1.

Konsep Statistika

STATISTIKA STATISTIKA :
Kegiatan untuk :
KEGUNAAN
• mengumpulkan data
• menyajikan data
• menganalisis data dengan metode tertentu ?
• menginterpretasikan hasil analisis

OLEH Melalui fase

M. DODY IZHAR, SKM, M.KES

STATISTIKA DESKRIPTIF :
Berkenaan dengan pengumpulan, pengolahan, dan penyajian sebagian
atau seluruh data (pengamatan) tanpa pengambilan kesimpulan

dan fase

STATISTIKA INFERENSI :
Setelah data dikumpulkan, maka dilakukan berbagai metode statistik untuk
menganalisis data, dan kemudian dilakukan interpretasi serta diambil kesimpulan.
Statistika inferensi akan menghasilkan generalisasi (jika sampel representatif)
M. Dody Izhar 1 M. Dody Izhar 2

2. Statistika & Metode Ilmiah 3. Data

METODE ILMIAH : DATA terbagi atas DATA KUALITATIF dan DATA KUANTITATIF
Adalah salah satu cara mencari kebenaran yang bila ditinjau dari segi
penerapannya, resiko untuk keliru paling kecil.

DATA KUALITATIF : DATA KUANTITATIF :

LANGKAH-LANGKAH DALAM METODE ILMIAH :
Data yang dinyatakan dalam Data yang dinyatakan dalam
1. Merumuskan masalah
bentuk bukan angka. bentuk angka
2. Melakukan studi literatur
Contoh : jenis pekerjaan, Contoh : lama bekerja,
3. Membuat dugaan-dugaan, pertanyaan-pertanyaan atau hipotesis
status marital, tingkat jumlah gaji, usia, hasil
kepuasan kerja ulangan
4. Mengumpulkan dan mengolah data, menguji hipotesis,
atau menjawab pertanyaan
DATA
5. Mengambil kesimpulan

INSTRUMEN

SAMPEL KUALITATIF JENIS KUANTITATIF

SIFAT DATA
PERAN STATISTIKA DATA

VARIABEL NOMINAL INTERVAL

ORDINAL RASIO
METODE ANALISIS
M. Dody Izhar 3 M. Dody Izhar 4

4. Data 5. Pengolahan Data

DATA NOMINAL :
PROSEDUR PENGOLAHAN DATA :
Data berskala nominal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi.
CIRI : posisi data setara
tidak bisa dilakukan operasi matematika (+, -, x, :) A. PARAMETER : Berdasarkan parameter yang ada statistik dibagi menjadi
CONTOH : jenis kelamin, jenis pekerjaan
• Statistik PARAMETRIK : berhubungan dengan inferensi statistik yang
DATA ORDINAL : membahas parameter-parameter populasi; jenis data interval atau rasio;
Data berskala ordinal adalah data yang dipeoleh dengan cara kategorisasi atau klasifikasi, tetapi distribusi data normal atau mendekati normal.
di antara data tersebut terdapat hubungan
CIRI : posisi data tidak setara
tidak bisa dilakukan operasi matematika (+, -, x, :) • Statistik NONPARAMETRIK : inferensi statistik tidak membahas
CONTOH : kepuasan kerja, motivasi parameter-parameter populasi; jenis data nominal atau ordinal; distribusi
data tidak diketahui atau tidak normal
DATA INTERVAL :
Data berskala interval adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara B. JUMLAH VARIABEL : berdasarkan jumlah variabel dibagi menjadi
dua titik skala sudah diketahui.
CIRI : Tidak ada kategorisasi • Analisis UNIVARIAT : hanya ada 1 pengukuran (variabel) untuk n
bisa dilakukan operasi matematika
sampel atau beberapa variabel tetapi masing-masing variabel dianalisis
CONTOH : temperatur yang diukur berdasarkan 0C dan 0F, sistem kalender
sendiri-sendiri. Contoh : korelasi motivasi dengan pencapaian akademik.
DATA RASIO :
Data berskala rasio adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara • Analisis MULTIVARIAT : dua atau lebih pengukuran (variabel) untuk n
dua titik skala sudah diketahui dan mempunyai titik 0 absolut. sampel di mana analisis antar variabel dilakukan bersamaan. Contoh :
CIRI : tidak ada kategorisasi pengaruh motivasi terhadap pencapaian akademik yang dipengaruhi oleh
bisa dilakukan operasi matematika faktor latar belakang pendidikan orang tua, faktor sosial ekonomi, faktor
CONTOH : gaji, skor ujian, jumlah buku sekolah.
M. Dody Izhar 5 M. Dody Izhar 6
 6. Pengolahan Data 7. Penyajian Data

TABEL
MULAI Tabel 1.1 Bidang Pekerjaan berdasarkan Latar Belakang Pendidikan

Count
pendidikan
SMU Akademi Sarjana Jumlah
bidang administrasi 1 8 6 15
pekerjaan personalia 1 7 8
Statistik NOMINAL Jenis INTERVAL produksi 4 3 5 12
Statistik marketing 2 14 11 27
Non Parametrik ORDINAL Data ? RASIO Parametrik keuangan 3 4 6 13
Jumlah 10 30 35 75

bidang pe ke rjaan
GRAFIK administrasi
personalia
produksi
marketing
Analisis SATU Jumlah DUA / LEBIH Analisis keuangan

Univariat Variabel ? Multivariat Pies show counts

M. Dody Izhar 7 M. Dody Izhar 8

8. Membuat Tabel 9. Membuat Grafik

TABEL : memberikan informasi secara rinci. Terdiri atas kolom dan baris
GRAFIK : memberikan informasi dengan benar dan cepat, tetapi tidak rinci.
Kolom pertama : LABEL
Syarat :
KOLOM 1. Pemilihan sumbu (sumbu tegak dan sumbu datar), kecuali grafik lingkaran
Kolom kedua …. n : Frekuensi atau label
2. Penetapan skala (skala biasa, skala logaritma, skala lain)
TABEL
3. Ukuran grafik (tidak terlalu besar, tinggi, pendek)
BARIS Berisikan data berdasarkan kolom

Jenis Grafik :
Tabel Tabulasi Silang 4
• Grafik Batang (Bar)
Pendapat tentang sertifikasi
Sumbu tegak

3
Asal Wilayah Sangat Perlu Tidak Tidak Sangat Jumlah • Grafik Garis (line)
perlu tahu perlu tdk 2
perlu • Grafik Lingkaran (Pie)
Jawa Barat 1

Jawa Tengah • Grafik Interaksi (Interactive)

0
Jawa Timur 1 2 3 4
Titik
NTT pangkal Sumbu datar

Papua
Jumlah M. Dody Izhar 9 M. Dody Izhar 10

Jenis diagram dan fungsi 10. Jenis Grafik

Grafik Batang (Bar) Grafik Garis (line)

Jenis Ciri variabel Data/fungsi 30 30

Diagram batang Kualitatif Frekuensi relatif maupun

(horizontal maupun absolut dari kategori 20 20

vertikal) kualitatif/perbandingan
Diagram frekuensi Kuantitatif Frekuensi distribusi variabel 10 10

vertikal (diskrit atau diskrit

Jumlah
Count

terputus) 0
administrasi personalia produksi marketing keuangan
0
administrasi personalia produksi marketing keuangan

Histogram/poligon Kuantitatif Frekuensi distribusi variabel bidang pekerjaan bidang pekerjaan

frekuensi kontinyu Grafik lingkaran (pie)

Grafik Interaksi (interactive)
800000
Diagram garis Kuantitatif Trend Data : serial waktu, keuangan
a dministrasi

perubahan dengan waktu atau 700000

variabel lain 600000

Diagram komponen Kualitatif Komposisi suatu kelompok personalia

500000
Mean gaji perbulan

(Pie diagram) atau total, kategori tidak

Jenis kelamin
terlalu besar (≤ 6) marketing
400000

laki-laki
produksi

Diagram (scatter plot) Kuantitatif

M. Dody Izhar
Data kategori dari 2 titik 11 M. Dody Izhar
300000
s angat jelek jelek c ukup baik baik sangat baik
w anita

12
variabel kuantitatif prestasi kerja
 11. Frekuensi 12. Distribusi Frekuensi

DISTRIBUSI FREKUENSI : mengelompokkan data interval/rasio dan menghitung

FREKUENSI : banyaknya data untuk satu kelompok/klasifikasi
banyaknya data dalam satu kelompok/klasifikasi

KELOMPOK FREKUENSI USIA FREKUENSI Membuat distribusi frekuensi :

Kelompok ke-1 f1 Pendidikan Frekuensi 1. Mencari sebaran (range) yakni selisih antara data paling besar
20 5
dengan data paling kecil)  35 – 20 = 15
Kelompok ke-2 f2 21 6 2. Menentukan banyak kelas dengan rumus k = 1 + 3,3 log n
S1 62
Kelompok ke-3 f3 22 13 7
S2 19 1. Menentukan panjang kelas dengan rumus
Kelompok ke-i fi 23 4
S3 9 p = sebaran / banyak kelas  15/7 = 2
Kelompok ke-k fk 24 7
90
k 25 7 KELOMPOK USIA FREKUENSI
n = Σ fi
i=1 26 7 20 – 21 11
27 5 22 – 23 17
28 3 24 – 25 14
29 4 26 – 27 12
30 15 28 – 29 7
31 3 30 – 31 18
k
33 5 32 - 33 5
n = Σ fi = f1 + f2 + f3 +….. + fi + …… + fk
i=1 35 1 34 - 35 1

M. Dody Izhar 13 M. Dody Izhar 14

13. Ukuran Tendensi Sentral 14. Median

RATA-RATA : suatu bilangan yang bertindak mewakili sekumpulan bilangan MEDIAN : nilai tengah dari sekumpulan data setelah diurutkan yang fungsinya membantu
RATA-RATA HITUNG (RERATA) : jumlah bilangan dibagi banyaknya memperjelas kedudukan suatu data.

X1 + X2 + X3 + … + Xn n Contoh : diketahui rata-rata hitung nilai ulangan dari sejumlah siswa adalah 6.55.
X= Σ Xi Pertanyaannya adalah apakah siswa yang memperoleh nilai 7
n i =1
termasuk istimewa, baik, atau biasa-biasa saja ?
n
Bila terdapat sekumpulan bilangan di mana masing-masing bilangannya memiliki frekuensi, Jika nilai ulangan tersebut adalah : 10 10 8 7 7 6 5 5 5 5 4,
maka rata-rata hitung menjadi : maka rata-rata hitung = 6.55, median = 6
k Kesimpulan : nilai 7 termasuk kategori baik sebab berada di atas rata-rata hitung
X f + X2 f2 + X3 f3 + … + Xkfk Σ Xifi dan median (kelompok 50% atas)
X= 1 1 i =1
f1 + f2 + f3 + … + fk
Jika nilai ulangan tersebut adalah : 8 8 8 8 8 8 7 5 5 4 3,
k maka rata-rata hitung = 6.55, median = 8
Σ fi Kesimpulan : nilai 7 termasuk kategori kurang sebab berada di bawah median
Cara menghitung : i =1
(kelompok 50% bawah)
Bilangan (Xi) Frekuensi (fi) Xi fi
70 3 210 Jika sekumpulan data banyak bilangannya genap (tidak mempunyai bilangan tengah)
63 5 315
Maka : X = 695 = 69.5 Maka mediannya adalah rerata dari dua bilangan yang ditengahnya.
10
85 2 170
Contoh : 1 2 3 4 5 6 7 8 8 9 maka median (5+6) : 2 = 5.5

Jumlah 10 695
M. Dody Izhar 15 M. Dody Izhar 16

15. Modus 16. Ukuran Penyebaran

UKURAN YANG MENYATAKAN HOMOGENITAS / HETEROGENITAS :

MODUS : bilangan yang paling banyak muncul dari sekumpulan bilangan,
1. RENTANG (Range)
yang fungsinya untuk melihat kecenderungan dari sekumpulan bilangan tersebut.
2. DEVIASI RATA-RATA (Average Deviation)
Contoh : nilai ulangan 10 10 8 7 7 6 5 5 5 5 4 3. VARIANS (Variance)
Maka : s = 6 ; k = 3 ; p =2 4. DEVIASI STANDAR (Standard Deviation)
rata-rata hitung = 6.55 ; median = 6
modus = 5 ; kelas modus = 5 - 7 Rentang (range) : selisih bilangan terbesar dengan bilangan terkecil.
Sebaran merupakan ukuran penyebaran yang sangat kasar, sebab hanya bersangkutan
dengan bilangan terbesar dan terkecil.
Nilai Frekuensi Nilai Frekuensi
Contoh : A : 100 90 80 70 60 50 40 30 20 10
10 2 8 – 10 3 X = 55
B : 100 100 100 100 100 10 10 10 10 10
8 1 5–7 7 r = 100 – 10 = 90
C : 100 100 100 90 80 30 20 10 10 10
7 2 2–4 1
6 1 Jumlah 11
5 4
4 1
Jumlah 11 - +
Rata-rata
Mo X Me

Kurva positif apabila rata-rata hitung > modus / median

Kurva negatif apabila rata-rata hitung < modus / median
M. Dody Izhar 17 M. Dody Izhar 18
 17. Deviasi rata-rata 18. Varians & Deviasi Standar
Deviasi Rata-rata : penyebaran
Berdasarkan harga mutlak simpangan Kelompok A Kelompok B
bilangan-bilangan terhadap rata- Nilai X X - X |X – X| Nilai X X-X |X – X| Varians : penyebaran berdasarkan Kelompok A Kelompok B
ratanya. jumlah kuadrat simpangan bilangan- Nilai X X -X (X–X)2 Nilai X X -X (X –X)2
100 45 45 100 45 45
bilangan terhadap rata-ratanya ; 100 45 2025 100 45 2025
90 35 35 100 45 45
melihat ketidaksamaan sekelompok data
80 25 25 100 45 45 90 35 1225 100 45 2025

70 15 15 90 35 35 80 25 625 100 45 2025

n 2 70 15 225 90 35 1225
60 5 5 80 25 25 s2 = Σ (Xi – X)
Rata-rata 50 -5 5 30 -25 25 i=1 n-1 60 5 25 80 25 625

40 -15 15 20 -35 35 50 -5 25 30 -25 625

30 -25 25 10 -45 45 40 -15 225 20 -35 1225

20 -35 35 10 -45 45 Deviasi Standar : penyebaran 30 -25 625 10 -45 2025

10 -45 45 10 -45 45 berdasarkan akar dari varians ; 20 -35 1225 10 -45 2025

Jumlah 0 250 Jumlah 0 390 menunjukkan keragaman kelompok data 10 -45 2025 10 -45 2025

DR = 250 = 25 DR = 390 = 39 Jumlah 8250 Jumlah 15850

10 10
n 2 s= √ 8250
9 = 30.28 s= √ 15850
9 = 41.97

Rata-rata
n
DR = Σ
|Xi – X|
n
s=
√ Σ (Xi – X)
i=1 n-1
Kesimpulan :
i=1
Kelompok A : rata-rata = 55 ; DR = 25 ; s = 30.28
Kelompok B : rata-rata = 55 ; DR = 39 ; s = 41.97
Maka data kelompok B lebih tersebar daripada kelompok A
Makin besar simpangan,
M. Dody Izhar 19
makin besar nilai deviasi rata-rata M. Dody Izhar 20

19. Normalitas, Hipotesis, Pengujian 20. Normalitas, Hipotesis, Pengujian

Distribusi Normal : kurva berbentuk bel, simetris, simetris terhadap sumbu yang Hipotesis : uji signifikansi (keberartian) terhadap hipotesis yang dibuat ;
melalui nilai rata-rata berbentuk hipotesis penelitian dan hipotesis statistik (H0) ;
hipotesis bisa terarah, bisa juga tidak terarah ;
Kurtosis = keruncingan akibat dari adanya Ho, maka akan ada Ha (hipotesis alternatif) yakni
hipotesis yang akan diterima seandainya Ho ditolak

Skewness = kemiringan

HIPOTESIS TERARAH TIDAK TERARAH

+3s  +2s  -s   +s  +2s  +3s Hipotesis Siswa yang belajar bahasa lebih Ada perbedaan keseriusan siswa
Penelitian serius daripada siswa yang antara yang belajar bahasa dengan
68%
belajar IPS yang belajar IPS
95%
99% Hipotesis Nol Siswa yang belajar bahasa tidak Tidak terdapat perbedaan
(Yang diuji) menunjukkan kelebihan keseriusan belajar siswa antara
• Lakukan uji normalitas keseriusan daripada yang belajar bahasa dan IPS
• Rasio Skewness & Kurtosis berada –2 sampai +2 IPS
Rasio = nilai Ho : b < i Ho : b = i
Standard error Ha : b > i Ha : b ≠ I
• Jika tidak berdistribusi normal, lakukan uji normalitas non parametrik (Wilcoxon,
Mann-White, Tau Kendall)
M. Dody Izhar 21 M. Dody Izhar 22

21. Normalitas, Hipotesis, Pengujian 22. Uji t

Uji t : menguji apakah rata-rata suatu populasi sama dengan suatu harga tertentu atau
Pengujian : bila Ho terarah, maka pengujian signifikansi satu pihak apakah rata-rata dua populasi sama/berbeda secara signifikan.
bila Ho tidak terarah, maka pengujian signifikansi dua pihak
1. Uji t satu sampel
Pengujian signifikansi satu arah (hipotesis terarah): Menguji apakah satu sampel sama/berbeda dengan ( - )
Siswa yang belajar bahasa tidak menunjukkan kelebihan keseriusan daripada rata-rata populasinya t =
yang belajar IPS Ho : b < i • hitung rata-rata dan std. dev (s)
Jika Ho ditolak, maka Ha diterima ; daerah penolakan berada di sebelah kanan s / √n
• df = n – 1
α
• tingkat signifikansi ( = 0.025 atau 0.05)
• pengujian apakah menggunakan 1 ekor atau 2 ekor
• diperoleh t hitung ; lalu bandingkan dengan t tabel : jika t hitung > t tabel Ho ditolak

Contoh :
5% 2.5% 2.5% Peneliti ingin mengetahui apakah guru yang bekerja selama 8 tahun memang berbeda
dibandingkan dengan guru lainnya.
Daerah penerimaan hipotesis Daerah Daerah Daerah penerimaan hipotesis Daerah Ho : p1 = p2
penolakan penolakan penolakan
hipotesis hipotesis hipotesis Diperoleh rata2 = 17.26 ; std. Dev = 7.6 ; df = 89 ; t hitung = 11.55
α
Berdasarkan tabel df=89 dan = 0.05 diperoleh t tabel = 1.987
Pengujian signifikansi dua arah (hipotesis tidak terarah): Kesimpulan : t hitung > t tabel sehingga Ho ditolak
Tidak terdapat perbedaan keseriusan belajar siswa antara bahasa dan IPS guru yang bekerja selama 8 tahun secara signifikan berbeda dengan
Ho : b = i guru lainnya
Jika Ho ditolak, maka Ha diterima ; daerah penolakan bisa berada di sebelah kiri atau kanan
M. Dody Izhar 23 M. Dody Izhar 24
 23. Uji t 24. Uji t
2. Uji t dua sampel bebas
3. Uji t dua sampel berpasangan
Menguji apakah rata-rata dua kelompok yang tidak berhubungan sama/berbeda
Menguji apakah rata-rata dua sampel yang berpasangan sama/berbeda

(X – Y) (Σx2 + Σy2) (1/nx + 1/ny)

t=
Sx-y
Di mana Sx-y =
√ (nx + ny – 2)
t= s
D
D
Di mana D = rata-rata selisih skor pasangan

ΣD2 – (ΣD)2
Σ d2
sD =
√ N(N-1)
Σ d2 =
N
Contoh :
Peneliti ingin mengetahi apakah ada perbedaan penghasilan (sebelum sertifikasi) antara
Contoh :
guru yang lulusan S1 dengan yang lulusan S3
Seorang guru ingin mengetahui efektivitas model pembelajaran diskusi. Setelah selesai
Ho : Pb = Pk
pembelajaran pertama, ia memberikan tes dan setelah selesai pembelajaran kedua
Diperoleh : rata2 x = 1951613 ; y = 2722222 ; t hitung = - 7.369
kembali ia memberikan tes. Kedua hasil tes tersebut dibandingkan dengan harapan
α
Berdasarkan tabel df=69 dan = 0.025 diperoleh t tabel = 1.994
adanya perbedaan rata-rata tes pertama dengan kedua.
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
Ho : Nd = Nc
Rata-rata penghasilan guru yang S1 berbeda secara signifikan dengan
Diperoleh rata2d = 66.28 ; rata2c = 73.84 ; t hitung = -8.904
penghasilan guru yang S3 α
Berdasarkan tabel df=163 dan = 0.05 diperoleh t tabel = 1.960
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
Terdapat perbedaan yang signifikan antara hasil tes pertama dengan
hasil tes kedua, sehingga ia menyimpulkan model diskusi efektif
meningkatkan hasil belajar siswanya
M. Dody Izhar 25 M. Dody Izhar 26

25. Uji Keterkaitan 26. Uji Keterkaitan

1. KORELASI PEARSON :
Korelasi : hubungan keterkaitan antara dua atau lebih variabel. apakah di antara kedua variabel terdapat hubungan, dan jika ada hubungan bagaimana
Angka koefisien korelasi ( r ) bergerak -1 ≤ r ≤ +1 arah hubungan dan berapa besar hubungan tersebut.
Digunakan jika data variabel kontinyu dan kuantitatif

POSITIF NEGATIF NΣXY – (ΣX) (ΣY) Di mana : ΣXY = jumlah perkalian X dan Y
makin besar nilai variabel 1 makin besar nilai variabel 1 r= ΣX2 = jumlah kuadrat X
menyebabkan makin besar menyebabkan makin kecil √ NΣX2 – (ΣX)2 x √NΣY2 – (ΣY)2 ΣY2 = jumlah kuadrat Y
pula nilai variabel 2 nilai variabel 2 N= banyak pasangan nilai
Contoh : makin banyak waktu contoh : makin banyak waktu
belajar, makin tinggi skor bermain, makin kecil skor Contoh :
Ulangan  korelasi positif Ulangan  korelasi negatif 10 orang siswa yang memiliki waktu belajar berbeda dites dengan tes IPS
antara waktu belajar antara waktu bermain Siswa : A B C D E F G H I J
dengan nilai ulangan dengan nilai ulangan Waktu (X) : 2 2 1 3 4 3 4 1 1 2
Tes (Y) : 6 6 4 8 8 7 9 5 4 6
Apakah ada korelasi antara waktu belajar dengan hasil tes ?
NOL
tidak ada atau tidak menentunya hubungan dua variabel Siswa X X2 Y Y2 XY
contoh : pandai matematika dan jago olah raga ; pandai A
matematika dan tidak bisa olah raga ; tidak pandai
B
matematika dan tidak bisa olah raga
 korelasi nol antara matematika dengan olah raga ΣX ΣX2 ΣY ΣY2 ΣXY
M. Dody Izhar 27 M. Dody Izhar 28

27. Uji Keterkaitan 28. Uji Chi-Square (X2)

2. KORELASI SPEARMAN (rho) dan Kendall (tau) : Chi-Square (tes independensi) : menguji apakah ada hubungan antara baris dengan
Digunakan jika data variabel ordinal (berjenjang atau peringkat). Disebut juga korelasi kolom pada sebuah tabel kontingensi. Data yang digunakan adalah data kualitatif.
non parametrik
(O – E)2

rp = 1 -
6Σd2 Di mana : N = banyak pasangan X2 = Σ E
Di mana O = skor yang diobservasi
E = skor yang diharapkan (expected)
N(N2 – 1) d = selisih peringkat
Contoh :
Contoh : Terdapat 20 siswa perempuan dan 10 siswa laki-laki yang fasih berbahasa Inggris, serta
10 orang siswa yang memiliki perilaku (sangat baik, baik, cukup, kurang) dibandingkan 10 siswa perempuan dan 30 siswa laki-laki yang tidak fasih berbahasa Inggris.
dengan tingkat kerajinannya (sangat rajin, rajin, biasa, malas) Apakah ada hubungan antara jenis kelamin dengan kefasihan berbahasa Inggris ?
Siswa : A B C D E F G H I J Ho = tidak ada hubungan antara baris dengan kolom
Perilaku : 2 4 1 3 4 2 3 1 3 2 H1 = ada hubungan antara baris dengan kolom
Kerajinan : 3 2 1 4 4 3 2 1 2 3 P L Σ O E (O-E) (O-E)2 (O-E)2/E
Apakah ada korelasi antara perilaku siswa dengan kerajinannya ?
a b a 20 (a+b)(a+c)/N
Fasih
Siswa A B C D b 10 (a+b)(b+d)/N
c d
Tidak fasih c 10 (c+d)(a+c)/N
Perilaku
Σ d 30 (c+d)(b+d)/N
Kerajinan
d df = (kolom – 1)(baris – 1)
d2 Σd2 Jika X2 hitung < X2 tabel, maka Ho diterima
M. Dody Izhar 29 M.Jika
Dody
X2Izhar
hitung > X2 tabel, maka Ho ditolak 30
 29. Uji Chi-Square (X2)
Chi-Square dengan menggunakan SPSS
KASUS : apakah ada hubungan pendidikan dengan status marital responden
Ho = tidak ada hubungan antara baris dengan kolom atau tidak ada hubungan pendidikan
dengan status marital
Membuat tabel X2
H1 = ada hubungan pendidikan dengan status marital
Dasar pengambilan keputusan :
1. X2 hitung < X2 tabel  Ho diterima ; X2 hitung > X2 tabel  Ho ditolak • Pada file baru, buat variabel dengan nama
2. probabilitas > 0.05  Ho diterima ; probabilitas < 0.05  Ho ditolak
pendidikan terakhir Asymp. Sig.
df
S1 S2 S3 Total Value df (2-sided)
status
perkawinan
belum kawin
kawin
21
32
3
9
1
6
25
47
Pearson Chi-Square
Likelihood Ratio
9,431
9,541
6
6
,151
,145 • Isi variabel tersebut dengan angka berurutan
Linear-by-Linear
janda 5 3 2 10 3,070 1 ,080

Total
duda 4
62
4
19
0
9
8
90
Association
N of Valid Cases
90
• Buka menu transform > compute
– Pada target variabel ketik chi_5 (untuk 95%)
Value Approx. Sig.
Nominal by Nominal
N of Valid Cases
Contingency Coefficient ,308
90
,151
– Numeric expr gunakan fungsi IDF.CHISQ
Hasil : tingkat signifikansi = 5% ; df = 6 ; X2 tabel = 9.431 ; X2 hitung = 12.592 ; (0.95,df)
asymp. sig = 0.000 ; contingency coeff. = 0.526
Karena : X2 hitung < X2 tabel maka Ho diterima
– Tekan OK
asymp. Sig > 0.05 maka Ho diterima
Artinya tidak ada perbedaan tingkat pendidikan berdasarkan status maritalnya
dan hal ini diperlihatkan dengan kuatnyaM. hubungan
Dody Izhar yang hanya 30.8% 31 M. Dody Izhar 32

30. Uji Anova 31. Uji Anova

ONE WAY ANOVA
Anova : menguji rata-rata satu kelompok / lebih melalui satu variabel dependen / lebih
berbeda secara signifikan atau tidak. k 2 2
RJKa JKa = Σ J j - J Di mana :
F= j=1 nj N J = jumlah seluruh data
ONE WAY ANOVA RJK i
N = banyak data
Satu variabel dependen (kuantitatif) dan satu kelompok (kualitatif) k nj k J2j
Jki = Σ Σ X2 ij - Σ k = banyak kelompok
Contoh : apakah pandangan siswa tentang IPS (kuantitatif) berbeda berdasarkan nj nj = banyak anggota kelompok j
j=1 i=1 j=1
jenjang pendidikannya (kualitatif : SD, SLTP, SMU) Jj = jumlah data dalam kelompok j

Satu variabel dependen tetapi kelompok berbeda Contoh :

UNIVARIAT ANOVA Contoh : apakah rata-rata ulangan berbeda berdasar Apakah terdapat perbedaan pandangan terhadap IPS siswa SD, SLTP, SMU ?
kan klasifikasi sekolah dan kelompok penelitian Ho : μ1 = μ2 = μ3 (tidak terdapat perbedaan sikap)

X1 X2 X3 212 + 72 + 152 432

Variabel dependen lebih dari satu tetapi Jka = - = 19.73
3 1 2 5 15
kelompok sama
Contoh : apakah rata-rata ulangan dan pandangan 4 1 2 212 + 72 + 152
Jki = 32 + 42 + 52 … - = 10
siswa terhadap IPS berbeda untuk tiap daerah 5 2 3 5
Jka
MULTIVARIAT ANOVA 4 1 3 RJKa = = 19.73/2 = 9.865
Variabel dependen lebih dari satu dan kelompok
berbeda 5 2 5 k-1 F = 9.865 / 0.833
Contoh : apakah rata-rata ulangan dan pandangan Σ 21 7 15 Jki = 11.838
siswa terhadap IPS berbeda berdasarkan klasifikasi x 4.2 1.4 3 RJK i = = 10/15-3 = 0.833
Sekolah dan kelompok penelitian N-k
M. Dody Izhar 33 M. Dody Izhar 34

32. Uji Anova One way anova 32. Uji Anova

Sumber Jumlah Derajat Rata-rata F Apakah ada perbedaan rata-rata penghasilan sesudah sertifikasi jika dilihat dari
adanya Kuadrat Kebebasan Jumlah Kuadrat asal wilayah ?
perbedaan (JK) (df) (RJK) Ho = rata-rata penghasilan tidak berbeda dilihat dari asal wilayah
Descriptives
Antar kelompok 19.73 k–1=2 9.865 11.838 penghasilan sesudah lulus sertifikasi

Inter kelompok 10 N – k = 12 0.833 95% Confidence Interval for

Mean

α = 0.05 ; df = 2 dan 12 ; F tabel = 3.88 ; F hitung = 11.838 jabar

N

19
Mean
3094736,8
Std. Deviation Std. Error

269719,369 61877,867
Low er Bound

2964736,27
Upper Bound

3224737,42
Minimum

2400000
Maximum

3700000
F hitung > F tabel , maka Ho ditolak jateng
4
3057142,8
14 194992,251 52113,871 2944557,68 3169728,03 2600000 3400000
Terdapat perbedaan pandangan siswa SD, SLTP, SMU terhadap IPS 6
jatim 3194444,4
18 285888,136 67384,480 3052275,62 3336613,27 2800000 3800000
4
NTT 3152631,5
19 368734,203 84593,428 2974907,38 3330355,78 2100000 3700000
8
Papua 3325000,0
Cara membaca tabel F : 20
0
297135,447 66441,506 3185936,33 3464063,67 2700000 3800000

1.Arah horisontal adalah numerator, df nya antar kelompok Total

90
3172222,2
2
301691,031 31801,027 3109034,26 3235410,19 2100000 3800000

2.Arah vertikal adalah denominator, df nya inter kelompok ANOVA

3.Skor dalam tiap sel  bagian atas adalah untuk 95% dan bagian bawah untuk 99% Test of Homogeneity of Variances
penghasilan sesudah lulus sertifikasi
penghasilan sesudah lulus sertifikasi

Sum of
Squares df Mean Square F Sig.
Between Groups 782483291 19562082289
4 2,272 ,068
Levene 562,238 0,560
Contoh : kasus di atas, Statistic df1 df2 Sig. Within Groups 731807226
85
86094967811,
3993,310 687
df antar kelompok 2 ; df inter kelompok 12 ; distribusi F 95% 1,263 4 85 ,291
Total 810055555
89
Maka membaca tabelnya adalah horisontal lihat kolom df 2, vertikal lihat baris 12 5555,550

Lalu lihat angka pada sel pertemuan 2 dan 12 bagian atas yakni 3.88 Ho : varians populasi identik
F hitung < F tabel maka Ho diterima
Maka F tabel adalah 3.88 Probabilitas > 0.05 Ho diterima
M. Dody Izhar 35 penghasilan tidak berbeda
M. Dody Izhar 36
Berdasarkan asal wilayah
 33. Uji Anova 34. Uji Anova
MULTIVARIAT ANOVA dengan menggunakan SPSS Multivariate Tests©

Kasus : apakah status marital mempunyai pengaruh yang signifikan terhadap Effect Value F Hypothesis df Error df Sig.
dana dikeluarkan & usia Intercept Pillai's Trace ,972 1491,496(a) 2,000 85,000 ,000
Wilks' Lambda ,028 1491,496(a) 2,000 85,000 ,000
Variabel dependen adalah dana yang dikeluarkan & usia ; Hotelling's Trace 35,094 1491,496(a) 2,000 85,000 ,000
Faktor (kelompok) adalah status marital Roy's Largest
35,094 1491,496(a) 2,000 85,000 ,000
Root
marital Pillai's Trace ,506 9,707 6,000 172,000 ,000
Uji varians dilakukan 2 tahap : Wilks' Lambda ,505 11,523(a) 6,000 170,000 ,000
Hotelling's Trace ,956 13,390 6,000 168,000 ,000
1. Varians tiap-tiap variabel dependen ; Ho = varians populasi identik (sama) Roy's Largest
,932 26,731(b) 3,000 86,000 ,000
alat analisis : Lavene Test ; keputusan : probabilitas > 0.05 maka Ho diterima Root

2. Varians populasi secara keseluruhan ; Ho = matriks varians sama

alat analisis : Box’s M ; keputusan : probabilitas > 0.05 maka Ho diterima
F hitung > F tabel maka Ho tolak  rata2 vektor sampel tidak identik
Uji Multivariat ; Ho = rata-rata vektor sampel identik (sama)
Prob < 0.05  Ho ditolak
alat analisis : Pillai Trace, Wilk Lambda, Hotelling Trace, Roy’s
Kesimpulan : status perkawinan mempunyai pengaruh terhadap dana yang
keputusan : probabilitas > 0.05 maka Ho diterima
dikeluarkan dan usia
Levene's Test of Equality of Error Variances(a) Box's Test of Equality of Covariance Matrices(a)
Artinya :
Ada kemungkinan responden yang sudah kawin atau pernah kawin mengeluarkan
F df1 df2 Sig. Box's M 16,104 dana yang berbeda dibandingkan dengan yang belum kawin dan
umur responden 8,811 3 86 ,000 F 1,654
dana yang dikeluarkan df1 9
kemungkinan usia responden berpengaruh terhadap status perkawinan, artinya makin
,319 3 86 ,812
untuk sertifikasi df2 4738,050 tua usia responden kemungkinan sudah menikah makin besar
Sig. ,094
Ho diterima Perbedaan dapat dilihat jika dilakukan pengujian lanjutan dengan post hoc
Varians tiap variabel identik Ho diterima
Varians populasi identik
M. Dody Izhar 37 M. Dody Izhar 38

TERIMA KASIH
SEMOGA BERMANFAAT
http://mdodyizhar.blogspot.com
http://mdodyizhar.wordpress.com

M. Dody Izhar 39