3/16/2021

STATISTIKA
BI103
PROGRAM STUDI PENDIDIKAN BIOLOGI FPMIPA UPI

Dr. Rini Solihat, M.Si. & Dr Yusuf Hilmi Adisendjaja

rinisolihat@upi.edu 1

RabbiZidni llma  Sebagian referensi:

Warzuqni Fahma

rinisolihat@upi.edu 2

No Materi
1 Pendahuluan, Statistika & Statistik
2 Data & Pengorganisasiannya
3 Variabel dan Instrumen pengambilan data*
4 Distribusi Frekuensi
5 Ukuran Pemusatan/Central Tendency
6 Probabilitas/Peluang & Distribusi Peluang
Materi Kuliah 7 Uji Statistik Deskriptif
8 Populasi dan Sampel*
9 Hipotesis & Uj Hipotesis*
10 Uji Statistik Inferensial
11 Uji Parametrik dan Uji Non Parametrik
12 Uji Prasyarat
13 Uji Beda Rata-rata
14 Uji Korelasional

rinisolihat@upi.edu 3

1
 3/16/2021

 Materi sebelumnya terkait dengan UKURAN KECENDERUNGAN

MEMUSAT DAN UKURAN PENYEBARAN (VARIABILITAS)
 Statistik (alat bantu penyajian data) menunjukkan dimanakah
data terkonsentrasi atau terpusat

Ingat:  Ukuran Pemusatan data: nilai dalam rangkaian data yang dapat
mewakili rangkaian data tersebut
 Jika keseluruhan nilai yang ada dalam data tersebut diurutkan
besarnya dan selanjutnya dimasukkan nilai rata rata ke dalamnya,
nilai rata rata tersebut mewakili kecenderungan (tendensi)
terletak di urutan paling tengah, atau pusat

rinisolihat@upi.edu 4

 Nilai rata rata hitung

 Arithmetic mean
UKURAN
 Jumlah dari keseluruhan angka
KECENDERU (bilangan) yang ada dibagi dengan
banyaknya angka (bilangan ) tersebut
NGAN
 Populasi: µ (miu)
MEMUSAT :  Sampel: (eks bar)
Mean

rinisolihat@upi.edu 5

 Mdn, Me, Mn
Median  Suatu nilai atau angka yang membagi suatu distribusi data ke
dalam dua bagian yang sama besar

rinisolihat@upi.edu 6

2
 3/16/2021

 Mo
 Skor atau nilai yang paling sering muncul atau yang mempunyai
Modus frekuensi panling banyak dalam kumpulan data
 Nilai yang memiliki frekuensi maksimal dalam distribusi Data
 Bisa unimodal, bimodal, multimodal

rinisolihat@upi.edu 7

 Range
 Deviasi
 Deviasi rata rata
UKURAN  Standar Deviasi
PENYEBARAN  Variansi
(VARIABILITAS):
 Koefisien Varians
 Ukuran Kemiringan/Skewness: -. +, simetris
 Ukuran Keruncingan/kurtosis: Leptokutis, Mesokurtis, Platikurtis
 Skor baku (Z)

rinisolihat@upi.edu 8

 Probabilitas p dari suatu peristiwa adalah frekuensi relatif kejadian

dari suatu peristiwa manakala jumlah observasi mendekati tak
hingga.
Probabilitas
 0≤ 𝑝 ≤ 1

rinisolihat@upi.edu 9

3
 3/16/2021

 Jika A dan B adalah dua peristiwa yang terjadi, selanjutnya:

1. Probabilitas A atau B (atau keduanya) terjadi adalah:
Pr (A atauB) = Pr (A) +Pr (B) – Pr (A dan B)
Jika A dan B tidak saling eksklusif.
Aturan
Pr (A atau B) = Pr (A) + Pr (B)
probabilitas Jika A dan B saling eksklusif

2. Saling eksklusif jika terjadinya peristiwa yang satu mencegah

terjadinya yang lain.

rinisolihat@upi.edu 10

2. Probabilitas A dan B keduanya terjadi adalah:

(Pr(B│A) adalah probabilitas B terjadi, dan A sudah terjadi).

Pr (A dan B) = Pr (A) Pr (B) jika A dan B independen

A dan B independen berarti bahwa A terjadi tidak

memengaruhi apakah B terjadi atau tidak.

rinisolihat@upi.edu 11

1. Probabilitas mengundi mata 5 atau 6 dari sebuah dadu

1 1
Pr (5) = 6 Pr (6) = 6
Jika mata 5 dan 6 saling eksklusif,
1 1 1
Pr (5 atau 6) = 6 + 6
=3
Contoh 2. Berapa probabilitas mengundi keluar dua buah mata 6 dengan
sepasang dadu
1 1
Pr (mata 6 pertama) = Pr (mata 6 kedua) =
6 6
Kedua dadu diaumsikan independen maka
1 1 1
Pr (dua buah mata 6) = 6 X 6
= 36

rinisolihat@upi.edu 12

4
 3/16/2021

 Jika 90% siswa lulus UN, dan 30% siswa yang lulus mendapat nilai
Biologi 8. Berapa peluang seorang siswa yang lulus mendapat
nilai 8? Berapa peluang dua orang siswa yang lulus mendapat nilai
CONTOH 8?
 Jika 40 % telur menetas dan 30 % dari yang baru menetas sintas
menjadi dewasa yang bereproduksi. Berapa peluang telur dan
dewasa yang sintas?

rinisolihat@upi.edu 13

Jawaban?

rinisolihat@upi.edu 14

1. Distribusi binomial untuk data diskrit/terpilah

DISTRIBUSI 2. Distribusi poisson
PELUANG 3. Distribusi normal untuk data kontinu

rinisolihat@upi.edu 15

5
 3/16/2021

 Digunakan untuk data nominal yang hanya memiliki dua kategori:

Laki-perempuan; hidup-mati; lulus-tidak lulus.
 Peluang individu yang termasuk kategori pertama adalah p,maka
Distribusi peluang kategori lainnya adalah 1-p = q
binomial  Teorema binomial digunakan untuk menentukan ukuran sampel n,
peluang temuannya 0, 1,2 ..., n individu untuk setiap kategori.
 Jika n nya kecil, maka cukup dengan menghitung.

rinisolihat@upi.edu 16

 Setiap kelahiran hanya laki dan perempuan, peluang masing-

masing adalah 0,5. jika satu keluarga memiliki 3 orang anak, maka
susunan urutan yang mungkin ada 8. coba urutkan!!!
Contoh
 Jika kita ingin tahu jumlah anak laki (r) dalam keluarga, maka
peluang P (r) untuk r = 1, 2, 3 dapat dihitung sebagai berikut.

rinisolihat@upi.edu 17

Urutan Hasil r P (r) Jumlah susunan

PPP 0 laki 1 1
0
8
LPP
PLP 1 laki 3 3
1
Lanjutan PPL
8

contoh PLL
LPL 2 laki 3 3
2
8
LLP
LLL 3 laki 1 1
3
8

rinisolihat@upi.edu 18

6
 3/16/2021

𝑛𝐶𝑟 ditemukan pada segitiga Pascal

n koefisien binomial
1 1 1
2 1 2 1
Segitiga pascal
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1
6 1 6 15 20 15 6 1

rinisolihat@upi.edu 19

 Untuk jumlah yang lebih besar digunakan rumus

P (r) = 𝑛𝐶𝑟 𝑝𝑟 𝑞 𝑛−𝑟

 Dimana
lanjutan 𝑛!
𝑛𝐶𝑟 (koefisien binomial) =
𝑟! 𝑛−𝑟 !
n! (n faktorial) = n (n-1) (n-2) ... 1
4! = 4.3.2.1 = 24 dengan definisi
0! =1 dan 1! = 1
rinisolihat@upi.edu 20

n X= 1 2 3 4 5 6 7
1 1 1 2
2 1 2 1 4
3 1 3 3 1 8
Koefisien 4 1 4 6 4 1 16
binom 5 1 5 10 10 5 1 32
6 1 6 15 20 15 6 1 64
7 1 7 21 35 35 21 7 128
8 1 8 28 56 70 56 28 256
9 1 9 36 84 126 126 84 512

rinisolihat@upi.edu 21

7
 3/16/2021

n (𝒑 + 𝒒)𝒏
1 p+q
2 𝑝 2 + 2 pq + 𝑞 2
Perluasan 3 𝑝 3 + 3 𝑝 2 q + 3 p𝑞 2 + 𝑞 3
binomial
4 𝑝 4 + 4𝑝 3 q + 6𝑝 2 𝑞 2+4𝑝𝑞 3 + 𝑞 4
5 Teruskan
6 Teruskan

rinisolihat@upi.edu 22

 Sebuah sampel terdiri 5 (n = 5) diambil dari populasi yang tersusun

atas 50% laki-laki dan 50% perempuan (p = 0,5 dan q = 0,5). Berapa
peluang yang terdiri atas 1laki-laki, 2laki-laki, 3 laki-laki, 4 laki-laki
contoh dan 5 laki-laki.

 Hitunglah !!!

rinisolihat@upi.edu 23

r P(r) 𝒏𝑪𝒓
0 5! 5.4.3.2 1
0!5!
0,50 0,55 = 1.5.4.3.2 (1) (0,03125) = 0,03125
1 5! 5.4.3.2 5
1!4!
0,51 0,54 = 1.4.3.2 (0,5) (0,0625) = 0,15625
hasilnya 2 Lanjutkan 10
3 10
4 5
5 1

rinisolihat@upi.edu 24

8
 3/16/2021

 Jika 30% siswa tidak lulus untuk ikut ujian biologi dari Cambridge.
Latihan Jika ada 5 siswa yang ikut ujian, berapa peluang 0, 1, 2, 3, 4, 5
orang siswa tidak lulus Cambridge

rinisolihat@upi.edu 25

 Koefisien binomial (dalam kasus 1, 5, 10,10, 5, 1) selalu terdistribusi

simetris tetapi peluang binomial hanya terdistribusi simetris jika
p = q =0,5. akan tetapi asimetris menjadi berkurang jika ukuran
sampel meningkat.
Catatan
 Rata-rata distribusi binomial = np
 Varians distribusi binomial = npq

rinisolihat@upi.edu 26

 Biasanya digunakan jika kita berhadapan dengan peristiwa yang

jarang terjadi.
 Misal: adanya cacat pada kain, salah tik pada novel, kecelakaan
dalam penerbangan, kembar 8, dst.
Distribusi
 Berdasarkan pengalaman seorang penulis nove, bahwa rata-rata
Poison untuk setiap 600 kata terdapat 2 salah cetak. Suatu karya
novelnya terdiri dari 2500 kata. Berapa peluang bahwa didalam
novel itu terdapat 3 buah kata salah cetak?

rinisolihat@upi.edu 27

9
 3/16/2021

Penyelesaian:
Diketahui probabilitas salah cetak adalah
p: 2/600=1/300
Banyaknya kata
(n): 2500
Peluang terdapat 3 buah kata salah cetak atau (x):3 adalah?
P(x:3) =?

rinisolihat@upi.edu 28

Distribusi acak kontinu (Gauss)

Distribusi yang paling banyak digunakan dalam penelitian.
Sifat sifat penting distribusi normal:
1. Nilai mean=median=modus
2. Grafiknya selalu diatas sumbu datar x
3. Bentuk grafik simetri terhadap mean x=µ
4. Model kurva: Leptokurtik, Platikurtik, Mesokurtik
tergantung s
DISTRIBUSI 5. Grafik mendekati sumbu datar x=µ-3s di kiri dan x=µ+3s di
NORMAL kanan

rinisolihat@upi.edu 29

 Untuk keperluan penggunaan praktis, telah

disusun daftar distribusi normal standar atau
distribusi normal baku, dengan rata rata µ=0 dan
simapangan baku = 0
 Proses mengubah distribusi normal umum
menjadi distribusi normal baku menggunakan
transformasi nilai baku, dengan menggunakan
rumus yang ada (cek ppt pertemuan
sebelumnya)
Lanjutan…(1)

rinisolihat@upi.edu 30

10
 3/16/2021

 Ini yang sering digunakan! Z score (angka z)! Jika prestasi dalam
matematika 20, prestasi dalam statistika 10.
 Manakah prestasi yang paling baik sebenarnya? Angka z untuk
menguji hipotesis dari 1 kelompok sampel.
 Contoh pendekatan x dapat meningkatkan hasil belajar!, dari
mana ukurannya? Kalau 2 kelas bisa dibandingkan! Banyaknya 1
kelas dan tidak acak, maka desainnya pre eksperimen. Maka harus
ada pembanding untuk meyakinkan hasilnya. Maka data nilai yang
Contoh: diperoleh harus dirubah menjadi z score. Hipotesisnya, bahwa nilai
yang diperoleh lebih baik dibandingkan nilai KKM (tuntas belajar).
Jika 85% siswa mendapatkan skor 85 (misalkan).
 KV untuk apa? Untuk m3nghitung dispersi relative! Di ekologi
digunakan! Semua makhluk hidup di alam dibagi menjadi 3
sebaran (distribusi berkelompok (tumbuhan), acak , beraturan
(penguin)) Apakah contohnya? Nilai KV dibandingkan >< atau = 1.

rinisolihat@upi.edu 31

Statistika Deskriptif
Apa itu?

rinisolihat@upi.edu 32

 Pengumpulan
Ruang lingkup Sebagian atau seluruh data (pengamatan) tanpa
 Pengolahan
Statistika  Penganalisisan
pengambilan kesimpulan berdasarkan pengujian
hipotesis
Deskriptif?  Penyajian

rinisolihat@upi.edu 33

11
 3/16/2021

 Seorang dokter, membuat diagnosis terhadap suatu penyakit.

Berdasarkan data hasil pemeriksaan tekanan darah, suhu tubuh,
warna kulit, denyut nadi.
 Diketahui: tekanan darah 160/90; suhu badan 40◦C; warna kulit
memerah, keluhan paas meriang. Apakah dokter yang
bersangkutan dapat membuat kesimpulan secara meyakinkan
bahwa pasien terjangkit DBD?
Contoh:  Tentu saja tidak boleh, karena terdapat beberapa penyakit yang
ciri-cirinya hamper sama.
 Data hasil pemeriksaan tersebut baru sampai pada tahap
deskriptif (gambaran keseluruhan kondisi pasien) belum
kesimpulan final penyakit pasien. Perlu pemeriksaan lebih lanjut
(cek kadar trombosit) dalam darah pasien, perlu sampel yang
diperiksa di laboratorium.

rinisolihat@upi.edu 34

 Hasil Descriptives analysis (SPSS)

Contoh:

rinisolihat@upi.edu 35

Contoh:

rinisolihat@upi.edu 36

12
 3/16/2021

rinisolihat@upi.edu 37

13