ISIP4215

Hak Cipta  dan Hak Penerbitan dilindungi Undang-udang ada pada
Universitas Terbuka - Kementerian Riset, Teknologi, dan Pendidikan Tinggi

Jalan Cabe Raya, Pondok Cabe, Pamulang, Tangerang Selatan – 15418
Banten – Indonesia
Telp.: (021) 7490941 (hunting); Fax.: (021) 7490147;
Laman: www.ut.ac.id
Dilarang mengutip sebagian ataupun seluruh buku ini

dalam bentuk apa pun, tanpa izin dari penerbit
Edisi Ketiga
Cetakan pertama, November 2016
Cetakan kedua, November 2016
Tim Penulis : Bambang Prasetyo, M. Si

Penelaah Materi : Dr. Lina M Jannah
Pengembang Desain Instruksional : Bambang Prasetyo, M. Si
Desain oleh Tim P2M2 :

Kover & Ilustrasi : Nursuci Leo Saputri
Tata Letak : Nono Suwarno
Penyunting Bahasa : Andy Sosiawan
519.5
PRA PRASETYO, Bambang

m Materi pokok pengantar statistik sosial; 1 – 9 / ISIP4215/
3 sks / Bambang Prasetyo; -- Cet.2; Ed. 3.-- Tangerang Selatan:
Universitas Terbuka, 2016.
349 hal: ill., 21 cm.
ISBN: 978-602-392-089-1
1. statistic sosial
I. judul
iii
Daftar Isi
TINJAUAN MATA KULIAH ........................................................... ix
MODUL 1: KONSEP DASAR STATISTIKA 1.1

Kegiatan Belajar 1:
Pengertian dan Klasifikasi Statistika .................................................. 1.2
Latihan …………………………………………............................... 1.8
Rangkuman ………………………………….................................... 1.9
Tes Formatif 1 ……………………………..…….............................. 1.9
Kegiatan Belajar 2:
Konsep Dasar Statistika dan Skala Pengukuran ................................. 1.11
Latihan …………………………………………............................... 1.19
Rangkuman ………………………………….................................... 1.19
Tes Formatif 2 ……………………………..…….............................. 1.20
KUNCI JAWABAN TES FORMATIF ............................................. 1.22

GLOSARIUM .................................................................................... 1.23
DAFTAR PUSTAKA ........................................................................ 1.25
MODUL 2: PENYAJIAN DATA 2.1

Kegiatan Belajar 1:
Penyajian Data Kualitatif ................................................................... 2.5
Latihan …………………………………………............................... 2.14
Rangkuman ………………………………….................................... 2.14
Tes Formatif 1 ……………………………..…….............................. 2.15
Kegiatan Belajar 2:
Penyajian Data Kuantitatif ................................................................. 2.17
Latihan …………………………………………............................... 2.31
Rangkuman ………………………………….................................... 2.32
Tes Formatif 2 ……………………………..…….............................. 2.32

GLOSARIUM .................................................................................... 2.35
DAFTAR PUSTAKA ........................................................................ 2.36
iv
MODUL 3: UKURAN PEMUSATAN DAN UKURAN

PENYEBARAN 3.1
Kegiatan Belajar 1:
Ukuran Pemusatan .............................................................................. 3.3
Latihan …………………………………………............................... 3.14
Rangkuman ………………………………….................................... 3.14
Tes Formatif 1 ……………………………..…….............................. 3.15
Kegiatan Belajar 2:
Ukuran Penyebaran ............................................................................ 3.18
Latihan …………………………………………............................... 3.25
Rangkuman ………………………………….................................... 3.25
Tes Formatif 2 ……………………………..…….............................. 3.26

GLOSARIUM .................................................................................... 3.29
'DAFTAR PUSTAKA ........................................................................ 3.30
MODUL 4: PROBABILITA 4.1

Kegiatan Belajar 1:
Teori Probabilita ................................................................................. 4.3
Latihan …………………………………………............................... 4.16
Rangkuman ………………………………….................................... 4.16
Tes Formatif 1 ……………………………..…….............................. 4.17
Kegiatan Belajar 2:
Distribusi Peluang .............................................................................. 4.19
Latihan …………………………………………............................... 4.35
Rangkuman ………………………………….................................... 4.35
Tes Formatif 2 ……………………………..…….............................. 4.36

GLOSARIUM .................................................................................... 4.39
DAFTAR PUSTAKA ........................................................................ 4.40
LAMPIRAN ....................................................................................... 4.41
v
MODUL 5: PENARIKAN SAMPEL 5.1

Kegiatan Belajar 1:
Penarikan Sampel Probabilita ........................................................... 5.4
Latihan …………………………………………............................... 5.15
Rangkuman ………………………………….................................... 5.16
Tes Formatif 1 ……………………………..…….............................. 5.16
Kegiatan Belajar 2:
Penarikan Sampel Nonprobabilita ...................................................... 5.18
Latihan …………………………………………............................... 5.20
Rangkuman ………………………………….................................... 5.21
Tes Formatif 2 ……………………………..…….............................. 5.21

GLOSARIUM .................................................................................... 5.24
DAFTAR PUSTAKA ........................................................................ 5.25
LAMPIRAN ....................................................................................... 5.26
MODUL 6: ESTIMASI DAN UJI HIPOTESIS 6.1

Kegiatan Belajar 1:
Estimasi Parameter ............................................................................. 6.2
Latihan …………………………………………............................... 6.14
Rangkuman ………………………………….................................... 6.14
Tes Formatif 1 ……………………………..…….............................. 6.15
Kegiatan Belajar 2:
Uji Statistik Hipotesis ......................................................................... 6.17
Latihan …………………………………………............................... 6.32
Rangkuman ………………………………….................................... 6.32
Tes Formatif 2 ……………………………..…….............................. 6.33

GLOSARIUM .................................................................................... 6.36
DAFTAR PUSTAKA ........................................................................ 6.37
vi
MODUL 7: PENGUJIAN HIPOTESIS SATU SAMPEL 7.1

Kegiatan Belajar 1:
Uji satu Sampel Menggunakan Tes Non-Parametrik Berskala
Ordinal ................................................................................................ 7.3
Latihan …………………………………………............................... 7.9
Rangkuman ………………………………….................................... 7.10
Tes Formatif 1 ……………………………..…….............................. 7.10
Kegiatan Belajar 2:
Uji Satu Sampel Menggunakan Tes Non-Parametrik Berskala
Nominal .............................................................................................. 7.13
Latihan …………………………………………............................... 7.19
Rangkuman ………………………………….................................... 7.20
Tes Formatif 2 ……………………………..…….............................. 7.20

GLOSARIUM .................................................................................... 7.24
DAFTAR PUSTAKA ........................................................................ 7.25
LAMPIRAN ....................................................................................... 7.26
MODUL 8: PENGUJIAN HIPOTESIS DUA SAMPEL 8.1

Kegiatan Belajar 1:
Uji Dua Sampel Menggunakan Tes Parametrik ................................. 8.3
Latihan …………………………………………............................... 8.11
Rangkuman ………………………………….................................... 8.11
Tes Formatif 1 ……………………………..…….............................. 8.12
Kegiatan Belajar 2:
Uji Dua Sampel Menggunakan Tes Nonparametrik .......................... 8.15
Latihan …………………………………………............................... 8.23
Rangkuman ………………………………….................................... 8.24
Tes Formatif 2 ……………………………..…….............................. 8.25

GLOSARIUM .................................................................................... 8.29
DAFTAR PUSTAKA ........................................................................ 8.30
vii
MODUL 9: PENGUJIAN HIPOTESIS LEBIH DARI DUA

SAMPEL DAN DUA RATA-RATA POPULASI 9.1
Kegiatan Belajar 1:
Uji Hipotesis k Sampel ................................................................. 9.3
Latihan …………………………………………............................... 9.17
Rangkuman ………………………………….................................... 9.17
Tes Formatif 1 ……………………………..…….............................. 9.18
Kegiatan Belajar 2:
Uji Hipotesis Dua Rata-rata Populasi ................................................ 9.20
Latihan …………………………………………............................... 9.24
Rangkuman ………………………………….................................... 9.25
Tes Formatif 2 ……………………………..…….............................. 9.25

GLOSARIUM .................................................................................... 9.28 9
DAFTAR PUSTAKA ........................................................................ 9.29
LAMPIRAN ...................................................................................... 9.30
BUKU PENYERTA AUDIO GRAFIS .............................................. 9.32
ix
Tinjauan Mata Kuliah
P engantar Statistik Sosial merupakan mata kuliah yang mempelajari dasar

dasar statistik dalam ilmu sosial. Mata kuliah ini bermanfaat bagi Anda
karena akan memberikan bekal dasar untuk memahami mata kuliah lainnya,
seperti mata kuliah metode penelitian sosial.
Setelah mempelajari mata kuliah ini, Anda diharapkan mampu
menerapkan statistika deskriptif dan inferensia. Secara khusus, Anda
diharapkan mampu:
1. menerapkan konsep konsep adsar statistika;
2. menerapkan penyajian data;
3. menerapkan ukuran pemusatan dan ukuran penyebaran;
4. menghitung probabilita;
5. menerapkan metode penarikan sampel;
6. melakukan estimasi dan uji hipotesis.
Sesuai dengan tujuan yang ingin dicapai dan bobot sks maka mata kuliah
ini terdiri dari 9 Modul, dengan materi dari setiap modul sebagai berikut:
Modul 1 : Konsep Dasar Statistika.
Modul 2 : Penyajian Data.
Modul 3 : Ukuran Pemusatan dan Ukuran Penyebaran.
Modul 4 : Probabilita.
Modul 5 : Metode Penarikan Sampel.
Modul 6 : Estimasi dan Uji Hipotesis.
Modul 7 : Pengujian Hipotesis Satu Sampel.
Modul 8 : Pengujian Hipotesis Dua Sampel.
Modul 9 : Pengujian Hipotesis Lebih Dari Dua Sampel dan Dua Rata-Rata
Populasi.
Dengan mempelajari setiap modul secara cermat sesuai dengan petunjuk

yang ada, serta mengerjakan semua latihan dan tes formatif yang diberikan
secara sungguh-sungguh, Anda akan berhasil dalam menguasai kompetensi
yang telah ditetapkan. BMP ini selain bermanfaat bagi mahasiswa sosiologi,
x
juga berguna bagi mereka yang menggeluti bidang penelitian sosial,

khususnya penelitian kuantitatif.
Modul ini dilengkapi dengan multimedia dalam bentuk program CAI
(Computer Assisted Integrated). Program ini khususnya dikembangkan untuk
lebih memahami materi pada Modul 5 dan 6.
P e t a K o mp e t e n s i
Pengantar Statistik Sosial/ISIP4215/3
sks
xi
Modul 1
Konsep Dasar Statistika

Bambang Prasetyo, M.Si.
PEN D A HU L UA N
A pakah Anda penggemar piala dunia? Jika ya, pernahkah Anda mencoba
untuk menerka siapakah yang akan menjadi juara dunia, pada saat
penyelenggaraan piala dunia? Pada saat Anda mencoba untuk menerka,
tentunya Anda akan mencoba mencari tahu bagaimana kelemahan dan
kelebihan dari setiap tim yang akan berlaga, dan tentunya Anda
membutuhkan bermacam informasi. Setelah Anda memiliki bermacam
informasi, mulailah Anda berhitung sehingga Anda sampai pada kesimpulan
bahwa tim A akan memenangkan seluruh pertandingan dan menjadi juara.
Proses ini pada dasarnya merupakan salah satu gambaran tentang statistika.
Apa sebenarnya statistika? Apakah sama dengan statistik? Mengapa kita
harus mempelajari statistik? Kesemuanya akan Anda pelajari dalam buku
materi pokok ini. Pada Modul 1 ini, kita akan sama-sama mempelajari
tentang berbagai konsep dasar yang ada di dalam statistika. Kita akan
mencoba mencari tahu, apa saja kegunaan mempelajari statistika, dan dalam
modul ini pula berbagai dasar yang harus Anda kenali, sebelum Anda
mempelajari materi lebih lanjut dalam modul berikutnya.
Untuk bisa memahami statistika, dibutuhkan banyak praktik yang dapat
Anda lakukan dengan mencoba mengerjakan berbagai latihan yang ada, dan
juga mencoba mengerjakan berbagai latihan yang ada di sumber belajar
lainnya. Buku materi pokok ini juga dilengkapi dengan bahan ajar noncetak,
yang akan membantu Anda dalam mempelajari statistika, terutama mengenai
cara menggunakan Tabel z dan Tabel t.
Setelah Anda mempelajari Modul 1 ini, Anda diharapkan dapat
memahami berbagai konsep dasar yang ada dalam statistika. Secara lebih
spesifik, setelah mempelajari Modul 1 ini, Anda diharapkan dapat
memahami:
1. pengertian statistika;
2. manfaat mempelajari statistika;
3. klasifikasi statistika;
4. skala pengukuran.
1.2 Pengantar Statistik Sosial 
Kegiatan Belajar 1
Pengertian dan Klasifikasi Statistika
A. PENGERTIAN STATISTIKA
Apakah Anda pernah mendengar kata statistika? Mungkin Anda akan

menjawab “kalau statistik, ya, saya sering mendengar”. Lalu, apakah ada
perbedaan antara statistik dan statistika? Kita akan mencoba mencari tahu apa
perbedaan antara statistik dan statistika. Kita mulai dari konsep yang lebih
sering Anda dengar, yaitu kata statistik. Seperti telah disampaikan pada awal
modul ini, tentunya Anda telah sering mendengar, melihat, dan bahkan
memanfaatkan berbagai informasi yang ada di sekitar kita. Kita mungkin
pernah menggunakan informasi tentang berbagai kebijakan politik yang
dibuat oleh partai politik sehingga kita bisa memutuskan apakah kita akan
memilih partai politik tersebut atau partai politik yang lain. Atau kita pernah
mendengar tentang kemungkinan pemerintah menaikkan pajak kendaraan
sehingga kita bisa mengantisipasi, apakah akan membeli kendaraan atau
tidak. Nah, berbagai informasi itulah sesungguhnya yang dimaksud dengan
statistik. Dengan demikian, kita bisa juga mengatakan bahwa statistik adalah
suatu kumpulan yang tersusun lebih dari satu angka.
Kita coba lihat beberapa contoh statistik;
1. Lingkar Survei Indonesia (LSI) mendapati hampir 54 persen responden
tidak puas dengan pemerintahan Joko Widodo (Jokowi), sedangkan
42 persen menyatakan puas. Survei melalui ponsel itu, dilakukan
terhadap 1.200 orang di 34 provinsi pada 26 dan 27 Januari lalu.
(http://www.voaindonesia.com/content/jajak-pendapat-kinerja-presiden-
jokowi-belum-penuhi-harapan-/2620804.html)
2. Pada tahun 2008, misalnya jumlah mahasiswa berusia 18-24 tahun di
universitas berstatus negeri ini baru sekitar 2.200 orang per semester.
Namun, pada tahun 2011 jumlah mahasiswa baru usia 18-24 tahun
hampir 12.500 orang.
(http://edukasi.kompas.com/read/2011/07/16/0422181/UT.Menjadi.Alter
natif.Pilihan)
3. "Jumlah penduduk Indonesia tahun 2012 sekitar 230 juta jiwa. Untuk
mengetahui pengaruh pertumbuhan penduduk bukan hanya berdasarkan
faktor jumlah, tetapi juga struktur dan persebaran," jelas Sudibyo.
 ISIP4215/MODUL 1 1.3
Struktur ini dipengaruhi oleh Triple Burden, yaitu jumlah usia sekolah
dan balita sebesar 28,87%, angkatan kerja 63,54%, dan lansia (lanjut
usia) mencapai 7,59%. Sudibyo menilai kalau jumlah ini akan terus
meningkat terutama lansia yang saat ini sudah menembus angka 17 juta
jiwa.
(http://health.liputan6.com/read/521272/bkkbn-tahun-ini-penduduk-
indonesia-capai-250-juta-jiwa)
Jika pengertian statistik lebih mengarah kepada informasi, pengertian

statistika mengarah ke pengertian yang lebih luas. Statistika adalah suatu
metode yang digunakan dalam pengumpulan dan analisis data sehingga dapat
diperoleh informasi yang berguna. Pada dasarnya statistika menyediakan
prinsip dan metodologi untuk merancang proses pengumpulan data,
meringkas data, menyajikan data, serta melakukan interpretasi data, analisis
data, serta mengambil kesimpulan. Dengan kata lain, statistika adalah ilmu
yang mengumpulkan, menata, menyajikan, menganalisis, serta
menginterpretasikan data angka, dengan tujuan membantu pengambilan
keputusan yang efektif. Dengan demikian, di dalam statistika terkandung
konsep statistik.
Dalam statistika, kita akan banyak mempelajari tentang berbagai teknik
yang bisa digunakan dalam berbagai hal, seperti dalam penyajian data,
analisis data, pengelompokan data, dan sebagainya yang akan kita pelajari
lebih lanjut dalam modul-modul selanjutnya.
1. Alasan Mempelajari Statistika

Perlukah kita mempelajari statistika? Anda tentunya juga pernah
mempertanyakan hal ini, apalagi kita ketahui bersama bahwa saat ini sudah
banyak program yang bisa kita gunakan untuk membantu kita dalam
menangani statistika. Program Excel yang ada di seluruh komputer,
merupakan salah satu program yang banyak membantu kita dalam statistika.
Dalam penelitian sosial, SPSS dan berbagai macam model sejenis, juga
sudah banyak digunakan oleh berbagai kalangan dalam statistika. Jadi,
kembali ke pertanyaan awal kita, apakah kita masih perlu mempelajari
statistika? Jawabnya tentu saja “Ya”. Ingat bahwa berbagai program yang ada
hanyalah merupakan alat yang bisa kita gunakan untuk mempermudah
pekerjaan kita. Namun, seperti juga alat yang lain maka semua itu, hanya alat
yang bisa kita gunakan secara benar maupun secara tidak benar. Sebuah pisau
bisa kita gunakan secara benar, dengan memanfaatkan pisau itu untuk
memotong buah, namun pisau yang sama bisa kita gunakan secara salah
untuk melukai sesama manusia. Dengan demikian, sekalipun kita
menggunakan program SPSS, namun jika pemakaiannya salah maka hasilnya
juga akan salah, dan pada akhirnya keputusan yang akan kita ambil juga
salah.
Kembali pada pertanyaan apakah masih perlu kita mempelajari
statistika? Untuk menjawab pertanyaan tersebut, kita perlu memahami
terlebih dahulu, bahwa statistika merupakan sebuah alat, yang bisa berguna
jika kita gunakan secara benar dan bisa tidak berguna jika kita gunakan
secara salah. Sering kali kita mendengar adanya manipulasi data yang salah
satunya adalah melalui statistika. Kita coba ambil contoh berikut ini.
Pemerintah mengklaim bahwa selama pemerintahan berjalan dua tahun,
kesejahteraan masyarakat mengalami peningkatan tajam, hal ini berdasarkan
data bahwa masyarakat yang berada di garis kemiskinan hanya sejumlah 5%
dari seluruh penduduk yang ada. Apakah ada yang salah dengan klaim
pemerintah tersebut? Jika kita tidak memahami statistika, kita tentunya akan
percaya saja pada klaim pemerintah, apalagi data yang menunjukkan bahwa
masyarakat yang berada di garis kemiskinan memang menunjukkan data
yang demikian. Namun demikian, jika kita memahami tentang statistika, kita
tidak akan percaya. Kita perlu melihat lebih jauh sehingga kita akan melihat
bahwa ada data yang disembunyikan dalam laporan tersebut. Jika data yang
berada pada garis kemiskinan hanya 5% dan data itu benar, namun demikian
ternyata data lain menunjukkan bahwa masih 35% penduduk yang justru
berada di bawah garis kemiskinan. Klaim pemerintah tidak salah, namun ada
manipulasi dengan tidak menampilkan data tentang penduduk yang berada di
bawah garis kemiskinan. Nah kondisi inilah yang menunjukkan bahwa kita
tetap harus mempelajari statistika.
Contoh lain, mengenai pentingnya mempelajari statistika adalah berikut
ini. Anda adalah seorang pimpinan pada sebuah perusahaan besar yang
memiliki banyak cabang di daerah, termasuk di pedalaman. Sebagai
pimpinan, Anda perlu mendengar laporan dari bawahan Anda. Salah satu
bawahan Anda yang ada di pedalaman, suatu ketika memberikan laporan
yang mengejutkan. Isi laporannya sebagai berikut. Telah terjadi tindakan
yang memalukan karena seratus persen wanita yang ada di perusahaan
melakukan seks bebas hanya kepada 1 orang laki-laki. Apa reaksi Anda
sebagai pimpinan? Sebagai pimpinan yang memahami statistika, Anda
tentunya tidak akan percaya begitu saja dan mencoba menggali informasi
lebih jauh. Ternyata laporan yang disampaikan memang benar, bahwa 100%
wanita yang ada di perusahaan melakukan seks bebas hanya kepada satu
orang laki-laki. Data yang benar, namun dimanfaatkan secara salah. Setelah
diteliti, ternyata jumlah wanita yang bekerja di perusahaan di pedalaman itu
hanya berjumlah 1 orang sehingga secara persentase, data tersebut memang
menunjuk jumlah 100%. Dari kedua contoh yang ada, kita akhirnya menjadi
sadar, bahwa banyak ruang untuk memanipulasi data, dan agar kita tidak
mudah terjebak, kita perlu mempelajari statistika.
2. Pemanfaatan Statistika
Apakah Anda mengikuti proses pelaksanaan jajak pendapat pada saat
pemilihan presiden tahun 2014? Berbagai lembaga berlomba melakukan
suatu proses hitung cepat untuk memprediksi siapakah yang akan menjadi
presiden berikutnya. Gambaran ini menunjukkan salah satu pemanfaatan
statistika. Betapa kuatnya statistika dalam memengaruhi kehidupan manusia
sehingga ketika terjadi perbedaan maka masing-masing berusaha
mempertahankan kredibilitasnya. Kondisi ini juga menunjukkan bagaimana
statistika dapat memberikan dampak yang luas pada manusia. Selain
menggambarkan manfaat statistika, proses hasil hitung cepat ini juga
menunjukkan bagaimana statistika dimanipulasi untuk kepentingan tertentu.
Kita coba lihat kejadian yang ada dalam proses hasil hitung cepat dalam
pemilihan presiden tahun 2014.
Bila dilihat hasil survei 12 lembaga survei, ada 8 lembaga survei yang
menghasilkan perhitungan cepat yang relatif sama, sekitar 52% untuk Jokowi
dan 48% untuk Prabowo. Sementara 4 lembaga survei memenangkan
Prabowo. Dari 4 lembaga survei, hanya satu yang hasil perhitungan cepatnya
menunjukkan perbedaan signifikan antara suara Jokowi dan Prabowo, yaitu
hasil perhitungan cepat PUSKAPTIS. Hasil perhitungan cepat PUSKAPTIS
menunjukkan Prabowo mendapat 52% suara dan Jokowi mendapat 48%.
Selisih persentase jumlah suara sekitar 4%, dengan margin error +/– 1%
maka selisih terendah antara suara Prabowo dan Jokowi adalah
(52% – 1% = 51%) – (48% + 1% = 49%) = 2%. Sementara hasil perhitungan
cepat 3 lembaga lain, selisih persentase suara masih berada di dalam margin
error sehingga dengan metode uji statistik, tidak bisa disimpulkan bahwa ada
perbedaan yang signifikan jumlah suara antara kedua kubu.
(http://edukasi.kompasiana.com/2014/07/10/menunggu-hasil-audit-lembaga-
survey-quick-count-pilpres-2014-672973.html)
Selain banyak dimanfaatkan di kalangan politik, di kalangan bisnis
statistika juga memegang peranan yang sangat penting. Perusahaan di
manapun selalu mengandalkan pada statistika dalam proses pengambilan
keputusan. Baik perusahaan berskala besar maupun perusahaan berskala kecil
mengandalkan pada statistika. Dan bukan hanya di sektor ekonomi dan
politik, dalam setiap segi kehidupan manusia, semua mengandalkan pada
statistika. Bahkan, dalam kehidupan manusia yang sederhana pun, baik
secara sadar maupun tidak sadar mengandalkan pada statistika. Pernahkah
Anda ragu-ragu, apakah hari ini akan hujan atau tidak? Ketika Anda sampai
pada kesimpulan, hari ini akan hujan, Anda akan membawa payung maka
Anda juga sudah menerapkan statistika. Dengan kata lain, semua orang
secara sadar atau tidak sadar sudah memanfaatkan statistika, dari hal yang
sangat sederhana sampai hal yang sangat kompleks.
Saudara Mahasiswa, Anda sudah mempelajari tentang

statistika dan manfaatnya, kini cobalah Anda berikan
contoh tentang penerapan statistika dalam kehidupan
Anda sehari-hari, dan contoh manipulasi data statistik.
B. KLASIFIKASI STATISTIKA
Untuk mempermudah kita dalam memakai statistika, kita perlu membuat

beberapa klasifikasi statistika. Ada dua klasifikasi yang kita gunakan, yaitu
pertama berdasarkan pada aktivitas yang dilakukan, dan kedua berdasar pada
metodenya.
1. Berdasar Aktivitas yang Dilakukan
a. Statistika deskriptif: membahas tentang cara-cara pengumpulan data,
penyederhanaan angka pengamatan yang diperoleh, serta melakukan
ukuran pemusatan dan penyebaran untuk memperoleh informasi yang
menarik, berguna, dan mudah dipahami. Dengan kata lain, statistika
deskriptif adalah penggambaran data yang telah dikumpulkan. Banyak
cara yang bisa digunakan untuk menggambarkan data, bisa
menggunakan tabel distribusi, grafik, diagram, atau dalam bentuk narasi.
Contoh statistika deskriptif:
Tabel 1.1
Jumlah Penduduk Lima Negara Terbesar di Dunia Tahun 2005
Jumlah Penduduk Juta

No Nama Negara
Jiwa
1 Cina 1.303,7
2 India 1.103,4
3 Amerika Serikat 296,5
4 Indonesia 221,9
5 Brazil 184,2
Sumber: Word Population Data sheet, 2005.
http://tugaskuliahan45.blogspot.com/2013/09/komposisi-penduduk-
berdasarkan-umur-dan.html
b. Statistika inferensia: cara menganalisis data serta mengambil kesimpulan

(terkait dengan estimasi parameter dan pengujian hipotesis). Statistika
inferensia berkaitan dengan analisis sebagian data sampai ke peramalan
atau penarikan kesimpulan mengenai keseluruhan data. Berikut contoh
statistika inferensia;
Meski dianggap gagal menciptakan perubahan dalam meningkatkan
kesejahteraan rakyat, otonomi daerah masih tetap didukung oleh
mayoritas masyarakat Indonesia (73%), hanya 27 persen yang
menyatakan menolak otonomi daerah. Jumlah sampel 1240, dengan
margin of error +/- 3,0% pada tingkat kepercayaan 95%. Responden
tersebar di 33 provinsi dengan jumlah responden yang proporsional
sesuai dengan jumlah penduduk di masing-masing provinsi.
(http://www.lsi.or.id/riset/249/dukungan-terhadap-otonomi-daerah)
2. Berdasar Metodenya
a. Statistika parametrik: bagian dari statistika inferensia yang
mempertimbangkan nilai dari satu atau lebih parameter populasi, seperti
rata-rata hitung, standar deviasi, dan korelasi. Karakteristik dari
parametrik antara lain memperhitungkan nilai yang ada di populasi,
datanya berskala minimal interval, bentuk variabelnya kontinu, serta
datanya terdistribusi secara normal. Contoh dari statistika parametrik
antara lain: uji t, uji z, serta korelasi pearson.
b. Statistika nonparametrik: bagian dari statistika inferensia yang tidak

memperhatikan nilai dari satu atau lebih parameter populasi.
Karakteristik dari nonparametrik antara lain datanya berskala ukur
nominal atau ordinal, variabelnya diskret, dan biasanya untuk menguji
sampel yang relatif kecil (kurang dari 30). Contoh dari statistika non-
parametrik antara lain uji chi square, uji wilcoxon, serta uji spearman.
LAT IH A N
Untuk memperdalam pemahaman Anda mengenai materi di atas,

kerjakanlah latihan berikut!
Perhatikan tabel di bawah ini, kemudian tentukan apakah tabel berikut
termasuk statistika deskriptif atau inferensia.
Petunjuk Jawaban Latihan
1) Perhatikan kembali karakteristik dari statistika deskriptif dan statistika

inferensia.
2) Diskusikan dengan rekan Anda.
R A NG KU M AN
Pengertian statistika memiliki ruang lingkup yang lebih luas

dibanding dengan pengertian statistik. Statistika diartikan sebagai ilmu
yang mengumpulkan, menata, menyajikan, menganalisis, serta
menginterpretasikan data angka dengan tujuan membantu pengambilan
keputusan yang efektif, sedangkan statistik merupakan bagian dari
statistika. Pengertian statistik adalah suatu kumpulan yang tersusun lebih
dari satu angka. Meskipun kini telah banyak program yang bisa kita
pakai untuk mengolah statistik, namun kita tetap perlu mempelajari
statistika karena dengan memahami statistika, kita tidak akan terjebak
pada adanya ruang manipulasi statistika, baik yang dilakukan oleh pihak
lain maupun dari pihak kita sendiri dan secara sadar ataupun tidak sadar.
Statistika sendiri bisa kita klasifikasikan berdasar aktivitas yang
dilakukan dan berdasar metodenya. Berdasar aktivitas yang dilakukan,
statistika kita bagi ke dalam statistika deskriptif dan statistika inferensia.
Sementara itu, berdasar metodenya statistika dibagi menjadi statistika
parametrik dan nonparametrik. Statistika parametrik dan nonparametrik
sesungguhnya merupakan bagian dari statistika inferensia.
TES F OR M AT IF 1
Pilihlah satu jawaban yang paling tepat!
1) Ketika kita menduga bahwa dalam minggu ini Jakarta akan dikepung
oleh banjir, merupakan salah satu bentuk dari ....
A. statistika
B. nonparametrik
C. metode penelitian
D. pendugaan parameter
2) Berdasar aktivitas yang dilakukan, statistika dibagi menjadi statistik ....

A. parametrik
B. inferensia
C. nonparametrik
D. linear
3) Berdasar metodenya, statistika dibagi menjadi statistik ....

A. nonparametrik
B. inferensia
C. deskriptif
D. linear
4) Uji statistik yang termasuk dalam statistika parametrik adalah uji....

A. chi square
B. spearman
C. wilcoxon
D. korelasi pearson
5) Uji statistik yang termasuk dalam statistika nonparametrik adalah uji ….

A. chi square
B. uji t
C. uji z
D korelasi pearson
Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 1 yang

terdapat di bagian akhir modul ini. Hitunglah jawaban yang benar.
Kemudian, gunakan rumus berikut untuk mengetahui tingkat penguasaan
Anda terhadap materi Kegiatan Belajar 1.
Jumlah Jawaban yang Benar

Tingkat penguasaan =  100%
Jumlah Soal
Arti tingkat penguasaan: 90 - 100% = baik sekali

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang
Apabila mencapai tingkat penguasaan 80% atau lebih, Anda dapat

meneruskan dengan Kegiatan Belajar 2. Bagus! Jika masih di bawah 80%,
Anda harus mengulangi materi Kegiatan Belajar 1, terutama bagian yang
belum dikuasai.
 ISIP4215/MODUL 1 1.11
Kegiatan Belajar 2
Konsep Dasar Statistika

dan Skala Pengukuran
A. KONSEP DASAR STATISTIKA
Ketika Anda mempelajari Kegiatan Belajar 1, tentunya Anda membaca

beberapa konsep yang muncul dalam penjelasan materi statistika. Agar kita
memiliki pemahaman yang sama tentang konsep tersebut, ada baiknya dalam
Kegiatan Belajar 2 ini, kita bersama-sama mempelajari beberapa konsep
dasar yang ada dalam statistika.
1. Variabel
Variabel bisa kita artikan sebagai atribut dari sekelompok objek yang
diteliti dengan variasi dari masing-masing objeknya. Dengan kata lain,
variabel merupakan sebuah konsep yang memiliki variasi nilai. Variasi nilai
dari sebuah variabel, kita sebut sebagai kategori. Kita ambil contoh berikut.
Pendidikan merupakan sebuah variabel yang memiliki variasi nilai (kategori)
tinggi, sedang, dan rendah. Contoh lain, misalnya jenis kelamin, dengan
kategori laki-laki dan perempuan. Masih banyak contoh variabel yang ada di
sekitar kita, mulai dari sederhana hingga yang sangat kompleks.
Seperti halnya ketika kita mencoba mengklasifikasi statistika maka
variabel bisa kita klasifikasi berdasar beberapa bentuk klasifikasi.
a. Klasifikasi yang pertama adalah berdasarkan bulat atau tidaknya nilai
yang diperoleh. Variabel kita bedakan menjadi variabel diskret dan
variabel kontinu.
1) Variabel kontinu adalah variabel yang besaran nilainya dapat
menempati semua nilai yang berada di antara dua titik. Nilai yang
berada di antara dua titik bisa berbentuk nilai bulat atau nilai
pecahan. Contoh berat gula pasir, dengan variasi nilai 2 kg; 2,5 kg,
3,7kg, dan seterusnya. Contoh lain Indeks prestasi kumulatif (IPK)
dengan variasi nilai 2; 2,5; 3,75; dan seterusnya.
2) Variabel diskret adalah variabel yang besarannya tidak dapat
menempati semua nilai. Nilai bilangan diskret selalu berupa
bilangan bulat. Contoh: jumlah mahasiswa yang terdaftar dalam
tutorial online, variasi nilainya 15, 20, 50, dan seterusnya. Contoh
lain jumlah kendaraan yang parkir pada hari Minggu, variasi
nilainya 12, 24, 40, dan seterusnya. Jika kita cermati, dalam variabel
diskret tidak mungkin mengandung pecahan, misalnya tidak
mungkin kita akan menemukan 4,5 mahasiswa, atau kita akan
menemukan 20,3 mobil.
b. Klasifikasi yang kedua berdasarkan bentuk angka atau tidaknya nilai

yang diperoleh. Dalam klasifikasi ini, variabel kita bedakan menjadi
variabel kuantitatif dan variabel kualitatif.
1) Variabel kuantitatif adalah variabel yang variasi nilainya dalam
bentuk angka. Contoh dari variabel kuantitatif antara lain usia
dengan variasi nilai 15 tahun, 20 tahun, dan seterusnya. Contoh lain
adalah jumlah konsumsi buah dalam seminggu dengan variasi nilai
3 buah, 5 buah, dan seterusnya.
2) Variabel kualitatif adalah variabel yang variasi nilainya tidak dalam
bentuk angka. Contoh dari variabel kualitatif antara lain jenis
kelamin dengan variasi nilai laki-laki dan perempuan. Contoh lain
Lokasi tempat tinggal mahasiswa, dengan variasi nilai Jawa,
Sumatera, Kalimantan, dan seterusnya.
Pengklasifikasian variabel bisa kita buat dalam bentuk bagan sebagai

berikut:
Bentuk Variabel Contoh
klasifikasi
Berdasarkan Variabel diskret Jumlah mahasiswa yang terdaftar dalam tutorial
bulat atau online, variasi nilainya 15, 20, 50.
tidaknya nilai Jumlah kendaraan yang parkir pada hari
yang diperoleh Minggu, variasi nilainya 12, 24, 40.
Berat gula pasir, dengan variasi nilai 2 kg; 2,5
kg, 3,7kg,
Variabel kontinu Indeks prestasi kumulatif (IPK) dengan variasi
nilai 2; 2,5; 3,75
Berdasarkan Variabel kuantitatif Usia dengan variasi nilai 15 tahun, 20 tahun.
bentuk angka Jumlah konsumsi buah dalam seminggu,
atau tidaknya dengan variasi nilai 3 buah, 5 buah.
nilai yang Jenis kelamin dengan variasi nilai laki-laki dan
diperoleh perempuan.
Variabel kualitatif Lokasi tempat tinggal mahasiswa, dengan
variasi nilai Jawa, Sumatera, Kalimantan.
 ISIP4215/MODUL 1 1.13
2. Data
Merupakan sejumlah informasi yang dapat memberikan gambaran
tentang suatu keadaan. Syarat data antara lain:
a. harus sesuai dengan kenyataan yang sebenarnya (memiliki akurasi yang
tinggi)
b. harus bisa mewakili parameter yang diukur dengan variasi yang kecil
c. harus relevan untuk menjawab suatu persoalan yang menjadi pokok
bahasan
d. harus tepat waktu.
Informasi yang ada pada umumnya diperoleh melalui observasi
(pengamatan) yang dilakukan terhadap sekumpulan individu, sekelompok
orang, dan berbagai objek lainnya. Informasi yang diperoleh dapat
memberikan keterangan, gambaran, atau fakta mengenai suatu persoalan baik
dalam bentuk kategori, maupun huruf atau bilangan. Seperti halnya variabel,
data juga sebaiknya kita buat dalam beberapa klasifikasi sebagai berikut:
a. Berdasarkan metode pengumpulan, data dibedakan menjadi:
1) data primer: data yang didapat dari sumber pertama, biasanya
melalui wawancara langsung atau melalui pengisian kuesioner;
2) data sekunder: data yang didapat dari sumber kedua dan seterusnya,
biasanya data ini merupakan data yang sudah diolah lebih lanjut.
Contoh data BPS, data yang ada dalam jurnal, buku, serta majalah.
b. Berdasarkan sifatnya, data dibedakan menjadi:
1) data kualitatif: data yang sifatnya hanya menggolongkan saja, atau
dengan kata lain data yang ada hanya bisa digunakan untuk
membedakan saja antara data satu dengan data lainnya. Biasanya
data ini memiliki skala ukur nominal dan ordinal. Contoh data
tentang jenis kendaraan, persepsi mahasiswa, serta lokasi tempat
tinggal
2) data kuantitatif: data yang sifatnya tidak hanya menggolongkan saja,
namun juga bisa menunjukkan bobot perbedaan antara data satu
dengan data lainnya. Data ini berbentuk angka. Contoh data tentang
besaran penghasilan, usia, serta jumlah kekayaan.
c. Berdasarkan sumbernya, data dibedakan menjadi:
1) data internal: data yang didapat dari dalam kelompok atau organisasi
dan menggambarkan keadaan yang ada dalam kelompok atau
organisasi tersebut. Contoh data tentang jumlah dosen yang ada di
FISIP UT.
2) data eksternal: data yang didapat dari luar kelompok atau organisasi
dan menggambarkan keadaan yang ada di luar kelompok atau
organisasi tersebut. Contoh data tentang jumlah perguruan tinggi
terakreditasi yang ada di Dikti.
d. Berdasarkan waktu pengumpulan, data dibedakan menjadi:
1) data time series: data yang dikumpulkan dari beberapa tahapan
waktu yang terjadi secara kronologis. Contoh data jumlah
mahasiswa yang registrasi dari tahun 2009 hingga tahun 2014.
2) data cross section: data yang dikumpulkan pada waktu tertentu saja.
Contoh data jumlah mahasiswa yang registrasi pada semester
2014.1.
Pengklasifikasian data bisa kita buat dalam bentuk bagan sebagai

berikut:
Bentuk
Data Contoh
klasifikasi
Berdasarkan Primer Transkrip wawancara
metode
pengumpulan Sekunder Data BPS
Berdasarkan Kualitatif Jenis kendaraan, persepsi mahasiswa
sifatnya Kuantitatif Besaran penghasilan, usia
Internal Jumlah dosen yang ada di FISIP UT
Berdasarkan
sumbernya Jumlah perguruan tinggi terakreditasi yang ada
Eksternal
di Dikti
Time series Jumlah mahasiswa yang registrasi dari tahun
Berdasarkan
2009 hingga tahun 2014
waktu
Jumlah mahasiswa yang registrasi pada
pengumpulan Cross section
semester 2014.1

konsep dasar statistika, kini cobalah Anda berikan contoh
tentang variabel, dan data yang pernah Anda temui dalam
kehidupan Anda sehari-hari
 ISIP4215/MODUL 1 1.15
B. SKALA PENGUKURAN
Skala bisa kita artikan sebagai perbandingan antarkategori dari sebuah

objek yang memiliki nilai berbeda. Dengan demikian, skala yang dimaksud
di sini merujuk pada variabel. Jika kita cermati pengertian tentang skala maka
kita harus memastikan bahwa ketika kita menentukan skala dari sebuah
variabel, harus didasarkan pada kategori yang melekat dalam variabel
tersebut. Dengan kata lain, sebuah variabel bisa memiliki skala yang berbeda-
beda bergantung pada kategori yang melekat di dalamnya. Contoh variabel
penghasilan, kita bisa kategorikan penghasilan ke dalam kategori tinggi,
sedang, dan rendah dan kita bisa kategorikan penghasilan ke dalam kategori 5
juta, 7 juta, atau 10 juta. Dengan kategori yang berbeda sekalipun variabelnya
sama, membuat variabel tersebut bisa kita klasifikasikan dalam skala yang
berbeda.
Sementara itu, pengukuran bisa kita artikan sebagai dasar yang
digunakan dalam setiap metode ilmiah. Dari kedua pengertian skala dan
pengukuran tersebut, kita bisa artikan skala pengukuran semacam
kesepakatan yang digunakan sebagai acuan untuk menentukan nilai yang ada
pada alat ukur sehingga ketika kita menggunakan alat ukur tersebut, akan
menghasilkan data yang sama dalam setiap kesempatan. Dalam statistika
dikenal adanya empat skala, yaitu skala nominal, skala ordinal, skala interval,
dan skala rasio. Skala pengukuran ini menjadi penting karena skala yang
berbeda akan menentukan uji statistik yang akan digunakan.
1. Skala Nominal
Skala nominal merupakan skala yang melekat pada variabel yang
kategorinya hanya bisa digunakan untuk membedakan antara satu kategori
dengan kategori lainnya. Kita tidak bisa mengatakan bahwa kategori yang
satu lebih baik dari kategori yang lain, atau kategori yang satu lebih tinggi
dari kategori yang lain karena kategori yang satu hanya berbeda dengan
kategori yang lain. Dengan demikian, skala nominal ini biasanya berupa
variabel dengan data kualitatif.
Dalam kegiatan penelitian, kita bisa saja memberikan angka pada
kategori dalam variabel berskala nominal, namun angka yang ada tidak bisa
dijadikan dasar untuk menentukan bobot dari kategori karena angka yang ada
hanya bisa digunakan untuk membedakan antarkategori. Tidak adanya bobot
yang bisa ditunjukkan angka yang digunakan, membuat kita bisa saja
mengganti angka yang ada dengan sembarang angka. Contoh yang paling
umum adalah variabel jenis kelamin dengan kategori laki-laki dan
perempuan. Kita hanya bisa membedakan bahwa yang satu adalah laki-laki
dan yang lain adalah perempuan dan tidak bisa mengatakan bahwa laki-laki
lebih baik dari perempuan atau sebaliknya. Kita bisa memberikan angka
untuk setiap kategori yang ada, misalnya angka 1 untuk laki-laki dan angka 2
untuk perempuan, namun demikian sekali lagi bahwa angka 2 tidak bisa
diartikan memiliki bobot yang lebih baik dibanding angka 1 sehingga tidak
menjadi masalah ketika ingin mengubah angka tersebut, misalnya angka 1
untuk perempuan dan angka 2 untuk laki-laki. Contoh lainnya adalah variabel
agama dengan kategori Islam, Katolik, Hindu, Budha, Kristen, serta Aliran
Kepercayaan. Angka yang digunakan dalam skala nominal hanya berfungsi
sebagai kode yang memiliki arti berbeda dengan angka tersebut.
2. Skala Ordinal
Skala ordinal merupakan skala yang melekat pada variabel yang
kategorinya selain menunjukkan adanya perbedaan, juga menunjukkan
adanya tingkatan yang berbeda. Dengan demikian, dalam skala ordinal kita
bisa menunjukkan bahwa kategori yang satu lebih baik dari kategori yang
lain, atau kategori yang satu lebih tinggi dari kategori yang lain, dan tentunya
termasuk di dalamnya, yaitu kategori yang satu berbeda dengan kategori
yang lain. Dengan kata lain, skala ordinal mencakup pula karakteristik yang
ada dalam skala nominal. Contoh variabel yang berskala ordinal adalah
penghasilan dengan kategori tinggi, sedang, dan rendah. Contoh variabel lain
adalah jabatan dengan kategori direktur, manajer, dan staf. Kategori yang ada
dalam kedua variabel tersebut, jelas menunjukkan adanya bobot yang
berbeda sehingga kita bisa katakan bahwa orang yang penghasilannya tinggi,
memiliki tingkatan yang lebih baik dibanding orang yang memiliki
penghasilan rendah, demikian pula jabatan direktur, tentunya memiliki
tingkatan yang lebih baik dibanding jabatan staf.
Seperti halnya dalam skala nominal, dalam skala ordinal kita juga
memanfaatkan angka-angka untuk menggambarkan kategori yang ada.
Dalam skala ordinal, angka yang digunakan selain untuk membedakan juga
untuk menunjukkan bobot yang berbeda sehingga jika dalam skala nominal
kita bisa mengganti angka secara sembarang maka dalam skala ordinal kita
harus memperhatikan bobotnya. Contoh penghasilan dengan kategori tinggi,
sedang, dan rendah, kita beri kode 1 rendah, 2 sedang, 3 tinggi. Kode itu
 ISIP4215/MODUL 1 1.17
tidak bisa kita ubah menjadi 1 tinggi, 2 rendah, 3 sedang. Angka yang tidak
bisa sembarang diubah terjadi karena angka tersebut juga menunjukkan
adanya tingkatan yang berbeda, bahwa 2 tentunya lebih besar dari 1, dan 3
lebih besar dari 2. Persamaannya adalah baik di skala nominal maupun di
skala ordinal, angka yang digunakan berfungsi sebagai kode yang memiliki
arti yang berbeda dengan angka tersebut.
3. Skala Interval
Skala interval merupakan skala yang melekat pada variabel yang
adanya tingkatan yang berbeda, dan juga menunjukkan adanya rentang nilai.
Dengan demikian, dalam skala interval kita bisa menunjukkan bahwa
kategori yang satu lebih baik dari kategori yang lain, atau kategori yang satu
lebih tinggi dari kategori yang lain, dan kategori yang satu berbeda dengan
kategori yang lain, namun juga kita bisa menunjukkan bahwa kategori yang
satu memiliki rentang nilai dari sekian sampai sekian, dan kategori lainnya
memiliki rentang nilai dari sekian sampai sekian. Dengan kata lain, skala
interval mencakup pula karakteristik yang ada dalam skala nominal dan skala
ordinal. Contoh variabel yang berskala interval adalah jarak tempuh dengan
kategori 0 sampai 25 km, 25 sampai 50 km, dan 50 sampai 75 km. Contoh
variabel lain adalah lamanya penerbangan dengan kategori 1 sampai 2 jam,
kategori 2 sampai 3 jam. Kategori yang ada dalam kedua variabel tersebut,
jelas menunjukkan adanya bobot yang berbeda sehingga kita bisa katakan
bahwa kendaraan yang memiliki jarak tempuh 0 sampai 25 km memiliki
jarak tempuh yang lebih sedikit, dibanding kendaraan dengan jarak tempuh
25 sampai 50 km. Namun demikian, kita tidak bisa mengatakan bahwa
kendaraan dengan jarak tempuh 25 sampai 50 km memiliki jarak tempuh dua
kali dibanding kendaraan dengan jarak tempuh 0 sampai 25 km.
4. Skala Rasio
Skala rasio merupakan skala yang melekat pada variabel yang
adanya tingkatan yang berbeda, menunjukkan adanya rentang nilai, serta bisa
diperbandingkan. Nilai yang ada bisa diperbandingkan karena adanya nol
mutlak, yang bisa diartikan bahwa setiap angka memulai dari titik nol yang
sama. Dengan demikian, dalam skala rasio kita bisa menunjukkan bahwa
kategori yang satu lebih baik dari kategori yang lain, atau kategori yang satu
lebih tinggi dari kategori yang lain, dan kategori yang satu berbeda dengan
kategori yang lain, namun juga kita bisa menunjukkan bahwa kategori yang
satu memiliki rentang nilai dari sekian sampai sekian, dan kategori lainnya
memiliki rentang nilai dari sekian sampai sekian. Kita bisa juga mengatakan
bahwa 8 adalah dua kalinya 4, atau 10 adalah lima kalinya 2. Dengan kata
lain, skala rasio mencakup pula karakteristik yang ada dalam skala nominal,
skala ordinal, dan skala interval. Contoh variabel yang berskala rasio adalah
penghasilan, dengan kategori 5 juta, 10 juta, dan 15 juta. Contoh lain berat
badan dengan kategori 32 kg, 64 kg, dan 75 kg. Jika kita perhatikan kategori
dari variabel berskala rasio, kita bisa perbandingkan antara kategori satu
dengan yang lain. Orang yang berat badannya 64 adalah dua kali berat badan
orang yang beratnya 32. Demikian pula, orang yang penghasilannya 10 juta
adalah dua kalinya dari orang yang penghasilannya 5 juta. Kita bisa
memperbandingkan nilai yang ada karena kedua kategori tersebut dimulai
dari titik nol yang sama. Kita coba lihat ilustrasi berikut:
0 5 10
Kalau kita bandingkan antara skala rasio dan skala nominal maupun ordinal,
mereka memiliki kesamaan, yaitu menggunakan angka-angka. Bedanya,
angka yang digunakan dalam skala nominal dan ordinal hanya merupakan
kode, bukan arti dari angka itu sendiri, misalnya 1 bukan berarti “satu”, tetapi
artinya “laki-laki” atau 2 bukan berarti “dua” tetapi artinya “perempuan”,
sedangkan dalam skala rasio, angka yang ada merupakan arti dari angka itu
sendiri, jadi kalau ditunjukkan angka 15 diartikan sebagai “lima belas”.
Secara skematis, skala dan karakteristiknya terlihat dalam skema berikut.
Karakteristik
Skala Beda Tingkatan Rentang nilai Perbandingan
Nominal √ - - -
Ordinal √ √ - -
Interval √ √ √ -
Rasio √ √ √ √
 ISIP4215/MODUL 1 1.19

skala pengukuran, kini cobalah Anda memberikan
contoh mengenai skala pengukuran yang pernah Anda
temui dalam kehidupan Anda sehari-hari
LAT IH A N

Tentukan skala dari variabel berikut:

1) Variabel jumlah buku, dengan kategori 2, 3, dan 4.
2) Variabel jumlah buku, dengan kategori 1 sampai 3, dan 4 sampai 6.
3) Variabel jumlah buku, dengan kategori banyak dan sedikit.
Pelajari kembali tentang karakteristik dari masing-masing skala

pengukuran. Dasar yang menentukan sebuah variabel berskala apa adalah
kategorinya. Diskusikan dengan rekan Anda.
R A NG KU M AN
Data adalah informasi. Data bisa kita klasifikasi ke dalam beberapa

jenis, yaitu berdasarkan metode pengumpulan, data dibedakan menjadi
data primer dan data sekunder. Berdasarkan sifatnya, data dibedakan
menjadi: data kualitatif dan data kuantitatif. Berdasarkan sumbernya,
data dibedakan menjadi: data internal dan data eksternal. Berdasarkan
waktu pengumpulan, data dibedakan menjadi: data time series dan data
cross section.
Variabel adalah sebuah konsep yang memiliki variasi nilai. Variasi
nilai dari sebuah variabel kita sebut sebagai kategori. Variabel bisa kita
klasifikasi ke dalam beberapa jenis. Berdasar bulat tidaknya angka,
variabel kita bagi menjadi variabel diskret dan variabel kontinu.
Berdasar bentuk angka atau tidaknya, variabel kita bagi menjadi variabel
kuantitatif dan variabel kualitatif.
Skala pengukuran diartikan sebagai kesepakatan yang digunakan

sebagai acuan untuk menentukan nilai yang ada pada alat ukur sehingga
ketika kita menggunakan alat ukur tersebut, akan menghasilkan data
yang sama dalam setiap kesempatan. Dalam statistika dikenal adanya
empat skala, yaitu skala nominal, skala ordinal, skala interval, dan skala
rasio. Dasar yang digunakan untuk menentukan skala dari sebuah
variabel adalah kategori yang dimiliki variabel tersebut.
TES F OR M AT IF 2
1) Variabel yang kategorinya berfungsi hanya untuk membedakan saja,

termasuk dalam skala ....
A. nominal
B. ordinal
C. interval
D. rasio
2) Variabel yang kategorinya berfungsi untuk membedakan dan

menunjukkan adanya tingkatan, termasuk dalam skala ....
A. nominal
B. ordinal
C. interval
D. rasio
3) Variabel yang kategorinya berfungsi untuk membedakan, menunjukkan

adanya tingkatan, serta memiliki rentang nilai, termasuk dalam skala ....
A. nominal
B. ordinal
C. interval
D. rasio
4) Variabel yang kategorinya memiliki nol mutlak adalah variabel yang

berskala ....
A. nominal
B. ordinal
C. interval
D. rasio
 ISIP4215/MODUL 1 1.21
5) Skala yang memiliki karakteristik dari keempat skala pengukuran yang

ada adalah skala ....
A. nominal
B. ordinal
C. interval
D. rasio


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

meneruskan dengan modul selanjutnya. Bagus! Jika masih di bawah 80%,
belum dikuasai.
Kunci Jawaban Tes Formatif
Tes Formatif 1
1) A. Statistika. Statistika diartikan sebagai ilmu yang mengumpulkan,
menata, menyajikan, menganalisis, serta menginterpretasikan data
angka dengan tujuan membantu pengambilan keputusan yang
efektif.
2) B. Inferensia. Berdasar aktivitas yang dilakukan, statistika dibagi
menjadi statistika deskriptif dan statistika inferensia.
3) A. Nonparametrik. Berdasar metodenya, statistika dibagi menjadi
statistik parametrik dan nonparametrik
4) D. Korelasi pearson. Uji statistik yang termasuk dalam statistika
parametrik adalah uji t, uji z, serta uji korelasi pearson.
5) A. Chi Square. Uji statistik yang termasuk dalam statistika non-
parametrik adalah uji chi square, uji wilcoxon, serta uji spearman.
Tes Formatif 2
1) A. Nominal. Variabel yang kategorinya berfungsi hanya untuk
membedakan, termasuk dalam skala nominal.
2) B. Ordinal Variabel yang kategorinya berfungsi untuk membedakan,
dan menunjukkan adanya tingkatan, termasuk dalam skala ordinal.
3) C. Variabel yang kategorinya berfungsi untuk membedakan,
menunjukkan adanya tingkatan, serta memiliki rentang nilai
termasuk dalam skala interval.
4) D. Rasio. Variabel yang kategorinya memiliki nol mutlak adalah
variabel yang berskala rasio.
5) D. Rasio. Skala yang memiliki karakteristik dari keempat skala
pengukuran yang ada adalah skala rasio.
 ISIP4215/MODUL 1 1.23
Glosarium
Data : Informasi yang dapat memberikan gambaran tentang

suatu keadaan.
Data primer : data yang dikumpulkan dan diolah sendiri oleh
peneliti, langsung dari responden penelitiannya.
Data sekunder : data yang diperoleh dalam bentuk yang sudah jadi,
yaitu diolah dan disajikan oleh pihak lain.
Kategori : variasi nilai dari variabel.
Populasi : keseluruhan elemen yang akan diteliti.
Skala interval : skala yang melekat pada variabel yang kategorinya
selain menunjukkan adanya perbedaan, juga
menunjukkan adanya tingkatan yang berbeda, dan
juga menunjukkan adanya rentang nilai.
Skala nominal : skala yang melekat pada variabel yang kategorinya
hanya bisa digunakan untuk membedakan antara satu
kategori dengan kategori lainnya.
Skala ordinal : skala yang melekat pada variabel yang kategorinya
menunjukkan adanya tingkatan yang berbeda.
Skala rasio : skala yang melekat pada variabel yang kategorinya
menunjukkan adanya tingkatan yang berbeda,
menunjukkan adanya rentang nilai, serta bisa
diperbandingkan.
Skala pengukuran : kesepakatan yang digunakan sebagai acuan untuk
menentukan nilai yang ada pada alat ukur sehingga
ketika kita menggunakan alat ukur tersebut, akan
menghasilkan data yang sama dalam setiap
kesempatan.
Statistik : suatu kumpulan yang tersusun lebih dari satu angka.
Statistika : ilmu yang mengumpulkan, menata, menyajikan,
menganalisis, serta menginterpretasikan data angka
dengan tujuan membantu pengambilan keputusan
yang efektif.
Statistika deskriptif : penggambaran data yang telah dikumpulkan.

Statistika inferensia : cara menganalisis data serta mengambil kesimpulan
(terkait dengan estimasi parameter dan pengujian
hipotesis).
Statistika non- bagian dari statistika inferensia yang tidak
parametrik : memperhatikan nilai dari satu atau lebih parameter
populasi.
Statistika parametrik: bagian dari statistika inferensia yang
mempertimbangkan nilai dari satu atau lebih
parameter populasi seperti rata-rata hitung, standar
deviasi, dan korelasi.
Variabel : suatu konsep yang memiliki serangkaian (variasi)
nilai (kategori) atau jumlah.
Variabel diskret : variabel yang besarannya tidak dapat menempati
semua nilai.
Variabel kontinu : variabel yang besaran nilainya dapat menempati
semua nilai yang berada di antara dua titik.
Variabel kualitatif : variabel yang variasi nilainya tidak dalam bentuk
angka.
Variabel kuantitatif : variabel yang variasi nilainya dalam bentuk angka.
 ISIP4215/MODUL 1 1.25
Daftar Pustaka
Anto Dajan. 1995. Pengantar Metode Statistik Jilid I. Jakarta: LP3S.
Delbert C. Miller. 1991. Handbook of Research Design and Social

Measurement. 5thed. Newbury Park: Sage publication.
Earl Babbie. 1995. The Practice of Social Research. 7th ed. Belmont:
Wadsworth Publishing Company.
Gordon Marshall. 1994. Concise Dictionary of Sociology. Oxford: New

York.
J. Supranto. 1982. Statistik untuk Pimpinan & Usahawan. Jakarta: Penerbit

Erlangga
Kenneth D. Bailey. 1994. Methods of Social Research. 4th ed. New York: The
Free Press
Lind, A. Dauglass, William G. Marchal and Robert D. Mason, 2002,

Statistical Techniques in Business & Economics, McGraw-Hill Irwin.
Nachmias and Nachmias. 1992. Research Methods in the Social Science. 4th
ed. New York: St. Martin's
Natalia L. Sproull. 1998. Handbook of Research Methods aguide for

practitioners and students in the social sciences. Metuchen, N.J.: The
Screcrow Press
Ott.. et.al. 1992. Statistics A Tool for the Social Sciences. 5thed. Belmont,
California: Duxburypress.
Purwanto, Suharyadi, 2003. Statistika untuk Ekonomi dan Keuangan

Modern, Jakarta: Salemba Empat.
W. Lawrence Neuman. 1997. Social Research Methods Qualitative and

Quantitative Aprroaches. 3rd .ed. Boston: Allyn and Bacon.
Modul 2
Penyajian Data
PEN D A HU L UA N
D ata yang telah dikumpulkan dalam suatu penelitian harus disusun dan
disajikan dalam bentuk yang mudah untuk dipahami. Penyusunan dan
penyajian data ini, akan membantu pihak-pihak yang terkait dengan hasil
penelitian yang kita lakukan. Hal ini menjadi penting terutama apabila
jumlah data yang kita kumpulkan sangat banyak. Selain untuk kepentingan
analisis, penyusunan dan penyajian data ini juga untuk memudahkan orang
lain melihat hasil penelitian kita.
Penyajian data dapat dikelompokkan menjadi penyajian data untuk data
kualitatif dan penyajian data untuk data kuantitatif. Pembagian ini didasarkan
pada penentuan dari skala variabel. Seperti telah Anda pelajari pada Modul 1
bahwa ada empat macam skala, yaitu nominal, ordinal, interval, dan rasio.
Penyajian data dengan skala nominal dan ordinal lebih bersifat kualitatif,
sedangkan penyajian data dengan skala interval dan rasio bersifat kuantitatif.
Data yang kita kumpulkan dalam suatu penelitian dapat berupa angka-
angka ataupun informasi-informasi tertentu. Angka-angka atau informasi-
informasi tersebut, harus kita sederhanakan terlebih dahulu. Angka-angka
kita masukan dalam kategori kelas-kelas interval, misalnya usia responden
kita susun dalam interval kelas 2130, 3140, dan 4150. Sementara itu,
informasi yang kita peroleh kita klasifikasikan dalam kategori-kategori
tertentu, misalnya jenis kelamin responden kita kategorikan ke dalam laki-
laki dan perempuan. Data tersebut kemudian kita susun berdasarkan kategori-
kategori tersebut. Susunan tersebut dikenal dengan istilah tabel frekuensi.
Tabel frekuensi memiliki komponen-komponen sebagai berikut.
No tabel
Judul Tabel
Jumlah data (N=)
Kategori Frekuensi Persentase
Sumber data:
Seperti terlihat dalam contoh tabel di atas, suatu tabel harus ada hal
seperti berikut ini.
1. No tabel. Nomor tabel ini untuk mempermudah pengidentifikasian
jumlah tabel yang ada dalam suatu karya ilmiah. Untuk setiap bab bisa
dimulai dengan angka awal sehingga untuk bab satu, nomor tabel yang
digunakan I.1, I.2, I.3, dan seterusnya. Untuk Bab dua digunakan II.1,
II.2, II.3, dan seterusnya.
2. Judul tabel. Pemberian judul dimaksudkan untuk mempermudah
pembaca membandingkan antara satu tabel dengan tabel lain.
3. Jumlah data. Dalam tabel biasanya digunakan notasi N = .... . Jumlah
data ini juga ditampilkan untuk mempermudah pembaca mengetahui
secara cepat berapa jumlah data, atau biasanya dalam hal ini jumlah
responden.
4. Kolom pertama dari suatu tabel umumnya berisikan kategori. Kategori
ini dapat berupa angka, dapat pula berisikan informasi penggolongan.
Kategori yang bukan berupa angka merupakan ciri penyajian data
kualitatif, sedangkan kategori yang berupa angka merupakan ciri
penyajian data kuantitatif. Kategori pada setiap kelas tidak boleh
tumpang tindih. Hal ini dimaksudkan agar setiap informasi yang ada
dapat dimasukkan ke dalam salah satu kelas.
5. Kolom kedua dari suatu tabel adalah frekuensi. Frekuensi menunjukkan
berapa banyak kategori yang ada dipilih oleh responden. Frekuensi ini
yang digunakan untuk menentukan persentase dari setiap kategori.
6. Kolom selanjutnya adalah kolom persentase. Persentase ini
menunjukkan proporsi dari frekuensi setiap kelas. Cara mendapatkannya
adalah frekuensi setiap kelas dibagi banyaknya data, kemudian dikali
100%.
7. Sumber data dan keterangan harus dicantumkan. Sumber data ini

berguna untuk membetulkan kembali, jika terjadi kesalahan data. Selain
itu, untuk menghindari penggunaan data kepunyaan orang lain.
Selain menggunakan tabel frekuensi, data juga dapat disajikan dengan

menggunakan diagram. Diagram membuat penyajian data menjadi lebih
menarik dan perbandingan setiap kategori lebih mudah terlihat. Diagram ini
dapat dibuat dari data yang belum tersusun maupun dari data yang sudah
tersusun dalam tabel frekuensi.
Untuk membuat sebuah diagram, kita harus memperhatikan hal-hal
berikut ini:
1. Suatu diagram seharusnya berisi mengenai keseluruhan informasi data
yang disajikan sehingga pembaca tidak perlu lagi mencari informasi
untuk memahami diagram di dalam teks.
2. Seperti halnya tabel frekuensi, diagram juga harus memiliki nomor
diagram, judul, serta jumlah data. Bedanya, nomor dan judul diagram
diletakkan di bawah diagram.
3. Untuk data interval rasio angka dari setiap kategori harus jelas terlihat.
Bila data disederhanakan maka ukuran yang digunakan harus jelas
terlihat. Data disajikan dalam ukuran jutaan maka 10 juta harus tertulis
10, sedangkan 500 ribu harus tertulis 0.5 juta. Keterangan ukuran ini
biasanya ditampilkan di bagian bawah diagram.
Penyajian data yang dilakukan dengan menggunakan diagram atau grafik

memiliki kelebihan dibanding dengan menggunakan tabel frekuensi, namun
juga ada kelemahannya. Kelebihan dan kelemahan penggunaan grafik dapat
kita lihat dalam tabel berikut.
Keuntungan dan kerugian dari grafik

Kelebihan Kelemahan
1. Lebih mudah diingat. 1. Penyajiannya harus sesuai
2. Lebih menarik. tujuan.
3. Informasi visual & dapat 2. Gambaran umum.
diperbandingkan. 3. Dipengaruhi oleh skala.
4. Dapat menyajikan perubahan
hubungan
Penyajian data yang kita pelajari dalam modul ini, meliputi penyajian
data dalam bentuk tabel dan diagram. Bentuk tabel dan diagram yang
diuraikan dibedakan berdasarkan jenis datanya, yaitu data kualitatif dan data
kuantitatif. Selain bentuk penyajian data, dibahas pula bagaimana
penyederhanaan data serta interpretasi data dari setiap bentuk penyajian.
Modul ini akan banyak berguna bagi mahasiswa, dan juga bagi mereka
yang bekerja dengan mengandalkan pada data. Boleh di kata hampir semua
bidang pekerjaan bertumpu pada data. Pengambil kebijakan, bidang
pemasaran, industri, dan lainnya banyak bergantung pada informasi yang
selanjutnya kita sebut dengan data.
Setelah mempelajari modul ini, Anda diharapkan mampu menjelaskan
mengenai cara menyederhanakan, menyajikan, dan menginterpretasikan data
hasil penelitian.
Selain itu, secara lebih khusus dengan mempelajari modul ini, Anda
diharapkan dapat:
1. menjelaskan penyajian dalam bentuk tabel;
2. membuat dan menginterpretasikan penyajian data dalam bentuk tabel;
3. menjelaskan penyajian dalam bentuk diagram;
4. membuat dan menginterpretasikan penyajian data dalam bentuk diagram.
Kegiatan Belajar 1
Penyajian Data Kualitatif
D ata kualitatif umumnya dihasilkan dari pertanyaan-pertanyaan terbuka.

Pertanyaan terbuka adalah pertanyaan yang kategori jawabannya tidak
dibatasi oleh si peneliti. Karena jawabannya tidak dibatasi maka akan banyak
sekali alternatif jawaban. Sebagai contoh, “Mengapa Anda mencari kerja di
kota?” Jawaban dari pertanyaan ini bisa bermacam-macam di antaranya
berikut ini.
1. Di kota lebih mudah mencari pekerjaan.
2. Kota lebih menjanjikan karier tinggi.
3. Kota lebih banyak peluang.
4. Pekerjaan apa pun dapat menghasilkan uang
5. Di desa terjadi kekeringan.
6. Di desa terjadi gagal panen karena serangan hama.
7. Di desa tidak ada pekerjaan yang sesuai dengan pendidikan.
Jawaban-jawaban di atas tentunya masih bisa bertambah. Apabila

disajikan langsung maka akan ada jawaban yang sebenarnya sama, misalnya
“di kota lebih mudah mencari pekerjaan”, sama dengan jawaban “kota lebih
banyak peluang”, dan sama juga dengan jawaban “pekerjaan apa pun
menghasilkan uang”. Untuk itulah, semua alternatif jawaban yang sama perlu
dikumpulkan kemudian dibuat suatu kategori baru seperti berikut ini.
1. Di kota lebih mudah mencari pekerjaan.

2. Kota lebih banyak peluang. di kota mudah
mendapatkan pekerjaan
3. Pekerjaan apa pun dapat menghasilkan.
5. Di desa terjadi kekeringan.
keadaan alam desa
6. Di desa terjadi gagal panen.
7. Di desa tidak ada pekerjaan.
Dari pengelompokan di atas maka kategori data menjadi lebih sedikit.

Dari 7 kategori yang ada dapat kita sederhanakan menjadi 4 kategori, yaitu
sebagai berikut.
1. Di kota mudah mendapatkan pekerjaan.
3. Keadaan alam di desa.
4. Di desa tidak ada pekerjaan yang sesuai dengan pendidikan.
Pengurangan kategori ini tentunya akan mempermudah kita dalam

menginterpretasikan data yang ada. Satu hal yang perlu diperhatikan dalam
penyederhanaan data ini adalah dalam proses penggabungan yang dilakukan,
tidak boleh menghilangkan informasi yang ada seperti sebelum proses
penggabungan dilakukan.
A. PENYAJIAN DAN INTERPRETASI DATA
Data kualitatif merupakan data yang memperlihatkan karakteristik-

karakteristik dari suatu objek penelitian. Oleh karena itu, data kualitatif tidak
menampilkan kategori dalam bentuk angka. Penampilan dalam bentuk angka
justru akan menghilangkan informasi yang dimiliki oleh data kualitatif.
Tingkatan pengukuran yang biasa diberikan untuk data kualitatif adalah skala
nominal dan ordinal. Skala nominal akan mengklasifikasikan setiap data ke
dalam kategori-kategori tertentu, sedangkan dengan skala ordinal akan
didapatkan peringkat dari setiap kategori. Data kualitatif dapat disajikan
dalam bentuk tabel dan diagram.
1. Penyajian dan Interpretasi Data dalam Bentuk Tabel Frekuensi

Tabel yang digunakan untuk data kualitatif disebut dengan tabel
distribusi frekuensi kualitatif. Ciri dari tabel untuk data kualitatif ini
diperlihatkan pada pembagian kelas yang didasarkan oleh kategori-kategori
tertentu. Sebagai contoh, kita akan coba melihat variabel Alasan Pemilihan
Perguruan Tinggi.
Tabel 2.1
Alasan Pemilihan Perguruan Tinggi
N = 140
Kategori Frekuensi ( f) Persentase (%)

Perguruan tinggi favorit 20 14.29
Kualitas pengajar 30 21.43
Jarak dengan rumah 10 7.14
Biaya perkuliahan 45 32.14
Fasilitas belajar-mengajar 35 25.00
Total 140 100
Sumber: fiktif.
Berdasar Tabel 2.1 maka kita bisa menginterpretasikan bahwa biaya

pendidikan menjadi faktor penting dalam pemilihan perguruan tinggi, yaitu
sebesar 32,14%. Faktor lainnya yang cukup signifikan menjadi alasan
pemilihan perguruan tinggi adalah fasilitas belajar-mengajar, yaitu sebesar
25% dari keseluruhan responden yang diteliti.
Tabel 2.1 merupakan contoh tabel dengan skala pengukuran nominal.
Sekarang marilah kita perhatikan contoh tabel dengan skala pengukuran
ordinal. Perbedaan kedua tabel tentunya pada kategori. Kategori pada skala
ordinal akan memperlihatkan adanya tingkatan, sedangkan pada skala
nominal kategori yang ada hanya sekadar menggambarkan pengklasifikasian
data. Contoh variabel skala ordinal adalah status sosial ekonomi responden.
Tabel 2.2
Status Sosial Ekonomi Responden N= 80

Rendah 24 30
Sedang 40 50
Tinggi 16 20
Total 80 100
Sumber data: fiktif.
Berdasar Tabel 2.2 ini kita bisa melakukan interpretasi bahwa sebagian
besar responden memiliki status sosial ekonomi yang sedang, yaitu sebanyak
50%.
Saudara mahasiswa, Anda telah mempelajari tentang penyajian data

untuk variabel yang bersifat kualitatif dengan menggunakan tabel
frekuensi. Kini cobalah Anda membuat sebuah tabel frekuensi untuk
data yang Anda miliki, kemudian cobalah Anda interpretasikan data
yang ada.
2. Penyajian dan Interpretasi Data dalam Bentuk Diagram
a. Diagram Lingkaran (Pie Chart)

Diagram lingkaran merupakan diagram yang dapat digunakan untuk
semua tingkatan pengukuran. Pada diagram lingkaran ini, data yang ada
digambarkan dalam bentuk lingkaran, di mana lingkaran tersebut dibagi atas
sejumlah kategori yang ada. Untuk setiap kategori wilayah yang didapatnya
n 0
didasarkan pada perhitungan sebagai berikut  360 , di mana n adalah
N
frekuensi tiap kategori atau kelas dan N adalah jumlah keseluruhan data.
n
Rumus ini juga bisa diganti dengan rumus  100% . Kini kita coba
N
gunakan tabel 2 untuk menghasilkan diagram lingkaran sebagai berikut.
Diagram 2.1
Status Sosial Ekonomi N=80
Pada Diagram 2.1 terlihat bahwa yang paling banyak dikemukakan oleh
mahasiswa dalam memilih perguruan tinggi adalah biaya pendidikannya
yang tidak terlalu mahal, yaitu sebesar (33%).
Pada data yang terbagi dalam beberapa kategori yang cukup banyak dan
setiap kategori memiliki frekuensi yang hampir sama maka diagram
lingkaran kurang dapat menunjukkan tingkatan setiap kategori. Banyaknya
kategori dianjurkan tidak lebih dari 7 karena akan sulit untuk
membandingkan perbedaan (besar-kecilnya) tiap bagian kategori atau
frekuensi. Kita coba perhatikan diagram lingkaran yang memiliki kategori
yang banyak sebagai berikut. Anda tentunya akan sulit untuk membedakan
setiap kategorinya.
Diagram 2.2
Pilihan Partai N = 80
3% partai A
partai B
6% 0% 13% partai C
3%
partai D
6%
9% partai E
6% partai F
partai G
13% partai H
13% partai I
3% partai J
16% 9% partai K
partai L
partai M
b. Diagram Batang (Bar Graph)

Pada diagram batang setiap kategori diwakilkan oleh suatu persegi
panjang, di mana tinggi dari setiap persegi panjang ditentukan oleh frekuensi
masing-masing kategori. Oleh karena itu, dalam diagram batang digunakan 2
macam sumbu, yaitu sumbu horizontal dan sumbu vertikal. Pada sumbu
horizontal diletakkan kategori dari variabel, sedangkan sumbu vertikal

merupakan frekuensi dari setiap kategori. Salah satu hal penting yang harus
diperhatikan dalam membuat diagram batang adalah penempatan batang
harus terpisah antara satu batang dengan yang lain. Mengapa demikian? Ingat
bahwa skala yang digunakan adalah skala nominal dan ordinal yang bisa juga
kita kelompokkan ke dalam variabel diskret. Masih ingat tentang variabel
diskret? Kategori untuk variabel diskret merupakan bentuk bilangan bulat
sehingga dalam pembuatan batang juga harus terpisah, sehingga
melambangkan sifatnya yang tidak mengandung pecahan. Untuk memberikan
gambaran tentang sebuah diagram batang, kita gunakan lagi data yang ada
pada Tabel 2.1
Diagram 2.3
N = 140

untuk variabel yang bersifat kualitatif dengan menggunakan diagram
atau grafik. Kini cobalah Anda membuat sebuah grafik untuk data
yang Anda miliki, kemudian cobalah Anda interpretasikan data yang
ada. Anda bisa juga menggunakan tabel yang sudah Anda miliki saat
mengerjakan tugas pada bagian sebelumnya, dengan demikian Anda
bisa melakukan perbandingan dalam penyajian datanya.
 ISIP4215/MODUL 2 2.11
B. PENYAJIAN DAN INTERPRETASI DATA MENGGUNAKAN

SPSS
Saudara mahasiswa, seperti sudah kita ketahui bersama, dalam ilmu

sosial kita bisa menggunakan program komputer dalam mengolah data. Di
sini, kita akan melihat bagaimana tampilan yang disajikan jika kita
menggunakan program SPSS. Untuk tampilan tabel frekuensi, kita lihat
hasilnya sebagai berikut:
1. Tabel Frekuensi Hasil Pengolahan Data dengan SPSS
Tabel 2.3
TabelStatus Sosial
3 status Ekonomi
sosial ek onomi
Cumulative
Frequency Percent Valid Percent Percent
Valid rendah 363 76.6 76.6 76.6
sedang 27 5.7 5.7 82.3
tinggi 84 17.7 17.7 100.0
Total 474 100.0 100.0
Kalau kita perhatikan tabel frekuensi yang ditampilkan dengan

menggunakan program SPSS (lihat Tabel 2.3) maka akan terlihat beberapa
perbedaan seperti jumlah kolom yang ditampilkan. Pada kolom yang
pertama, menunjukkan kategori seperti halnya yang terdapat pada tabel
frekuensi yang dibuat secara manual. Demikian pula kolom berikutnya, yaitu
kolom frekuensi dan kolom persentase, memiliki kesamaan dengan kolom
yang terdapat dalam tabel frekuensi secara manual. Kolom berikutnya sedikit
berbeda, karena tidak ada pada tabel frekuensi manual. Kolom valid percent
pada dasarnya sama dengan kolom percent, terutama dalam hal
perhitungannya, hanya saja dalam kolom percent, persentase dihitung dari
keseluruhan responden yang ada, sedangkan dalam kolom valid percent
sudah memperhitungkan missing value atau data yang dianggap hilang. Apa
yang dimaksud dengan missing value atau data yang dianggap hilang? Data
yang hilang terjadi karena, misalnya saja ada responden yang tidak menjawab
pertanyaan yang diajukan sehingga dari seluruh responden yang ada,
responden yang tidak menjawab tidak diperhitungkan dalam menghitung
persentasenya. Kita ambil saja contoh dari tabel berikut ini yang memiliki
missing value.
Tabel 2.4
TabelStatus Sosial
4 status Ekonomi
sosial ekonomi
Cumulative
Frequency Percent Valid Percent Percent
Valid rendah 354 74.7 76.1 76.1
sedang 27 5.7 5.8 81.9
tinggi 84 17.7 18.1 100.0
Total 465 98.1 100.0
Missing tidak menjawab 9 1.9
Total 474 100.0
Coba Anda bandingkan antara Tabel 2.3 dan Tabel 2.4, terutama pada
kolom percent dan valid percent. Bandingkan juga antara kolom percent dan
kolom valid percent yang ada pada Tabel 2.4, maka Anda akan menemukan
perbedaan angka. Pada Tabel 2.3, kita belum memperhitungkan missing
value, sementara pada Tabel 2.4 kita sudah memperhitungkan missing value.
Kini kita bandingkan antara kolom percent dan valid percent yang ada pada
Tabel 2.4. Pada kolom percent, responden yang tidak menjawab masih
diperhitungkan dalam menghitung persentasenya, sedangkan pada kolom
valid percent, responden yang tidak menjawab sudah tidak diperhitungkan
lagi. Hal ini mengakibatkan persentase untuk responden yang memiliki status
sosial ekonomi yang rendah, berbeda antara kolom percent dan valid percent.
Dalam analisis data, kita akan menggunakan kolom valid percent. Dengan
demikian, berdasar Tabel 2.4 maka kita bisa menginterpretasikan bahwa
sebagian besar responden memiliki status sosial ekonomi yang rendah
(76,1%). Ingat yang digunakan adalah kolom valid percent. Kolom
berikutnya menunjukkan akumulasi persentase yang didapat dengan
menjumlahkan nilai yang ada dengan nilai sebelumnya. 76,1% didapat
dengan menjumlahkan nilai yang ada pada kategori rendah (76,1) dengan
akumulasi nilai sebelumnya (0). 81,9% didapat dengan menjumlahkan nilai
yang ada pada kategori sedang (5,8) dengan akumulasi nilai sebelumnya
(76,1). Demikian pula nilai 100% didapat dengan menjumlahkan nilai yang
ada pada kategori tinggi (18,1) dengan akumulasi nilai sebelumnya (81,9).
 ISIP4215/MODUL 2 2.13
2. Diagram atau Grafik Hasil Pengolahan Data dengan SPSS

Seperti halnya tabel frekuensi, kita juga bisa menyajikan berbagai grafik
dengan menggunakan program SPSS, dan hasilnya bisa kita lihat berikut ini:
Diagram batang
Grafik 2.4
Grafik 4 Status Sosial Ekonomi
status sosial ekonomi
400
354
300
200
100
84
Count
0 27
Missing rendah sedang tinggi
status sosial ekonomi
Pie chart (grafik lingkaran)

grafik 5
Grafik 2.5
Status
status Sosial
sosial Ekonomi
ekonomi
tinggi
84 / 18%
sedang
27 / 6% Missing
9 / 2%
rendah
354 / 75%
LAT IH A N

Buatlah tabel berikut ke dalam beberapa diagram yang sesuai!
Tabel 2.5
Jenis Pekerjaan Pengunjung Puskesmas dalam Satu Minggu
N=200
Jenis Pekerjaan Frekuensi
Pegawai Negeri 36
Pegawai Swasta 17
ABRI 35
Pensiunan 67
Tidak Bekerja 45
Total 200
Sumber: Fiktif.
1) Buatlah persentase masing-masing kategori.

2) Perhatikanlah ciri-ciri dari masing-masing diagram dan buatlah ke dalam
diagram yang berbeda.
3) interpretasikanlah data tersebut dan diskusikan dengan teman Anda
R A NG KU M AN
Pada penyajian data kualitatif kategori yang ditampilkan tidak

berupa angka. Hal ini berkaitan erat dengan data kualitatif dan skala
pengukurannya. Skala pengukuran yang dipergunakan untuk data
kualitatif adalah skala nominal dan ordinal. Skala nominal
memperlihatkan klasifikasi atau penggolongan data, sedangkan skala
ordinal memperlihatkan tingkatan dari data.
Apabila kategori data yang dihasilkan dalam suatu penelitian cukup
banyak maka data perlu disederhanakan terlebih dahulu dengan cara
menggabungkan beberapa informasi yang memiliki kesamaan sifat.
Untuk keperluan interpretasi data, setiap frekuensi harus dibuat ke dalam
persentase. Persentase inilah yang digunakan untuk menginterpretasikan
data yang ada.
 ISIP4215/MODUL 2 2.15
Penyajian data kualitatif terbagi menjadi dua bentuk, yaitu tabel dan
diagram. Tabel data kualitatif disebut dengan tabel frekuensi kualitatif.
Jenis diagram yang merupakan bentuk penyajian data kualitatif adalah
diagram lingkaran dan diagram batang.
TES F OR M AT IF 1
Tabel 2.6
Tingkat Pendidikan Warga Masyarakat Desa Sukamulya
N=90
Kategori Frekuensi
Sekolah Dasar 10
SMP 25
SMU 50
Perguruan Tinggi 5
Total 90
Sumber: Fiktif.
1) Diagram batang yang tepat untuk tabel 6 adalah ....
2) Interpretasi data yang tepat untuk tabel 6 adalah ....

A. tingkat pendidikan dasar di desa tersebut masih cukup besar, yaitu
25%
B. tingkat pendidikan menengah di desa tersebut cukup besar, yaitu
83,33%
C. tingkat pendidikan warga desa cukup baik sebab sebagian besar
warganya (55%) berpendidikan SMU dan perguruan tinggi
D. tingkat pendidikan warga desa cukup baik sebab 75% warganya
berpendidikan tinggi
3) Berdasarkan Tabel 2.6 Persentase warga masyarakat yang tingkat

pendidikannya SMU sebesar ....
A. 0,55%
B. 0,56%
C. 55,55%
D. 55,56%
4) Data pada Tabel 2.6 memiliki sifat ....

A. penggolongan dan ada jarak
B. peringkat dan ada jarak
C. penggolongan dan peringkat
D. penggolongan dan ada jarak
5) Pada diagram lingkaran, besarnya wilayah ditentukan oleh nilai ....

A. frekuensi
B. persentase
C. kategori
D. jumlah kategori


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
 ISIP4215/MODUL 2 2.17
Kegiatan Belajar 2
Penyajian Data Kuantitatif
P enggunaan skala pengukuran interval dan rasio akan menghasilkan data

kuantitatif. Data kuantitatif ini berbentuk angka-angka, oleh karenanya
kategori-kategori yang digunakan juga akan berbentuk angka. Penyajian data
ini juga bisa dalam bentuk tabel dan diagram.
A. PENYEDERHANAAN DATA
Dalam pengumpulan data di lapangan, sering kali jawaban responden

memiliki variasi jawaban yang sangat banyak sehingga jika kita tampilkan
apa adanya maka data tersebut sulit untuk kita analisis. Langkah yang bisa
kita lakukan adalah data tersebut harus dikelompokkan ke dalam kelompok-
kelompok angka. Pengelompokan angka-angka ini dinamakan dengan istilah
kelas, sedangkan rentang antara satu angka dengan angka lainnya dinamakan
dengan interval kelas. Proses ini disebut dengan penyederhanaan data atau
pengelompokan data. Salah satu cara yang bisa dilakukan adalah dengan
menggunakan kaidah Sturgess.
Langkah yang harus dilakukan adalah sebagai berikut.
Langkah Pertama
Dalam langkah pertama ini, kita akan mencari nilai pengamatan yang
terkecil dan yang terbesar dari pengamatan. Kemudian kita menentukan nilai
L dan nilai H. Nilai L diperoleh dengan cara mengurangi nilai pengamatan
terkecil sebesar setengah unit (nilai pengamatan terkecil – 0,5), sedangkan
nilai H diperoleh dengan cara menambahkan nilai pengamatan terbesar
sebesar setengah unit (nilai pengamatan terbesar + 0,5). Dengan telah
ditentukannya nilai L dan H maka kita dapat menghitung nilai Rentang (R)
dengan rumus:
Range = (nilai observasi terbesar + 0,5) – (nilai observasi terkecil – 0,5)

Atau
R=H–L
Langkah Kedua
Dalam penyajian data yang dikelompokkan, kita harus menentukan
banyaknya kategori atau kelas yang akan dibuat. Untuk keseragaman dalam
penentuan banyaknya kelas, dapat digunakan kaidah Sturgess. Dengan
menggunakan kaidah Sturgess banyak kategori atau kelas yang ditentukan
dengan menggunakan rumus:
K  1   3,322  log n 
di mana:
K = banyaknya kelas
n = jumlah data (observasi)
Hasil perhitungan jumlah kelas ini, akan selalu dibulatkan ke atas.

Pembulatan ke atas ini, dimaksudkan agar semua data yang terkumpul dapat
masuk dalam kategori atau kelas yang dibuat.
Langkah Ketiga
Pada langkah ketiga, kita akan menentukan interval dari kategori atau
kelas yang telah dibentuk. Interval kelas sangat dipengaruhi oleh banyaknya
kelas dan penyebaran data yang akan disusun dalam distribusi frekuensi.
Besar interval ini, dihitung dengan menggunakan rumus:
R H L
i 
K K
di mana:
i = Interval Kelas
H = Nilai observasi yang tertinggi + ½ unit pengamatan terkecil
L = Nilai observasi yang terkecil – ½ unit pengamatan terkecil
K = Banyaknya kelas
Seperti halnya pembulatan dalam jumlah kelas maka hasil perhitungan

interval kelas ini selalu dibulatkan ke atas, agar data yang terkumpul dapat
tertampung.
Langkah Keempat
Langkah keempat ini merupakan langkah manakala kita mulai membuat
tabel distribusi frekuensi. Tahap-tahap pembuatan tabel tersebut adalah:
 ISIP4215/MODUL 2 2.19
a. Menentukan Batas Kelas Nyata dan Semu

 Batas Kelas Nyata: Antara kelas tidak terdapat loncatan nilai (data
kontinu)
 Batas Kelas Semu: Antara kelas terdapat loncatan nilai (data
diskret)
b. Menentukan Nilai Tengah Kelas (xi)

 Menggunakan batas kelas nyata
batas bawah nyata + batas atas nyata

xi 
2
 Menggunakan batas kelas semu
batas bawah semu + batas atas semu

xi 
2
c. Menentukan Frekuensi Absolut (fi)

Besaran yang menunjukkan jumlah objek yang masuk dalam kelas yang
bersangkutan dengan cara memasukkan atau mengelompokkan data
observasi yang ada.
d. Menentukan Frekuensi Relatif (f rel)

Besaran yang menunjukkan persentase objek yang termasuk dalam kelas
yang bersangkutan.
frekuensi absolut  fi  pada kelas ke …

f rel =
frekuensi total   fi 
Jika kita sudah mengetahui langkah-langkah yang harus dilakukan untuk

menyederhanakan data dan juga menampilkannya dalam bentuk tabel
frekuensi yang lengkap maka kini kita coba melakukan penyajian data untuk
kasus mengenai skor yang didapatkan oleh 80 responden. Kepada 80 orang
tersebut, kita tanyakan berapa skor yang mereka dapatkan. Data yang
terkumpul adalah sebagai berikut ini. Data ini sering kali kita sebut dengan
data yang tidak dikelompokkan atau data mentah (data yang belum diolah).
76 63 88 70 88 66 79 75
49 79 48 81 74 98 45 87
60 63 38 82 67 60 89 63
80 84 90 70 91 93 82 78
70 74 98 95 80 59 71 77
71 70 38 92 81 56 73 42
80 91 61 72 97 91 88 39
90 33 83 73 54 43 86 68
93 92 71 76 90 72 67 75
86 83 93 65 51 85 72 68
Berdasar data yang ada ini, kita lakukan langkah-langkah berikut.

1. Menentukan banyaknya kelas. Banyaknya data (n) dalam kasus skor tes
anak-anak adalah 80. Apabila dimasukkan ke dalam rumus sturgess,
banyaknya kelas akan dihasilkan sebagai berikut.
K = 1 + 3,322 log n
= 1 + 3,322 log 80
= 1 + 3,322 (1,90)
= 1 + 6,312
= 7,312
Nilai 7,312 memberikan petunjuk banyaknya kelas yang dapat dibuat
adalah 7,312. Ingat bahwa pembulatan yang dilakukan harus ke atas
sehingga kelas yang dibutuhkan adalah 8 kelas.
2. Menentukan interval kelas yang akan digunakan

Apabila diperhatikan data mengenai skor anak-anak, didapat data yang
terendah adalah 33, sedangkan data tertinggi adalah 98.33, harus kita
kurangi dengan 0,5 menjadi 32,5 dan nilai 98, harus kita tambah dengan
0,5 menjadi 98,5. Selisih kedua angka ini adalah 66. Interval kelas akan
didapat dengan membagi nilai selisih angka tertinggi dan terendah
dengan banyaknya kelas. Untuk contoh di atas maka akan didapatkan
interval kelas sebesar 66:8 = 8,25. Interval yang digunakan tidak 8,
melainkan 9. Pembulatan ke atas dimaksudkan agar semua angka yang
terdapat dalam data dapat tertampung. Banyaknya kelas dan interval
kelas berguna dalam mengelompokkan data yang ada. Banyak kelas 8
menunjukkan akan ada 8 kelas atau 8 pengelompokan, sedangkan
interval 9 menunjukkan akan ada 9 nilai pengamatan dalam setiap kelas.
 ISIP4215/MODUL 2 2.21
Dengan demikian, nilai pengamatan yang terdapat dalam kelas pertama

dari data di atas adalah 33, 34, 35, 36, 37, 38, 39, 40, 41. Kelas-kelas
lainnya dapat dilihat dalam Tabel 2.7.
Tabel 2.7
Skor Tes Anak
(N = 80)
Batas Kelas nyata Batas kelas semu Frekuensi Persentase

32,5 < x ≤ 41,5 33 – 41 4 5
41,5 < x ≤ 50,5 42 – 50 5 6,25
50,5 < x ≤ 59,5 51 – 59 4 5
59,5 < x ≤ 68,5 60 – 68 12 15
68,5 < x ≤ 77,5 69 – 77 19 23,75
77,5 < x ≤ 86,5 78 – 86 16 20
86,5 < x ≤ 95,5 87 – 95 17 21,25
95,5 < x ≤ 104,5 96 - 104 3 3,75
Total 80 100
Kolom frekuensi didapatkan dengan menjumlahkan munculnya nilai di

dalam daftar tes anak. Frekuensi pada kelas pertama (33-41) didapat dari:
33 = 1
34 = 0
35 = 0
36 = 0
37 = 0
38 = 2
39 = 1
40 = 0
41 = 0
=4
Jumlah kemunculan setiap nilai pengamatan pada kelas pertama di atas

adalah 4.
Cara lain yang dapat digunakan adalah membuat turus untuk masing-
masing kelas, yaitu sebagai berikut.
Kategori Turus Frekuensi

33  41 //// 4
42  50 //// 5
51  59 //// 4
60  68 //// //// // 12
69  77 //// //// //// //// 19
78  86 //// //// //// / 16
87  95 //// //// //// // 17
96  104 /// 3
Total 80
B. PENYAJIAN DAN INTERPRETASI DATA
1. Tabel Frekuensi
Tabel untuk data kuantitatif disebut dengan tabel distribusi frekuensi
kuantitatif. Pembagian kelas pada tabel ini, ditentukan oleh angka-angka
yang didapat dalam pengumpulan data. Apabila angka yang muncul tidak
terlalu bervariasi maka tabel yang dibuat dapat berbentuk tunggal. Misalnya,
variabel jumlah anak dalam keluarga.
Tabel 2.8
Jumlah Anak dalam Keluarga
N = 20
Jumlah Anak Frekuensi Persentase
1 2 10
2 6 30
3 3 15
4 4 20
5 5 25
Total 20 100
Sumber: fiktif.
Berdasar Tabel 2.8 kita bisa menginterpretasikan bahwa jumlah anak

yang dimiliki cukup bervariasi dan tidak terlihat kecenderungan apakah
jumlah anak cenderung banyak atau sedikit. Hal ini dikarenakan persentase
yang memiliki jumlah anak 2 (30%) relatif sama dengan keluarga yang
memiliki jumlah anak 5 (25%).
 ISIP4215/MODUL 2 2.23
Untuk data yang memiliki variasi sangat banyak maka kita lakukan
pengelompokan data, seperti yang sudah kita pelajari dalam materi
sebelumnya. Berdasar Tabel 2.8 maka kita bisa menginterpretasi bahwa
sebanyak 24% anak kemampuannya cukup baik karena memiliki nilai tes
antara 69 hingga 77, sedangkan yang memiliki skor di bawah 50 hanya 11%.
2. Diagram (Grafik)
a. Histogram
Diagram ini memiliki kesamaan dengan diagram batang. Hanya saja
untuk histogram setiap persegi panjang tidak saling terpisah, tetapi saling
menempel. Mengapa demikian? Masih ingat tentang penjelasan batang yang
harus terpisah dalam bar graph? Dalam histogram, setiap batang harus saling
menempel karena data yang digunakan bersifat kontinu. Dengan demikian,
maka seluruh data yang ada harus masuk ke dalam kelas yang ada. Dengan
saling menempelnya batang setiap kelas maka seluruh data yang ada akan
masuk ke dalam kelas yang tersedia. Setiap persegi panjang (batang) diwakili
oleh batas kelas nyata atau bisa juga dengan titik tengah kelas. Kita gunakan
data yang ada pada Tabel 2.9 untuk memberikan gambaran tentang
histogram.
Grafik 2.6
Histogram Skor Tes
N = 80
Dari Grafik 2.6 terlihat bahwa skor terbanyak yang dicapai anak-anak
dalam penelitian tersebut adalah pada kelas 68,5 hingga 77,5, yaitu sebanyak
19 orang
b. Poligon Frekuensi
Poligon frekuensi merupakan suatu grafik yang dihasilkan dengan
menghubungkan puncak dari masing-masing nilai tengah kelas histogram.
Dengan demikian, sumbu horizontalnya diwakilkan oleh angka titik tengah
masing-masing kelas. Pada diagram ini, poligon dimulai dan diakhiri pada
sumbu horizontal (sumbu X) sehingga garis tidak menggantung, yaitu
sebelum kelas pertama dan setelah kelas berakhir ditambahkan kelas dengan
frekuensi nol (0). Titik tengah setiap kelas dapat diperoleh dengan cara
menjumlahkan nilai terendah dan tertinggi masing-masing kelas kemudian
dibagi dengan 2. Seperti pada kelas pertama, 32,5 + 41,5 = 74. Kemudian,
74 : 2 = 37. Titik tengah kelas lainnya dapat kita lihat pada Tabel 2.9.
 ISIP4215/MODUL 2 2.25
Tabel 2.9
Tabel Titik Tengah Skor Anak
Skor Tes Titik Tengah Frekuensi

32,5 < x ≤ 41,5 37 4
41,5 < x ≤ 50,5 46 5
50,5 < x ≤ 59,5 55 4
59,5 < x ≤ 68,5 64 12
68,5 < x ≤ 77,5 73 19
77,5 < x ≤ 86,5 82 16
86,5 < x ≤ 95,5 91 17
95,5 < x ≤ 104,5 100 3
Grafik 2.7
Diagram polygon skor tes
N = 80
Interpretasi dari diagram ini tidak terlalu berbeda dengan interpretasi

pada histogram, hanya pada poligon frekuensi digunakan titik tengah. Skor
tes anak paling banyak berada pada kelas dengan titik tengah 73.
c. Ogive
Ogive adalah suatu bentuk diagram yang dibuat dari frekuensi kumulatif.
Pada ogive, sumbu horizontalnya tidak menggunakan titik tengah, tetapi
menggunakan batas nyata kelas atau kategori, sedangkan pada sumbu
vertikalnya digunakan frekuensi kumulatif. Garis yang menghubungkan batas
kelas nyata selalu bergerak naik atau turun dan tidak mungkin naik turun.
Titik awal dari garis ogive diwakili oleh batas kelas nyata bawah kelas
pertama. Untuk mendapatkan frekuensi kumulatif, perhatikan Tabel 2.10.
Frekuensi kumulatif bisa diartikan sebagai besaran yang menunjukkan
jumlah objek yang termasuk kelas yang bersangkutan dan kelas-kelas
sebelumnya.
Tabel 2.10
Frekuensi Kumulatif Tes Skor
N = 80
Kategori (Batas
Frekuensi Frekuensi Kumulatif
Nyata Kelas)
32,5 < x ≤ 41,5 4 4
41,5 < x ≤ 50,5 5 4 + 5 => 9
50,5 < x ≤ 59,5 4 9 + 4 => 13
59,5 < x ≤ 68,5 12 13 + 12 => 25
68,5 < x ≤ 77,5 19 25 + 19 => 44
77,5 < x ≤ 86,5 16 44 + 16 => 60
86,5 < x ≤ 95,5 17 60 + 17 => 77
95,5 < x ≤ 104,5 3 77 + 3 => 80
Total 80
Dari data pada Tabel 2.10 kita bisa hasilkan ogive, seperti pada
diagram 2.8
 ISIP4215/MODUL 2 2.27
Diagram 2.8
Ogive Skor Tes
N = 80
d. Stem and Leaf Diagram (Grafik Batang Daun)

Diagram batang daun digunakan untuk memperoleh informasi mengenai
distribusi dari gugus data dan nilai-nilai pengamatan aslinya. Diagram
tersebut memuat semua data pengamatan yang ada dan hanya dapat
digunakan pada data berskala rasio. Untuk menggambarkan batang dalam
diagram ini ditulis bilangan-bilangan dan sebagai daunnya di sebelah kanan
ditulis bilangan sisanya. Untuk memperoleh gambaran yang lebih jelas,

berikut ini terdapat beberapa tahapan yang dapat dilakukan untuk membuat
diagram batang daun:
1) Pilih bilangan yang akan menjadi batang (perhatikan agar batang yang
dipilih mencakup semua bilangan dalam gugus data). Pada umumnya
nilai batang dimulai dari 0 hingga 9.
2) Urutkan batangnya. Tempatkan nilai batang terkecil di bagian atas dan
nilai batang terbesar di bagian bawah (urutan dapat dibalik jika
diinginkan yang sebaliknya).
3) Buat garis vertikal yang memisahkan batang dan daun.
4) Untuk setiap nilai pengamatan, catat bilangan yang merupakan daun dari
batang yang bersangkutan dan letakkan di sisi kanan batangnya.
5) Susun urutan bilangan yang merupakan daun dari batang yang sama
dalam urutan menaik.
Kita gunakan lagi data mentah yang menggambarkan skor tes anak.
76 63 88 70 88 66 79 75 49 79 48 81 74 98 45 68
87 60 63 38 82 67 60 89 63 80 84 90 70 91 93 72
82 78 70 74 98 95 80 59 71 77 71 70 38 92 81 85
56 73 42 80 91 61 72 97 91 88 39 90 33 83 73 51
54 43 86 68 93 92 71 76 90 72 67 75 86 83 93 65
Untuk mempermudah kita buat dulu data mentah tersebut ke dalam

kolom berikut ini;
stem leaf
3 8893
4 98523
5 9614
6 3680370301875
7 609594280417103231625
8 881729042015083663
9 801385217103203
Setelah itu pada bagian leaf, kita urutkan dari data yang terkecil hingga
terbesar sehingga menghasilkan diagram batang dan daun berikut;
 ISIP4215/MODUL 2 2.29
Grafik 2.9
Stem and Leaf Skor Tes Anak
N = 80
frek stem leaf

4 3 3889
5 4 23589
4 5 1469
13 6 0001333567788
21 7 000111222334455667899
18 8 000112233456678889
15 9 000111223335788

untuk variabel yang bersifat kuantitatif dengan menggunakan tabel
frekuensi, diagram, atau grafik. Kini cobalah Anda membuat sebuah
tabel frekuensi dan grafik untuk data yang Anda miliki, kemudian
cobalah Anda interpretasikan data yang ada.
C. PENYAJIAN DATA HASIL PENGOLAHAN DENGAN SPSS
Penyajian data untuk tabel frekuensi kuantitatif sama dengan penyajian

data untuk tabel frekuensi kualitatif, untuk itu Anda bisa melihat lagi contoh
tabel frekuensi kualitatif. Untuk tampilan diagram hasil penyajian data
dengan menggunakan program spss terlihat dalam diagram-diagram berikut:
1. Histogram
Grafik 2.10
Total Barang yang Diproduksi
600
500
400
300
200
100 Std. Dev = 49260.69

Mean = 74738.5
0 N = 2440.00
12
16
20
24
28
32
36
40
44
40
80 0
00
00
00
00
00
00
00
00
00
00
00
0.
00
00
00
00
00
00
00
00
00
0
0.
0.
.0
.0
.0
.0
.0
.0
.0
.0
.0
0
total barang y ang diproduksi
2. Stem and Leaf

Grafik 2.11
Total Barang yang Diproduksi
Frequency Stem & Leaf

32.00 0 . 568&
104.00 1 . 0012234556789
131.00 2 . 00112334556778899
207.00 3 . 00112223344455556677888999
317.00 4 . 00000111222223344445555556666777888899999
320.00 5 . 00000111222333444555556666777778889999
248.00 6 . 0000111222233344555556677888999
262.00 7 . 000111222333444445556667778888999
210.00 8 . 000112223344445555667778899
138.00 9 . 001223455667899
74.00 10 . 003455789&
74.00 11 . 01234578&
54.00 12 . 0035&&&
50.00 13 . 0234589&
32.00 14 . 045&&
17.00 15 . 15&
170.00 Extremes (>=158000)
Stem width: 10000

Each leaf: 8 case(s)
 ISIP4215/MODUL 2 2.31
Jika kita perhatikan stem and leaf yang sudah dihasilkan dengan
menggunakan program SPSS maka kita lihat pada bagian akhir terdapat
keterangan mengenai stem width : 10000. Hal ini dapat diartikan bahwa
setiap angka yang terdapat di dalam stem merupakan bilangan puluhan ribu.
Dengan demikian, ketika kita menemukan angka 5, maka angka tersebut
berarti 50000.
Selanjutnya, terdapat pula keterangan each cases: 8 cases, hal ini
menunjukkan bahwa setiap angka yang terdapat di dalam leaf, sebenarnya
mewakili 8 data.
LAT IH A N

Data mengenai jumlah buku yang dibeli keluarga dalam satu bulan
1 6 4 14 10 2 15 5 6 12
3 11 13 4 16 7 6 1 8 9
4 8 12 13 3 15 12 12 14 7
5 2 6 10 8 4 3 16 7 11
9 4 8 4 2 9 4 3 10 6
1) Buatlah tabel distribusi frekuensi untuk data tersebut!

2) Buatlah 2 diagram dan interpretasi untuk data tersebut!
1) a) Tentukanlah dengan cara yang ada dalam modul, banyaknya kelas

dan interval kelas
b) Tentukanlah frekuensi masing-masing kelas, dan buatlah persentase
dari setiap kelas.
2) a) Tentukanlah dua diagram yang akan Anda buat.
b) Perhatikanlah komponen-komponen yang diperlukan dalam
pembuatan diagram tersebut.
c) Interpretasikanlah diagram tersebut.
R A NG KU M AN
Penyajian data kuantitatif ditandai dengan penggunaan kategori

yang berbentuk angka. Oleh karena itu, skala yang digunakannya adalah
interval dan rasio. Data kuantitatif juga dapat disajikan dalam bentuk
tabel dan diagram.
Penyajian data berbentuk tabel dapat dibagi 2 bentuk, yaitu tabel
dengan kategori tunggal dan tabel dengan kategori dikelompokkan.
Untuk mengelompokkan data kuantitatif diperlukan jumlah kelas dan
interval kelas.
Diagram untuk data kuantitatif adalah diagram lingkaran, histogram,
poligon, stem and leaf, dan ogive. Setiap diagram memiliki komponen-
komponen yang berbeda dalam pembuatannya.
TES F OR M AT IF 2
Seorang peneliti melakukan penelitian mengenai jumlah susu yang

diperlukan oleh setiap keluarga. Penelitian ini dilakukan terhadap 30 keluarga
yang memiliki balita, di sebuah kompleks perumahan. Salah satu variabel
yang diteliti adalah jumlah kilogram susu yang dibeli dalam satu bulan.
Untuk variabel tersebut dihasilkan data sebagai berikut:
2 6 7 4 3 9
8 4 5 6 12 7
9 10 5 4 8 5
6 7 6 8 10 4
5 7 9 8 6 3
1) Hitunglah Banyaknya kelas dan interval kelas yang digunakan untuk

pengelompokan data penelitian tersebut ....
A. 5 dan 2
B. 5 dan 2.5
C. 6 dan 2
D. 6 dan 2.5
2) Jumlah frekuensi kelas ke-3 adalah ....

A. 6
B. 7
 ISIP4215/MODUL 2 2.33
C. 8
D. 9
3) Tentukanlah batas kelas ke-2 untuk kasus penelitian ....

A. 45
B. 46
C. 67
D. 68
4) Berapakah frekuensi kumulatif kelas ke-4 untuk kasus penelitian ....

A. 20
B. 24
C. 27
D. 29
5) Berapakah persentase untuk keluarga yang membeli susu sebanyak 6

hingga 7 kilogram!
A. 23%
B. 27%
C. 30%
D. 67%


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Tes Formatif 1
1) A. Pada diagram batang untuk data kualitatif masing-masing persegi
panjang harus terpisah. Pada sumbu vertikal digunakan frekuensi.
2) B. Tingkat pendidikan menengah adalah SMP dan SMU, gabungan
kedua persentase tersebut adalah 83,33%.
3) D. Persentase tingkat pendidikan anak sekolah menengah didapatkan
dari 50 dibagi 90, kemudian dikalikan dengan 100. Angka lima di
belakang koma dibulatkan ke atas.
4) C. Tabel tersebut adalah tabel dari variabel dengan skala pengukuran
ordinal. Pada skala ordinal selain digolongkan data juga diberi
peringkat.
5) C. Pada diagram lingkaran setiap wilayah ditentukan oleh persentase
masing-masing kelas.
Tes Formatif 2
1) C. Banyak kelas adalah 6 didapat dari K = 1 + 3.322 log 30 = 5.91.
Sementara itu, interval 2 didapatkan dari selisih nilai tertinggi
dengan terendah dibagi banyaknya kelas (12-2)/6 = 1.667.
2) D. Jumlah pembelian susu sebanyak 6 hingga 7 kilogram adalah 9
keluarga.
3) A. Kelas kedua dalam penelitian tersebut adalah untuk pembelian
antara 4 sampai 5 kilogram susu.
4) C. Frekuensi kumulatif ini didapat dari frekuensi kumulatif kelas ketiga
ditambah dengan frekuensi kelas keempat atau 20 + 7 = 27.
5) C. Persentase pembelian susu antara 6 hingga 7 kilogram didapat dari
pembagian frekuensi kelas dengan jumlah keseluruhan data dikali
100%. Atau 9/30  100% = 30%.
 ISIP4215/MODUL 2 2.35
Glosarium
Data : informasi.
Kategori : variasi nilai dari variabel.
Responden : orang yang diminta memberikan informasi dalam
penelitian kuantitatif.
Variabel : sebuah konsep yang memiliki variasi nilai.
Variabel diskret : variabel yang kategorinya merupakan bilangan bulat.
Variabel kontinu : variabel yang kategorinya mengandung nilai pecahan.
Daftar Pustaka
Argyrous, George, 1997. Statistic for Social Research, Mac Millan Press Ltd.
Dergibson Siagian dan Sugiarto, 2006. Metode Statistika untuk Bisnis dan
Ekonomi, Jakarta: Gramedia.
Lind, A. Dauglass, William G. Marchal and Robert D. Mason, 2002,

Statistical Techniques in Business & Economics, McGraw-Hill Irwin.
Walpole, Ronald, 1993. Pengantar Statistika, Jakarta: Penerbit Gramedia

Pustaka Utama.
Modul 3
Ukuran Pemusatan dan

Ukuran Penyebaran
PEN D A HU L UA N
P ada Modul 2, kita telah mempelajari mengenai bagaimana kita dapat

menyajikan data, baik menggunakan tabel frekuensi maupun dengan
menggunakan grafik atau diagram. Dalam modul ini, kita akan mempelajari
cara lain dalam menyajikan data. Data yang ada akan kita hitung dengan
menggunakan ukuran pemusatan dan ukuran penyebaran. Ukuran pemusatan
akan membantu kita untuk mengetahui bagaimana kecenderungan data yang
ada. Data akan memusat di titik mana. Demikian pula dengan ukuran
penyebaran akan membantu kita dalam mengetahui seberapa jauh penyebaran
data yang ada, atau dengan kata lain seberapa banyak variasi dari data yang
ada.
Dengan mempelajari ukuran pemusatan dan ukuran penyebaran kita
akan mengetahui lebih cepat dibanding dengan melihat tabel frekuensi
maupun grafik. Dalam hal ini, ukuran pemusatan yang akan kita bahas antara
lain nilai rata-rata, nilai modus, dan nilai median, sedangkan untuk ukuran
penyebaran akan kita bahas mengenai range, standar deviasi, dan standar
variansi. Sebenarnya masih ada ukuran pemusatan dan ukuran penyebaran
selain ke enam yang sudah kita sebutkan, namun yang paling banyak
digunakan adalah keenam pengukuran tersebut.
Seperti halnya ketika kita membahas tentang penyajian data dengan
menggunakan tabel frekuensi dan grafik maka penggunaan ukuran pemusatan
dan ukuran penyebaran juga terkait dengan skala pengukuran yang sudah kita
bahas dalam modul satu. Ada ukuran pemusatan yang hanya bisa
diaplikasikan dalam skala tertentu, demikian pula dengan ukuran penyebaran.
Dengan demikian, jika Anda masih belum memahami materi tentang skala,
ada baiknya Anda kembali mempelajari materi tersebut sehingga akan
mempermudah dalam memahami tentang ukuran pemusatan dan ukuran

penyebaran.
Setelah Anda mempelajari Modul 3 ini, Anda diharapkan dapat
memahami berbagai ukuran pemusatan dan ukuran penyebaran. Secara lebih
spesifik, setelah mempelajari modul ini Anda diharapkan dapat memahami
nilai:
1. rerata;
2. modus;
3. median;
4. jangkauan (range);
5. simpangan baku (standar deviasi).
Kegiatan Belajar 1
Ukuran Pemusatan
U kuran pemusatan bisa diartikan sebagai nilai tunggal yang mewakili

suatu kumpulan data. Nilai tersebut akan menunjukkan pusat nilai data.
Seperti sudah disinggung, bahwa setiap kumpulan data tentunya akan
memiliki kecenderungan untuk mengumpul pada titik tertentu. Titik dimana
kumpulan data itu memusat dinamakan dengan titik pusat. Dengan demikian,
titik pusat itulah yang akan mewakili keseluruhan data yang ada. Sebagai
contoh, dalam suatu kelas terdapat 50 mahasiswa. Dari ke 50 mahasiswa itu,
mereka tentunya ada yang memiliki usia yang sama, dan ada yang memiliki
usia yang berbeda. Nah, untuk mempermudah dalam penyampaian berita,
kita tidak mungkin menyebut satu persatu usia dari ke 50 mahasiswa yang
ada, namun kita dapat mengambil satu nilai yang dianggap mewakili ke 50
mahasiswa tersebut. Nilai yang akan kita ambil inilah yang nantinya akan
kita sebut dengan ukuran pemusatan.
Seperti juga sudah disinggung dalam pendahuluan, dalam kegiatan
belajar satu ini, kita akan membahas mengenai nilai rata-rata, nilai modus,
dan nilai median. Kita juga sudah tahu bahwa penggunaan masing-masing
nilai dipengaruhi oleh skala pengukuran. Untuk itu, kita akan melihat ukuran
pemusatan yang bisa digunakan terkait dengan skala pengukuran yang
tergambar dalam tabel berikut.
Tabel 3.1
Nilai Pemusatan
Skala pengukuran
Modus Median Mean
Nominal √
Ordinal √ √
Interval √ √ √
Rasio √ √ √
Tabel 3.1 memberikan gambaran bahwa nilai pemusatan modus, dapat

digunakan baik di dalam skala pengukuran nominal, ordinal, interval,
maupun rasio. Nilai pemusatan median tidak bisa digunakan untuk variabel
yang berskala nominal, dan nilai pemusatan mean (rata-rata) tidak dapat
digunakan untuk variabel dengan skala nominal dan ordinal. Untuk lebih
jelasnya, kita akan bahas lebih lanjut mengenai nilai pemusatan yang ada.
A. MODUS
Merupakan nilai pengamatan yang paling sering muncul. Dalam sebuah

distribusi data, bisa saja distribusi tersebut memiliki satu nilai modus,
beberapa nilai modus, atau justru tidak memiliki nilai modus.
Contoh sebuah distribusi data dengan satu nilai modus; nilai ujian akhir
pengantar statistik sosial dari 20 mahasiswa yang ikut ujian adalah sebagai
berikut:
50 78 65 82 71 50 70 60 88 90
72 63 50 66 77 50 62 71 60 55
Dari distribusi data tersebut, maka kita dapat simpulkan bahwa nilai
pengamatan yang paling sering muncul adalah 50 (muncul sebanyak 4 kali)
sehingga distribusi data tersebut memiliki satu nilai modus, yaitu 50.
Contoh sebuah distribusi data dengan beberapa nilai modus; nilai ujian
akhir pengantar statistik sosial dari 20 mahasiswa yang ikut ujian adalah
sebagai berikut:
50 78 65 82 71 50 70 60 88 60
72 60 50 66 77 50 62 71 60 55
Dari distribusi data tersebut, maka kita dapat simpulkan bahwa nilai
pengamatan yang paling sering muncul adalah 50 (muncul sebanyak 4 kali)
dan 60 (muncul sebanyak 4 kali) sehingga distribusi data tersebut memiliki
dua nilai modus, yaitu 50 dan 60. Untuk distribusi data yang memiliki 2 nilai
modus, kita sebut dengan bimodus. Untuk distribusi data yang memiliki tiga
nilai modus, kita sebut trimodus, sedangkan suatu distribusi data yang
memiliki lebih dari tiga nilai modus kita sebut multimodus.
Contoh sebuah distribusi data yang tidak memiliki nilai modus; nilai
ujian akhir pengantar statistik sosial dari 20 mahasiswa yang ikut ujian
adalah sebagai berikut:
52 78 65 82 79 53 70 69 88 60
72 66 75 64 77 58 62 71 61 55
Dari distribusi data tersebut, maka kita bisa simpulkan bahwa tidak ada
nilai pengamatan yang muncul lebih sering dibanding data lain sehingga kita
bisa katakan bahwa distribusi tersebut tidak memiliki nilai modus.
Karakteristik nilai modus adalah:

1. dapat digunakan untuk data kualitatif dan data kuantitatif;
2. dapat memiliki lebih dari satu nilai atau tidak sama sekali;
3. dapat digunakan untuk skala nominal, ordinal, interval, dan rasio;
4. tidak dipengaruhi oleh nilai ekstrem.
Pengertian dari nilai ekstrem adalah nilai yang menyimpang terlalu jauh
dari data lainnya dalam sebuah distribusi. Contoh: hasil pengumpulan data
terhadap 7 orang adalah sebagai berikut:
50 50 50 60 60 65 100
Nilai pengamatan 100 adalah nilai ekstrem karena nilai lainnya berkisar
dalam rentang yang tidak jauh (50-65), namun demikian nilai pengamatan ini
tidak berpengaruh pada nilai modus (dalam distribusi ini modusnya adalah
50).
1. Modus untuk Data Kualitatif

Menghitung modus untuk data kualitatif dilakukan dengan cara melihat
jumlah pengamatan terbanyak. Contoh modus untuk data kualitatif:
Tabel 3.2
Lokasi Tempat Tinggal
Lokasi Frekuensi Persentase

Bali 15 15
Jawa 30 30
Sumatera 15 15
Kalimantan 20 20
Sulawesi 20 20
Total 100 100
Tabel 3.2 menunjukkan bahwa nilai modus berada di jawa (30%) sehingga
bisa kita simpulkan bahwa sebagian besar mahasiswa tinggal di pulau Jawa.
2. Modus untuk Data Kuantitatif

Untuk menghitung modus pada data kuantitatif, kita perlu bedakan
antara data kuantitatif yang tidak dikelompokkan dan data kuantitatif yang
dikelompokkan.
a. Modus untuk data kuantitatif yang tidak dikelompokkan

Menghitung modus untuk data kuantitatif yang tidak dikelompokkan
sama dengan menghitung modus untuk data kualitatif. Kita tinggal melihat
nilai yang paling sering muncul. Kita ambil contoh yang sudah ada dalam
penjelasan sebelumnya.
50 50 50 60 60 65 100
Nilai modus untuk distribusi data ini adalah 50 (muncul 3 kali)
b. Modus untuk data kuantitatif yang dikelompokkan

Menghitung modus untuk data kuantitatif yang dikelompokkan,
dilakukan dengan menggunakan rumus. Rumus untuk menghitung nilai
median adalah sebagai berikut:
d1
Modus  Mo   Bl  i
d1  d 2
Keterangan:
Bl = batas bawah kelas nyata untuk kelas yang mengandung modus
d1 = selisih frekuensi antara kelas yang mengandung modus dengan
frekuensi kelas sebelumnya
d2 = selisih frekuensi antara kelas yang mengandung modus dengan
frekuensi kelas sesudahnya
i = interval kelas
Kita coba terapkan rumus tersebut untuk melihat nilai modus pada tabel
berikut.
Tabel 3.3
Skor Tes Anak
(N = 80)
Batas Kelas nyata Frekuensi Persentase
32,5 < x ≤ 41,5 4 5
41,5 < x ≤ 50,5 5 6,25
50,5 < x ≤ 59,5 4 5
59,5 < x ≤ 68,5 12 15
Kelas yang
68,5 < x ≤ 77,5 19 23,75
mengandung modus
77,5 < x ≤ 86,5 16 20
86,5 < x ≤ 95,5 17 21,25
95,5 < x ≤ 104,5 3 3,75
Total 80 100
Tabel 3.3 menunjukkan pada kita bahwa kelas yang mengandung modus
adalah kelas dengan batas nyata 68,5 ≤ x ≤ 77,5 (sebanyak 19 nilai
pengamatan). Dengan demikian, kita dapat masukkan data tersebut ke dalam
rumus
(19  12)
Modus  Mo   68,5   9  74,8
(19  12)  (19  16)
Dengan demikian, nilai modus untuk Tabel 3.3 adalah 74,8. Satu hal yang
harus kita perhatikan adalah nilai modus, harus masuk ke dalam rentang
kelas yang menunjukkan pengamatan terbanyak (dalam Tabel 3.3 adalah
68,5 ≤ x ≤ 77,5) sehingga 74,8 memang masuk ke dalam rentang nilai kelas
tersebut. Untuk distribusi data yang mengandung lebih dari satu nilai modus
maka rumus yang ada harus dihitung sesuai dengan banyaknya nilai modus
yang ada.
B. MEDIAN
Median adalah titik tengah dari semua nilai setelah diurutkan dari nilai
terkecil hingga nilai terbesar atau sebaliknya. Dengan demikian, akan
terdapat sejumlah nilai pengamatan yang sama, baik di bawah nilai tengah
maupun di atas nilai tengah. Dengan kata lain, median membagi seluruh nilai
pengamatan dengan komposisi 50% data di bawah nilai tengah dan 50% data
di atas nilai tengah.
Karakteristik nilai median adalah:

1. bisa digunakan untuk data kualitatif dan data kuantitatif;
2. satu distribusi data hanya memiliki satu nilai;
3. bisa digunakan untuk skala ordinal, interval, dan rasio;
4. tidak dipengaruhi oleh nilai ekstrem.
1. Median untuk Data Kualitatif

Menghitung median untuk data kualitatif dilakukan dengan cara melihat
nilai kumulatif dari frekuensi atau persentase. Contoh median untuk data
kualitatif:
Tabel 3.4
Pendidikan Formal
Frekuensi
Lokasi Frekuensi
kumulatif
SD 15 15
SMP 45 50
SMA 25 75
PT 25 100
Total 100
Frekuensi kumulatif didapatkan dengan menjumlah frekuensi kelas yang

dihitung dengan kumulasi kelas sebelumnya, jadi perhitungannya sebagai
berikut:
Frekuensi
Lokasi Frekuensi
kumulatif
SD 15 15 + 0 = 15
SMP 45 15 + 45 = 50
SMA 25 25 + 50 = 75
PT 25 25 + 75 = 100
Total 100
Tabel 3.4 menunjukkan bahwa nilai median berada di SMP sehingga bisa
kita simpulkan bahwa 50% warga memiliki pendidikan SD sampai SMP,
sedangkan 50% lainnya memiliki pendidikan SMA dan PT.
2. Median untuk Data Kuantitatif

Seperti halnya dalam menghitung nilai modus maka menghitung median
untuk data kuantitatif perlu dibedakan ke dalam data yang tidak
dikelompokkan dan data yang dikelompokkan. Untuk itu kita akan lihat satu
persatu.
a. Median untuk data kuantitatif yang tidak dikelompokkan

Untuk menghitung median pada data yang tidak dikelompokkan maka
kita harus mengikuti tahapan sebagai berikut:
1) Mengurutkan nilai pengamatan, mulai dari yang terkecil sampai yang
terbesar atau sebaliknya.
 n 1
2) Menentukan posisi median dengan rumus   dimana
 2 
n = banyaknya data yang diobservasi.
3) Mencari Nilai Median. Satu hal yang harus diingat adalah nilai
mediannya adalah data yang berada pada posisi mediannya.
Kita coba lihat dengan contoh data yang sudah kita miliki pada saat
membahas modus
50 78 65 82 71 50 70 60 88 90
72 63 50 66 77 50 62 71 60 55
Langkah pertama, data ini kita urutkan dari yang terkecil menjadi sebagai
berikut:
50 50 50 50 55 60 60 62 63 65
Urutan data ke 1 2 3 4 5 6 7 8 9 10
66 70 71 71 72 77 78 82 88 90
Urutan data ke 11 12 13 14 15 16 17 18 19 20
 20  1 
Langkah kedua, menentukan posisi median sehingga    10,5
 2 
Langkah ketiga, mencari nilai median. 10,5 diartikan sebagai data yang
berada posisi 10 dan 11 sehingga data yang ada pada posisi 10 dan 11 harus
kita bagi lagi menjadi 2, dengan demikian nilai mediannya adalah

 65  66 
   65,5
 2 
b. Median untuk data kuantitatif yang dikelompokkan.

Untuk menghitung nilai median bagi data kuantitatif yang
dikelompokkan digunakan rumus sebagai berikut:
Median  Md   Bl  2
 
n  Cfb
i
fMd
Keterangan:
Bl = batas bawah kelas nyata untuk kelas yang mengandung modus.
n = banyaknya data.
Cfb = frekuensi kumulatif kelas yang berada di bawah kelas yang
mengandung median.
fMd = frekuensi kelas yang mengandung median.
i = interval kelas.
Kita coba terapkan rumus tersebut untuk melihat nilai median pada tabel
berikut.
Tabel 3.5
Skor Tes Anak
(N = 80)
Frekuensi
Batas Kelas nyata Frekuensi
kumulatif
32,5 ≤ x ≤ 41,5 4 4
41,5 ≤ x ≤ 50,5 5 9
50,5 ≤ x ≤ 59,5 4 13
59,5 ≤ x ≤ 68,5 12 25 Kelas yang
68,5 ≤ x ≤ 77,5 19 44 mengandung
77,5 ≤ x ≤ 86,5 16 60 median
86,5 ≤ x ≤ 95,5 17 77
95,5 ≤ x ≤ 104,5 3 80
Total 80
Tabel 3.5 menunjukkan pada kita bahwa kelas yang mengandung median
adalah kelas dengan batas nyata 68,5 ≤ x ≤ 77,5 (Hal ini terjadi karena
 ISIP4215/MODUL 3 3.11
jumlah data seluruhnya 80 sehingga posisi median berada di data pengamatan

40 dan 41 atau 40,5). Dengan demikian, kita bisa masukkan data tersebut ke
dalam rumus;
40  25
Median  Md   68,5   9  75, 6
19
Dengan demikian, nilai median untuk tabel 3.5 adalah 75,6. Seperti halnya
yang berlaku dalam perhitungan modus maka nilai median harus masuk ke
dalam rentang kelas yang mengandung median, yaitu 68,5 ≤ x ≤ 77,5
C. RATA-RATA (MEAN)
Mean adalah nilai rata-rata dari seluruh data yang ada dalam sebuah
distribusi data. Nilai rata-rata dianggap sebagai perwakilan seluruh data yang
ada. Dengan demikian, untuk menghitung nilai rata-rata didapat dengan cara
menjumlah seluruh data yang ada, lalu dibagi dengan jumlah data yang ada.
Karakteristik nilai mean adalah
1. hanya bisa digunakan untuk data kuantitatif saja;
2. satu distribusi data hanya memiliki satu nilai;
3. hanya bisa digunakan untuk skala interval/rasio;
4. dipengaruhi oleh nilai ekstrem.
Pengaruh nilai ekstrem dalam sebuah distribusi data sangat kuat terhadap
nilai mean karena perhitungan didasarkan pada penjumlahan seluruh data
yang ada. Kita coba bandingkan 2 distribusi data yang hampir serupa, namun
tidak sama karena adanya nilai ekstrem.
Distribusi 1, terdiri dari kumpulan data 10, 20, 30, 40, 50 maka nilai rata-
ratanya adalah (10 + 20 + 30 + 40 +50)/5 = 30
Bandingkan dengan distribusi 2, yang terdiri dari kumpulan data 10, 20, 30,
40, 150 maka nilai rata-ratanya adalah (10 + 20 + 30 + 40 +150)/5 = 50
Dengan demikian, adanya nilai ekstrem pada distribusi 2, membuat nilai rata-
rata menjadi menyimpang jauh dari keseluruhan data yang ada dalam
distribusi data.
Untuk menghitung nilai rata-rata, kita juga perlu membedakan antara data
yang dikelompokkan dan data yang tidak dikelompokkan dan juga perlu
dibedakan antara data yang ada di populasi dan data yang ada di tingkat
sampel. Kita akan lihat satu persatu.
1. Mean untuk Data yang tidak Dikelompokkan

Untuk data yang tidak dikelompokkan, kita akan langsung membedakan
antara data yang ada di populasi dan data yang ada di tingkat sampel, dengan
menggunakan rumus sebagai berikut:
Data di tingkat populasi Data di tingkat sampel

x x
 x
N n
Keterangan: Keterangan:
µ (baca: miu) = rata-rata di populasi X (baca: x bar) = rata-rata di sampel
 x (baca: sigma x) = penjumlahan  x (baca: sigma x) = penjumlahan
seluruh data yang ada seluruh data yang ada
N = jumlah seluruh data di populasi n = jumlah seluruh data di sampel
Kita langsung coba terapkan rumus mean ke dalam contoh berikut.
Nilai ujian akhir pengantar statistik sosial dari 20 mahasiswa yang ikut ujian
50 78 65 82 71 50 70 60 88 90
72 63 50 66 77 50 62 71 60 55
nilai rata-rata ujian mahasiswa adalah:

50  78  65  82  71  50  70  60  88  90  72  63  50  66  77  50  62  71  60  55
  66,5
20
2. Mean untuk Data yang Dikelompokkan

Seperti halnya untuk data yang tidak dikelompokkan, dalam perhitungan
mean untuk data yang dikelompokkan, kita juga akan langsung membedakan
antara data yang ada di populasi dan data yang ada di tingkat sampel, dengan
menggunakan rumus sebagai berikut:
 ISIP4215/MODUL 3 3.13
Data di tingkat populasi Data di tingkat sampel

( fi  xi ) ( fi  xi )
 x
N n
Keterangan: Keterangan:
fi = frekuensi kelas ke-i fi = frekuensi kelas ke-i
xi = nilai tengah kelas ke-i xi = nilai tengah kelas ke-i
Kita langsung coba terapkan rumus mean ke dalam contoh berikut.
Tabel 3.6
Skor Tes Anak
(N = 80)
Frekuensi Nilai tengah
Batas Kelas nyata fi . xi
( fi ) ( xi )
32,5 < x ≤ 41,5 4 37 148
41,5 < x ≤ 50,5 5 46 230
50,5 < x ≤ 59,5 4 55 220
59,5 < x ≤ 68,5 12 64 768
68,5 < x ≤ 77,5 19 73 1387
77,5 < x ≤ 86,5 16 82 1312
86,5 < x ≤ 95,5 17 91 1547
95,5 < x ≤ 104,5 3 100 300
Total 80 5912
Jadi nilai rata-rata untuk Tabel 3.6 adalah
(4  37)  (5  46)  (4  55)  (12  64)  (19  73)  (16  82)  (17  91)  (3  100)
  73,9
80
LAT IH A N

Dalam satu penelitian, didapat data tentang jumlah produksi yang

dihasilkan setiap orang sebagai berikut:
20 18 35 42 11 25 40 30 28 40
32 23 40 26 37 30 42 21 30 25
30 28 45 42 31 40 20 30 28 40
32 23 30 26 37 30 42 31 30 25
Berdasar data tentang jumlah produksi tersebut, cobalah menghitung

ukuran pemusatan untuk data tentang jumlah produksi yang sudah
dikelompokkan!
1) Buatlah tabel frekuensi lengkap dengan menggunakan metode sturges.

2) Hitunglah modus, median, dan mean untuk tabel frekuensi yang sudah
Anda buat.
R A NG KU M AN
Ukuran pemusatan bisa diartikan sebagai nilai tunggal yang

mewakili suatu kumpulan data. Nilai tersebut akan menunjukkan pusat
nilai data dari sebuah distribusi. Ada beberapa ukuran pemusatan yang
sering dipakai dalam ilmu sosial, yaitu modus, median, dan mean
Modus menunjukkan frekuensi yang paling sering terjadi. Modus
bisa digunakan untuk data kualitatif maupun data kuantitatif. Dalam
sebuah distribusi, bisa saja tidak ada modus, ada satu modus, atau ada
lebih dari satu modus. Nilai modus tidak dipengaruhi oleh data yang
ekstrem, dan akhirnya modus bisa digunakan oleh semua skala
pengukuran yang ada.
 ISIP4215/MODUL 3 3.15
Median menunjukkan nilai tengah dari sebuah distribusi sehingga

median akan membagi dua dari distribusi data. Median bisa digunakan
baik untuk data kualitatif maupun data kuantitatif. Dalam sebuah
distribusi hanya terdapat satu nilai median. Nilai median tidak
terpengaruh adanya data yang ekstrem. Median bisa digunakan untuk
variabel yang berskala ordinal, interval, dan rasio.
Mean menunjukkan perwakilan data dalam sebuah distribusi. Mean
hanya digunakan untuk data kuantitatif. Dalam sebuah distribusi hanya
terdapat satu nilai mean. Nilai mean sangat dipengaruhi oleh adanya data
yang ekstrem. Mean hanya digunakan untuk variabel yang berskala
interval dan rasio.
TES F OR M AT IF 1
1) Nilai modus dari distribusi data berikut adalah ....
20 18 25 42 20 25 40 30 18 45
Berapakah nilai modus dan median pada penelitian tersebut?

A. 18 dan 20
B. 18 dan 25
C. 20 dan 25
D. 18, 20, dan 25
2) Nilai median dari distribusi data berikut adalah ....
20 18 25 42 20 25 40 30 18 45
A. 20
B. 22,5
C. 25
D. 20 dan 25
3) Nilai mean dari distribusi data berikut adalah ....
20 18 25 42 20 25 40 30 18 45
A. 28
B. 28,3
C. 28,5
D. 29
4) Nilai modus dari distribusi data berikut adalah ....
Batas Kelas Frekuensi

nyata ( fi )
15,5 < x ≤ 20,5 9
20,5 < x ≤ 25,5 8
25,5 < x ≤ 30,5 5
30,5 < x ≤ 35,5 10
35,5 < x ≤ 40,5 1
40,5 < x ≤ 45,5 6
45,5 < x ≤ 50,5 1
Total 40
A. 30,86
B. 32,29
C. 33,28
D. 33,71
5) Nilai mean dari distribusi data berikut adalah ....
Batas Kelas Frekuensi Nilai tengah

fi . xi
nyata ( fi ) ( xi )
15,5 < x ≤ 20,5 9 18 162
20,5 < x ≤ 25,5 8 23 184
25,5 < x ≤ 30,5 5 28 140
30,5 < x ≤ 35,5 10 33 330
35,5 < x ≤ 40,5 1 38 38
40,5 < x ≤ 45,5 6 43 258
45,5 < x ≤ 50,5 1 48 48
Total 40 1160
A. 5,02
B. 5,78
C. 29
D 32.29
 ISIP4215/MODUL 3 3.17


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Kegiatan Belajar 2
Ukuran Penyebaran
U kuran penyebaran, merupakan ukuran yang memberikan gambaran

kepada kita mengenai variasi dari data yang ada dalam sebuah
distribusi. Jika ukuran pemusatan menunjukkan bagaimana data yang ada
memusat pada satu titik maka ukuran penyebaran menunjukkan seberapa
banyak dan seberapa jauh data yang ada menyebar. Beberapa distribusi data,
bisa saja memiliki ukuran pemusatan yang sama, namun setiap distribusi data
memiliki variasi data yang berbeda-beda. Kita coba lihat ilustrasi berikut ini.
Distribusi data 1:
15 30 15 30 15 Mean: 21
Distribusi data 2:
21 21 21 21 21 Mean: 21
Distribusi data 3:
11 31 10 32 21 Mean: 21
Ketiga distribusi yang ada menunjukkan kesamaan ukuran pemusatan, yaitu

rata-ratanya 21, namun demikian jika kita cermati variasi data yang ada maka
menunjukkan adanya perbedaan antara distribusi data 1, 2, dan 3. Dengan
demikian, dalam penyajian data, tidak cukup hanya menampilkan ukuran
pemusatan saja, namun ukuran penyebaran juga perlu kita tampilkan.
Ukuran penyebaran akan memberikan gambaran kepada kita tentang
seberapa jauh data yang ada menyimpang dari nilai pusatnya. Semakin besar
nilai yang ditunjukkan ukuran penyebaran, semakin menyimpang data dari
titik pusatnya sehingga data yang seperti ini, menunjukkan adanya
heterogenitas data, sedangkan semakin kecil nilai yang ditunjukkan ukuran
penyebaran maka data yang ada semakin terpusat sehingga data yang seperti
ini, akan menunjukkan adanya homogenitas data. Dalam Kegiatan Belajar 2
ini, kita akan membahas tentang Index of qualitative variation (IQV),
jangkauan/rentang (range), simpangan baku/deviasi standar, dan variansi.
 ISIP4215/MODUL 3 3.19
A. INDEX OF QUALITATIVE VARIATION (IQV)
IQV merupakan ukuran penyebaran yang digunakan di dalam data

kualitatif. Perhitungan nilai IQV berbentuk persentase, dimana nilai IQV
100% menunjukkan adanya heterogenitas yang mutlak, sedangkan nilai IQV
0% menunjukkan adanya homogenitas yang mutlak. Untuk menghitung iqv
kita gunakan rumus sebagai berikut;
Total.number.of .observed .differences A

IQV   100   100
Maximum.number.of . possible.differences B
Keterangan:
n 2  l  1
B
2l
l = jumlah kategori
n = jumlah data
Kita langsung saja dengan menggunakan contoh kasus berikut.
Tabel 3.7
N = 140
Perguruan tinggi favorit 20 14.29
Kualitas pengajar 30 21.43
Jarak dengan rumah 10 7.14
Biaya perkuliahan 45 32.14
Fasilitas belajar-mengajar 35 25
Total 140 100
Total number (A) =

20 (30 + 10 + 45 + 35) + 30 (10 + 45 + 35) + 10 (45 + 35) + 45 (35) =
2400 + 2700 + 800 + 1575 = 7475
n 2  l  1 1402  5  1 19600  4
Maximum (B) =    7840
2l 2.5 10
A 7475
IQV  100  100  95,34
B 7840
Dari hasil perhitungan iqv, kita bisa simpulkan bahwa data mengenai alasan
pemilihan perguruan tinggi sangat heterogen (mendekati 100%).
B. JANGKAUAN (RANGE)
Jangkauan atau jarak merupakan ukuran penyebaran yang paling

sederhana untuk menghitung dan menginterpretasikan data. Rentang bisa kita
artikan sebagai perbedaan antara nilai terbesar dan nilai terkecil dalam
sebuah distribusi data. Mengingat rentang merupakan ukuran penyebaran
yang paling sederhana maka perhitungan ini memang jarang sekali
digunakan. Selain karena merupakan perhitungan sederhana, alasan lainnya
karena nilai ini juga sangat dipengaruhi oleh nilai ekstrem. Contoh
perhitungan rentang bisa kita lihat dengan menggunakan distribusi data
sebagai berikut:
50 78 65 82 71 50 70 60 88 90
72 63 50 66 77 50 62 71 60 55
Rentang yang ada dalam ujian mahasiswa adalah: 40. Angka ini didapat dari
selisih antara nilai tertinggi (90) dengan nilai terendah (50).
C. VARIANSI DAN DEVIASI STANDAR
Variansi dan deviasi standar merupakan ukuran penyebaran yang

didasarkan pada penyimpangan setiap nilai pengamatan terhadap nilai rata-
rata. Variansi merupakan jumlah kuadrat dari selisih nilai pengamatan
dengan nilai rata-rata hitung, sedangkan deviasi standar merupakan akar dari
variansi. Dalam menghitung variansi maupun deviasi standar, kita harus
membedakan antara data yang dikelompokkan dan data yang tidak
dikelompokkan dan juga antara populasi dan sampel.
 ISIP4215/MODUL 3 3.21
1. Variansi dan Deviasi Standar untuk Data yang tidak

Dikelompokkan
Rumus untuk menghitung variansi (untuk populasi dan sampel) dari data
yang tidak dikelompokkan adalah sebagai berikut.
Variansi di populasi Variansi di sampel

x   x  x
2 2
2  S2 
N n 1
Keterangan:
σ 2 (dibaca sigma kuadrat) = variansi S2 (dibaca sigma kuadrat) = variansi
di populasi di sampel
x = data pengamatan x = data pengamatan
Kita akan coba langsung dengan menerapkan kasus yang ada dengan
menggunakan distribusi data yang sudah kita miliki sebelumnya.
50 78 65 82 71 50 70 60 88 90
72 63 50 66 77 50 62 71 60 55
Untuk menghitung nilai variansi dan deviasi standar, langkah pertama adalah
menghitung nilai rata-ratanya terlebih dahulu. Nilai rata-rata untuk distribusi
data yang ada adalah:
50+78+65+82+71+50+70+60+88+90+72+63+50+66+77+50+62+71+60+55
μ  66,5
20
Setelah kita ketahui nilai rata-ratanya maka ada baiknya kita membuat tabel
sebagai berikut.
x  µ atau x  X x   atau  x  x 
2 2
x
50 (50 - 66,5) = -16,5 272,25
78 (78 - 66,5) = 11,5 132,25
65 (65 - 66,5) = -1,5 2,25
82 (82 - 66,5) = 15,5 240,25
71 (71 - 66,5) = 4,5 20,25
50 (50 - 66,5) = -16,5 272,25
70 (70 - 66,5) = 3,5 12,25
60 (60 - 66,5) = -6,5 42,25
88 (88 - 66,5) = 21,5 462,25
90 (90 - 66,5) = 23,5 552,25
72 (72 - 66,5) = 5,5 30,25
63 (63 - 66,5) = -3,5 12,25
50 (50 - 66,5) = -16,5 272,25
66 (66 - 66,5) = -0,5 0,25
77 (77 - 66,5) = 10,5 110,25
50 (50 - 66,5) = -16,5 272,25
62 (62 - 66,5) = -4,5 20,25
71 (71 - 66,5) = 4,5 20,25
60 (60 - 66,5) = -6,5 42,25
55 (55 - 66,5) = -11,5 132,25
Total 2921
Dengan demikian, nilai variansi jika data tersebut merupakan data populasi
adalah:
 x   
2
2921
2    146,05
N 20
Nilai variansi jika data tersebut merupakan data sampel adalah:
 x  x 
2
2921
S 2
 
 153,74
n 1 19
Jika kita sudah mengetahui nilai variansi maka untuk menghitung nilai
deviasi standar, kita tinggal menghitung akar dari variansi sehingga deviasi
standar untuk data di populasi adalah 146,05  12,09 , sedangkan untuk
deviasi standar di sampel adalah 153,74  12,39
 ISIP4215/MODUL 3 3.23
2. Variansi dan Deviasi Standar untuk Data yang Dikelompokkan

Rumus untuk menghitung variansi (untuk populasi dan sampel) dari data
yang tidak dikelompokkan adalah sebagai berikut:
Variansi di populasi Variansi di sampel

 f  x    f  x  x 
2 2
2  i
S2 
i
N n 1
Keterangan:
σ 2 (dibaca sigma kuadrat) = variansi S2 (dibaca sigma kuadrat) = variansi
di populasi di sampel
xi = nilai tengah kelas xi = nilai tengah kelas
f = frekuensi kelas f = frekuensi kelas
Kita langsung saja dengan contoh menggunakan kasus yang sudah kita
miliki.
Tabel 3.8
Skor Tes Anak
(N = 80)
Batas Kelas Nilai
Frekuensi
nyata tengah
( fi )
( xi )
32,5 < x ≤ 41,5 4 37
41,5 < x ≤ 50,5 5 46
50,5 < x ≤ 59,5 4 55
59,5 < x ≤ 68,5 12 64
68,5 < x ≤ 77,5 19 73
77,5 < x ≤ 86,5 16 82
86,5 < x ≤ 95,5 17 91
95,5 < x ≤ 104,5 3 100
Total 80
Untuk menghitung nilai variansi dan deviasi standar, langkah pertama adalah
menghitung nilai rata-ratanya terlebih dahulu. Nilai rata-rata untuk distribusi
data yang ada adalah:

 (4×37)+(5×46)+ (4×55)+(12×64)+(19×73)+(16×82)+(17×91)+(3×100)  73,9
80
Setelah kita ketahui nilai rata-ratanya maka ada baiknya kita membuat tabel
sebagai berikut;
Nilai (Xi - µ)2 f (Xi - µ)2

Batas Kelas nyata Frekuensi Xi - µ atau
tengah atau atau
( f) Xi - X
( xi ) ( Xi - X )2 f ( Xi - X )2
32,5 < x ≤ 41,5 4 37 (37 -73,9) = -36,9 1361,61 5446,44
41,5 < x ≤ 50,5 5 46 (46 -73,9) = -27,9 778,41 3892,05
50,5 < x ≤ 59,5 4 55 (55 -73,9) = -18,9 357,21 1428,84
59,5 < x ≤ 68,5 12 64 (64 -73,9) = -9,9 98,01 1176,12
68,5 < x ≤ 77,5 19 73 (73 -73,9) = -0,9 0,81 15,39
77,5 < x ≤ 86,5 16 82 (82 -73,9) = 8,1 65,61 1049,76
86,5 < x ≤ 95,5 17 91 (91 -73,9) = 17,1 292,41 4970,97
95,5 < x ≤ 104,5 3 100 (100 -73,9) = 26,1 681,21 2043,63
Total 80 20023,2
Dengan demikian, nilai variansi jika data tersebut merupakan data populasi
adalah:
 f x  
2
20023, 2
 2

i
  250, 29
N 80
Nilai variansi jika data tersebut merupakan data sampel adalah:
 x  x 
2
20023, 2
S 2
   253, 46
n 1 79
Jika kita sudah mengetahui nilai variansi maka untuk menghitung nilai
deviasi standar, kita tinggal menghitung akar dari variansi sehingga deviasi
standar untuk data di populasi adalah 250, 29  15,82 , sedangkan untuk
deviasi standar di sampel adalah 253, 46  15,92 .
 ISIP4215/MODUL 3 3.25
LAT IH A N

Dalam satu penelitian, didapat data tentang jumlah produksi yang

dihasilkan setiap orang sebagai berikut:
20 18 35 42 11 25 40 30 28 40
32 23 40 26 37 30 42 21 30 25
30 28 45 42 31 40 20 30 28 40
32 23 30 26 37 30 42 31 30 25
Berdasar data tentang jumlah produksi tersebut, cobalah menghitung

ukuran penyebaran untuk data tentang jumlah produksi yang sudah
dikelompokkan!
1) Buatlah tabel frekuensi lengkap dengan menggunakan metode sturges

2) Hitunglah range, variansi, dan deviasi standar untuk tabel frekuensi yang
sudah Anda buat
R A NG KU M AN
Ukuran penyebaran, merupakan ukuran yang memberikan gambaran

kepada kita mengenai variasi dari data yang ada dalam sebuah distribusi.
Ukuran penyebaran menunjukkan seberapa banyak dan seberapa jauh
data yang ada menyebar. Beberapa distribusi data, bisa saja memiliki
ukuran pemusatan yang sama, namun setiap distribusi data memiliki
variasi data yang berbeda-beda.
Ukuran penyebaran untuk data kualitatif adalah iqv, sedangkan
ukuran penyebaran untuk data kuantitatif adalah range atau jarak,
variansi, dan deviasi standar. Baik variansi maupun deviasi standar
terdapat perbedaan rumus yang digunakan untuk data yang tidak
dikelompokkan maupun untuk data yang dikelompokkan. Notasi yang
digunakan di tingkat populasi dan di tingkat sampel juga berbeda.
TES F OR M AT IF 2

1) Range untuk distribusi data berikut adalah ....
20 18 35 42 11 25 40 30 28 50
A. 20
B. 30
C. 39
D. 50
2) Nilai variance untuk distribusi data populasi berikut adalah ....

20 18 35 42 11 25 40 30 28 50
A. 11,41
B. 29,9
C. 130,29
D. 299
3) Nilai deviasi standar untuk distribusi data populasi berikut adalah ....
20 18 35 42 11 25 40 30 28 50
A. 11,41
B. 29,9
C. 130,29
D. 299
4) Nilai Nilai variance untuk distribusi data sampel berikut adalah....
20 18 35 42 11 25 40 30 28 50
A. 11,41
B. 130,29
C. 144,76
D. 299
5) Nilai deviasi standar untuk distribusi data sampel berikut adalah....
20 18 35 42 11 25 40 30 28 50
A. 11,41
B. 12,03
C. 130,29
D. 144,76
 ISIP4215/MODUL 3 3.27


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Tes Formatif 1
1) D. Dalam distribusi data tersebut adalah 18, 20, dan 25 muncul
sebanyak 2 kali.
2) B. Posisi median berada di antara data ke 5 dan ke 6 sehingga harus
dicari nilai dengan menjumlahkan kedua data tersebut dan dibagi
dua, dengan demikian (20+25)/2 = 22,5.
3) B. Mean untuk distribusi data tersebut adalah 283/10 = 28,3
4) B. Nilai modusnya adalah 32, 29
5) C. Nilai meannya adalah 1160/40 = 29.
Tes Formatif 2
1) C. Range data tersebut dihasilkan dari 50 – 11 = 39
2) C. Rumus untuk variansi di populasi dengan data tidak dikelompokkan
 x   
2
adalah  2 
N
3) A. Rumus untuk deviasi standar di populasi dengan data tidak
dikelompokkan adalah  2
4) C. Rumus untuk variansi di sampel dengan data tidak dikelompokkan
 x  x 
2
adalah S 2

n 1
5) B. Rumus untuk deviasi standar di sampel dengan data tidak
dikelompokkan adalah S2
 ISIP4215/MODUL 3 3.29
Glosarium
Data berkelompok : data yang sudah dikelompokkan dalam bentuk distribusi

frekuensi.
Nilai mutlak : nilai yang mengabaikan tanda negatif.
Populasi : semua hal, objek, atau orang yang ingin dipelajari atau
diteliti.
Daftar Pustaka
Algifari. Statistika Induktif untuk Ekonomi dan Bisnis. Yogyakarta: Akademi

Manajemen Perusahaan YKPN, 2003. Edisi ke-2.
Ott.. et.al. 1992. Statistics A Tool for the Social Sciences. 5 thed. Belmont,
Purwanto, Suharyadi. 2004. Statistika untuk Ekonomi dan Keuangan

Modern. Jakarta: Salemba Empat.
Sugiarto, Dergibson Siagian. 2000. Metode Statistika untuk Bisnis dan

Ekonomi. Jakarta: Gramedia Pustaka Utama.
Modul 4
Probabilita
P EN D A HU L UA N
D alam setiap penelitian, peneliti ingin mengambil suatu kesimpulan atas

apa yang telah diteliti. Misalnya, peneliti melakukan penelitian
mengenai sikap mahasiswa UT terhadap pelayanan mahasiswa (Pelma).
Untuk mengetahui bagaimana sikap mahasiswa UT tentunya akan sulit jika
peneliti meneliti seluruh mahasiswa UT yang berjumlah ratusan ribu, dan
tersebar di seluruh pulau yang ada di Indonesia. Satu cara yang bisa
dilakukan adalah dengan mengambil sampel. Misalnya, peneliti mengambil
sebanyak sepuluh ribu mahasiswa. Sepuluh ribu mahasiswa tersebut, kita
sebut sebagai sampel. Nah, setelah meneliti sepuluh ribu mahasiswa tersebut
maka peneliti dapat mengambil kesimpulan atas sikap mahasiswa yang
diteliti atau dengan kata lain peneliti dapat mengambil kesimpulan atas
sampel yang diambil. Anggaplah sikap dari sepuluh ribu mahasiswa yang
dijadikan sampel adalah positif.
Apakah penelitian itu sudah selesai? Bukankah peneliti sesungguhnya
ingin mengetahui bagaimana sikap mahasiswa secara keseluruhan? Untuk itu,
peneliti bisa melakukan suatu teknik yang kita sebut sebagai inferensi, yaitu
penarikan kesimpulan terhadap data populasi yang didasarkan pada data yang
ada di sampel. Untuk dapat melakukan inferensi maka syarat utama yang
harus dipenuhi adalah pengambilan sampel yang representatif atau mewakili.
Sampel dikatakan dapat mewakili populasi, apabila proses penarikannya
dilakukan secara probabilita. Apa pengertian probabilita dan bagaimana
akurasi dalam inferensi inilah yang akan kita pelajari dalam modul ini.
Modul ini akan banyak berguna bagi mahasiswa dan juga bagi mereka
yang tertarik pada investasi ekonomi. Dengan memahami teori peluang maka
mereka bisa menghitung kemungkinan untung dan rugi dalam investasi.
Setelah mempelajari Modul 4 ini, Anda diharapkan dapat melakukan
perhitungan probabilita. Secara khusus, setelah mempelajari Modul 4 ini,
Anda dapat:
1. menjelaskan pengertian probabilita;

2. menjelaskan asas-asas peristiwa probabilita;
3. melakukan perhitungan distribusi peluang.
Kegiatan Belajar 1
Teori Probabilita
A. PENGERTIAN PROBABILITA
Apa sesungguhnya pengertian dari probabilita? Pada dasarnya dalam

kehidupan sehari-hari kita selalu melakukan perhitungan-perhitungan
probabilita. Pernahkah Anda memperhitungkan siapa yang akan menang
dalam pertandingan final sepak bola antara Inggris melawan Belanda? Atau
pernahkah Anda bertanya apakah saya akan lulus dalam ujian statistik? Nah
jawaban dari masing-masing pertanyaan tadi sederhana. Bisa saja, Belanda
memenangkan pertandingan melawan Inggris. Kemungkinan lain, bisa saja
Inggris memenangkan pertandingan. Demikian halnya, bisa saja Anda lulus
dalam ujian statistik, atau bisa juga Anda tidak lulus dalam ujian statistik.
Apabila kita perhatikan dengan saksama maka jawaban yang ada merupakan
jawaban yang tidak pasti, bisa Belanda yang menang, bisa Inggris yang
menang, bisa lulus atau bisa tidak lulus. Dalam kedua kasus ini,
sesungguhnya kita sudah melakukan teknik probabilita. Dengan demikian,
probabilita dapat kita artikan sebagai suatu perhitungan yang didasarkan pada
peluang atau kemungkinan.
Berdasar kasus tadi, kita juga dapat mengetahui bagaimana peluang dari
satu kejadian. Peluang Belanda untuk memenangkan pertandingan adalah
0,5. Demikian pula peluang Inggris untuk memenangkan pertandingan juga
0,5. Bagaimana kita dapat mengatakan demikian? Dalam hal ini, kita perlu
memperhatikan apa yang disebut sebagai alternatif kemungkinan (dalam
statistik diberi notasi n), dan kita juga harus tahu peristiwa atau kejadian atau
percobaan yang dilakukan (diberi notasi x). Dengan demikian, ada 2 tim yang
masing-masing memiliki 2 kemungkinan (alternatif kemungkinan menang
atau kalah), dan ada satu peristiwa (yang dinginkan adalah menang)
sehingga berdasar rumus probabilita maka kemungkinan Belanda menang
adalah satu dari dua kemungkinan atau 1/2 (0,5). Demikian pula
kemungkinan lulus ujian, di mana ada 2 alternatif kemungkinan (lulus atau
gagal), dan ada satu peristiwa yang diinginkan, yaitu lulus (jika lulus
tentunya tidak mungkin gagal). Dengan demikian, probabilita Anda lulus
ujian adalah satu dari dua kemungkinan atau 1/2 (0,5).
Nilai peluang atau probabilita, berkisar antara 0 hingga 1. Peluang nol

adalah peluang terhadap suatu kejadian yang tidak mungkin terjadi. Peluang
bahwa manusia bisa hidup dengan tidak bernapas selama 24 jam adalah nol
(tidak mungkin terjadi). Peluang satu adalah peluang terhadap suatu kejadian
yang pasti terjadi. Peluang bahwa manusia perlu udara untuk hidup adalah
satu (pasti terjadi), sedangkan peluang yang terjadi antara nol hingga satu
adalah peluang yang banyak terjadi dalam kehidupan sosial manusia, seperti
halnya kasus sepak bola.
Mari kita lihat contoh lain. Kita bermain-main dengan uang logam. Kita
lemparkan uang logam ke udara, kemudian kita minta rekan kita menebak
apakah sisi bagian atas berupa gambar atau angka. Berapa peluang
munculnya gambar pada sisi bagian atas ketika uang logam sudah kita
lempar? Ada dua sisi mata uang logam, satu sisi berupa gambar dan satu sisi
berupa angka. Dengan demikian, kemungkinan munculnya sisi gambar dalam
lemparan adalah satu dari 2 kemungkinan.
Kemungkinan muncul gambar = peristiwa
Kemungkinan muncul angka = peristiwa
Keseluruhan peristiwa = ruang sampel = alternatif kemungkinan yang ada.
Untuk memahami tentang probabilita, kita sebaiknya mengetahui

terlebih dahulu beberapa asumsi yang dijadikan dasar dalam teori probabilita
sebagai berikut:
1. Probabilita akan berada pada nilai antara 0 sampai 1.
2. Nilai peluang komplemen dari satu kejadian adalah 1 dikurangi nilai
kejadian tersebut. Misalnya, peluang terjadinya kebakaran adalah 0,3
maka peluang tidak terjadinya kebakaran adalah 0,7
3. P (A  B) = P (A) + P(B) – P(A∩B). Notasi  kita bahasakan sebagai
atau, sedangkan notasi ∩ kita bahasakan sebagai dan. Asumsi ini disebut
juga non-exclusive (tidak saling terpisah), yaitu suatu kejadian di mana
ada dua atau lebih kejadian yang dapat terjadi bersamaan, tetapi tidak
selalu. Dengan kata lain, ada elemen bersama, yaitu ada elemen di A dan
juga di B. Dalam diagram Venn, terlihat bahwa ada kelompok A,
kelompok B, dan ada kelompok AB.
Rumus P(AUB) = P(A) + P(B) - P(A∩B)

Contoh: Apabila dalam satu kelas terdapat 50 orang mahasiswa, 35 di
antaranya mengambil mata kuliah statistik, dan 35 lainnya
mengambil mata kuliah metode penelitian. 20 dari mereka
mengambil mata kuliah statistik dan metode penelitian.
Pertanyaannya adalah berapa peluang mereka yang meng-
ambil statistik saja atau metode penelitian saja? Apabila
mereka yang mengambil statistik kita anggap kelompok A. dan
mereka yang mengambil metode penelitian kelompok B. maka
35 35 20
P(A) = , P(B) = , dan P(A∩B) = maka
50 50 50
35 35 20
P(AUB) =   1
50 50 50
Jika digambarkan dalam diagram ven akan tampak sebagai
berikut;
A = 15
AB =
20
B = 15
Selain terdapat 3 asumsi dasar, dalam perhitungan probabilita juga ada 3

pendekatan yang bisa digunakan sebagai berikut.
x
1. Pendekatan Klasik: rumus yang digunakan adalah P (A) =
n
di mana x = peristiwa dan n = ruang sampel
Contoh: Kita memiliki sebuah dadu. Kita tahu bahwa dadu memiliki
enam sisi, di mana setiap sisi memiliki satu bulatan hingga
enam bulatan. Apabila kita melempar dadu tersebut maka
berapa peluang munculnya sisi satu bulatan di atas? Berdasar
rumus kita bisa hitung bahwa probabilita munculnya satu
bulatan adalah 1/6.
2. Pendekatan Frekuensi Relatif: untuk menghitung probabilita atas suatu

kejadian kita memakai data masa lalu. Dengan demikian, pendekatan ini
bisa digunakan apabila pengamatan dilakukan dari percobaan berulang,
serta kondisi untuk jangka panjang relatif stabil.
Contoh: Apabila diketahui data untuk tahun 1999 terjadi kecelakaan
sebanyak 150 di mana 75 di antaranya karena supir mengantuk.
Jika pada tahun 2000 terjadi 200 kecelakaan maka berdasar
data yang ada pada tahun 1999 tersebut, kita bisa menduga
bahwa tahun 2000 akan terjadi kecelakaan yang disebabkan
75
mengantuk sebesar  200  100.
150
3. Pendekatan Subjektif: perhitungan probabilita ini didasarkan pada

tingkat kepercayaan seseorang terhadap suatu kejadian. Orang-orang
yang memiliki probabilita 0, sering kali kita sebut sebagai orang yang
pesimis, sedangkan orang yang memiliki probabilita 1, kita sebut sebagai
seorang yang optimis. Misalnya saja, saya ditanya apakah pemerintah
Orba masih memiliki pengaruh di masa reformasi, saya bisa mengatakan
kemungkinan itu kecil, hanya 10%. Dugaan ini didasarkan pada
subjektivitas saja. Mungkin saja, organisasi nonpemerintah yang ada di
luar pemerintah optimis (100%) bahwa pemerintah Orba masih memiliki
pengaruh di masa reformasi.
B. ASAS-ASAS PERISTIWA
Dalam perhitungan probabilita ada beberapa peristiwa yang mungkin

saja terjadi. Berikut ini akan kita lihat 4 asas peristiwa.
1. Mutually exclusive (saling terpisah): suatu peristiwa di mana ada dua
atau lebih kejadian yang terpisah. Kejadian A terpisah dengan kejadian
B. Dengan kata lain, tidak ada hubungan dan keterkaitan antara A dan B.
Tidak ada elemen bersama, yaitu elemen yang ada di A dan sekaligus
ada di B. Dalam diagram Venn maka peristiwa ini dapat digambarkan
sebagai berikut.
Rumus untuk P(AUB) = P(A) + P(B)

Rumus ini dibahasakan sebagai probabilita A atau B sama dengan
probabilita A ditambah probabilita B.
Contoh: Suatu instansi sedang mencari pegawai baru. Setelah
diumumkan melalui surat kabar, ternyata ada 5 orang yang
mengajukan lamaran kerja, yaitu Anto, Budi, Chyntia, Dedi,
serta Eko. Pertanyaannya adalah berapa peluang bahwa yang
terpilih atau pelamar yang diterima kerja di instansi tersebut
adalah Anto atau Budi?
Probabilita atau peluang bahwa Anto terpilih adalah satu dari lima
kemungkinan, demikian pula peluang bahwa Budi yang terpilih adalah
satu dari lima kemungkinan, dengan demikian
1 1 2
P (AUB) = P (A) + P(B) =  
5 5 5
2. Asas peristiwa kedua adalah Peristiwa Independen (bebas), yaitu suatu

peristiwa yang tidak mempengaruhi peristiwa lainnya. Apabila kita
melempar mata uang satu kali maka peluang munculnya gambar adalah
1/2. Apabila kita melempar mata uang untuk kedua kalinya maka
peluang munculnya gambar lagi adalah setengah. Hal ini terjadi karena
kedua kejadian tersebut adalah independen, di mana lemparan pertama
tidak mempengaruhi lemparan kedua. Kemudian, berapa peluang sisi
gambar akan muncul dalam dua kali lemparan? Untuk menghitung
peluang tersebut, kita dapat mengalikan hasil peluang marginal. Dengan
demikian, rumus untuk kejadian gabungan independen adalah
P(A∩B) = P(A)  P(B) sehingga peluang munculnya gambar pada
1 1 1
putaran pertama dan gambar lagi pada putaran kedua adalah  
2 2 4
3. Asas peristiwa yang ketiga adalah asas peristiwa Dependen, yaitu suatu
peristiwa tergantung pada peristiwa lain. Kejadian ini juga sering
disebut kejadian bersyarat, yaitu suatu peristiwa yang keberadaannya
disyaratkan oleh peristiwa lain. Rumus untuk bersyarat yang dependen:
P(GnH)
P(G/H) =
P(H)
P(G/H) dibahasakan sebagai peluang G jika H
Dengan demikian, apa yang menjadi syaratnya merupakan bilangan
pembaginya. Misalnya, kita memasukkan 10 bola ke dalam sebuah
wadah yang kosong dan tertutup, di mana ada 1 bola dengan warna
hitam dan memiliki motif kotak. 3 bola berwarna hitam dengan motif
bergaris, 2 bola berwarna putih dengan motif bergaris, serta 4 bola
berwarna putih dengan motif kotak. Pertanyaannya adalah berapa
peluang terambilnya bola bermotif kotak jika bola tersebut berwarna
hitam? Kita lihat satu persatu.
1
Peluang bola bermotif kotak dan berwarna hitam adalah
10
4
Peluang bola berwarna hitam adalah
10
Maka berdasar rumus bersyarat dependen peluang terambilnya bola
1 4 1
bermotif kotak jika bola tersebut berwarna hitam adalah 
10 10 4
Saudara Mahasiswa, Anda telah mempelajari mengenai asas

peristiwa, kini cobalah kerjakan tugas berikut, untuk membantu
Anda memahami materi yang ada. Cobalah mengerjakan sendiri,
kemudian cocokkan dengan jawaban yang ada di bawah tugas ini.
Dari data yang ada di biro kepegawaian, tercatat ada 100 orang yang
bekerja di sebuah perusahaan pemasaran. Dari 100 orang tersebut,
tercatat posisi manajer sebanyak 10 orang, di antaranya lulusan
perguruan tinggi sebanyak 5 orang. Mereka yang dari perguruan
tinggi sendiri tercatat ada 20 orang, dan di antaranya menjadi staf
sebanyak 10 orang. Total staf yang ada sebanyak 60 orang, dan di
antaranya 25 orang lulusan SMA. Sementara itu terdapat 15 orang
lulusan SMA yang menjabat sebagai sekretaris. Lulusan akademi
yang bekerja di tempat tersebut sebanyak 40 orang, di antaranya
yang menjabat sebagai manajer sebanyak 5 orang.
Hitunglah peluang seseorang adalah:

a. manager
b. lulusan akademi
c. sekretaris dan dia lulusan akademi
d. lulusan akademi dan menjabat sebagai staf
e. staf jika ia lulusan perguruan tinggi
f. lulusan SMA jika ia menjabat sebagai sekretaris
g. lulusan akademi atau menjabat sebagai manajer
Untuk bisa mengerjakan tugas tersebut, kita harus membuat tabel silang
terlebih dahulu.
Perguruan
SMA Akademi total
tinggi
Manager 0 5 5 10
Sekretaris 15 10 5 30
Staf 25 25 10 60
total 40 40 20 100
Maka peluang seseorang adalah:
10
a. Manager =
100
40
b. lulusan akademi =
100
10
c. sekretaris dan dia lulusan akademi =
100
25
d. lulusan akademi dan menjabat sebagai staf =
100
10
e. staf jika ia lulusan perguruan tinggi =
20
15
f. lulusan SMA jika ia menjabat sebagai sekretaris =
30
g. lulusan akademi atau menjabat sebagai manager =
40 10 5 45
  
100 100 100 100
C. RUANG SAMPEL
Apabila dalam bagian sebelumnya kita dapat menghitung berapa

probabilita dari satu kejadian atau percobaan, dengan menghitung peluang
yang diharapkan dibandingkan dengan semua alternatif kejadian yang
mungkin terjadi maka kita juga dapat menghitung berapa banyak alternatif
kejadian yang mungkin terjadi, bila percobaan dilakukan beberapa kali.
Alternatif dari seluruh kejadian dalam beberapa percobaan tersebut, dikenal
sebagai ruang sampel.
Misalnya saja, kita memiliki sebuah dadu. Kita tahu bahwa dadu
memiliki enam sisi. Masing-masing sisi berisi 1 bulatan, 2 bulatan, 3 bulatan,
4 bulatan, 5 bulatan, dan 6 bulatan. Apabila dadu tersebut kita lempar dua
kali maka berapa kombinasi yang mungkin terjadi dalam dua kali lemparan
tersebut? Untuk mengetahui ini, kita buat diagram berikut:
 ISIP4215/MODUL 4 4.11
Diagram kombinasi
Sisi dadu pada Sisi dadu pada lemparan pertama

lemparan kedua 1 2 3 4 5 6
1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
Dengan melihat diagram kombinasi maka kita tahu bahwa ada 36

kombinasi yang mungkin terjadi. Permasalahannya sekarang adalah ada
beberapa perhitungan yang bisa membuat perbedaan jumlah kombinasi yang
ada, yaitu apabila kita memperhitungkan pemulihan dan memperhatikan
urutan.
1. Dengan Pemulihan dan dengan Urutan

Dalam kondisi ini, kita memperhatikan pemulihan dan memperhatikan
urutannya. Memperhatikan pemulihan berarti apabila pada lemparan pertama
sisi satu yang muncul maka sisi kedua masih memungkinkan sisi satu untuk
muncul kembali. Dengan demikian, kemungkinan hasil percobaan (1,1)
adalah mungkin saja terjadi, demikian pula dengan sisi (2,2), (3,3).
Memperhatikan urutan, berarti apabila lemparan pertama adalah sisi satu, dan
lemparan kedua sisi dua maka akan berbeda dengan lemparan pertama sisi
dua, dan lemparan kedua sisi satu: (1.2) ≠ (2.1). Dengan demikian, seluruh
kombinasi yang ada dalam diagram di atas merupakan ruang sampel.

1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
Rumus untuk ruang sampel dengan pemulihan dan dengan urutan adalah
N n , di mana N = jumlah sisi (populasi) dan n = jumlah percobaan (sampel).
Dalam kasus dadu ini maka N
n
 62  36
2. Tanpa Pemulihan dan Tanpa Urutan

Kondisi ini menunjukkan bila pada lemparan pertama sisi satu muncul
maka pada lemparan kedua, sisi satu tidak mungkin muncul kembali. Tanpa
urutan menunjuk pada kenyataan bahwa kombinasi (1,2) = (2,1), dan
(3,5) = (5,3) sehingga kita hanya bisa menggunakan salah satu saja. Dengan
demikian, dalam diagram kombinasi ruang sampelnya adalah:

1 (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,3) (2,4) (2,5) (2,6)
3 (3,4) (3,5) (3,6)
4 (4,5) (4,6)
5 (5,6)
6
Atau

1
2 (2,1)
3 (3,1) (3,2)
4 (4,1) (4,2) (4,3)
5 (5,1) (5,2) (5,3) (5,4)
6 (6,1) (6,2) (6,3) (6,4) (6,5)
Rumus untuk ruang sampel, tanpa pemulihan dan tanpa urutan adalah:
N
 
n
 ISIP4215/MODUL 4 4.13
di mana N = jumlah sisi (populasi), dan n = jumlah percobaan (sampel).

N!
Rumus ini dijabarkan menjadi:
n!(N  n)!
N! dibaca (N faktorial) adalah bilangan tersebut dikalikan bilangan yang ada

di bawahnya hingga bilangan satu. Dengan catatan 0! = 1
6! 6, 5, 4, 3, 2,1
Dalam kasus dadu ini maka =  15
2!(6  2)! 2,1 4, 3, 2,1
3. Dengan Pemulihan dan Tanpa Urutan

Dengan pemulihan dan tanpa urutan dalam diagram kombinasi ruang
sampelnya adalah:

1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,2) (2,3) (2,4) (2,5) (2,6)
3 (3,3) (3,4) (3,5) (3,6)
4 (4,4) (4,5) (4,6)
5 (5,5) (5,6)
6 (6,6)
Atau

1 (1,1)
2 (2,1) (2,2)
3 (3,1) (3,2) (3,3)
4 (4,1) (4,2) (4,3) (4,4)
5 (5,1) (5,2) (5,3) (5,4) (5,5)
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
Rumus untuk ruang sampel dengan pemulihan dan tanpa urutan adalah:
  N  n  1 
 
 n 
  6  2  1   7 
Dalam kasus dadu ini maka      sehingga kita jabarkan lagi
 2  2
 7!  7.6.5.4.3.2.1
menjadi     21
 2! 7  2 !  2.1 5.4.3.2.1
4. Tanpa Pemulihan dan dengan Urutan

Tanpa pemulihan dan dengan urutan dalam diagram kombinasi ruang
sampelnya adalah:

1 (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,1) (2,3) (2,4) (2,5) (2,6)
3 (3,1) (3,2) (3,4) (3,5) (3,6)
4 (4,1) (4,2) (4,3) (4,5) (4,6)
5 (5,1) (5,2) (5,3) (5,4) (5,6)
6 (6,1) (6,2) (6,3) (6,4) (6,5)
Rumus untuk ruang sampel, tanpa pemulihan dan dengan urutan adalah:
N.( N 1)...( N  n  1) . Didefinisikan sebagai N dikali  N  1 sampai
dengan  N  n  1 . Dalam kasus dadu maka hasilnya adalah:
6.(6 1)...(6  2 1)  6.5  30
Dengan menggunakan rumus ruang sampel, kita bisa mengetahui berapa
jumlah seluruh kombinasi yang ada. Namun, kita belum bisa mengetahui
kombinasinya. Untuk kasus dadu yang dilempar dua kali, kita bisa
mengetahui kombinasinya dengan menggunakan tabel silang seperti yang
sudah kita pelajari bersama, namun untuk jumlah sampel yang lebih dari dua
maka kita bisa gunakan diagram pohon akar. Kita coba lihat dalam kasus
 ISIP4215/MODUL 4 4.15
berikut: Iwan adalah salah satu dari panitia pemilihan kepemimpinan

organisasi pemuda, mencatat terdapat 3 calon yang memenuhi kualifikasi
untuk menjabat sebagai Ketua, Sekretaris Umum, dan Bendahara Umum,
yaitu Bonansa, Satrio, dan Sundari. Iwan mencoba untuk menentukan posisi
mereka masing-masing. Dengan menggunakan diagram pohon maka
kombinasi yang mungkin terjadi adalah sebagai berikut:
Ketua Sekretaris Bendahara Kombinasi yang muncul

Bonansa Bonansa Bonansa Bonansa
Bonansa Satria Bonansa Bonansa Satria
Sundari Bonansa Bonansa Sundari
Bonansa Bonansa Satria Bonansa
Bonansa Satria Satria Bonansa Satria Satria
Sundari Bonansa Satria Sundari
Bonansa Bonansa Sundari Bonansa
Sundari Satria Bonansa Sundari Satria
Sundari Bonansa Sundari Sundari
Bonansa Satria Bonansa Bonansa
Bonansa Satria Satria Bonansa Satria
Sundari Satria Bonansa Sundari
Bonansa Satria Satria Bonansa
Satria Satria Satria Satria Satria Satria
Sundari Satria Satria Sundari
Bonansa Satria Sundari Bonansa
Sundari Satria Satria Sundari Satria
Sundari Satria Sundari Sundari
Bonansa Sundari Bonansa Bonansa
Bonansa Satria Sundari Bonansa Satria
Sundari Sundari Bonansa Sundari
Bonansa Sundari Satria Bonansa
Sundari Satria Satria Sundari Satria Satria
Sundari Sundari Satria Sundari
Bonansa Sundari Sundari Bonansa
Sundari Satria Sundari Sundari Satria
Sundari Sundari Sundari Sundari
Dari diagram pohon ini, kita bisa lihat bahwa terdapat 27 kombinasi
yang muncul. Namun dalam kasus pemilihan ketua, sekretaris, dan bendahara
maka pemulihan tidak dimungkinkan. Tidak mungkin Bonansa menjadi ketua
sekaligus menjadi sekretaris. Sementara itu, urutan menjadi mungkin karena
bisa saja dalam salah satu kombinasi Bonansa menjadi ketua, namun dalam
kombinasi lain, Bonansa menjadi sekretaris. Dengan demikian, maka

kombinasi yang pasti untuk kasus ini adalah:
Ketua Sekretaris Bendahara

Bonansa Satria Sundari
Bonansa Sundari Satria
Satria Sundari Bonansa
Satria Bonansa Sundari
Sundari Bonansa Satria
Sundari Satria Bonansa
LAT IH A N

Hitunglah:
1) Peluang minimal muncul gambar dalam dua kali lemparan!
2) Peluang (putih) dalam kasus sepuluh bola di dalam suatu wadah!
1. Lihat lagi penjelasan tentang asas-asas peristiwa.

2. Tentukan terlebih dahulu kasus tersebut, termasuk di dalam asas
peristiwa yang mana.
3. Kerjakan memakai rumus yang ada.
R A NG KU M AN
Pengertian probabilita adalah suatu perhitungan yang didasarkan

pada peluang atau kemungkinan. Nilai peluang atau probabilita, berkisar
antara 0 hingga 1. Peluang nol adalah peluang terhadap suatu kejadian
yang tidak mungkin terjadi, sedangkan peluang satu adalah peluang
terhadap suatu kejadian yang pasti terjadi.
Dalam perhitungan probabilita ada 3 pendekatan yang bisa
digunakan, yaitu pendekatan klasik, pendekatan frekuensi relatif, serta
pendekatan subjektif. Dalam Probabilita kita juga mengenal 3 asas
peristiwa, yaitu mutually exclusive, independen, serta dependen.
 ISIP4215/MODUL 4 4.17
TES F OR M AT IF 1
1) Peluang yang tidak mungkin terjadi adalah kesebelasan Jepang memiliki

peluang ....
A. 0,8 untuk mengalahkan kesebelasan Indonesia
B. 0,2 untuk mengalahkan kesebelasan Indonesia
C. 1,5 untuk mengalahkan kesebelasan Indonesia
D. sama kuat 0,5 dengan kesebelasan Indonesia untuk saling
mengalahkan penuh
2) Pendekatan yang digunakan dalam perhitungan probabilita, antara lain

pendekatan ....
A. modern
B. frekuensi
C. frekuensi relatif
D. subjektif
3) Diagram berikut
menggambarkan peristiwa yang ....

A. mutually exclusive
B. non-exclusive
C. independen
D. dependen
4) Apabila dalam suatu kelompok studi ada 40 orang yang menjadi

anggotanya, 20 di antaranya suka bermain catur, 30 lainnya suka
bermain bola, 10 orang dari mereka suka bermain bola dan catur.
Peluang mereka yang hanya suka bermain bola saja, atau hanya suka
main catur saja adalah ....
A. 10/40
B. 20/40
C. 30/40
D. 40/40
5) Dari kasus pada soal nomor 4) peluang mereka yang hanya suka bermain
catur adalah ....
A. 10/40
B. 20/40
C. 30/40
D. 40/40


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
 ISIP4215/MODUL 4 4.19
Kegiatan Belajar 2
Distribusi Peluang
D alam Kegiatan Belajar 1 kita sudah membahas mengenai peluang atau

probabilita dari suatu kejadian. Dalam statistik kita juga mempelajari
peluang dari suatu distribusi data. Apabila kita bicara mengenai distribusi
peluang maka sama halnya dengan kita mempelajari distribusi frekuensi,
yang sudah kita pelajari pada modul sebelumnya. Dengan demikian,
distribusi peluang kita dapatkan dengan cara melakukan beberapa percobaan.
Perbedaan antara distribusi peluang dan distribusi frekuensi adalah bila kita
bicara mengenai distribusi frekuensi maka kita bicara mengenai data yang
terjadi pada hasil percobaan (observed data), sedangkan dalam distribusi
peluang, kita bicara mengenai data yang diharapkan atau diduga terjadi pada
hasil percobaan (expected data). Berdasarkan hal tersebut, maka distribusi
peluang sering kali disebut juga sebagai distribusi teoretis.
Kita coba ambil contoh tentang pelemparan mata uang logam. Uang
logam memiliki 2 sisi, yaitu sisi angka dan sisi gambar. Jika kita melakukan
percobaan dengan melempar uang logam itu dua kali maka kemungkinan
munculnya sisi angka adalah sebagai berikut:
Lemparan
I II munculnya sisi Angka Probabilita
G G 0 1/2  1/2 = 1/4
A G 1 1/2  1/2 = 1/4
G A 1 1/2  1/2 = 1/4
A A 2 1/2  1/2 = 1/4
Berdasar uraian tersebut maka distribusi munculnya angka bisa

digambarkan sebagai berikut:
Dengan demikian, probabilita munculnya sisi angka sebanyak 1 kali

adalah 0,5, probabilita munculnya sisi angka sebanyak 2 kali adalah 0,25, dan
probabilita sisi angka tidak pernah muncul adalah 0,25.
Jika kita membicarakan distribusi peluang, kita akan membahas
mengenai 2 kategori data, yaitu data yang kontinu dan data diskret. Seperti
sudah kita pelajari sebelumnya, data diskret adalah data yang tidak
mengandung pecahan (bilangan bulat), misalnya saja 1; 12; 101; 5000. Data
kontinu adalah data yang tidak bulat, dengan kata lain mengandung nilai
pecahan, misalnya 10,5; 10,7; 100,23.
A. DISTRIBUSI PROBABILITA DISKRET
Distribusi ini sesuai dengan namanya, hanya digunakan untuk variabel

yang memiliki skala diskret, yaitu nilainya bulat dan tidak dapat dibuat
pecahan. Misalnya, sikap seseorang, kelulusan seseorang, kesuksesan
seseorang, dan sebagainya. Distribusi probabilita diskret dibedakan menjadi
dua, yaitu distribusi binomial dan distribusi poisson.
1. Distribusi Binomial
Distribusi binomial adalah distribusi untuk variabel dengan dua kategori.
Distribusi binomial digunakan untuk data atau variabel diskret.
Distribusi binomial memiliki karakteristik sebagai berikut:
a. Mutually exclusive (tidak A maka pasti B)
b. Probabilita sukses: p
c. Probabilita gagal: 1  q
d. Asas peristiwa: independen
Rumus:
n!
b  x; n; p   p x .q n  x
x !(n  x)!
n = jumlah percobaan
x = jumlah kemungkinan
p = jumlah peluang
q = jumlah kemungkinan gagal
 ISIP4215/MODUL 4 4.21
Misalnya saja, kepada mahasiswa diberikan kesempatan untuk tidak

masuk kuliah sebanyak 4 kali dari 10 kali pertemuan. Jika dalam satu kelas
ada 5 mahasiswa maka peluang kelima mahasiswa tersebut jika tidak ada
yang tidak masuk?
 p  0.4  4 /10  q  0,6 1  0, 4  n5 x0
5! 5.4.3.2.1
b (0; 5; 0,4) = 0, 40 0, 65  1.0, 07776  0, 07776
0! 5  0  1.5.4.3.2.1
Kita coba lihat contoh lain, misalnya berapa peluang kelima mahasiswa
tersebut jika 1 yang tidak masuk?
 p  0, 4 p  0.6 n5 x 1
5!
b 1; 5; 0, 4   0.410.64 =
1!(5 1)!
5! 5.4.3.2.1
0, 410, 64  0, 4.0,1296  0, 2592
1! 5  1 1.4.3.2.1
Prinsip pemakaian tabel binomial:

Selain dengan cara menghitung menggunakan rumus, kita juga bisa
menemukan distribusi binomial dengan memakai tabel binomial. Kita coba
kasus yang tadi sudah kita hitung, dimana diketahui n  5, P  0, 4, x  0
Perhatikan cuplikan tabel berikut ini. (Tabel yang lebih lengkap bisa
Anda lihat di bagian lampiran.)
p p p
n x 0,4 0,45 0,5
1 0 0,6 0,55 0,5
1 0,4 0,45 0,5
5 0 0,0778 0,0503 0,0313

1 0,2592 0,2059 0,1563
2 0,3456 0,3369 0,3125
3 0,2304 0,2757 0,3125
4 0,0768 0,1128 0,1563
5 0,0102 0,0185 0,0313
maka dalam tabel binomial, titik yang ditunjuk adalah:

P
N x
0,4
5 0 0,0778
Nilai 0,0778 berdasarkan tabel adalah sama dengan nilai hasil

perhitungan dengan rumus setelah adanya pembulatan.
Kita coba kasus yang kedua, dimana n = 5, P = 0,4, x = 1

p p p
n x 0,4 0,45 0,5
1 0 0,6 0,55 0,5
1 0,4 0,45 0,5
5 0 0,0778 0,0503 0,0313

1 0,2592 0,2059 0,1563
2 0,3456 0,3369 0,3125
3 0,2304 0,2757 0,3125
4 0,0768 0,1128 0,1563
5 0,0102 0,0185 0,0313
Dengan demikian, penggunaan tabel akan mempermudah kita dalam

menemukan nilai peluang distribusi binomial.
Satu hal yang perlu diingat, ada tabel distribusi binomial yang kumulatif,
namun ada juga tabel yang tidak kumulatif, untuk itu Anda harus
memperhatikan judul tabel yang ada. Untuk tabel yang kumulatif maka harus
dikurangi dengan nilai sebelumnya, sedangkan untuk tabel yang tidak
kumulatif, angka yang tertera tidak perlu dikurangi dengan nilai sebelumnya.
Dalam BMP ini, kita gunakan tabel yang tidak kumulatif sehingga kita tidak
perlu mengurangi dengan nilai sebelumnya.
 ISIP4215/MODUL 4 4.23
Beberapa catatan tentang distribusi binomial:

1. Dalam beberapa kasus tertentu, sering kali kita tidak mengetahui nilai
rata-ratanya atau kita tidak mengetahui nilai standard deviasinya. Untuk
mengatasi hal tersebut kita bisa memakai rumus berikut:
Rumus: Mean (µ): n.p
Simpangan baku (S): npq
Misalnya saja, kita menduga bahwa dari seluruh peserta ujian, 80%
mahasiswa akan lulus. Jika dari seluruh peserta diambil 10 mahasiswa
maka kita bisa menghitung rata-ratanya : 10(0,8) = 8. Simpangan baku:
10(0,8)(0,2) = 1,265.
2. Dalam mempelajari distribusi binomial, ada satu ketentuan yang berlaku,

bahwa distribusi binomial dipengaruhi nilai p. Apabila p = 0,5 maka
distribusi binomial tersebut akan membentuk distribusi yang simetris,
apabila nilai p semakin jauh dari 0,5 maka bentuk distribusi akan
semakin menceng. Apabila p < 0,5 maka distribusi akan menceng ke
kanan, sedangkan apabila p > 0,5 maka distribusi akan menceng ke kiri.
Saudara Mahasiswa, Anda telah mempelajari mengenai distribusi

probabilita binomial, kini cobalah kerjakan tugas berikut, untuk
membantu Anda memahami materi yang ada. Cobalah
mengerjakan sendiri, kemudian cocokkan dengan jawaban yang
ada di bawah tugas ini.
Berdasarkan data yang dimiliki oleh Pola Metro Jaya, diketahui

bahwa 60% pengemudi angkutan umum di Jakarta dan sekitarnya
menggunakan sabuk pengaman ketika mengemudikan kendaraan.
Jika dipilih 10 pengemudi, hitunglah peluang:
- 7 pengemudi menggunakan sabuk pengaman
- 7 pengemudi atau kurang menggunakan sabuk pengaman
Gunakan rumus untuk mengerjakan soal pertama dan gunakan

tabel binomial untuk mengerjakan soal kedua
Soal pertama:
p  0, 6
N  10
10!
X  7 , maka b  7;10;0, 6   0, 67.0, 410  7  0, 215
7!(10  7)!
Soal kedua: yang dicari adalah x  7 , maka kita bisa menghitung

peluang dari 0 hingga 7, lalu kita jumlahkan atau kita bisa menghitung
peluang 8 hingga 10, setelah selesai, kita kurangi 1 dengan jumlah yang
sudah kita dapatkan. Cara ini lebih sederhana dibanding menjumlah peluang
0 hingga 7.
b(8;10;0,6) = 0,121
b(9;10;0,6) = 0,040
b(10;10;0,6) = 0,006
= 0,167 dengan demikian peluang x  7  1 – 0,167  0,833
2. Distribusi Poison
Berbeda dengan distribusi binomial, distribusi poisson memiliki ciri-ciri:
a. peluang terjadinya suatu kejadian sangat jarang atau sangat sering
(mendekati 0 atau mendekati 1);
b. nilai rata-rata bisa diketahui dengan cara µ  n . p ;
c. n lebih dari atau sama dengan 30
Rumus poison:
u x . e x
P(u, x) 
x!
µ = rata-rata populasi
x = nilai yang diharapkan
e = nilai eksponensial = 2,71828 (berlaku tetap)
p = jumlah peluang
Kita coba saja langsung menggunakan contoh kasus berikut:

Apabila diketahui probabilitas seseorang akan meninggal karena terkena
penyakit anjing gila adalah 0,01. Sementara itu, rata-rata orang yang
meninggal akibat menderita penyakit anjing gila adalah 2 orang. Hitunglah
peluang untuk:
 ISIP4215/MODUL 4 4.25
a. 3 orang akan meninggal!

b. tidak lebih dari 1 orang yang meninggal!
c. lebih dari 2 orang meninggal!
Untuk soal nomor satu, kita gunakan perhitungan dengan menggunakan

rumus dan juga tabel distribusi poison, sedangkan untuk soal dua dan tiga
kita hanya gunakan tabel distribusi poison. Penggunaan tabel juga seperti
halnya binomial, kita harus perhatikan apakah tabel tersebut kumulatif atau
tidak. Dalam BMP ini, yang kita gunakan adalah tabel yang tidak kumulatif.
Jawaban kasus:
23.2, 718283
a. Diketahui μ = 2, p = 0,01, x = 3, maka P(2,3)   0,1805
3!
b. Yang dicari adalah tidak lebih dari 1 orang yang meninggal sehingga
kemungkinannya kalau tidak 1 orang yang meninggal atau tidak ada
sama sekali yang meninggal (0). Dengan kata lain x ≤ 1. Untuk
menggunakan tabel maka kita hanya perlu melihat nilai x dan nilai rata-
ratanya.
Kita lihat cuplikan tabel berikut: (tabel lengkapnya bisa Anda lihat
dalam lampiran tabel)
Mean
x 1.8 1.9 2 2
0 0.16530 0.14957 0.13534 0.13534
1 0.29754 0.28418 0.27067 0.27067
2 0.26778 0.26997 0.27067 0.27067
3 0.16067 0.17098 0.18045 0.18045
Sehingga untuk x  0 dan   2 nilainya adalah 0,13534

μ
x
2
0 0,1353
Dan untuk x  1 dan   2 nilainya adalah 0,27067
μ
x
2
1 0,27067
Sehingga peluang x  1  0,1353  0, 27067  0, 40597.
c. Nilai x (peluang yang dicari) adalah lebih dari 2 orang meninggal

sehingga x > 2 maka kita harus mencari akumulasi dari peluang untuk 0,
peluang untuk 1, dan peluang untuk 2. Setelah hasilnya kita dapatkan
maka kita tinggal mengurangi 1 dengan hasil tersebut karena sebenarnya
yang akan kita cari adalah nilai yang lebih dari 2.
P (2,0) = 0,13534
P (2,1) = 0,27067
P (2,2) = 0,27067
= 0,67668, dengan demikian peluang x > 2 = 1 – 0,67668 =
0,32332
 ISIP4215/MODUL 4 4.27
B. DISTRIBUSI PROBABILITA KONTINU
Seperti namanya, distribusi kontinu pun digunakan pada variabel

kontinu untuk melihat peluang dari beberapa kejadian yang memiliki nilai
pecahan. Beberapa distribusi yang memiliki ciri kontinu adalah distribusi
normal, distribusi normal pada binomial, distribusi t-student, distribusi χ2
(chi-square), dan distribusi F. Dalam modul ini, yang akan kita pelajari hanya
distribusi normal dan distribusi normal pada binomial karena kedua distribusi
inilah yang sering digunakan dalam ilmu sosial.
1. Distribusi Normal
Distribusi normal memiliki karakteristik sebagai berikut:
a. Bentuk kurva seperti lonceng.
b. Nilai rata-rata sampel, median, serta modus berada di titik tengah data.
c. Dua sisi kurva tidak pernah menyentuh garis horizontal.
d. Total peluang di bawah kurva = 1 (100%). Karena bentuknya simetris,
maka luas area dari titik tengah ke kiri atau dari titik tengah ke kanan
sama dengan 0,5
e. 68.26% dari data terletak pada 1 (standard deviasi).
Distribusi normal dipengaruhi oleh besar-kecilnya simpangan baku.

Pada distribusi normal, kurva yang memiliki simpangan baku yang lebih
kecil, akan memiliki bentuk kurva yang lebih runcing, dengan demikian data
akan lebih terpusat, sedangkan apabila simpangan baku besar maka data akan
lebih menyebar. Dengan demikian, semakin kecil simpangan baku maka
kecenderungan data akan semakin baik.
Untuk kurva dengan rata-rata berbeda maka bentuk kurva akan sama,
namun lokasi pemusatannya berbeda.
Untuk menghitung distribusi normal, kita bisa memakai rumus berikut:

x
Rumus: Z 

Contoh: Apabila seorang pekerja bisa menghasilkan batu bata rata-rata
sebanyak 500/hari, dengan deviasi: 100/hari maka berapa
peluang seorang pekerja dapat menghasilkan batu bata
sebanyak 500-650 dalam satu hari?
Jawab:
Langkah pertama, kita hitung nilai untuk 650 berdasar rumus
Z = (650-500)/100 = 1,5. Setelah kita sudah mendapat angka hasil
perhitungan, kita bisa lihat pada tabel cuplikan normal nilai untuk 1,5 adalah
0,4332. (tabel lengkap bisa dilihat di bagian lampiran)
 ISIP4215/MODUL 4 4.29
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3304 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
Langkah kedua, kita hitung nilai untuk 500 dengan memakai rumus
Z   500  500 /100  0. Setelah kita telah mendapat angka hasil
perhitungan, kita bisa lihat pada cuplikan tabel normal nilai untuk 0 adalah
0,0000 (tabel lengkap bisa dilihat di bagian lampiran).
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3304 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
Langkah ketiga, kita kurangi hasil yang ditunjukkan oleh tabel tadi, yaitu
0,4332 – 0 = 0,4332, mengapa kita harus melakukan tiga tahap ini? Apabila
kita perhatikan kurva berikut maka kita akan tahu bahwa kita dapat
menghitung peluang seseorang bila ia menyelesaikan batu bata sebanyak 500
sehari. Kita juga dapat menghitung peluang seseorang untuk menyelesaikan
batu bata sebanyak 650 sehari. Sementara itu, yang kita cari adalah peluang
orang tersebut menyelesaikan batu bata sebanyak 500 hingga 650. Dengan
demikian, kita bisa tahu berapa peluangnya dengan mengurangi peluang
untuk 650 dengan peluang untuk 500. Untuk lebih jelasnya, kita bisa
perhatikan kurva yang menggambarkan luas area yang kita cari dalam kurva
berikut:
 ISIP4215/MODUL 4 4.31
Area
yang
dicari
500 650
Peluang untuk 650
Peluang untuk 500
Peluang untuk 500 - 650
Dengan demikian, peluang seseorang untuk membuat batu bata 500

hingga 650 dalam sehari adalah 0,4332.
Saudara Mahasiswa, Anda telah mempelajari mengenai distribusi

probabilita normal, kini cobalah kerjakan tugas berikut ini, untuk
membantu Anda memahami materi yang telah Anda pelajari. Cobalah
mengerjakan sendiri, kemudian cocokkan dengan jawaban yang ada
di bawah tugas ini.
Diketahui nilai rata-rata ujian pengantar statistik sosial adalah 50

dengan standar deviasi 10. Tentukanlah peluang nilai yang dicapai
mahasiswa yang berada:
 kurang dari 40
 antara 45 – 50
 lebih dari 60
Jawaban untuk kasus pertama:
Area yang dicari

40 50
40  50
 1  0,3413  0,5  0,3413  0,1587
10
0,3413 adalah luas area dari 40 ke 50. Karena luas area dari sisi paling kiri
(0) ke sisi tengah (50) adalah 0,5, sedangkan yang akan kita cari hanya dari
0 ke 40 maka kita harus mengurangi 0,5 dengan 0,3413 sehingga peluang
nilai mahasiswa kurang dari 40 adalah 0,1587
Jawaban untuk kasus kedua:
Area
yang
dicari
45 50
45  50
 0,5  0,1915 sehingga peluang nilai mahasiswa antara 45 sampai
10
50 adalah 0,1915
 ISIP4215/MODUL 4 4.33
Jawaban untuk kasus ketiga:
Area yang dicari

50 60
60  50
 1  0,3413  0,5  0,3413  0,1587
10
Seperti halnya pada kasus pertama, 0,3413 adalah luas area dari 50 ke 60.
Karena luas area dari sisi paling kanan ke sisi tengah (50) adalah 0,5,
sedangkan yang akan kita cari hanya dari 60 dan seterusnya maka kita harus
mengurangi 0,5 dengan 0,3413 sehingga peluang nilai mahasiswa lebih dari
60 adalah 0,1587
2. Distribusi Normal pada Binomial

Distribusi normal pada binomial terjadi ketika suatu kejadian memiliki
ciri-ciri normal dan juga binomial. Misalnya, kita memiliki data yang
jumlahnya lebih dari 30, tetapi memiliki ciri-ciri binomial, apa yang harus
dilakukan? Kita dapat menggunakan distribusi normal pada binomial.
Distribusi ini mempunyai ciri-ciri:
a. variabelnya memiliki 2 kategori;
b. n > 30;
c. p ≈ 0,5;
d. memiliki nilai koreksi kontinuitas. Prinsip koreksi kontinuitas adalah
memperluas area yang dicari;
e. rata-rata bisa dicari dengan menggunakan rumus   np ;
f. simpangan baku bisa dicari dengan menggunakan rumus   npq ;
x
g. rumus yang digunakan adalah rumus distribusi normal. z  .

Kita langsung saja dengan menggunakan contoh berikut:

Peluang seorang pekerja menghasilkan produk 50 dalam satu jam adalah
0,46. Jika dipilih 32 pekerja secara acak maka hitunglah peluang:
 20 pekerja mampu menghasilkan 50 produk dalam satu jam, dan
 antara 13 – 16 pekerja mampu menghasilkan 50 produk dalam satu jam
Jawaban kasus pertama:

X  20
  32.0, 46  14, 72
  32.0, 46.0.54  2,82
Dengan menggunakan koreksi kontinuitas maka area harus diperluas. Karena

yang dicari adalah titik (dalam kasus ini 20) maka nilai x diperluas 0,5 ke kiri
dan ke kanan sehingga nilai x yang dicari menjadi 19,5 sampai 20,5.
Area
yang
dicari
14,72 19,5 20,5
20,5 14, 72
z1   2, 05  0, 4798
2,82
19,5 14, 72
z2   1, 70  0, 4554
2,82
Maka peluang untuk z  20  0, 4798 – 0, 4554  0, 0244
Jawaban kasus kedua:

X = antara 13 sampai 16
Dengan menggunakan koreksi kontinuitas maka area harus diperluas 0,5

ke kiri dan ke kanan sehingga nilai x yang dicari menjadi 12,5 sampai 16,5.
 ISIP4215/MODUL 4 4.35
Area yang dicari
12,5 14,72 16,5

12,5 14, 72
z1   0, 79  0, 2852
2,82
16,5 14, 72
z2   0, 63  0, 2357
2,82
Maka peluang untuk z antara 13 hingga 16 adalah 0,2852 + 0,2357 =0,5209
LAT IH A N

Carilah dalam tabel binomial, apabila diketahui n  9, P  0,1, x  4
1) Lihat lagi penjelasan tentang distribusi binomial.

2) Cari pada bagian n angka 9, kemudian cari pada bagian p angka 0,1.
Kemudian cari pada bagian x angka 4.
3) Nilai yang ditunjuk adalah 0,0074.
R A NG KU M AN
Apabila kita bicara mengenai distribusi peluang maka sama halnya

dengan kita mempelajari distribusi frekuensi. Perbedaan antara distribusi
peluang dan distribusi frekuensi adalah apabila kita bicara mengenai
distribusi frekuensi maka kita bicara mengenai data yang terjadi pada
hasil percobaan (observed data), sedangkan dalam distribusi peluang,
kita bicara mengenai data yang diharapkan atau diduga terjadi pada hasil
percobaan (expected data). Distribusi peluang sering kali disebut juga
sebagai distribusi teoretis. Distribusi normal digunakan untuk data atau
variabel kontinu, sedangkan distribusi binomial dan poison digunakan
untuk data atau variabel diskret.
Dalam beberapa kasus tertentu, sering kali kita tidak mengetahui
rata-ratanya atau kita tidak mengetahui nilai standard deviasinya. Untuk
mengatasi hal tersebut, kita bisa memakai rumus berikut   np dan
  npq
TES F OR M AT IF 2
1) Distribusi data yang termasuk dalam data kontinu adalah ....

A. 1; 2; 3; 4; 5; 6
B. 10; 20; 30; 40; 50
C. 1,2 ; 5,3 ; 3, 4; 4,5
D. 1; 3; 5; 7; 11
2) Pernyataan yang benar adalah rata-rata dari rata-rata sampel ....

A. pasti sama dengan rata-rata populasi
B. pasti berbeda dengan rata-rata populasi
C. akan semakin menjauhi rata-rata populasi
D. akan semakin mendekati rata-rata populasi
3) Gambar kurva berikut menggambarkan kenyataan bahwa kedua

distribusi memiliki standard deviasi ....
A. berbeda dan rata-rata yang sama

B. sama dan rata-rata yang beda
C. sama dan rata-rata yang sama
D. beda dan rata-rata yang beda
 ISIP4215/MODUL 4 4.37
4) Seseorang diberi kesempatan untuk memilih 4 dari 10 pilihan. Jika pada

satu kesempatan ada 3 orang maka peluang ketiga orang itu jika tidak
ada pilihan adalah ....
A. 0,216
B. 0,2401
C. 0,64
D. 0,81
5) Dalam kasus nomor 4), peluang 1 orang terpilih adalah ....

A. 0,216
B. 0,2401
C. 0,64
D. 0,81


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Tes Formatif 1
1) C. Nilai peluang hanya berkisar antara nilai 0 hingga 1.
2) C. Pendekatan yang ada adalah pendekatan subjektif, frekuensi relatif,
dan klasik.
3) A 1 kejadian tidak berhubungan dengan kejadian yang lain.
4) D. Sesuai rumus maka perhitungannya : 20/40 + 30/40 - 10/40 = 40/40
5) B. Mereka yang hanya suka main catur: 10 orang, jumlah anggota:
40 orang maka peluang yang hanya suka main catur: 10/40.
Tes Formatif 2
1) C. Data kontinu adalah data yang mengandung pecahan.
2) D. Sudah jelas dalam modul.
3) A. Sudah jelas dalam modul.
4) A. P = 0,4 Q = 0,6 n=3 x=0
3! 3, 2,1
0.4 0.6 
0 3
(1)(0, 216)  0, 216
0!(3  0)! 1, 3, 2,1
5) A. P = 0.4 Q = 0,6 n=3 x=1
3!
 0.410.62  0.432
1!(3  2)!
 ISIP4215/MODUL 4 4.39
Glosarium
Distribusi : distribusi yang digunakan untuk variabel yang memiliki

diskret sifat diskret, yaitu nilainya bulat dan tidak dapat dibuat
pecahan.
kontinyu sifat kontinyu, yaitu nilainya dapat dibuat pecahan.
Expected data : data yang diharapkan terjadi dari suatu kejadian.
Inferensi : penarikan kesimpulan dari data di tingkat sampel ke
tingkat populasi.
Kejadian : suatu kejadian yang terikat oleh adanya kejadian yang
dependen lain.
Kejadian : suatu kejadian yang tidak terikat oleh adanya kejadian
independen yang lain.
Mutually : dua kejadian yang tidak mungkin terjadi secara
exclusive bersamaan.
Observed data : data yang muncul dari sebuah percobaan.
Probabilita : peluang atau kemungkinan.
Sampel : bagian dari populasi.
Daftar Pustaka
Argyrous, George, 1997. Statistic for Social Research, Mac Millan Press Ltd.
Dergibson Siagian dan Sugiarto, 2006. Metode Statistika untuk Bisnis dan
Ekonomi, Jakarta: Gramedia.
Robert D. Mason and Douglas A. Lind, 1996. Teknik Statistika untuk Bisnis
dan Ekonomi, Alih Bahasa oleh Ellen Gunawan, Uka Wikarya dan
Anton Hendranata, Jakarta: Penerbit Erlangga.
Walpole, Ronald, 1993. Pengantar Statistika, Jakarta: Penerbit Gramedia

Pustaka Utama.
 ISIP4215/MODUL 4 4.41
LAMPIRAN 1
Tabel distribusi binomial
p p p p p p p p p p p
n x 0,01 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
1 0 0,99 0,95 0,9 0,85 0,8 0,75 0,7 0,65 0,6 0,55 0,5
1 0,01 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
2 0 0,9801 0,9025 0,8100 0,7225 0,6400 0,5625 0,4900 0,4225 0,3600 0,3025 0,2500
1 0,0198 0,0950 0,1800 0,2550 0,3200 0,3750 0,4200 0,4550 0,4800 0,4950 0,5000
2 0,0001 0,0025 0,0100 0,0225 0,0400 0,0625 0,0900 0,1225 0,1600 0,2025 0,2500
3 0 0,9703 0,8574 0,7290 0,6141 0,5120 0,4219 0,3430 0,2746 0,2160 0,1664 0,1250
1 0,0294 0,1354 0,2430 0,3251 0,3840 0,4219 0,4410 0,4436 0,4320 0,4084 0,3750
2 0,0003 0,0071 0,0270 0,0574 0,0960 0,1406 0,1890 0,2389 0,2880 0,3341 0,3750
3 0,0000 0,0001 0,0010 0,0034 0,0080 0,0156 0,0270 0,0429 0,0640 0,0911 0,1250
4 0 0,9606 0,8145 0,6561 0,5220 0,4096 0,3164 0,2401 0,1785 0,1296 0,0915 0,0625
1 0,0388 0,1715 0,2916 0,3685 0,4096 0,4219 0,4116 0,3845 0,3456 0,2995 0,2500
2 0,0006 0,0135 0,0486 0,0975 0,1536 0,2109 0,2646 0,3105 0,3456 0,3675 0,3750
3 0,0000 0,0005 0,0036 0,0115 0,0256 0,0469 0,0756 0,1115 0,1536 0,2005 0,2500
4 0,0000 0,0000 0,0001 0,0005 0,0016 0,0039 0,0081 0,0150 0,0256 0,0410 0,0625
5 0 0,9510 0,7738 0,5905 0,4437 0,3277 0,2373 0,1681 0,1160 0,0778 0,0503 0,0313
1 0,0480 0,2036 0,3281 0,3915 0,4096 0,3955 0,3602 0,3124 0,2592 0,2059 0,1563
2 0,0010 0,0214 0,0729 0,1382 0,2048 0,2637 0,3087 0,3364 0,3456 0,3369 0,3125
3 0,0000 0,0011 0,0081 0,0244 0,0512 0,0879 0,1323 0,1811 0,2304 0,2757 0,3125
4 0,0000 0,0000 0,0005 0,0022 0,0064 0,0146 0,0284 0,0488 0,0768 0,1128 0,1563
5 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010 0,0024 0,0053 0,0102 0,0185 0,0313
6 0 0,9415 0,7351 0,5314 0,3771 0,2621 0,1780 0,1176 0,0754 0,0467 0,0277 0,0156
1 0,0571 0,2321 0,3543 0,3993 0,3932 0,3560 0,3025 0,2437 0,1866 0,1359 0,0938
2 0,0014 0,0305 0,0984 0,1762 0,2458 0,2966 0,3241 0,3280 0,3110 0,2780 0,2344
3 0,0000 0,0021 0,0146 0,0415 0,0819 0,1318 0,1852 0,2355 0,2765 0,3032 0,3125
4 0,0000 0,0001 0,0012 0,0055 0,0154 0,0330 0,0595 0,0951 0,1382 0,1861 0,2344
5 0,0000 0,0000 0,0001 0,0004 0,0015 0,0044 0,0102 0,0205 0,0369 0,0609 0,0938
6 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0007 0,0018 0,0041 0,0083 0,0156
7 0 0,9321 0,6983 0,4783 0,3206 0,2097 0,1335 0,0824 0,0490 0,0280 0,0152 0,0078
1 0,0659 0,2573 0,3720 0,3960 0,3670 0,3115 0,2471 0,1848 0,1306 0,0872 0,0547
2 0,0020 0,0406 0,1240 0,2097 0,2753 0,3115 0,3177 0,2985 0,2613 0,2140 0,1641
3 0,0000 0,0036 0,0230 0,0617 0,1147 0,1730 0,2269 0,2679 0,2903 0,2918 0,2734
4 0,0000 0,0002 0,0026 0,0109 0,0287 0,0577 0,0972 0,1442 0,1935 0,2388 0,2734
5 0,0000 0,0000 0,0002 0,0012 0,0043 0,0115 0,0250 0,0466 0,0774 0,1172 0,1641
6 0,0000 0,0000 0,0000 0,0001 0,0004 0,0013 0,0036 0,0084 0,0172 0,0320 0,0547
7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0006 0,0016 0,0037 0,0078
8 1 0,0746 0,2793 0,3826 0,3847 0,3355 0,2670 0,1977 0,1373 0,0896 0,0548 0,0313
2 0,0026 0,0515 0,1488 0,2376 0,2936 0,3115 0,2965 0,2587 0,2090 0,1569 0,1094
3 0,0001 0,0054 0,0331 0,0839 0,1468 0,2076 0,2541 0,2786 0,2787 0,2568 0,2188
4 0,0000 0,0004 0,0046 0,0185 0,0459 0,0865 0,1361 0,1875 0,2322 0,2627 0,2734
5 0,0000 0,0000 0,0004 0,0026 0,0092 0,0231 0,0467 0,0808 0,1239 0,1719 0,2188
6 0,0000 0,0000 0,0000 0,0002 0,0011 0,0038 0,0100 0,0217 0,0413 0,0703 0,1094
7 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0012 0,0033 0,0079 0,0164 0,0313
8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0007 0,0017 0,0039
9 0 0,9135 0,6302 0,3874 0,2316 0,1342 0,0751 0,0404 0,0207 0,0101 0,0046 0,0020
1 0,0830 0,2985 0,3874 0,3679 0,3020 0,2253 0,1556 0,1004 0,0605 0,0339 0,0176
2 0,0034 0,0629 0,1722 0,2597 0,3020 0,3003 0,2668 0,2162 0,1612 0,1110 0,0703
3 0,0001 0,0077 0,0446 0,1069 0,1762 0,2336 0,2668 0,2716 0,2508 0,2119 0,1641
4 0,0000 0,0006 0,0074 0,0283 0,0661 0,1168 0,1715 0,2194 0,2508 0,2600 0,2461
5 0,0000 0,0000 0,0008 0,0050 0,0165 0,0389 0,0735 0,1181 0,1672 0,2128 0,2461
6 0,0000 0,0000 0,0001 0,0006 0,0028 0,0087 0,0210 0,0424 0,0743 0,1160 0,1641
7 0,0000 0,0000 0,0000 0,0000 0,0003 0,0012 0,0039 0,0098 0,0212 0,0407 0,0703
8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0013 0,0035 0,0083 0,0176
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0008 0,0020
10 0 0,9044 0,5987 0,3487 0,1969 0,1074 0,0563 0,0282 0,0135 0,0060 0,0025 0,0010
1 0,0914 0,3151 0,3874 0,3474 0,2684 0,1877 0,1211 0,0725 0,0403 0,0207 0,0098
2 0,0042 0,0746 0,1937 0,2759 0,3020 0,2816 0,2335 0,1757 0,1209 0,0763 0,0439
3 0,0001 0,0105 0,0574 0,1298 0,2013 0,2503 0,2668 0,2522 0,2150 0,1665 0,1172
4 0,0000 0,0010 0,0112 0,0401 0,0881 0,1460 0,2001 0,2377 0,2508 0,2384 0,2051
5 0,0000 0,0001 0,0015 0,0085 0,0264 0,0584 0,1029 0,1536 0,2007 0,2340 0,2461
6 0,0000 0,0000 0,0001 0,0012 0,0055 0,0162 0,0368 0,0689 0,1115 0,1596 0,2051
7 0,0000 0,0000 0,0000 0,0001 0,0008 0,0031 0,0090 0,0212 0,0425 0,0746 0,1172
8 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0014 0,0043 0,0106 0,0229 0,0439
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0016 0,0042 0,0098
10 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010
 ISIP4215/MODUL 4 4.43
LAMPIRAN 2
Tabel Distribusi Poisson
Mean
x 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0 0.90484 0.81873 0.74082 0.67032 0.60653 0.54881 0.49659 0.44933 0.40657 0.36788
1 0.09048 0.16375 0.22225 0.26813 0.30327 0.32929 0.34761 0.35946 0.36591 0.36788
2 0.00452 0.01637 0.03334 0.05363 0.07582 0.09879 0.12166 0.14379 0.16466 0.18394
3 0.00015 0.00109 0.00333 0.00715 0.01264 0.01976 0.02839 0.03834 0.04940 0.06131
4 0.00000 0.00005 0.00025 0.00072 0.00158 0.00296 0.00497 0.00767 0.01111 0.01533
5 0.00000 0.00000 0.00002 0.00006 0.00016 0.00036 0.00070 0.00123 0.00200 0.00307
1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2

0 0.33287 0.30119 0.27253 0.24660 0.22313 0.20190 0.18268 0.16530 0.14957 0.13534
1 0.36616 0.36143 0.35429 0.34524 0.33470 0.32303 0.31056 0.29754 0.28418 0.27067
2 0.20139 0.21686 0.23029 0.24167 0.25102 0.25843 0.26398 0.26778 0.26997 0.27067
3 0.07384 0.08674 0.09979 0.11278 0.12551 0.13783 0.14959 0.16067 0.17098 0.18045
4 0.02031 0.02602 0.03243 0.03947 0.04707 0.05513 0.06357 0.07230 0.08122 0.09022
5 0.00447 0.00625 0.00843 0.01105 0.01412 0.01764 0.02162 0.02603 0.03086 0.03609
6 0.00082 0.00125 0.00183 0.00258 0.00353 0.00470 0.00612 0.00781 0.00977 0.01203
7 0.00013 0.00021 0.00034 0.00052 0.00076 0.00108 0.00149 0.00201 0.00265 0.00344
8 0.00002 0.00003 0.00006 0.00009 0.00014 0.00022 0.00032 0.00045 0.00063 0.00086
9 0.00000 0.00000 0.00001 0.00001 0.00002 0.00004 0.00006 0.00009 0.00013 0.00019
10 0.00000 0.00000 0.00000 0.00000 0.00000 0.00001 0.00001 0.00002 0.00003 0.00004
2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3

0 0.12246 0.11080 0.10026 0.09072 0.08208 0.07427 0.06721 0.06081 0.05502 0.04979
1 0.25716 0.24377 0.23060 0.21772 0.20521 0.19311 0.18145 0.17027 0.15957 0.14936
2 0.27002 0.26814 0.26518 0.26127 0.25652 0.25104 0.24496 0.23838 0.23137 0.22404
3 0.18901 0.19664 0.20331 0.20901 0.21376 0.21757 0.22047 0.22248 0.22366 0.22404
4 0.09923 0.10815 0.11690 0.12541 0.13360 0.14142 0.14882 0.15574 0.16215 0.16803
5 0.04168 0.04759 0.05378 0.06020 0.06680 0.07354 0.08036 0.08721 0.09405 0.10082
6 0.01459 0.01745 0.02061 0.02408 0.02783 0.03187 0.03616 0.04070 0.04546 0.05041
7 0.00438 0.00548 0.00677 0.00826 0.00994 0.01184 0.01395 0.01628 0.01883 0.02160
8 0.00115 0.00151 0.00195 0.00248 0.00311 0.00385 0.00471 0.00570 0.00683 0.00810
9 0.00027 0.00037 0.00050 0.00066 0.00086 0.00111 0.00141 0.00177 0.00220 0.00270
10 0.00006 0.00008 0.00011 0.00016 0.00022 0.00029 0.00038 0.00050 0.00064 0.00081
11 0.00001 0.00002 0.00002 0.00003 0.00005 0.00007 0.00009 0.00013 0.00017 0.00022
12 0.00000 0.00000 0.00000 0.00001 0.00001 0.00001 0.00002 0.00003 0.00004 0.00006
13 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00001 0.00001 0.00001
14 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
15 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 4

0 0.04505 0.04076 0.03688 0.03337 0.03020 0.02732 0.02472 0.02237 0.02024 0.01832
1 0.13965 0.13044 0.12171 0.11347 0.10569 0.09837 0.09148 0.08501 0.07894 0.07326
2 0.21646 0.20870 0.20083 0.19290 0.18496 0.17706 0.16923 0.16152 0.15394 0.14653
3 0.22368 0.22262 0.22091 0.21862 0.21579 0.21247 0.20872 0.20459 0.20012 0.19537
4 0.17335 0.17809 0.18225 0.18582 0.18881 0.19122 0.19307 0.19436 0.19512 0.19537
5 0.10748 0.11398 0.12029 0.12636 0.13217 0.13768 0.14287 0.14771 0.15219 0.15629
6 0.05553 0.06079 0.06616 0.07160 0.07710 0.08261 0.08810 0.09355 0.09893 0.10420
7 0.02459 0.02779 0.03119 0.03478 0.03855 0.04248 0.04657 0.05079 0.05512 0.05954
8 0.00953 0.01112 0.01287 0.01478 0.01687 0.01912 0.02154 0.02412 0.02687 0.02977
9 0.00328 0.00395 0.00472 0.00558 0.00656 0.00765 0.00885 0.01019 0.01164 0.01323
10 0.00102 0.00126 0.00156 0.00190 0.00230 0.00275 0.00328 0.00387 0.00454 0.00529
11 0.00029 0.00037 0.00047 0.00059 0.00073 0.00090 0.00110 0.00134 0.00161 0.00192
12 0.00007 0.00010 0.00013 0.00017 0.00021 0.00027 0.00034 0.00042 0.00052 0.00064
13 0.00002 0.00002 0.00003 0.00004 0.00006 0.00007 0.00010 0.00012 0.00016 0.00020
14 0.00000 0.00001 0.00001 0.00001 0.00001 0.00002 0.00003 0.00003 0.00004 0.00006
15 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00001 0.00001 0.00001 0.00002
4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 5

0 0.01657 0.01500 0.01357 0.01228 0.01111 0.01005 0.00910 0.00823 0.00745 0.00674
1 0.06795 0.06298 0.05834 0.05402 0.04999 0.04624 0.04275 0.03950 0.03649 0.03369
2 0.13929 0.13226 0.12544 0.11884 0.11248 0.10635 0.10046 0.09481 0.08940 0.08422
3 0.19037 0.18517 0.17980 0.17431 0.16872 0.16307 0.15738 0.15169 0.14601 0.14037
4 0.19513 0.19442 0.19328 0.19174 0.18981 0.18753 0.18493 0.18203 0.17887 0.17547
5 0.16000 0.16332 0.16622 0.16873 0.17083 0.17253 0.17383 0.17475 0.17529 0.17547
6 0.10934 0.11432 0.11913 0.12373 0.12812 0.13227 0.13617 0.13980 0.14315 0.14622
7 0.06404 0.06859 0.07318 0.07778 0.08236 0.08692 0.09143 0.09586 0.10021 0.10444
8 0.03282 0.03601 0.03933 0.04278 0.04633 0.04998 0.05371 0.05752 0.06138 0.06528
9 0.01495 0.01681 0.01879 0.02091 0.02316 0.02554 0.02805 0.03068 0.03342 0.03627
10 0.00613 0.00706 0.00808 0.00920 0.01042 0.01175 0.01318 0.01472 0.01637 0.01813
11 0.00228 0.00269 0.00316 0.00368 0.00426 0.00491 0.00563 0.00643 0.00729 0.00824
12 0.00078 0.00094 0.00113 0.00135 0.00160 0.00188 0.00221 0.00257 0.00298 0.00343
13 0.00025 0.00030 0.00037 0.00046 0.00055 0.00067 0.00080 0.00095 0.00112 0.00132
14 0.00007 0.00009 0.00011 0.00014 0.00018 0.00022 0.00027 0.00033 0.00039 0.00047
15 0.00002 0.00003 0.00003 0.00004 0.00005 0.00007 0.00008 0.00010 0.00013 0.00016
5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 6

0 0.00610 0.00552 0.00499 0.00452 0.00409 0.00370 0.00335 0.00303 0.00274 0.00248
1 0.03109 0.02869 0.02646 0.02439 0.02248 0.02071 0.01907 0.01756 0.01616 0.01487
2 0.07929 0.07458 0.07011 0.06585 0.06181 0.05798 0.05436 0.05092 0.04768 0.04462
3 0.13479 0.12928 0.12386 0.11853 0.11332 0.10823 0.10327 0.09845 0.09377 0.08924
4 0.17186 0.16806 0.16411 0.16002 0.15582 0.15153 0.14717 0.14276 0.13831 0.13385
5 0.17529 0.17479 0.17396 0.17282 0.17140 0.16971 0.16777 0.16560 0.16321 0.16062
6 0.14900 0.15148 0.15366 0.15554 0.15712 0.15840 0.15938 0.16008 0.16049 0.16062
7 0.10856 0.11253 0.11634 0.11999 0.12345 0.12672 0.12978 0.13263 0.13527 0.13768
8 0.06921 0.07314 0.07708 0.08099 0.08487 0.08870 0.09247 0.09616 0.09976 0.10326
9 0.03922 0.04226 0.04539 0.04859 0.05187 0.05519 0.05856 0.06197 0.06540 0.06884
10 0.02000 0.02198 0.02406 0.02624 0.02853 0.03091 0.03338 0.03594 0.03859 0.04130
11 0.00927 0.01039 0.01159 0.01288 0.01426 0.01573 0.01730 0.01895 0.02070 0.02253
12 0.00394 0.00450 0.00512 0.00580 0.00654 0.00734 0.00822 0.00916 0.01018 0.01126
13 0.00155 0.00180 0.00209 0.00241 0.00277 0.00316 0.00360 0.00409 0.00462 0.00520
14 0.00056 0.00067 0.00079 0.00093 0.00109 0.00127 0.00147 0.00169 0.00195 0.00223
15 0.00019 0.00023 0.00028 0.00033 0.00040 0.00047 0.00056 0.00065 0.00077 0.00089
6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 7

0 0.00224 0.00203 0.00184 0.00166 0.00150 0.00136 0.00123 0.00111 0.00101 0.00091
1 0.01368 0.01258 0.01157 0.01063 0.00977 0.00898 0.00825 0.00757 0.00695 0.00638
2 0.04173 0.03901 0.03644 0.03403 0.03176 0.02963 0.02763 0.02575 0.02399 0.02234
3 0.08485 0.08061 0.07653 0.07259 0.06881 0.06518 0.06170 0.05837 0.05518 0.05213
4 0.12939 0.12495 0.12053 0.11615 0.11182 0.10755 0.10335 0.09923 0.09518 0.09123
5 0.15786 0.15494 0.15187 0.14867 0.14537 0.14197 0.13849 0.13495 0.13135 0.12772
6 0.16049 0.16010 0.15946 0.15859 0.15748 0.15617 0.15465 0.15294 0.15105 0.14900
7 0.13986 0.14180 0.14352 0.14499 0.14623 0.14724 0.14802 0.14857 0.14890 0.14900
8 0.10664 0.10990 0.11302 0.11599 0.11882 0.12148 0.12397 0.12628 0.12842 0.13038
9 0.07228 0.07571 0.07911 0.08248 0.08581 0.08908 0.09229 0.09541 0.09846 0.10140
10 0.04409 0.04694 0.04984 0.05279 0.05578 0.05879 0.06183 0.06488 0.06794 0.07098
11 0.02445 0.02646 0.02855 0.03071 0.03296 0.03528 0.03766 0.04011 0.04261 0.04517
12 0.01243 0.01367 0.01499 0.01638 0.01785 0.01940 0.02103 0.02273 0.02450 0.02635
13 0.00583 0.00652 0.00726 0.00806 0.00893 0.00985 0.01084 0.01189 0.01301 0.01419
14 0.00254 0.00289 0.00327 0.00369 0.00414 0.00464 0.00519 0.00577 0.00641 0.00709
 ISIP4215/MODUL 4 4.45
15 0.00103 0.00119 0.00137 0.00157 0.00180 0.00204 0.00232 0.00262 0.00295 0.00331
16 0.00039 0.00046 0.00054 0.00063 0.00073 0.00084 0.00097 0.00111 0.00127 0.00145
17 0.00014 0.00017 0.00020 0.00024 0.00028 0.00033 0.00038 0.00045 0.00052 0.00060
18 0.00005 0.00006 0.00007 0.00008 0.00010 0.00012 0.00014 0.00017 0.00020 0.00023
19 0.00002 0.00002 0.00002 0.00003 0.00003 0.00004 0.00005 0.00006 0.00007 0.00009
20 0.00000 0.00001 0.00001 0.00001 0.00001 0.00001 0.00002 0.00002 0.00002 0.00003
7.1 7.2 7.3 7.4 7.5 7.6 7.7 7.8 7.9 8

0 0.00083 0.00075 0.00068 0.00061 0.00055 0.00050 0.00045 0.00041 0.00037 0.00034
1 0.00586 0.00538 0.00493 0.00452 0.00415 0.00380 0.00349 0.00320 0.00293 0.00268
2 0.02080 0.01935 0.01800 0.01674 0.01556 0.01445 0.01342 0.01246 0.01157 0.01073
3 0.04922 0.04644 0.04380 0.04128 0.03889 0.03661 0.03446 0.03241 0.03047 0.02863
4 0.08736 0.08360 0.07993 0.07637 0.07292 0.06957 0.06633 0.06319 0.06017 0.05725
5 0.12406 0.12038 0.11670 0.11303 0.10937 0.10574 0.10214 0.09858 0.09507 0.09160
6 0.14680 0.14446 0.14199 0.13941 0.13672 0.13394 0.13108 0.12816 0.12517 0.12214
7 0.14890 0.14859 0.14807 0.14737 0.14648 0.14542 0.14419 0.14280 0.14126 0.13959
8 0.13215 0.13373 0.13512 0.13632 0.13733 0.13815 0.13878 0.13923 0.13950 0.13959
9 0.10425 0.10698 0.10960 0.11208 0.11444 0.11666 0.11874 0.12067 0.12245 0.12408
10 0.07402 0.07703 0.08000 0.08294 0.08583 0.08866 0.09143 0.09412 0.09673 0.09926
11 0.04777 0.05042 0.05309 0.05580 0.05852 0.06126 0.06400 0.06674 0.06947 0.07219
12 0.02827 0.03025 0.03230 0.03441 0.03658 0.03880 0.04107 0.04338 0.04574 0.04813
13 0.01544 0.01675 0.01814 0.01959 0.02110 0.02268 0.02432 0.02603 0.02779 0.02962
14 0.00783 0.00862 0.00946 0.01035 0.01130 0.01231 0.01338 0.01450 0.01568 0.01692
15 0.00371 0.00414 0.00460 0.00511 0.00565 0.00624 0.00687 0.00754 0.00826 0.00903
16 0.00164 0.00186 0.00210 0.00236 0.00265 0.00296 0.00330 0.00368 0.00408 0.00451
17 0.00069 0.00079 0.00090 0.00103 0.00117 0.00132 0.00150 0.00169 0.00190 0.00212
18 0.00027 0.00032 0.00037 0.00042 0.00049 0.00056 0.00064 0.00073 0.00083 0.00094
19 0.00010 0.00012 0.00014 0.00016 0.00019 0.00022 0.00026 0.00030 0.00035 0.00040
20 0.00004 0.00004 0.00005 0.00006 0.00007 0.00009 0.00010 0.00012 0.00014 0.00016
8.1 8.2 8.3 8.4 8.5 8.6 8.7 8.8 8.9 9

0 0.00030 0.00027 0.00025 0.00022 0.00020 0.00018 0.00017 0.00015 0.00014 0.00012
1 0.00246 0.00225 0.00206 0.00189 0.00173 0.00158 0.00145 0.00133 0.00121 0.00111
2 0.00996 0.00923 0.00856 0.00793 0.00735 0.00681 0.00630 0.00584 0.00540 0.00500
3 0.02689 0.02524 0.02368 0.02221 0.02083 0.01952 0.01828 0.01712 0.01602 0.01499
4 0.05444 0.05174 0.04914 0.04665 0.04425 0.04196 0.03977 0.03766 0.03566 0.03374
5 0.08820 0.08485 0.08158 0.07837 0.07523 0.07217 0.06919 0.06629 0.06347 0.06073
6 0.11907 0.11597 0.11285 0.10972 0.10658 0.10345 0.10033 0.09722 0.09414 0.09109
7 0.13778 0.13585 0.13380 0.13166 0.12942 0.12709 0.12469 0.12222 0.11970 0.11712
8 0.13950 0.13924 0.13882 0.13824 0.13751 0.13663 0.13560 0.13445 0.13316 0.13176
9 0.12555 0.12687 0.12803 0.12903 0.12987 0.13055 0.13108 0.13146 0.13168 0.13176
10 0.10170 0.10403 0.10626 0.10838 0.11039 0.11228 0.11404 0.11568 0.11720 0.11858
11 0.07488 0.07755 0.08018 0.08276 0.08530 0.08778 0.09020 0.09255 0.09482 0.09702
12 0.05055 0.05299 0.05546 0.05793 0.06042 0.06291 0.06539 0.06787 0.07033 0.07277
13 0.03149 0.03343 0.03541 0.03743 0.03951 0.04162 0.04376 0.04594 0.04815 0.05038
14 0.01822 0.01958 0.02099 0.02246 0.02399 0.02556 0.02720 0.02888 0.03061 0.03238
15 0.00984 0.01070 0.01162 0.01258 0.01359 0.01466 0.01577 0.01694 0.01816 0.01943
16 0.00498 0.00549 0.00603 0.00660 0.00722 0.00788 0.00858 0.00932 0.01010 0.01093
17 0.00237 0.00265 0.00294 0.00326 0.00361 0.00399 0.00439 0.00482 0.00529 0.00579
18 0.00107 0.00121 0.00136 0.00152 0.00170 0.00190 0.00212 0.00236 0.00261 0.00289
19 0.00046 0.00052 0.00059 0.00067 0.00076 0.00086 0.00097 0.00109 0.00122 0.00137
20 0.00018 0.00021 0.00025 0.00028 0.00032 0.00037 0.00042 0.00048 0.00055 0.00062
9.1 9.2 9.3 9.4 9.5 9.6 9.7 9.8 9.9 10

0 0.00011 0.00010 0.00009 0.00008 0.00007 0.00007 0.00006 0.00006 0.00005 0.00005
1 0.00102 0.00093 0.00085 0.00078 0.00071 0.00065 0.00059 0.00054 0.00050 0.00045
2 0.00462 0.00428 0.00395 0.00365 0.00338 0.00312 0.00288 0.00266 0.00246 0.00227
3 0.01402 0.01311 0.01226 0.01145 0.01070 0.00999 0.00932 0.00870 0.00811 0.00757
4 0.03191 0.03016 0.02850 0.02691 0.02540 0.02397 0.02261 0.02131 0.02008 0.01892
5 0.05807 0.05549 0.05300 0.05059 0.04827 0.04602 0.04386 0.04177 0.03976 0.03783
6 0.08807 0.08509 0.08215 0.07926 0.07642 0.07363 0.07090 0.06822 0.06561 0.06306
7 0.11449 0.11183 0.10915 0.10644 0.10371 0.10098 0.09825 0.09551 0.09279 0.09008
8 0.13024 0.12861 0.12688 0.12506 0.12316 0.12118 0.11912 0.11700 0.11483 0.11260
9 0.13168 0.13147 0.13111 0.13062 0.13000 0.12926 0.12839 0.12740 0.12631 0.12511
10 0.11983 0.12095 0.12193 0.12279 0.12350 0.12409 0.12454 0.12486 0.12505 0.12511
11 0.09913 0.10116 0.10309 0.10493 0.10666 0.10829 0.10982 0.11124 0.11254 0.11374
12 0.07518 0.07755 0.07990 0.08219 0.08444 0.08663 0.08877 0.09084 0.09285 0.09478
13 0.05262 0.05488 0.05716 0.05943 0.06171 0.06398 0.06624 0.06848 0.07071 0.07291
14 0.03421 0.03607 0.03797 0.03990 0.04187 0.04387 0.04589 0.04794 0.05000 0.05208
15 0.02075 0.02212 0.02354 0.02501 0.02652 0.02808 0.02968 0.03132 0.03300 0.03472
16 0.01180 0.01272 0.01368 0.01469 0.01575 0.01685 0.01799 0.01918 0.02042 0.02170
17 0.00632 0.00688 0.00749 0.00812 0.00880 0.00951 0.01027 0.01106 0.01189 0.01276
18 0.00319 0.00352 0.00387 0.00424 0.00464 0.00507 0.00553 0.00602 0.00654 0.00709
19 0.00153 0.00170 0.00189 0.00210 0.00232 0.00256 0.00282 0.00311 0.00341 0.00373
20 0.00070 0.00078 0.00088 0.00099 0.00110 0.00123 0.00137 0.00152 0.00169 0.00187
 ISIP4215/MODUL 4 4.47
LAMPIRAN 3
Tabel distirbusi normal (tabel z)
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
Modul 5
Penarikan Sampel
PEN D A HU L UA N
D alam penelitian yang dilakukan di lingkup ilmu sosial, sering kali tidak
memungkinkan untuk meneliti terhadap seluruh populasi yang ada.
Bayangkan saja, jika kita ingin mengetahui bagaimana harapan warga
masyarakat Indonesia terhadap presiden terpilih. Jumlah warga Indonesia
lebih dari 300 juta jiwa. Tentunya sulit bagi kita untuk melakukan penelitian
tersebut. Pertanyaan yang kemudian muncul adalah apakah kita pada
akhirnya tidak jadi melakukan penelitian tersebut? Tentunya bukan itu
akhirnya. Kita bisa menyiasati persoalan yang terjadi itu dengan melakukan
cara yang disebut dengan mengambil sampel.
Apa pengertian dari sampel? Bagaimana kita bisa mengambil sampel?
Kedua hal inilah yang mendasari kita untuk mempelajari Modul 5 ini. Modul
ini, akan membahas mengenai apa itu sampel, bagaimana cara kita menarik
sampel, dan tentunya materi ini harus didahului dengan mempelajari apa itu
populasi. Populasi adalah keseluruhan elemen yang akan kita teliti. Dalam
contoh kasus yang kita sebut tadi, populasi penelitiannya adalah seluruh
warga negara Indonesia. Sering kali kita membatasi populasi kita ke dalam
cakupan yang lebih sempit. Dengan kata lain, populasi setidaknya mencakup
3 unsur, yaitu isi, cakupan, dan waktu. Dengan adanya ketiga unsur ini maka
kita bisa lebih memastikan kebenaran dari populasi. Kembali ke contoh yang
ada maka isinya adalah seluruh warga negara Indonesia, cakupannya yang
berusia 17 tahun ke atas, dan waktunya adalah pada tahun 2015. Dengan
demikian, modul ini sangat berguna bagi Anda yang bekerja di lingkup
penelitian.
Pada bagian Pendahuluan, telah dijelaskan mengenai pengertian dari
populasi. Unsur yang tercakup dalam populasi ada tiga unsur, yaitu isi,
cakupan, dan waktu. Kita coba ambil contoh lain, agar Anda menjadi lebih
jelas. Dalam penelitian sikap pelajar SLTA yang akan bermigrasi ke kota
maka populasinya adalah seluruh pelajar SLTA yang tinggal di desa Ora
Wani pada tahun 2015.
Isi : pelajar SLTA
Cakupan : tinggal di desa Ora Wani
Waktu : tahun 2015
Dengan demikian, bisa kita ambil kesimpulan bahwa cakupan dan waktu
adalah unsur yang mempersempit cakupan dari isi populasi. Mengapa kita
perlu mempersempit cakupan populasi? Hal ini bertujuan agar populasi
penelitian kita semakin mendekati pada apa yang akan kita teliti.
Seperti telah disinggung sebelumnya, sering kali kita tidak mungkin
untuk melakukan penelitian terhadap seluruh populasi yang ada maka
solusinya adalah kita menarik sampel. Apa sebenarnya sampel itu? Sampel
adalah bagian dari populasi. Dengan demikian, ketika kita mengambil
sampel, kita mengasumsikan bahwa sampel yang akan kita ambil adalah
sama dengan populasi yang akan kita teliti. Kita coba ambil analogi sebagai
berikut. Suatu ketika kita ingin mengetahui rasa dari sayur sup yang ada
dalam sebuah panci. Jika ingin mengetahui rasa sayur sup yang ada di panci,
tentunya kita tidak perlu menghabiskan sayur sup yang ada di panci. Kita
hanya perlu mencicipi satu sendok sayur sup dan dengan mencicipi satu
sendok sayur sup itu, kita bisa mengambil kesimpulan bahwa sayur sup yang
ada di panci itu enak rasanya. Demikian pula halnya dalam proses penarikan
sampel. Kita tidak perlu melakukan penelitian dengan mengambil seluruh
populasi yang ada, namun kita bisa saja mengambil sebagian dari populasi
tersebut.
Tentunya dalam kenyataan, sebenarnya sulit bagi kita untuk memastikan

apakah sampel yang kita ambil merupakan gambaran yang sama dengan jika
kita mengambil seluruh populasi. Untuk itu, ada beberapa teknik penarikan
sampel yang harus kita pelajari, agar hasil yang kita dapat dari penelitian di
tingkat sampel sama dengan hasil yang kita dapat, jika kita meneliti seluruh
populasi yang ada. Proses penarikan sampel terdiri dari dua cara, yaitu cara
yang probabilita dan cara yang nonprobabilita. Kita akan mempelajari kedua
cara tersebut dalam dua kegiatan belajar. Setiap peneliti sedapat mungkin
selalu menginginkan menarik sampel secara probabilita. Mengapa demikian?
Karena dengan menarik sampel secara probabilita maka peneliti bisa
melakukan generalisasi ke tingkat populasi. Tentu saja untuk bisa menarik
sampel secara probabilita ada persyaratan yang harus terpenuhi.
Setelah mempelajari Modul 5 ini, Anda diharapkan dapat melakukan
penarikan sampel. Secara khusus, setelah mempelajari Modul 5 ini, Anda
dapat melakukan:
1. penarikan sampel probabilita;
2. penarikan sampel nonprobabilita.
Kegiatan Belajar 1
Penarikan Sampel Probabilita
D alam Modul 4, Anda sudah mempelajari mengenai prinsip dasar teori

probabilita. Dalam proses penarikan sampel secara probabilita, tentunya
prinsip dasar tersebut menjadi landasan dalam melakukan penarikan sampel
secara probabilita. Dalam konteks penarikan sampel, pengertian probabilita
diterjemahkan menjadi adanya kesempatan yang sama bagi setiap elemen
yang ada di dalam populasi untuk terpilih sebagai sampel. Dengan kata lain,
ketika sebuah populasi terdiri dari 10 orang maka setiap orang memiliki
kesempatan yang sama untuk terpilih sebagai sampel, dalam hal ini tentunya
setiap orang memiliki 1/10 kemungkinan untuk terpilih menjadi sampel.
Dalam kondisi ada 1 orang yang memiliki kesempatan berbeda maka teknik
penarikan sampel secara probabilita tidak boleh dilakukan. Tentu saja bukan
berarti penelitian tersebut dibatalkan, atau kemudian harus mengambil
seluruh elemen dalam populasi, namun kita bisa gunakan teknik penarikan
sampel yang nonprobabilita.
Kembali ke penarikan sampel secara probabilita, karena setiap elemen
dalam populasi harus memiliki kesempatan yang sama untuk terpilih menjadi
sampel maka syarat utama kita bisa menggunakan teknik penarikan sampel
secara probabilita adalah tersedianya kerangka sampel. Kerangka sampel
adalah suatu daftar yang berisi seluruh elemen populasi yang tersusun secara
acak. Prinsip tersusun secara acak mutlak harus dilakukan, karena jika tidak
maka prinsip probabilitanya menjadi hilang. Kita coba lihat contoh kerangka
sampel yang tersusun secara sistematis (tidak acak).
Daftar anggota populasi A

1. Andi 11. Boni
2. Ari 12. Budi
3. Asti 13. Erlita
4. Ayu 14. Fanti
5. Andika 15. Gunawan
6. Aulia 16. Galuh
7. Aliandu 17. Ginanjar
8. Austin 18. Handoko
9. Alneka 19. Irsan
10. Abi 20. Irawan
Daftar anggota populasi dalam contoh A tersusun secara sistematis mulai

dari huruf abjad awal A sehingga setiap individu tidak memiliki kesempatan
yang sama. Jika individu yang memiliki huruf abjad awal A sampai 10 orang
maka mereka memiliki kesempatan lebih banyak terpilih sebagai sampel,
dibanding dengan individu yang memiliki huruf abjad awal hanya 1,
misalnya H. Dengan demikian, untuk menyusun kerangka sampel yang
memenuhi prinsip probabilita, kita harus menyusunnya secara acak sehingga
setiap orang memiliki kesempatan yang sama untuk terpilih sebagai sampel.
Berikut adalah contoh kerangka sampel yang tersusun secara acak.
Daftar anggota populasi A

1. Abi 11. Gunawan
2. Handoko 12. Erlita
3. Andika 13. Galuh
4. Austin 14. Aliandu
5. Irawan 15. Alneka
6. Budi 16. Ginanjar
7. Ayu 17. Asti
8. Fanti 18. Ari
9. Andi 19. Aulia
10. Irsan 20. Boni
Terdapat 4 cara peneliti bisa melakukan penarikan sampel secara

probabilita, yaitu penarikan sampel acak sederhana, penarikan sampel secara
sistematis, penarikan sampel secara stratifikasi, dan penarikan sampel
menggunakan sistem kluster.
A. TEKNIK PENARIKAN SAMPEL ACAK SEDERHANA

(SIMPLE RANDOM SAMPLING)
Pernahkah Anda ikut arisan? Prinsip yang digunakan dalam arisan ini
merupakan salah satu gambaran sederhana mengenai penarikan sampel
secara acak sederhana. Setelah kita menyusun kerangka sampel maka kita
membuat kertas-kertas kecil yang berisi nomor, selanjutnya kita masukkan ke
dalam kotak. Kita ambil sebanyak yang kita inginkan sehingga nomor yang
terambil akan menjadi sampel kita. Tentu saja cara ini akan mudah kita
gunakan, jika jumlah populasi kita kecil. Dalam kasus jumlah populasi yang
besar, cara ini justru akan merepotkan kita. Bayangkan saja, jika jumlah
populasi ada 750 orang maka kita akan kerepotan untuk membuat kertas-
kertas kecil sebanyak 750 lembar. Untuk mengatasi jumlah populasi yang
besar, kita bisa gunakan alat bantu berupa tabel angka random (acak). Tabel
angka random (acak) adalah tabel yang berisi angka-angka yang tersusun
secara acak. Kita dapat menggunakan tabel angka random (acak) yang sudah
ada, atau kita boleh saja membuat sendiri tabel angka random (acak). Untuk
kasus dalam BMP ini, kita gunakan tabel angka random (acak) yang sudah
ada, yang ada dalam lampiran.
Prinsip penggunaan tabel angka random (acak)
1. Kita perlu mengetahui jumlah populasi yang kita miliki. Jumlah populasi
ini akan menentukan jumlah digit yang harus kita ambil pada angka-
angka yang ada di dalam tabel angka random (acak). Kita langsung saja
pada contoh berikut. Jika kita memiliki populasi sebanyak 450 orang
maka bisa kita artikan bahwa terdapat tiga digit (ratusan) sehingga dalam
menentukan angka di dalam tabel angka random (acak), kita juga
menggunakan tiga digit.
2. Menentukan secara acak angka pertama pada tabel angka random
(acak). Anda bebas menentukan titik awal dari manapun. Bisa diawali
dengan memilih nomor tabel (di dalam lampiran ada 9 tabel angka
random/acak), kemudian tentukan baris dan kolom yang akan dijadikan
awal (dalam setiap tabel terdapat 49 baris dan 49 kolom), lalu tentukan
angka pertama. Misalnya saja, kita menentukan menggunakan Tabel 5,
baris ke 10 kolom ke 15. Maka Anda akan menemukan angka 8.
3. Setelah menentukan titik awal, Anda bisa mulai melakukan penarikan
sampel menggunakan jumlah digit (tiga digit) bisa ke arah kanan, ke
arah kiri, ke atas, atau ke bawah, sesuai kesepakatan atau keinginan
peneliti. Namun, sekali peneliti menentukan arah membaca ke kanan
maka tidak boleh berubah sampai terkumpul sejumlah anggota sampel
yang dikehendaki. Dalam kasus ini, kita gunakan saja arah ke kanan
sehingga hasil penarikan sampelnya akan menjadi sebagai berikut
Tabel 5.1
Tabel Angka Random (acak)
87083 8(439)(4 47)915 83447 25786 40(051) (015)66

2759(1 48)519 (066)56 17666 32(416) 91371 09457
63571 (239)(30 3)961(3 96)(313) (448)(43 8)(156)4 92(021)
61265 0(300)6 13672 (133)(44 6)9515 81817 76612
70929 41000 41151 18212 46867 57858 25230
49909 90315 70947 97975 80094 17471 32097
36738 83561 92651 48713 03010 34450 70899
73432 66022 86737 29687 87312 53853 39469
09093 77144 05737 29873 78723 30014 85819
42856 34899 13474 45835 14217 40233 50344
dst
Kita telusuri dari angka pertama dengan menggunakan tiga digit, angka
pertama adalah 870, angka ini tidak masuk ke dalam sampel karena jumlah
populasi kita hanya 450, selanjutnya angka kedua adalah 838. Angka ini juga
tidak masuk ke dalam sampel. Angka selanjutnya adalah 439. Angka ini
masuk ke dalam populasi sehingga angka ini menjadi sampel pertama.
Selanjutnya angka 447. Angka ini juga bagian dari populasi sehingga
menjadi sampel kedua, dan begitu proses selanjutnya sampai kita
menemukan sejumlah sampel sesuai yang kita inginkan.
Dengan demikian, maka angka yang terpilih sebagai sampel adalah:
439, 447,051,148, 066, 416, 239, 303, 396313, 448, 438, 156, 021, 300, 133,
446, dan seterusnya.
Kalau kita perhatikan langkah yang sudah kita lakukan, cara ini boleh
dikata tidak efisien karena banyaknya angka yang hilang. Kembali ke proses
pengambilan sampel tadi, maka angka 870, 838, 915 menjadi angka yang
hilang. Dengan demikian, untuk mengurangi ketidakefisienan ini, kita bisa
gunakan kelipatan angka maksimum. Prinsip kelipatan angka maksimum
adalah kita bisa menggunakan angka kelipatan yang masih memungkinkan
untuk jumlah digit yang ada. Dalam kasus, kita memiliki populasi 450
dengan tiga digit maka kelipatan angka maksimum yang memungkinkan
adalah 900 (450+450). Namun demikian, kita tidak bisa lagi menggunakan
kelipatan dari populasi yang ada karena kalau kita gunakan kelipatan tiga
maka angka yang muncul adalah 1350 (450+450+450). 1350 tidak bisa
karena sudah mengandung 4 digit. Kita coba contoh lain, misalnya jumlah
populasinya adalah 225 maka kelipatan angka maksimum yang
memungkinkan adalah 450, 675, 900.
Kembali ke kasus yang sedang kita bahas, kita sudah mengetahui bahwa
ada 1 kelipatan angka maksimum, yaitu 900 dan 450 itu sendiri, selanjutnya
angka terpilih bisa kita kurangi dengan angka maksimum atau dengan angka
kelipatan maksimum yang terdekat sebagai berikut:
1. 870 - 450 = 420
2. 838 – 450 = 388
3. 439
4. 447
5. 915 - 900 = 015
6. 834 – 450 = 384
7. 472 – 450 = 022
8. 578 – 450 = 128
9. 640 – 450 = 190
10. 051, dst
Dengan demikian, sampel terpilih adalah: 420, 388, 439, 447, 015, 384, 022,
128, 190, 051, dan seterusnya.

penarikan sampel secara acak sederhana, kini cobalah
lakukan penarikan sampel dengan menggunakan tabel
angka random untuk populasi sebanyak 275, dengan
sampel sebanyak 100.
B. TEKNIK PENARIKAN SAMPEL SISTEMATIS

(SYSTEMATIC SAMPLING)
Untuk melakukan penarikan sampel secara sistematis, kita harus

menemukan nilai intervalnya terlebih dahulu. Rumus untuk menemukan
N
interval : , dimana N adalah jumlah populasi dan n adalah jumlah sampel.
n
Kita gunakan contoh berikut. Jika kita ketahui jumlah populasi sebanyak 450
dan kita akan mengambil sampel sebanyak 150 maka nilai intervalnya
N 450
adalah:  3
n 150
Setelah kita mengetahui nilai intervalnya maka kita tentukan sampel

pertama secara acak, misalnya saja kita mendapatkan sampel pertama nomor
urut 10 maka sampel berikutnya tinggal menjumlahkan dengan nilai
intervalnya sehingga sampel terpilih adalah:
1. 10
2. 10 + 3 = 13
3. 13 + 3 = 16
4. 16 + 3 = 19
5. 19 + 3 = 22
6. 22 + 3 = 25
7. 25 + 3 = 28
8. 28 + 3 = 31
9. 31 + 3 = 34
10. 34 + 3 = 37, dan seterusnya.
Pertanyaan yang kemudian muncul adalah bagaimana jika nilai

intervalnya dalam bentuk pecahan? Apakah kita bulatkan ke atas atau ke
bawah? Jika kita bulatkan ke atas maka bisa dipastikan bahwa sampelnya
akan kurang, sedangkan jika kita bulatkan ke bawah maka sampelnya bisa
dipastikan akan berlebih. Manakah yang lebih baik? Tentu saja keduanya
bukanlah kondisi yang baik karena dengan hal demikian, prinsip
probabilitasnya menjadi hilang. Untuk mengatasi masalah ini, kita bisa
gunakan fraction interval. Kita langsung saja dengan menggunakan contoh
berikut. Kita tahu bahwa jumlah populasi yang ada 450, namun kini kita akan
mengambil sampel sebanyak 100, dengan demikian intervalnya adalah
N 450
  4,5 . Setelah kita temukan intervalnya maka seperti yang sudah
n 150
kita lakukan, kita ambil angka pertama sebagai sampel pertama, selanjutnya
kita jumlahkan dengan interval yang ada. Sampel berikutnya yang terpilih
adalah angka yang ada di depan koma sehingga sampel berikutnya, jika
sampel pertama adalah 15;
1. 15
2. 15 + 4,5 = 19,5 sehingga sampelnya 19
3. 19,5 + 4,5 = 24 sehingga sampelnya 24

5. 28,5 + 4,5 = 33sehingga sampelnya 33
10. 51 + 4,5 = 55,5 sehingga sampelnya 55 dan seterusnya.

penarikan sampel secara sistematis, kini cobalah
lakukan penarikan sampel secara sistematis untuk
populasi sebanyak 275, dengan sampel sebanyak 100.
C. TEKNIK PENARIKAN SAMPEL STRATIFIKASI

(STRATIFIED SAMPLING)
Dalam penelitian sosial, sering kali tidak hanya dibatasi oleh satu
variabel atau dua variabel yang saling berhubungan, namun juga bisa
mencakup lebih dari dua variabel, dimana variabel ketiga merupakan variabel
kontrol. Variabel kontrol ini cenderung memengaruhi pola hubungan yang
terjadi di antara dua variabel yang saling berhubungan. Misalnya saja, kita
akan meneliti tentang bagaimana pengaruh sosialisasi terhadap motivasi
karyawan. Misalnya saja, kita memiliki hipotesis bahwa semakin sering
seseorang diberi sosialisasi yang positif maka semakin besar motivasinya.
Dalam pola hubungan ini, kita juga akan mengontrol hubungan tersebut
dengan memasukkan variabel ketiga sebagai kontrol, yaitu jenis kelamin.
Dengan demikian, kita membuat hipotesis bahwa untuk laki-laki, semakin
sering seseorang diberi sosialisasi yang positif maka semakin besar
motivasinya, sedangkan untuk perempuan sering seseorang diberi sosialisasi
yang positif maka semakin kecil motivasinya. Dengan demikian, kita perlu
membedakan terlebih dahulu populasi yang ada ke dalam subpopulasi. Dasar
yang kita gunakan untuk membuat subpopulasi adalah variabel kontrol.
Untuk menarik sampel maka kita gunakan teknik penarikan sampel
stratifikasi.
 ISIP4215/MODUL 5 5.11
Teknik penarikan sampel stratifikasi ini sebenarnya tidaklah murni

karena dalam prosesnya tetap digunakan teknik penarikan sampel acak
sederhana atau sistematis. Dalam teknik penarikan sampel stratifikasi ada dua
bentuk yang bisa digunakan, yaitu yang proporsional dan nonproporsional.
Teknik penarikan sampel yang proporsional kita gunakan, jika jumlah sub-
populasinya kurang lebih seimbang, sedangkan apabila jumlah sub-
populasinya tidak seimbang, kita bisa gunakan teknik penarikan sampel
stratifikasi yang nonproporsional.
sub populasi
Rumus untuk mengambil sampel proporsional:  sampel
populasi
Kita coba lihat contoh berikut ini, untuk membandingkan antara yang
proporsional dan yang nonproporsional. Kita lihat untuk yang proporsional
terlebih dahulu.
Suatu penelitian dengan judul pengaruh tutorial online terhadap IPK
mahasiswa berdasarkan jurusan. Penelitian dilakukan terhadap mahasiswa
FISIP UT yang terdiri dari empat jurusan yang ada di FISIP dengan
perbandingan sebagai berikut:
Mahasiswa Sosiologi : 100

Mahasiswa Bahasa : 75
Mahasiswa Administrasi : 150
Mahasiswa Komunikasi : 125
Dengan demikian kita ketahui bahwa jumlah populasi yang ada sebanyak 450
orang. Jika kita akan mengambil sampel sebanyak 200 orang maka jumlah
sampel yang akan kita ambil dari setiap jurusan sebagai berikut:
100
Mahasiswa Sosiologi :  200  44, 4 kita bulatkan menjadi 44
450
75
Mahasiswa Bahasa :  200  33,3 kita bulatkan menjadi 33
450
150
Mahasiswa Administrasi :  200  66,6 kita bulatkan menjadi 67
450
125
Mahasiswa komunikasi :  200  55,5 kita bulatkan menjadi 56
450
Setelah kita mengetahui berapa jumlah sampel untuk setiap stratanya

(jurusan) maka tahap selanjutnya, kita bisa gunakan teknik penarikan sampel
secara acak sederhana atau secara sistematis.
Kalau kita lihat jumlah perbandingan antara jurusan yang ada tidak
terlalu jauh perbedaannya sehingga kita bisa gunakan teknik penarikan
sampel secara proporsional. Namun, jika dalam kondisi sebaliknya, yaitu
jumlah perbandingan mahasiswa antarjurusan tidak seimbang, bahkan ada
jurusan yang hanya sedikit jumlah mahasiswanya maka kita bisa gunakan
cara yang nonproporsional. Kita coba lihat contoh berikut, untuk melihat
bagaimana sebaiknya cara yang nonproporsional digunakan dengan terlebih
dahulu membandingkannya dengan menggunakan cara yang proporsional.
Kita masih menggunakan contoh penelitian yang sama dengan jumlah
mahasiswa yang berbeda di setiap jurusannya.
Dengan demikian, kita ketahui bahwa jumlah populasi yang ada tetap
sebanyak 450 orang dan kita tetap akan mengambil sampel sebanyak 200
orang maka jumlah sampel yang akan kita ambil dari setiap jurusan bila
menggunakan cara proporsional sebagai berikut:
25
Mahasiswa Sosiologi :  200  11,1 kita bulatkan menjadi 11
450
10
Mahasiswa Bahasa :  200  4, 4 kita bulatkan menjadi 4
450
275
Mahasiswa Administrasi :  200  122, 2 kita bulatkan menjadi 122
450
140
Mahasiswa komunikasi :  200  62, 2 kita bulatkan menjadi 62
450
Karena dengan menggunakan cara yang proporsional, jumlah sampel setiap

jurusan tidak berimbang maka dalam kasus ini, kita bisa gunakan cara yang
nonproporsional sehingga untuk jurusan Sosiologi dan jurusan Bahasa, kita
bisa saja mengambil total sampling, sedangkan sisanya baru disesuaikan
 ISIP4215/MODUL 5 5.13
dengan jumlah jurusan Administrasi dan Komunikasi sehingga jumlah

sampel untuk kasus ini dengan cara nonproporsional adalah:
D. TEKNIK PENARIKAN SAMPEL KLUSTER

(CLUSTER SAMPLING)
Teknik penarikan sampel acak sederhana, sistematis, dan stratifikasi

biasanya digunakan untuk karakteristik populasi yang homogen. Namun
kenyataannya, di dalam ilmu sosial sering kali kita jumpai karakteristik
populasi yang heterogen, misalnya saja berdasar tempat tinggal. Di Jakarta
saja, kita sudah memiliki variasi yang banyak berdasar wilayah Jakarta Utara,
Jakarta Selatan, Jakarta Barat, Jakarta Timur, Jakarta Pusat, dan Kepulauan
Seribu. Belum lagi, jika kita lihat berdasarkan kecamatan atau kelurahan.
Untuk populasi yang demikian heterogen, ada teknik penarikan sampel yang
bisa digunakan, yaitu teknik penarikan sampel kluster. Seperti halnya teknik
penarikan sampel stratifikasi, teknik penarikan sampel ini pun tidaklah
murni karena dalam prosesnya, dilakukan pula teknik penarikan sampel acak
sederhana atau sistematis.
Teknik penarikan sampel kluster bisa dilakukan dalam satu tahap, namun
bisa pula dilakukan dalam dua tahap atau lebih. Untuk contoh kasus
penelitian tentang mahasiswa FISIP UT, tentunya bisa kita lakukan satu
tahap, dimana populasinya di kelompokkan terlebih dahulu dalam jurusan,
kemudian secara random dipilih jurusan yang mewakilinya. Setelah jurusan
yang mewakili terpilih, kemudian ditarik sampel dengan menggunakan acak
sederhana ataupun sistematis.
Untuk contoh penelitian yang dilakukan dalam dua tahap, misalnya saja
kita naikkan level yang tadinya pada level fakultas kita naikkan ke level
universitas.
 ISIP4215/MODUL 5 5.15
Secara skematis, teknik penarikan sampel probabilita tergambar sebagai

berikut:
Teknik penarikan sampel Karakteristik

Acak sederhana Kerangka sampel lengkap
Populasi homogen
Sistematis Kerangka sampel lengkap
Populasi homogen dan berjumlah banyak
Stratifikasi Kerangka sampel lengkap
Populasi heterogen
Pembentukan strata berdasar teori
Kluster Kerangka sampel tidak lengkap
LAT IH A N

Suatu ketika Anda diminta untuk melakukan penelitian tentang

Kepuasan karyawan di lingkungan kerja Anda. Dari data yang ada di biro
SDM, diketahui jumlah karyawan di kantor Anda sebanyak 500 orang. Anda
berencana untuk mengambil sampel sebanyak 200 orang. Jabarkan langkah-
langkah yang Anda lakukan sampai Anda menemukan sampel penelitian
tersebut.
1. Langkah pertama adalah menyusun kerangka sampel.

2. Tentukan teknik penarikan sampel yang tepat.
3. Lakukan proses penarikan sampel.
4. Diskusikan dengan rekan Anda.
R A NG KU M AN
Dalam penelitian sosial, seorang peneliti selalu berusaha untuk

menarik sampel secara probabilita, agar hasil penelitian bisa
digeneralisasikan ke tingkat populasi. Dalam hal ini, probabilita
diartikan sebagai adanya kesempatan yang sama bagi setiap elemen
populasi untuk terpilih sebagai sampel. Syarat utama agar sampel bisa
ditarik secara probabilita adalah dapat disusunnya kerangka sampel,
yaitu daftar seluruh populasi. Ada empat teknik penarikan sampel secara
probabilita, yaitu acak sederhana, sistematis, stratifikasi, dan kluster.
TES F OR M AT IF 1
1) Sampel bisa ditarik secara probabilita apabila bisa disusun kerangka....

A. sampel
B. acuan
C. teori
D. data.
2) Tabel angka random digunakan dalam teknik penarikan sampel ....

A. acak sederhana
B. sistematis
C. stratifikasi
D. kluster
3) Penggunaan interval dilakukan dalam penarikan sampel ....

A. acak sederhana
B. sistematis
C. stratifikasi
D. kluster
4) Bila dalam penelitian terdapat variabel kontrol maka penarikan sampel

yang digunakan adalah ....
A. acak sederhana
B. sistematis
C. stratifikasi
D. kluster
 ISIP4215/MODUL 5 5.17
5) Subpopulasi atau strata muncul dalam penarikan sampel ....

A. acak sederhana
B. sistematis
C. stratifikasi
D. kluster


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Kegiatan Belajar 2
Penarikan Sampel Nonprobabilita
D alam penjelasan di awal modul ini, sudah dikatakan bahwa syarat untuk
menarik sampel secara probabilita adalah tersedianya kerangka sampel.
Jika kita tidak bisa menyusun kerangka sampel maka kita bisa lakukan
penarikan sampel secara nonprobabilita. Seperti halnya penarikan sampel
secara probabilita, dalam penarikan sampel secara nonprobabilita juga
terdapat 4 cara yang bisa dilakukan, yaitu penarikan sampel secara sengaja,
penarikan sampel secara kebetulan, penarikan sampel bergulir, dan penarikan
sampel secara kuota.
A. PENARIKAN SAMPEL SECARA SENGAJA

(PURPOSIVE SAMPLING)
Penarikan sampel secara sengaja didasarkan pada pengetahuan yang

dimiliki oleh peneliti terhadap sampel yang akan diambil. Penunjukan sampel
oleh peneliti dilakukan berdasarkan keyakinan peneliti bahwa sampel yang ia
pilih benar-benar merupakan bagian dari populasinya. Misalnya saja, jika
seorang peneliti (dosen di FISIP UT) ingin melakukan penelitian tentang
tanggapan mahasiswa terhadap pelaksanaan tutorial online di FISIP UT maka
peneliti bisa saja memilih mahasiswa yang ada di kelas tutorial online yang ia
kelola untuk dijadikan sebagai sampel. Pemilihan ini didasarkan pada
keyakinan peneliti bahwa mahasiswa yang ikut dalam kelas tutorial online
yang ia kelola tentunya bisa dipastikan merupakan bagian dari populasinya.
Jika jumlah mahasiswa di kelas tutorial online yang ia kelola dirasa masih
kurang, ia bisa saja meminta rekan dosen lain, yang juga mengelola kelas
tutorial online untuk menjadikan mahasiswa peserta tutorial online di
kelasnya sebagai sampel. Dengan demikian, dalam konteks ini, peneliti tidak
perlu menyusun kerangka sampel, dan bisa memilih siapa saja mahasiswa
yang ada di kelas tutorial online yang ia kelola sebagai sampel.
 ISIP4215/MODUL 5 5.19
B. TEKNIK PENARIKAN SAMPEL SECARA KEBETULAN

(ACCIDENTAL SAMPLING)
Prinsip dasar yang digunakan peneliti dalam menentukan sampel adalah

kemudahan dalam memilih sampel. Dikatakan secara kebetulan karena
memang dalam proses pemilihan sampel didasarkan pada unsur kebetulan.
Misalnya saja, peneliti ingin meneliti tentang kepuasan mahasiswa UT dalam
proses belajar-mengajar di UT. Salah satu cara yang paling mudah adalah
peneliti duduk di ruang tunggu pelayanan mahasiswa, kemudian kepada
mahasiswa yang datang ke bagian pelayanan mahasiswa, peneliti menjadikan
mahasiswa tersebut sebagai sampel. Cara yang mudah dan peneliti
mendapatkan sampel secara kebetulan (kebetulan mahasiswa datang ke
bagian pelayanan mahasiswa). Contoh lain, peneliti ingin melakukan
penelitian tentang brand image produk komputer. Untuk mendapatkan
sampel, peneliti bisa datang ke toko komputer, lalu setiap orang yang datang
ke toko itu, dijadikan sebagai sampel. Cara yang mudah untuk mendapatkan
sampel, yang didasarkan pada kemudahan mendapatkan sampel.
C. TEKNIK PENARIKAN SAMPEL SECARA BERGULIR

(SNOWBALL SAMPLING)
Penarikan sampel secara bergulir atau dalam kata lain penarikan sampel
dengan metode bola salju didasarkan pada informasi yang didapat dari
responden sebelumnya. Biasanya teknik ini banyak digunakan untuk
penelitian yang bersifat sensitif atau penuh kerahasiaan. Teknik ini banyak
digunakan oleh wartawan yang sedang mencari berita, polisi yang sedang
melakukan penyelidikan, dan peneliti yang meneliti topik yang sensitif.
Misalnya saja, penelitian tentang pelaku pemalsuan ijazah, pelaku seks bebas,
pengguna narkoba, dan sejenisnya. Cara yang dilakukan adalah pertama,
peneliti melakukan pengumpulan data pada seseorang yang memang sudah
diketahui sebagai bagian dari populasi. Kita ambil contoh penelitian tentang
seks bebas. Kita melakukan pengumpulan data ke A. Setelah selesai kita
tanya ke A, siapa lagi yang bisa dijadikan sampel. Si A hanya mengenal
2 orang, yaitu B dan C. Kemudian B dan C kita jadikan sampel dan kepada B
dan C kita tanyakan lagi, siapa saja yang bisa dijadikan sampel.
B menyebutkan tiga nama, D, E, dan F, sedangkan C menyebutkan dua
nama, yaitu G dan H. Dan begitu seterusnya sehingga dari mulut ke mulut,
kita bisa mengumpulkan sejumlah sampel, yang kita dapatkan dengan

bertanya kepada responden yang sudah kita jadikan sampel.
D. TEKNIK PENARIKAN SAMPEL BERDASARKAN KUOTA

(QUOTA SAMPLING)
Prinsip dasar penarikan sampel secara kuota hampir serupa dengan

teknik penarikan sampel dengan cara kluster. Perbedaannya terletak pada
prinsip probabilitanya. Jika dalam penarikan sampel secara kluster pemilihan
sub-subnya dilakukan secara acak (random) maka dalam penarikan sampel
secara kuota pemilihan sub-subnya bisa dilakukan secara sengaja
(purposive).
LAT IH A N

Seorang peneliti sedang melakukan penelitian tentang kepuasan

mahasiswa atas pelayanan yang diberikan karyawan UPBJJ di Indonesia.
Coba Anda bantu peneliti tersebut untuk melakukan penarikan sampel yang
tepat.
 ISIP4215/MODUL 5 5.21
1) Lihat lagi penjelasan penarikan sampel dalam modul.

2) Bandingkan dengan yang Anda sudah buat.
3) Diskusikan dengan Rekan Anda.
R A NG KU M AN
Terdapat empat cara yang bisa dilakukan dalam penarikan sampel

secara nonprobabilita. Keempat cara itu adalah penarikan sampel secara
sengaja, kebetulan, kuota, dan bergulir. Untuk bisa melakukan penarikan
sampel secara sengaja, peneliti harus memiliki pengetahuan yang pasti
agar responden yang dipilihnya benar-benar sesuai dengan karakteristik
populasinya. Penarikan sampel secara kebetulan didasarkan pada prinsip
kemudahan untuk mendapatkan sampel. Teknik penarikan sampel kuota
memiliki proses yang serupa dengan teknik penarikan sampel kluster
hanya saja pemilihan sub-sub dan sampelnya tidak dilakukan secara
random. Penarikan sampel bergulir didasarkan pada informasi yang
didapat dari responden sebelumnya yang sudah terpilih sebagai sampel.
TES F OR M AT IF 2
1) Pengambilan sampel nonprobabilitas dilakukan jika ....

A. ukuran sampel yang bisa diambil kecil
B. peneliti tidak bisa membuat kerangka sampel
C. hanya ada satu orang ahli yang mendalami masalah yang akan
diteliti
D. peneliti tidak memiliki biaya yang besar
2) Penarikan sampel secara nonprobabilita adalah ....

A. sistematis
B. stratifikasi
C. kuota
D. kluster
3) Untuk penelitian yang sensitif, misalnya tentang seks bebas, teknik

penarikan sampel yang tepat adalah ....
A. kuota
B. stratifikasi
C. bergulir
D. acak sederhana
4) Cara untuk mendapatkan sampel yang didasarkan pada informasi dari

sampel sebelumnya, adalah teknik penarikan sampel ....
A. kuota
B. stratifikasi
C. bergulir
D. acak sederhana
5) Cara mendapatkan sampel dengan cara menunggu di loket pembayaran

dan menjadikan orang yang datang ke loket sebagai sampel adalah
teknik penarikan sampel secara….
A. kuota
B. kebetulan
C. bergulir
D. acak sederhana


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
 ISIP4215/MODUL 5 5.23
Tes Formatif 1
1) A. Sampel bisa ditarik secara probabilita apabila bisa disusun kerangka
sampel.
2) A. Tabel angka random digunakan dalam teknik penarikan sampel acak
sederhana.
3) B. Penggunaan interval dilakukan dalam penarikan sampel sistematis.
4) C. Bila dalam penelitian terdapat variabel kontrol maka penarikan
sampel yang digunakan adalah stratifikasi.
5 C. Subpopulasi atau strata muncul dalam penarikan sampel stratifikasi.
Tes Formatif 2
1) B. Pengambilan sampel nonprobabilitas dilakukan jika peneliti tidak
bisa membuat kerangka sampel.
2) C. Penarikan sampel secara nonprobabilita adalah kuota.
3) C. Untuk penelitian yang sensitif, misalnya tentang seks bebas, teknik
penarikan sampel yang tepat adalah bergulir.
4) C. Cara untuk mendapatkan sampel yang didasarkan pada informasi dari
sampel sebelumnya adalah teknik penarikan sampel bergulir.
5) B. Cara mendapatkan sampel dengan cara menunggu di loket
pembayaran dan menjadikan orang yang datang ke loket sebagai
sampel adalah teknik penarikan sampel secara kebetulan.
Glosarium
Convenience sampling : penarikan sampel berdasarkan keinginan peneliti

sesuai dengan tujuan penelitian.
Judgment sampling : penarikan sampel berdasarkan penilaian terhadap
karakteristik anggota sampel yang disesuaikan
dengan tujuan penelitian.
Standard error : kemungkinan peneliti melakukan kesalahan dalam
pendugaan sampel terhadap populasi.
 ISIP4215/MODUL 5 5.25
Daftar Pustaka
Algifari, 2003. Statistika Induktif untuk Ekonomi dan Bisnis (Yogyakarta:

Akademi Manajemen Perusahaan YKPN). Edisi ke-2.
Ott.. et.al. 1992. Statistics A Tool for the Social Sciences. 5thed. Belmont,
Purwanto, Suharyadi, 2004. Statistika untuk Ekonomi dan Keuangan Modern

(Jakarta: Salemba Empat).
Sugiarto, Dergibson Siagian, 2000. Metode Statistika untuk Bisnis dan

Ekonomi (Jakarta: Gramedia Pustaka Utama).
Lampiran
 ISIP4215/MODUL 5 5.27
 ISIP4215/MODUL 5 5.29
 ISIP4215/MODUL 5 5.31
 ISIP4215/MODUL 5 5.33
 ISIP4215/MODUL 5 5.35
Modul 6
Estimasi dan Uji Hipotesis

PEN D A HU L UA N
A pa yang akan Anda lakukan, setelah Anda selesai melakukan penelitian?

Tentunya Anda akan mengambil suatu kesimpulan. Nah, seperti Anda
ketahui bahwa dalam melakukan penelitian biasanya kita hanya memakai
sampel dan data dari sampel tersebut, akan kita pakai untuk mewakili
populasi. Lalu bagaimana data yang ada di sampel tersebut bisa
menggambarkan keadaan di populasi?
Untuk itu, kita akan mencoba melakukan suatu inferensi (menarik
kesimpulan). Dalam ilmu statistik ada dua konsep berkaitan dengan inferensi.
Pertama, apa yang kita kenal sebagai estimasi atau secara sederhana kita
katakan sebagai pendugaan. Dalam hal ini, kita akan menduga keadaan di
populasi dengan memakai data yang ada di tingkat sampel. Kedua, yang
disebut sebagai pengujian hipotesis, yaitu apabila kita ingin memeriksa
apakah data yang ada di tingkat sampel mendukung atau berlawanan dengan
dugaan peneliti. Kedua hal tersebut, akan kita coba bahas di dalam Modul 6
ini.
Setelah mempelajari Modul 6 ini, Anda diharapkan dapat memanfaatkan
statistika dalam penyusunan inferensi melalui estimasi terhadap data dari
suatu sampel.
Secara khusus, setelah mempelajari Modul 6 ini, Anda dapat:
1. menjelaskan pengertian estimasi parameter dan uji hipotesis;
2. melakukan perhitungan dan interpretasi;
3. menetapkan besaran sampel.
Kegiatan Belajar 1
Estimasi Parameter
P engertian estimasi, sesungguhnya bukan merupakan satu hal yang asing

dalam kehidupan manusia, termasuk Anda. Dalam kehidupan sehari-hari,
pasti kita akan melakukan estimasi. Coba Anda ingat lagi, apakah Anda
pernah melakukan estimasi? Baik, saya akan coba membantu Anda untuk
mengingat. Pernahkah Anda menduga siapa yang akan memenangkan
pertandingan final sepak bola antara Belanda dan Italia? Pernahkah Anda
menduga apakah Anda akan lulus mata kuliah pengantar statistik sosial?
Masih banyak lagi contoh pendugaan, yang tentunya Anda lebih tahu. Nah
sesungguhnya, Anda sudah melakukan suatu estimasi. Dengan demikian,
secara sederhana kita dapat mengatakan bahwa estimasi adalah pendugaan.
Estimasi akan kita pakai sebagai dasar untuk kita melakukan suatu
keputusan. Dalam statistik, estimasi dikatakan sebagai salah satu cara untuk
mengemukakan pernyataan induktif (menyatakan karakteristik populasi
dengan menggunakan karakteristik yang didapat dari sampel).
Coba Anda perhatikan Gambar 6.1 mengenai estimasi.
Gambar 6.1
Gambar 6.1 menunjukkan bagaimana kita melakukan pendugaan

terhadap parameter populasi yang belum kita ketahui, dengan memakai data
statistik di sampel yang sudah kita ketahui dengan melakukan penelitian.
Nah, dalam melakukan estimasi, kita memakai beberapa estimator. Estimator
adalah statistik yang digunakan untuk melakukan estimasi parameter
populasi. Contohnya, seorang peneliti ingin meneliti tingkat kesejahteraan

buruh yang ada di kompleks buruh Coca Cola. Tercatat ada 1554 buruh yang
ada di kompleks tersebut. Untuk itu, peneliti tersebut mengambil sampel
sebanyak 250 buruh dan dari hasil penelitian diketahui bahwa rata-rata
pendapatan responden per bulan sebesar Rp600.000,00. Berdasarkan data di
tingkat sampel tersebut, peneliti bertanya lebih jauh lagi, apakah memang di
tingkat populasi (dari 1554 buruh tersebut) memiliki pendapatan sebesar
Rp600.000,00? Untuk menjawab pertanyaan tersebut maka peneliti akan
melakukan estimasi terhadap rata-rata penghasilan buruh di tingkat populasi
dengan memakai data rata-rata penghasilan buruh di tingkat sampel.
Lalu apa yang dimaksud dengan uji hipotesis? Apa perbedaan antara uji
hipotesis dengan estimasi? Memang benar bahwa baik estimasi maupun uji
hipotesis adalah sama-sama pendugaan terhadap parameter populasi. Namun
demikian, ada perbedaan yang mendasar antara estimasi dan uji hipotesis.
Apabila dalam estimasi, kita menduga kenyataan yang ada di tingkat populasi
dengan memakai data di sampel maka uji hipotesis lebih ditujukan untuk
membuat suatu pertimbangan tentang perbedaan antara nilai statistik di
sampel dengan nilai parameter populasi.
Dengan adanya perbedaan nilai tersebut maka dalam pengujian hipotesis,
kita diperkenalkan dengan suatu hipotesis, yang disebut sebagai hipotesis nul
(Ho) dan hipotesis alternatif (Ha). Sebagai contoh, seorang peneliti yang
sedang melakukan penelitian di suatu desa menanyakan mengenai rata-rata
usia responden, di mana ternyata rata-rata usia responden adalah 32. Sebelum
peneliti tersebut melakukan penelitian, ia mengumpulkan data sekunder di
kelurahan. Dari data sekunder tersebut, peneliti menemukan bahwa rata-rata
usia penduduk yang masuk dalam karakteristik sampel adalah 30. Nah,
tentunya timbul pertanyaan dalam diri peneliti, mengapa terdapat perbedaan
data antara data yang ada di tingkat sampel (32) dengan data yang ada di
tingkat populasi (30)? Untuk menjawab keingintahuan tersebut maka si
peneliti akan melakukan suatu pengujian yang kita kenal dengan pengujian
hipotesis.
Apakah Anda sudah melihat dengan jelas perbedaan antara estimasi dan
uji hipotesis? Apabila kita simpulkan, estimasi adalah suatu langkah untuk
melakukan pendugaan terhadap parameter populasi yang belum diketahui,
dengan memakai data statistik yang ada di tingkat sampel. Uji hipotesis
adalah suatu langkah pendugaan terhadap nilai parameter yang sudah
diketahui, dengan membandingkan pada data statistik yang ada di tingkat
sampel.
Untuk materi mengenai pengujian hipotesis ini, akan kita bahas lebih
jauh dalam Kegiatan Belajar 2. Untuk saat ini, ada baiknya kita membahas
terlebih dahulu mengenai estimasi parameter populasi secara lebih
mendalam.
A. ESTIMASI TITIK
Di awal modul ini, kita sudah mencoba melihat pengertian dari estimasi.
Ternyata dalam statistik dikenal ada dua jenis estimasi, yaitu estimasi titik
dan estimasi interval. Nah, kita coba bahas satu per satu mengenai jenis
estimasi tersebut.
Estimasi titik adalah suatu nilai tunggal yang dihitung berdasarkan
pengukuran sampel yang akan dipakai untuk menduga nilai tunggal yang ada
di tingkat populasi yang belum kita ketahui. Sebagai estimator, kita bisa
memakai nilai rata-rata, standar deviasi, maupun variance. Ketiga
pengukuran tersebut merupakan estimator yang baik karena cara
pembentukan rata-rata sampel dari sejumlah sampel sama dengan cara
pembentukan rata-rata populasi. Secara sederhana bisa kita katakan bahwa
rata-rata dari rata-rata sejumlah sampel akan sama nilainya dengan rata-rata
di populasi (distribusi sampling). Masih bingung? Baiklah kita lihat dalam
contoh berikut ini.
Katakanlah ada seorang peneliti yang melakukan penelitian terhadap
100 orang yang mengikuti tes ujian masuk kursus komputer. Ke-100 orang
tersebut dibagi dalam 5 kelompok. Ternyata dari hasil penelitian tersebut
diperoleh data sebagai berikut:
Tabel 6.1
Rata-rata Nilai yang Didapat
Kelompok (Sampel) Jumlah responden Nilai Rata-rata

I 20 9
II 20 8
III 20 9
IV 20 8
V 20 6
Berdasar Tabel 6.1 kita tahu bahwa kelompok I terdiri dari 20 orang,
demikian pula kelompok lainnya. Dari 20 orang dalam tiap kelompok
dihitung rata-rata nilai yang didapat. Kemudian, kita coba menghitung rata-
rata yang didapat oleh setiap kelompok. Nah, rata-rata dari kelima kelompok
itu, cenderung akan menyamai rata-rata dari 100 orang peserta tersebut
(populasinya). Dengan demikian, kita dapat menduga bahwa rata-rata di
tingkat populasi adalah (9+8+9+8+6) : 5 = 8.
Dengan demikian, kita bisa merumuskan sebagai berikut:
Estimasi Populasi:
(X )  
Keterangan : -  sigma (total jumlah)
- X bar (rata-rata sampel)
-  Miu (rata-rata populasi)
Saudara Mahasiswa, Anda telah mempelajari mengenai estimasi titik,

kini cobalah kerjakan tugas berikut untuk membantu Anda memahami
materi yang ada. Cobalah mengerjakan sendiri, kemudian cocokkan
dengan jawaban yang ada di bawah tugas ini.
Dari data yang ada di biro kepegawaian, tercatat ada 100 orang yang
bekerja di sebuah perusahaan pemasaran. Dari 100 orang tersebut,
dilakukan penelitian sebanyak tiga kali dengan mengambil sampel
secara acak. Jika diketahui bahwa rata-rata sampel 1 adalah 25, rata-
rata sampel kedua adalah 29, dan rata-rata sampel ketiga adalah 27,
maka berapakah rata-rata di tingkat populasi?
Rata-rata dari sejumlah sampel sama dengan rata-rata populasi, dengan

demikian kita bisa menduga bahwa rata-rata di tingkat populasi adalah
25  27  29
 27
3
B. ESTIMASI TITIK TERHADAP PROPORSI POPULASI
Pada bagian sebelumnya, kita sudah mempelajari cara menghitung

estimasi titik untuk nilai tertentu yang nilainya sudah kita ketahui (sudah
pasti). Namun, sering kali kita juga melakukan pendugaan terhadap sesuatu
hal yang proporsi populasinya tidak kita ketahui. Contohnya, apabila suatu
ketika Anda ingin menduga berapa banyak pemirsa televisi yang menonton
acara pertandingan final sepak bola piala Eropa tahun 2000. Nah, untuk
mewakili proporsi pemirsa televisi yang menonton pertandingan final sepak
bola itu kita gunakan rumus
Variance proporsi:
S 2  npq
Keterangan : S2 = variance proporsi

n = Jumlah percobaan (sampel)
p = Proporsi sampel sukses x
q = Proporsi sampel gagal (I -p)
Standar deviasi proporsi:

S  S2
Kita coba terapkan rumus-rumus proporsi tersebut dalam contoh. Dari

data suatu biro penelitian, diketahui ada sebanyak 900 mahasiswa UT yang
ingin menonton pertandingan final sepak bola. Ternyata setelah dilakukan
penelitian, hanya ada 576 mahasiswa yang bisa menonton final sepak bola
tersebut. Dengan demikian, estimasi titik terhadap proporsi jumlah pemirsa
yang menonton pertandingan final adalah:
x 576
p   0, 64
n 900
q  1  p  1  0, 64  0,36
Estimasi terhadap variance, standar deviasi proporsi adalah

S 2  npq  900  0,64  0,36   207,36
S  S 2  207,36  14, 4
C. ESTIMASI INTERVAL
Estimasi interval adalah suatu estimasi terhadap parameter populasi

dengan memakai range (interval nilai). Berbeda dengan estimasi titik yang
hasilnya merupakan suatu angka mutlak (angka pasti) maka estimasi interval
merupakan sekumpulan angka, yang kita duga salah satunya adalah nilai
yang kita cari. Dengan demikian, sesungguhnya estimasi titik merupakan
hasil pendugaan yang lebih akurat.
Pertanyaan sekarang adalah mengapa kita melakukan estimasi interval?
Jawabnya adalah apabila kita melakukan estimasi interval maka hasil
pendugaan kita akan lebih objektif. Kita juga dapat menyatakan berapa besar
tingkat kepercayaan kita bahwa interval yang terbentuk memang
mengandung nilai parameter yang kita duga. Tingkat kepercayaan tersebut
ditunjukkan dengan peluang membuat kesalahan dalam menentukan interval
dan dinyatakan dalam bentuk persentase.
Bicara tentang interval kepercayaan (confidence interval) maka dalam
ilmu sosial, interval kepercayaan yang sering dipergunakan adalah 90%,
95%, atau 99%. Pada dasarnya seorang peneliti bebas menentukan berapa
besar interval kepercayaan yang akan dipergunakan. Pertimbangannya adalah
dengan semakin besar tingkat kepercayaan yang diberikan maka semakin
tinggi pula tingkat kepercayaan bahwa parameter populasi yang diestimasi
terletak dalam interval yang terbentuk, namun penelitian itu menjadi semakin
tidak teliti. Gambar 6.2 berikut akan membantu Anda memahami penjelasan
mengenai keterkaitan besarnya interval kepercayaan dengan ketelitian.
Gambar 6.2
Gambar 6.2 menunjukkan bahwa dengan semakin besar interval

kepercayaan yang diberikan maka interval yang terbentuk akan semakin
besar, dengan demikian ketepatan estimasi semakin besar, namun
ketelitiannya semakin kecil. Ketika peneliti menetapkan interval kepercayaan
sebesar 99% maka interval yang terbentuk mulai dari titik 10 hingga titik 100
(range sebesar 90), dengan demikian kemungkinan bahwa parameter populasi
(misalkan parameter populasi 50) akan berada pada interval yang terbentuk
semakin besar. Namun, ketika peneliti menetapkan interval kepercayaan
sebesar 95% maka interval yang terbentuk mengecil (25-75) dengan range
50. Demikian pula, ketika peneliti menetapkan interval kepercayaan 90%
maka intervalnya semakin mengecil (40-60) dengan range sebesar 20.
Dengan semakin mengecilnya interval yang terbentuk maka kemungkinan
bahwa parameter akan berada pada interval yang terbentuk akan semakin
kecil (ditunjukkan dengan range yang semakin mengecil), namun
ketelitiannya semakin tinggi.
Bicara mengenai ketelitian, kita bisa mengaitkan dengan pengertian
alpha (daerah penolakan). Apabila kita menetapkan interval kepercayaan
sebesar 95% maka dengan kata lain kita menetapkan alpha sebesar 5%
(100-95). Pengertiannya adalah kita memberikan toleransi untuk melakukan
kesalahan sebanyak 5 kali dalam 100 kali percobaan. Nah, demikian pula jika
kita menetapkan interval kepercayaan sebesar 90% (alpha 10%) maka kita
memberikan toleransi untuk melakukan kesalahan sebanyak 10 kali dalam
100 percobaan. Jelas bukan, bahwa dengan kita memberikan toleransi
kesalahan 5 kali, tentunya akan lebih baik (teliti) dibandingkan 10 kali.
Dengan demikian, interval kepercayaan 95% (alpha 0.05) akan lebih teliti
dibandingkan interval 90% (alpha 0.10). Sekarang kita kembali pada materi
mengenai estimasi interval.
Kita langsung saja dengan memakai sebuah contoh. Apabila di desa
Tegalarang, diketahui bahwa rata-rata usia penduduk berdasarkan data di
kelurahan adalah 35,3 (untuk informasi ini, anggaplah bahwa peneliti tidak
tahu mengenai data rata-rata usia penduduk tersebut). Seorang peneliti yang
sedang melakukan penelitian di desa Tegalarang itu, menemukan dari hasil
penelitian bahwa rata-rata usia penduduk di desa Tegalarang adalah 36.3
tahun, dengan standar deviasi sebesar 13.3 yang didapat dengan
menggunakan sampel sebanyak 120 orang dari keseluruhan penduduk
(populasi) sebesar 400 orang. Nah, dengan mengetahui rata-rata usia di
sampel, peneliti ingin melakukan estimasi terhadap rata-rata usia penduduk di
populasi, (ingat bahwa yang mengetahui rata-rata usia penduduk desa
Tegalarang adalah hanya kita saja. si peneliti tidak tahu dan tidak perlu kita
beri tahu). Kemudian, peneliti menggunakan interval kepercayaan sebesar
95%. Dengan interval kepercayaan itu maka peneliti memiliki kepercayaan
bahwa nilai parameter di tingkat populasi akan berada pada interval
  
 z / 2   dari rata-rata populasi.
 n
Kita coba tinggalkan dulu kebingungan peneliti terhadap usaha
  
estimasinya, kita coba bahas dulu apa maksud kalimat  z / 2   dari
 n
rata-rata populasi. Sebelum kita melangkah lebih jauh, ada baiknya kita
melihat beberapa penjelasan berikut.
Masih ingat ketika kita membahas mengenai estimasi titik? Kita tahu
bahwa rata-rata dari rata sampel akan sama dengan rata-rata populasi. Nah,
sesungguhnya kita sudah bicara mengenai distribusi sampling. Distribusi
sampling adalah sejumlah nilai yang didapatkan dari hasil sejumlah
pengamatan atau sampel, yang menggambarkan penyebaran dan pemusatan
data di tingkat populasi, yang cenderung akan membentuk kurva normal.
Nah, apabila kita mengenal standar deviasi di tingkat sampel dan populasi
maka dalam distribusi sampling standar deviasi disebut sebagai standard
error. Standar deviasi ini sangat dipengaruhi oleh besar-kecilnya sampel.
Apabila jumlah sampel semakin besar maka standard error akan semakin
kecil, demikian pula sebaliknya. Rumus dari standard error adalah:

X
n
keterangan:  X = standard error

 = standar deviasi di tingkat populasi
n = jumlah sampel
Kalimat ± Z standard error dari rata-rata populasi, apabila digambarkan

dalam kurva, akan tampak seperti Gambar 6.3.
     
X  z / 2   X  z / 2  
 n  n
Gambar 6.3.
Untuk nilai Z maka kita perlu melihat pada tabel Z berapa nilai yang ada,
yang tentunya dipengaruhi oleh besar-kecilnya interval kepercayaan yang
diberikan. Kita lihat 3 nilai yang umum dipakai oleh ahli ilmu sosial.
Interval kepercayaan Nilai Z pada tabel Z (normal)

90% 1,645
95% 1,96
99% 2,58
 ISIP4215/MODUL 6 6.11
Nah, kini kita kembali pada peneliti yang sedang melakukan estimasi di
desa Tegalarang.
Diketahui: X = 36,3
n = 120
s = 13,3
Ditanya: estimasi interval dengan kepercayaan 95%
Jawab:
    13,3 
x  z / 2    36,3  1,96  
 n  120 
       
 36,3  1,96      36,3  1,96  
 120   120 
 33,92    38, 68
Dengan demikian, kita menginterpretasikan hasil estimasi peneliti

tersebut dengan mengatakan bahwa peneliti memiliki 95% kemungkinan
bahwa nilai rata-rata di populasi akan berada pada interval 33,92 sampai
38,68. Bisa juga disimpulkan bahwa peneliti memiliki kepercayaan 95%
bahwa interval 33,92 sampai 38,68 akan mencakup nilai rata-rata di populasi.
Dalam bentuk kurva akan terlihat seperti Gambar 6.4.
33,92 36,3 38,68
Gambar 6.4
Nah, kita sama-sama tahu bahwa berdasar data kelurahan, memang benar
bahwa rata-rata populasi (36,3) memang berada pada interval 33,95 sampai
38,65. Dengan demikian, peneliti sudah benar dalam melakukan estimasi
terhadap nilai parameter populasi dengan memakai data statistik yang ia
miliki di tingkat sampel.
Saudara Mahasiswa, Anda telah mempelajari mengenai estimasi

interval, kini cobalah kerjakan tugas berikut, untuk membantu Anda
memahami materi yang ada. Cobalah mengerjakan sendiri, kemudian
cocokkan dengan jawaban yang ada di bawah tugas ini.
Dari suatu penelitian di 5 wilayah Banten, diketahui bahwa rata-rata

jumlah penduduk pada suatu wilayah adalah 120.000 orang. Jika
diketahui standar deviasi sampel adalah 2.300, berapakah interval
kepercayaan jika digunakan tingkat kepercayaan 99%?
Diketahui:
x  120.000
s  2.300
t( / 2, v )  4, 604
n5
 2.300 
 120.000  4, 604  
 5 
 115.264,37  124.735, 63
Dengan demikian, bisa kita simpulkan bahwa dengan tingkat keyakinan 99%,
dapat dijelaskan bahwa rata-rata jumlah penduduk pada suatu wilayah berada
di antara 115.264,37 – 124.735,63 orang. Karena Jumlah penduduk
merupakan variabel diskret maka harus dibulatkan menjadi 115.264 –
124.736.
D. PENETAPAN BESAR SAMPEL
Dalam penelitian kuantitatif, jumlah sampel sering kali menjadi suatu

permasalahan yang tidak habis-habisnya diperdebatkan. Mengapa? Kita
mengambil hanya sebagian dari populasi yang ada maka selalu timbul
pertanyaan apakah sampel yang sudah kita ambil benar-benar dapat mewakili
populasi yang ada. Apakah polling yang sering dilakukan oleh Kompas dapat
mewakili seluruh penduduk Indonesia? Nah, untuk menjamin bahwa data
 ISIP4215/MODUL 6 6.13
yang sudah kita dapatkan di tingkat sampel mewakili populasinya maka kita
harus menetapkan jumlah (besaran) sampel yang memang dapat dikatakan
mewakili populasi. Tentu tidak mungkin kita hanya mengambil sampel
sebanyak 100 orang untuk mewakili populasi yang berjumlah 100.000 orang.
Lalu berapa jumlah sampel yang bisa kita ambil?
Dalam hal besaran sampel yang ideal, memang masih banyak
diperdebatkan oleh ahli sosial. Ada yang mengatakan bahwa kita bisa
mengambil 10% dari seluruh populasi yang ada. Ada juga yang mengatakan
bahwa minimal 25% dari populasi. Terlepas dari perdebatan ahli sosial,
setidaknya kita dapat mempertimbangkan untuk menentukan besaran sampel
dengan mengingat bahwa semakin besar sampel atau semakin jumlah sampel
mendekati jumlah populasi maka penelitian kita akan semakin akurat. Dalam
Tabel 6.2 berikut, Anda akan melihat bagaimana besaran sampel akan
memengaruhi pada besarnya range interval sehingga ketepatan data lebih
akurat.
Tabel 6.2
Perubahan Besaran Sampel terhadap Range Interval
dengan Alpha 0.05
Besaran sampel Range interval

100 $1970
200 $1390
500 $877
1000 $620
10000 $196
Sumber: George Argyrous, (130).
Tabel 6.2 menunjukkan bahwa apabila kita menggunakan jumlah sampel

sebanyak 100 maka range interval berjarak $1970, sedangkan apabila kita
menambah jumlah sampel menjadi 200 maka range menjadi semakin kecil
sehingga ketepatan data menjadi semakin akurat. Apabila Anda perhatikan
dengan cermat, terlihat bahwa perubahan besaran sampel dari 100 ke 200
membuat perubahan range sebesar $580 (dari $1970 hingga $1390),
sementara perubahan sampel dari 1000 hingga 10000 hanya membuat
perubahan range interval sebesar $424 (dari $620 hingga $196). Dengan
pertimbangan inilah maka banyak survei-survei sosial dan polling atau jajak
pendapat menetapkan jumlah sampel 1200-1400 sekalipun mereka mencoba
melakukan generalisasi data terhadap populasi.
Kita tidak perlu memperdebatkan berapa besar sampel yang ideal.

Sebaiknya kita menetapkan besaran sampel yang sebesar mungkin, dengan
mempertimbangkan faktor-faktor, seperti besaran interval kepercayaan yang
kita gunakan, heterogenitas populasi, serta faktor-faktor teknis, seperti
masalah tenaga pengumpul data, waktu, serta dana.
L AT IH A N

Buktikan bahwa dengan memakai interval kepercayaan yang berbeda

maka range interval akan berbeda!
1. Gunakan rumus estimasi interval. Pakai interval kepercayaan 90%, 95%,

99%. Lihat lagi penjelasannya dalam materi.
2. Diskusikan dengan rekan Anda
R A NG KU M AN
Secara sederhana kita dapat mengatakan bahwa estimasi adalah

pendugaan. Estimasi akan kita pakai sebagai dasar untuk kita melakukan
suatu keputusan. Dalam melakukan estimasi, kita memakai beberapa
estimator. Estimator adalah statistik yang digunakan untuk melakukan
estimasi parameter populasi. Seorang peneliti melakukan estimasi rata-
rata di tingkat populasi dengan memakai data rata-rata di tingkat sampel.
Dalam statistik, dikenal ada 2 jenis estimasi, yaitu estimasi titik dan
estimasi interval. Estimasi titik adalah suatu nilai tunggal yang dihitung
berdasar pengukuran sampel yang akan dipakai untuk menduga nilai
tunggal yang ada di tingkat populasi, yang belum kita ketahui. Kita bisa
memakai nilai rata-rata atau mean sebagai estimator, standar deviasi,
maupun variance. Estimasi titik terhadap proporsi adalah pendugaan
terhadap sesuatu hal yang proporsi populasinya tidak kita ketahui.
Estimasi interval adalah suatu estimasi terhadap parameter populasi
dengan memakai range (interval nilai).
 ISIP4215/MODUL 6 6.15
TES F OR M AT IF 1
1) Estimasi adalah salah satu cara untuk menyatakan ....

A. karakteristik populasi
B. karakteristik sampel
C. pernyataan deduktif dari populasi
D. pernyataan induktif terhadap sampel
2) Pernyataan yang benar adalah dalam estimasi, kita ....

A. menduga kenyataan yang ada di tingkat populasi dengan memakai
data di sampel
B. menduga kenyataan yang ada di tingkat sampel dengan memakai
data di populasi
C. membuat suatu pertimbangan tentang perbedaan antara nilai statistik
di sampel dengan nilai parameter populasi
D. membuat suatu pertimbangan tentang persamaan antara nilai
statistik di sampel dengan nilai parameter populasi
3) Distribusi sampling mengandung pengertian bahwa rata-rata ....

A. sampel, akan sama nilainya dengan rata-rata di populasi
B. sejumlah populasi dibagi dengan rata-rata sejumlah sampel, akan
sama nilainya dengan rata-rata di populasi
C. sampel akan sama nilainya dengan rata-rata dari rata-rata sejumlah
populasi
D. dari rata-rata sejumlah sampel, akan sama nilainya dengan rata-rata
di populasi
4) Pendugaan terhadap proporsi populasi yang tidak diketahui, disebut

sebagai estimasi ....
A. titik
B. proporsi
C. sampel
D. populasi
5) Notasi untuk rata-rata populasi adalah ....

A. 
B. X
C. 
D. Mo


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
 ISIP4215/MODUL 6 6.17
Kegiatan Belajar 2
Uji Statistik Hipotesis
A. PENGERTIAN UJI STATISTIK HIPOTESIS
Dalam Kegiatan Belajar 1, kita sudah diperkenalkan pada pengertian

mengenai uji hipotesis. Tidak ada salahnya jika kita ulang kembali mengenai
pengertian uji hipotesis. Sebelumnya kita lihat dulu pengertian dari hipotesis,
yaitu jawaban teoretis atas permasalahan yang dihadapi peneliti. Setelah kita
membuat hipotesis, kita melakukan pengumpulan data empiris, dan setelah
data empiris terkumpul maka kita akan membuat suatu keputusan dengan
kemungkinan mempertahankan hipotesis atau merevisi hipotesis.
Uji hipotesis lebih ditujukan untuk membuat suatu pertimbangan tentang
perbedaan antara nilai statistik sampel dengan nilai parameter populasi.
Dengan adanya perbedaan nilai tersebut maka dalam pengujian hipotesis, kita
akan diperkenalkan dengan suatu hipotesis yang disebut sebagai hipotesis
null (Ho) dan hipotesis alternatif (Ha). Masih ingat contoh yang diberikan
dalam Kegiatan Belajar 1? Sebaiknya kita coba contoh lain. Andaikan saja
seorang peneliti sedang meneliti mengenai rata-rata usia mahasiswa
Universitas Terbuka (UT). Berdasar data yang ada di bagian kemahasiswaan,
diketahui bahwa rata-rata usia mahasiswa UT 35 tahun. Kemudian peneliti
tersebut mengambil sampel sebanyak 10.000 orang dan ternyata dari hasil
penelitian, Ia mendapatkan data rata-rata usia mahasiswa UT yang dijadikan
sampel adalah 32 tahun. Tentu hal ini menimbulkan pertanyaan, mengapa ada
perbedaan antara data usia di bagian kemahasiswaan dan data usia di sampel.
Untuk itu, peneliti tersebut melakukan uji hipotesis. Selanjutnya, ia membuat
rumusan hipotesis sebagai berikut:
Ho : rata-rata usia mahasiswa UT = 35
Ha : rata-rata usia mahasiswa UT < 35
1. Elemen Uji Hipotesis

Dalam melakukan pengujian hipotesis, ada beberapa langkah yang harus
dilakukan, yaitu:
a. merumuskan hipotesis null dan hipotesis alternatif;
b. memilih uji statistik yang sesuai;
c. menentukan taraf signifikansi (alpha);
d. melakukan perhitungan;
e. mengambil keputusan atau kesimpulan.
Mari kita lihat satu per satu.

a. Merumuskan Hipotesis Null dan Hipotesis Alternatif
Coba Anda perhatikan baik-baik mengenai rumusan hipotesis yang
dibuat. Ada beberapa hal yang harus Anda ingat dalam menyusun Ho.
Pertama, Ho merupakan hipotesis yang akan di uji keberlakuannya. Kedua,
hipotesis ini selalu mengandung data yang ada di tingkat populasi (kalau
Anda perhatikan rumusan hipotesis dalam kasus penelitian tentang
mahasiswa maka nilai yang dipakai adalah 35). Ketiga, Ho selalu
menggunakan notasi = (sama dengan).
Demikian pula dalam menyusun Ha, beberapa hal yang perlu
diperhatikan pertama, Ha merupakan hipotesis yang akan dibuktikan
kebenarannya dan selalu berlawanan dengan Ho. Kedua, hipotesis ini selalu
mengandung data yang ada di tingkat sampel (dalam kasus penelitian tentang
mahasiswa maka nilai yang dipakai adalah 32). Ketiga, Ha selalu
menggunakan notasi  (apabila data di sampel tidak diketahui), < (apabila
data di sampel diketahui lebih kecil dibanding data di populasi), serta >
(apabila data di sampel diketahui lebih besar dibanding data di populasi)
Oleh karena kita tahu bahwa data di populasi (bagian kemahasiswaan)
mengenai rata-rata usia mahasiswa UT adalah 35 maka kita akan menguji
keberlakuan data tersebut. Dengan kata lain, kita ingin menguji apakah angka
35 memang berlaku (masih berlaku). Hal ini terkait dengan temuan di
lapangan dengan memakai sampel bahwa rata-rata usia mahasiswa UT 32.
Untuk itu, kita ingin membuktikan kebenaran dari data yang sudah kita
temukan di lapangan. Dari penjelasan ini, kita coba menarik kesimpulan
bahwa dalam uji hipotesis, seorang peneliti selalu memiliki kecenderungan
untuk menolak Ho, dengan implikasi menerima Ha. Mengapa demikian?
Tentu saja karena kita ingin membuktikan bahwa data yang kita dapat dari
sampel memang benar.
Dalam kasus penelitian tentang mahasiswa UT tersebut, kita ingin
membuktikan bahwa memang benar rata-rata usia mahasiswa UT adalah 32
tahun. Dengan demikian, perumusan hipotesisnya adalah:
Ho: rata-rata usia mahasiswa UT = 35
Ha: rata-rata usia mahasiswa UT  35 (bila dua sisi)
 ISIP4215/MODUL 6 6.19
Rata-rata usia mahasiswa UT < 35 (bila satu sisi) kita gunakan notasi <
karena kita tahu bahwa rata-rata usia di sampel 32 (kurang dari 35)
b. Memilih Uji Statistik yang Sesuai

Dalam statistik ada banyak rumus-rumus yang bisa dipakai untuk
melakukan uji hipotesis. Tentu saja kita tidak bisa sembarang memilih rumus
mana yang akan kita pakai. Ada beberapa kriteria yang harus
dipertimbangkan sebelum kita memilih rumus yang akan kita pakai.
Sebelumnya kita lihat dulu beberapa faktor yang memengaruhi dalam
pemilihan tes statistik, antara lain tingkat pengukuran (dalam hal ini, kita
bicara mengenai skala dari variabel penelitian, jumlah sampel, serta ada
tidaknya variabel independen dan variabel dependen).
Tabel 6.3 hingga 6.6 berikut, akan disajikan beberapa uji statistik yang
dapat kita gunakan dan pemakaiannya.
Tabel 6.3
Uji Statistik untuk Satu Sampel
Tingkat pengukuran (skala) Uji statistik

Nominal/ordinal Tes-z untuk proporsi binomial
Chi square
Runs-test
Interval/rasio Tes-z untuk rata-rata bila standar deviasi populasi
diketahui
Tes-t untuk rata-rata bila standar deviasi populasi tidak
diketahui
Tabel 6.4
Uji Statistik Dua Sampel Independen

Nominal Chi square untuk independen
Tes-z untuk proporsi binomial
Ordinal Wilcoxon
Mann-Whitney
Interval/Rasio Tes-t
Tabel 6.5
Uji Statistik untuk Lebih dari Dua Sampel Independen

Nominal Chi square untuk independen
Ordinal Kruskal Wallis
Interval/Rasio Analisis Variance

Tabel 6.6
Uji Statistik untuk Dua Sampel Dependen

Nominal McNemar untuk binomial
Ordinal Wilcoxon
Interval/Rasio Tes-t untuk perbedaan rata-rata

Catatan yang Anda harus ingat adalah apabila dalam satu kasus ternyata
ada dua skala yang berbeda maka kita akan memakai skala yang terendah
sebagai dasar untuk menentukan pemilihan uji statistik. Dengan demikian,
bila dalam satu kasus dua sampel dependen, ternyata satu variabel berskala
ordinal, sedangkan variabel lainnya berskala nominal maka berdasar
Tabel 6.6, kita akan memakai McNemar dan bukannya Wilcoxon.
Dalam kasus mahasiswa UT, kita ketahui bahwa kita ingin mengukur
rata-rata usia, dengan demikian variabel yang kita miliki adalah berskala
rasio dan kita ingin mengukur satu sampel . Dengan demikian, uji statistik
yang akan kita gunakan adalah memakai tes-z untuk rata-rata, apabila standar
deviasi populasi diketahui atau tes-t untuk rata-rata, apabila standar deviasi
populasi tidak diketahui.
c. Menentukan Taraf Signifikansi (Alpha)

Dalam Kegiatan Belajar 1, kita sudah diperkenalkan mengenai alpha
atau daerah penolakan. Sekali lagi diingatkan bahwa bicara mengenai daerah
penolakan maka kita bicara mengenai penolakan terhadap Ho. Satu hal yang
sebaiknya diingat kembali adalah beberapa tingkat signifikansi yang umum
digunakan dalam ilmu sosial, yaitu 0,01; 0,05; serta 0,1. Bahkan ada
 ISIP4215/MODUL 6 6.21
kesepakatan bahwa jika peneliti tidak memberitahukan kepada umum tingkat

signifikansi yang digunakan maka kita dibenarkan apabila menetapkan
bahwa tingkat signifikansi yang digunakan adalah 0,05.
Besar-kecilnya tingkat signifikansi yang diberikan memberi pengaruh
pada besar-kecilnya kemungkinan kita menolak Ho. Semakin besar tingkat
signifikansi yang diberikan maka semakin besar kemungkinan kita untuk
menolak Ho. Satu hal yang perlu diperhatikan adalah kita menghitung titik
nol dari sisi ujung kurva, baik itu dari sisi kanan maupun dari sisi kiri. Untuk
lebih jelasnya kita perhatikan gambar berikut.
Dalam kasus mahasiswa UT di atas, anggaplah kita menetapkan tingkat

signifikansi (alpha) sebesar 0.05.
e. Melakukan Perhitungan
Langkah berikutnya setelah kita menetapkan tingkat signifikansi adalah
melakukan perhitungan. Dalam kasus mahasiswa UT maka perhitungannya
adalah
x 
Rumus tes z :

n
di ketahui:  = 35
 = 2 (misalkan)
x = 32
n = 10.000
 = 0,05 (dari tabel z, nilainya adalah 1,96)
maka:
32  35 3
   150
2 / 10.000 0, 02
e. Mengambil Keputusan atau Kesimpulan

Setelah kita selesai melakukan perhitungan maka langkah terakhir adalah
mengambil keputusan. Tentu saja keputusan yang kita ambil adalah menolak
Ho atau menerima Ho. Kita akan menolak Ho apabila nilai z hitung (hasil
perhitungan) lebih dari atau sama dengan nilai z alpha atau apabila nilai z
hitung (hasil perhitungan) kurang dari atau sama dengan nilai - z alpha.
Dalam kasus mahasiswa UT maka kita bisa mengambil kesimpulan
bahwa kita menolak Ho karena nilai z hitung (-150) kurang dari nilai z alpha
(-1,96). Dalam gambar kurva akan lebih jelas terlihat, sebagai berikut.
-150 -1,96
Oleh karena Ho ditolak, yang berarti kita menolak bahwa rata-rata usia
mahasiswa UT = 35 maka kita menerima Ha, yaitu rata-rata usia mahasiswa
UT  35 atau rata-rata usia mahasiswa UT < 35. Dengan demikian, kita bisa
mengambil kesimpulan bahwa rata-rata usia mahasiswa UT adalah benar
32 tahun.
2. Menentukan Tingkat Signifikansi

Dalam menentukan besar-kecilnya alpha yang akan kita berikan, terkait
erat dengan kesalahan-kesalahan yang mungkin terjadi pada saat
pengambilan keputusan. Ingat bahwa setiap keputusan statistik bersifat
probabilistik dan bukan suatu hal yang mengandung kepastian, yang berarti
 ISIP4215/MODUL 6 6.23
juga bahwa kemungkinan adanya kesalahan diakui oleh ilmu sosial.

Gambarannya sebagai berikut. Bila kita memberikan alpha sebesar 0.05 maka
hal itu berarti bahwa kita memberikan toleransi untuk melakukan kesalahan
sebanyak lima kali dari seratus. Begitu pula apabila kita menetapkan alpha
sebesar 0,1 maka hal itu berarti kita memberikan toleransi untuk melakukan
kesalahan sepuluh kali dari seratus. Dengan demikian, terlihat bahwa
semakin kecil nilai alpha yang kita tetapkan, sesungguhnya semakin baik
penelitian yang kita lakukan.
Ada 2 kemungkinan kesalahan yang bisa terjadi, yaitu kita menolak Ho,
padahal Ho itu benar (kita sebut saja galat I) dan kesalahan kedua adalah kita
menerima Ho padahal Ho itu salah (kita sebut sebagai galat II). Untuk lebih
jelasnya coba perhatikan bagan berikut:
Keputusan statistik
Realita
Menolak Ho Menerima Ho
Ho benar Galat I Tepat
Ho salah Tepat Galat II
Alpha adalah daerah penolakan. Dengan demikian, apabila kita

memperkecil alpha maka kemungkinan untuk terjadinya galat I menjadi lebih
kecil karena dengan semakin kecilnya alpha (semakin kecilnya daerah
penolakan Ho) maka kemungkinan untuk menolak Ho juga semakin kecil.
Lalu mengapa kita menetapkan nilai alpha yang berbeda-beda? Hal ini
dikaitkan dengan akibat yang akan terjadi setelah kita mengambil suatu
keputusan. Baiklah kita coba ambil beberapa contoh, agar Anda semakin
paham.
Misalkan, Anda sebagai Pak Camat mendengar laporan dari beberapa
lurah. Laporan yang masuk mengatakan bahwa rata-rata panen di tiap desa
sudah mencapai target. Sebagai camat yang sudah mengerti tentang statistika,
Anda tidak begitu saja percaya pada laporan yang masuk. Untuk itu, Anda
melakukan suatu uji statistik dan merumuskan hipotesis sebagai berikut:
Ho: rata-rata panen di Jatirunggo = rata-rata panen di Ngempon
Ha: rata-rata panen di Jatirunggo < rata-rata panen di Ngempon
Nah, berapa tingkat signifikansi yang akan Anda berikan? Apakah Anda
akan menetapkan nilai signifikansi sebesar 0,10 atau nilai signifikansi sebesar
0,01? Sebelum Anda memutuskan mari kita berandai-andai untuk melihat apa
akibat yang akan terjadi, setelah Anda mengambil keputusan.
Pertama, (galat I) diandaikan apabila Anda mengambil kesimpulan

untuk menolak Ho. Dengan demikian, Anda mengakui bahwa rata-rata panen
di Jatirunggo < Ngempon. Berdasarkan keputusan itu, Anda memberikan
subsidi pada Desa Jatirunggo. Kenyataannya, rata-rata panen di kedua desa
tersebut sama maka akibatnya Anda memberikan subsidi kepada desa
Jatirunggo yang sebenarnya kebutuhan akan pangan sudah tercukupi.
Kedua, (galat II) diandaikan apabila Anda mengambil keputusan untuk
menerima Ho. Dengan demikian, Anda mengakui bahwa rata-rata panen di
Jatirunggo = Ngempon. Berdasar keputusan itu, Anda tidak memberikan
subsidi kepada kedua desa tersebut. Kenyataannya. rata-rata panen di
Jatirunggo < Ngempon maka akibatnya desa Jatirunggo kekurangan pangan
karena tidak ada subsidi dari kecamatan.
Nah dari kedua pengandaian tersebut, mana yang sebaiknya Anda pilih,
apakah sebaiknya Anda memilih memperbesar kemungkinan melakukan
galat I dengan akibat Anda memberikan subsidi kepada desa yang sudah
makmur atau memperbesar kemungkinan untuk melakukan galat II dengan
akibat desa yang seharusnya diberi subsidi menjadi kekurangan pangan?
Tentunya Anda akan memilih lebih baik memperbesar kemungkinan
melakukan galat I karena risiko yang akan terjadi tidak membuat penduduk
kekurangan pangan. Nah karena Anda memutuskan lebih baik memperbesar
kemungkinan untuk melakukan galat I maka berarti Anda akan menetapkan
nilai signifikansi yang lebih besar, yaitu 0,10 sehingga kemungkinan untuk
menolak Ho juga besar.
Saudara Mahasiswa, Anda telah mempelajari mengenai langkah-

langkah yang harus dilakukan dalam uji hipotesis, kini cobalah Anda
susun kembali tahapan yang harus dilakukan dengan menggunakan
contoh yang anda buat sendiri.
B. UJI STATISTIK SATU SISI DAN DUA SISI
1. Uji Statistik Satu Sisi

Pada uji satu sisi maka kita akan menemukan satu daerah penolakan
yang tergambar dalam kurva, yang terkait dengan perumusan hipotesis
alternatifnya. Apabila kita merumuskan Ha dengan memakai notasi < maka
kita akan menggambarkan daerah penolakan di sebelah kiri, sedangkan
 ISIP4215/MODUL 6 6.25
apabila kita memakai notasi > maka kita akan menggambarkan daerah
penolakan di sebelah kanan. Coba Anda perhatikan kurva berikut:
Ha :  < Ha :  >
Masih ingat penjelasan mengenai pengambilan kesimpulan? Dalam uji

satu sisi, pengambilan kesimpulan mengikuti ketentuan yang ada. Kita akan
menolak Ho apabila nilai z hitung (hasil perhitungan) lebih dari atau sama
dengan nilai z alpha atau apabila nilai z hitung (hasil perhitungan) kurang
dari atau sama dengan nilai -z alpha. Mari kita lihat dengan contoh berikut.
Apabila dari suatu hasil penelitian di dapat data sebagai berikut:

di ketahui:  = 32
 = 2
x = 31,8
n = 100
 = 0,10 (dari tabel z, nilainya adalah 1,64 karena
notasi yang digunakan < maka identik dengan
-1.64)
Berdasar data tersebut, maka kita bisa memulai melakukan uji hipotesis.
a. Merumuskan hipotesis null dan hipotesis alternatif
Rumusan hipotesisnya sebagai berikut:
Ho: µ = 32 (ingat bahwa yang dirumuskan dalam Ho adalah data di
populasi dan notasi untuk Ho adalah sama dengan)
Ha: µ < 32 (karena data di sampel lebih kecil maka kita memakai notasi
kurang dari )
b. Memilih uji statistik yang sesuai
Oleh karena kita ketahui bahwa data yang ada adalah berskala rasio dan
uji yang dilakukan adalah uji hipotesis untuk satu sampel, serta standar
deviasi populasi (a) diketahui maka kita akan menggunakan Tes-z.
c. Menentukan taraf signifikansi (alpha)
Dalam kasus di atas, nilai signifikansinya sudah ditentukan sehingga
tahap ini sudah dilalui.
d. Melakukan perhitungan
x   31,8  32
z   1
 2
n 100
e. Mengambil keputusan atau kesimpulan

Setelah hasil perhitungan kita dapat maka kita dapat mengambil
kesimpulan bahwa Ho diterima (karena nilai z hitung (-1) > z alpha
(-1.64)), dengan demikian keyakinan bahwa rata-rata di populasi adalah
32 tepat. Dalam bentuk kurva terlihat sebagai berikut:
Saudara Mahasiswa, Anda telah mempelajari mengenai uji hipotesis

satu sisi, kini cobalah Anda kerjakan tugas berikut ini agar
pemahaman Anda akan materi uji hipotesis satu sisi semakin baik.
Bandingkan jawaban Anda dengan jawaban yang ada di bawah tugas
ini.
Perusahaan mengklaim bahwa rata-rata produksi 40 per hari.

Selama tigapuluh hari dilakukan uji coba mesin baru dan ternyata
hasilnya rata-rata bisa diproduksi 50 produk per hari, dengan standar
deviasi 10. Buktikanlah apakah mesin baru tersebut memang
memiliki keunggulan bila dilakukan dengan pengujian alpha 0,05!
 ISIP4215/MODUL 6 6.27
Jawaban kasus perusahaan:

diketahui
 = 40
 = 10
x = 50
n = 30
 = 0,05 (dari tabel z, nilainya adalah 1,64)
Perumusan hipotesis:
Ho : µ = 40
Ha : µ > 40
Perhitungan:
x   50  40
z   5, 48
 10
n 30
kesimpulan: Ho ditolak karena Z hitung (5,48) > z alpha (1,64)
1,64 5,48
2. Uji Statistik Dua Sisi

Apabila pada uji satu sisi, kita akan menemukan satu daerah penolakan
maka pada uji dua sisi, kita akan menemukan dua daerah penolakan yang
tergambar dalam kurva, yang terkait dengan perumusan hipotesis
alternatifnya. Dengan demikian, kurva yang terbentuk sebagai berikut:
Satu hal yang perlu diingat karena dalam uji dua sisi ada dua daerah
penolakan maka nilai alpha yang sudah kita tentukan juga akan dibagi dua.
Dengan demikian, kita akan menolak Ho apabila nilai z hitung (hasil
perhitungan) lebih dari atau sama dengan nilai z alpha/2 atau apabila nilai z
hitung (hasil perhitungan) kurang dari atau sama dengan nilai –z alpha/2.
Sebaiknya kita langsung pada contoh berikut:
Apabila dari suatu hasil penelitian di dapat data sebagai berikut:
Diketahui:  = 100
s = 11
x = 94
n = 20
 = 0,10 (dari tabel t, nilai alpha/2 dengan derajat bebas
19 (didapat dari rumus n-1) adalah 1,729 atau
-1.729
Berdasar data tersebut maka kita bisa memulai melakukan uji hipotesis.
Ho: . = 100 (ingat bahwa yang dirumuskan dalam Ho adalah data di
populasi dan notasi untuk Ho adalah sama dengan).
Ha :   100 (karena data di sampel dianggap berbeda dengan data di
populasi maka kita gunakan notasi tidak sama dengan).
Oleh karena kita ketahui bahwa data yang ada adalah berskala rasio dan
uji yang dilakukan adalah uji hipotesis untuk satu sampel dan standar
deviasi populasi (a) tidak diketahui (yang kita ketahui adalah standar
deviasi sampel (s)) maka kita akan menggunakan Tes-t.
c. Menentukan taraf signifikansi (alpha)
Dalam kasus di atas nilai signifikansinya sudah ditentukan sehingga
tahap ini sudah dilalui.
x   94  100
t   2, 44
 11
n 20
kesimpulan bahwa Ho ditolak (karena nilai t hitung (-2,44) < t alpha/2
 ISIP4215/MODUL 6 6.29
(-1,729)). Dengan demikian, keyakinan bahwa rata-rata di populasi

adalah 100 kurang tepat. Dalam bentuk kurva terlihat sebagai berikut:
-2.44 1.729

dua sisi, kini cobalah Anda kerjakan tugas berikut ini, agar
pemahaman Anda akan materi uji hipotesis satu sisi semakin baik.
Bandingkan jawaban Anda dengan jawaban yang ada di bawah tugas
ini.
Kepala Desa Apa mengatakan bahwa dalam seminggu mereka bisa

menghasilkan 1000 ton beras. Dalam satu kesempatan (3 minggu
pengamatan) salah seorang warga menunjukkan bahwa desa Apa
hanya bisa menghasilkan rata-rata 800 ton beras dengan standar
deviasi 100 ton. Buktikanlah bahwa apa yang dikatakan kepala desa
tidak sama dengan yang dikatakan warga, bila diuji dengan alpha
0,1!
Jawaban kasus desa Apa:

diketahui
 = 1000
 = 100
x = 800
n = 3
 = 0,1 karena dua sisi maka  = 0,05 (dari tabel t, dengan derajat
bebas 2, nilainya adalah 2,92).
Perumusan hipotesis:
Ho : µ = 1000
Ha : µ ≠ 1000
Perhitungan:
x   800  1000
t   3, 46
 100
n 3
Kesimpulan: Ho ditolak karena t hitung (-3,46) < - t alpha (-2,92)
-3,46 - 2,92 2,92
3. Uji Satu Sisi dan Dua Sisi untuk Proporsi

Ketika kita membahas tentang estimasi, kita sudah menyinggung
mengenai proporsi. Dalam uji statistik kita juga bisa melakukan uji hipotesis
untuk proporsi. Seperti halnya untuk uji hipotesis rata-rata maka dalam uji
hipotesis untuk proporsi, terdapat uji satu sisi dan uji dua sisi. Pada
prinsipnya, baik uji hipotesis untuk rata-rata maupun uji hipotesis untuk
proporsi memiliki kesamaan. Demikian pula tahap-tahap yang perlu
dilakukan untuk melakukan uji hipotesis. Perbedaannya terletak pada rumus
yang digunakan. Apabila uji hipotesis rata-rata, kita mengenal beberapa tes
dan di antaranya sudah kita coba kerjakan, yaitu tes t dan tes z maka untuk uji
hipotesis proporsi kita gunakan tes proporsi. Untuk lebih jelasnya, kita coba
lihat contoh berikut:
Apabila berdasar data diketahui bahwa 80% mahasiswa UT yang
meregistrasi pada tahun 2015.1 di Pondok Cabe adalah pekerja. Untuk
membuktikan kebenaran data tersebut, dilakukan penelitian terhadap 75
calon mahasiswa yang dipilih secara acak. Dari hasil penelitian ternyata
didapat data bahwa hanya 53 mahasiswa yang bekerja.
Dari kasus di atas maka kita dapat melakukan uji hipotesis sebagai
berikut.
 ISIP4215/MODUL 6 6.31

Ho : p = 0.8 (ingat bahwa yang dirumuskan dalam Ho adalah data di
populasi dan notasi untuk Ho adalah sama dengan).
Ha: p  0.8 (karena data di sampel dianggap berbeda dengan data di
populasi maka kita gunakan notasi tidak sama dengan).
Dalam kasus ini, kita akan menggunakan tes z untuk proporsi binomial.
c. Menentukan taraf signifikansi (alpha) dalam kasus di atas, nilai
signifikansinya ditentukan sebesar 0,05.
Untuk dapat menghitung tes z ini maka kita perlu mengetahui standard
error proporsi yang didapat dengan rumus sp  ( pq / n) , di mana p
adalah Ho (0.8), q adalah 1-p (0,2), serta n adalah jumlah sampel (75).
Dengan demikian p = (0,8  0, 2 / 75)  0, 046 .
Rumus untuk uji hipotesis proporsi binomial adalah:
p  po
z: , di mana p adalah x / n  53 / 75  0,70 
p
maka
0, 70  0,80
  2,17
0, 046
kesimpulan bahwa Ho ditolak (karena nilai z hitung (-2.17) < z alpha/2
(-1,96)), dengan demikian dugaan bahwa 80% mahasiswa UT yang
mendaftar di Pondok Cabe untuk tahun ajaran 2015.1 adalah pekerja
tidak tepat. Dalam bentuk kurva terlihat sebagai berikut:
LAT IH A N

Coba Anda buat pertimbangan nilai signifikansi yang akan Anda ambil,
apabila ada laporan bahwa mahasiswa UT di Jakarta memakai obat terlarang.
1. Buat terlebih dahulu perumusan hipotesisnya, ingat bahwa Ho selalu

menggunakan notasi =. Kemudian, buat pengandaian apabila menolak ho
dan pengandaian apabila menerima Ho, dengan akibat yang mungkin
terjadi
R A NG KU M AN
Hipotesis adalah jawaban teoretis atas permasalahan yang dihadapi

peneliti. Setelah kita membuat hipotesis, kita melakukan pengumpulan
data empiris dan setelah data empiris terkumpul maka kita akan
membuat suatu keputusan dengan kemungkinan mempertahankan
hipotesis atau merevisi hipotesis. Cara yang kita lakukan untuk
mengambil keputusan didasarkan pada uji statistik.
Uji hipotesis lebih ditujukan untuk membuat suatu pertimbangan
tentang perbedaan antara nilai statistik di sampel dengan nilai parameter
populasi. Dengan adanya perbedaan nilai tersebut maka dalam pengujian
hipotesis, kita akan diperkenalkan dengan suatu hipotesis yang disebut
sebagai hipotesis null (Ho) dan hipotesis alternatif (Ha).
Dalam melakukan pengujian hipotesis, ada beberapa langkah yang
harus dilakukan, yaitu merumuskan hipotesis null dan hipotesis
alternatif, memilih uji statistik yang sesuai, menentukan taraf
signifikansi (alpha), melakukan perhitungan, serta mengambil
kesimpulan. Penentuan besar-kecilnya alpha yang akan kita berikan,
terkait erat dengan kesalahan-kesalahan yang mungkin terjadi pada saat
pengambilan keputusan. Ada 2 kemungkinan kesalahan yang bisa
 ISIP4215/MODUL 6 6.33
terjadi, yaitu kita menolak Ho, padahal Ho itu benar (disebut galat I),
dan kesalahan kedua adalah kita menerima Ho, padahal Ho itu salah
(disebut galat II).
Dalam melakukan pengujian hipotesis, ada beberapa bentuk, yaitu
uji hipotesis untuk rata-rata dan uji hipotesis untuk proporsi. Baik uji
hipotesis rata-rata maupun proporsi, dikenal adanya uji satu sisi dan uji
dua sisi. Uji satu sisi digunakan bila kita ingin membuktikan apakah data
yang sebenarnya kurang dari atau lebih dari data di populasi, sedangkan
uji dua sisi digunakan apabila kita ingin membuktikan apakah data
sebenarnya tidak sama dengan data di populasi.
TES F OR M AT IF 2
1) Notasi untuk standard error proporsi adalah ....

A. p n
B. po
C. p
D. ( pq / n)
2) Apabila diketahui po 0,8 dan n 50 maka standard error proporsi = ....

A. 3,2
B. 0,32
C. 0,032
D. 0,0032
3) Apabila dalam uji dua sisi, diketahui nilai z hitung -2 dan nilai z alpha/2
= 1.96 maka ....
A. Ho ditolak karena 2  1.96
B. Ho ditolak karena 2  1.96
C. Ho diterima karena 2  1.96
D. Ho diterima karena 2  1.96
4) Apabila diketahui  = 32;  = 10; n = 100 maka standard error rata-

rata = ....
A. 10 100
B. 10/100
C. 32 100
D. 32/100
5) Apabila diduga ada 60% mahasiswa menyontek saat ujian. Untuk

membuktikan kebenaran data tersebut maka kita dapat melakukan uji
hipotesis....
A. satu sisi
B. dua sisi
C. untuk rata-rata
D. proporsi


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
 ISIP4215/MODUL 6 6.35
Tes Formatif 1
1) A. Estimasi adalah salah satu cara untuk mengemukakan pernyataan
induktif (menyatakan karakteristik populasi dengan menggunakan
karakteristik yang didapat dari sampel). Kita menduga data populasi
dengan memakai data sampel.
2) A. Dalam estimasi, kita menduga kenyataan yang ada di tingkat
populasi dengan memakai data di sampel dan bukan sebaliknya,
sedangkan untuk melihat perbedaan nilai antara populasi dan sampel
memakai uji hipotesis dan bukan estimasi.
3) D. Pengertian dari distribusi sampling adalah rata-rata dari rata-rata
sejumlah sampel, akan sama nilainya dengan rata-rata populasi.
Dengan demikian, ada beberapa sampel yang diambil dari satu
populasi.
4) B. Estimasi titik terhadap proporsi adalah pendugaan terhadap sesuatu
hal yang proporsi populasinya tidak kita ketahui.
5) A. Notasi untuk rata-rata populasi adalah µ.
Tes Formatif 2
1) C. Notasi untuk standard error proporsi adalah p. Untuk
mendapatkan nilai p didapat dengan rumus ( pq / n) .
2) D. Berdasar rumus standard error proporsi, yaitu ( pq / n) maka kita
cari dulu nilai Q, yaitu 1  p  0, 2, setelah itu kita hitung.
3) B. Oleh karena dua sisi maka nilai z alpha mencakup nilai positif dan
negatif, sedangkan ketentuan yang berlaku adalah kita menolak Ho
bila z hitung lebih dari atau sama dengan z alpha atau apabila nilai
z hitung kurang dari atau sama dengan nilai  z alpha.
4) A. Rumus untuk standard error rata-rata adalah  .
n
5) D. Karena data yang diketahui berupa proporsi maka uji hipotesis yang
digunakan adalah uji hipotesis proporsi.
Glosarium

diskret sifat diskret, yaitu nilainya bulat dan tidak dapat dibuat
pecahan.
kontinyu sifat kontinyu, yaitu nilainya dapat dibuat pecahan.
Inferensi : penarikan kesimpulan dari data di tingkat sampel ke
tingkat populasi.
Kejadian : suatu kejadian yang terikat oleh adanya kejadian yang
dependen lain.
Kejadian : suatu kejadian yang tidak terikat oleh adanya kejadian
independen yang lain.
Muttualy : dua kejadian yang tidak mungkin terjadi secara
exclusive bersamaan.
Populasi : keseluruhan elemen yang akan diteliti
Probabilita : peluang atau kemungkinan
Sampel : bagian dari populasi
 ISIP4215/MODUL 6 6.37
Daftar Pustaka
Argyrous, George. 1997. Statistik for Social Research. Macmillan Press

LTD: London.
Kohut, Frank J. 1974. Statistics for Social Scientist, A Coordinated Learning

System. John Wiley & Sons, Inc: New York.
Lawrence Hamilton. 1995. Data Analysis for Social Scientist. Belmont:

Duxbury Press.
R. Lymann Ott, et. all. 1992. Statistics, A tool for the Social Sciences.
Belmont, Duxbury Press.
Siagian dan Sugiarto. 2000. Metode Statistika untuk Bisnis dan Ekonomi.
Jakarta: Gramedia Pustaka Utama.
Wim Van Zanten. 1993. Statistika untuk Ilmu-ilmu Sosial. Jakarta: Gramedia.
Modul 7
Pengujian Hipotesis
Satu Sampel
PEN D A HU L UA N
P engujian hipotesis yang sudah kita pelajari pada modul sebelumnya

merupakan pengujian hipotesis untuk skala interval/rasio. Dasar yang
kita gunakan untuk memilih uji statistik hipotesis tergantung pada pusat
perhatian peneliti, besaran sampel, serta skala yang digunakan. Seorang
peneliti tidak hanya tertarik pada parameter populasi, tetapi mungkin pula
tertarik mengetahui distribusi frekuensi dari sebuah variabel. Tes statistik
yang dipergunakan juga berbeda menurut jumlah sampel (atau bagian dari
sampel) yang dianalisis, misalnya bila seorang peneliti membandingkan dua
buah sampel dan ingin menguji apakah kedua sampel tersebut benar-benar
berasal dari populasi yang sama. Untuk pengujian terhadap dua sampel akan
kita pelajari pada modul berikutnya. Dalam modul ini, akan dibahas tes-tes
untuk pengujian hipotesis satu sampel untuk skala nominal dan ordinal.
Untuk variabel berskala nominal, uji hipotesis yang digunakan adalah uji
binomial dan uji chi square, sedangkan untuk variabel berskala ordinal uji
hipotesis yang digunakan adalah uji run test.
Setelah mempelajari modul ini, Anda diharapkan memperoleh
pemahaman mengenai apa yang dimaksud dengan pengujian hipotesis satu
sampel untuk non-parametrik dan dapat melakukan pengujian tersebut
sehingga kemampuan tersebut akan berguna dan bermanfaat bagi
kepentingan tugas dan analisis Anda. Dengan demikian, modul ini sangat
bermanfaat bagi mereka yang bekerja dalam pengolahan data, maupun
penganalisaan data.
Setelah mempelajari modul ini, Anda diharapkan mampu:
1. melakukan pengujian hipotesis satu sampel dengan menggunakan tes
statistik non-parametrik runs test;

statistik non-parametrik chi square;
statitsik non-parametrik binomial.
Kegiatan Belajar 1
Uji satu Sampel Menggunakan

Tes Non-Parametrik Berskala Ordinal
T es statistik nonparametrik adalah tes yang dalam prosesnya tidak

berdasarkan pada syarat-syarat mengenai parameter populasi. Pada
kenyataannya, kita sering kali sukar mendapatkan sampel yang memenuhi
asumsi mempunyai distribusi tertentu, misalnya distribusi normal. Bahkan,
banyak juga sampel yang distribusinya tidak diketahui sama sekali. Oleh
karena itu, tes statistik nonparametrik ini dikembangkan sebagai suatu teknik
penarikan kesimpulan tentang hipotesis tanpa memerlukan asumsi-asumsi
tertentu mengenai distribusi sampelnya dan juga tidak memerlukan uji
hipotesis yang berhubungan dengan parameter populasi. Lebih lanjut, Siegel
(1997) mengatakan bahwa tes statistik ini tidak menuntut pengukuran sekuat
yang dituntut oleh tes statistik parametrik, seperti yang telah diuraikan pada
modul sebelumnya. Sebagian besar tes nonparametrik dapat diterapkan untuk
data yang berskala ordinal dan beberapa yang lainnya, juga dapat diterapkan
untuk data yang berskala nominal. Dalam Kegiatan Belajar 1 ini, akan kita
pelajari uji statistik hipotesis untuk satu sampel dengan skala ordinal, yaitu
runs test.
Run test digunakan untuk uji satu sampel dengan skala ordinal.
Pengujian dilakukan dengan cara mengukur kerandoman populasi yang
didasarkan pada data sampel. Pengamatan dilakukan terhadap sampel
dengan cara mengukur banyaknya “run” dalam satu kejadian. “Run” bisa
diartikan sebagai perubahan peristiwa yang terjadi. Untuk lebih jelasnya, kita
langsung saja dengan menggunakan contoh kasus berikut.
Dalam satu kejadian, kita melempar uang logam sebanyak 20 kali. Dari
hasil lemparan tersebut, kita lihat berapa kali terjadi perubahan peristiwa dari
munculnya angka dan gambar. Misalnya, hasil lemparan dari 20 kali
lemparan adalah sebagai berikut:
A G A A A G G G A A A A A G G G G G G A
1 2 3 4 5 6 7
Dari hasil uji coba terhadap lemparan tadi, kita lihat bahwa terdapat 7
run atau tujuh kali perubahan peristiwa, dari angka menjadi gambar, menjadi
angka, menjadi gambar, menjadi angka, menjadi gambar, dan terakhir
menjadi angka.
Pengujian hipotesis null dilakukan dengan cara membandingkan jumlah
run dalam hasil pengamatan, dengan nilai yang ada pada tabel untuk tes run,
dengan memperhitungkan nilai alpha tertentu. Bila jumlah run dari hasil
pengamatan berada diantara tabel yang kecil (lihat lampiran untuk tabel run
satu sampel) dan tabel yang besar (lihat lampiran untuk tabel run dua sampel)
maka hipotesis null akan diterima.
Untuk lebih jelasnya, kita lihat sebagian dari tabel run berikut ini:
Tabel run satu sampel untuk alpha = 5%

N1 N2
7 8 9 10 11
7 4 4 4 5 5
8 4 4 5 5 5
9 4 5 5 5 6
10 5 5 5 6 6
Dari contoh kasus yang ada, kita ketahui jumlah munculnya angka (A)
adalah 10, dan jumlah munculnya gambar (G) adalah 10, maka kita bisa lihat
berdasarkan tabel run untuk satu sampel nilai run-nya adalah 6, sedangkan
dari tabel run untuk dua sampel, nilai run-nya adalah 16, seperti terlihat
dalam cuplikan dari tabel run dua sampel berikut:
Tabel run dua sampel untuk alpha = 5%

N1 N2
7 8 9 10 11
7 13 13 14 14 14
8 13 14 14 15 15
9 14 14 15 16 16
10 14 15 16 16 17
Dengan demikian, kita mengambil kesimpulan bahwa hipotesis null

dalam kasus kita diterima karena nilai run hasil pengamatan 7 berada diantara
nilai run tabel untuk satu sampel dan dua sampel (6 sampai 16).
6 7 16
Dalam tabel sebenarnya (lihat lampiran tabel), kedua nilai berada dalam
satu tabel yang diletakkan di atas dan di bawah. Angka di atas, merupakan
batas bawah dan angka di atas, merupakan batas atas dalam kurva.
Kini kita coba dengan menggunakan kasus nyata.

Dari 24 mahasiswa yang ada di Pelayanan Mahasiswa UT, ditanyakan
apakah akan membeli modul sebelum melakukan pendaftaran ataukah
membeli modul setelah mereka mendaftar mata kuliah tersebut. Ternyata
sebanyak 10 orang mengatakan membeli modul, sekalipun belum mendaftar
dan 14 mahasiswa mengatakan akan membeli, setelah mereka mendaftar.
Hipotesis null : peluang mahasiswa membeli modul sebelum dan
sesudah mendaftar adalah sama
Hipotesis alternatif : peluang mahasiswa membeli modul sebelum dan
sesudah tidak sama.
Dari hasil pengamatan terlihat jumlah run sebagai berikut:
B (untuk sebelum) S (untuk sesudah)

B S B S B S B S B S S B
1 2 3 4 5 6 7 8 9 10 11
S S B S S B S S S B B S
12 13 14 15 16 17 18
Dari tabel run untuk satu sampel dan dua sampel (lihat lampiran tabel) maka
nilai run-nya adalah 7 sampai 18. Dengan demikian, nilai run hasil
pengamatan (18) berada tepat di batas penerimaan (berada di dalam daerah
penerimaan) sehingga Ho diterima. Dengan kata lain, tidak cukup bukti untuk
mengatakan bahwa peluang mahasiswa membeli modul sebelum dan
sesudah mendaftar adalah sama.

run test, kini cobalah kerjakan tugas berikut, untuk membantu Anda
Dari 20 orang yang sedang antri di bioskop, kepada mereka

ditanyakan apakah akan membeli makanan ringan sebelum antri atau
setelah antri. Ternyata sebanyak 7 orang mengatakan membeli
makanan ringan sebelum mengantri dan 13 orang mengatakan
membeli makanan ringan sesudah mengantri tiket. Lakukan uji
hipotesis terhadap data run sebagai berikut:
Keterangan: b (sebelum) s (sesudah)
S S S B B B S S S S
1 2 3
B B S S S B B S S S
4 5 6 7
Jawaban:
Dari tabel run untuk satu sampel dan dua sampel maka nilai run-nya
adalah 5 sampai 15. Dengan demikian, nilai run hasil pengamatan (7) berada
di antara 5-15 (berada di dalam daerah penerimaan) sehingga Ho diterima.
Dalam kenyataannya, sering kali jumlah data (sampel)-nya besar (lebih
dari 30) sehingga tabel run test tidak bisa lagi digunakan untuk mengambil
kesimpulan. Kondisi ini, bisa kita anggap sebagai sebuah distribusi yang
mendekati distribusi normal. Dengan demikian, kita bisa menggunakan
pengujian hipotesis dengan menggunakan rumus untuk tes z, yang sudah kita
pelajari dalam modul enam. Tentunya untuk bisa menggunakan rumus tes z
maka kita perlu melakukan konversi dari ordinal ke interval/rasio. Untuk
mendapatkan nilai µ kita gunakan rumus sebagai berikut:
 2n1n2 
r    1 , sedangkan untuk mendapatkan nilai σ kita gunakan
 N 
rumus sebagai berikut:
N 2  2N
r  sehingga jika kita masukkan ke dalam rumus tes z menjadi
4( N  1)
sebagai berikut:
 2n n 
r   1 2  1
r  r  N 
 
r N  2N
2
4( N  1)
Kita langsung saja menggunakan sebuah contoh, agar materi ini dapat lebih
kita pahami. Pada sebuah perusahaan dilakukan penelitian secara random
untuk mengetahui apakah karyawan akan mengambil cuti saat musim liburan
sekolah ataukah di luar musim liburan sekolah. Dari 40 orang yang diteliti,
ternyata 21 orang ingin mengambil cuti saat musim liburan sekolah dan 19
orang lagi mengambil cuti di luar musim liburan sekolah. Hasil pengamatan
memberikan gambaran sebagai berikut:
Keterangan: Y (mengambil cuti saat liburan sekolah).
T (mengambil cuti di luar musim liburan sekolah).
Y T T Y Y T Y T T Y Y T T Y T
1 2 3 4 5 6 7 8 9 10
Y T T Y Y T T T Y T Y T Y T
11 12 13 14 15 16 17 18 19 20
Y Y Y T Y Y T Y T T T
21 22 23 24 25 26
Dengan demikian nilai run nya adalah 26.

Ho: peluang setiap karyawan untuk mengambil cuti saat musim liburan
sekolah adalah sama.
Ha: peluang setiap karyawan untuk mengambil cuti saat musim liburan
sekolah adalah tidak sama.
Kita terapkan kasus ini ke dalam rumus konversi menjadi sebagai berikut:
 2n n   2.21.19 
r   1 2  1 26    1
r  r  N   40   1, 62
 
r N  2N
2
40  2.40
2
4( N  1) 4(40  1)
Dengan menggunakan tabel z, maka kita tahu bahwa nilai 1,62 terwakili
dengan daerah 0,0526. Nilai ini lebih besar dari alpha 0,05, sehingga Ho
diterima.
0,0526 0,05
Kini kita coba terapkan program SPSS untuk menganalisis kasus berikut ini.
Dari 22 orang ditanyakan kepada mereka apakah mereka termasuk

karyawan yunior ataukah mereka termasuk karyawan senior. Hasil
perhitungan SPSS akan terlihat sebagai berikut:
Runs test
Staff group
Test value 2
Yunior 8
Senior 14
Total cases 22
Number of runs 14
Z 1,099
Asymp sig. (2 tailed) .272
Hasil perhitungan SPSS menunjukkan bahwa ada 8 karyawan yang

termasuk yunior dan terdapat 14 karyawan yang termasuk senior. Jumlah run
yang terjadi sebanyak 14. Dengan menggunakan rumus konversi z maka nilai
z hasil perhitungan adalah 1,099 dengan nilai signifikansi 0,272. Jika kita
bandingkan dengan nilai alpha 0,05 maka hipotesis dalam kasus ini diterima
karena nilai signifikansi (0,272) lebih besar dari nilai alpha (0,05).
LAT IH A N

Coba Anda lakukan pengujian hipotesis untuk kasus berikut:
Dari 25 orang yang diteliti, mereka ditanya apakah mereka setuju jika
sistem remunerasi diperbaiki atau tidak. Dari jawaban mereka, 10 orang
mengatakan tidak setuju dan 15 orang mengatakan setuju. Pola jawaban
mereka adalah sebagai berikut:
Keterangan: S (setuju) T (tidak setuju)
T S S S S T S S S S S S S T T
S T T S S T T T S T
Lakukan pengujian hipotesis dengan menggunakan alpha 0,05

1. Hitung terlebih dahulu jumlah run dalam kasus yang ada.

2. Lihat nilai run berdasar tabel runs test untuk menentukan daerah
penolakan.
3. Ambil kesimpulan.
R A NG KU M AN
Sebagian besar tes nonparametrik dapat diterapkan untuk data yang

berskala ordinal dan beberapa yang lainnya juga dapat diterapkan untuk
data yang berskala nominal. Run test digunakan untuk uji satu sampel
dengan skala ordinal. Pengujian dilakukan dengan cara mengukur
kerandoman populasi yang didasarkan pada data sampel. Pengamatan
dilakukan terhadap sampel dengan cara mengukur banyaknya “run”
dalam satu kejadian. “Run” bisa diartikan sebagai perubahan peristiwa
yang terjadi. Pengujian hipotesis null dilakukan dengan cara
membandingkan jumlah run dalam hasil pengamatan dengan nilai yang
ada pada tabel untuk tes run, dengan memperhitungkan nilai alpha
tertentu. Bila jumlah run dari hasil pengamatan berada diantara tabel
yang kecil (lihat lampiran untuk tabel run satu sampel) dan tabel yang
besar (lihat lampiran untuk tabel run dua sampel) maka hipotesis null
akan diterima. Untuk jumlah data (sampel) yang besar (lebih dari 30)
sehingga tabel run test tidak bisa lagi digunakan untuk mengambil
kesimpulan. Kondisi ini bisa kita anggap sebagai sebuah distribusi yang
mendekati distribusi normal. Dengan demikian, kita bisa menggunakan
pengujian hipotesis dengan menggunakan rumus untuk tes z, yang sudah
kita pelajari dalam Modul 6. Untuk bisa menggunakan rumus tes z maka
kita perlu melakukan konversi dari ordinal ke interval/rasio.
TES F OR M AT IF 1
Dari 20 orang yang diteliti, mereka ditanya apakah mereka berminat

untuk mengikuti tutorial atau tidak. Ternyata 7 mahasiswa mengatakan tidak
berminat ikut tutorial dan 13 mahasiswa berminat ikut tutorial. Pola jawaban
mereka adalah sebagai berikut:
 ISIP4215/MODUL 7 7.11
Keterangan: Y (berminat) T (tidak berminat)
T S T T S T S S S S
T S S S T T S S S S
Berdasar kasus yang ada maka

1) Nilai run-nya adalah ....
A. 7
B. 8
C. 9
D. 10
2) Nilai run untuk tabel test run satu sampel adalah ....
A. 5
B. 6
C. 7
D. 8
3) Nilai run untuk tabel test run dua sampel adalah ........
A. 13
B. 14
C. 15
D. 16
4) Daerah penolakan Ho-nya adalah ....

A. 5 – 10
B. 5 – 15
C. 10 – 15
D. 0 – 15
5) Kesimpulan yang bisa kita bisa ambil adalah ....

A. Ho dan Ha ditolak
B. Ho ditolak
C. Ho diterima
D. Ho dan Ha diterima


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
 ISIP4215/MODUL 7 7.13
Kegiatan Belajar 2
Uji Satu Sampel Menggunakan

Tes Non-Parametrik Berskala Nominal
P ada uji satu sampel, pertanyaan yang ingin kita jawab adalah apakah
penarikan sampel yang kita lakukan berasal dari suatu populasi dengan
distribusi yang telah ditentukan, atau dapat diketahui apakah ada perbedaan
yang signifikan pada ukuran pemusatan antara sampel dengan populasi, atau
antara frekuensi hasil pengamatan dengan frekuensi yang diharapkan, atau
antara proporsi hasil pengamatan dengan proporsi yang diharapkan. Uji ini
dikenal dengan istilah goodness of fit.
Salah satu jenis dari uji goodness of fit adalah chi square dengan notasi
2
x . Pengujian ini dipergunakan pada kasus-kasus yang dikelompokkan ke
dalam beberapa kelompok yang tidak tumpang tindih antara satu kategori
dengan kategori yang lainnya. Kita perlu membedakan antara uji chi square
untuk satu sampel dan uji chi square untuk melihat ada tidaknya hubungan
antara dua variabel. Meskipun rumus yang digunakan adalah sama, namun
dalam penerapannya berbeda. Dalam uji satu sampel, nilai yang kita hitung
adalah nilai dari setiap kategori yang ada, sedangkan dalam uji hubungan,
yang kita hitung adalah nilai dari setiap sel. Untuk uji hubungan akan Anda
pelajari dalam buku materi pokok statistik sosial.
A. CHI-SQUARE OF GOODNESS OF FIT
Chi square digunakan untuk variabel berskala nominal dengan jumlah

sampel besar.
Rumus yang dipergunakan pada pengujian chi-square of goodness of
fit, adalah
(O E)2
x2 =
E
Keterangan:
O adalah Observed value (frekuensi hasil pengamatan)
E adalah Expected value (frekuensi harapan). Nilai E ini diperoleh dengan
cara membagi seluruh jumlah pengamatan dengan banyaknya kategori yang
ada dalam variabel yang akan diteliti
Derajat bebas (degree of freedom) diperoleh dari jumlah kategori yang

ada dikurangi 1
Untuk rumusan hipotesisnya, kita buat sebagai berikut:
Ho : frekuensi kategori 1 = frekuensi kategori 2 = frekuensi kategori
n = 1/jumlah kategori yang ada.
Ha : frekuensi kategori 1  frekuensi kategori 2  frekuensi kategori
n  1/jumlah kategori yang ada.
Atau jika yang dipergunakan adalah proporsi maka rumusan hipotesisnya

menjadi
Ho : proporsi kategori 1 = proporsi kategori 2 = proporsi kategori
n = 1/jumlah kategori yang ada
Ha : proporsi kategori 1  proporsi kategori 2  proporsi kategori
n  1/jumlah kategori yang ada
Kita ambil contoh berikut. Dalam sebuah penelitian kita ingin menguji
sebuah hipotesis bahwa mahasiswa UT mempunyai minat yang sama untuk
membaca buku dengan jenis yang berbeda, yaitu novel, cerita bergambar,
cerita pendek, cerita bersambung, serta kartun. Maka rumusan hipotesis yang
dapat dibuat adalah
Ho : p 1 = p 2 = p 3 = p 4 = p 5 =1/5
Ha : p 1  p 2  p n  p 4 = p 5 =1/5
Pengujian hipotesis ini dapat dilakukan setelah nilai x 2 diperoleh dan

kemudian dibandingkan dengan nilai x 2 yang diperoleh dari tabel x 2 .
Hipotesis nol akan ditolak jika hasil x 2 hitung lebih besar daripada nilai x 2
pada tabel.
Data hasil temuan di lapangan mengenai berapa banyak remaja yang
menonton pertunjukan musik dengan berbagai aliran tersebut dapat dilihat
pada Tabel 7.1 berikut ini.
 ISIP4215/MODUL 7 7.15
Tabel 7.1
Minat Mahasiswa UT Membaca Jenis Buku
(n=135)
Jenis buku Frekuensi

novel 31
Cerita bergambar 19
Cerita pendek 19
Cerita bersambung 25
kartun 41
Jumlah 135
Jadi, untuk kasus mengenai minat mahasiswa UT ini , nilai E nya adalah
135 : 5  27
Dengan demikian, hasil perhitungan x 2 adalah
 31  27  19  27  19  27   25  27   41  27 
2 2 2 2 2
x 
2
   
27 27 27 27 27
 0,593  2,370  2,370  0,148  7, 259  12, 740
Kemudian nilai hasil pengujian x 2 ini dibandingkan dengan tabel x 2

(terlampir). Misalnya, ditentukan alpha sebesar 0,05 dengan derajat bebas
5  1  4. Berarti nilai x 2 untuk alpha 0,05 dan derajat bebas 4 adalah
9,48773. Hasil ini menunjukkan bahwa hipotesis null ditolak. Berarti
kesimpulannya adalah sudah cukup bukti untuk menerima bahwa ada
perbedaan dalam hal jumlah remaja yang menyukai berbagai jenis aliran
musik tersebut.
9,49 12,74
Bila kita menggunakan alat bantu SPSS maka hasil dari perhitungan
akan kita lihat sebagai berikut:
Minat mahasiswa UT membaca jenis buku

Observed N Expected N Residual
Novel 31 27 4
Cerita bergambar 19 27 -8
Cerita pendek 19 27 -8
Cerita bersambung 25 27 -2
kartun 41 27 14
Jumlah 135
Tes Statitics
Jenis buku
Chi Square 12,740
Df 4
Asymp. Sig .000
Dari hasil perhitungan statistik tersebut kita bisa lihat bahwa program SPSS
sudah menampilkan deskripsi mengenai nilai observed dan nilai expected.
Sementara nilai residual didapat dengan mengurangi nilai observed dengan
nilai expected-nya. Untuk melihat ditolak atau diterimanya hipotesis null
maka kita bisa lihat pada tabel tes statistik. Untuk hasil chi square
menunjukkan hasil perhitungan dengan menggunakan rumus sehingga hasil
ini kita bandingkan nilai yang didapat dari tabel. Selain menggunakan hasil
perhitungan Chi square, kita juga bisa membandingkan asymp sig dengan
alpha yang kita gunakan. Ho akan ditolak jika nilai signifikansi (asymp sig)
kurang dari atau sama dengan alpha.

chi square, kini cobalah kerjakan tugas berikut, untuk membantu Anda
Dari suatu penelitian, diketahui bahwa jenis pekerjaan yang dimiliki

mahasiswa UT antara lain pedagang (20), guru (50), pegawai negeri
(25), tidak bekerja (5), dan pegawai swasta (20). Lakukan uji hipotesis
dengan alpha 0,05
 ISIP4215/MODUL 7 7.17
Jawaban:
Untuk kasus mengenai variasi pekerjaan mahasiswa UT ini, nilai E nya
adalah 120 : 5 = 24
hasil perhitungan x 2 adalah
 20  24   50  24   25  24   5  24   40  24 
2 2 2 2 2
x2     
24 24 24 24 24
 0, 667  28,167  0, 042  15, 042  0, 667  44.585
alpha sebesar 0,05 dengan derajat bebas 5 – 1 = 4. Berarti nilai x 2 untuk

alpha 0,05 dan derajat bebas 4 adalah 9,48773. Hasil ini menunjukkan bahwa
hipotesis null ditolak. Berarti kesimpulannya adalah cukup bukti untuk
menerima bahwa ada perbedaan dalam hal jumlah remaja yang menyukai
berbagai jenis aliran musik tersebut.
9,49 44.585
B. UJI GOODNESS OF FIT: BINOMIAL
Jika suatu pengujian akan dilakukan terhadap satu sampel mengenai satu
variabel yang memiliki dua kategori maka yang dipergunakan adalah Uji
Binomial. Pengujian ini menggunakan proporsi dari kategori tersebut. Uji
binomial digunakan jika skala variabelnya adalah nominal dengan jumlah
sampel yang kecil.
Rumus yang digunakan adalah:
N 
p  x   pxqN x
n 
N  N!
di mana   
 
n x ! N  x !
Keterangan:
p = proporsi yang diharapkan untuk salah satu kategori
q = p –1

Ho : p 1 = p 2
Ha : p 1  p 2 untuk pengujian dua arah
Ha : p 1 > p 2 atau Ha : p 1 < p 2 untuk pengujian satu arah
Kita langsung saja dengan menggunakan contoh. Seorang kepala

pengendali mutu penerbitan modul menyatakan bahwa tingkat kesalahan
dalam pencetakan modul hanya 10% (tiap 10 modul, 1 di antaranya salah).
Setelah diadakan penelitian terhadap 50 modul, ternyata 12 diantaranya
mengalami kesalahan cetak. Apakah pernyataan kepala pengendali mutu
penerbitan modul tersebut dapat dibenarkan jika alpha yang dipergunakan
adalah 0,05?
Dengan menggunakan perhitungan binomial seperti di atas, hasilnya
akan tertera sebagai berikut:
50 
p 12     0,1012 0,9050 12
2
50 50!
dimana     1, 214 1014
 2  12! 50  12 !
maka p (12) = 2,2153 × 10-3 atau 0,0022153
Untuk menguji hipotesis di atas maka pengujian tersebut harus didekatkan

pada kurva normal dengan rumus sebagai berikut:
x  Np
z
Npq
Hipotesis nol akan ditolak, jika:

Untuk pengujian satu arah, yaitu bila z hitung > z 
z hitung < –z
 ISIP4215/MODUL 7 7.19
Untuk pengujian dua arah, yaitu bila z hitung > z /2 atau z hitung < -z /2.
Dengan demikian, untuk kasus di atas maka hasilnya adalah:
12  50.0.10
z
50.0,10.0,90
z  3, 2998
dengan mempergunakan tabel distribusi normal (terlampir) maka dapat

diketahui bahwa untuk alpha 0,05 maka z  = 1,645, yang berarti hipotesis
nol akan ditolak karena nilai z hitung lebih besar dari z  sehingga dapat
diambil kesimpulan bahwa pernyataan kepala pengendali mutu tersebut tidak
dapat diterima.
LAT IH A N

Cobalah hitung nilai chi square untuk Tabel 7.2, bila diketahui  0,05
dengan df 4 = 9,48773.
Tabel 7.2
Agama yang Dianut Mahasiswa UT
(n = 300)
Agama Frekuensi
Islam 60
Kristen 30
Katolik 40
Hindu 5
Budha 1
Jumlah 136
1. Hitung nilai E dengan cara membagi total responden dibagi jumlah

kategori.
2. Gunakan rumus chi square.
3. Bandingkan hasil perhitungan chi square dengan tabel x 2 .
4. Ambil kesimpulan.
R A NG KU M AN
Tes statistik nonparametrik adalah tes yang modelnya tidak

menetapkan syarat mengenai parameter populasi. Tes nonparametrik
dikelompokkan dalam tiga kategori, yaitu pengujian untuk dua
kelompok independen atau lebih, pengujian para variabel yang
berhubungan, serta pengujian satu sampel.
Untuk menguji satu sampel kita bisa memakai uji goodness of fit chi
square. Bila uji terhadap satu sampel ini memiliki dua kategori maka kita
bisa memakai uji goodness of fit binominal.
TES F OR M AT IF 2
Agar Anda lebih memahami materi pada bagian ini, coba kerjakan soal-
soal berikut. Pilihlah salah satu jawaban yang benar.
Tabel 7.3
Pemakaian buku perpustakaan
(n = 550)
Jenis buku Jumlah

Cerita bergambar 100
Fiksi 200
Non fiksi 50
Pelajaran 50
Novel 150
Jumlah 550
 ISIP4215/MODUL 7 7.21
Alfa yang ditetapkan adalah 0,05
1) Berdasar Tabel 7.3 maka nilai expected-nya adalah ....

A. 4
B. 5
C. 55
D. 110
2) Berdasar Tabel 7.3 maka nilai chi square-nya ....

A. 1,54559
B. 15,4559
C. 154,559
D. 1545,59
3) Berdasar hasil perhitungan chi square untuk Tabel 7.3 maka kesimpulan
yang bisa diambil adalah....
A. cukup bukti untuk menerima bahwa ada perbedaan dalam memilih
buku
B. tidak cukup bukti untuk menerima bahwa ada perbedaan dalam
memilih buku
C. Ho diterima
D. Ha ditolak
4) Berdasar Tabel 7.3 maka df-nya adalah ....

A. 4
B. 5
C. 549
D. 550
5) Dalam pengujian satu sampel binomial, Ho akan ditolak jika ....

A. z hitung < z alpha
B. z hitung > –z alpha
C. z hitung > z alpha
D. z hitung –z alpha


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang
belum dikuasai.
 ISIP4215/MODUL 7 7.23
Tes Formatif 1
1) D. Nilai run-nya 10.
2) A. Nilai run untuk n1 7 dan n2 13 adalah 5.
3) C. Nilai run untuk n1 7 dan n2 13 adalah 15.
4) B. Batas daerah penolakan Ho adalah 5 - 15.
5) C. Ho diterima karena nilai run (10) berada di antara 5 - 15.
Tes Formatif 2
1) D. Expected didapat dengan cara membagi jumlah responden dengan
jumlah kategori, yaitu: 550 : 5 = 110.
(100 110) 2 (200 110) 2 (50 110) 2 (50 110) 2
2) C.
110 110 110 110
(150 110) 2
154,559
110
3) A. Nilai 154,559 berada di sebelah kanan nilai 9,48773 (di daerah
penolakan). Berarti Ho ditolak sehingga cukup bukti untuk
menerima bahwa ada perbedaan dalam memilih buku.
4) A. df didapat melalui rumus: jumlah kategori – 1 = 4.
5) C. Ho akan ditolak jika z hitung.
Glosarium
Alpha : daerah penolakan Ho.

Binomial : variabel dengan variasi nilai yang hanya
memiliki dua kemungkinan.
Derajat bebas (degree : jumlah kategori yang ada dikurangi 1.
of freedom)
Hipotesis alternatif : hipotesis yang akan dibuktikan keberlakuannya.
Hipotesis null : hipotesis yang akan diuji kebenarannya.
 ISIP4215/MODUL 7 7.25
Daftar Pustaka
Argyrous, George. 1997. Statistik for Social Research. London: Macmillan

Press LTD.
Lawrence Hamilton. 1995. Data Analysis for Social Scientist. Belmont:

Duxbury Press.
Belmont: Duxbury Press.
Sugiyono. 2001. Statistik Nonparametris Untuk Penelitian. Bandung:

Alfabeta.
LAMPIRAN
TABLE G
Critical values of r in the runs test*
Given in the tables are various critical values of r for values of m and n less than or
equal to 20. For the one-sample runs test, any observed value of r which is less than
or equal to the smaller value, or is greater than or equal to the larger value in a pair is
significant at the a = .05 level.
m 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
2 2 2 2 2 2 2 2 2 2
3 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3
4 2 2 2 3 3 3 3 3 3 3 3 4 4 4 4 4
9 9 - -
5 2 3 2 3 3 3 3 4 4 4 4 4 4 4 5 5 5
9 1010 11.
11
6 2 2 3 3 3 3 4 4 4 4 5 5 5 5 5 5 6 6
- 9 1110 1212 13 13 13 13
7 2 2 3 3 3 4 4 5 5 5 5 5 6 6 6 6 6 6
- - 1211 1313 14 14 14 14 15 15 15
8 2 3 3 3 4 4 5 5 5 6 6 6 6 6 7 7 7 7
- - 1211 1314 14 15 15 16 16 16 16 17 17 17 17 17
9 2 3 4 3 4 5 5 5 6 6 6 7 7 7 7 8 8 8
- - 13 - 1414 15 16 16 16 17 17 18 18 18 18 18 18
10 2 3 4 3 5 5 5 6 6 7 7 7 7 8 8 8 8 9
- - 13 - 1415 16 16 17 17 18 18 18 19 19 19 20 20
11 2 3 4 4 5 5 6 6 7 7 7 8 8 8 9 9 9 9
- - 13 - 1415 16 17 17 18 19 19 19 20 20 20 21 21
12 2 2 3 4 4 5 6 6 7 7 7 8 8 8 9 9 9 10 10
- - -- 13 1416 16 17 18 19 19 20 20 21 21 21 22 22
13 2 2 3 4 5 5 6 6 7 7 8 8 9 9 9 10 10 10 10
1516 17 18 19 19 20 20 21 21 22 22 23 23
14 2 2 3 4 5 5 6 7 7 8 8 9 9 9 10 10 10 11 11
1516 17 18 19 20 20 21 22 22 23 23 23 24
15 2 3 3 4 5 6 6 7 7 8 8 9 9 10 10 11 11 II 12
1516 18 18 19 20 21 22 22 23 23 24 24 25
16 2 3 4 4 5 6 6 7 8 8 9 9 10 10 11 11 11 12 12
17 18 19 20 21 21 22 23 23 24 25 25 25
17 2 3 -4 4 5 6 7 7 8 9 9 10 10 11 11, 11 12 12 13
17 18 19 20 21 22 23 23 24 ' 25 25 26 26
18 2 3 4 5 5 6 7 8 8 9 9 10 10 11 11 12 12 13 13
17 18 19 20 21 22 23 24 25 25 26 26 27
19 2 3 4 5 6 6 7 8 8 9 10 10 11 11 12 12 13 13 13
17 18 20 21 22 23 23 24 25 26 26 27 27
20 2 3 4 5 6 6 7 8 9 9 10 10 11 12 12 13 13 13 14
17 18 20 21 22 23 24 25 25 26 27 27 28
* Adapted from Swed, and Eisenhart, C. (1943). Tables for testing randomness of grouping in a
sequence of alter
natives. Annals of Mathematical Statistics, 14, 83-86, with the kind permission of the authors
and publisher.
Modul 8
Pengujian Hipotesis Dua Sampel

PEN D A HU L UA N
T es atau pengujian hipotesis yang sudah kita pelajari dalam modul

sebelumnya merupakan uji hipotesis untuk satu sampel. Dalam Modul 8
ini, kita akan mempelajari mengenai uji hipotesis untuk dua sampel. Uji
hipotesis dua sampel biasanya menggunakan tes t. Anda tentunya masih
ingat bahwa tes t digunakan untuk data dengan skala interval atau rasio.
Dalam pengujian/tes t untuk dua sampel, kita bedakan antara dua sampel
yang bebas (independent sample) dan dua sampel yang berpasangan (paired
samples). Sampel dikatakan bebas apabila dua kelompok sampel yang
diambil merupakan dua unit analisis yang saling tidak berhubungan satu
sama lainnya. Misalnya, kita ingin mengetahui prestasi belajar antara
mahasiswa UT dan mahasiswi UT. Kita memperbandingkan prestasi belajar
kedua kelompok tersebut. Prestasi belajar kedua kelompok ini bersifat bebas
dan tidak saling berhubungan. Sampel dikatakan berpasangan (paired
samples), apabila kita menarik dua kelompok sampel yang berbeda, namun
dalam rangka menganalisis satu unit analisis yang sama. Misalnya, kita
menentukan unit analisis kita adalah keluarga, dan kita ingin
memperbandingkan pendapat antara Ayah dengan Ibu mengenai pola
pengasuhan anak.
Dalam modul ini, kita akan mempelajari pengujian hipotesis dua sampel
dengan membedakan antara tes statistik parametrik dan tes statistik
nonparametrik. Modul ini sangat bermanfaat bagi mereka yang bekerja
dalam penganalisaan data maupun pengolahan data.
Setelah mempelajari modul ini, Anda diharapkan mampu melakukan
pengujian hipotesis untuk dua sampel, baik menggunakan tes parametrik
maupun tes nonparametrik.
Secara lebih spesifik, setelah mempelajari Modul 8 ini, Anda diharapkan

mampu melakukan pengujian hipotesis untuk dua sampel:
1. parametrik, dan
2. nonparametrik.
Kegiatan Belajar 1
Uji Dua Sampel

Menggunakan Tes Parametrik
S eperti halnya pada pengujian satu sampel, ada berbagai macam pengujian
dua sampel dengan menggunakan tes statistik parametrik, antara lain
pengujian binomial yang digunakan untuk membandingkan dua proporsi, tes
t untuk dua sampel independen, dan tes t untuk dua sampel berpasangan.
A. PENGUJIAN BINOMIAL UNTUK MEMBANDINGKAN DUA

PROPORSI
Pengujian binomial digunakan untuk memperbandingkan proporsi dari

dua kelompok sampel mengenai hal atau kasus yang menjadi fokus perhatian
kita. Misalkan, kita ingin mengetahui berapa proporsi guru yang menyetujui
atau tidak menyetujui diberlakukannya program sertifikasi guru. Kita dapat
membuat penelitian kecil dengan teknik eksperimen. Kita membuat dua
kelompok, yang satu kita sebut kelompok eksperimen dan yang lainnya kita
sebut kelompok kontrol. Pada kedua kelompok ini, kita bagikan kuesioner
yang menanyakan tentang perlu tidaknya diberlakukan program sertifikasi.
Pada kelompok eksperimen ditarik sampel dan kepada mereka diberikan
suatu stimuli, yaitu penjelasan tentang untung-ruginya program sertifikasi
tersebut. Kelompok kontrol tidak diberikan stimuli. Kemudian kita
bandingkan proporsi mereka yang setuju dan yang tidak setuju
dilaksanakannya program tersebut. Untuk melaksanakan hal tersebut, kita
dapat menggunakan pengujian binomial, yang rumusnya adalah sebagai
berikut:
Rumus:
Pˆ1  Pˆ2
z
 
ˆˆ 1  1 
Pq
 n1 n 2 
Keterangan:
x
pˆ1  1
n1
x2
pˆ 2 
n2
x1  x2
pˆ 
n1  n2
qˆ 1  pˆ
Contoh:
Dari masing-masing kelompok eksperimen dan kelompok kontrol diambil
sejumlah sampel yang sama, yaitu 60 guru secara random dan ternyata
kelompok yang setuju dari masing-masing sampel adalah 41 untuk kelompok
eksperimen dan 24 untuk kelompok kontrol.
1. Hipotesis Penelitian:
Ho : p1  p2
Ha : p1  p2
2. Daerah Penolakan Ho ( :

 ditetapkan 0,01
Nilai 0,01 dalam tabel Z adalah = 2,58, untuk uji dua arah (ingat! karena
dua arah maka nilai alpha harus dibagi dua terlebih dahulu).
Maka Ho akan ditolak jika nilai Z  2,58 atau Z  2,58.
3. Melakukan Perhitungan:
x 41
pˆ1  1 
n1 60
x2 24
pˆ 2  
n2 60
41 24
pˆ1  pˆ 2    0, 28
60 60
x x 41  24
pˆ  1 2   0,54
n1  n2 60  60
qˆ  1  pˆ  1  0,54  0, 46
Dengan demikian, maka nilai Z nya adalah:

Pˆ1  Pˆ2
z
 
ˆˆ 1  1 
Pq
 n1 n 2 
0, 28
z  3, 08
1 1
0,54  0, 46   
 60 60 
Karena nilai Z hitung >2,58 maka Ho ditolak, dengan kata lain terdapat
perbedaan proporsi yang signifikan di antara kedua kelompok ini di
tingkat populasi.

binomial untuk dua proporsi, kini cobalah kerjakan tugas berikut, untuk
membantu Anda memahami materi yang ada. Cobalah mengerjakan
sendiri, kemudian cocokkan dengan jawaban yang ada di bawah tugas
ini.
Dari mahasiswa UT yang memiliki keluhan, diambil sampel masing-

masing dari FISIP dan FKIP sebanyak 50 mahasiswa. Dari FISIP
mahasiswa yang berasal dari Jabodetabek sebanyak 25, sedangkan dari
FKIP 30. Lakukan pengujian hipotesis untuk menguji apakah memang
terdapat perbedaan proporsi yang signifikan di antara kedua kelompok
ini di tingkat populasi, dengan alpha 0,05.
Jawaban :
x 30
pˆ1  1 
n1 50
x2 25
pˆ 2  
n2 50
30 25
pˆ1  pˆ 2    0,1
50 50
x x 30  25
pˆ  1 2   0,55
n1  n2 50  50
qˆ 1  pˆ  1  0,55  0, 45
Dengan demikian, maka nilai Z nya adalah:

0,1
z  1, 01
1 1
0,55  0, 45   
 50 50 
Z alpha 0,05 = 1,96. Karena nilai Z hitung <1,96 maka Ho diterima, dengan
kata lain tidak terdapat perbedaan proporsi yang signifikan di antara kedua
kelompok ini di tingkat populasi.
B. TES T UNTUK DUA SAMPEL INDEPENDEN
Tes t untuk dua sampel independen ini digunakan untuk data yang
berskala interval dan rasio. Yang akan diuji adalah perbedaan rata-rata hitung
(mean) dari dua kelompok yang ditarik secara random.
Rumus untuk menghitung nilai t adalah:
X1 X 2
t
1 1
Sp
n1 n2
(n1 1) S12 (n2 1) S22

Sp
di mana n1 n2 2
dengan d . f . n1 n2 2
Contoh:
Seorang peneliti tertarik untuk mengetahui minat mengunjungi
perpustakaan di kalangan mahasiswa. Dalam kasus kali ini, peneliti
mengambil sampel dari Perguruan Tinggi konvensional dan Perguruan
Tinggi Jarak Jauh, baik di dalam negeri maupun luar negeri. Kemudian
diteliti rata-rata mahasiswa yang pergi ke perpustakaan untuk membaca
bahan/materi perkuliahan. Dari data di lapangan, ternyata rata-rata
mengunjungi perpustakaan untuk membaca materi/bahan perkuliahan dari
sampel 8 perguruan tinggi konvensional adalah 5,6 dengan standar deviasi
3,23 dan dari 8 perguruan tinggi jarak jauh yang ditarik secara random, rata-
ratanya 5,95 dengan standar deviasi 4,18. Untuk membandingkan dua
sampel, apakah berbeda secara nyata di tingkat populasinya maka dapat
dilakukan tes statistik dengan tes t, sebagai berikut:
1. Hipotesis
Ho : 1   2
Ha : 1   2
2. Daerah Penolakan Ho (

  0,01 n1  8 n2  8 df   n1  n2  2   8  8   2  14
Nilai untuk  = 0,01 pada tabel t adalah 2,624, dengan demikian untuk
uji hipotesis dua arah Ho akan ditolak, jika nilai t < -2,624 atau jika nilai
t >2,624.
3. Melakukan Perhitungan
X1 X 2
t
1 1
Sp
n1 n2
di mana
(n1 1) S12 (n2 1) S22
Sp
n1 n2 2
(8 1)(3, 23) 2 (8 1)(4,178) 2
8 8- 2
3, 74
X1 X2 5, 6 5,95
Sehingga t 0,19
1 1 1 1
Sp 3, 74
n1 n2 8 8
Karena nilai -0,19 > dari nilai -2,624 maka Ho tak ditolak, dengan
demikian tidak ada perbedaan yang signifikan antara minat mahasiswa
perguruan tinggi konvensional dan perguruan tinggi jarak jauh untuk
berkunjung ke perpustakaan di tingkat populasi.

dua rata-rata dengan tes t, kini cobalah kerjakan tugas berikut, untuk
membantu Anda memahami materi yang ada. Cobalah mengerjakan
sendiri, kemudian cocokkan dengan jawaban yang ada di bawah
tugas ini.
Sebuah penelitian dilakukan terhadap 10 orang laki-laki dan

10 orang perempuan tentang pelanggaran lalu lintas yang dilakukan.
Dari penelitian itu, diketahui rata-rata pelanggaran yang dilakukan
dari sampel 10 laki-laki adalah 10 kali dengan standar deviasi 2,23
dan dari 10 perempuan, rata-ratanya 7 kali dengan standar deviasi
1,18. Untuk membandingkan dua sampel, apakah berbeda secara
nyata di tingkat populasinya maka lakukan tes statistik dengan tes t
bila alpha yang digunakan 0,05.
Jawaban:
  0,05 n1  10 n2  10 df   n1  n2  2   10 10   2  18
2 2
(n1 1) S1 (n2 1) S 2 (10 1)2, 232 (10 -1)1,182
Sp 1, 78
n1 n2 2 10 10 2
X1 X2 10 7
Sehingga t 3, 77
1 1 1 1
Sp 1, 78
n1 n2 10 10
t alpha 0,05 = 1,734. Karena 3,77 >1,734 maka Ho ditolak, dengan demikian
terdapat perbedaan proporsi yang signifikan di antara kedua kelompok ini di
tingkat populasi.
C. TES t UNTUK DUA SAMPEL BERPASANGAN
Tes t untuk dua sampel berpasangan ini digunakan dengan

mengasumsikan bahwa dua sampel tersebut saling berhubungan satu sama
lain, ketika mereka diminta untuk memberikan pendapat. Misalnya, kita
melakukan penelitian tentang keluarga dan kita ingin membandingkan antara
pendapat Ayah dengan Ibu. Pertanyaan yang ada diberi skor sehingga kita
akan tahu total skor untuk suami dan total skor untuk istri. Rumus yang
digunakan untuk melakukan pengujian hipotesis untuk dua sampel
berpasangan adalah sebagai berikut:
Rumus:
d
t
Sd
n
di mana
d
d
n
d  x1  x2
 d 2    d  n 
2
Sd   
n 1
Agar kita lebih mudah memahaminya, kita langsung saja dengan

menggunakan contoh berikut. Penelitian dilakukan terhadap 13 keluarga dan
skor yang didapat oleh ayah dan ibu adalah sebagai berikut ini:
Keluarga ayah ibu

Andika 68 63
Barito 49 41
Cittra 53 54
Danurwindo 75 71
Endang 49 39
Fitriyanah 41 44
Gerald 75 67
Herbert 58 56
Indrawan 52 46
Jauhari 49 37
Kristianto 55 61
Lewokeda 69 68
Manurung 57 59
Untuk dapat melakukan pengujian hipotesis dua sampel berpasangan ini

maka terlebih dahulu dihitung nilai-nilai berikut:
Suami Istri d
Keluarga d2
X1 X2 ( X1 X2 )
Andika 68 63 5 25
Barito 49 41 8 64
Cittra 53 54 -1 1
Danurwindo 75 71 4 16
Endang 49 39 10 100
Fitriyanah 41 44 -3 9
Gerald 75 67 8 64
Herbert 58 56 2 4
Indrawan 52 46 6 36
Jauhari 49 37 12 144
Kristianto 55 61 -6 36
Lewokeda 69 68 1 1
Manurung 57 59 -2 4
∑ d = 44  d 2  504
Dengan demikian, kini kita bisa memasukkan data yang ada ke dalam rumus
yang ada.
 d 44
d   3.38
n 13
d  x1  x2
 d 2    d  n  504  44  13
2 2
Sd        5, 44
n 1 13  1
1. Hipotesis
Ho :  d  0 atau ( 1   2  0)
Ha :  d  0 atau ( 1   2  0)
2. Daerah penolakan Ho (:

Bila ditetapkan  sebesar 0,05 dengan uji dua arah dan derajat bebasnya
adalah 12 (yaitu: N  1  13  1  12 ). Nilai t0.025 (t / 2 ) adalah 2,179 pada
tabel t. Jadi Ho akan ditolak jika nilai t hitung  2,179 atau  2,179.
3. Melakukan perhitungan:
d 3,38
t   2, 24
Sd 5, 44
n 13
 ISIP4215/MODUL 8 8.11
Karena nilai 2,24 > 2,179, maka Ho ditolak, dengan kata lain ada perbedaan
yang signifikan antara rata-rata hitung skor untuk kedua kelompok di tingkat
populasi.
LAT IH A N

Buatlah urutan yang harus dilakukan dalam melakukan pengujian

hipotesis untuk membandingkan dua kelompok!
1. Pada dasarnya setiap uji hipotesis selalu dilakukan dalam tahapan yang
sama, mulai dari merumuskan hipotesis hingga pengambilan kesimpulan.
2. Diskusikan jawaban Anda dengan rekan yang lain.
R A NG KU M AN
Pengujian binomial digunakan untuk memperbandingkan proporsi

dari dua kelompok sampel. Hipotesis yang ditentukan harus
mencerminkan perbandingan dua kelompok tersebut. Tes t untuk dua
sampel independen ini digunakan untuk data yang berskala interval dan
rasio. Yang akan diuji adalah perbedaan rata-rata hitung (mean) dari dua
kelompok yang ditarik secara random. Bila dua sampel saling
berhubungan satu dengan lainnya maka sampel tersebut disebut sampel
berpasangan. Kedua sampel ini juga dapat diperbandingkan dengan
pengujian tes t.
TES F OR M AT IF 1
1) Suatu penelitian dilakukan dengan membagi siswa ke dalam dua

kelompok, yaitu kelompok pencinta alam dan kelompok pencinta seni.
Sampel yang digunakan pada penelitian ini untuk masing-masing
kelompok adalah 80. Penelitian ini ingin membedakan, apakah ada
perbedaan yang signifikan di antara dua kelompok tersebut tentang
setuju tidaknya mereka dana kegiatan diambil dari kas sekolah.
Data yang ada menunjukkan bahwa kelompok pencinta alam yang setuju
sebanyak 75, sedangkan di kelompok pencinta seni 52. Nilai z dalam
penelitian ini adalah ....
A. 3,2
B. 4,6
C. 4,8
D. 5,8
2) Apabila diketahui nilai z alpha adalah 1,65 untuk uji dua arah. Maka
kesimpulan dari penelitian ini adalah......
A. tidak ada perbedaan proporsi yang signifikan antara kelompok
a dengan kelompok b di populasi
B. tidak ada perbedaan proporsi yang signifikan antara kelompok
a dengan kelompok b di sampel
C. ada perbedaan proporsi yang signifikan antara kelompok a dengan
kelompok b di populasi
D. ada perbedaan proporsi yang signifikan antara kelompok a dengan
kelompok b di sampel
3) Penelitian dilakukan terhadap dua kelompok. Kelompok pertama yang

berjumlah 40 anak melakukan studi banding sebanyak 2 kali, sedangkan
pada kelompok kedua dengan jumlah anak yang sama hanya melakukan
sekali. Bila dicatat, ternyata anak yang dapat membuat laporan yang baik
pada kelompok pertama sebanyak 28 anak dan pada kelompok kedua
sebanyak 18 anak. Nilai z dalam penelitian ini adalah ........
A. 0,27
B. 1,25
C. 2,27
D. 3,25
 ISIP4215/MODUL 8 8.13
4) Peneliti menetapkan nilai  pada penelitian soal nomor 3 adalah 0,05

maka tindakan yang tepat diambil peneliti adalah ....
A. menerima kedua hipotesis
B. menolak hipotesis alternatif
C. menerima hipotesis nol
D. menolak hipotesis nol
5) Data di bawah ini adalah mengenai jumlah tahun kenaikan pangkat dari
golongan IV a ke IV b antara dosen perguruan tinggi negeri (PTN)
dengan dosen perguruan tinggi swasta (PTS). Data yang tercatat dari
10 dosen PTS dan 10 dosen PTN adalah sebagai berikut:
Jumlah tahun kenaikan Jumlah tahun kenaikan

pangkat dosen PTN pangkat dosen PTS
2 2
1 2
3 4
3 3
1 1
1 2
2 1
3 3
1 2
2 1
Rata-rata hitung dari jumlah tahun kenaikan pangkat antara dosen PTN
dengan dosen PTS adalah ....
A. X PTN = 1 X PTS = 1,1
B. X PTN = 1,1 X PTS = 1
C. X PTN = 1,9 X PTS = 2,1
D. X PTN = 2,1 X PTS = 1,9


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
 ISIP4215/MODUL 8 8.15
Kegiatan Belajar 2
Uji Dua Sampel Menggunakan

Tes Nonparametrik
D alam melakukan pengujian dua sampel menggunakan tes nonparametrik

ada beberapa jenis yang bisa digunakan, antara lain uji U Mann-
Whitney, Uji Mc Nemar, Uji Kolmogorov-Smirnov Z, Uji Runs Wald-
Wolfowitz. Pada kegiatan belajar ini, untuk uji dua sampel independen hanya
akan dijelaskan mengenai uji U Mann-Whitney dan uji Mc Nemar untuk
Signifikansi Perubahan.
A. UJI DUA SAMPEL INDEPENDEN: U MANN-WHITNEY
Pengujian statistik ini dipergunakan untuk membandingkan distribusi

sebuah variabel di antara dua kelompok (sampel) yang tidak berhubungan.
Perhatian utama dari pengujian ini adalah untuk menguji ada tidaknya
signifikansi perbedaan antara dua sampel atau kelompok yang tidak
berhubungan tersebut, sehingga kita bisa mengetahui apakah kedua sampel
tersebut berasal dari populasi yang sama atau tidak.
Pengujian Mann-Whitney lebih dikenal dengan istilah Uji U. Rumusnya
n1 (n1  1) n (n  1)
U  n1 . n2   R1 atau U  n1 . n2  2 2  R2
2 2
Penggunaan rumus tersebut tergantung pada kelompok mana yang kita

anggap sebagai kelompok pertama dan kelompok mana yang kita anggap
sebagai kelompok kedua.
Keterangan:
n1 : banyaknya sampel dalam kelompok pertama
n2 : banyaknya sampel dalam kelompok yang lain
R1 : jumlah skor ranking yang diberikan pada kelompok dengan ukuran
sampelnya n1
R2 : jumlah skor ranking yang diberikan pada kelompok dengan ukuran
sampelnya n2.
Tentu saja kedua rumus di atas akan menghasilkan nilai U yang berbeda.
Yang diinginkan adalah hasil U yang lebih kecil. Jika nilai n 1 . n2 semakin
besar maka distribusi U akan semakin mendekati distribusi normal sehingga
dapat dilakukan pengujian hipotesis dengan rumus:
U  u
z
u
(n1 . n2 ) n1 . n2 (n1  n2  1)
di mana u  dan  u2 
2 12
Seperti pada pengujian yang lainnya maka pada pengujian Mann-Whitney ini
pun digunakan Ho maupun Ha.
Ho : 1 = 2
Ha : 1 ≠ 2 untuk pengujian dua arah
atau Ha : 1 > 2 dan Ha : 1 < 2 untuk pengujian satu arah
Hipotesis nol akan ditolak, jika

untuk pengujian satu arah, yaitu nilai z hitung > z  atau
nilai z hitung < - z 
untuk pengujian dua arah, yaitu nilai z hitung > z /2 atau nilai z hitung
< -z /2.
Sebagai contoh kasus: seorang peneliti hendak melihat apakah ada perbedaan
antara jenis printer yang digunakan dengan jumlah hasil cetakan. Hasilnya
dapat dilihat pada tabel berikut ini:
Printer Laser Jet (L) Printer Deskjet (D)

403 407
424 424
383 403
445 378
439 334
469 396
439 403
Jika peneliti akan menggunakan uji Mann-Whitney tersebut maka langkah

pertama yang harus dilakukan adalah menentukan hipotesisnya. Untuk kasus
ini, hipotesisnya adalah:
 ISIP4215/MODUL 8 8.17
Ho : jumlah hasil cetakan printer deskjet sama dengan jumlah cetakan

printer laserjet di tingkat populasi.
Ha : jumlah hasil cetakan printer deskjet lebih kecil dari jumlah cetakan
printer laserjet di tingkat populasi.
Langkah kedua yang harus dilakukan adalah mengurutkan data yang ada
mulai dari ranking 1 hingga 14 (tergantung banyaknya data). Bila ada data
yang sama, seperti data 403 yang terdiri dari 3 data maka cara membuat
rankingnya adalah dengan menambahkan No. 5 + 6 + 7 dan kemudian dibagi
3 (sesuai dengan banyaknya data yang sama) sehingga hasilnya menjadi 6.
Sementara itu, data berikutnya akan melanjutkan ranking yang seharusnya,
yaitu 8. Secara lengkap dapat dilihat pada tabel di bawah ini, yaitu:
Banyak hasil cetakan Jenis Printer Ranking

334 D 1
378 D 2
383 L 3
396 D 4
403 L 6
403 D 6
403 D 6
407 D 8
424 L 9,5
424 D 9,5
439 L 11,5
439 L 11,5
445 L 13
469 L 14
Setelah dilakukan perankingan maka langkah ketiga adalah membuat rata-

rata ranking dari masing-masing kelompok, yaitu printer laserjet dan printer
deskjet. Hasilnya akan terlihat dalam tabel berikut:
Banyaknya Hasil Jenis

Ranking Jumlah Skor Ranking
Cetakan Printer
334 D 1 Printer Deskjet =
378 D 2 1+2+4+6+6+8+9,5
396 D 4
403 D 6 = 36,5
403 D 6
407 D 8
Banyaknya Hasil Jenis

Ranking Jumlah Skor Ranking
Cetakan Printer
424 D 9,5
383 L 3 Printer Laserjet=
403 L 6 3+6+9,5+11,5+11,5+13+14
424 L 9,5
439 L 11,5 = 68,5
439 L 11,5
445 L 13
469 L 14
Dengan menggunakan rumus uji U maka dapat diperoleh nilai sebagai

berikut:
7(7  1) 7(7  1)
U  7.7   36,5 atau U  7.7   68,5
2 2
U  49  56 / 2  36,5 U  49  56 / 2  68,5
U  40,5 U  8,5
Dari kedua hitungan di atas, maka nilai yang digunakan adalah nilai U
yang terkecil, yaitu 8,5.
Selanjutnya kita dapat melakukan pengujian dengan distribusi normal,
yaitu:
(7.7)
u   24,5
2
7.7 (7  7  1)
 u2   61, 25
12
 u  61, 25  7,83
8,5 24,5
sehingga z 2, 0434 dibulatkan menjadi -2,04
7,83
Jika alpha yang digunakan adalah 0,05 maka dapat disimpulkan bahwa Ho
ditolak karena nilai z hitung (-2,04) lebih kecil dari -z (-1,645).
Kesimpulannya adalah jumlah hasil cetakan dengan menggunakan printer
deskjet akan lebih sedikit dibandingkan dengan jumlah hasil cetakan
menggunakan printer laserjet.
 ISIP4215/MODUL 8 8.19

dengan tes U, kini cobalah kerjakan tugas berikut, untuk membantu
Anda memahami materi yang ada. Cobalah mengerjakan sendiri,
kemudian cocokkan dengan jawaban yang ada di bawah tugas ini.
Lakukan uji hipotesis untuk data berikut ini

Mesin A Mesin B
124 107
224 124
183 103
145 278
239 234
269 196
239 103
Jawaban Kasus:
Rumusan Hipotesis:
Ho : jumlah produksi mesin A sama dengan jumlah produksi mesin B di
tingkat populasi.
Ha : jumlah produksi mesin A lebih besar dari jumlah produksi mesin B di
tingkat populasi.
Ranking:
Banyak produksi mesin Ranking
103 B 1,5
103 B 1,5
107 B 3
124 A 4,5
124 B 4,5
145 A 6
183 A 7
196 B 8
224 A 9
234 B 10
239 A 11,5
239 A 11,5
269 A 13
278 B 14
Langkah berikutnya: membuat rata-rata ranking
Banyaknya produksi mesin Ranking Jumlah Skor Ranking

124 A 4,5 4,5+6+7+9+11,5+11,5+13
145 A 6
183 A 7 = 62,5
224 A 9
239 A 11,5
239 A 11,5
269 A 13
103 B 1,5 1,5+1,5+3+4,5+8+10+14
103 B 1,5
107 B 3 = 45,5
124 B 4,5
196 B 8
234 B 10
278 B 14
Dengan menggunakan rumus uji U maka dapat diperoleh nilai sebagai

berikut:
7(7 1) 7(7 1)
U 7.7 62,5 atau U 7.7 45,5
2 2
U 49 56 / 2 62,5 U 49 56 / 2 45,5
U 14,5 U 31,5
Dari kedua hitungan di atas, maka nilai yang digunakan adalah nilai U
yang terkecil, yaitu 14,5.
Selanjutnya kita dapat melakukan pengujian dengan distribusi normal, yaitu:

(7.7)
u   24,5
2
7.7 (7  7  1)
 u2   61, 25
12
 u  61, 25  7,83
14,5 24,5
sehingga z 1, 277 dibulatkan menjadi -1,28
7,83
 ISIP4215/MODUL 8 8.21
Jika alpha yang digunakan adalah 0,05 maka dapat disimpulkan bahwa
Ho ditolak karena nilai z hitung (-1,28) lebih kecil dari -z (-1,645).
Kesimpulannya adalah jumlah hasil produksi dengan menggunakan mesin A
akan lebih banyak dibandingkan dengan jumlah hasil cetakan menggunakan
mesin B.
B. UJI DUA SAMPEL BERHUBUNGAN: TES MC NEMAR UNTUK

SIGNIFIKANSI PERUBAHAN
Uji statistik dua sampel dipergunakan bila peneliti ingin menentukan

apakah dua kondisi atau kejadian tidak sama, dengan kata lain apakah suatu
kondisi atau kejadian lebih baik daripada kondisi atau kejadian yang lain.
Dengan membandingkan dua kelompok tersebut, kadang-kadang terlihat
perbedaan signifikan yang bukan disebabkan oleh akibat atau hasil kondisi
atau kegiatan tadi. Contohnya, bila dibandingkan antara mahasiswa yang
kuliah dengan model tatap muka dan mahasiswa yang kuliah dengan model
jarak jauh, seperti UT. Jika ada mahasiswa yang kuliah dengan model jarak
jauh, tetapi hasil ujiannya lebih baik daripada mahasiswa yang kuliah dengan
model tatap muka maka hasil tersebut mungkin tidak akurat mencerminkan
bahwa yang baik adalah metode jarak jauh. Ini mungkin disebabkan adanya
kondisi lain yang memengaruhi.
Salah satu cara untuk mengurangi adanya kondisi yang disebabkan
faktor luar ini maka dapat digunakan dua sampel berhubungan (berpasangan)
dalam suatu penelitian. Caranya bisa dengan menggunakan tiap subjek
sebagai pengontrol dirinya sendiri. Hal ini dapat dilakukan dengan
menerapkan kondisi yang sama pada dua waktu yang berbeda. Cara lainnya
adalah dengan memasangkan subjek dan kemudian menghadapkan masing-
masing anggota pasangan itu dengan dua kondisi yang berbeda.
Tes ini dapat diterapkan bagi penelitian “sebelum dan sesudah”, di mana
setiap subjek menjadi pengontrol bagi dirinya sendiri. Skala pengukuran yang
digunakan adalah nominal atau ordinal. Tujuannya untuk melihat keefektifan
suatu kondisi tertentu terhadap kecenderungan tindakan subjek.
Ciri umum tes ini jika digambarkan dalam bentuk tabel adalah sebagai
berikut:
sesudah
Sebelum
- +
+ A B
- C D
A dan D menggambarkan perubahan pola tindakan, dari positif sebelumnya

menjadi negatif atau dari negatif sebelumnya menjadi positif, sedangkan B
dan C menggambarkan pola tindakan yang tidak berubah atau tetap, positif
sebelumnya tetap positif sesudahnya, atau kebalikannya.
Rumus yang digunakan untuk menggunakan Tes Mc Nemar adalah:
( A  D) 2
cM2 
A D
dengan derajat bebas (degree of freedom) = 1
Namun demikian, kadang-kadang perlu pula dilakukan koreksi
kontinuitas sehingga rumusnya menjadi:
( A  D  1) 2
cM2 
A D
Kemudian hasil pengujian ini dibandingkan dengan nilai c 2 pada tabel
distribusi chi square terlampir. Jika hasil pengujian sama atau lebih besar
dengan nilai c2 pada tabel maka dapat disimpulkan bahwa efek yang
signifikan telah ditunjukkan dalam jawaban sebelum dan sesudah.
Kita langsung saja dengan menggunakan contoh, agar lebih mudah
memahami materi yang ada. Suatu pengamat pemilu ingin melihat apakah
ada perubahan pilihan terhadap presiden sebelum putaran pertama dan
sesudah putaran kedua .
Tabel 8.1
Perubahan Pilihan Parpol Sebelum dan Sesudah Masa Kampanye
Sesudah putaran kedua

kandidat B kandidat A
Sebelum Partai A 14 4
Putaran pertama Partai B 3 4
 ISIP4215/MODUL 8 8.23
Rumusan hipotesisnya adalah:

Ho : kemungkinan masyarakat akan mengubah pilihan dari kandidat A ke
kandidat B adalah sama dengan kemungkinan masyarakat akan
mengubah pilihan dari kandidat B ke kandidat A, yaitu ½.
Ha : kemungkinan masyarakat akan mengubah pilihan dari kandidat A ke
kandidat B lebih besar dibanding kemungkinan masyarakat akan
Perumusan Ha dapat pula digunakan untuk pengujian dua arah sehingga

perumusan Ha-nya menjadi kemungkinan masyarakat akan mengubah pilihan
dari kandidat A ke kandidat B adalah tidak sama dengan kemungkinan
masyarakat akan mengubah pilihan dari kandidat B ke kandidat A, yaitu ½..
Kini kita tinggal memasukkan saja ke dalam rumus sehingga hasilnya adalah:
(14  4  1)2
cM2 
14  4
c  4,50
2
M
dengan menggunakan alpha 0,01 dan derajat bebas 1 maka hasil tabel chi-
square menunjukkan nilai 6,635. Ini berarti nilai Mc Nemar tes < dari nilai
tabel. Dengan demikian, dapat diambil kesimpulan bahwa Ho tidak ditolak
yang berarti kemungkinan masyarakat akan mengubah pilihan dari kandidat
A ke kandidat B adalah sama dengan kemungkinan masyarakat akan
LAT IH A N

Lakukan pengujian hipotesis dengan menggunakan uji U Mann -

Whitney dan uji Tes Mc Nemar.
1. Pahamilah komponen-komponen yang ada di kedua uji hipotesis

tersebut.
2. Perhatikan pula syarat-syarat apa yang diperlukan dalam penggunaan
kedua hipotesis tersebut.
3. Lakukan pengujian hipotesis berdasar kasus yang ada.
R A NG KU M AN
Uji U Mann - Whitney dipergunakan untuk membandingkan sebuah

variabel di antara dua kelompok (sampel) yang tidak berhubungan.
Rumus yang digunakan pada Uji U ini adalah:
n1 (n1  1)
U  n1 . n2   R1
2
atau sama dengan
n2 (n2 1)
U n1 . n2 R2
2
tergantung mana yang kita anggap sebagai kelompok pertama. Pengujian

ini menggunakan nilai U yang lebih kecil, untuk menghasilkan nilai z.
Nilai z didapat dengan rumus:
U  u
z
u
Tes Mc Nemar digunakan untuk signifikansi perubahan. Tes ini

diterapkan bagi penelitian di mana setiap subjek menjadi pengontrol bagi
dirinya sendiri. Data yang diambil sebelum dan sesudah penelitian.
Rumus yang digunakan adalah:
( A  D  1) 2
cM2 
A D
 ISIP4215/MODUL 8 8.25
TES F OR M AT IF 2
1) Seorang psikolog anak ingin melihat apakah ada perbedaan antara anak
dengan orang tua lengkap dan anak dengan single parents dalam hal
keinginan berinteraksi dengan orang lain. Hasil tes yang diberikan
kepada anak-anak tersebut adalah sebagai berikut:
Skor Mengerjakan Tes

Orang Tua Lengkap Single Parents
80 75
85 80
70 75
60 68
80 80
Berapakah nilai U yang akan digunakan dalam perhitungan Uji Mann

Whitney ....
A. 11
B. 12
C. 13
D. 14
2) Untuk melihat perbedaan kedua siswa dalam soal nomor 1, diperlukan

adanya standar deviasi σu sebesar ....
A. 4,79
B. 7,36
C. 22,92
D. 54,17
3) Bila ditetapkan nilai  sebesar 0,01 maka psikolog tersebut akan

mempunyai kesimpulan kedua anak tersebut ....
A. berbeda dalam hal interaksi karena z hitung < z tabel
B. berbeda dalam hal interaksi karena z hitung > z tabel
C. sama dalam hal interaksi karena z hitung < z tabel
D. sama dalam hal interaksi karena z hitung > z tabel
4) Pengamat sosial ingin melihat apakah ada perubahan pada para ibu untuk
menghidangkan makanan sehat, setelah penyuluhan terhadap gizi bagi
anak diberikan. Dari penelitian ini, didapat hasil sebelum dan sesudah
kampanye terhadap pilihan makanan sehat sebagai berikut ....
Perubahan Pilihan Terhadap Makanan Sehat
Sesudah penyuluhan
Makanan bergizi Makanan kurang
bergizi
Sebelum Makanan kurang 20 8
penyuluhan bergizi
Makanan bergizi 6 12
Hitunglah berapa nilai C2M dalam kasus di atas ....

A. 0,05
B. 0,07
C. 1,39
D. 1,53
5) Bila peneliti pada soal nomor 4 menetapkan  sebesar 0,1 maka

kesimpulan manakah yang tepat untuk penelitian tersebut ....
A. menerima Ho karena nilai z hitung > nilai z tabel
B. menerima Ho karena nilai z hitung < nilai z tabel
C. menerima Ha karena nilai z hitung > nilai z tabel
D. menerima Ha karena nilai z hitung > nilai z tabel


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang
 ISIP4215/MODUL 8 8.27

belum dikuasai.
Tes Formatif 1
1) C. Masukkan dalam rumus (gunakan pembulatan dua angka desimal!)
2) C. Nilai z hitung > z tabel sehingga yang diterima adalah hipotesis
alternatif, yang rumusannya ada pada jawaban C.
3) C. Masukkan dalam rumus z.
4) D. Nilai z tabel dengan  0,05 untuk uji dua arah adalah 1,65. Karena
2,27 > 1,65 maka hipotesis nol ditolak atau Ha diterima.
5) C. Rata-rata jumlah tahun kenaikan pangkat dosen PTN didapat dari
19/10 = 1,9. Rata-rata jumlah tahun kenaikan pangkat dosen PTS
didapat dari 21/10 = 2,1.
Tes Formatif 2
1) A. Dengan jumlah skor ranking anak orang tua 29 dan jumlah skor
ranking anak single parents 26 maka nilai U terendah adalah pada
anak dengan orang tua, yaitu sebesar 11.
2) A. Nilai standar deviasi atau  didapat dengan memasukkan nilai n,
kedua kelompok sebanyak 5. Akan didapat  sebesar 4,79.
3) D. Nilai z hitung akan didapat sebesar -0,313. Nilai tersebut berasal
dari u = 12,5,  = 4,79 dan U = 11. Sementara itu, nilai z dari
distribusi normal adalah –2,33.
4) D. Nilai C2M ini didapatkan dengan memasukkan pada rumus C 2M
nilai-nilai A = 20 dan D = 12. Nilai yang didapat sebesar 1,53.
5) B. Nilai tabel chi square 0,1 adalah 2,706. Hal ini berarti lebih besar
dari nilai C2M sebesar 1,53. Dengan demikian, penelitian tersebut
akan menerima Ho.
 ISIP4215/MODUL 8 8.29
Glosarium

Binomial : variabel dengan variasi nilai yang hanya
memiliki dua kemungkinan.
Derajat bebas (degree : jumlah kategori yang ada dikurangi 1.
of freedom)
Hipotesis alternatif : hipotesis yang akan dibuktikan keberlakuan-
nya.
Kelompok : kelompok yang diberikan stimuli.
eksperimen
Kelompok kontrol : kelompok pembanding, kelompok yang tidak
diberi stimuli.
Sampel bebas : dua unit analisis yang saling tidak berhubungan
satu sama lainnya.
Sampel berpasangan : dua kelompok sampel yang berbeda, namun
dalam rangka menganalisis satu unit analisis
yang sama.
Daftar Pustaka

Press LTD.
Sugiyono. 2001. Statistik Nonparametris untuk Penelitian. Bandung:

Alfabeta.
Modul 9
Pengujian Hipotesis
Lebih dari Dua Sampel dan
Dua Rata-rata Populasi
D alam modul sebelumnya, kita sudah mempelajari mengenai pengujian

hipotesis untuk satu sampel dan dua sampel. Dalam modul 9 ini, kita
akan mempelajari lebih lanjut untuk pengujian hipotesis lebih dari dua
sampel. Dalam Modul 9 ini, kita juga akan mempelajari pengujian hipotesis
terhadap dua populasi.
Pada Kegiatan Belajar 1, kita akan mengkhususkan untuk mempelajari
pengujian hipotesis untuk lebih dari dua sampel, atau kita katakan saja uji
hipotesis k sampel. Selanjutnya, k bisa kita artikan 3 sampel, 4 sampel,
5 sampel, dan seterusnya, sesuai jumlah sampel yang ada. Seperti dalam
modul sebelumnya, maka untuk uji hipotesis k sampel ini, kita juga akan
bedakan sampel yang independen dan sampel yang berpasangan. Untuk
sampel yang berpasangan, kita juga bedakan lagi berdasarkan datanya. Untuk
data nominal kita akan menggunakan uji Cohran, sedangkan untuk data
ordinal kita gunakan uji Friedman. Demikian pula dengan sampel yang
berpasangan, kita bedakan berdasarkan datanya. Untuk data nominal kita
gunakan Chi kuadrat dan untuk data ordinal kita gunakan uji Kruskall-Wallis.
Pada Kegiatan Belajar 2, kita akan mengkhususkan pada uji hipotesis
dua populasi. Uji hipotesis dua populasi atau tepatnya uji hipotesis dua rata-
rata populasi dilakukan untuk memperbandingkan hasil pengamatan pada
dua populasi untuk variabel yang sama. Dari setiap populasi akan kita ambil
sampel sehingga akan ada dua sampel dari dua populasi. Masing-masing
sampel akan memperlihatkan karakteristik dari populasi yang berbeda.
Dengan demikian, akan kita lihat apakah terdapat perbedaan pada kedua
populasi dengan menggunakan satu variabel. Dalam kegiatan belajar ini, kita
akan membedakan berdasar jumlah sampel yang kita ambil. Untuk sampel
besar kita akan gunakan tes z, sedangkan untuk sampel kecil akan kita
gunakan tes t.
Setelah mempelajari modul ini, Anda diharapkan mampu melakukan
pengujian hipotesis untuk lebih dari dua sampel dan juga pengujian hipotesis
untuk dua populasi.
Secara lebih spesifik, setelah mempelajari modul ini, Anda diharapkan
mampu melakukan pengujian hipotesis:
1. Cohran;
2. Friedman;
3. Chi Kuadrat;
4. Kruskall Wallis;
5. tes z;
6. tes t.
Kegiatan Belajar 1
Uji Hipotesis k Sampel
S eperti sudah disinggung sebelumnya, dalam pengujian hipotesis lebih dari

dua sampel, terdapat beberapa uji statistik yang bisa digunakan. Dalam
konteks ini, pemilihan uji statistik mana yang akan digunakan didasarkan
pada data yang ada dan juga bentuk hubungannya, apakah berpasangan atau
independen.
Ketika seorang peneliti menarik sampel dari beberapa sampel (lebih dari
dua) maka kita bisa melakukan pengujian hipotesis untuk melihat
keterwakilan sampel-sampel yang terpilih. Kita coba langsung dengan
menggunakan sebuah kasus penelitian. Budi adalah dosen di FISIP UT. Ia
mengampu mata kuliah Pengantar Statistik Sosial. Mata kuliah Pengantar
Statistik Sosial ini merupakan salah satu mata kuliah yang diambil oleh
mahasiswa dari beberapa jurusan yang ada di FISIP. Budi tertarik untuk
melihat rata-rata nilai yang di dapat oleh mahasiswa dari 3 jurusan, yaitu
Jurusan Sosiologi, Jurusan Komunikasi, dan Jurusan Administrasi. Untuk
melihat perbedaan rata-rata nilai dari ketiga jurusan tersebut, bisa dilakukan
dengan dua cara, yaitu:
Cara pertama adalah cara bertahap, yaitu dengan menggunakan uji
hipotesis untuk dua sampel
1. membandingkan rata-rata antara Jurusan Sosiologi dan Jurusan
Komunikasi;
2. membandingkan rata-rata antara Jurusan Sosiologi dan Jurusan
Administrasi;
3. membandingkan rata-rata antara Jurusan Komunikasi dan Jurusan
Administrasi.
Dengan cara bertahap ini, kita akan mengetahui apakah terdapat

perbedaan yang signifikan di antara salah satu dari ketiga uji hipotesis
tersebut, atau justru di antara ketiganya. Namun cara ini tidaklah efisien.
Cara kedua adalah melakukan uji hipotesis secara langsung dengan
melibatkan ketiganya. Cara ini tentunya lebih efisien dibanding dengan cara
yang pertama.
A. PENGUJIAN HIPOTESIS K SAMPEL BERPASANGAN UNTUK

DATA NOMINAL: UJI COHRAN
Uji Cohran dilakukan untuk variabel yang memiliki dikotomi, misalnya

sukses dan gagal, setuju dan tidak setuju, baik dan buruk, dan sebagainya.
Untuk kategori yang satu kita berikan skor 0 dan untuk kategori yang lainnya
kita berikan skor 1.
Langkah yang harus dilakukan untuk melakukan uji Cohran:

1. Menyusun Hipotesis
Ho: semua kelompok memiliki proporsi yang sama
Ha: tidak semua kelompok memiliki proporsi yang sama
2. Menentukan Daerah Penolakan (α)

Distribusi Q mendekati distribusi chi kuadrat sehingga kita akan
menggunakan tabel chi kuadrat. Dalam uji ini, kita memperhitungkan derajat
bebas, yaitu k-1, dimana k adalah jumlah kategori
Rumus untuk menghitung uji Cohran adalah:
 k   C 2     C 2 
Q   k  1  
K  R   R 2
Dimana K = jumlah kolom

C = jumlah keseluruhan dalam kolom
R = Jumlah keseluruhan dalam baris
4. Mengambil kesimpulan
Ho akan ditolak jika Q hasil perhitungan ≥ nilai Q tabel
Kini, kita akan mencoba dengan melakukan perhitungan pada kasus
sebenarnya.
Suatu penelitian dilakukan untuk mengetahui apakah cara yang
dilakukan oleh tiga kelompok jurusan yang berbeda memiliki efektivitas
dalam mencapai nilai ujian. Nilai ujian dinyatakan baik dengan kode 1 dan
dinyatakan buruk dengan kode nol.
Data penelitian terlihat sebagai berikut:
No Administrasi Komunikasi Sosiologi

1 0 1 0
2 0 0 1
3 0 0 0
4 1 1 1
5 0 1 1
6 1 0 0
7 1 1 1
8 1 1 1
9 0 0 1
10 0 1 0
11 1 1 1
Berdasar kasus tersebut, kita lakukan tahapan pengujian sebagai berikut:

Ho: semua kelompok memiliki efektivitas yang sama
Ha: tidak semua kelompok memiliki efektivitas yang sama

α yang digunakan dalam penelitian ini adalah 0,05. Dengan derajat
bebas k-1 = 3-1 = 2 maka nilai yang ditunjukkan dalam tabel chi kuadrat
adalah 5,991, yaitu dengan cara melihat titik persinggungan antara derajat
bebas 2 (lihat sisi vertikal di kiri) dan nilai alpha 0,05 (lihat sisi horizontal di
atas). Kita lihat cuplikan tabel chi kuadrat berikut ini.
Derajat Daerah penolakan (α)

bebas .100 .050 .025 .010 .005
1 2.70554 3.84146 5.02389 6.63490 7.87944
2 4.60517 5.99146 7.37776 9.21034 10.59663
3 6.25139 7.81473 9.34840 11.34487 12.83816
4 7.77944 9.48773 11.14329 13.27670 14.86026
5 9.23636 11.07050 12.83250 15.08627 16.74960
Tabel chi kuadrat yang lengkap bisa dilihat dalam lampiran tabel.
Sebelum kita memasukkan data yang ada ke dalam rumus, kita coba
lengkapi tabel yang ada sehingga kita lebih mudah untuk memasukkan
datanya ke dalam rumus.
No Administrasi Komunikasi Sosiologi R R2

1 0 1 0 1 1
2 0 0 1 1 1
3 0 0 0 0 0
4 1 1 1 3 9
5 0 1 1 2 4
6 1 0 0 1 1
7 1 1 1 3 9
8 1 1 1 3 9
9 0 0 1 1 1
10 0 1 0 1 1
11 1 1 1 3 9
 C1  5  C2  7  C3  7  R  19  R 2  45
Rumus untuk menghitung uji Cohran adalah:

 
 k  C 2    C 2 
Q   k  1  
K   R    R2

Sehingga untuk kasus yang ada kita masukkan datanya ke dalam rumus.
Q   3  1
35  7
2 2
 72   19 
2
  1,33
3 19   45
4. Mengambil Kesimpulan
Ho akan ditolak jika Q hasil perhitungan ≥ nilai Q tabel, dengan
demikian karena nilai q hitung (1,33) < nilai Q tabel (5,991) maka Ho
diterima sehingga semua kelompok memiliki efektivitas yang sama dalam
metode pembelajarannya.
B. PENGUJIAN HIPOTESIS K SAMPEL BERPASANGAN UNTUK

DATA ORDINAL: UJI FRIEDMAN
Uji Friedman dilakukan untuk variabel yang memiliki skala ordinal dan
berbentuk ranking. Apabila dalam penelitian didapat data yang berskala
interval atau rasio maka data tersebut harus diubah terlebih dahulu ke dalam
skala ordinal dalam bentuk ranking. Uji Friedman dilakukan jika asumsi
dalam statistik parametrik tidak terpenuhi, atau jika jumlah sampelnya
terlalu sedikit.
Langkah yang harus dilakukan untuk melakukan uji Friedman:

Ho :  1   2  ...   k
Ha :  1   2  ...   k

Seperti halnya uji Cohran maka uji freedman juga memiliki distribusi
yang mendekati distribusi chi kuadrat sehingga kita akan menggunakan tabel
chi kuadrat. Dalam uji ini, kita memperhitungkan derajat bebas, yaitu k-1,
dimana k adalah jumlah kategori
Rumus untuk menghitung uji Friedman adalah:
12
X2    R   3n  k  1
2
nk  k  1

n = banyaknya baris dalam tabel
R = Jumlah ranking dalam kolom
Ho akan ditolak jika hasil perhitungan ≥ nilai yang ditunjukkan tabel.
Kini kita akan mencoba dengan melakukan perhitungan pada kasus
sebenarnya.
Suatu penelitian dilakukan untuk mengetahui apakah terdapat perbedaan
pada nilai ujian yang dilakukan oleh tiga kelompok belajar yang
menggunakan metode belajar berbeda. Kelompok pertama menggunakan
metode belajar bersama (diskusi), kelompok kedua menggunakan metode
belajar dengan memanfaatkan tutorial online (tuton), sedangkan kelompok
ketiga menggunakan metode belajar dengan memanfaatkan tutorial tatap
muka (TTM). Masing-masing kelompok terdiri dari 15 orang. Data yang
berhasil di dapat dari hasil penelitian adalah sebagai berikut:
Nilai Ujian berdasarkan kelompok

No
diskusi tuton TTM
1 85 75 80
2 77 75 80
3 65 75 80
4 85 80 75
5 70 65 85
6 85 65 77
7 67 75 90
8 65 85 75
9 78 66 87
10 77 70 80
11 85 65 75
12 70 75 87
13 70 65 87
14 88 75 70
15 85 65 70

1. Menyusun Hipotesis.
Ho: semua metode belajar memiliki pengaruh yang sama pada nilai
ujian yang didapat.
Ha : semua metode belajar memiliki pengaruh yang berbeda pada nilai
ujian yang didapat.

α yang digunakan dalam penelitian ini adalah 0,1. Dengan derajat bebas
k-1 = 3-1=2 maka nilai yang ditunjukkan dalam tabel chi kuadrat adalah
4,60517, yaitu dengan cara melihat titik persinggungan antara derajat bebas 2
(lihat sisi vertikal di kiri) dan nilai alpha 0,1 (lihat sisi horizontal di atas).
Kita lihat cuplikan tabel chi kuadrat berikut ini.

bebas .100 .050 .025 .010 .005
1 2.70554 3.84146 5.02389 6.63490 7.87944
2 4.60517 5.99146 7.37776 9.21034 10.59663
3 6.25139 7.81473 9.34840 11.34487 12.83816
4 7.77944 9.48773 11.14329 13.27670 14.86026
5 9.23636 11.07050 12.83250 15.08627 16.74960
lengkapi tabel yang ada sehingga kita lebih mudah untuk memasukkan
datanya ke dalam rumus. Kita buat ranking untuk setiap nilai yang ada
dengan membandingkan nilai yang didapat setiap nomor.
No Nilai Ujian berdasarkan kelompok

Diskusi Tuton TTM
Nilai Ranking Nilai Ranking Nilai Ranking
1 85 3 75 1 80 2
2 77 2 75 1 80 3
3 65 1 75 2 80 3
4 85 3 80 2 75 1
5 70 2 65 1 85 3
6 85 3 65 1 77 2
7 67 1 75 2 90 3
8 65 1 85 3 75 2
9 78 2 66 1 87 3
10 77 2 70 1 80 3
11 85 3 65 1 75 2
12 70 1 75 2 87 3
13 70 2 65 1 87 3
14 88 3 75 2 70 1
15 85 3 65 1 70 2
∑ = 32 ∑ = 22 ∑ = 36
Rumus untuk menghitung uji Friedman adalah:
12
X2    R   3n  k  1
2
nk  k  1

Sehingga untuk kasus yang ada kita masukkan datanya ke dalam rumus.
 322  222  36 2    3 15  3  1  6,93

12

15  3 3  1  
Ho akan ditolak jika hasil perhitungan ≥ nilai tabel, dengan demikian
karena nilai hitung (6,93) > nilai tabel (4,60517) maka Ho ditolak sehingga
semua metode belajar memiliki pengaruh yang berbeda pada nilai ujian yang
didapat.
C. PENGUJIAN HIPOTESIS K SAMPEL INDEPENDEN UNTUK

DATA NOMINAL: UJI CHI KUADRAT
Uji Chi Kuadrat dilakukan untuk variabel yang memiliki skala nominal
dan berbentuk diskret. Pada dasarnya, uji Chi Kuadrat k sampel serupa
dengan uji chi kuadrat untuk dua sampel, demikian pula rumus yang
digunakan pun sama. Seperti juga uji hipotesis lainnya maka dalam uji Chi
Kuadrat kita juga melakukan tahapan yang sama.
Langkah yang harus dilakukan untuk melakukan uji Chi Kuadrat:
Ho: tidak ada perbedaan antara frekuensi yang diamati dengan
frekuensi yang diharapkan.
Ha: terdapat perbedaan antara frekuensi yang diamati dengan frekuensi
yang diharapkan.
 ISIP4215/MODUL 9 9.11

Dalam uji ini, kita memperhitungkan derajat bebas, dengan
menggunakan rumus  r  1 c  1 , dimana r adalah jumlah baris dan c
adalah jumlah kolom.
Rumus untuk menghitung uji Chi Kuadrat adalah:
 fo  fe 
2
X 
2
fe
fo adalah nilai hasil pengamatan
fe adalah nilai yang diharapkan
sebenarnya.
Suatu penelitian dilakukan untuk melihat apakah ada perbedaan antara
mahasiswa yang berasal dari UT dan mahasiswa yang non-UT terhadap
kecenderungan untuk memilih jenis mobil disukai. Data yang berhasil
dikumpulkan sebagai berikut:
Asal Jenis mobil yang disukai

Total
Mahasiswa Toyota Daihatsu Suzuki
UT 20 40 40 100
Non-UT 30 40 30 100
Total 50 80 70 200

Ho: tidak ada perbedaan pilihan mobil yang disukai berdasarkan asal
mahasiswa.
Ha: terdapat perbedaan pilihan mobil yang disukai berdasarkan asal
mahasiswa.

Dalam penelitian ini, α yang digunakan adalah 0,1. Derajat bebas
3  1 2  1  2 maka nilai yang ditunjukkan dalam tabel chi kuadrat
adalah 4,60517 , yaitu dengan cara melihat titik persinggungan antara derajat
bebas 2 (lihat sisi vertikal di kiri) dan nilai alpha 0,1 (lihat sisi horizontal di
atas). Kita lihat cuplikan tabel chi kuadrat berikut ini.

bebas .100 .050 .025 .010 .005
1 2.70554 3.84146 5.02389 6.63490 7.87944
2 4.60517 5.99146 7.37776 9.21034 10.59663
3 6.25139 7.81473 9.34840 11.34487 12.83816
4 7.77944 9.48773 11.14329 13.27670 14.86026
5 9.23636 11.07050 12.83250 15.08627 16.74960
hitung terlebih dahulu nilai yang diharapkan. Untuk menghitung nilai yang
diharapkan dari setiap sel, kita bisa lakukan perhitungan dengan cara
mengalikan total dari setiap sel, lalu dibagi dengan total keseluruhan data,
misalnya untuk sel mahasiswa UT yang memilih Toyota, nilai yang
diharapkan adalah  50 100 dibagi 200. Untuk sel mahasiswa UT yang
memilih Daihatsu, nilai yang diharapkan adalah 80 100 dibagi 200.
Demikian seterusnya untuk setiap sel sehingga jika dibuat nilai yang
diharapkan dalam tabel, akan terlihat sebagai berikut:
Asal Jenis mobil yang disukai

Mahasiswa Toyota Daihatsu Suzuki
UT 25 40 35
Non UT 25 40 35
 ISIP4215/MODUL 9 9.13
Setelah kita mengetahui nilai yang diharapkan dan nilai hasil

pengamatan, kita bisa memasukkannya ke dalam rumus sehingga kita akan
mendapat nilai chi kuadrat.
Rumus untuk menghitung uji Chi Kuadrat adalah:
 fo  fe 
2
X2  
fe
fo adalah nilai hasil pengamatan

fe adalah nilai yang diharapkan
Sehingga untuk kasus yang ada, kita masukkan datanya ke dalam rumus.
 20  25  30  25  40  40   40  40 
2 2 2 2
X 
2
  
25 25 40 40
 40  35  30  35
2 2
   3, 428
35 35
karena nilai hitung ( 3,428) < nilai tabel (4,60517) maka Ho diterima
sehingga tidak ada perbedaan pilihan mobil yang disukai berdasarkan asal
mahasiswa.
D. PENGUJIAN HIPOTESIS K SAMPEL INDEPENDEN UNTUK

DATA ORDINAL: UJI KRUSKALL WALLIS
Uji Kruskall Wallis dilakukan untuk variabel yang memiliki skala

ordinal. Apabila dalam penelitian didapat data yang berskala interval atau
rasio maka data tersebut harus diubah terlebih dahulu ke dalam skala ordinal
dalam bentuk ranking. Uji Kruskal Waliis dilakukan jika asumsi kenormalan
yang dibutuhkan oleh metode statistika parametrik tidak dapat dipenuhi.
Langkah yang harus dilakukan untuk melakukan uji Kruskall Wallis:

Ho: tidak ada perbedaan antara sampel yang satu dengan sampel yang
lain (sampel berasal dari populasi yang sama).
Ha: terdapat perbedaan antara sampel yang satu dengan sampel yang
lain (sampel berasal dari populasi yang beda).

Dalam uji ini, kita memperhitungkan derajat bebas, dengan
menggunakan rumus k-1, dimana k adalah jumlah kategori. Uji statistik ini
menggunakan pendekatan distribusi chi kuadrat.
3. Melakukan perhitungan
Rumus untuk menghitung uji Kruskall Wallis adalah:
12    R1 2   R2 2   Rk 
2

H       3  N  1
N  N  1  n1 n2 nk 
H adalah Nilai uji statistik Kruskall Wallis

N adalah jumlah total sampel
R1 adalah jumlah ranking sampel ke-1
R k adalah jumlah ranking sampel ke-k
n1 adalah jumlah sampel ke-1
nk adalah jumlah sampel ke-k
Untuk mendapatkan nilai R, langkah yang harus dilakukan adalah

a. gabungkan seluruh nilai yang ada dari seluruh sampel;
b. urutkan nilai yang ada dari nilai terkecil;
c. beri peringkat, mulai dari nilai terkecil. Apabila ada nilai pengamatan
yang sama maka ranking-nya didapat dengan menghitung rata-rata dari
ranking yang bersangkutan;
d. kembalikan nilai pengamatan ke dalam sampel masing-masing dan
jumlahkan ranking dari setiap sampel (R).
 ISIP4215/MODUL 9 9.15
sebenarnya.
Suatu penelitian dilakukan untuk melihat apakah ada perbedaan antara
nilai mata kuliah Pengantar Statistik, Statistik Sosial, dan Metode Penelitian
Sosial. Data yang berhasil dikumpulkan sebagai berikut:
Nilai Pengantar Statistik Nilai Statistik Sosial Nilai Metode Penelitian

70 55 75
65 75 70
60 60 75
75 65 60
80 65 50
60 80 55
65 50 85
Berdasar kasus tersebut kita lakukan tahapan pengujian sebagai berikut:

Ho: tidak ada perbedaan nilai antara Pengantar Statistik, Statistik
Sosial, dan Metode Penelitian Sosial.
Ha : ada perbedaan nilai antara Pengantar Statistik, Statistik Sosial, dan
Metode Penelitian Sosial.

Dalam penelitian ini, α yang digunakan adalah 0,1. Derajat bebas
(3-1) = 2 maka nilai yang ditunjukkan dalam tabel chi kuadrat adalah
4,60517, yaitu dengan cara melihat titik persinggungan antara derajat bebas 2
(lihat sisi vertikal di kiri) dan nilai alpha 0,1 (lihat sisi horizontal di atas).
Kita lihat cuplikan tabel chi kuadrat berikut ini.
bebas .100 .050 .025 .010 .005
1 2.70554 3.84146 5.02389 6.63490 7.87944
2 4.60517 5.99146 7.37776 9.21034 10.59663
3 6.25139 7.81473 9.34840 11.34487 12.83816
4 7.77944 9.48773 11.14329 13.27670 14.86026
5 9.23636 11.07050 12.83250 15.08627 16.74960
Sebelum kita memasukkan data yang ada ke dalam rumus, kita buat
ranking terlebih dahulu untuk seluruh nilai pengamatan yang ada, dengan
cara mengurutkan dari nilai pengamatan terkecil dan akan terlihat dalam tabel
berikut:
Nilai 50 50 55 55 60 60 60 60 65 65
Ranking 1,5 1,5 3,5 3,5 6,5 6,5 6,5 6,5 10,5 10,5
Nilai 65 65 70 70 75 75 75 75 80 80 85
Ranking 10,5 10,5 13,5 13,5 16,5 16,5 16,5 16,5 19,5 19,5 21
Setelah kita mengetahui ranking dari setiap nilai pengamatan maka kita
kembali ke data untuk setiap sampel untuk menghitung nilai R untuk setiap
sampel sehingga akan terlihat dalam tabel berikut;
Nilai
Nilai Nilai
Metode
Pengantar Ranking Statistik Ranking Ranking
Penelitian
Statistik Sosial
Sosial
70 13,5 55 3,5 75 16,5
65 10,5 75 16,5 70 13,5
60 6,5 60 6,5 75 16,5
75 16,5 65 10,5 60 6,5
80 19,5 65 10,5 50 1,5
60 6,5 80 19,5 55 3,5
65 10,5 50 1,5 85 21
R= 83,5 R= 68,5 R= 79
Sehingga untuk kasus yang ada, kita masukkan datanya ke dalam rumus.
12   83,5 2  68,5 2  79 
 2
H       3  21  1
21 21  1  7 7 7 
 10, 74
karena nilai hitung ( 10,74) > nilai tabel (4,60517) maka Ho ditolak
sehingga ada perbedaan nilai antara Pengantar Statistik, Statistik Sosial, dan
Metode Penelitian Sosial.
 ISIP4215/MODUL 9 9.17
Cobalah Anda lakukan penelitian kecil, dengan menggunakan data yang

ada di sekitar Anda, lalu lakukan uji hipotesis dengan menggunakan uji
hipotesis K sampel berpasangan.
1. Pada dasarnya, setiap uji hipotesis selalu dilakukan dalam tahapan yang
sama, mulai dari merumuskan hipotesis hingga pengambilan kesimpulan.
2. Gunakan uji Cohran bila data Anda nominal, dan gunakan uji Friedman
bila data Anda ordinal.
3. Diskusikan jawaban Anda dengan rekan yang lain.
Dalam pengujian hipotesis lebih dari dua sampel, terdapat beberapa

uji statistik yang bisa digunakan. Uji statistik untuk lebih dari dua
sampel juga dibedakan antara data berpasangan dan data yang
independen.
Untuk data berpasangan dengan skala nominal kita bisa gunakan uji
Cohran, sedangkan untuk data ordinal kita gunakan uji Friedman. Uji
Cohran dilakukan dengan cara memberikan skor 0 untuk kategori yang
satu dan skor 1 untuk kategori yang lain. Sementara itu, untuk
melakukan uji Friedman dilakukan dengan cara memberikan ranking
pada setiap kategori yang ada. Baik Uji Cohran maupun Uji Friedman,
distribusinya mendekati distribusi Chi Kuadrat sehingga kita bisa
gunakan tabel Chi Kuadrat untuk menemukan nilai alpha-nya.
Untuk data independen dengan skala nominal, kita gunakan uji Chi
Kuadrat, sedangkan untuk data ordinal kita gunakan uji Kruskall Wallis.
Uji Chi kuadrat dilakukan dengan menghitung nilai pengamatan dan
nilai yang diharapkan. Uji Kruskall Wallis dihitung dengan cara
memberikan ranking bagi setiap nilai pengamatan. Uji kruskall Wallis
distribusinya mendekati distribusi Chi Kuadrat sehingga kita bisa
gunakan tabel Chi Kuadrat untuk menemukan nilai alpha-nya.
Suatu penelitian dilakukan terhadap 4 kelompok mahasiswa. Kepada

mereka diberikan pelatihan mengenai cara menghitung statistik dengan cepat.
Masing-masing kelompok diberikan cara yang berbeda. Dari hasil penelitian
didapat data sebagai berikut:
No Skor yang didapat
mahasiswa Cara 1 Cara 2 Cara 3 Cara 4
1 100 25 50 75
2 25 75 100 50
3 50 100 25 75
4 75 50 100 25
5 25 50 100 75
6 50 25 75 100
7 100 75 50 25
8 75 100 25 50
9 100 25 75 50
10 75 100 50 25
11 75 50 25 100
12 25 75 50 100
13 25 50 100 75
14 50 25 75 100
1) Jumlah skor ranking untuk kelompok dengan cara 1 adalah.....

A. 33
B. 34
C. 36
D. 37
2) Jumlah skor ranking untuk kelompok dengan cara 2 adalah ....

A. 33
B. 34
C. 36
D. 37

A. 33
B. 34
 ISIP4215/MODUL 9 9.19
C. 36
D. 37

A. 33
B. 34
C. 36
D. 37
5) Hasil perhitungan dengan menggunakan uji Friedman adalah ....

A. 0, 34
B. 0,43
C. 3,6
D. 3,7


80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
Kegiatan Belajar 2
Uji Hipotesis Dua Rata-rata Populasi
D alam modul sebelumnya kita sudah mempelajari tentang uji hipotesis

untuk dua sampel dan lebih dari dua sampel. Selanjutnya, kita
membandingkan parameter yang terdapat dalam sampel satu dengan sampel
yang lain, yang kita ambil dari populasi yang sama. Dalam kegiatan belajar
ini, kita akan mempelajari uji hipotesis untuk dua sampel atau lebih yang
diambil dari dua populasi yang berbeda, baik untuk sampel yang besar
maupun untuk sampel yang kecil. Perbedaan jumlah sampel akan
berpengaruh pada rumus dan tabel yang akan digunakan. Kita akan memulai
dengan sampel yang besar terlebih dahulu.
A. UJI HIPOTESIS DUA RATA-RATA POPULASI UNTUK

SAMPEL BESAR
Seperti sudah kita pelajari bersama, seorang peneliti cenderung untuk

mengambil sampel dalam melakukan penelitian. Misalnya saja, suatu ketika
UT ingin melihat apakah ada perbedaan antara FISIP dan FKIP dalam kinerja
pegawainya. Dalam konteks ini maka peneliti akan mengambil sampel dari
masing-masing populasi dan kemudian dilakukan perbandingan dari kedua
sampel. Untuk uji hipotesis dua rata-rata populasi untuk sampel besar kita
akan gunakan tes z (lebih dari atau sama dengan 30). Karena yang akan kita
lakukan adalah uji rata-rata maka variabel yang akan diukur berskala
interval/rasio.
Langkah yang harus dilakukan untuk melakukan tes z
Ho: tidak ada perbedaan antara rata-rata populasi 1 dan populasi 2.
Ha: terdapat perbedaan antara rata-rata populasi 1 dan populasi 2.

Distribusi yang digunakan adalah distribusi z atau distribusi normal.
Rumus untuk menghitung tes z adalah:
 ISIP4215/MODUL 9 9.21
x1  x2
z
S12 S2
 2
n1 n2
x1 adalah rata-rata sampel dari populasi 1

S 1 adalah deviasi standar dari populasi 1
S2 adalah deviasi standar dari populasi 2
n1 adalah jumlah sampel dari populasi 1
n 2 adalah jumlah sampel dari populasi 2
Ho akan ditolak jika hasil perhitungan tes z ≥ nilai yang ditunjukkan
tabel.
sebenarnya.
Suatu penelitian dilakukan untuk membandingkan antara penghasilan
yang didapat dosen di perguruan tinggi swasta dan penghasilan yang didapat
dosen dari perguruan tinggi negeri. Ternyata, dari 50 sampel yang diambil di
perguruan tinggi swasta, rata-rata penghasilan dosen adalah 8.000.000
dengan standar deviasi 300.000. Sementara itu dari 50 sampel yang diambil
di perguruan tinggi negeri, rata-rata penghasilan dosen adalah 5.000.000
dengan standar deviasi 200.000.
Dengan demikian, bila kita ingin melakukan uji hipotesis rata-rata kedua
populasi tersebut, kita bisa melakukan langkah berikut:
Ho: tidak ada perbedaan antara rata-rata penghasilan dosen PTS dan
dosen PTN.
Ha: terdapat perbedaan antara rata-rata penghasilan dosen PTS dan
dosen PTN/rata-rata penghasilan dosen PTS > rata-rata
penghasilan dosen PTN.

Distribusi yang digunakan adalah distribusi z atau distribusi normal.
Dengan menggunakan alpha 0,05 maka dalam tabel distribusi normal nilai z
0,05 adalah 1,645.
8.000.000  5.000.000
z
300.0002 200.0002

50 50
Ho akan ditolak jika hasil perhitungan tes z ≥ nilai yang ditunjukkan
tabel, dengan demikian karena z hitung (42,23) lebih dari z alpha (1,645)
maka Ho ditolak sehingga kesimpulannya adalah memang terdapat perbedaan
antara rata-rata penghasilan dosen PTS dan dosen PTN/rata-rata penghasilan
dosen PTS > rata-rata penghasilan dosen PTN.
B. UJI HIPOTESIS DUA RATA-RATA POPULASI UNTUK

SAMPEL KECIL
Untuk uji hipotesis dua rata-rata populasi untuk sampel kecil, kita akan
gunakan tes t (kurang dari 30) karena ukuran sampelnya sangat kecil
sehingga kita tidak bisa mengetahui simpangan bakunya (deviasi standar).
Demikian pula karena yang akan kita lakukan adalah uji rata-rata, maka
variabel yang akan diukur berskala interval/rasio.
Langkah yang harus dilakukan untuk melakukan tes t


Distribusi yang digunakan adalah distribusi t. Dalam distribusi t, kita
memperhitungkan derajat bebas dengan rumus n1  n 2  2 .
 ISIP4215/MODUL 9 9.23
Rumus untuk menghitung tes z adalah
x1  x2
t
1 1 
 n1  1 S12   n2  1 S 22    
 n1 n2 
n1  n 2  2

S 1 adalah deviasi standar dari populasi 1
S2 adalah deviasi standar dari populasi 2
n1 adalah jumlah sampel dari populasi 1
n 2 adalah jumlah sampel dari populasi 2
Ho akan ditolak jika hasil perhitungan tes t ≥ nilai yang ditunjukkan
tabel.
sebenarnya.
Suatu penelitian dilakukan untuk membandingkan antara jumlah
kunjungan mahasiswa ke bagian pelayanan mahasiswa dengan
membandingkan antara mahasiswa FISIP dan mahasiswa FKIP. Untuk
mahasiswa FISIP diambil 15 mahasiswa, sedangkan untuk mahasiswa FKIP
diambil sebanyak 12 mahasiswa. Dari data yang ada, ternyata jumlah
kunjungan mahasiswa FISIP ke Pelma sebanyak 4 kali dengan deviasi
standar 2 dan mahasiswa FKIP sebanyak 6 kali dengan deviasi standar 3.
Langkah yang harus dilakukan untuk melakukan tes t


Distribusi yang digunakan adalah distribusi t. Dalam distribusi t, kita
memperhitungkan derajat bebas dengan rumus n1  n 2  2 sehingga
15  12  2  25. Dengan alpha 0,1 maka nilai dalam tabel t adalah 2,787.
46
t  2, 08
15  1 22  12  1 32    
1 1
 15 12 
15  12  2
Ho akan ditolak jika hasil perhitungan tes t ≥ nilai yang ditunjukkan
tabel sehingga 2, 08  2, 787 , dengan demikian Ho diterima. Artinya tidak
ada perbedaan antara rata-rata kunjungan mahasiswa FISIP dan FKIP ke
Pelma.
Lakukan pengujian hipotesis dengan terhadap data berikut ini. Diketahui

jumlah kunjungan wisatawan mancanegara dan domestik ke Jakarta. Tahun
2014 yang lalu jumlah wisatawan mancanegara ada 15 orang dan domestik
ada 10 orang. Dari 15 orang ternyata keinginan mereka ke Bali ada 8 orang
dengan deviasi standar 3, sedangkan wisatawan domestik memiliki keinginan
ke Bali sebanyak 10 orang dengan deviasi standar 2. Lakukanlah pengujian
hipotesis untuk dua rata-rata populasi tersebut.
a. Pahamilah komponen-komponen yang ada di kedua uji hipotesis

tersebut.
 ISIP4215/MODUL 9 9.25
b. Perhatikan pula syarat-syarat apa yang diperlukan dalam penggunaan

kedua hipotesis tersebut.
c. Lakukan pengujian hipotesis berdasar kasus yang ada.
d. Diskusikan dengan rekan Anda.
Pengujian hipotesis untuk dua rata-rata populasi dilakukan untuk

variabel yang berskala interval/rasio. Untuk sampel besar (lebih atau
sama dengan 30), kita gunakan uji hipotesis dengan menggunakan tes z,
sedangkan untuk sampel kecil (kurang dari 30) kita gunakan tes t. Untuk
tes t kita memperhitungkan derajat bebas dengan rumus n1  n 2  2 .
Penelitian dilakukan untuk melihat banyaknya jumlah kunjungan ke

Taman Mini pada minggu pertama bulan puasa. Dari Jakarta diambil sampel
sebanyak 10 orang, diketahui jumlah kunjungan sebanyak 10 kali dengan
deviasi standar 2, sedangkan dari luar Jakarta diambil sampel sebanyak 15
orang dengan jumlah kunjungan 8 kali dengan deviasi standar 2. Penelitian
dilakukan dengan alpha 0,1.
1) Derajat bebas dalam kasus tersebut adalah ....

A. 1
B. 5
C. 23
D. 25
2) Nilai yang ditunjukkan dalam tabel t adalah ....

A. 1,316
B. 1,319
C. 1,476
D. 3,078
3) Rumusan hipotesis nol-nya adalah ....

A. tidak ada perbedaan jumlah kunjungan ke Taman Mini antara
penduduk Jakarta dan luar Jakarta
B. tidak ada perbedaan antara kunjungan ke Taman Mini dan non-
Taman Mini
C. tidak ada perbedaan antara kunjungan pada bulan puasa dan sebelum
bulan puasa
D. tidak ada perbedaan antara minggu pertama dan minggu kedua di
bulan puasa
4) Hasil perhitungan dengan tes t adalah ....

A. -3,67
B. -4,5
C. 3,67
D. 4,5
5) Kesimpulan dari kasus tersebut adalah ....

A. Ho dan Ha ditolak
B. Ho dan Ha diterima
C. Ho ditolak
D. Ha ditolak


80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

mengikuti Ujian Akhir Semester (UAS). Selamat! Jika masih di bawah 80%,
belum dikuasai.
 ISIP4215/MODUL 9 9.27
Tes Formatif 1
1) B. Total ranking dengan cara 1 adalah 34.
2) A. Total ranking dengan cara 2 adalah 33.
3) C. Total ranking dengan cara 3 adalah 36.
4) D. Total ranking dengan cara 4 adalah 37.
5) B. Hasil perhitungan dengan menggunakan rumus Friedman adalah
12  32 2   333   36 2  37 2   3 14  4  1 
 r2 
14  4  4  1    
12
 r2   4.910   210  0.43
280
Tes Formatif 2
1) C. 23 didapat dengan rumus 10 + 15 – 2.
2) B 1,319 mencari titik temu antara alpha 0,1 dan df 23.
3) A. tidak ada perbedaan jumlah kunjungan ke Taman Mini antara
penduduk Jakarta dan luar Jakarta.
58
4) A. t   3, 67
2  1 1
10  1 2  15  1 2    
2
10 15 
10  15  2
5) D. Ho ditolak.
Glosarium

Derajat bebas : jumlah kategori yang ada dikurangi 1.
(degree of freedom)
Hipotesis alternatif : hipotesis yang akan dibuktikan keberlakuannya.
 ISIP4215/MODUL 9 9.29
Daftar Pustaka

Press LTD.
R. Lymann Ott, et. all. (1992). Statistics, A tool for the Social Sciences.
Sugiyono. 2001. Statistik Nonparametris Untuk Penelitian. Bandung:

Alfabeta.
Lampiran
Tabel chi Square
df\area .995 .990 .975 .950 .900 .750 .500 .250 .100 .050 .025 .010 .005
1 0.00004 0.00016 0.00098 0.00393 0.01579 0.10153 0.45494 1.32330 2.70554 3.84146 5.02389 6.63490 7.87944
2 0.01003 0.02010 0.05064 0.10259 0.21072 0.57536 1.38629 2.77259 4.60517 5.99146 7.37776 9.21034 10.59663
3 0.07172 0.11483 0.21580 0.35185 0.58437 1.21253 2.36597 4.10834 6.25139 7.81473 9.34840 11.34487 12.83816
4 0.20699 0.29711 0.48442 0.71072 1.06362 1.92256 3.35669 5.38527 7.77944 9.48773 11.14329 13.27670 14.86026
5 0.41174 0.55430 0.83121 1.14548 1.61031 2.67460 4.35146 6.62568 9.23636 11.07050 12.83250 15.08627 16.74960
6 0.67573 0.87209 1.23734 1.63538 2.20413 3.45460 5.34812 7.84080 10.64464 12.59159 14.44938 16.81189 18.54758
7 0.98926 1.23904 1.68987 2.16735 2.83311 4.25485 6.34581 9.03715 12.01704 14.06714 16.01276 18.47531 20.27774
8 1.34441 1.64650 2.17973 2.73264 3.48954 5.07064 7.34412 10.21885 13.36157 15.50731 17.53455 20.09024 21.95495
9 1.73493 2.08790 2.70039 3.32511 4.16816 5.89883 8.34283 11.38875 14.68366 16.91898 19.02277 21.66599 23.58935
10 2.15586 2.55821 3.24697 3.94030 4.86518 6.73720 9.34182 12.54886 15.98718 18.30704 20.48318 23.20925 25.18818
11 2.60322 3.05348 3.81575 4.57481 5.57778 7.58414 10.34100 13.70069 17.27501 19.67514 21.92005 24.72497 26.75685
12 3.07382 3.57057 4.40379 5.22603 6.30380 8.43842 11.34032 14.84540 18.54935 21.02607 23.33666 26.21697 28.29952
13 3.56503 4.10692 5.00875 5.89186 7.04150 9.29907 12.33976 15.98391 19.81193 22.36203 24.73560 27.68825 29.81947
14 4.07467 4.66043 5.62873 6.57063 7.78953 10.16531 13.33927 17.11693 21.06414 23.68479 26.11895 29.14124 31.31935
15 4.60092 5.22935 6.26214 7.26094 8.54676 11.03654 14.33886 18.24509 22.30713 24.99579 27.48839 30.57791 32.80132
16 5.14221 5.81221 6.90766 7.96165 9.31224 11.91222 15.33850 19.36886 23.54183 26.29623 28.84535 31.99993 34.26719
17 5.69722 6.40776 7.56419 8.67176 10.08519 12.79193 16.33818 20.48868 24.76904 27.58711 30.19101 33.40866 35.71847
18 6.26480 7.01491 8.23075 9.39046 10.86494 13.67529 17.33790 21.60489 25.98942 28.86930 31.52638 34.80531 37.15645
19 6.84397 7.63273 8.90652 10.11701 11.65091 14.56200 18.33765 22.71781 27.20357 30.14353 32.85233 36.19087 38.58226
20 7.43384 8.26040 9.59078 10.85081 12.44261 15.45177 19.33743 23.82769 28.41198 31.41043 34.16961 37.56623 39.99685
21 8.03365 8.89720 10.28290 11.59131 13.23960 16.34438 20.33723 24.93478 29.61509 32.67057 35.47888 38.93217 41.40106
22 8.64272 9.54249 10.98232 12.33801 14.04149 17.23962 21.33704 26.03927 30.81328 33.92444 36.78071 40.28936 42.79565
23 9.26042 10.19572 11.68855 13.09051 14.84796 18.13730 22.33688 27.14134 32.00690 35.17246 38.07563 41.63840 44.18128
 ISIP4215/MODUL 9 9.31
24 9.88623 10.85636 12.40115 13.84843 15.65868 19.03725 23.33673 28.24115 33.19624 36.41503 39.36408 42.97982 45.55851
25 10.51965 11.52398 13.11972 14.61141 16.47341 19.93934 24.33659 29.33885 34.38159 37.65248 40.64647 44.31410 46.92789
26 11.16024 12.19815 13.84390 15.37916 17.29188 20.84343 25.33646 30.43457 35.56317 38.88514 41.92317 45.64168 48.28988
27 11.80759 12.87850 14.57338 16.15140 18.11390 21.74940 26.33634 31.52841 36.74122 40.11327 43.19451 46.96294 49.64492
28 12.46134 13.56471 15.30786 16.92788 18.93924 22.65716 27.33623 32.62049 37.91592 41.33714 44.46079 48.27824 50.99338
29 13.12115 14.25645 16.04707 17.70837 19.76774 23.56659 28.33613 33.71091 39.08747 42.55697 45.72229 49.58788 52.33562
30 13.78672 14.95346 16.79077 18.49266 20.59923 24.47761 29.33603 34.79974 40.25602 43.77297 46.97924 50.89218 53.67196
Buku Penyerta Audio Grafis

Buku Materi Pokok
Pengantar Statistik Sosial
ISIP 4215
OLEH : BAMBANG PRASETYO

 ISIP4215/MODUL 9 9.33
DISTRIBUSI BINOMIAL
Karakteristik Distribusi binomial sebagai berikut:

1. Mutually exclusive (jika tidak A maka pasti B)
2. Probabilita sukses: p
3. Probabilita gagal: 1-q
4. Asas peristiwa: independen
n!
b( x, n, p)  p x q n x
x!(n  x)!
x= kejadian yang diharapkan

n = jumlah sampel
p = peluang yang diharapkan
Rumus Distribusi Binomial

Contoh:
Menjelang libur panjang lebaran, ketua RT

mewajibkan warganya untuk melakukan ronda
setiap malam selama libur. Peluang warga
yang tidak setuju dilakukannya ronda adalah
40%. Jika ketua RT memanggil 20 warganya
secara acak, berapakah peluang:
 5 orang warga tidak setuju dilakukan ronda
malam
 paling banyak 3 orang warga tidak setuju
dilakukan ronda malam
 minimal 4 warga setuju dilakukan ronda
malam
a. x = 5, p = 0,40, n = 20
20!
b(5,20;0,40)  0,40 5 0,60 205  0,0746
5!(20  5)!
Jadi peluang 5 orang warga tidak setuju diadakannya
ronda malam adalah 0,0746 atau 7,46%
atau dapat menggunakan alat bantu tabel distribusi
binomial berjudul cumulative binomial distribution.
Sehingga nilai-nilai yang ada pada setiap sel adalah
nilai kumulatif. Sehingga jika kita menemukan nilai
0,1256 pada sel p=0,40, n=20, dan x=5, itu berarti
nilai tersebut adalah penjumlahan untuk x≤5.
Sedangkan untuk x=5 nilainya adalah 0,1256-0,0510
= 0,0746.
Jawaban
 ISIP4215/MODUL 9 9.35
PRINSIP PEMAKAIAN TABEL BINOMIAL:
Kita bisa menemukan distribusi binomial dengan memakai tabel

binomial. Misalnya, apabila diketahui n = 15, p = 0,3, x = 8 maka dalam tabel
binomial, titik yang ditunjuk adalah:
titik untuk x = 7, yaitu titik: 0,9500.

Dengan demikian distribusi binomial untuk kasus ini: 0,9848 - 0,9500 =
0,0348.
: Cumulative Binomial Distribution - 1

p
n x .01 .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
2 0 0.9801 0.9025 0.8100 0.7225 0.6400 0.5625 0.4900 0.4225 0.3600 0.3025 0.2500
1 0.9999 0.9975 0.9900 0.9775 0.9600 0.9375 0.9100 0.8775 0.8400 0.7975 0.7500
2 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
3 0 0.97030 0.85738 0.729 0.61413 0.512 0.42187 0.343 0.27463 0.216 0.16638 0.125
1 0.99970 0.99275 0.972 0.93925 0.896 0.84375 0.784 0.71825 0.648 0.57475 0.500
2 1.00000 0.99988 0.999 0.99663 0.992 0.98437 0.973 0.95713 0.936 0.90887 0.875
3 1.00000 1.00000 1.000 1.00000 1.000 1.00000 1.000 1.00000 1.000 1.00000 1.000
4 0 0.96060 0.81451 0.6561 0.52201 0.4096 0.31641 0.2401 0.17851 0.1296 0.09151 0.0625
1 0.99941 0.98598 0.9477 0.89048 0.8192 0.73828 0.6517 0.56298 0.4752 0.39098 0.3125
2 1.00000 0.99952 0.9963 0.98802 0.9728 0.94922 0.9163 0.87352 0.8208 0.75852 0.6875
3 1.00000 0.99999 0.9999 0.99949 0.9984 0.99609 0.9919 0.98499 0.9744 0.95899 0.9375
4 1.00000 1.00000 1.0000 1.00000 1.0000 1.00000 1.0000 1.00000 1.0000 1.00000 1.0000
5 0 0.95099 0.77378 0.59049 0.44371 0.32768 0.23730 0.16807 0.11603 0.07776 0.05033 0.03125
1 0.99902 0.97741 0.91854 0.83521 0.73728 0.63281 0.52822 0.42842 0.33696 0.25622 0.18750
2 0.99999 0.99884 0.99144 0.97339 0.94208 0.89648 0.83692 0.76483 0.68256 0.59313 0.50000
3 1.00000 0.99997 0.99954 0.99777 0.99328 0.98437 0.96922 0.94598 0.91296 0.86878 0.81250
4 1.00000 1.00000 0.99999 0.99992 0.99968 0.99902 0.99757 0.99475 0.98976 0.98155 0.96875
5 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
6 0 0.94148 0.73509 0.53144 0.37715 0.26214 0.17798 0.11765 0.07542 0.04666 0.02768 0.01563
1 0.99854 0.96723 0.88573 0.77648 0.65536 0.53394 0.42017 0.31908 0.23328 0.16357 0.10938
2 0.99998 0.99777 0.98415 0.95266 0.90112 0.83057 0.74431 0.64709 0.54432 0.44152 0.34375
3 1.00000 0.99991 0.99873 0.99411 0.98304 0.96240 0.92953 0.88258 0.82080 0.74474 0.65625
4 1.00000 1.00000 0.99994 0.99960 0.99840 0.99536 0.98906 0.97768 0.95904 0.93080 0.89062
5 1.00000 1.00000 1.00000 0.99999 0.99994 0.99976 0.99927 0.99816 0.99590 0.99170 0.98437
6 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
7 0 0.93207 0.69834 0.47830 0.32058 0.20972 0.13348 0.08235 0.04902 0.02799 0.01522 0.00781
1 0.99797 0.95562 0.85031 0.71658 0.57672 0.44495 0.32942 0.23380 0.15863 0.10242 0.06250
2 0.99997 0.99624 0.97431 0.92623 0.85197 0.75641 0.64707 0.53228 0.41990 0.31644 0.22656
3 1.00000 0.99981 0.99727 0.98790 0.96666 0.92944 0.87396 0.80015 0.71021 0.60829 0.50000
4 1.00000 0.99999 0.99982 0.99878 0.99533 0.98712 0.97120 0.94439 0.90374 0.84707 0.77344
5 1.00000 1.00000 0.99999 0.99993 0.99963 0.99866 0.99621 0.99099 0.98116 0.96429 0.93750
6 1.00000 1.00000 1.00000 1.00000 0.99999 0.99994 0.99978 0.99936 0.99836 0.99626 0.99219
7 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
8 0 0.92274 0.66342 0.43047 0.27249 0.16777 0.10011 0.05765 0.03186 0.01680 0.00837 0.00391
1 0.99731 0.94276 0.81310 0.65718 0.50332 0.36708 0.25530 0.16913 0.10638 0.06318 0.03516
2 0.99995 0.99421 0.96191 0.89479 0.79692 0.67854 0.55177 0.42781 0.31539 0.22013 0.14453
3 1.00000 0.99963 0.99498 0.97865 0.94372 0.88618 0.80590 0.70640 0.59409 0.47696 0.36328
4 1.00000 0.99998 0.99957 0.99715 0.98959 0.97270 0.94203 0.89391 0.82633 0.73962 0.63672
5 1.00000 1.00000 0.99998 0.99976 0.99877 0.99577 0.98871 0.97468 0.95019 0.91154 0.85547
6 1.00000 1.00000 1.00000 0.99999 0.99992 0.99962 0.99871 0.99643 0.99148 0.98188 0.96484
7 1.00000 1.00000 1.00000 1.00000 1.00000 0.99998 0.99993 0.99977 0.99934 0.99832 0.99609
8 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
 ISIP4215/MODUL 9 9.37
Cumulative Binomial Distribution - 2

p
n x .01 .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
9 0 0.91352 0.63025 0.38742 0.23162 0.13422 0.07508 0.04035 0.02071 0.01008 0.00461 0.00195
1 0.99656 0.92879 0.77484 0.59948 0.43621 0.30034 0.19600 0.12109 0.07054 0.03852 0.01953
2 0.99992 0.99164 0.94703 0.85915 0.73820 0.60068 0.46283 0.33727 0.23179 0.14950 0.08984
3 1.00000 0.99936 0.99167 0.96607 0.91436 0.83427 0.72966 0.60889 0.48261 0.36138 0.25391
4 1.00000 0.99997 0.99911 0.99437 0.98042 0.95107 0.90119 0.82828 0.73343 0.62142 0.50000
5 1.00000 1.00000 0.99994 0.99937 0.99693 0.99001 0.97471 0.94641 0.90065 0.83418 0.74609
6 1.00000 1.00000 1.00000 0.99995 0.99969 0.99866 0.99571 0.98882 0.97497 0.95023 0.91016
7 1.00000 1.00000 1.00000 1.00000 0.99998 0.99989 0.99957 0.99860 0.99620 0.99092 0.98047
8 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99998 0.99992 0.99974 0.99924 0.99805
9 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
10 0 0.90438 0.59874 0.34868 0.19687 0.10737 0.05631 0.02825 0.01346 0.00605 0.00253 0.00098
1 0.99573 0.91386 0.73610 0.54430 0.37581 0.24403 0.14931 0.08595 0.04636 0.02326 0.01074
2 0.99989 0.98850 0.92981 0.82020 0.67780 0.52559 0.38278 0.26161 0.16729 0.09956 0.05469
3 1.00000 0.99897 0.98720 0.95003 0.87913 0.77588 0.64961 0.51383 0.38228 0.26604 0.17188
4 1.00000 0.99994 0.99837 0.99013 0.96721 0.92187 0.84973 0.75150 0.63310 0.50440 0.37695
5 1.00000 1.00000 0.99985 0.99862 0.99363 0.98027 0.95265 0.90507 0.83376 0.73844 0.62305
6 1.00000 1.00000 0.99999 0.99987 0.99914 0.99649 0.98941 0.97398 0.94524 0.89801 0.82812
7 1.00000 1.00000 1.00000 0.99999 0.99992 0.99958 0.99841 0.99518 0.98771 0.97261 0.94531
8 1.00000 1.00000 1.00000 1.00000 1.00000 0.99997 0.99986 0.99946 0.99832 0.99550 0.98926
9 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99997 0.99990 0.99966 0.99902
10 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
11 0 0.89534 0.56880 0.31381 0.16734 0.08590 0.04224 0.01977 0.00875 0.00363 0.00139 0.00049
1 0.99482 0.89811 0.69736 0.49219 0.32212 0.19710 0.11299 0.06058 0.03023 0.01393 0.00586
2 0.99984 0.98476 0.91044 0.77881 0.61740 0.45520 0.31274 0.20013 0.11892 0.06522 0.03271
3 1.00000 0.99845 0.98147 0.93056 0.83886 0.71330 0.56956 0.42555 0.29628 0.19112 0.11328
4 1.00000 0.99989 0.99725 0.98411 0.94959 0.88537 0.78970 0.66831 0.53277 0.39714 0.27441
5 1.00000 0.99999 0.99970 0.99734 0.98835 0.96567 0.92178 0.85132 0.75350 0.63312 0.50000
6 1.00000 1.00000 0.99998 0.99968 0.99803 0.99244 0.97838 0.94986 0.90065 0.82620 0.72559
7 1.00000 1.00000 1.00000 0.99997 0.99976 0.99881 0.99571 0.98776 0.97072 0.93904 0.88672
8 1.00000 1.00000 1.00000 1.00000 0.99998 0.99987 0.99942 0.99796 0.99408 0.98520 0.96729
9 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99995 0.99979 0.99927 0.99779 0.99414
10 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99996 0.99985 0.99951
11 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
12 0 0.88638 0.54036 0.28243 0.14224 0.06872 0.03168 0.01384 0.00569 0.00218 0.00077 0.00024
1 0.99383 0.88164 0.65900 0.44346 0.27488 0.15838 0.08503 0.04244 0.01959 0.00829 0.00317
2 0.99979 0.98043 0.88913 0.73582 0.55835 0.39068 0.25282 0.15129 0.08344 0.04214 0.01929
3 1.00000 0.99776 0.97436 0.90779 0.79457 0.64878 0.49252 0.34665 0.22534 0.13447 0.07300
4 1.00000 0.99982 0.99567 0.97608 0.92744 0.84236 0.72366 0.58335 0.43818 0.30443 0.19385
5 1.00000 0.99999 0.99946 0.99536 0.98059 0.94560 0.88215 0.78726 0.66521 0.52693 0.38721
6 1.00000 1.00000 0.99995 0.99933 0.99610 0.98575 0.96140 0.91537 0.84179 0.73931 0.61279
7 1.00000 1.00000 1.00000 0.99993 0.99942 0.99722 0.99051 0.97449 0.94269 0.88826 0.80615
8 1.00000 1.00000 1.00000 0.99999 0.99994 0.99961 0.99831 0.99439 0.98473 0.96443 0.92700

p
n x .01 .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
12 9 1.00000 1.00000 1.00000 1.00000 1.00000 0.99996 0.99979 0.99915 0.99719 0.99212 0.98071
10 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99998 0.99992 0.99968 0.99892 0.99683
11 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99998 0.99993 0.99976
12 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
13 0 0.87752 0.51334 0.25419 0.12091 0.05498 0.02376 0.00969 0.00370 0.00131 0.00042 0.00012
1 0.99275 0.86458 0.62134 0.39828 0.23365 0.12671 0.06367 0.02958 0.01263 0.00490 0.00171
2 0.99973 0.97549 0.86612 0.69196 0.50165 0.33260 0.20248 0.11319 0.05790 0.02691 0.01123
3 0.99999 0.99690 0.96584 0.88200 0.74732 0.58425 0.42061 0.27827 0.16858 0.09292 0.04614
4 1.00000 0.99971 0.99354 0.96584 0.90087 0.79396 0.65431 0.50050 0.35304 0.22795 0.13342
5 1.00000 0.99998 0.99908 0.99247 0.96996 0.91979 0.83460 0.71589 0.57440 0.42681 0.29053
6 1.00000 1.00000 0.99990 0.99873 0.99300 0.97571 0.93762 0.87053 0.77116 0.64374 0.50000
7 1.00000 1.00000 0.99999 0.99984 0.99875 0.99435 0.98178 0.95380 0.90233 0.82123 0.70947
8 1.00000 1.00000 1.00000 0.99998 0.99983 0.99901 0.99597 0.98743 0.96792 0.93015 0.86658
9 1.00000 1.00000 1.00000 1.00000 0.99998 0.99987 0.99935 0.99749 0.99221 0.97966 0.95386
10 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99993 0.99965 0.99868 0.99586 0.98877
11 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99997 0.99986 0.99948 0.99829
12 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99997 0.99988
13 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
14 0 0.86875 0.48767 0.22877 0.10277 0.04398 0.01782 0.00678 0.00240 0.00078 0.00023 0.00006
1 0.99160 0.84701 0.58463 0.35667 0.19791 0.10097 0.04748 0.02052 0.00810 0.00289 0.00092
2 0.99966 0.96995 0.84164 0.64791 0.44805 0.28113 0.16084 0.08393 0.03979 0.01701 0.00647
3 0.99999 0.99583 0.95587 0.85349 0.69819 0.52134 0.35517 0.22050 0.12431 0.06322 0.02869
4 1.00000 0.99957 0.99077 0.95326 0.87016 0.74153 0.58420 0.42272 0.27926 0.16719 0.08978
5 1.00000 0.99997 0.99853 0.98847 0.95615 0.88833 0.78052 0.64051 0.48585 0.33732 0.21198
6 1.00000 1.00000 0.99982 0.99779 0.98839 0.96173 0.90672 0.81641 0.69245 0.54612 0.39526
7 1.00000 1.00000 0.99998 0.99967 0.99760 0.98969 0.96853 0.92466 0.84986 0.74136 0.60474
8 1.00000 1.00000 1.00000 0.99996 0.99962 0.99785 0.99171 0.97566 0.94168 0.88114 0.78802
9 1.00000 1.00000 1.00000 1.00000 0.99995 0.99966 0.99833 0.99396 0.98249 0.95738 0.91022
10 1.00000 1.00000 1.00000 1.00000 1.00000 0.99996 0.99975 0.99889 0.99609 0.98857 0.97131
11 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99997 0.99986 0.99939 0.99785 0.99353
12 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99994 0.99975 0.99908
13 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99994
14 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
 ISIP4215/MODUL 9 9.39

p
n x .01 .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
15 0 0.86006 0.46329 0.20589 0.08735 0.03518 0.01336 0.00475 0.00156 0.00047 0.00013 0.00003
1 0.99037 0.82905 0.54904 0.31859 0.16713 0.08018 0.03527 0.01418 0.00517 0.00169 0.00049
2 0.99958 0.96380 0.81594 0.60423 0.39802 0.23609 0.12683 0.06173 0.02711 0.01065 0.00369
3 0.99999 0.99453 0.94444 0.82266 0.64816 0.46129 0.29687 0.17270 0.09050 0.04242 0.01758
4 1.00000 0.99939 0.98728 0.93829 0.83577 0.68649 0.51549 0.35194 0.21728 0.12040 0.05923
5 1.00000 0.99995 0.99775 0.98319 0.93895 0.85163 0.72162 0.56428 0.40322 0.26076 0.15088
6 1.00000 1.00000 0.99969 0.99639 0.98194 0.94338 0.86886 0.75484 0.60981 0.45216 0.30362
7 1.00000 1.00000 0.99997 0.99939 0.99576 0.98270 0.94999 0.88677 0.78690 0.65350 0.50000
8 1.00000 1.00000 1.00000 0.99992 0.99922 0.99581 0.98476 0.95781 0.90495 0.81824 0.69638
9 1.00000 1.00000 1.00000 0.99999 0.99989 0.99921 0.99635 0.98756 0.96617 0.92307 0.84912
10 1.00000 1.00000 1.00000 1.00000 0.99999 0.99988 0.99933 0.99717 0.99065 0.97453 0.94077
11 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99991 0.99952 0.99807 0.99367 0.98242
12 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99994 0.99972 0.99889 0.99631
13 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99997 0.99988 0.99951
14 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99997
15 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
20 0 0.81791 0.35849 0.12158 0.03876 0.01153 0.00317 0.00080 0.00018 0.00004 0.00001 0.00000
1 0.98314 0.73584 0.39175 0.17556 0.06918 0.02431 0.00764 0.00213 0.00052 0.00011 0.00002
2 0.99900 0.92452 0.67693 0.40490 0.20608 0.09126 0.03548 0.01212 0.00361 0.00093 0.00020
3 0.99996 0.98410 0.86705 0.64773 0.41145 0.22516 0.10709 0.04438 0.01596 0.00493 0.00129
4 1.00000 0.99743 0.95683 0.82985 0.62965 0.41484 0.23751 0.11820 0.05095 0.01886 0.00591
5 1.00000 0.99967 0.98875 0.93269 0.80421 0.61717 0.41637 0.24540 0.12560 0.05533 0.02069
6 1.00000 0.99997 0.99761 0.97806 0.91331 0.78578 0.60801 0.41663 0.25001 0.12993 0.05766
7 1.00000 1.00000 0.99958 0.99408 0.96786 0.89819 0.77227 0.60103 0.41589 0.25201 0.13159
8 1.00000 1.00000 0.99994 0.99867 0.99002 0.95907 0.88667 0.76238 0.59560 0.41431 0.25172
9 1.00000 1.00000 0.99999 0.99975 0.99741 0.98614 0.95204 0.87822 0.75534 0.59136 0.41190
10 1.00000 1.00000 1.00000 0.99996 0.99944 0.99606 0.98286 0.94683 0.87248 0.75071 0.58810
11 1.00000 1.00000 1.00000 0.99999 0.99990 0.99906 0.99486 0.98042 0.94347 0.86923 0.74828
12 1.00000 1.00000 1.00000 1.00000 0.99998 0.99982 0.99872 0.99398 0.97897 0.94197 0.86841
13 1.00000 1.00000 1.00000 1.00000 1.00000 0.99997 0.99974 0.99848 0.99353 0.97859 0.94234
14 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99996 0.99969 0.99839 0.99357 0.97931
15 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99995 0.99968 0.99847 0.99409
16 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99995 0.99972 0.99871
17 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99996 0.99980
18 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99998
19 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
20 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000

p
n x .01 .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
25 0 0.77782 0.27739 0.07179 0.01720 0.00378 0.00075 0.00013 0.00002 0.00000 0.00000 0.00000
1 0.97424 0.64238 0.27121 0.09307 0.02739 0.00702 0.00157 0.00030 0.00005 0.00001 0.00000
2 0.99805 0.87289 0.53709 0.25374 0.09823 0.03211 0.00896 0.00213 0.00043 0.00007 0.00001
3 0.99989 0.96591 0.76359 0.47112 0.23399 0.09621 0.03324 0.00968 0.00237 0.00048 0.00008
4 1.00000 0.99284 0.90201 0.68211 0.42067 0.21374 0.09047 0.03205 0.00947 0.00231 0.00046
5 1.00000 0.99879 0.96660 0.83848 0.61669 0.37828 0.19349 0.08262 0.02936 0.00860 0.00204
6 1.00000 0.99983 0.99052 0.93047 0.78004 0.56110 0.34065 0.17340 0.07357 0.02575 0.00732
7 1.00000 0.99998 0.99774 0.97453 0.89088 0.72651 0.51185 0.30608 0.15355 0.06385 0.02164
8 1.00000 1.00000 0.99954 0.99203 0.95323 0.85056 0.67693 0.46682 0.27353 0.13398 0.05388
9 1.00000 1.00000 0.99992 0.99786 0.98267 0.92867 0.81056 0.63031 0.42462 0.24237 0.11476
10 1.00000 1.00000 0.99999 0.99951 0.99445 0.97033 0.90220 0.77116 0.58577 0.38426 0.21218
11 1.00000 1.00000 1.00000 0.99990 0.99846 0.98927 0.95575 0.87458 0.73228 0.54257 0.34502
12 1.00000 1.00000 1.00000 0.99998 0.99963 0.99663 0.98253 0.93956 0.84623 0.69368 0.50000
13 1.00000 1.00000 1.00000 1.00000 0.99992 0.99908 0.99401 0.97454 0.92220 0.81731 0.65498
14 1.00000 1.00000 1.00000 1.00000 0.99999 0.99979 0.99822 0.99069 0.96561 0.90402 0.78782
15 1.00000 1.00000 1.00000 1.00000 1.00000 0.99996 0.99955 0.99706 0.98683 0.95604 0.88524
16 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99990 0.99921 0.99567 0.98264 0.94612
17 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99998 0.99982 0.99879 0.99417 0.97836
18 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99997 0.99972 0.99836 0.99268
19 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99995 0.99962 0.99796
20 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99993 0.99954
21 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99992
22 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999
23 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
24 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
25 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
50 0 0.60501 0.07694 0.00515 0.00030 0.00001 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
1 0.91056 0.27943 0.03379 0.00291 0.00019 0.00001 0.00000 0.00000 0.00000 0.00000 0.00000
2 0.98618 0.54053 0.11173 0.01419 0.00129 0.00009 0.00000 0.00000 0.00000 0.00000 0.00000
3 0.99840 0.76041 0.25029 0.04605 0.00566 0.00050 0.00003 0.00000 0.00000 0.00000 0.00000
4 0.99985 0.89638 0.43120 0.11211 0.01850 0.00211 0.00017 0.00001 0.00000 0.00000 0.00000
5 0.99999 0.96222 0.61612 0.21935 0.04803 0.00705 0.00072 0.00005 0.00000 0.00000 0.00000
6 1.00000 0.98821 0.77023 0.36130 0.10340 0.01939 0.00249 0.00022 0.00001 0.00000 0.00000
7 1.00000 0.99681 0.87785 0.51875 0.19041 0.04526 0.00726 0.00080 0.00006 0.00000 0.00000
8 1.00000 0.99924 0.94213 0.66810 0.30733 0.09160 0.01825 0.00248 0.00023 0.00001 0.00000
9 1.00000 0.99984 0.97546 0.79109 0.44374 0.16368 0.04023 0.00670 0.00076 0.00006 0.00000
10 1.00000 0.99997 0.99065 0.88008 0.58356 0.26220 0.07885 0.01601 0.00220 0.00020 0.00001
11 1.00000 1.00000 0.99678 0.93719 0.71067 0.38162 0.13904 0.03423 0.00569 0.00063 0.00005
12 1.00000 1.00000 0.99900 0.96994 0.81394 0.51099 0.22287 0.06613 0.01325 0.00177 0.00015
13 1.00000 1.00000 0.99971 0.98683 0.88941 0.63704 0.32788 0.11633 0.02799 0.00449 0.00047
14 1.00000 1.00000 0.99993 0.99471 0.93928 0.74808 0.44683 0.18778 0.05395 0.01038 0.00130
15 1.00000 1.00000 0.99998 0.99805 0.96920 0.83692 0.56918 0.28010 0.09550 0.02195 0.00330
16 1.00000 1.00000 1.00000 0.99934 0.98556 0.90169 0.68388 0.38886 0.15609 0.04265 0.00767
17 1.00000 1.00000 1.00000 0.99979 0.99374 0.94488 0.78219 0.50597 0.23688 0.07653 0.01642
18 1.00000 1.00000 1.00000 0.99994 0.99749 0.97127 0.85944 0.62159 0.33561 0.12734 0.03245
19 1.00000 1.00000 1.00000 0.99998 0.99907 0.98608 0.91520 0.72644 0.44648 0.19737 0.05946
20 1.00000 1.00000 1.00000 1.00000 0.99968 0.99374 0.95224 0.81394 0.56103 0.28617 0.10132
 ISIP4215/MODUL 9 9.41

p
n x .01 .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
50 21 1.00000 1.00000 1.00000 1.00000 0.99990 0.99738 0.97491 0.88126 0.67014 0.38996 0.16112
ctd 22 1.00000 1.00000 1.00000 1.00000 0.99997 0.99898 0.98772 0.92904 0.76602 0.50191 0.23994
23 1.00000 1.00000 1.00000 1.00000 0.99999 0.99963 0.99441 0.96036 0.84383 0.61341 0.33591
24 1.00000 1.00000 1.00000 1.00000 1.00000 0.99988 0.99763 0.97933 0.90219 0.71604 0.44386
25 1.00000 1.00000 1.00000 1.00000 1.00000 0.99996 0.99907 0.98996 0.94266 0.80337 0.55614
26 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99966 0.99546 0.96859 0.87207 0.66409
27 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99988 0.99809 0.98397 0.92204 0.76006
28 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99996 0.99925 0.99238 0.95562 0.83888
29 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99973 0.99664 0.97646 0.89868
30 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99991 0.99863 0.98840 0.94054
31 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99997 0.99948 0.99470 0.96755
32 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99982 0.99776 0.98358
33 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99994 0.99913 0.99233
34 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99998 0.99969 0.99670
35 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99990 0.99870
36 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99997 0.99953
37 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99985
38 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99995
39 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999
40 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
41 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
42 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
43 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
44 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
45 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
46 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
47 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
48 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
49 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
50 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
100 0 0.36603 0.00592 0.00003 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
1 0.73576 0.03708 0.00032 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
2 0.92063 0.11826 0.00194 0.00002 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
3 0.98163 0.25784 0.00784 0.00009 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
4 0.99657 0.43598 0.02371 0.00043 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
5 0.99947 0.61600 0.05758 0.00155 0.00002 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
6 0.99993 0.76601 0.11716 0.00470 0.00008 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
7 0.99999 0.87204 0.20605 0.01217 0.00028 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
8 1.00000 0.93691 0.32087 0.02748 0.00086 0.00001 0.00000 0.00000 0.00000 0.00000 0.00000
9 1.00000 0.97181 0.45129 0.05509 0.00233 0.00004 0.00000 0.00000 0.00000 0.00000 0.00000
10 1.00000 0.98853 0.58316 0.09945 0.00570 0.00014 0.00000 0.00000 0.00000 0.00000 0.00000
11 1.00000 0.99573 0.70303 0.16349 0.01257 0.00039 0.00001 0.00000 0.00000 0.00000 0.00000
12 1.00000 0.99854 0.80182 0.24730 0.02533 0.00103 0.00002 0.00000 0.00000 0.00000 0.00000
13 1.00000 0.99954 0.87612 0.34742 0.04691 0.00246 0.00006 0.00000 0.00000 0.00000 0.00000
14 1.00000 0.99986 0.92743 0.45722 0.08044 0.00542 0.00016 0.00000 0.00000 0.00000 0.00000
15 1.00000 0.99996 0.96011 0.56832 0.12851 0.01108 0.00040 0.00001 0.00000 0.00000 0.00000

p
n x .01 .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
100 16 1.00000 0.99999 0.97940 0.67246 0.19234 0.02111 0.00097 0.00002 0.00000 0.00000 0.00000
ctd 17 1.00000 1.00000 0.98999 0.76328 0.27119 0.03763 0.00216 0.00005 0.00000 0.00000 0.00000
18 1.00000 1.00000 0.99542 0.83717 0.36209 0.06301 0.00452 0.00014 0.00000 0.00000 0.00000
19 1.00000 1.00000 0.99802 0.89346 0.46016 0.09953 0.00889 0.00034 0.00001 0.00000 0.00000
20 1.00000 1.00000 0.99919 0.93368 0.55946 0.14883 0.01646 0.00078 0.00002 0.00000 0.00000
21 1.00000 1.00000 0.99969 0.96072 0.65403 0.21144 0.02883 0.00169 0.00004 0.00000 0.00000
22 1.00000 1.00000 0.99989 0.97786 0.73893 0.28637 0.04787 0.00343 0.00011 0.00000 0.00000
23 1.00000 1.00000 0.99996 0.98811 0.81091 0.37108 0.07553 0.00662 0.00025 0.00000 0.00000
24 1.00000 1.00000 0.99999 0.99392 0.86865 0.46167 0.11357 0.01213 0.00056 0.00001 0.00000
25 1.00000 1.00000 1.00000 0.99703 0.91252 0.55347 0.16313 0.02114 0.00119 0.00003 0.00000
26 1.00000 1.00000 1.00000 0.99862 0.94417 0.64174 0.22440 0.03514 0.00240 0.00007 0.00000
27 1.00000 1.00000 1.00000 0.99939 0.96585 0.72238 0.29637 0.05581 0.00460 0.00016 0.00000
28 1.00000 1.00000 1.00000 0.99974 0.97998 0.79246 0.37678 0.08482 0.00843 0.00036 0.00001
29 1.00000 1.00000 1.00000 0.99989 0.98875 0.85046 0.46234 0.12360 0.01478 0.00076 0.00002
30 1.00000 1.00000 1.00000 0.99996 0.99394 0.89621 0.54912 0.17302 0.02478 0.00154 0.00004
31 1.00000 1.00000 1.00000 0.99998 0.99687 0.93065 0.63311 0.23311 0.03985 0.00297 0.00009
32 1.00000 1.00000 1.00000 0.99999 0.99845 0.95540 0.71072 0.30288 0.06150 0.00550 0.00020
33 1.00000 1.00000 1.00000 1.00000 0.99926 0.97241 0.77926 0.38029 0.09125 0.00976 0.00044
34 1.00000 1.00000 1.00000 1.00000 0.99966 0.98357 0.83714 0.46243 0.13034 0.01663 0.00089
35 1.00000 1.00000 1.00000 1.00000 0.99985 0.99059 0.88392 0.54584 0.17947 0.02724 0.00176
36 1.00000 1.00000 1.00000 1.00000 0.99994 0.99482 0.92012 0.62692 0.23861 0.04290 0.00332
37 1.00000 1.00000 1.00000 1.00000 0.99998 0.99725 0.94695 0.70245 0.30681 0.06507 0.00602
38 1.00000 1.00000 1.00000 1.00000 0.99999 0.99860 0.96602 0.76987 0.38219 0.09514 0.01049
39 1.00000 1.00000 1.00000 1.00000 1.00000 0.99931 0.97901 0.82758 0.46208 0.13425 0.01760
40 1.00000 1.00000 1.00000 1.00000 1.00000 0.99968 0.98750 0.87498 0.54329 0.18306 0.02844
41 1.00000 1.00000 1.00000 1.00000 1.00000 0.99985 0.99283 0.91232 0.62253 0.24149 0.04431
42 1.00000 1.00000 1.00000 1.00000 1.00000 0.99994 0.99603 0.94057 0.69674 0.30865 0.06661
43 1.00000 1.00000 1.00000 1.00000 1.00000 0.99997 0.99789 0.96109 0.76347 0.38277 0.09667
44 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99891 0.97540 0.82110 0.46133 0.13563
45 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99946 0.98499 0.86891 0.54132 0.18410
46 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99974 0.99116 0.90702 0.61956 0.24206
47 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99988 0.99498 0.93621 0.69312 0.30865
48 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99995 0.99725 0.95770 0.75957 0.38218
49 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99998 0.99855 0.97290 0.81727 0.46020
50 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99926 0.98324 0.86542 0.53979
51 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99964 0.98999 0.90405 0.61782
52 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99983 0.99424 0.93383 0.69135
53 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99992 0.99680 0.95589 0.75794
54 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99997 0.99829 0.97161 0.81590
55 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99912 0.98236 0.86437
56 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99956 0.98943 0.90333
57 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99979 0.99389 0.93339
58 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99990 0.99660 0.95569
59 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99996 0.99818 0.97156
60 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99998 0.99906 0.98240
61 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99953 0.98951
62 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99978 0.99398
63 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99990 0.99668
64 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99996 0.99824
65 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99998 0.99911
 ISIP4215/MODUL 9 9.43

p
n x .01 .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
100 66 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999 0.99956
ctd 67 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99980
68 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99991
69 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99996
70 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99998
71 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.99999
72 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
73 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
74 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
75 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
76 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
77 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
78 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
79 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
80 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
81 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
82 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
83 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
84 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
85 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
86 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
87 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
88 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
89 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
90 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
91 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
92 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
93 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
94 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
95 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
96 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
97 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
98 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
99 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
100 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
b. x ≤ 3
20!
b(0,20;0,40)  0,40 0 0,60 20 0  0,0000
0!(20  0)!
20!
b(1,20;0,40)  0,4010,60 20 1  0,0005
1!(20  1)!
20!
b(2,20;0,40)  0,40 2 0,60 20  2  0,0031
2!(20  2)!
20!
b(3,20;0,40)  0,40 3 0,60 20 3  0,0124
3!(20  3)!
jadi b(0  3,20;0,40)  0,0160
jadi peluang paling banyak 3 orang warga tidak
Setuju adalah 0,0160 atau 1,6%.
c. x ≥ 4
20!
b(0,20;0,60)  0,60 0 0,40 20 0  0,0000
0!(20  0)!
20!
b(1,20;0,60)  0,6010,40 201  0,0000
1!(20  1)!
20!
b(2,20;0,60)  0,60 20,40 20 2  0,0000
2!(20  2)!
20!
b(3,20;0,60)  0,6030,40 203  0,0001
3!(20  3)!
jadi b(0  3,20;0,60)  0,0001
ingat : peluang seluruh kejadian jumlahnya 1, sehingga jika ingin
dicari peluang x  4, maka 1 - p(x  4)  1 - 0,0001  0,9999
 ISIP4215/MODUL 9 9.45
Berbeda dengan distribusi binomial,

distribusi poisson memiliki ciri-ciri:
 Peluang terjadinya suatu kejadian sangat
jarang atau sangat sering
 nilai rata-rata diketahui dengan cara µ =
n.p
 n > 30
 p <0,05 atau p > 0,95
2. DISTRIBUSI POISSON
 xe 
p (  , x) 
x!
µ = rata-rata populasi
x = nilai yang diharapkan
e = nilai eksponensial = 2,71828
Sebuah perusahaan otobus memiliki 40

kendaraan operasional. Jika peluang
sebuah kendaraan rusak adalah 0,05,
berapakah peluang:
 2 buah kendaraan rusak
 2 – 5 kendaraan rusak
 tidak ada kendaraan yang rusak
Contoh :
a. x = 2, µ = 40 x 0,05 = 2
22 e2
P(2,2)   0,2707
2!
Jadi peluang 2 buah kendaraan rusak adalah 0,2707 = 27,07%
b. 2 ≤ x ≤ 5, µ = 40 x 0,05 = 2
2 2 e 2
P(2,2)   0,2707
2!
2 3 e 2 sehingga peluang 2-5 kendaraan
P(3,2)   0,1804 rusak adalah :
3!
0,2707+0,1804+0,0902+0,0361
2 3 e 2 = 0,5774 atau 57,74%
P(4,2)   0,0902
4!
5 2
2 e
P(5,2)   0,0361
5!
 ISIP4215/MODUL 9 9.47
c. x = 0, µ = 40 x 0,05 = 2
20 e 2
P(2,0)   0,1353
0!
sehingga peluang tidak ada kendaraan yang rusak
adalah 0,1353 atau 13,53%.
Cumulative Poisson Probability Distribution Table
t
x 0.01 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0 0.9950 0.9900 0.9802 0.9704 0.9608 0.9512 0.9418 0.9324 0.9231 0.9139
1 1.0000 1.0000 0.9998 0.9996 0.9992 0.9988 0.9983 0.9977 0.9970 0.9962
2 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9999 0.9999
3 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
t
x 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00
0 0.9048 0.8187 0.7408 0.6703 0.6065 0.5488 0.4966 0.4493 0.4066 0.3679
1 0.9953 0.9825 0.9631 0.9384 0.9098 0.8781 0.8442 0.8088 0.7725 0.7358
2 0.9998 0.9989 0.9964 0.9921 0.9856 0.9769 0.9659 0.9526 0.9371 0.9197
3 1.0000 0.9999 0.9997 0.9992 0.9982 0.9966 0.9942 0.9909 0.9865 0.9810
4 1.0000 1.0000 1.0000 0.9999 0.9998 0.9996 0.9992 0.9986 0.9977 0.9963
5 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998 0.9997 0.9994
6 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999
7 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
t
x 1.10 1.20 1.30 1.40 1.50 1.60 1.70 1.80 1.90 2.00
0 0.3329 0.3012 0.2725 0.2466 0.2231 0.2019 0.1827 0.1653 0.1496 0.1353
1 0.6990 0.6626 0.6268 0.5918 0.5578 0.5249 0.4932 0.4628 0.4337 0.4060
2 0.9004 0.8795 0.8571 0.8335 0.8088 0.7834 0.7572 0.7306 0.7037 0.6767
3 0.9743 0.9662 0.9569 0.9463 0.9344 0.9212 0.9068 0.8913 0.8747 0.8571
4 0.9946 0.9923 0.9893 0.9857 0.9814 0.9763 0.9704 0.9636 0.9559 0.9473
5 0.9990 0.9985 0.9978 0.9968 0.9955 0.9940 0.9920 0.9896 0.9868 0.9834
6 0.9999 0.9997 0.9996 0.9994 0.9991 0.9987 0.9981 0.9974 0.9966 0.9955
7 1.0000 1.0000 0.9999 0.9999 0.9998 0.9997 0.9996 0.9994 0.9992 0.9989
8 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9999 0.9998 0.9998
9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
t
x 2.10 2.20 2.30 2.40 2.50 2.60 2.70 2.80 2.90 3.00
0 0.1225 0.1108 0.1003 0.0907 0.0821 0.0743 0.0672 0.0608 0.0550 0.0498
1 0.3796 0.3546 0.3309 0.3084 0.2873 0.2674 0.2487 0.2311 0.2146 0.1991
2 0.6496 0.6227 0.5960 0.5697 0.5438 0.5184 0.4936 0.4695 0.4460 0.4232
3 0.8386 0.8194 0.7993 0.7787 0.7576 0.7360 0.7141 0.6919 0.6696 0.6472
4 0.9379 0.9275 0.9162 0.9041 0.8912 0.8774 0.8629 0.8477 0.8318 0.8153
5 0.9796 0.9751 0.9700 0.9643 0.9580 0.9510 0.9433 0.9349 0.9258 0.9161
6 0.9941 0.9925 0.9906 0.9884 0.9858 0.9828 0.9794 0.9756 0.9713 0.9665
7 0.9985 0.9980 0.9974 0.9967 0.9958 0.9947 0.9934 0.9919 0.9901 0.9881
8 0.9997 0.9995 0.9994 0.9991 0.9989 0.9985 0.9981 0.9976 0.9969 0.9962
9 0.9999 0.9999 0.9999 0.9998 0.9997 0.9996 0.9995 0.9993 0.9991 0.9989
10 1.0000 1.0000 1.0000 1.0000 0.9999 0.9999 0.9999 0.9998 0.9998 0.9997
11 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9999
12 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
Cumulative Poisson Probability Distribution Table (lanjutan) 

t
x 3.10 3.20 3.30 3.40 3.50 3.60 3.70 3.80 3.90 4.00
0 0.0450 0.0408 0.0369 0.0334 0.0302 0.0273 0.0247 0.0224 0.0202 0.0183
1 0.1847 0.1712 0.1586 0.1468 0.1359 0.1257 0.1162 0.1074 0.0992 0.0916
2 0.4012 0.3799 0.3594 0.3397 0.3208 0.3027 0.2854 0.2689 0.2531 0.2381
3 0.6248 0.6025 0.5803 0.5584 0.5366 0.5152 0.4942 0.4735 0.4532 0.4335
4 0.7982 0.7806 0.7626 0.7442 0.7254 0.7064 0.6872 0.6678 0.6484 0.6288
5 0.9057 0.8946 0.8829 0.8705 0.8576 0.8441 0.8301 0.8156 0.8006 0.7851
6 0.9612 0.9554 0.9490 0.9421 0.9347 0.9267 0.9182 0.9091 0.8995 0.8893
 ISIP4215/MODUL 9 9.49
7 0.9858 0.9832 0.9802 0.9769 0.9733 0.9692 0.9648 0.9599 0.9546 0.9489
8 0.9953 0.9943 0.9931 0.9917 0.9901 0.9883 0.9863 0.9840 0.9815 0.9786
9 0.9986 0.9982 0.9978 0.9973 0.9967 0.9960 0.9952 0.9942 0.9931 0.9919
10 0.9996 0.9995 0.9994 0.9992 0.9990 0.9987 0.9984 0.9981 0.9977 0.9972
11 0.9999 0.9999 0.9998 0.9998 0.9997 0.9996 0.9995 0.9994 0.9993 0.9991
12 1.0000 1.0000 1.0000 0.9999 0.9999 0.9999 0.9999 0.9998 0.9998 0.9997
13 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9999
14 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
t
x 4.10 4.20 4.30 4.40 4.50 4.60 4.70 4.80 4.90 5.00
0 0.0166 0.0150 0.0136 0.0123 0.0111 0.0101 0.0091 0.0082 0.0074 0.0067
1 0.0845 0.0780 0.0719 0.0663 0.0611 0.0563 0.0518 0.0477 0.0439 0.0404
2 0.2238 0.2102 0.1974 0.1851 0.1736 0.1626 0.1523 0.1425 0.1333 0.1247
3 0.4142 0.3954 0.3772 0.3594 0.3423 0.3257 0.3097 0.2942 0.2793 0.2650
4 0.6093 0.5898 0.5704 0.5512 0.5321 0.5132 0.4946 0.4763 0.4582 0.4405
5 0.7693 0.7531 0.7367 0.7199 0.7029 0.6858 0.6684 0.6510 0.6335 0.6160
6 0.8786 0.8675 0.8558 0.8436 0.8311 0.8180 0.8046 0.7908 0.7767 0.7622
7 0.9427 0.9361 0.9290 0.9214 0.9134 0.9049 0.8960 0.8867 0.8769 0.8666
8 0.9755 0.9721 0.9683 0.9642 0.9597 0.9549 0.9497 0.9442 0.9382 0.9319
9 0.9905 0.9889 0.9871 0.9851 0.9829 0.9805 0.9778 0.9749 0.9717 0.9682
10 0.9966 0.9959 0.9952 0.9943 0.9933 0.9922 0.9910 0.9896 0.9880 0.9863
11 0.9989 0.9986 0.9983 0.9980 0.9976 0.9971 0.9966 0.9960 0.9953 0.9945
12 0.9997 0.9996 0.9995 0.9993 0.9992 0.9990 0.9988 0.9986 0.9983 0.9980
13 0.9999 0.9999 0.9998 0.9998 0.9997 0.9997 0.9996 0.9995 0.9994 0.9993
14 1.0000 1.0000 1.0000 0.9999 0.9999 0.9999 0.9999 0.9999 0.9998 0.9998
15 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9999
16 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
Cumulative Poisson Probability Distribution Table (lanjutan)

t
x 5.10 5.20 5.30 5.40 5.50 5.60 5.70 5.80 5.90 6.00
0 0.0061 0.0055 0.0050 0.0045 0.0041 0.0037 0.0033 0.0030 0.0027 0.0025
1 0.0372 0.0342 0.0314 0.0289 0.0266 0.0244 0.0224 0.0206 0.0189 0.0174
2 0.1165 0.1088 0.1016 0.0948 0.0884 0.0824 0.0768 0.0715 0.0666 0.0620
3 0.2513 0.2381 0.2254 0.2133 0.2017 0.1906 0.1800 0.1700 0.1604 0.1512
4 0.4231 0.4061 0.3895 0.3733 0.3575 0.3422 0.3272 0.3127 0.2987 0.2851
5 0.5984 0.5809 0.5635 0.5461 0.5289 0.5119 0.4950 0.4783 0.4619 0.4457
6 0.7474 0.7324 0.7171 0.7017 0.6860 0.6703 0.6544 0.6384 0.6224 0.6063
7 0.8560 0.8449 0.8335 0.8217 0.8095 0.7970 0.7841 0.7710 0.7576 0.7440
8 0.9252 0.9181 0.9106 0.9027 0.8944 0.8857 0.8766 0.8672 0.8574 0.8472
9 0.9644 0.9603 0.9559 0.9512 0.9462 0.9409 0.9352 0.9292 0.9228 0.9161
10 0.9844 0.9823 0.9800 0.9775 0.9747 0.9718 0.9686 0.9651 0.9614 0.9574
11 0.9937 0.9927 0.9916 0.9904 0.9890 0.9875 0.9859 0.9841 0.9821 0.9799
12 0.9976 0.9972 0.9967 0.9962 0.9955 0.9949 0.9941 0.9932 0.9922 0.9912
13 0.9992 0.9990 0.9988 0.9986 0.9983 0.9980 0.9977 0.9973 0.9969 0.9964
14 0.9997 0.9997 0.9996 0.9995 0.9994 0.9993 0.9991 0.9990 0.9988 0.9986
15 0.9999 0.9999 0.9999 0.9998 0.9998 0.9998 0.9997 0.9996 0.9996 0.9995
16 1.0000 1.0000 1.0000 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9998
17 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999
18 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
t
x 6.10 6.20 6.30 6.40 6.50 6.60 6.70 6.80 6.90 7.00
0 0.0022 0.0020 0.0018 0.0017 0.0015 0.0014 0.0012 0.0011 0.0010 0.0009
1 0.0159 0.0146 0.0134 0.0123 0.0113 0.0103 0.0095 0.0087 0.0080 0.0073
2 0.0577 0.0536 0.0498 0.0463 0.0430 0.0400 0.0371 0.0344 0.0320 0.0296
3 0.1425 0.1342 0.1264 0.1189 0.1118 0.1052 0.0988 0.0928 0.0871 0.0818
0.2719 0.2592 0.2469 0.2351 0.2237 0.2127 0.2022 0.1920 0.1823 0.1730
5 0.4298 0.4141 0.3988 0.3837 0.3690 0.3547 0.3406 0.3270 0.3137 0.3007
6 0.5902 0.5742 0.5582 0.5423 0.5265 0.5108 0.4953 0.4799 0.4647 0.4497
7 0.7301 0.7160 0.7017 0.6873 0.6728 0.6581 0.6433 0.6285 0.6136 0.5987
8 0.8367 0.8259 0.8148 0.8033 0.7916 0.7796 0.7673 0.7548 0.7420 0.7291
9 0.9090 0.9016 0.8939 0.8858 0.8774 0.8686 0.8596 0.8502 0.8405 0.8305
10 0.9531 0.9486 0.9437 0.9386 0.9332 0.9274 0.9214 0.9151 0.9084 0.9015
11 0.9776 0.9750 0.9723 0.9693 0.9661 0.9627 0.9591 0.9552 0.9510 0.9467
12 0.9900 0.9887 0.9873 0.9857 0.9840 0.9821 0.9801 0.9779 0.9755 0.9730
13 0.9958 0.9952 0.9945 0.9937 0.9929 0.9920 0.9909 0.9898 0.9885 0.9872
14 0.9984 0.9981 0.9978 0.9974 0.9970 0.9966 0.9961 0.9956 0.9950 0.9943
15 0.9994 0.9993 0.9992 0.9990 0.9988 0.9986 0.9984 0.9982 0.9979 0.9976
16 0.9998 0.9997 0.9997 0.9996 0.9996 0.9995 0.9994 0.9993 0.9992 0.9990
17 0.9999 0.9999 0.9999 0.9999 0.9998 0.9998 0.9998 0.9997 0.9997 0.9996
18 1.0000 1.0000 1.0000 1.0000 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
19 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
20 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

t
x 7.10 7.20 7.30 7.40 7.50 7.60 7.70 7.80 7.90 8.00
0 0.0008 0.0007 0.0007 0.0006 0.0006 0.0005 0.0005 0.0004 0.0004 0.0003
1 0.0067 0.0061 0.0056 0.0051 0.0047 0.0043 0.0039 0.0036 0.0033 0.0030
2 0.0275 0.0255 0.0236 0.0219 0.0203 0.0188 0.0174 0.0161 0.0149 0.0138
3 0.0767 0.0719 0.0674 0.0632 0.0591 0.0554 0.0518 0.0485 0.0453 0.0424
4 0.1641 0.1555 0.1473 0.1395 0.1321 0.1249 0.1181 0.1117 0.1055 0.0996
5 0.2881 0.2759 0.2640 0.2526 0.2414 0.2307 0.2203 0.2103 0.2006 0.1912
6 0.4349 0.4204 0.4060 0.3920 0.3782 0.3646 0.3514 0.3384 0.3257 0.3134
7 0.5838 0.5689 0.5541 0.5393 0.5246 0.5100 0.4956 0.4812 0.4670 0.4530
8 0.7160 0.7027 0.6892 0.6757 0.6620 0.6482 0.6343 0.6204 0.6065 0.5925
9 0.8202 0.8096 0.7988 0.7877 0.7764 0.7649 0.7531 0.7411 0.7290 0.7166
10 0.8942 0.8867 0.8788 0.8707 0.8622 0.8535 0.8445 0.8352 0.8257 0.8159
11 0.9420 0.9371 0.9319 0.9265 0.9208 0.9148 0.9085 0.9020 0.8952 0.8881
12 0.9703 0.9673 0.9642 0.9609 0.9573 0.9536 0.9496 0.9454 0.9409 0.9362
13 0.9857 0.9841 0.9824 0.9805 0.9784 0.9762 0.9739 0.9714 0.9687 0.9658
14 0.9935 0.9927 0.9918 0.9908 0.9897 0.9886 0.9873 0.9859 0.9844 0.9827
15 0.9972 0.9969 0.9964 0.9959 0.9954 0.9948 0.9941 0.9934 0.9926 0.9918
16 0.9989 0.9987 0.9985 0.9983 0.9980 0.9978 0.9974 0.9971 0.9967 0.9963
17 0.9996 0.9995 0.9994 0.9993 0.9992 0.9991 0.9989 0.9988 0.9986 0.9984
18 0.9998 0.9998 0.9998 0.9997 0.9997 0.9996 0.9996 0.9995 0.9994 0.9993
19 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9998 0.9998 0.9998 0.9997
20 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9999 0.9999 0.9999
21 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

t
x 8.10 8.20 8.30 8.40 8.50 8.60 8.70 8.80 8.90 9.00
0 0.0003 0.0003 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0001 0.0001
1 0.0028 0.0025 0.0023 0.0021 0.0019 0.0018 0.0016 0.0015 0.0014 0.0012
2 0.0127 0.0118 0.0109 0.0100 0.0093 0.0086 0.0079 0.0073 0.0068 0.0062
3 0.0396 0.0370 0.0346 0.0323 0.0301 0.0281 0.0262 0.0244 0.0228 0.0212
4 0.0940 0.0887 0.0837 0.0789 0.0744 0.0701 0.0660 0.0621 0.0584 0.0550
5 0.1822 0.1736 0.1653 0.1573 0.1496 0.1422 0.1352 0.1284 0.1219 0.1157
6 0.3013 0.2896 0.2781 0.2670 0.2562 0.2457 0.2355 0.2256 0.2160 0.2068
7 0.4391 0.4254 0.4119 0.3987 0.3856 0.3728 0.3602 0.3478 0.3357 0.3239
8 0.5786 0.5647 0.5507 0.5369 0.5231 0.5094 0.4958 0.4823 0.4689 0.4557
9 0.7041 0.6915 0.6788 0.6659 0.6530 0.6400 0.6269 0.6137 0.6006 0.5874
10 0.8058 0.7955 0.7850 0.7743 0.7634 0.7522 0.7409 0.7294 0.7178 0.7060
11 0.8807 0.8731 0.8652 0.8571 0.8487 0.8400 0.8311 0.8220 0.8126 0.8030
12 0.9313 0.9261 0.9207 0.9150 0.9091 0.9029 0.8965 0.8898 0.8829 0.8758
13 0.9628 0.9595 0.9561 0.9524 0.9486 0.9445 0.9403 0.9358 0.9311 0.9261
 ISIP4215/MODUL 9 9.51
14 0.9810 0.9791 0.9771 0.9749 0.9726 0.9701 0.9675 0.9647 0.9617 0.9585
15 0.9908 0.9898 0.9887 0.9875 0.9862 0.9848 0.9832 0.9816 0.9798 0.9780
16 0.9958 0.9953 0.9947 0.9941 0.9934 0.9926 0.9918 0.9909 0.9899 0.9889
17 0.9982 0.9979 0.9977 0.9973 0.9970 0.9966 0.9962 0.9957 0.9952 0.9947
18 0.9992 0.9991 0.9990 0.9989 0.9987 0.9985 0.9983 0.9981 0.9978 0.9976
19 0.9997 0.9997 0.9996 0.9995 0.9995 0.9994 0.9993 0.9992 0.9991 0.9989
20 0.9999 0.9999 0.9998 0.9998 0.9998 0.9998 0.9997 0.9997 0.9996 0.9996
21 1.0000 1.0000 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9998 0.9998
22 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9999
23 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

t
x 9.10 9.20 9.30 9.40 9.50 9.60 9.70 9.80 9.90 10.00
0 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0000
1 0.0011 0.0010 0.0009 0.0009 0.0008 0.0007 0.0007 0.0006 0.0005 0.0005
2 0.0058 0.0053 0.0049 0.0045 0.0042 0.0038 0.0035 0.0033 0.0030 0.0028
3 0.0198 0.0184 0.0172 0.0160 0.0149 0.0138 0.0129 0.0120 0.0111 0.0103
4 0.0517 0.0486 0.0456 0.0429 0.0403 0.0378 0.0355 0.0333 0.0312 0.0293
5 0.1098 0.1041 0.0986 0.0935 0.0885 0.0838 0.0793 0.0750 0.0710 0.0671
6 0.1978 0.1892 0.1808 0.1727 0.1649 0.1574 0.1502 0.1433 0.1366 0.1301
7 0.3123 0.3010 0.2900 0.2792 0.2687 0.2584 0.2485 0.2388 0.2294 0.2202
8 0.4426 0.4296 0.4168 0.4042 0.3918 0.3796 0.3676 0.3558 0.3442 0.3328
9 0.5742 0.5611 0.5479 0.5349 0.5218 0.5089 0.4960 0.4832 0.4705 0.4579
10 0.6941 0.6820 0.6699 0.6576 0.6453 0.6329 0.6205 0.6080 0.5955 0.5830
11 0.7932 0.7832 0.7730 0.7626 0.7520 0.7412 0.7303 0.7193 0.7081 0.6968
12 0.8684 0.8607 0.8529 0.8448 0.8364 0.8279 0.8191 0.8101 0.8009 0.7916
13 0.9210 0.9156 0.9100 0.9042 0.8981 0.8919 0.8853 0.8786 0.8716 0.8645
14 0.9552 0.9517 0.9480 0.9441 0.9400 0.9357 0.9312 0.9265 0.9216 0.9165
15 0.9760 0.9738 0.9715 0.9691 0.9665 0.9638 0.9609 0.9579 0.9546 0.9513
16 0.9878 0.9865 0.9852 0.9838 0.9823 0.9806 0.9789 0.9770 0.9751 0.9730
17 0.9941 0.9934 0.9927 0.9919 0.9911 0.9902 0.9892 0.9881 0.9870 0.9857
18 0.9973 0.9969 0.9966 0.9962 0.9957 0.9952 0.9947 0.9941 0.9935 0.9928
19 0.9988 0.9986 0.9985 0.9983 0.9980 0.9978 0.9975 0.9972 0.9969 0.9965
20 0.9995 0.9994 0.9993 0.9992 0.9991 0.9990 0.9989 0.9987 0.9986 0.9984
21 0.9998 0.9998 0.9997 0.9997 0.9996 0.9996 0.9995 0.9995 0.9994 0.9993
22 0.9999 0.9999 0.9999 0.9999 0.9999 0.9998 0.9998 0.9998 0.9997 0.9997
23 1.0000 1.0000 1.0000 1.0000 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
24 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

t
x 11.00 12.00 13.00 14.00 15.00 16.00 17.00 18.00 19.00 20.00
0 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
1 0.0002 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
2 0.0012 0.0005 0.0002 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
3 0.0049 0.0023 0.0011 0.0005 0.0002 0.0001 0.0000 0.0000 0.0000 0.0000
4 0.0151 0.0076 0.0037 0.0018 0.0009 0.0004 0.0002 0.0001 0.0000 0.0000
5 0.0375 0.0203 0.0107 0.0055 0.0028 0.0014 0.0007 0.0003 0.0002 0.0001
6 0.0786 0.0458 0.0259 0.0142 0.0076 0.0040 0.0021 0.0010 0.0005 0.0003
7 0.1432 0.0895 0.0540 0.0316 0.0180 0.0100 0.0054 0.0029 0.0015 0.0008
8 0.2320 0.1550 0.0998 0.0621 0.0374 0.0220 0.0126 0.0071 0.0039 0.0021
9 0.3405 0.2424 0.1658 0.1094 0.0699 0.0433 0.0261 0.0154 0.0089 0.0050
10 0.4599 0.3472 0.2517 0.1757 0.1185 0.0774 0.0491 0.0304 0.0183 0.0108
11 0.5793 0.4616 0.3532 0.2600 0.1848 0.1270 0.0847 0.0549 0.0347 0.0214
12 0.6887 0.5760 0.4631 0.3585 0.2676 0.1931 0.1350 0.0917 0.0606 0.0390
13 0.7813 0.6815 0.5730 0.4644 0.3632 0.2745 0.2009 0.1426 0.0984 0.0661
14 0.8540 0.7720 0.6751 0.5704 0.4657 0.3675 0.2808 0.2081 0.1497 0.1049
15 0.9074 0.8444 0.7636 0.6694 0.5681 0.4667 0.3715 0.2867 0.2148 0.1565
16 0.9441 0.8987 0.8355 0.7559 0.6641 0.5660 0.4677 0.3751 0.2920 0.2211
17 0.9678 0.9370 0.8905 0.8272 0.7489 0.6593 0.5640 0.4686 0.3784 0.2970
18 0.9823 0.9626 0.9302 0.8826 0.8195 0.7423 0.6550 0.5622 0.4695 0.3814
19 0.9907 0.9787 0.9573 0.9235 0.8752 0.8122 0.7363 0.6509 0.5606 0.4703
20 0.9953 0.9884 0.9750 0.9521 0.9170 0.8682 0.8055 0.7307 0.6472 0.5591
21 0.9977 0.9939 0.9859 0.9712 0.9469 0.9108 0.8615 0.7991 0.7255 0.6437
22 0.9990 0.9970 0.9924 0.9833 0.9673 0.9418 0.9047 0.8551 0.7931 0.7206
23 0.9995 0.9985 0.9960 0.9907 0.9805 0.9633 0.9367 0.8989 0.8490 0.7875
24 0.9998 0.9993 0.9980 0.9950 0.9888 0.9777 0.9594 0.9317 0.8933 0.8432
25 0.9999 0.9997 0.9990 0.9974 0.9938 0.9869 0.9748 0.9554 0.9269 0.8878
26 1.0000 0.9999 0.9995 0.9987 0.9967 0.9925 0.9848 0.9718 0.9514 0.9221
27 1.0000 0.9999 0.9998 0.9994 0.9983 0.9959 0.9912 0.9827 0.9687 0.9475
28 1.0000 1.0000 0.9999 0.9997 0.9991 0.9978 0.9950 0.9897 0.9805 0.9657
29 1.0000 1.0000 1.0000 0.9999 0.9996 0.9989 0.9973 0.9941 0.9882 0.9782
30 1.0000 1.0000 1.0000 0.9999 0.9998 0.9994 0.9986 0.9967 0.9930 0.9865
31 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9993 0.9982 0.9960 0.9919
32 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9996 0.9990 0.9978 0.9953
33 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998 0.9995 0.9988 0.9973
34 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998 0.9994 0.9985
35 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9992
36 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998 0.9996
37 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9998
38 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999
39 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999
40 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
DISTRIBUSI NORMAL
Distribusi normal memiliki ciri-ciri:
 berbentuk lonceng/genta
 letak rata-rata = median = modus
 n > 30
 sisi kanan dan kiri dari distribusi simetris
x
z

µ = Me=Mo
 ISIP4215/MODUL 9 9.53
Tabel distribusi normal (tabel z)
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
 Ingat, sebelum menggunakan tabel, perhatikan

dahulu komponen tabel. Untuk tabel distribusi
normal perhatikan gambar distribusi yang ada di
atas tabel.

µ z
Sehingga nilai-nilai yang ditunjukkan pada tabel adalah

nilai sesuai dengan luas daerah yang diarsir pada gambar.
CONTOH :
 Jika di suatu klub bola basket yang terdiri dari 60
orang diketahui rata-rata pemain memiliki tinggi
183 cm dengan standar deviasi 10 cm, berapakah
peluang diperoleh pemain dengan tinggi:
 ≥186 cm
 178-184,5 cm
 ≤185,7 cm
 ISIP4215/MODUL 9 9.55
A. X>186 CM
186  183
z  0,30
10
untuk z 0,30 maka p = 0,1179
183 186
183 186
lihat daerah yang diarsir. Karena daerah yang diarsir berada

di sebelah kanan, maka untuk mengetahui luas daerah
tersebut dengan cara 0,5 – 0,1179 = 0,3821 atau 38,21%.
B. 178 – 184,5
178 183 184,5
178  183
z  0,50 dengan nilai p  0,1915
10
184,5  183
z  0,15 dengan nilai p  0,0596
10
sehingga peluang pemain memiliki tinggi antara
178 hingga 184,5 cm adalah 0,1915  0,0596 
0,2511 atau 25,11%.
C. X ≤185,7 CM
183 185,7
185,7  183
z  0,27 dengan nilai p  0,1064
10
sehingga peluang pemain memiliki tinggi  185,7 cm
adalah 0,1064  0,5  0,6064 atau 60,64%.
 ISIP4215/MODUL 9 9.57
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
Lihat area yang diperbesar

 ISIP4215/MODUL 9 9.59
t table with right tail probabilities
df\p 0.40 0.25 0.10 0.05 0.025 0.01 0.005 0.0005

1 0.324920 1.000000 3.077684 6.313752 12.70620 31.82052 63.65674 636.6192
2 0.288675 0.816497 1.885618 2.919986 4.30265 6.96456 9.92484 31.5991
3 0.276671 0.764892 1.637744 2.353363 3.18245 4.54070 5.84091 12.9240
4 0.270722 0.740697 1.533206 2.131847 2.77645 3.74695 4.60409 8.6103
5 0.267181 0.726687 1.475884 2.015048 2.57058 3.36493 4.03214 6.8688
6 0.264835 0.717558 1.439756 1.943180 2.44691 3.14267 3.70743 5.9588
7 0.263167 0.711142 1.414924 1.894579 2.36462 2.99795 3.49948 5.4079
8 0.261921 0.706387 1.396815 1.859548 2.30600 2.89646 3.35539 5.0413
9 0.260955 0.702722 1.383029 1.833113 2.26216 2.82144 3.24984 4.7809
10 0.260185 0.699812 1.372184 1.812461 2.22814 2.76377 3.16927 4.5869
11 0.259556 0.697445 1.363430 1.795885 2.20099 2.71808 3.10581 4.4370
12 0.259033 0.695483 1.356217 1.782288 2.17881 2.68100 3.05454 4.3178
13 0.258591 0.693829 1.350171 1.770933 2.16037 2.65031 3.01228 4.2208
14 0.258213 0.692417 1.345030 1.761310 2.14479 2.62449 2.97684 4.1405
15 0.257885 0.691197 1.340606 1.753050 2.13145 2.60248 2.94671 4.0728
16 0.257599 0.690132 1.336757 1.745884 2.11991 2.58349 2.92078 4.0150
17 0.257347 0.689195 1.333379 1.739607 2.10982 2.56693 2.89823 3.9651
18 0.257123 0.688364 1.330391 1.734064 2.10092 2.55238 2.87844 3.9216
19 0.256923 0.687621 1.327728 1.729133 2.09302 2.53948 2.86093 3.8834
20 0.256743 0.686954 1.325341 1.724718 2.08596 2.52798 2.84534 3.8495
21 0.256580 0.686352 1.323188 1.720743 2.07961 2.51765 2.83136 3.8193
22 0.256432 0.685805 1.321237 1.717144 2.07387 2.50832 2.81876 3.7921
23 0.256297 0.685306 1.319460 1.713872 2.06866 2.49987 2.80734 3.7676
24 0.256173 0.684850 1.317836 1.710882 2.06390 2.49216 2.79694 3.7454
25 0.256060 0.684430 1.316345 1.708141 2.05954 2.48511 2.78744 3.7251
26 0.255955 0.684043 1.314972 1.705618 2.05553 2.47863 2.77871 3.7066
27 0.255858 0.683685 1.313703 1.703288 2.05183 2.47266 2.77068 3.6896
28 0.255768 0.683353 1.312527 1.701131 2.04841 2.46714 2.76326 3.6739
29 0.255684 0.683044 1.311434 1.699127 2.04523 2.46202 2.75639 3.6594
30 0.255605 0.682756 1.310415 1.697261 2.04227 2.45726 2.75000 3.6460
inf 0.253347 0.674490 1.281552 1.644854 1.95996 2.32635 2.57583 3.2905
t table with right tail probabilities
df\p 0.40 0.25 0.10 0.05 0.025 0.01 0.005 0.0005

1 0.324920 1.000000 3.077684 6.313752 12.70620 31.82052 63.65674 636.6192
2 0.288675 0.816497 1.885618 2.919986 4.30265 6.96456 9.92484 31.5991
3 0.276671 0.764892 1.637744 2.353363 3.18245 4.54070 5.84091 12.9240
4 0.270722 0.740697 1.533206 2.131847 2.77645 3.74695 4.60409 8.6103
5 0.267181 0.726687 1.475884 2.015048 2.57058 3.36493 4.03214 6.8688
6 0.264835 0.717558 1.439756 1.943180 2.44691 3.14267 3.70743 5.9588
7 0.263167 0.711142 1.414924 1.894579 2.36462 2.99795 3.49948 5.4079
8 0.261921 0.706387 1.396815 1.859548 2.30600 2.89646 3.35539 5.0413
9 0.260955 0.702722 1.383029 1.833113 2.26216 2.82144 3.24984 4.7809
10 0.260185 0.699812 1.372184 1.812461 2.22814 2.76377 3.16927 4.5869
11 0.259556 0.697445 1.363430 1.795885 2.20099 2.71808 3.10581 4.4370
12 0.259033 0.695483 1.356217 1.782288 2.17881 2.68100 3.05454 4.3178
13 0.258591 0.693829 1.350171 1.770933 2.16037 2.65031 3.01228 4.2208
14 0.258213 0.692417 1.345030 1.761310 2.14479 2.62449 2.97684 4.1405
15 0.257885 0.691197 1.340606 1.753050 2.13145 2.60248 2.94671 4.0728
16 0.257599 0.690132 1.336757 1.745884 2.11991 2.58349 2.92078 4.0150
17 0.257347 0.689195 1.333379 1.739607 2.10982 2.56693 2.89823 3.9651
18 0.257123 0.688364 1.330391 1.734064 2.10092 2.55238 2.87844 3.9216
19 0.256923 0.687621 1.327728 1.729133 2.09302 2.53948 2.86093 3.8834
20 0.256743 0.686954 1.325341 1.724718 2.08596 2.52798 2.84534 3.8495
21 0.256580 0.686352 1.323188 1.720743 2.07961 2.51765 2.83136 3.8193
22 0.256432 0.685805 1.321237 1.717144 2.07387 2.50832 2.81876 3.7921
23 0.256297 0.685306 1.319460 1.713872 2.06866 2.49987 2.80734 3.7676
24 0.256173 0.684850 1.317836 1.710882 2.06390 2.49216 2.79694 3.7454
25 0.256060 0.684430 1.316345 1.708141 2.05954 2.48511 2.78744 3.7251
26 0.255955 0.684043 1.314972 1.705618 2.05553 2.47863 2.77871 3.7066
27 0.255858 0.683685 1.313703 1.703288 2.05183 2.47266 2.77068 3.6896
28 0.255768 0.683353 1.312527 1.701131 2.04841 2.46714 2.76326 3.6739
29 0.255684 0.683044 1.311434 1.699127 2.04523 2.46202 2.75639 3.6594
30 0.255605 0.682756 1.310415 1.697261 2.04227 2.45726 2.75000 3.6460
inf 0.253347 0.674490 1.281552 1.644854 1.95996 2.32635 2.57583 3.2905
Derajat bebas: 25-1
Lihat area yang diperbesar

ISIP4215

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

ISIP4215

Judul Asli:

Diunggah oleh

Hak Cipta:

Hak Cipta  dan Hak Penerbitan dilindungi Undang-udang ada pada

Universitas Terbuka - Kementerian Riset, Teknologi, dan Pendidikan Tinggi

Dilarang mengutip sebagian ataupun seluruh buku ini

Tim Penulis : Bambang Prasetyo, M. Si

Desain oleh Tim P2M2 :

PRA PRASETYO, Bambang

TINJAUAN MATA KULIAH ........................................................... ix

MODUL 1: KONSEP DASAR STATISTIKA 1.1

KUNCI JAWABAN TES FORMATIF ............................................. 1.22

MODUL 2: PENYAJIAN DATA 2.1

KUNCI JAWABAN TES FORMATIF ............................................. 2.34

MODUL 3: UKURAN PEMUSATAN DAN UKURAN

KUNCI JAWABAN TES FORMATIF ............................................. 3.28

MODUL 4: PROBABILITA 4.1

KUNCI JAWABAN TES FORMATIF ............................................. 4.38

MODUL 5: PENARIKAN SAMPEL 5.1

KUNCI JAWABAN TES FORMATIF ............................................. 5.23

MODUL 6: ESTIMASI DAN UJI HIPOTESIS 6.1

KUNCI JAWABAN TES FORMATIF ............................................. 6.35

MODUL 7: PENGUJIAN HIPOTESIS SATU SAMPEL 7.1

KUNCI JAWABAN TES FORMATIF ............................................. 7.23

MODUL 8: PENGUJIAN HIPOTESIS DUA SAMPEL 8.1

KUNCI JAWABAN TES FORMATIF ............................................. 8.28

MODUL 9: PENGUJIAN HIPOTESIS LEBIH DARI DUA

KUNCI JAWABAN TES FORMATIF ............................................. 9.27

Tinjauan Mata Kuliah

P engantar Statistik Sosial merupakan mata kuliah yang mempelajari dasar

Dengan mempelajari setiap modul secara cermat sesuai dengan petunjuk

juga berguna bagi mereka yang menggeluti bidang penelitian sosial,

Konsep Dasar Statistika

Pengertian dan Klasifikasi Statistika

Apakah Anda pernah mendengar kata statistika? Mungkin Anda akan

Jika pengertian statistik lebih mengarah kepada informasi, pengertian

1. Alasan Mempelajari Statistika

Saudara Mahasiswa, Anda sudah mempelajari tentang

Untuk mempermudah kita dalam memakai statistika, kita perlu membuat

Contoh statistika deskriptif:

Jumlah Penduduk Juta

b. Statistika inferensia: cara menganalisis data serta mengambil kesimpulan

b. Statistika nonparametrik: bagian dari statistika inferensia yang tidak

Untuk memperdalam pemahaman Anda mengenai materi di atas,

Petunjuk Jawaban Latihan

1) Perhatikan kembali karakteristik dari statistika deskriptif dan statistika

Pengertian statistika memiliki ruang lingkup yang lebih luas

Pilihlah satu jawaban yang paling tepat!

2) Berdasar aktivitas yang dilakukan, statistika dibagi menjadi statistik ....

3) Berdasar metodenya, statistika dibagi menjadi statistik ....

4) Uji statistik yang termasuk dalam statistika parametrik adalah uji....

5) Uji statistik yang termasuk dalam statistika nonparametrik adalah uji ….

Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 1 yang

Jumlah Jawaban yang Benar

Arti tingkat penguasaan: 90 - 100% = baik sekali

Apabila mencapai tingkat penguasaan 80% atau lebih, Anda dapat

Konsep Dasar Statistika

A. KONSEP DASAR STATISTIKA

Ketika Anda mempelajari Kegiatan Belajar 1, tentunya Anda membaca

b. Klasifikasi yang kedua berdasarkan bentuk angka atau tidaknya nilai

Pengklasifikasian variabel bisa kita buat dalam bentuk bagan sebagai

Pengklasifikasian data bisa kita buat dalam bentuk bagan sebagai

Saudara Mahasiswa, Anda sudah mempelajari tentang

Skala bisa kita artikan sebagai perbandingan antarkategori dari sebuah

Saudara Mahasiswa, Anda sudah mempelajari tentang

Untuk memperdalam pemahaman Anda mengenai materi di atas,

Tentukan skala dari variabel berikut:

Petunjuk Jawaban Latihan