product moment Pearson.
Contoh:
Suatu penelitian berjudul “Hubungan antara
Kepribadian Guru dan Metode Pembelajaran terhadap
Ketertarikan Siswa mengikuti Proses KBM Matematika di
SMA Prima”. Dugaan tingkat hubungan antar variabel
dinyatakan dengan hipotesis berikut:
H0 : Tidak ada hubungan yang kuat antara kepribadian
guru dan metode pembelajaran terhadap ketertarikan
siswa
Ha : Terdapat hubungan yang kuat antara kepribadian
guru dan metode pembelajaran terhadap ketertarikan
siswa
96
Sesuai data yang terkumpul untuk setiap variabel, dan

setelah dihitung korelasi sederhananya ditemukan sebagai
berikut:
1. Korelasi kepribadian guru (𝑋1 ) dengan ketertarikan
siswa (Y): r1 = 0.65
2. Korelasi metode pembelajaran(𝑋2 ) dengan ketertarikan
siswa(Y): r2 = 0.68
3. Korelasi antara kepribadian guru (𝑋1 ) dengan metode
pembelajaran (𝑋2 ) adalah r3 = 0.45
Maka korelasi ganda antara kepribadian guru dan
metode pembelajaran terhadap ketertarikan siswa
mengikuti proses KBM adalah
0,652 + 0,682 − 2  0,65  0,68  0,45

Ry. x1x2 = = 0,781527 = 0,78
1 − 0,452
Ternyata, nilai korelasi ganda R y . x1 x2 lebih besar

daripada nilai korelasi parsial R y .x1 atau R y .x2 . Tingkat
signifikan korelasi ganda perlu diuji. Uji yang digunakan
adalah uji F (tabel F). Untuk memperoleh nilai F hitungan,
digunakan rumus:
R2
Fh = (1− R2 ) k
(n−k −1)
di mana:
R = koefisien korelasi ganda k = jumlah variabel independent
n = jumlah anggota sampel.
97
Untuk contoh di atas banyak anggota sampel 60, k = 2,

maka
0 , 782
Fh = (1−0, 782 ) 2
= 44,28
(60− 2−1)
Nilai Fh tersebut dibandingkan dengan nilai F tabel,

dengan derajat kebebasan pembilang = 𝑘, dan derajat
kebebasan penyebut = 𝑛 − 𝑘 − 1. Dalam hal ini derajat
kebebasan pembilang = 2 dan derajat kebebasan penyebut
= 60 − 2 − 1 = 57. Dengan tingkat kesalahan 5%, maka
nilai Ftabel adalah 3,15
Tampak bahwa Fh  Ft . Jadi, Ho ditolak atau Ha

diterima. Dalam hal ini, kepribadian guru dan metode
pembelajaran yang digunakan sangat mempengaruhi
ketertarikan siswa dalam mengikuti proses KBM
matematika di SMA tersebut.
Latihan:
Perhatikan data:
Hasil Tentukan korelasi antara:
Numerik Motivasi
Belajar 1. Kemampuan numerik
70 80 60 dengan motivasi belajar
60 75 60 2. Kemampuan numerik
90 90 80 dengan hasil belajar
70 80 75 3. Motivasi belajar dengan
80 90 90 hasil belajar
90 95 95 4. Kemampuan numerik
85 95 95 dan motivasi vbelajar
75 85 80 terhadap hasil belajar
80 90 80
50 70 50
98
6.4. Korelasi Peringkat Spearman

Korelasi peringkat yang dikemukakan oleh Sperman
digunakan untuk mengetahui kuat atau lemahnya
hubungan dan arah hubungan antar variabel berskala
ordinal. Rumus koefisien korelasi Spearman:
6 d 2
rs = 1 −
n(n 2 − 1)
dengan d = selisih skor rank.
Misalkan kita mengukur korelasi antara variabel x dan
y. Jika jumlah sampel = n, nilai
d = xi – yi; i = 1, 2, 3,..., n
Rumus di atas dapat ditulis dalam bentuk lain:
6 ( xi − yi ) 2
rs = 1 −
n(n 2 − 1)
Terlebih dahulu kita membuat hipotesis
𝐻0 ∶ tidak ada hubungan yang signifikan antara keduanya

𝐻𝑎 : terdapat hubungan yang signifikan antara keduanya
Secara singkat:
𝐻0 : r = 0 (tidak ada hubungan)
𝐻𝑎 : r  0 (ada hubungan yang signifikan)
𝐻0 diterima bila 𝑟ℎ𝑖𝑡𝑢𝑛𝑔𝑎𝑛 < 𝑟𝑡𝑎𝑏𝑒𝑙 . Nilai 𝑟𝑡𝑎𝑏𝑒𝑙 untuk
korelasi Spearman dapat dilihat pada tabelnya.
99
Contoh:
Diadakan suatu penelitian atas dugaan bahwa motivasi
kerja mempunyai hubungan erat dengan produktivitas.
Data (skala ordinal) disajikan pada tabel berikut:
Motivasi Produktifitas 𝑑 𝑑2
1 1 0 0
2 2 0 0
3 3 0 0
4 4 0 0
Jumlah - 0
6 ∑(𝑥𝑖 − 𝑦𝑖 )2 6×0
𝑟𝑆 = 1 − 2
=1− =1
𝑛(𝑛 − 1) 4 × 15
Koefisien korelasi Spearman kedua hal tersebut adalah 1.
Pada 𝛼 = 5% 𝑟𝑡𝑎𝑏𝑒𝑙 =1,000.
Jadi hipotesis bahwa motivasi kerja mempengaruhi
produktifitas diterima. Atau terdapat hubungan yang erat
antara motifasi kerja terhadap produktifitas kerja seseorang
karyawan. Perhatikan bahwa data di atas berskala ordinal
(skala peringkat).
Kadangkala, dua kelompok data memiliki skala
berbeda, misalnya skala ordinal dan interval atau skala
ordinal dan rasio. Untuk kondisi data seperti itu, koefisien
korelasi tidak dapat dihitung dengan rumus Product
Moment, tetapi dengan korelasi Spearman, dengan suatu
ketentuan bahwa data yang berskala non-ordinal dibuat
menjadi data ordinal (rank).
100
Contoh:
Dua orang master chef hendak menilai 10 jenis makanan.
Diperoleh data hasil penilaian kedua Master Chef sbb:
Makanan MC1 MC2
1 9 8
2 6 7
3 5 6
4 7 8
5 4 5
6 3 4
7 2 2
8 8 9
9 7 8
10 6 6
Tentukan, apakah terdapat kesesuaian penialaian antara
kedua MC tersebut? Penyelesaian:
𝐻0 : Tidak ada kesesuaian antara penilaian MC1 dengan
MC2.
𝐻1 : Ada kesesuaian antara penilaian MC1 dengan MC2
(ditunjukkan dengan hubungan positif dan
signifikan).
Data nilai di atas berskala ratio, maka harus diordinalkan.
Perhatikan tabel berikut:
Jenis MC1 MC2 Ranking Rangking
𝒅 𝒅𝟐
Makanan (xi) (yi) (xi) (yi)
1 9 8 1 3 -2 4
2 6 7 5,5 5 -0.5 0,25
3 5 6 7 6,5 0,5 0,25
101
Jenis MC1 MC2 Ranking Rangking

𝒅 𝒅𝟐
Makanan (xi) (yi) (xi) (yi)
4 7 8 3,5 3 0,5 0,25
5 4 5 8 8 0 0
6 3 4 9 9 0 0
7 2 2 10 10 0 0
8 8 9 2 1 1 1
9 7 8 3,5 3 0,5 0,25
10 6 6 5,5 6,5 -1 1
 - - - - 0 7
Perhatikan penentuan rangking pada xi Nilai 7
seharusnya mendapat rangking 3 dan 4, tetapi karena
nilainya sama maka rangkingnya dibagi dua yaitu (3+4)/2 =
3,5. Demikian juga nilai 6, seharusnya mendapat ranking 5
dan 6, tapi nilainya sama, maka rankingnya adalah
(5+6)/2=5,5. Pada nilai yi, ada tiga nilai 8 yang seharusnya
menempati rangking 2,3, dan 4. Karena bernilai sama,
rangkingnya menjadi (2+3+4)/3=3. Demikian seterusnya.
Nilai korelasi penilaian kedua MasterChef tersebut adalah
67
rs = 1 − = 0,96
10(100 − 1)
rtabel untuk n=10, taraf signifikan 5% adalah 0,648 dan untuk
1% adalah 0,794. Ini berarti Ho ditolak (H1 diterima:
terdapat kesesuaian yang signifikan antara penilaian MC1
dengan MC2).
102
6.5. Korelasi Point Biserial

Korelasi point Biserial biasa digunakan untuk
menguji tingkat validitas dua variabel, dimana salah satu
variabel memiliki nilai dikotomi (hanya memiliki dua
kemungkinan nilai, misalnya 1 atau 0 saja).
Koefisien korelasi Point Biserial dirumuskan dengan
_ _ _ _
x −x p x −x p
rbis = 1 2 atau rbis = 1 t
SDt q SDt q
Dengan
_
x1 = mean jenjang 1
_
x2 = mean jenjang 2
_
xt = mean total
SDt = standar deviasi total
p = proporsi jenjang 1 (n/N)
q = proporsi jenjang 2 nilainya = 1-p
Contoh:
Seorang guru hendak menguji tingkat validitas
sebutir soal (nomor 1) terhadap keseluruhan soal pilihan
ganda yang ada. Hasil tes ditunjukkan tabel berikut:
No Nomor Butir Tes Skor X
Siswa 1 2 3 4 5 6 7 8 9 10
1 1 0 1 0 0 1 0 0 1 1 5
2 0 1 1 0 0 1 0 1 1 1 6
3 1 0 0 1 0 1 1 1 1 0 6
4 0 1 1 0 1 0 1 1 1 1 7
103
No Nomor Butir Tes Skor X

Siswa 1 2 3 4 5 6 7 8 9 10
5 1 0 1 1 1 1 0 1 0 1 7
6 0 0 0 1 1 1 0 1 1 0 5
7 1 1 1 1 1 0 1 0 1 1 8
8 0 1 1 0 1 0 1 1 0 1 6
9 1 1 0 0 1 1 0 1 0 0 5
10 0 1 0 0 1 0 0 0 1 1 4
Hitunglah validitas butir soal nomor 1.

Jawab:
No Nomor Butir Tes Skor

X2
Siswa 1 2 3 4 5 6 7 8 9 10 X
1 1 0 1 0 0 1 0 0 1 1 5* 25
2 0 1 1 0 0 1 0 1 1 1 6 36
3 1 0 0 1 0 1 1 1 1 0 6* 36
4 0 1 1 0 1 0 1 1 1 1 7 49
5 1 0 1 1 1 1 0 1 0 1 7* 49
6 0 0 0 1 1 1 0 1 1 0 5 25
7 1 1 1 1 1 0 1 0 1 1 8* 64
8 0 1 1 0 1 0 1 1 0 1 6 36
9 1 1 0 0 1 1 0 1 0 0 5* 25
10 0 1 0 0 1 0 0 0 1 1 4 16
5 6 6 4 7 6 4 7 7 7 59 361
P 0,5 0,6 0,6 0,4 0,7 0,6 0,4 0,7 0,7 0,7
Q 0,5 0,4 0,4 0,6 0,3 0,4 0,6 0,3 0,3 0,3
104
Langkah penyelesaian dengan berturut-turut menghitung:

a. Mean Total:
_
xt = 59
10 = 5,9
b. Mean untuk skor butir 1 yang dijawab benar oleh siswa
_
x1 = 5+6+7 +8+5
5 = 6,2
c. Deviasi standar total
n xi − ( xi ) 2
2
10(361) − 59 2
s= = = 1,197
n(n − 1) 10(10 − 1)
Dari perhitungan di atas, diperoleh

Mt = 59 M1 = 6,2 st = 1,197
p = 0,5 (5 peserta tes yang menjawab benar,
dibagi 10 siswa)
q = 0,5 (dari 10 peserta, 5 orang menjawab salah)
d. Hitung nilai rpbi
_ _
x −x p 6,2 − 5,9
rbis = 1 t = 0,5
0,5 = 0,25
SDt q 1,197
Nilai rhitung di atas dibandingkan dengan rtabel (dk = n-2=10-2
= 8). Nilai rtabel untuk tingkat kesalahan 5% adalah 0,632.
Kriterianya jika rhitung lebih besar daripada rtabel maka
korelasi signifikan. Ternyata dalam kasus ini, rhitung lebih
rendah dari rtabel. Dengan demikian, Jadi, tidak ada korelasi
signifikan antara soal nomor 1 dengan hasil keseluruhan
105
tes. Dalam hal ini, butir soal nomor 1 tidak valid.

Perhitungan selanjutnya dapat dilakukan untuk
menghitung validitas butir soal nomor 2, 3, 4, ...
6.6. Uji Signifikansi Korelasi

Kadang-kadang sulit untuk langsung menggunakan table
korelasi. Sebagai contoh, pada korelasi Spearman di atas,
untuk 𝛼 = 0,01 pada 𝑛 = 4, tidak ada nilai 𝑟 𝑡𝑎𝑏𝑙𝑒. Maka
diperlukan uji khusus yaitu 𝑢𝑗𝑖 𝑡.
Uji signifikansi korelasi sama dengan prosedur uji
hipotesis. Langkah-langkahnya adalah
1) Menentukan hipotesis
2) Menghitung statistik uji
untuk sampel kecil gunakan statistik uji t
n−2
t=r → dengan derajat kebebasan n-2
1− r
2
untuk sampel besar gunakan statistik uji Z

Z = r n −1
Dengan asumsi bahwa sampling berdistribusi
mendekati normal dengan rata-rata = 0 dan standar
1
deviasi
n −1
Sebetulnya sudah ada tabel khusus untuk nilai t
atau z untuk pengujian signifikansi korelasi, jadi
tidak perlu repot menghitung lagi. Kemudian kita
bandingkan dengan nilai pada tabel t atau tabel z.
106
3) Membandingkan nilai statistik uji (hasil hitungan)

dengan statistik uji dari tabel dan membuat
kesimpulan.
Jika kita menggunakan tabel r maka, Hipotesis nol
yang menyatakan tidak ada hubungan (r=0) ditolak
jika rhitung>rtabel. Sebaliknya jika rhitug<rtabel maka H0:r=0
diterima (kedua variabel nyata-nyata tidak memiliki
hubungan).
Latihan
1. Perhatikan data berikut:
Mhsw ke Jlh SKS IP
1 20 2,7
2 18 3,0
3 22 3,8
4 12 1,8
5 15 1,2
6 18 2,4
7 22 3,2
8 14 2,1
9 20 3,0
10 20 2,9
Tentukan, apakah ada hubungan antara jumlah kredit
yang diambil dengan indeks prestasi hasil belajar
mahasiswa.
2. Seorang peneliti mengkaji tentang hubungan antara
prestasi harian siswa pada mata pelajaran Matematika
(x1) dan IPA (x2) terhadap nilai hasil Ujian nasional (Y).
Ia mengambil 10 siswa sebagai sampel. Diperoleh data
sebagai berikut:
107
No Nama Siswa X1 X2 Y
1 Agus Ca 70 75 65
2 Bene Sua 80 85 75
3 Carles Telu 70 80 75
4 Didimus Pat 65 75 70
5 Egidiud Lima 90 95 85
6 Frans Enem 80 90 85
7 Gaba Pitu 60 75 55
8 Hendrik Alo 90 90 80
9 Ignas Ciok 80 90 75
10 Johanes Cepulu 70 85 65
Tentukan korelasi jamak antara ketiga variabel tersebut.

(Petunjuk Penyelesaian):
(i) Tentukan koefisien korelasi Pearson antara y dengan X 1
(ii) Tentukan koefisien korelasi Pearson antara y dengan X2
(iii) Tentukan koefisien korelasi Pearson antara X1 dengan X2
(iv) Koefisien Korelasi Pearson antara y dengan X1
3. Data berikut menunjukkan jumlah jam belajar (x jam per

hari ) dengan nilai hasil belajar siswa (y) pada bidang
studi matematika.
Jam Belajar (x) 4 2 4 3 1 4 2 4 3 3
Nilai (y) 8,5 7 9 8 6,5 8 7 9 8 7,5
a. Tentukan korelasi Pearson antara kedua hal tersebut
b. Berdasarkan koefisien korelasi yang anda peroleh,
jelaskan fenomena hubungan antara kedua variabel
tersebut.
108
BAB VII
ANALISIS REGRESI
7.1. Pengantar
Dalam statistika, analisis korelasi dan analisis regresi
memiliki peran yang hampir sama. Pada analisis korelasi,
koefisien korelasi r hanya menjelaskan arah dan kuatnya
hubungan antara variabel-variabel yang diteliti.
Sementara, analisis regresi digunakan untuk menduga
nilai variabel terikat yang bersesuaian dengan nilai variabel
bebas. Kuat atau lemahnya hubungan antar variabel pada
analisis korelasi akan sama dengan kuat atau lemahnya
prediksi nilai pada analisis regresi. Artinya, jika koefisien
korelasi 𝑟 tinggi (sempurna positif atau sempurna negatif)
maka ketepatan prediksi nilai antar variabel pada analisis
regresi juga akan tinggi. Jika koefisien korelasi 𝑟 bernilai (+)
maka koefisien regresi juga bernilai (+). Begitu juga
sebaliknya. Jadi, antara korelasi dan regresi memiliki
hubungan yang fungsional sebagai alat analisis statistik.
Analisis regresi digunakan untuk meneliti apakah
naiknya nilai variabel dependen dapat dilakukan dengan
cara menaikkan atau menurunkan nilai variabel
independen. Dengan analisis regresi, keputusan dapat
diambil. Misalnya, untuk meningkatkan jumlah barang
yang dikonsumsi masyarakat, dapat dilakukan dengan
meningkatkan jumlah iklan atau tidak.
109
7.2. Regresi Linear Sederhana

Regresi linear sederhana didasarkan pada hubungan
fungsional ataupun kausal antara satu variabel independen
dengan satu variabel dependen. Persamaan umum regresi
linear sederhana adalah:

Y = a + bX
Persamaan di atas merupakan persamaan penduga atau
pendekatan dari persamaan
Y =  + X

dalam hal ini, Y adalah nilai pendekatan dari Y , nilai a
dan b merupakan pendekatan dari nilai  dan  .
Dalam hal ini :


Y = subyek dalam variabel dependen yang
diprediksikan
a = intersep/perpotongan dengan sumbu tegak=
nilai Y ketika nilai X = 0
b = koefisien arah regresi/gradien garis regresi.
Menunjukkan peningkatan atau penurunan
nilai variabel dependen akibat perubahan nilai
variabelindependen.
Jika b berharga (+) maka arah grafik naik, bila (-) maka
arah grafik turun.
X = subjek pada variabel independen yang memiliki nilai
tertentu.
110
7.3. Metode Kuadrat Terkecil Untuk Regresi

Linear Sederhana
Pada cara ini, asumsi utama adalah jumlah kuadrat
dari jarak antara titik-titik dengan garis regresi yang sedang
dicari harus sekecil mungkin. Jika ada suatu populasi yang
memuat variabel bebas X dan variabel terikat Y dimana
kita asumsikan bahwa ada hubungan regresi
Y =  + X
antara keduanya. Hubungan tersebut kita prediksi
berdasarkan data sampel, misalnya
Variabel Bebas variabel terikat
X Y
x1 y1
x2 y2
x3 y3
. .
. .
. .
Xn yn
Persamaan untuk menduga hubungan kedua variabel
tersebut adalah

Y = a + bX
Nilai a dan b dapat juga dicari dengan rumus:
(  Yi )( X i2 ) − (  X i )( X i Yi )
a=
n  X i2 − (  X i ) 2
111
dan
n  X iYi − (  X i )( Yi )
b=
n  X i2 − ( X i ) 2
Perhatikan rumus korelasi

𝑛 ∑ 𝑋𝑖 𝑌𝑖 − ∑ 𝑋𝑖 . ∑ 𝑌𝑖
𝑟=
√𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 )2 √𝑛 ∑ 𝑌𝑖2 − (∑ 𝑌𝑖 )2
Di sini, 𝑏 adalah nilai intersep (irisan) antara 𝑋 dan

𝑌.
Jika terlebih dahulu dihitung nilai 𝑏, maka nilai 𝑎
dapat dihitung dengan rumus
a = Y − bX
Contoh :
Dibuat penelitian tentang tingkat inteligensia (X) dan
prestasi hasil belajar (Y). Data mentah sebagai berikut:
X 90 100 100 95 105 110 105 105 115 120
Y 70 75 80 80 85 85 85 90 95 100
112
Untuk sementara kita bisa membuat diagram scater

sebagai berikut:
Y
120
100
80
60
40
20
0
0 20 40 60 80 100 120 140
Akan kewalahan menarik suatu garis lurus yang bisa

menghubungkan titik-titik pada koordinat di atas. Untuk
mengatasi hal tersebut perlu dibuat suatu garis lurus yang
bisa mewakili posisi titik-titik tersebut. Garis lurus tersebut
adalah garis regresi linearnya. (Ingat grafik persamaan
linear berbentuk garis lurus).
Berdasarkan data di atas, anda dapat mencari nilai a
dan b dengan tabel bantu sebagai berikut:
No X Y XY X2 Y2
1 90 70 6300 8100 4900
2 100 75 7500 10000 5625
3 100 80 8000 10000 6400
4 95 80 7600 9025 6400
113
No X Y XY X2 Y2
5 105 85 8925 11025 7225
6 110 85 9350 12100 7225
7 105 85 8925 11025 7225
8 105 90 9450 11025 8100
9 115 95 10925 13225 9025
10 120 100 12000 14400 10000
 1045 845 88975 109925 72125
(845  109.925 − 1.045  88.975

a= = −12,77
10  109.925 − 1.0452
10  88.975 − 1.045  845

b= = 0,93
10  109.925 − 1.0452
Sehingga persamaan hampiran untuk
Y =  + X
Adalah

Y = a + bX
atau

Y = −12,77 + 0,93 X
114
Grafik yang menunjukkan persamaan hampiran adalah

sebagai berikut:
Y
110
100
90
80
70
60
50
40
30
20
60 70 80 90 100 110 120
Bandingkan diagram scater pada bagian sebelumnya

dengan diagram (garis lurus) di atas. Kita lebih mudah
memahami perubahan nilai Y akibat perubahan nilai X.
Sekarang anda akan mudah memprediksi nilai Y yang
berelasi dengan X = 80. Dengan mudah semua nilai Y yang
berelasi dengan X  80. Demikian juga anda dapat
menduga nilai Y untuk harga-harga X  80. Bahkan, dengan
persamaan hampiran terakhir, nilai variabel Y akan
ditemukan untuk semua harga variabel X, artinya prediksi
dapat dilakukan untuk kontinuitas harga kedua variabel.
Perlu anda pahami bahwa pengambilan data mentah,
seperti pada tabel sebelumnya, pasti mengalami error atau
kesalahan. Sebagai manusia, sedetail dan seteliti apapun
pengukuran, pasti tetap mengalami kesalahan.
Kesalahan dalam hal pendataan, tidaklah disengaja.
Kesalahan disebabkan karena berbagai faktor. Misalkan
anda ingin mengukur pengaruh pemakaian pupuk urea
115
terhadap tingkat produksi padi. Tentu, banyak faktor yang

tidak dapat anda masukkan sebagai variabel pertimbangan
dalam penelitian. Namun faktor-faktor tersebut secara
nyata mempengaruhi produksi padi. Misalkan saja tingkat
serangan hama, curah hujan, intensitas cahaya matahari,
atau struktur tanah.Serangan hama tentunya tidak sama
dari waktu ke waktu. Demikian pula curah hujan dan
tingkat intensitas cahaya matahari. Keadaan sulit
dikendalikan dan sulit diatur.
Berdasarkan keadaan seperti itu, umumnya data
mentah tersebar dengan pola tidak teratur, seperti yang
ditunjukkan dengan diagram scater pada bagian terdahulu.
Maka tidak ada salahnya jika kita melakukan pendekatan
dengan mencari hampiran nilai variabel 𝑌. Pikirkan bahwa,
seyogyanya jika dosis pupuk meningkat maka
produktifitas padi juga meningkat. Jadi regresi linier
merupakan hampiran ideal dalam statistik.
7.4. Galat dan Simpangan Baku Pada

Perhitungan Regresi Linear
1. Galat variabel X dan Y

Pada persamaan regresi Y = a + bX nilai Yˆ tak

selamanya sama dengan nilai Y sesungguhnya. Untuk
^
setiap prediksi, akan ada selisih sebesar Yi − Yi Nilai
ini disebut galat/eror (e) prediksi. Idealnya, diharapkan

^
 ei = (Yi − Yi ) = 0 . Dalam populasi, galat prediksi ini
dimisalkan berbentuk variabel acak berdistribusi
116
normal, dengan rata-rata = nol dan simpangan baku

 2 . Kekeliruan baku taksiran Y oleh X disimbolkan
dengan  y. x Varians  2 ditaksir oleh rata-rata kuadrat
penyimpangan sekitar regresi atau disebut juga rata-rata
kuadrat residu.
Sehingga kita bisa menghitung simpangan baku
untuk kedua variabel. Nilai simpangan baku masing-
masing dihitung dengan rumus
2
2  ei  (Yi − Yˆ ) 2
 = = ⎯⎯→ disebut KTG
Y .X n − 2 n−2
Kuadrat tengah galat (KTG) merupakan penduga
bagi varians populasi  . Rumus tersebut
2
memudahkan kita memahami konsep simpangan, tetapi

rumit dalam perhitungannya, karena melibatkan setiap
nilai Y dengan nilai taksirannya Yˆ . Karena itu,
perhitungan dapat dilakukan dengan rumus:
2  n − 1  2 2 2 
 =  y − b  x 
y.x  n − 2  
Variasi variabel 𝑋 dan variabel 𝑌 masing-masing
dihitung dengan rumus
 2
=
JKG
x=
(
 x −x
i
)2 dan y
2
=
JKG
=
(
y  yi − y )2
x
n −1 n −1 n −1 n −1
Terdapat sebutan SS = sum of squares (Jumlah
kuadrat) = jumlah kuadrat simpangan masing-masing
117
nilai dengan rata-ratanya atau biasa disebut jumlah

kuadrat galat (JKG). Dirumuskan sebagai berikut:
2 2
JKG =  ( X − X ) dan JKG =  (Y − Y )
x i y i
Nilai X dan Y ini diambil dari sampel yang ada.
2. Galat pada Koefisien a dan b.
Koefisien a dan b pada regresi sampel masing-
masing merupakan nilai hampiran untuk koefisien 
dan  pada persamaan regresi populasi. Karena itu,
jelas ada selisih masing-masing  − a dan  − b .
Selisih ini jelas ada, karena tidak semua anggota
populasi ikut menyumbang nilai untuk perhitungan a
dan b. Dengan kata lain, tebakan 𝑎 dan 𝑏 belum tentu
100% tepat. Ragam masing-masing koefisien sebagai
berikut:
2 1   Y .X
2 2
2 X
 =  Y .X  +  2
dan  =
a  n  ( X − X )2  b
(Xi − X )
2
 i 
Contoh:
Hitunglah simpangan baku untuk masing-
masing variabel inteligensia (X) dan hasil belajar (Y)
serta simpangan baku koefisien taksiran a dan b dari
data contoh sebelumnya, ( a= - 12,77 dan b =0,93 ).
Jawab:
X Y X −X ( X − X )2 Y −Y (Y − Y ) 2
120 100 15,5 240,25 15,5 240,25
115 95 10,5 110,25 10,5 110,25
118
X Y X −X ( X − X )2 Y −Y (Y − Y ) 2
110 85 5,5 30,25 0,5 0,25
105 90 0,5 0,25 5,5 30,25
105 85 0,5 0,25 0,5 0,25
105 85 0,5 0,25 0,5 0,25
100 80 -4,5 20,25 -4,5 20,25
100 75 -4,5 20,25 -9,5 90,25
95 80 -9,5 90,25 -4,5 20,25
90 70 -14,5 210,25 -14,5 210,25
1045 845 0 722,5 0 722,5
Perhatikan bahwa nilai rataan masing – masing
variabel adalah X = 104,5 dan Y = 84,5. Berdasarkan
tabel diperoleh galat/varians maing-masing variabel
sebagai berikut:
2 SS
Sx = x = 722 ,5 = 80 ,27778 = 80 ,28
n − 1 10 − 1
2 SS
y 722 ,5
Sy = = = 80 ,27778 = 80 ,28
n − 1 10 − 1
Maka JKG 𝑌 karena 𝑋 adalah

2 (10 − 1)
Y .X = (80,27778 − 0,93  80,27778 ) = 12,2015565 = 12,20
10 − 2
Galat atau varians untuk koefisien a dan b adalah

 1 10920,25 
 a = 12,2015565 +  = 185,641
2
 10 722,5 
12,2015565
b = = 0,016888 = 0,02
2
722,5
119
7.5. Uji Signifikansi Koefisien Regresi

Segala sesuatu yang menyangkut persamaan
matematika, tingkat kebenarannya harus diuji, pada level
mana persamaan tersebut dapat diakui kebenarannya.
Demikian juga persamaan regresi. Pada persamaan regresi
Yˆ = a + bX
Faktor-faktor yang berpengaruh adalah koefisien a dan
b. Maka menguji tingkat signifikansi persamaan regresi
cukup dilakukan dengan menguji tingkat kepercayaan
koefisien a dan b.
Uji Hipotesis untuk intersep (a)
Misalkan menguji apakah a bernilai tertentu, misalnya
a = k, gunakan statistik uji t dengan hipotesis
H0: a = k H1: a # k
Staistik uji t-student dapat dirumuskan sebagai berikut
a−k a−k
thitung = = ⎯
⎯→ berdistribusi t, derajat kebebasan (n − 2)
1 X
2
 a
KTG + 
 n  (X i − X ) 
 
Jika t hitung  t  ;n−2 (peluang nyata lebih kecil dari taraf nyata
2
yang ditetapkan) maka H0 ditolak. Selang kepercayaan (1-

)100% bagi parameter  adalah
lB    uB → diantara batas bawah (lB) dan batas atas (uB)
120
1 2 
lB = a − t  ;n−2 a 
 a = KTG +
X 
2  n  (X i − X ) 
2
 
uB = a + t  ;n−2 a
2
Interval ini akan menunjukkan kisaran nilai intersep a

dengan tingkat keyakinan sebesar (1-)100%. Dengan
demikian, selang kepercayaan dapat digunakan untuk
menyimpulkan hipotesisnya. Jika nilai k terdapat didalam
interval, maka maka H0 diterima, demikian sebaliknya.
Uji Hipotesis untuk slope (b)
Dari kedua koefisien tersebut, b sebagai koefisien
variabel bebas x memiliki peran paling penting. Sehingga
pengujian tingkat signifikansi regresi cukup dilakukan
terhadap b.
Menguji variabel b sama artinya menguji nilai koefisien
. Langkah-langkah pengujian sebagai berikut:
(i) Tentukan hipotesis, dengan bentuk
H0:  = k
H1:  # k
(ii) Hitung standar eror (variansi=KTG) dan simpangan
bakunya
2 (n  XY −  X . Y )
2
n  Y − ( Y ) −
2
n  X − ( X )
2 2
2
 =
(n − 2) n X 2 − ( X )2 
 
dan simpangan baku  = 
2
121
(iii) Menghitung statistik uji t untuk koefisien regresi b

dengan derajat kebebasan n-2.
b−k b−k
thitung = = ⎯
⎯→ Dist t, dk (n − 2), nilai  lihat rumus di atas
  b
KTG 
1
  (X i − X ) 
2
 
Penarikan kesimpulan sama dengan kesimpulan pada

koefisien 𝑎.
(iv) Menentukan interval kepercayaan (1-)100%untuk
koefisien .
lB  b  uB → diantara batas bawah (lB) dan batas atas (uB)

 
 b = KTG 
1
lB = b − t  ;n−2 b
2   (X i − X ) 2

 
uB = b + t  ;n−2 b
2
Dalam hal ini, peramalan nilai Y atas dasar nilai X,

maka nilai Y akan berada di sekitar garis regresi,
dengan batasan sebelah atas (garis u) dan sebelah
bawah (garis l)
Y u
R
l
Semakin dekat jarak garis regresi R dengan kedua garis

batas interval u dan l, semakin valid pendugaan
melalui persamaan regresi. Garis u dan l merupakan
122
batas konfidens interval pada persamaan regresi

Yˆ = a + bX . Jarak antara garis udan l dihitung dengan
rumus
Y = Yˆ  ZSY . X
(v) Melakukan penafsiran

Penafsiran membutuhkan koefisien determinasi (D)
yaitu kuadrat dari koefisien korelasi.
D = r2
Pada regresi Yˆ = a + bX , variasi nilai Y dapat dijelaskan
oleh X sebesar D (dalam %). Sisanya (100%-D) tidak
dapat dijelaskan oleh X.
Contoh:
Sesuai data contoh sebelumnya, tentukan tingkat
signifikansi persamaan regresinya.
Jawab:
Uji saja tingkat siginifikan koefisien b
No X Y XY X2 Y2
1 90 70 6300 8100 4900
2 100 75 7500 10000 5625
3 100 80 8000 10000 6400
4 95 80 7600 9025 6400
5 105 85 8925 11025 7225
6 110 85 9350 12100 7225
7 105 85 8925 11025 7225
8 105 90 9450 11025 8100
9 115 95 10925 13225 9025
10 120 100 12000 14400 10000
 1045 845 88975 109925 72125
123
(i) H0:  = 0 H 1:  # 0
(ii) Galat koefisien b
2 (10  88.975 − 1.045  845 )
2
10  72.125 − (845) −
10  109 .925 − (1.045 )2
2 =
(
(10 − 2 ) 10  109 .925 − (1.045)2)
= 0,0167023862 3 ⎯⎯→  = 0,13
(iii) Statistik uji t (Nilai b = 0,93)→lihat perhitungan

sebelumnya dan  = 0 (hipotesis)
0,93 − 0
t= = 7,15385 = 7,15
0,13
Dengan level kepercayaan 5%, derajat

kebebasan n – 2 = 8 diperolehttabel = 2,306.
Karena thitung >ttabelmaka Ho ditolak. Dengan kata
lain, koefisien regresi cukup signifikan,
sehingga terdapat hubungan linear antara X
dan Y.
(iv) Interval kepercayaan persamaan regresi
Dari contoh sebelumnya diperoleh
Yˆ = −12,77 + 0,93 X
Interval konfidens untuk X = 100 dan tingkat
kepercayaan  = 5% adalah
Y = (−12,77 + 0,93  100 )  1,96  12,20 = 80,23  6,845986
Maka interval kepercayaan nilai Y untuk

contoh di atas adalah 73,38401 Y 87,07599
124
7.6. Analisis Ragam (Analysis of Varians,

Anova)
Uji model regresi dapat juga dilakukan dengan
analisis ragam. Komponen keragaman disajikan pada tabel
berikut:
Sumber Derajat Kuadrat

Jlh Kuadrat F-hitung
Keragaman Bebas Tengah
KTR
2 2 JKR F =
Regresi 1 JKR = ( n − 1)b S KTR = KTG
x 1
JKG
2 2 2 KTG =
Galat n-2 JKG = (n − 1)( S − b S ) n−2
y x
2
Total n-1 JKR = (n − 1) S
y
Analisis ragam menguji Hipotesis:

𝐻0 :  = 0 𝐻1 :  ≠ 0
H0 akan diterima bila Fhitung F(1,n-2). Hasil pengujian ini
akan sama dengan pengujian dengan statsitik uji t karena
nilai statistik uji t jika dikuadratkan akan sama dengan
Fhitung. Keterandalan persamaan regresi dapat dilihat dari
kemampuan persamaan tersebut menerangkan keragaman
nilai peubah y. Ukurannya menggunakan koefisien
Determinasi R2. Semakin besar nilai R2 berarti makin
mampu menerankan prilaku peubah y. Kisaran nilai R2
terletak antara 0% hingga 100%. Rumus:
JKR JKT − JKG JKG
R = = =1−
2
JKT JKT JKT
125
Latihan
1. Seorang guru ingin mengamati kontribusi kemampuan

dasar menghitung (x) terhadap nilai Fisika (y). Diambil
10 sampel acak dan diperoleh data sbb:
Menghitung
90 85 80 60 80 70 80 60 80 70
(x)
Fisika (y) 90 90 85 75 90 80 90 70 85 80
a. Tentukan persamaan regresi variabel x terhadap y.
b. Berdasarkan persamaan regresi yang anda peroleh,
tentukan perkiraan nilai seorang jika kemampuan
dasar menghitungnya diberi nilai 75.
2. Perhatikan data tingkat pendapatan (x, dalam ratusan
ribu rupiah) dan tingkat pengeluaran (y, dalam ratusan
ribu rupiah) berikut:
x 9 8,5 8 9,5 8 7,5 9,5 11 12 10
y 4 4 3,5 4 3 2 4,5 5 5,5 5
a. Tentukan persamaan regresi x terhadap y.
b. Jika pendapatan seseorang 1,5 juta, tentukan
perkiraan pengeluarannya.
126
DAFTAR PUSTAKA
Candiasa, I Made. 2010. Statistik Univariat dan Bivariat.

Singaraja: Undiksha Press.
Dajan, Anto. 1986. Pengantar Metode Statistika. Jakarta:

LP3ES
Guilford, J.P. dan Fruchter, Benyamin. 1978. Fundamental

Statistics in Psychology and Education. New York:
McGraww Hill, Inc.
Heryanto, Nar, dkk. 2015. Statistika Pendidikan. Tangerang:

Universitas Terbuka
Irianto, Agus. 2003. Statistika: Konsep dasar dan Aplikasinya.

Jakarta: Kencana Prenada Media
Lyman Ott, R and Longnecker, Michael. 2001. An

Introduction to Statistical Methods and Data Analysis.
Fifth Edition.California: Wadsworth Group
Riduwan dan Sunarto, 2009. Pengantar Statistika. Bandung:

Alfabeta
Sudjana. 2005. Metoda Statistika Bandung: PT Tarsito
Sugiyono. 2011. Satistika Untuk Penelitian. Bandung:

Alfabeta
127
Suryadi, Christine. 2003. Probabilitas dan Statistika Dasar teori

Peluang. Bandung: Departemen Teknik
Informatika, ITB.
128
Tabel nilai distribusi normal standar
(dibuat dengan MS excel oleh Sebastianus Fedi)
z
1 u2
2
F z e du
2
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
0,1 0,5398 0,5359 0,5319 0,5279 0,5239 0,5199 0,5160 0,5120 0,5080 0,5040
0,2 0,5793 0,5753 0,5714 0,5675 0,5636 0,5596 0,5557 0,5517 0,5478 0,5438
0,3 0,6179 0,6141 0,6103 0,6064 0,6026 0,5987 0,5948 0,5910 0,5871 0,5832
0,4 0,6554 0,6517 0,6480 0,6443 0,6406 0,6368 0,6331 0,6293 0,6255 0,6217
0,5 0,6915 0,6879 0,6844 0,6808 0,6772 0,6736 0,6700 0,6664 0,6628 0,6591
0,6 0,7257 0,7224 0,7190 0,7157 0,7123 0,7088 0,7054 0,7019 0,6985 0,6950
0,7 0,7580 0,7549 0,7517 0,7486 0,7454 0,7422 0,7389 0,7357 0,7324 0,7291
0,8 0,7881 0,7852 0,7823 0,7794 0,7764 0,7734 0,7704 0,7673 0,7642 0,7611
0,9 0,8159 0,8133 0,8106 0,8078 0,8051 0,8023 0,7995 0,7967 0,7939 0,7910
1,0 0,8413 0,8389 0,8365 0,8340 0,8315 0,8289 0,8264 0,8238 0,8212 0,8186
1,1 0,8643 0,8621 0,8599 0,8577 0,8554 0,8531 0,8508 0,8485 0,8461 0,8438
1,2 0,8849 0,8830 0,8810 0,8790 0,8770 0,8749 0,8729 0,8708 0,8686 0,8665
1,3 0,9032 0,9015 0,8997 0,8980 0,8962 0,8944 0,8925 0,8907 0,8888 0,8869
1,4 0,9192 0,9177 0,9162 0,9147 0,9131 0,9115 0,9099 0,9082 0,9066 0,9049
1,5 0,9332 0,9319 0,9306 0,9292 0,9279 0,9265 0,9251 0,9236 0,9222 0,9207
1,6 0,9452 0,9441 0,9429 0,9418 0,9406 0,9394 0,9382 0,9370 0,9357 0,9345
1,7 0,9554 0,9545 0,9535 0,9525 0,9515 0,9505 0,9495 0,9484 0,9474 0,9463
1,8 0,9641 0,9633 0,9625 0,9616 0,9608 0,9599 0,9591 0,9582 0,9573 0,9564
1,9 0,9713 0,9706 0,9699 0,9693 0,9686 0,9678 0,9671 0,9664 0,9656 0,9649
2,0 0,9772 0,9767 0,9761 0,9756 0,9750 0,9744 0,9738 0,9732 0,9726 0,9719
2,1 0,9821 0,9817 0,9812 0,9808 0,9803 0,9798 0,9793 0,9788 0,9783 0,9778
2,2 0,9861 0,9857 0,9854 0,9850 0,9846 0,9842 0,9838 0,9834 0,9830 0,9826
2,3 0,9893 0,9890 0,9887 0,9884 0,9881 0,9878 0,9875 0,9871 0,9868 0,9864
2,4 0,9918 0,9916 0,9913 0,9911 0,9909 0,9906 0,9904 0,9901 0,9898 0,9896
2,5 0,9938 0,9936 0,9934 0,9932 0,9931 0,9929 0,9927 0,9925 0,9922 0,9920
2,6 0,9953 0,9952 0,9951 0,9949 0,9948 0,9946 0,9945 0,9943 0,9941 0,9940
2,7 0,9965 0,9964 0,9963 0,9962 0,9961 0,9960 0,9959 0,9957 0,9956 0,9955
2,8 0,9974 0,9974 0,9973 0,9972 0,9971 0,9970 0,9969 0,9968 0,9967 0,9966
2,9 0,9981 0,9981 0,9980 0,9979 0,9979 0,9978 0,9977 0,9977 0,9976 0,9975
3,0 0,9987 0,9986 0,9986 0,9985 0,9985 0,9984 0,9984 0,9983 0,9982 0,9982
3,1 0,9990 0,9990 0,9990 0,9989 0,9989 0,9989 0,9988 0,9988 0,9987 0,9987
3,2 0,9993 0,9993 0,9993 0,9992 0,9992 0,9992 0,9992 0,9991 0,9991 0,9991
3,3 0,9995 0,9995 0,9995 0,9995 0,9994 0,9994 0,9994 0,9994 0,9994 0,9993
3,4 0,9997 0,9997 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9995 0,9995
3,5 0,9998 0,9998 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997
3,6 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9998
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
Table Distribusi t (dibuat dengan excel)
α v 0,25 0,10 0,05 0,025 0,01 0,005

1 1,0000 3,0777 6,3138 12,7062 31,8205 63,6567
2 0,8165 1,8856 2,9200 4,3027 6,9646 9,9248
3 0,7649 1,6377 2,3534 3,1824 4,5407 5,8409
4 0,7407 1,5332 2,1318 2,7764 3,7469 4,6041
5 0,7267 1,4759 2,0150 2,5706 3,3649 4,0321
6 0,7176 1,4398 1,9432 2,4469 3,1427 3,7074
7 0,7111 1,4149 1,8946 2,3646 2,9980 3,4995
8 0,7064 1,3968 1,8595 2,3060 2,8965 3,3554
9 0,7027 1,3830 1,8331 2,2622 2,8214 3,2498
10 0,6998 1,3722 1,8125 2,2281 2,7638 3,1693
11 0,6974 1,3634 1,7959 2,2010 2,7181 3,1058
12 0,6955 1,3562 1,7823 2,1788 2,6810 3,0545
13 0,6938 1,3502 1,7709 2,1604 2,6503 3,0123
14 0,6924 1,3450 1,7613 2,1448 2,6245 2,9768
15 0,6912 1,3406 1,7531 2,1314 2,6025 2,9467
16 0,6901 1,3368 1,7459 2,1199 2,5835 2,9208
17 0,6892 1,3334 1,7396 2,1098 2,5669 2,8982
18 0,6884 1,3304 1,7341 2,1009 2,5524 2,8784
19 0,6876 1,3277 1,7291 2,0930 2,5395 2,8609
20 0,6870 1,3253 1,7247 2,0860 2,5280 2,8453
21 0,6864 1,3232 1,7207 2,0796 2,5176 2,8314
22 0,6858 1,3212 1,7171 2,0739 2,5083 2,8188
23 0,6853 1,3195 1,7139 2,0687 2,4999 2,8073
24 0,6848 1,3178 1,7109 2,0639 2,4922 2,7969
25 0,6844 1,3163 1,7081 2,0595 2,4851 2,7874
26 0,6840 1,3150 1,7056 2,0555 2,4786 2,7787
27 0,6837 1,3137 1,7033 2,0518 2,4727 2,7707
28 0,6834 1,3125 1,7011 2,0484 2,4671 2,7633
29 0,6830 1,3114 1,6991 2,0452 2,4620 2,7564
30 0,6828 1,3104 1,6973 2,0423 2,4573 2,7500
31 0,6825 1,3095 1,6955 2,0395 2,4528 2,7440
32 0,6822 1,3086 1,6939 2,0369 2,4487 2,7385
33 0,6820 1,3077 1,6924 2,0345 2,4448 2,7333
34 0,6818 1,3070 1,6909 2,0322 2,4411 2,7284
35 0,6816 1,3062 1,6896 2,0301 2,4377 2,7238
40 0,6807 1,3031 1,6839 2,0211 2,4233 2,7045
60 0,6786 1,2958 1,6706 2,0003 2,3901 2,6603
98 0,6770 1,2902 1,6606 1,9845 2,3650 2,6269
100 0,6770 1,2901 1,6602 1,9840 2,3642 2,6259
120 0,6765 1,2886 1,6577 1,9799 2,3578 2,6174
Tabel F (dibuat dengan excel)
0, 025 v1 = derajat kebebasan pembilang
1 2 3 4 5 6 7 8 9 10 15 20 25 30
1 647,79 799,50 864,16 899,58 921,85 937,11 948,22 956,66 963,28 968,63 984,87 993,10 998,08 1.001,41
2 38,51 39,00 39,17 39,25 39,30 39,33 39,36 39,37 39,39 39,40 39,43 39,45 39,46 39,46
3 17,44 16,04 15,44 15,10 14,88 14,73 14,62 14,54 14,47 14,42 14,25 14,17 14,12 14,08
4 12,22 10,65 9,98 9,60 9,36 9,20 9,07 8,98 8,90 8,84 8,66 8,56 8,50 8,46
5 10,01 8,43 7,76 7,39 7,15 6,98 6,85 6,76 6,68 6,62 6,43 6,33 6,27 6,23
6 8,81 7,26 6,60 6,23 5,99 5,82 5,70 5,60 5,52 5,46 5,27 5,17 5,11 5,07
v2=derajat kebebasan penyebut
7 8,07 6,54 5,89 5,52 5,29 5,12 4,99 4,90 4,82 4,76 4,57 4,47 4,40 4,36
8 7,57 6,06 5,42 5,05 4,82 4,65 4,53 4,43 4,36 4,30 4,10 4,00 3,94 3,89
9 7,21 5,71 5,08 4,72 4,48 4,32 4,20 4,10 4,03 3,96 3,77 3,67 3,60 3,56
10 6,94 5,46 4,83 4,47 4,24 4,07 3,95 3,85 3,78 3,72 3,52 3,42 3,35 3,31
15 6,20 4,77 4,15 3,80 3,58 3,41 3,29 3,20 3,12 3,06 2,86 2,76 2,69 2,64
20 5,87 4,46 3,86 3,51 3,29 3,13 3,01 2,91 2,84 2,77 2,57 2,46 2,40 2,35
25 5,69 4,29 3,69 3,35 3,13 2,97 2,85 2,75 2,68 2,61 2,41 2,30 2,23 2,18
30 5,57 4,18 3,59 3,25 3,03 2,87 2,75 2,65 2,57 2,51 2,31 2,20 2,12 2,07
35 5,48 4,11 3,52 3,18 2,96 2,80 2,68 2,58 2,50 2,44 2,23 2,12 2,05 2,00
40 5,42 4,05 3,46 3,13 2,90 2,74 2,62 2,53 2,45 2,39 2,18 2,07 1,99 1,94
45 5,38 4,01 3,42 3,09 2,86 2,70 2,58 2,49 2,41 2,35 2,14 2,03 1,95 1,90
50 5,34 3,97 3,39 3,05 2,83 2,67 2,55 2,46 2,38 2,32 2,11 1,99 1,92 1,87
55 5,31 3,95 3,36 3,03 2,81 2,65 2,53 2,43 2,36 2,29 2,08 1,97 1,89 1,84
60 5,29 3,93 3,34 3,01 2,79 2,63 2,51 2,41 2,33 2,27 2,06 1,94 1,87 1,82
Tabel F (dibuat dengan excel) lanjutan…
0, 05 v1 = derajat kebebasan pembilang

1 2 3 4 5 6 7 8 9 10 15 20 25 30
1 161,45 199,50 215,71 224,58 230,16 233,99 236,77 238,88 240,54 241,88 245,95 248,01 249,26 250,10
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40 19,43 19,45 19,46 19,46
3 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,70 8,66 8,63 8,62
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,86 5,80 5,77 5,75
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74 4,62 4,56 4,52 4,50
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 3,94 3,87 3,83 3,81
v2=derajat kebebasan penyebut
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 3,51 3,44 3,40 3,38
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,22 3,15 3,11 3,08
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,01 2,94 2,89 2,86
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,85 2,77 2,73 2,70
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,40 2,33 2,28 2,25
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,20 2,12 2,07 2,04
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24 2,09 2,01 1,96 1,92
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,01 1,93 1,88 1,84
35 4,12 3,27 2,87 2,64 2,49 2,37 2,29 2,22 2,16 2,11 1,96 1,88 1,82 1,79
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08 1,92 1,84 1,78 1,74
45 4,06 3,20 2,81 2,58 2,42 2,31 2,22 2,15 2,10 2,05 1,89 1,81 1,75 1,71
50 4,03 3,18 2,79 2,56 2,40 2,29 2,20 2,13 2,07 2,03 1,87 1,78 1,73 1,69
55 4,02 3,16 2,77 2,54 2,38 2,27 2,18 2,11 2,06 2,01 1,85 1,76 1,71 1,67
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04 1,99 1,84 1,75 1,69 1,65
TENTANG PENULIS
SEBASTIANUS FEDI, S.Si, M.Pd,

lahir di Heso, Desa Lenang (sekarang
desa Golo Wune), Kecamatan Poco
Ranaka, Manggarai Timur.
Pendidikan dasar dan menengah
diperoleh di SDI Golo Wunis (1989-
1995), SMP Negeri 1 Lamba Leda
(sekarang SMPN 1 Poco Ranaka) di
Mano (1995-1998), SMU Negeri 1
Ruteng (sekarang SMAN 1 Langke Rembong) di Ruteng
(1998-2001). Kemudian mengambil jurusan matematika di
Fakultas MIPA Undana (sekarang FST) Kupang (2001-
2006). Pada tahun 2012 – 2104 mengambil jurusan
pendidikan matematika Pascasarjana Universitas
Pendidikan Ganesha, Singaraja, Bali.
Setelah tamat S1 pada 2006, penulis sempat menjadi guru
SD selama 6 tahun (2006 – 2012) di SDI Rokat, Lamba Leda
dan SDI Golo Wunis, Poco Ranaka. Penulis juga merangkap
sebagai guru SMP selama 5 tahun, yaitu di SMPN 3 Lamba
Leda/Wae Nenda (2007-2008) dan SMPN 3 Poco Ranaka di
Tolok (2008-2012), semuanya di Kabupaten Manggarai
Timur. Sejak September 2011 hingga sekarang, penulis
menjadi dosen di STKIP Santu Paulus Ruteng.
129
Alberta Parinters Makur, S.Si,
M.Pd. Lahir di Ende, 9 Mei 1988,
merupakan anak ke dua dari
pasangan Markus Makur dan
Salima Katarina. Penulis
menghabiskan masa kecil yang
seru bersama kakak Krispianus
Mulia Parinters Makur, dua orang
adik Kristo Parinters Makur dan
Kristana Parinters Makur.
Saat ini, penulis bekerja sebagai staf pengajar di Program
Studi Pendidikan Matematika STKIP Santu Paulus Ruteng.
Penulis menjalani masa studi dari sekolah dasar sampai
sekolah menengah atas di kota Ruteng (Flores-NTT).
Penulis menempuh pendidikan dasar di SDK St.Theresia
Ruteng V, lulus tahun 2000 dan dilanjutkan ke SMP Negeri
1 Ruteng, lulus tahun 2003. Kemudian penulis melanjutkan
pendidikan ke tingkat menengah atas di SMA Negeri 1
Ruteng dan selesai pada tahun 2006. Selanjutnya, penulis
memutuskan untuk memperdalam Matematika di
Universitas Indonesia sejak Agustus 2006 dan meraih gelar
sarjana pada Desember 2009. Penulis melanjutkan
pendidikan di Sekolah Pascasarjana UNJ pada tahun 2012
dan dan memperoleh gelar Magister Pendidikan (M.Pd) di
Universitas Negeri Jakarta pada Agustus 2014.
Karir di bidang pekerjaan, penulis mulai dari Januari 2010
dengan bekerja sebagai Analis Data di SPSS Indonesia.
Karena kecintaan penulis pada dunia pendidikan, pada
Oktober 2010 penulis bergabung menjadi staf pengajar
Matematika di STKIP Surya. Pada tahun 2014, kembali ke
130
Manggarai-NTT dan menjadi dosen di STKIP Santu Paulus
Ruteng hinga sekarang.
Penulis tertarik dalam olimpiade matematika,
etnomatematika, dan matematika GASING.
131
132

Buku Statistika Elementer Kirim

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Buku Statistika Elementer Kirim

Diunggah oleh

Hak Cipta:

Format Tersedia

STATISTIKA ELEMENTER

vii, 131, Hlm: 14 cm x 20 cm

Sebastianus Fedi, S.Si, M.Pd,

Cover : Sebastianus Fedi

Hak cipta yang dilindungi

Hak cipta dilindungi undang-undang. Dilarang memperbanyak

STKIP St. Paulus Ruteng (Anggota IKAPI)

Pujian dan syukur kepada Tuhan, atas rahmatNya,

Peran statistika amat penting terhadap tiga hal:

Kami menulis buku ini, dengan isi yang siap

Penulis menyadari, isi buku ini belum tentu

Ruteng, Juli 2018

Kata Pengantar ................................................................... i

BAB I : STATISTIKA, JENIS DATA DAN

BAB III: UKURAN PEMUSATAN DATA

BAB IV : UKURAN KERAGAMAN, KEMIRINGAN

BAB VI: KORELASI

BAB VII ANALISIS REGRESI

DAFTAR PUSTAKA ....................................................... 127

1.1. Pengertian Statistika dan StatistiK

masalah atau fenomena/gejala. Statistik menjadi representase

Tinggi Berat Gol

Pada contoh ini: tanya-jawab, pengamatan langsung,

tersebut bisa diganti dengan angka. Misalkan untuk JK, 1

1.2. Populasi dan Sampel

Pada contoh di atas, ke-16 sekolah yang dilibatkan

1.3. Peranan dan Fungsi Statistik

1) Dalam kehidupan sehari-hari

hadir akan membantu pendidik/guru untuk mendidik

1.4. Data dan Variabel

Bersifat agregatif artinya:

Kasus I: Untuk satu orang siswa (subjek tunggal kajian)

Jika hanya satu kali ujian dan memperoleh nilai Y1,

Kasus II: Untuk beberapa orang siswa (subjek kajian

1.5. Jenis Skala/Penggolongan Statistik

Pengukuran dalam statistika memiliki skala tertentu.

mempunyai nol mutlak dan tidak berlaku operasi

• Waktu: detik, menit, jam, hari, minggu, bulan,

▪ Berdasarkan sumber data

1.6. Statistika Deskriptif dan Statistik

Statistika inferensial adalah suatu alat pengumpul

1.7. Operator Perhitungan yang Sering

Beberapa sifat khusus notasi sigma:

1.8. Manfaat Sajian Data

Hasil survey tidak informatif dan tidak berguna jika

1.9. Metode Penyajian Data

Di atas merupakan contoh tabel biasa nominal, karena

Tabel 2. urutan kepadatan penduduk per dusun di desa

Mudah bagi anda untuk mengidentifikasi bahwa

Umur Jumlah (jiwa)

Tabel di atas menunjukkan gambaran penduduk desa

Diagram jumlah penduduk Desa Duat Terus

1.9.3. Diagram Batang

Diagram jumlah penduduk Desa Duat Terus

1.9.4. Diagram Lingkaran

Diagram jumlah penduduk desa Duat Terus

1.9.5. Pictogram (diagram lambang)

Tabel 4. Pictogram produksi kopi suatu desa

Tahun Jumlah Keterangan

Disimpulkan bahwa produksi kopi tahun 2006 adalah

1.10. Menyusun Data Tunggal Menjadi Data

Selisih antar batas bawah kelas selalu sama, dan akan

Dengan n adalah banyak data dan hasil akhir dijadikan

(iv) Tetapkan batas bawah kelas interval pertama.