RESUME VIDEO & PENULISAN SOAL TES PRESTASI

KELOMPOK BAKAT 1
LAILA NAFISATUS S. 111911133054
PRAHESSA IBNU ALHAFIZ 111911133116
ANUGRAHA BIMANTARA SAKTI 111911133133
M. FAHMI ULIN NUHA 111911133156
NAJMI DUTA PRATAMA 111911133204
SABRINA SYAFITRI REGITA PUTRI 111911133214

PENGUKURAN C-1
UNIVERSITAS AIRLANGGA
2020/2021
 RESUME VIDEO

Statistika merupakan ilmu dari matematika yang membahas mengenai metode

pengumpulan, penyajian, serta analisis data. Terdapat dua jenis statistika, yang pertama ada
statistika deskriptif dan statistika inferensial. Statistika deskriptif adalah teknik pengambilan data
yang dimana tampilan dari hasilnya biasanya berupa bentuk tabel dan grafik. Pada statistika
deskriptif terdapat dua hal yang perlu disajikan. Pertama, ukuran pemusatan data. Yang paling
sering digunakan adalah distribusi frekuensi. Kedua, ukuran penyebaran data. Ukuran
penyebaran data yang sering digunakan adalah standard deviasi. Statistik inferensial merupakan
statistik yang digunakan untuk menarik kesimpulan yang bersifat umum dari data yang telah
disusun dan diolah. Statistik inferensial merupakan tindak lanjut dari statistik deskriptif.
Salah satu kegunaan dari statistika adalah mencari angka dalam suatu distribusi memusat.
Angka yang dimaksud adalah tendensi sentral. Ada 3 macam tendensi sentral yaitu; Mean,
Median, Modus.
1. Mean (Rata Rata)

Contoh: hitunglah rata rata dari nilai ujian biologi ani:

5,6,7,9,10,9,7,8

Jawab: µ= ∑x
N

= 5+6+7+9+10+9+7+8 = 7,625
8
2. Median (Nilai Tengah)

Data tunggal:
N (Jumlah Frekuensi)

Contoh: tentukan median dari nilai matematika sinta di bawah ini

6,7,7,8,9,9,9,9,10
= 9+1
2
= 5 (data ke 5)

Data berkelompok:
Xii = batas bawah median
Fi = Frekuensi data kelas median
Fkii = frekuensi kumulatif dibawah kelas
median
P= panjang interval kelas
N= jumlah data

Contoh soal: diketahui tabel berat badan mahasiswa psikologi Universitas

Airlangga sebagai berikut
Berat badan Frekuensi (F0) Frekuensi
(kg) kumulatif(Fk)
46-50 3 3
51-55 2 5
56-60 4 9
61-65 5 14
66-70 6 20
71-75 4 24
 76-80 2 26
Dari data diatas dapat dilihat bahwa jumlah datanya adalah sebesar 26. Maka datanya
terletak pada data ke 13 dan 14. Data tersebut terletak pada interval ke 4 yakni 61-65 kg
Dari data yang sudah dipaparkan diatas dapat kita langsung masukan ke dalam rumus

Xii = 60,5
N= 26
Fkii = 9
Fi = 5
P=5

Me= 60,5 + 26/2 – 9 5

5

= 64,5

3. Modus (Nilai Sering Muncul)

Nilai pada seperangkat data yang memiliki frekuensi terbanyak

4. Persentil,

Lalu ada persentil. Merupakan bilangan yang membagi bilangan menjadi 100 bagian
sama banyak setelah diurutkan dari yang terkecil hingga yang terbesar. Persentil juga
sering disebut juga sebagai aturan perseratusan
Video 4: Simetri dan Kemiringan

Merupakan sebuah bentuk dari distribusi. Histogram, stemplots, boxplots dapat digunakan ketika
membahas mengenai Simetri dan Kemiringan. Sebuah distribusi dapat dikatakan menjadi
simetris apabila dapat dibagi menjadi dua bentuk yang sama besar (simetris). Sebaliknya, bentuk
distribusi yang tidak simetris dikategorikan sebagai distribusi miring (skewed distribution).
Berikut contoh gambar simetri dan kemiringan:

Sumber: Google

Jika sebagian besar data berada di sisi kiri histogram tetapi beberapa nilai yang lebih besar
berada di sisi kanan, data tersebut dikatakan miring ke kanan.

Histogram A pada gambar menunjukkan contoh data yang miring ke kanan. Beberapa nilai yang
lebih besar membawa rerata ke atas tetapi tidak benar-benar memengaruhi median. Jadi, jika data
miring ke kanan, mean lebih besar dari median. Contoh dari data tersebut adalah gaji tim NBA di
mana pemain bintang menghasilkan lebih banyak daripada rekan satu tim mereka.

Jika sebagian besar data berada di kanan, dengan beberapa nilai yang lebih kecil muncul di sisi
kiri histogram, data miring ke kiri.

Histogram B pada gambar menunjukkan contoh data yang miring ke kiri. Beberapa nilai yang
lebih kecil menurunkan rata-rata, dan median terpengaruh secara minimal (jika ada). Contoh data
miring-kiri adalah jumlah waktu yang digunakan siswa untuk mengikuti ujian; beberapa siswa
pergi lebih awal, lebih banyak dari mereka tinggal lebih lama, dan banyak yang tinggal sampai
akhir yang pahit (beberapa akan tinggal selamanya jika mereka bisa!). Jika data miring ke kiri,
mean lebih kecil dari median.

Jika datanya simetris, mereka memiliki bentuk yang hampir sama di kedua sisi tengahnya.
Dengan kata lain, jika kita melipat histogram menjadi dua, histogram terlihat hampir sama di
kedua sisi.

Histogram C pada gambar menunjukkan contoh data simetris. Dengan data simetris, mean dan
median saling berdekatan.

Video 5: Explanatory and Response Variables, Correlation (2.1) / Variabel Penjelasan, Variabel
Respon, dan Korelasi

Variabel penjelasan (Explanatory Variable)

Variabel yang digunakan untuk menjelaskan variabilitas dalam variabel respon,

disebut juga variabel independen atau variabel prediktor; Dalam sebuah penelitian
eksperimental, ini adalah variabel yang dimanipulasi oleh peneliti.

Variabel respon (Response Variable)

Variabel hasil, juga dikenal sebagai variabel dependen.

Scatterplot

Representasi grafis dari dua variabel kuantitatif di mana variabel penjelas berada pada
sumbu x dan variabel respons pada sumbu y. Scatterplot juga dapat digunakan untuk
menampilkan hubungan antara variabel penjelas dan variabel respons. Atau, diagram
sebar dapat digunakan untuk memeriksa hubungan antara dua variabel dalam situasi
di mana tidak ada variabel penjelas dan tanggapan yang jelas. Misalnya, kami
mungkin ingin memeriksa hubungan antara tinggi dan berat dalam sampel tetapi tidak
 memiliki hipotesis tentang variabel mana yang memengaruhi variabel lainnya; dalam
hal ini, tidak masalah variabel mana yang berada pada sumbu x dan variabel mana
yang berada pada sumbu y.

Saat memeriksa persebaran, kita perlu mempertimbangkan hal berikut:

1. Arah (positif atau negatif)

2. Bentuk (linier atau non-linier)
3. Kekuatan (lemah, sedang, kuat)
4. Bivariate Outliers
Pada hubungan linier ketika garis paling cocok untuk menggambarkan hubungan
antara x dan y adalah garis lurus. Hubungan linier antara dua variabel menjadi positif
ketika keduanya meningkat bersama-sama; dengan kata lain, karena nilai x semakin
besar nilai y semakin besar. Ini juga dikenal sebagai hubungan langsung. Hubungan
linier antara dua variabel menjadi negatif ketika satu meningkat sementara yang lain
menurun. Misalnya, karena nilai x semakin besar nilai y semakin kecil. Ini juga
dikenal sebagai hubungan tidak langsung.

Bivariate Outliers

adalah pengamatan yang tidak sesuai dengan pola umum pengamatan lainnya.

Bisa saja tidak terdapat variabel respon dan variabel penjelasan apabila variabel
yang dibandingkan tidak memiliki hubungan

Korelasi (r)

Ukuran arah dan kekuatan hubungan antara dua variabel.

Rumus Korelasi Pearson :

Properti Pearson's r

1. −1≤r≤ + 1−1≤r≤ + 1

2. Untuk asosiasi positif, r> 0r> 0, untuk asosiasi negatif r <0r <0, jika tidak ada
hubungan r = 0r = 0

3. Semakin dekat rr ke 00 semakin lemah hubungannya dan semakin dekat ke + 1 + 1

atau −1−1 semakin kuat hubungannya (misalnya, r = −0.88r = −0.88 adalah relasi
yang lebih kuat dari r = + 0.60r = + 0,60); tanda korelasi hanya memberikan arah

4. Korelasi adalah unit gratis; variabel xx dan yy TIDAK perlu dalam skala yang
sama (misalnya, dimungkinkan untuk menghitung korelasi antara tinggi dalam
sentimeter dan berat dalam pon)

5. Tidak masalah variabel mana yang kita beri label sebagai xx dan yang kita beri
label yy. Korelasi antara xx dan yy sama dengan korelasi antara yy dan xx.

Video 6: Kurva kepadatan dan propertinya

• Kurva kepadatan selalu di atas atau di atas sumbu horizontal.

• Area di bawah kurva kepadatan tepat 1.

• Area di bawah kurva kepadatan dan di atas rentang nilai apa pun adalah frekuensi relatif dari
semua pengamatan yang termasuk dalam kisaran itu.

Properti kurva kepadatan adalah:

1. Selalu positif
2. dan ∫∞ − ∞f (x) d (x) = 1
 3. Jadi fungsi kerapatan F (∞) = 1 kecuali jika dibatasi. jika a adalah batas atas untuk x
maka. F (a) = 1 dimana f (x≥a) = 0

Kurva kepadatan dapat berupa beberapa bentuk ataupun bermacam ukuran, dan tiap-tiap
jenis kurva kepadatan memiliki namanya sendiri, contohnya:

1. Uniform Distribution
Tiap interval mempunyai frekuensi nilai data yang sama dan seragam pada seluruh data
set

2. Triangular Distribution
Bentuknya mirip dengan segitiga

3. Normal Distribution (Bell Curves)

Merupakan kurva kepadatan paling umum dan terpenting dalam statistika

VIDEO 7

The Normal Distribution and The 68-95-99.7 Rule

Distribusi normal adalah distribusi probabilitas kontinu yang simetris pada kedua sisi mean,
sehingga sisi kanan tengah merupakan bayangan cermin dari sisi kiri. Area di bawah kurva
distribusi normal mewakili probabilitas dan total area di bawah kurva berjumlah satu. Sebagian
besar nilai data kontinu dalam distribusi normal cenderung mengelompok di sekitar mean, dan
semakin jauh nilai dari mean, semakin kecil kemungkinannya untuk terjadi. Ekornya asimtotik,
yang berarti bahwa mereka mendekati tetapi tidak pernah benar-benar memenuhi cakrawala
(yaitu sumbu x).

Kurva berbentuk lonceng

Distribusi normal adalah distribusi probabilitas terpenting dalam statistik karena banyak data
kontinu di alam dan psikologi menampilkan kurva berbentuk lonceng ini ketika disusun dan
dibuat grafiknya. Misalnya, jika kita mengambil sampel 100 orang secara acak, kita akan melihat
kurva frekuensi distribusi normal untuk banyak variabel kontinu, seperti IQ, tinggi badan, berat
badan, dan tekanan darah.
Uji signifikansi parametrik memerlukan distribusi normal dari titik data sampel

Tes statistik (parametrik) paling kuat yang digunakan oleh psikolog membutuhkan data untuk
didistribusikan secara normal. Jika data tidak menyerupai kurva lonceng, peneliti mungkin harus
menggunakan jenis uji statistik yang kurang efektif, yang disebut statistik non-parametrik.

Untuk distribusi normal sempurna, mean, median, dan mode akan memiliki nilai yang sama,
yang secara visual diwakili oleh puncak kurva.

Distribusi normal menjadi lebih jelas (yaitu sempurna) semakin baik tingkat pengukurannya dan
semakin besar sampel dari suatu populasi. kita dapat menghitung koefisien yang memberi tahu
kami tentang ukuran ekor distribusi dalam kaitannya dengan tonjolan di tengah kurva lonceng.
Misalnya, tes Kolmogorov Smirnov dan Shapiro-Wilk dapat dihitung menggunakan SPSS.

Tes ini membandingkan data dengan distribusi normal dan memberikan nilai p, yang jika
signifikan (p <.05) menunjukkan data kita berbeda dengan distribusi normal (oleh karena itu,
pada kesempatan ini kami tidak menginginkan hasil yang signifikan dan memerlukan p-value
lebih tinggi dari 0,05).

Distribusi normal biasanya dikaitkan dengan aturan 68-95-99.7 dimana 68% data berada

dalam 1 standar deviasi (σ) dari mean (μ), 95% data berada dalam 2 standar deviasi (σ) dari

mean (μ), dan 99,7% data berada dalam 3 standar deviasi (σ) dari mean (μ).

VIDEO 8

Z Scores, Standardization and The Standard Normal Distribution

Sederhananya, skor-z (juga disebut skor standar) memberi kita gambaran tentang
seberapa jauh titik data dari mean. Tapi yang lebih teknis, ini adalah ukuran dari berapa banyak
deviasi standar di bawah atau di atas populasi yang berarti skor mentahnya.

Skor-z dapat ditempatkan pada kurva distribusi normal. Nilai Z berkisar dari -3 standar deviasi
(yang akan jatuh ke paling kiri dari kurva distribusi normal) hingga +3 standar deviasi (yang
akan jatuh ke paling kanan dari kurva distribusi normal). Untuk menggunakan skor-z, Anda
perlu mengetahui mean μ dan juga deviasi standar populasi σ.

Skor-Z adalah cara untuk membandingkan hasil dengan populasi "normal". Hasil dari tes atau
survei memiliki ribuan kemungkinan hasil dan unit; hasil tersebut seringkali tampak tidak
berarti. Misalnya, mengetahui bahwa berat seseorang 150 pon mungkin merupakan informasi
yang baik, tetapi jika kita ingin membandingkannya dengan berat badan “rata-rata” orang,
melihat tabel data yang sangat banyak dapat membuat kitakewalahan (terutama jika beberapa
bobot dicatat dalam kilogram) . Skor-z dapat memberi tahu kita di mana berat badan orang itu
dibandingkan dengan rata-rata berat badan populasi.

Rumus skor z dasar untuk sampel adalah:

z = (x – μ) / σ

Skor z memberi tahu kita berapa banyak deviasi standar dari rata-rata skor.

alternatif-z-skor dapat melihat rumus skor z ditampilkan di sebelah kiri.

Rumus ini persis sama dengan z = x - μ / σ, kecuali bahwa x̄ (mean
sampel) digunakan sebagai pengganti μ (mean populasi) dan s (deviasi
standar sampel) digunakan sebagai pengganti σ (standar populasi)
deviasi).

Secara teknis, skor-z adalah jumlah deviasi standar dari nilai rata-rata populasi referensi
(populasi yang nilai-nilainya diketahui telah dicatat, seperti dalam bagan ini yang dikumpulkan
CDC tentang bobot orang). Sebagai contoh:

1. Skor-z 1 adalah 1 deviasi standar di atas rata-rata.

2. Skor 2 adalah 2 deviasi standar di atas rata-rata.
3. Skor -1,8 adalah -1,8 standar deviasi di bawah rata-rata.
Skor-z memberi tahu kita di mana skor tersebut berada pada kurva distribusi normal. Skor z nol
memberi tahu kita bahwa nilainya persis rata-rata sementara skor +3 memberi tahu kita bahwa
nilainya jauh lebih tinggi daripada rata-rata.