Panduan Praktikum 2020

IDENTITAS PEMILIK MODUL
NAMA :……………………………………….
NIM :………………………………………
Oleh :
Dr. Novi Fitria S.Si, M.T
STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 2

LEMBAR PENGESAHAN
MODUL DIREKTUR PENULIS
PRAKTIKUM STATISTIK
ANALITIK
(Suryatmana Tanuwidjaya, Drs,M.Si) (Dr.Novi Fitria, S.Si., M.T)

KATA PENGANTAR
Tiada kata yang layak penulis ucapkan selain ucap syukur kehadirat Illahirobbi, karena
atas izin-Nya lah penulis dapat menyelesaikan penyusunan buku ajar Statistik Analitik
ini.
Dengan segala keterbatasan yang penulis miliki, penulis ingin menyumbangkan ide,
gagasan dan pikiran yang dimiliki demi kemajuan ilmu pengetahuan khususnya dalam
mata kuliah statistik analitk.
Diharapkan dengan dicetaknya buku panduan praktikum ini adalah untuk membantu
para mahasiswa dalam memahami berbagai jenis perhitungan statistik analitik yang
berfungsi sebagai panduan apabila mahasiswa akan melakukan penelitian tugas akhir.
Mulai dari pengambilan sampel, pengelompokkan data, analisis data, hipotesa data dan
menarik kesimpulan dari data yang diperoleh.
Panduan praktikum ini telah dilengkapi dengan gambar petunjuk langkah-langkah

pengerjaan analisis data baik secara manual maupun dengan menggunakan excel.
Penulis menyadari buku panduan praktikum ini masih perlu disempurnakan sehingga
saran, kritik yang sifatnya membangun sangat penulis harapkan demi buku panduan
praktikum yang lebih baik di masa yang akan datang.
Penulis sangat berterimakasih kepada berbagai pihak yang telah membantu dalam
penyusunan buku ini, terutama kepada Dr.Tiny Agustini K, S.Si, M.M.S yang telah
memberikan masukan dan ilmu yang sangat bermanfaat. Terimakasih juga saya ucapkan
kepada Suryatmana Tanuwidjaya,Drs.,M.Si selaku direktur STA Bakti Asih yang selalu
memberikan semngat kepada penulis, tak lupa rasa terima kasih penulis juga haturkan
untuk keluarga tercinta, suami dan anak-anak yang selalu memberikan dukungan baik
moril dan spiritual. Semoga buku ini dapat membantu meningkatkan pengetahuan
mahasiswa khususnya dalam bidang ilmu statistik analitik.
Bandung, 5 April 2020
Penyusun

Daftar Isi
MODUL 1. IDENTIFIKASI DATA DAN PENGAMBILAN SAMPEL ................................................................6
MODUL 2. DISTRIBUSI FREKUENSI DAN ........................................................................................................ 13
MODUL 3. PENGELOMPOKKAN DATA ............................................................................................................ 29
MODUL 4. MENENTUKAN DISTRIBUSI DATA ............................................................................................... 35
MODUL 5. VARIANSI DATA ................................................................................................................................. 40
MODUL 6. UKURAN BENTUK (SKEWNESS, KURTOSIS, STATISTIK DESKRIPTIF) ............................. 43
MODUL 7. DIAGRAM KENDALI (CONTROL CHART) .................................................................................. 51
MODUL 8. MENGHITUNG PRESISI DAN AKURASI ....................................................................................... 61
MODUL 9. KORELASI DAN REGRESI ............................................................................................................... 64
MODUL 10. TEORI MEMBUANG DATA (UJI SELEKTIFITAS DATA) ........................................................ 70
MODUL 11. UJI T ..................................................................................................................................................... 86
MODUL 12. UJI F ..................................................................................................................................................... 93
MODUL 13. UJI CHI KUADRAT (CHI SQUARE) .............................................................................................. 98
MODUL 14. ANOVA .............................................................................................................................................. 104

MODUL 1. IDENTIFIKASI DATA DAN PENGAMBILAN SAMPEL
IDENTIFIKASI DATA
1. Pengelompokan Jenis Data

Data dapat dikelompokkan menjadi 2 kelompok besar, yaitu :
• Data Kualitatif, yaitu data yang berbentuk kalimat, kata, sifat, persentase
dan gambar. Data kualitatif dapat dikelompokkan menjadi : Data
klasifikasi tanpa peringkat (skala pengukuran nomimal) dan Data
klasifikasi dengan peringkat (skala pengukuran ordinal) → statistika non
parametrik.
• Data Kuantitaif, yaitu data yang berbentuk angka, bilangan, atau data
kualitatif yang diangkakan atau dikuantitatifkan, misalnya skoring. Data
kuantitatif dapat dikelompokkan menjadi : Data diskrit dan Data kontinyu,
yang disebut juga skala pengukuran interval dan skala pengukuran rasio
→ statistika parametrik.
2. Skala Pengukuran Data (definisi)

Kesesuaian antara jenis data dengan metode analisis statistiknya didasarkan pada
skala pengukuran datanya. Pengukuran adalah suatu usaha memasangkan suatu
angka secara sistematik sebagai cara untuk menyajikan ciri-ciri atau sifat suatu
obyek yang diukur. Ada 4 macam skala pengukuran untuk menyatakan ciri suatu
obyek yaitu: nominal, ordinal, interval dan rasio.
• Skala Pengukuran Nominal :

Yaitu skala yang digunakan untuk membedakan satu obyek dari obyek
lain, dan tidak mempunyai hubungan langsung dengan besar fisik atau
ciri-ciri fisik lainnya. Angka hanya sekedar untuk membedakan dengan
obyek lainnya. Contohnya : Nomor Pokok Mahasiswa (NPM), nomor polisi
kendaraan.
• Skala Pengukuran Ordinal :
Yaitu skala untuk menyatakan urutan tertentu. Angka yang lebih besar
dipakai untuk menyatakan sesuatu yang lebih dari yang obyek tersebut.
Jadi skala ini selain dapat dibedakan juga mempunyai urutan. Contohnya :
nilai ujian.

• Skala Pengukuran Interval :
Yaitu skala yang digunakan untuk menyatakan interval yang sama. Skala
ini selain dapat dibedakan, mempunyai urutan juga mempunyai interval
yang sama. Skala ini tidak mempunyai nilai nol absolut. Misalnya : suhu 00
tidak berarti tidak ada suhunya. Begitu pula suhu 100 tidak berarti 10 x
lebih panas dari 10.
• Skala Pengukuran Rasio :
Pengukuran ini selain dapat dibedakan, mempunyai urutan, intervalnya
sama, juga mempunyai nilai nol absolut. Artinya nilai nol berarti bahwa
obyek tersebut memang tidak ada. Misalnya berat : 0 kg tersebut tidak ada
beratnya. Contoh lain volume 0 liter, tahun 0 dan sebagainya. Benda
dengan berat 2 Kg berarti 2 kali dari benda yang beratnya 1 Kg.
Berdasarkan skala pengukurannya, analisis statistik yang dapat digunakan harus

disesuaikan. Data yang menggunakan skala pengukuran Nominal dan atau
ordinal, analisis statistik yang digunakan digolongkan dalam analisis statistik
nonparametrik. Sedangkan data yang menggunakan skala pengukuran interval
dan atau rasio, analisis statistik yang digunakan digolongkan dalam analisis
statistik parametric. Untuk lebih jelas pengelompokan jenis data dapat dilihat
pada gambar 1.
DATA
KUALITATIF KUANTITATIF
KLASIFIKASI TANPA KLASIFIKASI DENGAN DISKRIT KONTINYU

PERINGKAT PERINGKAT
INTERVAL ATAU RASIO

NOMINAL ORDINAL
PERSYARATAN
STATISTIK NON DISTRIBUSI
PARAMETRIK
STATISTIK PARAMETRIK

PENGAMBILAN SAMPEL
3. Populasi
Populasi adalah keseluruhan objek yang akan/ingin diteliti. Populasi ini sering
juga disebut Universe. Anggota populasi dapat berupa benda hidup maupun
benda mati, dimana sifat-sifat yang ada padanya dapat diukur atau diamati.
Populasi yang tidak pernah diketahui dengan pasti jumlahnya disebut "Populasi
Infinit" atau tak terbatas, dan populasi yang jumlahnya diketahui dengan pasti
(populasi yang dapat diberi nomor identifikasi), misalnya pohon jeruk di kebun,
jumlah buah per pohonl disebut "Populasi Finit". Suatu kelompok objek yang
berkembang terus (melakukan proses sebagai akibat kehidupan atau suatu proses
kejadian) adalah Populasi Infinitif. Misalnya populasi pohon suatu desa adalah
populasi yang infinit karena setiap waktu terus berubah jumlahnya. Apabilah
penduduk tersebut dibatasi dalam waktu dan tempat, maka populasi yang infinit
bisa berubah menjadi populasi yang finit. Misalnya jumlah petani sayur di Kota
Batu pada tahun 1990 (1 Januari s/d 31 Desember 1990) dapat diketahui
jumlahnya. Umumnya populasi yang infinit hanyalah teori saja, sedangkan
kenyataan dalam prakteknya, semua benda hidup dianggap populasi yang finit.
Bila dinyatakan bahwa 60% penduduk Indonesia adalah petani, ini berati bahwa
setiap 100 orang penduduk Indonesia, 60 orang adalah petani. Hasil pengukuran
atau karakteristik dari populasi disebut "parameter" yaitu untuk harga-harga rata-
rata hitung (mean) dan σ untuk simpangan baku (standard deviasi). Jadi populasi
yang diteliti harus didefenisikan dengan jelas, termasuk didalam nya ciri-ciri
dimensi waktu dan tempat.
4. Sampel
Sampel adalah bagian dari populasi yang menjadi objek peneliian (sampel sendiri
secara harfiah berarti contoh). Hasil pengukuran atau karakteristik dari sampel
disebut statistik, yaitu X untuk harga rata-rata hitung dan S untuk simpangan
baku atau standar deviasi.
Alasan perlunya pengambilan sampel adalah sebagai berikut :
1. Keterbatasan waktu dan biaya
2. Lebih cepat dan lebih mudah
3. Memberi informasi yang lebih banyak dan dalam
4. Dapat ditangani dengan lebih teliti

5. Teknik Pengambilan Sampel
Pemilihan teknik pengambilan sampel merupakan upaya penelitian untuk
mendapat sampel yang representatif (mewakili), yang dapat menggambarkan
populasinya. Teknik pengambilan sampel tersebut dibagi atas 2 kelompok besar,
yaitu :
1. Probability Sampling (Random Sample)
2. Non Probability Sampling (Non Random Sample)
a. Probability Sampling (Random Sample)

Pada pengambilan sampel secara random, setiap unit populasi, mempunyai
kesempatan yang sama untuk diambil sebagai sampel. Faktor pemilihan atau
penunjukan sampel yang mana akan diambil, yang semata-mata atas
pertimbangan peneliti, disini dihindarkan. Bila tidak, akan terjadi bias. Dengan
cara random, maka bias pemilihan dapat diperkecil sekecil mungkin. Ini
merupakan salah satu usaha untuk mendapatkan sampel yang representatif.
Keuntungan pengambilan sampel dengan probability sampling adalah sebagai
berikut:
- Derajat kepercayaan terhadap sampel dapat ditentukan.
- Beda penaksiran parameter populasi dengan statistik sampel, dapat
diperkirakan.
- Besar sampel yang akan diambil dapat dihitung secara statistik.
b. Nonprobability sampling ( nonrandom sample)

Setiap elemen populasi tidak mempunyai kemungkinan yang sama untuk
dijadikan sampel, misalnya convenience sampling, purposive sampling, quota
sampling, snowball sampling

LATIHAN SOAL 1
NAMA :
NIM :
NILAI :
1. Identifikasikan data berikut pilih salah satu jawaban yang paling benar:
NO NIM NAMA
1 1111E1043 RIDHA ROBBI AMANATI

2 1111E1045 NURI HIKANADIA
3 1111E1046 DEDE RISTA YULIANA
4 1111E1047 GUNARIAH DARANINGGAR
5 1111E1048 NOVI ANDRIANI
6 1111E1050 LIA LISNAWATI
7 1111E1055 SYIFA ROSIFAH
8 1111E1056 FAJAR RAHMAWAN YAHYA
9 1111E1057 LINA MARLINA OKTAVIANA
10 1111E1059 INA JANUARTI
a. Data Kualitatif skala pengukuran ordinal

b. Data Kuantitaif skala pengukuran interval
c. Data Kualitatif skala pengukuran nominal
d. Data Kuantitatif skala pengukuran rasio
2. Identifikasikan Data Berikut :
no nim nama nilai

1 1111E1043 RIDHA ROBBI AMANATI 76
2 1111E1045 NURI HIKANADIA 63
3 1111E1046 DEDE RISTA YULIANA 71
4 1111E1047 GUNARIAH DARANINGGAR 73
5 1111E1048 NOVI ANDRIANI 78





5. Apakah yang di maksud dengan data kuantitatif, data kualitatif ?
…………………………………………………………………………………………
…………………………………………………………………………………………
…………………………………………………………………………………………
…………………………………………………………………………………………
…………………………………………………………………………………………
………………………………………………………………………………………..
6. Apakah yang dimaksud dengan Populasi Infinit dan Populasi Finit ?

…………………………………………………………………………………………
…………………………………………………………………………………………
…………………………………………………………………………………………
…………………………………………………………………………………………
………………………………………………………………………………………..
……………………………………………………………………………………….
7. Apakah yang dimaksud dengan Sampel ? dan apakah kegunaannya?

…………………………………………………………………………………………
…………………………………………………………………………………………
…………………………………………………………………………………………
…………………………………………………………………………………………
…………………………………………………………………………………………
…………………………………………………………………………………………
8. Apakah yang dimaksud dengan Probability Sampling (random sampling)

dan non Probability Sampling.
…………………………………………………………………………………………
…………………………………………………………………………………………
…………………………………………………………………………………………
…………………………………………………………………………………………
…………………………………………………………………………………………
…………………………………………………………………………………………

MODUL 2. DISTRIBUSI FREKUENSI DAN
DISTRIBUSI FREKUENSI
1. Raw Data dan Array Data

Raw data adalah sekumpulan data kasar yang belum diatur secara numerik. Array
data adalah data sudah diatur secara numerik. Misalnya data yang sudah
diurutkan dari kecil ke yang lebih besar atau sebaliknya.
Contoh raw data :

Nilai ujian Statistika dari 15 orang mahasiswa adalah:
70 70 60 50 80 60 70 80 70 60 90 50 50 60 60
Contoh array data :

Dari raw data diatas dapat disusun dari nilai ujian terkecil sampai terbesar
menjadi array data sebagai berikut:
Dalam excel tahapan menyusun data adalah sebagai berikut :
• Tulis data nilai statistik dari 15 mahasiswa seperti gambar berikut

• Blok data yang sudah di input, seperti pada gambar berikut :
• Kemudian klik menu short and filter di ujung kanan atas layar, seperti pada
gambar berikut :

• Maka hasilnya akan nampak seperti gambar berikut :
Penyusunan data mentah (raw data) menjadi array data merupakan cara
penyajian data yang paling sederhana. Cara penyajian data yang dipandang lebih
baik misalnya dengan menyusun data menjadi suatu distribusi frekuensi.
Distribusi frekuensi dapat berupa tabel atau gambar/diagram.
2. Distribusi Frekuensi
Cara membuat data menjadi distribusi frekuensi yang berupa kelas-kelas dengan
interval tidak ada ketentuan yang baku atau mengikat. Tetapi yang penting
distribusi yang dibentuk jumlah kelasnya tidak terlalu sidikit dan tidak terlalu
banyak, sehingga tampak menarik. Yang dianggap tidak terlalu banyak dan tidak
terlalu sedikit. Sedikit tidak ada pedoman yang pasti, tetapi umumnya banyaknya
kelas diambil antara 5 sampai 15 kelas.
Ada beberapa langkah yang dapat dijadikan pedoman antara lain :
• Menghitung range (r) dari data yang akan disusun, yaitu selisih antara data
yang terbesar dikurangi oleh data yang terkecil.
• Menentukan banyaknya kelas dengan menggunakan rumus HA sturges :

k = 1 + 3,322 log n k :banyaknya kelas, n : banyaknya data yang akan disusun.
• Menghitung lebar masing-masing kelas. Jika menggunakan lebar kelas

yang sama untuk semua kelas, maka lebar kelas kurang lebih :
c=(r)/(k)
c : lebar kelas
r : range
k : banyaknya kelas.
• Menentukan interval masing-masing kelasnya dan menyusunnya mulai

dari interval terkecil sampai terbesar. Jangan sampai interval kelas ini
terjadi overlaping. Untuk itu antara kelas yang satu dengan kelas yang lain
diberi jarak (gap) sekecil mungkin, sehingga tidak ada satu datapun yang
masuk ke dalam gap tersebut.
• Cara lain adalah dengan menentukan lebih dulu interval kelas atau lebar
kelas, baru kita hitung banyaknya kelas, dengan rumus :
k=(r)/(c)
k : banyaknya kelas (jika hasilnya pecahan, dibulatkan).
r : range
c : lebar kelas.
• Akhirnya kita hitung frekuensi masing-masing kelas, dengan cara

memeriksa setiap data masuk kelas interval yang mana.
3. Pembuatan distribusi frekuensi dengan excel

Langkah – langkah
3.1. Buka Excel dan masukkan data mentah ke dalam sel-sel yang tersedia
Contoh : diketahui hasil ujian statistika didapat nilai siswa sebagai berikut :

3.2. Cari data yang terbesar dengan rumus =MAX(block data) lalu enter, maka
akan muncul seperti pada gambar berikut :
Nilai terbesar adalah : 97
3.3 Cari data yang terkecil dengan rumus =MIN(block data) lalu enter, maka akan
muncul seperti pada gambar berikut :
Nilai terkecil adalah : 53
3.4 Hitung banyaknya kelompok dengan kaida HA sturges K = 1+3,322 Log N

N = banyaknya data yaitu : 80, maka
K=7

3.5 Hitung rentangan ( R ) yaitu, nilai terbesar – nilai terkecil = 97-53 adalah 44
3.6 Hitung interval (I) = R/K,
Sehingga I = 44/7 adalah 6 (dibulatkan)
3.7 Buat rentang atas dari perhitungan Interval dimulai dari nilai yang terkecil
Seperti pada gambar berikut :

3.8 Tulislah batas atas tiap interval seperti pada gambar berikut :
Input range
Bin range
3.9 Lakukan langkah-langkah analisis data sebagai berikut:

a. Melalui menu Tools, pilih Data analysis, kemudian muncul pilihan berikut.
b. Pilih Histogram, klik Ok.
Maka akan muncul tampilan sebagai berikut :

Kemudian akan muncul tampilan sebagai berikut :
c. Pada baris Input Range, isilah dengan semua data dari sel A1 s.d. sel J8.
Untuk mudahnya sorot semua sel tersebut.
d. Pada Bin Range, sorot semua array limit atas interval kelas.klik OK maka
berikut tampilannya

e. Dengan melakukan editing pada histogram yang ada seperti memperbesar,
menggeser, mengubah label, font, warna dan lain-lain maka akan diperoleh
histogram yang diinginkan. Lakukanlah dengan coba-coba sambil
mempelajari materi excel lebih lanjut.
f. Untuk menampilkan tanda kelas (titik tengah interval) pada sumbu X seperti
pada teorinya maka angka pada kolom Bin diganti dengan tanda kelas, maka
tampilan barunya sebagai berikut :
g. Membuat diagram poligon : klik kanan pada diagram histogram yang sudah
kita buat sebelumnya. Maka akan muncul tampilannya sebagai berikut :

h. Pilih “select data” dan akan muncul tampilan sebagai berikut :

i. Klik Add maka akan muncul tampilan sebagai berikut :
Input series name dengan memblok data “Bin”
Input series value dengan memblok data “frekuensi”
j. Setelah input data pada series name dan value maka klik ok dua kali

k. Maka tampilannya sebagai berikut :
lalu klik diagram batang yang berwarna merah
l. Kemudian kita rubah bentuk diagram batang yang berwarna merah menjadi
diagram garis dengan memilih diagram “Line”pada menu.
m. Setelah merubah dari diagram batang menjadi diagram line maka tampilannya
sebagai berikut :
4. Distribusi Frekuensi Kumulatif
Lakukan langkah-langkah analisis data sebagai berikut:
a. Melalui menu Tools, pilih Data analysis, kemudian muncul pilihan berikut.
b. Pilih Histogram, klik Ok. Maka akan muncul tampilan sebagai berikut :

Maka tampilannya adalah sebagai berikut :
Setelah dilakukan editing, seperti membuang baris More pada Tabel, menghapus
histogram, frekuensi, menggeser, memperbesar, mengganti judul header, judul
sumbu koordinat, dan lain-lain maka diperoleh tampilan yang lebih menarik
berikut.

5. LATIHAN SOAL !
Nilai statistik mahasiswa diketahui sebagai berikut :
68 84 75 82 68 90 62 88 76 93 73 79 88 73 60 93 71 59 85 75 61 65 75 87 74 62 95 78 63 72 78
82 75 94 77 69 74 68 60 96 78 89 61 75 95 60 79 83 71 79 62 67 97 78 85 76 65 71 75 65 80
Buatlah diagram frekuensi dengan jumlah kelas 10
Kemudian tentukan :
(a) nilai tertinggi.
(b) nilai terendah.
(c) rentang nilai.
(d) nilai-nilai yang menduduki ranking 5 terbesar.
(e) nilai-nilai yang menduduki ranking 5 terkecil.
(f) banyak siswa yang mendapat nilai tidak kurang dari 75.
(g) banyak siswa yang mendapat nilai kurang dari 85.
(h) prosentasi siswa yang mendapat nilai lebih dari 65 tetapi tidak lebih dari 85.

Jawab :
Nilai Paraf Asisten Praktikum

MODUL 3. PENGELOMPOKKAN DATA
Ukuran statistik merupakan ukuran yang menunjukkan bagaimana suatu gugus data
memusat dan menyebar. Di dalam ukuran statistik ada tiga bentuk ukuran deskripsi
data, yaitu : ukuran pusat data, ukuran variabilitas data dan ukuran bentuk distribusi
data. Ukuran pusat data yang banyak digunakan untuk mendeskripsikan data adalah
mean (rata-rata hitung), median dan modus. Ukuran penyebaran suatu kelompok data
terhadap pusat data disebut disperse atau variasi atau keragaman data. Ukuran disperse
data yang umum dipakai adalah jangkauan (range), variansi dan standar deviasi.
Ukuran Pemusatan
1. Mean (rata-rata hitung)
Rata-rata dihitung dengan menjumlahkan seluruh angka data yang selanjutnya dibagi
dengan banyaknya (jumlah) data. Jumlah data untuk data sampel disebut sebagai
ukuran sampel yang disimbolkan dengan n dan untuk data populasi disebut sebagai
ukuran populasi yang disimbolkan dengan N. Untuk rata-rata hitung sekumpulan data
hasil observasi dihitung dengan menggunakan rumus
berikut :
Rata-rata (X) = Σ(Xi) / N
Dimana : Xi = nilai dari observasi yang ke-i
N = banyaknya observasi ukuran sample.
2. Median
Median adalah nilai yang membagi gugus data yang telah tersortir (ascending) menjadi
2 Bagian yang sama besar.Letak median = (n+1)/2
3. Kuartil adalah nilai yang membagi gugus data yang telah tersortir (ascending)
menjadi Empat bagian yang sama besar. Nilai kuartil terdiri dari kuartil 1, kuartil 2 dan
kuartil 3. Nilai kuartil 2 suatu gugus data sama dengan nilai median tersebut.
4. Modus
Modus merupakan nilai yang paling sering muncul atau nilai yang frekuensinya paling
tinggi.
5. Persentil (percentile), Persentil adalah nilai-nilai pengamatan yang membagi data

menjadi 100 bagian yang sama.

Diketahui Data Pembacaan Absorban dalam analisis logam sbb:
1. Menghitung Nilai Rata-rata

Ketik =AVERAGE lalu blok data dari B1:B10
Nilai Rata – rata nya adalah : 0.713

2. Menghitung Median
Ketik =MEDIAN lalu blok data dari (B1:B10)
Nilai Mediannya adalah : 0,713
3. Menghitung Modus
Ketik =MODE lalu blok dara dari (B1:B10)
Nilai Modusnya adalah : 0,714

4. Menghitung Kuartil
a. Urutkan Data dari yang terkecil sampai data yang terbesar
b. Ketik formula untuk menghitung nilai kuartil

a. Di cell E9 ketik :
=QUARTILE(B1:B10,0) Persamaan ini untuk menghitung nilai minimum
b. Di cell E10 ketik :
=QUARTILE(B1:B10,1) Persamaan ini untuk mencari nilai Q1 , kuartil ke 1
c.Di sel E11 ketik :
d. Di cell E12 ketik :
c. Maka hasil yang keluar adalah sbb:
QUARTILE

5. Menghitung Percentil
Cara penulisan rumus percentile seperti di bawah ini:
PERCENTILE(array,k)
Dimana :
a. Array dapat berupa array atau range data.
b. k adalah nilai percentle yang diinginkan (nilai percentile berada dalam kisaran
0 sampai1, 0 berarti 0%,
sedangkan 1 berarti 100%)
Beberapa hal yang perlu diperhatikan saat menggunakan fungsi percentile di

excel:
a. Jika array kosong atau berisi lebih dari 8.191 titik data, maka PERSENTIL aka
menghasilkan NUM #! (nilai kesalahan).
b. Jika k adalah nonnumerik (bukan angka), maka PERSENTIL menghasilkan #
VALUE!
c. Jika k adalah <0 atau jika k> 1, PERSENTIL menghasilkan NUM #!
d. Jika k adalah bukan kelipatan dari 1 / (n - 1), PERSENTIL akan melakukan
interpolasi untuk menentukan nilai pada persentil ke-k.
Agar lebih mudah menerapkan fungsi percentile silahkan buat tabel seperti di
bawah ini :
1.Kolom B akan diisi data, dalam contoh ini data berada dalam range B1:B10
Perlu diperhatikan data harus tersortir dari kecil hingga besar.

2. Selanjutnya lakukan perhitungan percentil
a. Untuk menghitung percentil ke-100 di sel D3 ketik formula
=PERCENTILE(B1:B10,1)
b. Untuk mencari percentil ke-20 di sel D4 type formula
=PERCENTILE(B1:B10,0.2)
c. Untuk menentukan percentil ke-80 di sel D5 type formula
=PERCENTILE(B1:B10,0.8)
Maka tampilannya adalah sbb :
Latihan Soal : Analisis kadar sulfat dengan spektrofotometri adalah sebagai

berikut: Hitunglah nilai rata-rata, median, modus, kuartile dan percentilenya
KONSENTRASI
Pengukuran mg/L
1 0.25
2 0.29
3 0.32
4 0.25
5 0.37
6 0.29
7 0.24
8 0.58

Jawab :

MODUL 4. MENENTUKAN DISTRIBUSI DATA
Z-Score
• Kurva Distribusi Normal : Luas daerah yang mempunyai hubungan dengan
probabilitas.
• Z – SCORE digunakan untuk melihat probabilitas data yang berada pada

daerah di dalam kurva distribusi normal pada tingkat kepercayaan tertentu.

× −𝜇
𝑍=
𝑠
Dimana :
X : adalah rata-rata sampel
µ : adalah nilai yang akan distandarisasi
s : Standar deviasi dari sampel
Hitunglah berapa persen probabilitas nilai mahasiswa yang mempunyai nilai

antara 50 – 60 untuk mata kuliah statistic analitik jika diketahui nilai rata-rata dari
kurva adalah 55 dengan standar deviasi 10.
Diketahui : = 10
µ = 55
x = 50 – 60
1. (50 – 55)/10 = 0.5 → baca tabel distribusi normal → 0.1915 → 19.15%
2. (60 – 55)/10 = 0.5 → baca tabel distribusi normal → 0.1915 → 19.15%
3. Maka total persentasi mahasiswa yang mempunyai nilai antara 50 – 60 adalah
19.15% + 19.15% = 38.3%
LATIHAN SOAL !
Hitunglah berapa persen probabilitas nilai mahasiswa yang mempunyai nilai
antara
1. 60 - 65
2. 68 – 70
3. 50 - 55
4. >60
5. <65
untuk mata kuliah statistic analitik jika diketahui nilai rata-rata dari kurva adalah
55 dengan standar deviasi 10.
Diketahui : = 10
µ = 55

Jawab :

MODUL 5. VARIANSI DATA
1. Jangkauan (range)
Jangkauan atau range (r) suatu gugus data adalah selisih antara nilai maksimum
dengan nilai minimum. Dengan melihat ukuran ini maka dapat diketahui
gambaran secara kasar tentang variasi suatu distribusi data. Nilai range ini sangat
kasar, karena tidak mempertimbangkan nilai-nilai yang lain selain nilai
ekstrimnya.
2. Variansi
Variansi adalah rata-rata kuadrat selisih atau kuadrat simpangan dari semua nilai
data terhadap rata-rata hitung. Variansi untuk sampel dilambangkan dengan s2.
sedangkan untuk populasi dilambangkan dengan σ2 Variansi (s)2 = [Σ(Xi-X)] / (n-
1) . Sebenarnya yang merupakan ukuran simpangan adalah simpangan baku(
standar deviasi), namun demikian ukuran variansi ini merupakan ukuran
pangkat dua dari simpangan baku, sehingga bisa juga dianggap sebagai ukuran
penyebaran.
3. Standar Deviasi
Standar deviasi adalah akar pangkat dua dari variansi. Standar deviasi seringkali
disebut simpangan baku. Dengan menggunakan simpangan rata-rata hasil
pengamatan penyebaran sudah memperhitungkan seluruh nilai yang ada pada
data. Namun demikian karena dalam penghitungan menggunakan nilai absolut
maka tidak dapat diketahui arah penyebarannya. Maka dengan simpangan baku
kelemahan ini dapat diatasi, yakni dengan cara membuat nilai pangkat 2, sehingga
nilai negatif menjadi positif. Simpangan baku ini merupakan ukuran penyebaran
yang paling teliti.
4. Koefisien variansi
Koefisien variasi merupakan suatu ukuran variansi yang dapat digunakan untuk
membandingkan suatu distribusi data yang mempunyai satuan yang berbeda.
Kalau kita membandingkan berbagai variansi atau dua variabel yang mempunyai
satuan yang berbeda maka tidak dapat dilakukan dengan menghitung ukuran
penyebaran yang sifatnya absolut.
Diketahui Data Pembacaan Absorban dalam analisis logam sbb:

1. Range = Data Terbesar – Data Terkecil
2. Varians, ketik =VAR.P(B1:B10) ENTER
3. Standar Deviasi, ketik =STDEV(B1:B10) ENTER
Maka hasilnya sebagai berikut :
Latihan Soal : Hitunglah nilai range, varians dan standar deviasinya dengan excel
KONSENTRASI
Pengukuran mg/L
1 0.30
2 0.29
3 0.32
4 0.30
5 0.37
6 0.29
7 0.30
8 0.40

Jawab :

MODUL 6. UKURAN BENTUK (SKEWNESS, KURTOSIS, STATISTIK DESKRIPTIF)
1. Kemiringan (Skewness)
Kemiringan (skewness) adalah tingkat ketidak simetrisan atau kejauhan simetri dari
sebuah distribusi. Sebuah distribusi yang tidak simetris akan memiliki rata-rata, median,
dan modus yang tidak sama besarnya (mean≠ Me ≠ Mo), sehingga distribusi akan
terkonsentrasi pada salah satu sisi dan kurvanya akan miring. Jika distribusi memiliki
ekor yang lebih panjang ke kanan daripada yang ke kiri maka distribusi disebut miring
ke kanan atau memiliki kemiringan positif. Sebaliknya, jika distribusi memiliki ekor yang
lebih panjang ke kiri daripada yang ke kanan maka distribusi disebut miring ke kiri atau
memiliki kemiringan negatif.
2. Menghitung skewness dengan excel
Salah satu fungsi statistik yang tersedia di microsoft excel adalah skewness
(kemencengan). Skewness adalah derajat ketidaksimetrisan suatu distribusi. Jika kurva
frekuensi suatu distribusi memiliki ekor yang lebih memanjang ke kanan (mengacu dari
meannya) maka disimpulkan menceng kanan (positif) dan jika distribusi memiliki ekor
yang lebih memanjang ke kiri maka dapat disimpulkan menceng kiri (negatif). Secara
perhitungan, skewness adalah momen ketiga terhadap mean. Distribusi normal dan
distribusi simetris lainnya, misalnya distribusi t memiliki skewness 0.
Cara penulisan rumus skewness di excel
Skew (number1, number2,...)
Dimana :

Number1, number2 ... berupa 1-255 argumen yang Anda ingin dighitung skewnessnya.
Anda juga dapat menggunakan array tunggal atau referensi ke array, bukan argumen
yang dipisahkan oleh koma.
Keterangan
a. Argumen dapat berupa nomor atau nama, array, atau referensi yang mengandung
angka.
b. Nilai-nilai logis dan representasi teks dari sebauah angka yang anda ketik langsung ke
daftar argumen akan
dihitung.
c. Jika sebuah array atau argumen referensi berisi teks, nilai-nilai logis, atau sel-sel
kosong, nilai-nilai tersebut
diabaikan, namun sel-sel dengan nilai nol akan disertakan dalam perhitungan.
d. Argumen yang kesalahan nilai atau teks yang tidak dapat diterjemahkan ke dalam
angka menyebabkan
kesalahan.
e. Jika ada data yang kurang dari tiga poin, atau deviasi standar sampel adalah nol, Skew
mengembalikan DIV # / 0! kesalahan nilai.

Sebagai contoh buat tabel seperti di bawah ini :
1. Ketik data pada sell B1 hingga B10
2. Untuk menghitung nilai skewness, di sel D3 ketik formula =SKEW(B1:B10)
Terlihat nilai skewnessnya lebih kecil dari 1, berarti jika grafik kurva distribusinya dibuat
akan tampak seperti pada gambar Negative Skew.
Demikian sebaliknya apabila skewnessnya lebih besar dari 1, berarti grafik kurvanya
seperti pada gambar Positif Skew.
• Keruncingan atau Kurtosis
Keruncingan atau kurrtosis adalah tingkat kepuncakan dari sebuah distribusi yang
biasanya diambil secara relatif terhadap suatu distribusi normal. Berdasarkan
keruncingannya, kurva distribusi dapat dibedakan atas tiga macam,yaitu sebagai
berikut :
1) Leptokurtik
Merupakan distribusi yang memiliki puncak relatif tinggi.
2) Platikurtik
Merupakan distribusi yang memiliki puncak hampir mendatar
3) Mesokurtik
Merupakan distribusi yang memiliki puncak tidak tinggi dan tidak mendatar.
Bila distribusi merupakan distribusi simetris maka distribusi mesokurtik
dianggap sebagai distribusi normal.
• Menghitung kurtosis menggunakan excel
Salah satu fungsi statistik yang tersedia di microsoft excel adalah kurtosis . Kurtosis
adalah derajat keruncingan suatu distribusi (biasanya diukur relatif terhadap
distribusi normal). Kurva yang lebih lebih runcing dari distribusi normal dinamakan
leptokurtik, yang lebih datar platikurtik dan distribusi normal disebut mesokurtik.
Kurtosis dihitung dari momen keempat terhadap mean.
Cara penulisan rumus kurtosis di excel
Kurt (number1, number2,...)

Dimana :
Number1, number2, ... dapat berupa 1-255 argumen yang ingin dihitung kurtosisnya.
Anda juga dapat menggunakan array tunggal atau referensi ke array, bukan argumen
yang dipisahkan oleh koma.
Keterangan
a. Argumen dapat berupa nomor atau nama, array, atau referensi yang mengandung
angka.
b. Nilai-nilai logis dan representasi teks dari nomor yang aAnda ketik langsung ke
daftar argumen akan dihitung.
c. Jika sebuah array atau argumen referensi berisi teks, nilai-nilai logis, atau sel-sel
kosong, nilai-nilai tersebut diabaikan, namun sel-sel dengan nilai nol yang disertakan
dalam perhitungan.
d. Argumen yang kesalahan nilai atau teks yang tidak dapat diterjemahkan ke dalam
nomor/angka menyebabkan kesalahan.
e. Jika ada data yang kurang dari empat poin, atau jika standar deviasi sampel sama
dengan nol, Kurt mengembalikan DIV # / 0! (nilai kesalahan)
Apabila nilai kurtosis positif → distribusi lancip
Apabila nilai kurtosis negaif → distribusi tumpul
Ketik data pada sell B1 hingga B10

Untuk menghitung nilai skewness, di sel D3 ketik formula =KURT(B1:B10)
Hasilnya sbb : terlihat nilai kurtosisnya negatif.

Apabila nilai kurtosis negaif → distribusi tumpul
Membuat Statistik Deskriptif dengan menggunakan Excel :

1. Diketahui data konsentrasi nitrat (ppm) sebagai berikut :
2. Kemudian input data:

3. Hasilnya adalah sbb:
LATIHAN SOAL !
Jelaskan setiap komponen dari tabel statistik deskripif di atas.

Jawab :
Nilai
Paraf Asisten Praktikum

MODUL 7. DIAGRAM KENDALI (CONTROL CHART)
1. Diagram Kendali (Control Chart) adalah suatu grafik yang menggambarkan hasil
analisis rata-rata dari suatu jenis analisis, dimana dalam grafik tersebut
digambarkan bats kendali dari hasil analisis.
Cara Membuat :
• Hitung Nilai Rata-rata dari hasil analisis dan gambarkan
• Hitung Standar Deviasi dari data hasil analisis
• Hitung besarnya X+(2S ) dan X-(2S)
• Hitung besarnya X+(3S ) dan X-(3S)
• Nilai rata-rata di area X+(2S ) dan X-(2S) menggambarkan data masih dapat
diterima.
• Nilai rata-rata di area X+(3S ) dan X-(3S) menggambarkan data harus
ditolak.
2. Unsur-unsur yang dimiliki dalam diagram Diagram Kendali adalah sebagai

berikut:
1. Batas Kendali Atas (Upper Control Limit/UCL)
2. Garis Tengah (Center Line/CL)
3. Batas Kendali Bawah (Lower Control Limit/LCL)
Garis tengah (Center Line/CL) bersesuaian dengan mean populasi yang diperkirakan
dari nilai yang diamati dalam proses. Daerah antara batas kendali atas (UCL) dan batas
kendali bawah (LCL) menunjukkan variasi yang terkontrol. Namun jika pengamatan
berada di luar daerah lersebut (di atas UCL atau di bawah LCL) hal ini menunjukkan
terdapatnya suatu variasi yang tak terkontrol atau variasi karena sebab khusus.

3. Membuat Diagram Kendali dengan Menggunakan Excel
• Berikut adalah data hasil analisis kadar Fe dalam air dalam satuan ppm
• Hitung Rata-ratanya pada cell H2

• Hitung Standar Deviasinya cell H3
• Tulis CL (Center Line/mean) pada cell C1, UCL pada cell D1 dan LCL pada
Cell E1, maka akan tampak tampilannya sbb:

• Letakkan cursor di Cell C2 kemudian ketik =H$2 kemudian enter
• Klik pada cell C2 kemudian drag sampai data terakhir. Maka tampilannya
sebagai berikut :

• Menghitung nilai UCL X+(3*S ) Dimana X adalah rata-rata/mean/CL. S
adalah Standar deviasi
• Letakkan cursor pada cell D2 kemudian ketik =H$2+(3*S) enter.
• Klik pada cell D2 kemudian drag sampai data terakhir.

• Menghitung nilai LCL X-(3*S) Dimana X adalah rata-rata/mean/CL dan S
adalah Standar deviasi
• Letakkan cursor pada cell E2 kemudian ketik =H$2-(3*S) enter.
• Klik pada cell E2 kemudian drag sampai data terakhir.

• Blok semua data, klik insert, pilih diagram line.
• Maka tampilan diagram kendali akan tampak sbb:
• Diagram kendali format axis bisa disesuaikan, agar tampilan diagram lebih
baik dan menarik dengan tahapan sebagai berikut :
• Klik Kanan data axis pada diagram kendali, maka akan muncul pilihan
seperti pada gambar berikut, maka pilih Format axis:
• Kemudian akan muncul pada layar sbb:
Skala axis bisa

dirubah-rubah,
disesuaikan
dengan data

• Klik pada pilihan “Fixed” kemudian apabila dirubah sesuai dengan kondisi
data maka akan tampak sebagai berikut :
✓ Mengisi Fixed Minimum lihat

nilai LCL
✓ Mengisi Fixed Maximum lihat
nilai UCL
✓ Mengisi Fixed Major Unit dan
Minor Unit lihat interval data
yang ada
Skala axis bisa

dirubah-rubah,
disesuaikan
dengan data
• Setelah Axis Point dirubah disesuaikan dengan kondisi data maka,

tampilan diagram chart yang baru adalah sbb:
• Tampilan diagram kendali diatas masih belum sempurna, dikaremakan

belum ada judul dan keterangan diagram yang lain. Untuk membuat judul
diagram dan keterangan yang lainnya maka tahapannya sbb:
• Klik Diagram, maka pada menu bar akan muncul seperti pada gambar
berikut : Pilih “Layout”
• Apabila ingin menambahkan judul pada diagram maka pilih “chart title”
• Apabila ingin menambahkan keterangan “axis” maka pilih “Axis title”

LATIHAN SOAL :
Buatlah grafik control chart dari kadar kolesterol dalam darah (mg/dl) dan buatlah
kesimpulan dari hasil pengamatannya:
1 180 12 134
2 191 13 145
3 152 14 167
4 148 15 178
5 140 16 180
6 166 17 155
7 173 18 141
8 181 19 140
9 154 20 175
10 158 21 220
11 155 22 275

MODUL 8. MENGHITUNG PRESISI DAN AKURASI
1. Presisi adalah derajat kedekatan kesamaan pengukuran antara satu dengan lainnya. Jika
hasil pengukuran saling berdekatan (mengumpul) maka dikatakan mempunyai presisi
tinggi dan sebaliknya jika hasil pengukuran menyebar maka dikatakan mempunyai
presisi rendah. Presisi diindikasikan dengan penyebaran distribusi probabilitas.
Distribusi yang sempit mempunyai presisi tinggi dan sebaliknya. Ukuran presisi yang
sering digunakan adalah standar deviasi ( s). Presisi tinggi nilai standar deviasinya kecil
dan sebaliknya.
Suatu data dikatakan presisi apabila nilai RSD % < 2/3 CV Horwitz
• %RSD = Standar deviasi X 100% → Melihat Kepresisian data
Rata - Rata
• CV Horwitz = 𝟐𝟏−(𝟎.𝟓 𝒍𝒐𝒈 𝑪) → Mengukur keberulangan data
Catatan : C adalah rata-rata dikalikan dengan fraksi konsentrasi
Contoh : satuan mg/L fraksi konsentrasi adalah 10-6 dan satuan mg/dL fraksi
konsentrasi adalah 10-5
2. Akurasi adalah derajat kedekatan pengukuran terhadap nilai sebenarnya. Ada
dua cara yang dapat dilakukan untuk menilai akurasi.
a. Membandingkan dengan nilai sebenarnya (CRM) dengan rumus :
Error = |𝑥 − 𝐶𝑅𝑀|
|𝑥−𝐶𝑅𝑀|
% Error = 𝑥 100%
𝐶𝑅𝑀
Secara umum data yang akurat adalah % Error < 5%
b. Membandingkan %recovery hitung dengan %recovery tabel, apabila %recovery
hitung < % recovery tabel maka data tidak akurat.
𝐶3−𝐶1
% recovery = 𝐶2
𝑥 100% → %recovery hitung
Keterangan : C3 = Konsentrasi Akhir

C1 = Konsentrasi Sampel *
C2 = Konsentrasi Standar yang ditambahkan

ACUAN NILAI RECOVERY YANG DIPERBOLEHKAN
(Pharmacopoeia)
Kadar Analit dalam sampel Recovery (%)
100 % 98-102
> 10 % 98-102
>1% 97-103
> 0,1 % 95-105
0,01 % 90-107
0,001 % 90-107
0,0001 (1 ppm) 80-110
0,00001 (100 ppb) 80-110
0,000001 (10 ppb) 60-115
0,0000001 (1 ppb) 40-120
3. Latihan Soal
• Nilai rata-rata dari 6 kali pengukuran kadar Pb di udara adalah 3,25 ppm,
standar deviasi 0,04
a. Hitung nilai RSD dari data di atas
b. Bandingkan nilai RSD dengan 2/3 CV Horwitz dan tentukan apakah data di
atas presisi. Rumus CV Horwitz = 2 1-0,5 log C
c. Hitung nilai error dari hasil pengujian diatas, jika nilai benar (CRM) untuk
kadar Pb dari udara adalah 8,5 ppm, apakah data di atas akurat?
• Konsentrasi awal kadar lemak pada susu bubuk adalah 5%, kemudian
ditambahkan konsentrasi standar lemak pada susu bubuk sebanyak 3%,
ternyata konsentrasi akhir kadar lemak pada susu bubuk menjadi 7,9%.
d. Berapakah %recovery hitungnya?
e. Bandingkan %recovery hitungnya dengan %recovery table, berikan
kesimpulannya

Jawab :

MODUL 9. KORELASI DAN REGRESI
1. Analisa regresi digunakan untuk mempelajari dan mengukur bentuk hubungan

statistik yang terjadi antara dua atau lebih varibel. Dalam regresi sederhana dikaji
dua variabel, sedangkan dalam regresi majemuk dikaji lebih dari dua variabel.
Dalam analisa regresi suatu persamaan regresi hendak ditentukan dan digunakan
untuk menggambarkan pola atau fungsi hubungan yang terdapat antar variabel.
2. Analisa korelasi bertujuan untuk mengukur "seberapa kuat" atau "derajat
kedekatan" suatu relasi yang terjadi antar variabel. Dalam analisa regresi ingin
diketahui adalahi pola relasi dalam bentuk persamaan regresi, sedangkan dalam
analisa korelasi ingin mengetahui kekuatan hubungan tersebut dalam koefisien
korelasinya. Dengan demikian biasanya analisa regresi dan korelasi sering
dilakukan bersamasama.
3. Langkah pertama dalam menganalisa relasi antar variabel adalah dengan
membuat diagram pencar (scatter diagram) yang menggambarkan titik-titik plot
dari data yang diperoleh. Diagram pencar ini berguna untuk:
-Membantu dalam melihat apakah ada relasi yang berguna antar variabel,
-Membantu dalam menentukan jenis persamaan yang akan digunakan untuk
menentukan hubungan tersebut.
4. Variabel yang akan diestimasi nilainya disebut variabel terikat (dependent
variable atau response variable) dan biasanya diplot pada sumbu tegak (sumbu-
y). Sedangkan variabel bebas (independent variable atau explanatory variable)
adalah variabel yang diasumsikan memberikan pengaruh terhadap variasi
variable terikat dan biasanya diplot pada sumbu datar (sumbu-x). Persamaan
garis yang melalui titik–titik koordinat pada diagram pencar dinamakan
penduga garis linier atau regresi linier. Secara matematis dinyatakan dengan
persamaan : y =a +bx
• Y= subyek dalam variabel dependen yang diprediksi
• b= slope → angka peningkatan atau penurunan variabel dependen yang
didasarkan pada variabel independen, bila b(+) maka naik, bila(-) maka
turun
• a= intersep → Intersep adalah suatu titik perpotongan antara suatu garis
regresi dengan sumbu Y pada diagram/sumbu kartesius saat nilai X = 0.
Sedangkan definisi secara statistika adalah nilai rata-rata pada variabel Y
apabila nilai pada variabel X bernilai 0. Dengan kata lain, apabila X tidak
memberikan kontribusi, maka secara rata-rata, variabel Y akan bernilai

sebesar intersep. Perlu diingat, intersep hanyalah suatu konstanta yang
memungkinkan munculnya koefisien lain didalam regresi. Intersep tidak
selalu dapat atau perlu untuk dinterpretasikan. Apabila data pengamatan
pada variabel X tidak mencakup 0 atau mendekati 0, maka intersep tidak
memiliki makna yang berarti, sehingga tidak perlu diinterpretasikan.
• X= subyek variabel independen
5. Membuat Kurva kalibrasi

Untuk menentukan hubungan antara variabel bebas dan variabel tidak bebas
mempunyai korelasi atau tidak, ditentukan oleh uji koefisien korelasi Pearson.
Korelasi signifikan jika : nilai r > nilai tabel.
DB (n-2) 95% 99%
3 0.878 0.959
4 0.811 0.917
5 0.754 0.875
6 0.707 0.834
7 0.666 0.798
Data – data berikut menunjukkan hubungan konsentrasi (ppm) terhadap nilai

absorban.
Konsentrasi (ppm) Absorban
x y
1 0.010
2 0.015
3 0.020
4 0.025
5 0.031
6 0.035
7 0.046
8 0.05
Diagram pencar (Scatter) dari data diatas adalah sbb :
1. Blok semua data

2. Klik “insert”
3. Pilih Scatter

Maka diagram pencar (scatter)nya sbb :
Lengkapi diagram pencar tersebut dengan keterangannya agar lebih mudah

untuk dimengerti.

Untuk membuat kurva kalibrasi sangat mudah dari diagram pencar atau scatter
yang sudah ada, tahapannya adalah sbb :
“Klik” diagram pencar kemudian pilih menu “insert” setelah itu pilih design
diagram yang bertanda fx lalu “klik”.
Maka tampilan kurva kalibrasinya adalah sbb:
Chart Title
0,06
0,05 y = 0,0058x + 0,003

R² = 0,9873
0,04
Absorban
0,03
Series1
0,02 Linear (Series1)
0,01
0
0 2 4 6 8 10
Konsentrasi
Dari diagram diatas kita mendapatkan informasi bahwa persamaan regresinya

adalah : y = 0.08x – 0.1451, R2 = 0.9556
Untuk mencari nilai intersept ketik =INTERCEPT(blok data y,blok data x) enter
Untuk mencari nilai slope ketik =SLOPE(blok data y, blok data x) enter
Untuk mencari nilai korelasi ketik =CORREL(blok data y, blok data x) enter
Bandingkan apakah ada korelasi yang signifikan antara konsentrasi ppm dengan
absorban (tingkat kepercayaan 95%).
Diketahui korelasi ( r )hitung = 0,9775 dan korelasi ( r )tabel =0,707 maka
r hitung > r tabel artinya terdapat korelasi yang signifikan.

LATIHAN SOAL
1. Diketahui :
• stok larutan standar konsentrasinya 1000 ppm di pipet 50 ml kemudian
diencerkan pada labu ukur 100 ml. Setelah itu dipipet lagi masing –
masing sebanyak 0,1 ml; 0.5ml; 1ml; 5ml dan 10ml dan diencerkan
kembali pada labu ukur 100 ml.
• Persamaan regresinya adalah Y = 0,01X + 0,001
Ditanya : Berapakah nilai absorbannya?
Jawab :
2. Buatlah kurva kalibrasi linier pada analisis NH3 secara spektrofotometri UV-
Vis. Tentukan intersept, slope dan korelasi regresi ( r ) dan persamaan garis
nya dari data berikut :
Konsentrasi (ppm) Abs
0.15 0.0635
0.35 0.1240
0.55 0.1800
0.75 0.2245
0.95 0.2965
Hitung pula konsentrasi contoh jika absorbansi contoh didapat :
Sampel 1 = 0.1281
Sampel 2 = 0.1372
Sampel 3 = 0.2634
Sampel 4 = 0.2356

Jawab :

Nilai

MODUL 10. TEORI MEMBUANG DATA (UJI SELEKTIFITAS DATA)
METODA DIXON, METODA GRUBB DAN METODA COCHRAN
Dari suatu kumpulan data , baik dari data hasil analisis maupun data uji profisiensi seringkali
dijumpai satu atau lebih data yang menyimpang terhadap data-data lainnya. Di dalam hal ini,
sebelum dilakukan pengolahan data, sebaiknya diputuskan terlebih dahulu apakah data yang
menyimpang tadi harus dibuang atau dapat dipertahankan.
Ketika Berhadapan dengan suatu kumpulan data yang mempunyai jumlah data (n) cukup besar,
dibuang atau tidaknya salah satu data tidak akan memberikan pengaruh yang cukup berarti.
Mengapa? Karena pengaruh dari hanya satu data saja, akan memberikan efek penyimpangan
yang besar terhadap harga rata kumpulan data dengan n relatif besar.
Sebaiknya, berhadapan dengan suatu kumpulan data yang mempunyai jumlah data
relatif sedikit (n < 6), akan menimbulkan suatu permasalahan. Bukan saja data yang
menyimpang tadi dapat memberikan pengaruh yang cukup besar terhadap harga rata-
rata, tetapi juga tidak terdapat jumlah data yang cukup untuk melakukan perhitungan
statistika guna menganalisis data yang diragukan tadi (Julia, K., 1991). Didalam kimia
analitik sangat jarang kita temukan data pengulangan dalam jumlah yang cukup besar.
Seringkali ditemui 1 set kumpulan data hanya terdiri atas beberapa data saja. Oleh
karena itu apabila terdapat data yang menyimpang maka terhadap data tersebut harus
dilakukan seleksi data atau uji outliner. Umumnya, seleksi data dilakukan dengan
mengukur jarak relatif antara nilai yang dicurigai mempunyai potensi yang
menyimpang terhadap nilai rata-rata kumpulan data. Dari hasil pengukuran yang
diperoleh dapat dinilai apakah nilai ekstrim tersebut perlu dibuang atau dapat digabung
dengan data yang lain untuk kemudian diolah lebih lanjut.
Terdapat berbagai cara seleksi data, yaitu cara Dixon dan cara Grubbs. Cara Dixon
berlaku untuk menyeleksi nilai ekstrim tunggal dan seringkali keberadaan nilai ekstrim
didalam satu kelompok data lebih dari Satu .Untuk kondisi seperti ini dapat diberlakukan
seleksi data dengan Dixon secara berulang. Akan tetapi apabila posisi data ekstrimnya
berpasanagn yaitu terdapat dua data ekstrim pada satu posisi, baik pada posisi data terendah
(Gambar 1d) maupun tertinggi (Gambar 1e) dan nilai diantara kedua data ekstrim tidak
terlampau jauh berbeda maka dengan cara Dixon kedua data tidak akan dapat dibuang karena
keduanya saling menutupi (masking). Cara Grubbs mempunyai keunggulan dibandingkan cara
Dixon karena dengan cara Grubbs dapat membunag sekaligus data ekstrim yang berpasangan.
Dalam hal ini efek masking tidak berpengaruh.
Seleksi Data dengan Uji Dixon

Pada uji Dixon, mula-mula data disusun mulai dari yang terendah hingga tertinggi.
Tergantung pada jumlah datanya maka pada uji Dixon kumpulan data dapat
dikelompokkan menjadi 3. Kelompok pertama untuk jumlah data 3 hingga 7; kelompok
kedua dengan jumlah data 8 hingga 12; kelompok terakhir ditujukan untuk jumlah data
13 sampai 40. Masing-masing kelompok terbagi lagi atas 2 bagian. Bagian pertama untuk
data terendah dan bagian kedua untuk data tertinggi. Rumus Dixon dapat dilihat pada
Tabel 1.

Tabel 1. Rumus Dixon
X1
*Catatan : sebelum melakukan uji selektifitas data, data yang akan diujikan
harus di urutkan dari data yang terkecil sampai data yang terbesar.

Latihan Soal!
1. Hasil pengujian Kadar Hg di dapat data sebagai berikut :
1 0,39
2 0,47
3 0,76
4 0,71
5 0,61
6 0,99
7 0,66
Ujilah dengan menggunakan metoda DIXON, apakah ada data yang harus dibuang.
Jawab :
Menghitung dengan menggunakan excel tahapannya sebagai berikut :
• Input data
• Kemudian diurutkan dari data yang terkecil sampai yang terbesar
• Tulis rumusnya di excel kemudian hitung Dmin dan Dmax nya:

Maka didapat nilai Dmin dan Dmax sbb :
• Langkah selanjutnya bandingkan Dmin dan D max dengan Dtabel

Berdasarkan tabel Dixon, Dtabel pada n = 7 adalah 0.569
Maka , Dmin = 0.216 < 0.569 dan Dmax = 0.442 < 0.569
Karena nilai Dmin dan Dmax kurang dari D tabel maka tidak ada data yang
dibuang.
1 0,39
2 0,38
3 0,40
4 0,37
5 0,39
6 0,42
7 0,55
8 0,41
9 0,34
10 0.77
Ujilah dengan menggunakan metoda DIXON, apakah ada data yang harus dibuang

3. Diketahui data kadar kolesterol (mg/dL) pasien sebagai berikut :
1 180 12 134
2 191 13 145
3 152 14 167
4 148 15 178
5 140 16 180
6 166 17 155
7 173 18 141
8 181 19 140
9 154 20 175
10 158 21 220
11 155 22 275
Ujilah dengan menggunakan metoda DIXON, apakah ada data yang harus dibuang
Jawab :

Seleksi Data dengan Uji Grubbs
Pada uji grubbs terdapat 3 macam rumus. Rumus yang pertama (G1) berlaku jika
terdapat hanya satu data ekstrim. Rumus kedua (G2) diaplikasikan apabila terdapat dua
data ekstrim yaitu 1 data ekstrim pada posisi terendah dan 1 data ekstrim pada posisi
tertinggi. Rumus yang terakhir (G3) diterapkan ketika terdapat 2 buah data ekstrim yang
letaknya berdekatan satu sama lain (berpasangan. Rumus G1, G2 dan G3 selengkapnya
dapat dilihat di bawah ini.

Seperti halnya pada uji Dixon, sebelum data diolah, mula-mula data harus disusun
mulai dari yang terendah hingga tertinggi. Selanjutnya dilihat bagaimana posisi data
ekstrim berada.

Tabel Nilai Kritis untuk Uji Grubbs
Latihan Soal!
1 0,39
2 0,47
3 0,76
4 0,71
5 0,61
6 0,99
7 0,66
Ujilah dengan menggunakan metoda Grubb 1 dan Grubb 2, apakah ada data yang
harus dibuang.
Jawab :
Metoda Grubb 1, menghitung dengan menggunakan excel tahapannya sebagai
berikut :
• Input data

• Tulis rumus metoda Grubb 1 dan Grubb 2 pada excel untuk mempermudah
perhitungan.
• Hitung Rata – rata, Standar deviasi dari data

• Hitung G1 rendah dan G1 tinggi
• Bandingkan nilai G1rendah G1tinggi dengan Gtabel

Dari hasil perhitungan dapat diambil kesimpulan bahwa tidak ada data yang
dibuang, karena nilai G1hitung dan G2hitung masing-masing lebih kecil dari nilai
Gtabel
Metoda Grubb 2, menghitung dengan menggunakan excel tahapannya sebagai

berikut :
• Input data
• Hitung standar deviasi dari data

• Tuliskan rumus Grubb 2,
• Rumus :
xn − x1
G2( rendah&tinggi) =
s
Dari hasil perhitungan maka dapat kita lihat bahwa G2(rendah&tinggi)hitung
3.046 > 3.01 G2(tinggi&rendah)tabel
Maka dapat diambil kesimpulan bahwa kedua data tersebut dibuang.
Maka data yang baru adalah sbb :
Kelompok data yang baru
Karena ada data yang dibuang, maka harus ada pengujian ulang dengan
metoda Grubb 2 terhadap kelompok data yang baru.
Hitunglah apakah ada ada yang dibuang.

1 0,39
2 0,47
3 0,76
4 0,71
5 0,61
6 0,99
7 0,66
8 1,1
9 0.85
10 0.78
Ujilah dengan menggunakan metoda Grubb 1 dan Grubb 2, apakah ada data yang harus
dibuang.

Jawab :

Chitung 0.4852 > C tabel 0.3974

C hitung < C tabel artinya analisis data seseorang tersebut presisi dan begitu
juga kebalikannya.

Latihan Soal :
Hasil analisis kadar kolesterol mg/dl
Nama 1 2 3 4 5 Std.dev
WASI'AH FITRIA 98 93 95 94 95 1,87
DHIESSA EKA N 99 94 96 95 108 5,68
RIZAL AKBAR 100 95 97 96 120 10,45
NOVA NOTARI 101 96 98 97 112 6,53
SITI ROBIAH 102 97 99 98 112 6,11
SITI 121 116 118 117 108 4,85
HILDA SUCI 111 106 108 107 100 4,04
SISKA ELVITA 109 104 106 105 115 4,44
MELDA YUNITA 97 92 94 93 100 3,27
SISKA HIDAYAT 100 95 97 96 104 3,65
Hitunglah apakah ada data yang tidak presisi? Gunakan metoda Cochran untuk
menghitungnya
Jawab :
Nilai

MODUL 11. UJI T
• Uji T dikembangkan oleh Wiliam Sealy Gosset

• Digunakan untuk membandingkan nilai rata-rata dua kumpulan data, apakah
memberikan hasil yang berbeda nyata (signifikan) atau tidak.
• Langkah pengerjaan :
1. Buat Hipotesa
Ho : X1 = X2 (hipotesa awal)
H1 : X1 ≠ X2 (alternative)
2. Tentukan jumlah data ( n )
3. Tentukan Rata-rata dan Variansi dari masing – masing kelompok data
4. Hitung t dengan derajat kebebasan (n1 + n2 – 2) biasanya 95%
5. Bandingkan t hitung dengan t tabel
• Perhitungan :
( x1 − x 2 )
t=
 1 1   s12 (n1 − 1) + s22 (n2 − 1) 
 +  x  
 n1 n2   (n1 + n2 − 2) 
Nilai hasil hitung dibandingkan dengan nilai tabel

t hitung > t tabel ➔ kedua data mempunyai nilai rata-rata berbeda
t hitung < t tabel ➔ kedua data mempunyai nilai rata-rata yang sama
s2 = variansi.

Contoh soal :
Analit pada konsentrasi tertentu diukur sebanyak 8 kali kedalam 2 buah Spektro
UV-Vis
Nilai rata-rata konsentrasi yang dihasilkan
Spektro-1 = 13.5 ppm ; nilai std deviasi (s) = 0.13
Spektro-2 = 11.8 ppm ; nilai std deviasi (s) = 0.16
Apakah Spektro-1 memberikan hasil yang berbeda dengan Spektro-2?
a. Hitunglah secara manual
b. Hitunglah dengan menggunakan excel , kemudian bandingkan hasilnya
Jawab :
Menghitung secara manual :
• Buat hipotesa , Ho : X1 = X2 dan H1 : X1 ≠ X2
• Tentukan jumlah data (n) → n1 = 8 dan n2 = 8 → total n = 16 data
• Tentukan derajat kebebasan = (n1 + n2 ) -2 → 14
• Tingkat kepercayaan 95%
• Diketahui : X1 = 12.5 ppm , X2 = 12.8 ppm → rata-rata
S1 = 0.25 , S2 = 0.48 → standar deviasi
• Masukkan semua data ke dalam rumus
( x1 − x 2 )
t=
 1 1   s12 (n1 − 1) + s22 (n2 − 1) 
 +  x  
 n1 n2   (n1 + n2 − 2) 
• Maka akan didapat nilai thitung (coba anda hitung):

• Setelah mendapatkan nilai thitung, anda cari nilai ttabel nya
• Mencari ttabel adalah dengan menggunakan data derjat kebebasan dan nilai
tingkat kepercayaan yang sudah ditentukan. Berdasarkan soal diatas maka
didapat nilai derajat kebebasannya 14 dan nilai tingkat kepercayaannya
95%. Berapa ttabel nya?
• Nilai thitung adalah……………
• Nilai ttabel adalah………………
• Kesimpulan hipotesanya adalah…………………
Menghitung Uji T dengan menggunakan excel :
Tahapan menggunakan excel untuk menghitung uji T sbb:
1. Klik “Data” dalam menu bar

2. Klik “Data Analysis”
3. Pilih “t-test : two samples Assuming Unequal Variances”
4. Klik “OK” kemudian akan muncul tampilannya sbb:

• Input data :
Untuk mengisi variable 1 range blok data spektro 1
Check (√) pada labels → untuk memebri judul pada kolom pengujian, syaratnya
kita harus memblok data dengan judulnya juga.
Alpha : 0.05 → sama artinya dengan tingkat kepercayaan 95%
• Output options :
Bebas anda memilih yang mana, karena ini hanya menentukan daerah hasil
perhitungan kita akan diletakkan dimana, apakah di lembar kerja yang sama atau
anda ingin hasil uji t ini diletakkan di lembar kerja yang berbeda. Misalkan kita
memilih output range , kita cukup klik salah satu cell yang kosong untuk
menampilkan hasil uji t.
• Setelah mengisi Input data dan Output Options data maka kllik “OK”, maka akan
muncul tampilan data sbb:

thitung
ttabel
Berikan Hipotesanya
………………………………………………………………………………………………………
………………………………………………………………………………………………………
………………………………………………………………………………………………………
LATIHAN SOAL
Pada uji banding analisis Zn antara Laboratorium A dan B, didapat data sbb:
Lab A : Xrata = 0,64 ppm

S = 0,1
n = 10
Lab B : Xrata = 0,62 ppm

S = 0,04
n =8
Hitunglah :
Apakah nilai rata-rata laboratorium A sama dengan laboratorium B ?

Jawab :

MODUL 12. UJI F
1. Uji F dikembangkan oleh R.A. Fisher (1890 – 1962)

2. Uji F digunakan untuk membandingkan apakah keberulangan dari dua
kumpulan data hasil analisis memberikan hasil yang berbeda nyata (signifikan)
atau tidak.
3. Langkah Pengerjaan :
• Hitung Standar deviasi ( S) dari masing-masing kelompok data, dan masukkan ke
dalam rumus berikut :
F =s /s 2
a
2
b
Fhitung
• Bandingkan Fhitung dengan Ftabel

• Jika nilai F hitung > F tabel, memberikan perbedaan yang nyata
• Mencari F tabel adalah dengan melihat jumlah data kelompok 1 (n1) dan jumlah
data kelompok 2 (n2) dan menghitung derajat kebebasannya → (n1-1) dan (n2-1)
4. Contoh perhitungan.
Diketahui dua kelompok data sebagai berikut :
a. Apakah nilai keberulangan data dari spektro 1 dan spektro 2 berbeda nyata?

Hitunglah dengan cara manual
b. Menghitung Uji F dengan menggunakan excel :
Tahapan menggunakan excel untuk menghitung uji T sbb:
5. Klik “Data” dalam menu bar

6. Klik “Data Analysis”
7. Pilih “F-test two samples for variances”
8. Klik “OK” kemudian akan muncul tampilannya sbb:
• Input data :
Check (√) pada labels → untuk memebri judul pada kolom pengujian, syaratnya
kita harus memblok data dengan judulnya juga.
Alpha : 0.05 → sama artinya dengan tingkat kepercayaan 95%
• Output options :
Bebas anda memilih yang mana, karena ini hanya menentukan daerah hasil
perhitungan kita akan diletakkan dimana, apakah di lembar kerja yang sama atau
anda ingin hasil uji t ini diletakkan di lembar kerja yang berbeda. Misalkan kita
memilih output range , kita cukup klik salah satu cell yang kosong untuk
menampilkan hasil uji t.
• Setelah mengisi Input data dan Output Options data maka kllik “OK”, maka akan
muncul tampilan data sbb:

Fhitung
Ftabel
• Berikan Kesimpulannya…………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
LATIHAN SOAL
Pada uji banding analisis Zn antara Laboratorium A dan B, didapat data sbb:
Lab A : Xrata = 0,78 ppm

S = 0,03
n =8
Lab B : Xrata = 0,74 ppm

S = 0,04
n =6
Nilai benar (CRM) = 8 ppm
Hitunglah :
a. Apakah nilai rata-rata laboratorium A sama dengan laboratorium B ?
b. Apakah nilai keberulangan data laboratorium A sama dengan laboratorium B?
c. Hitunglah Akurasi (Error) data laboratorium A dan B terhadap nilai sebenarnya
(CRM)
d. Hitunglah %Error data laboratorium A dan B terhadap nilai sebenarnya (CRM)
Laboratorium manakah yang lebih akurat?
e. Hitunglah kepresisian data laboratorium A dan B, laboratorium mana yang
datanya lebih presisi?
Jawab :

Nilai

MODUL 13. UJI CHI KUADRAT (CHI SQUARE)
1. Kegunaan Chi-Square
Uji Chi-square berguna untuk menguji hubungan atau pengaruh dua buah
variable nominal dan mengukur kuatnya hubungan variable yang satu dengan
variable nominal lainnya.
2. Karakteristik Chi-Square
Nilai Chi-Square selalu positif
Derajat kebebasan (df) : (jumlah baris – 1)(jumlah kolom – 1)
3. Rumus Chi-Square
• Membandingkan nilai x2 hitung dengan x2tabel
4. Chi-Square Goodness of Fit (One Sample Test)

Pengujian ini untuk membandingkan nilai hasil pengujian dengan nilai harapan
(nilai teori). Pengujian ini banyak digunakan dalam analisis mikrobiologi.

Penggunaan distribusi chi square untuk menguji Goodness-of-fit. Dalam
Goodness-of-fit test ada hal-hal yang harus diperhatikan yaitu:
• Adanya frekuensi observasi atau frekuensi yang benar-benar terjadi dalam

eksperimen dan dilambangkan dengan O.
• Adanya frekuensi yang diharapkan terjadi yang dilambangkan dengan E
(Ekspektasi).
• Derajad bebas adalah n – 1 dimana n adalah jumlah kategori.
• Nilai chi square hitung diperoleh dari rumus:
2
(𝑜𝑏𝑠𝑒𝑟𝑣𝑒𝑑 − 𝑒𝑥𝑝𝑒𝑐𝑡𝑒𝑑)
𝑥2 = ∑
𝐸𝑥𝑝𝑒𝑐𝑡𝑒𝑑
• Derajat kebebasan (df) : (jumlah baris – 1)(jumlah kolom – 1)

• Membandingkan nilai x2 hitung dengan x2tabel
• Menentukan Hipotesa :
Ho : diterima dan H1: ditolak apabila nilai x2 hitung < x2tabel

H1 : diterima dan Ho: ditolak apabila nilai x2 hitung > x2tabel

5. Contoh Soal : Hasil pemberian obat jantung kepada 105 binatang dengan tabel
sebagai berikut,
Variable Tidak ada perubahan Membaik Total
Diberi Obat 36 (a) 14 (b) 50 (a+b)
Tidak Diberi Obat 30 (c) 25 (d) 55 (c+d)
Total 66 (a+c) 39 (b+d) 105 (a+b+c+d)
X2 = ((36.25) – (14.30))2 (36+14+30+25)

(50)(55)(39)(66)
= 3.418
Derajat kebebasan (df) = (2-1)(2-1) = 1 dengan tingkat kepercayaan α 0,05 (95%)
X2tabel = 3,841
Maka X2hitung < X2tabel
Hipotesa : Ho diterima dan H1 ditolak
Kesimpulan : Tidak ada perbedaan yang nyata terhadap kesembuhan binatang
antara yang diberi obat jantung dengan yang tidak diberi obat jantung. Dengan
kata lain obat jantung yang diberikan kepada binatang tidak berpengruh secara
signifikan terhadap kesembuhan binatang.
6. Contoh Soal Chi Square goodness of fit

variabel Bandung Jakarta Surabaya Total
Hepatitis A 50 60 100 210
Hepatitis B 50 50 50 150
Hepatitis C 100 20 50 170
Total 200 130 200 530
Gunakan teori antara hasil observasi (pengujian) dengan harapan (ekspektasi) dan
perhitungan boleh menggunakan excel. Tingkat kepercayaan = 95%
Jawab :
Contoh menghitung nilai

ekspektasi
E= (210*200)/530 untuk
hepatitis A di Bandung
Tingkat kepercayaan
95% (alpha = 0,05)
df
Hipotesa : X2hitung > X2tabel, maka Ho tidak diterima dan H1 diterima
Kesimpulannya : Ada perbedaan yang bermakna (signifikan) antara penderita
Hepatitis dengan penyebaran lokasinya.
LATIHAN SOAL
1. Contoh kasus :
Suatu survey ingin mengetahui apakah ada hubungan antara asupan lauk
dengan kejadian anemia pada penduduk desa Bakti Asih. Kemudian
diambil sampel sebanyak 150 orang yang terdiri dari 80 orang asupan
lauknya baik dan 70 orang asupan lauknya kurang. Setelah dilakukan
pengukuran Hb ternyata dari 80 orang yang asupan lauknya baik, ada 20
orang yang dinyatakan anemia. Sedangkan dari 70 orang yang asupannya
lauknya kurang ada 40 orang yang anemia. Ujilah apakah ada perbedaan
proporsi anemia pada kedua kelompok tersebut.
Diketahui : Tingkat kepercayaannya 95% (alpha = 0.05)
a. Hitung nilai chi-kuadrat (X2) apakah signifikan pada α = 0,05 dan
Berikan kesimpulan dari data di atas
b. Dengan data yang sama hitunglah chi-kuadrat goodness of fit-nya
apakah X2 signifikan pada α = 0,05 dan berikan kesimpulannya
2. Pada Uji chi-kuadrat didapat data sebagai berikut:

Jenis Kelamin Analis Analis Medis Total
Kimia
Putra 100 50 150
Putri 80 75 155
Total 180 125 305
c. Hitung nilai chi-kuadrat (X2) apakah signifikan pada α = 0,05 dan
Berikan kesimpulan dari data di atas
d. Dengan data yang sama hitunglah chi-kuadrat goodness of fit-nya
apakah X2 signifikan pada α = 0,05 dan berikan kesimpulannya
Jawab :
MODUL 14. ANOVA
Dalam sebuah penelitian, terkadang kita ingin membandingkan hasil perlakuan

(treatment) pada sebuah populasi dengan populasi yang lain dengan metode uji
hipothesis yang ada (Distribusi Z, Chi Kuadrat, atau Distribusi-T). Membandingkan satu
rata-rata populasi dengan satu rata-rata populasi yang lain, selain memakan waktu, juga
beresiko mengandung kesalahan yang besar. Untuk itu, kita memerlukan sebuah
metode yang cepat dan beresiko mengandung kesalahan lebih kecil, yakni ANOVA
(Analysis of Variance). Pada dasarnya, pola sampel dapat dikelompokkan menjadi dua
kelompok, yakni:
1. Seluruh sampel, baik yang berada pada kelompok pertama sampai dengan yang ada
di kelompok yang lain, berasal dari populasi yang sama. Untuk kondisi ini, hipotesis nol
berbunyi: “tidak ada efek dari perlakuan (treatment)”.
2. Sampel yang ada pada kelompok yang satu berasal dari populasi yang berbeda
dengan populasi sampel yang ada di kelompok yang lain. Untuk kondisi ini, hipotesis
nol berbunyi: “tidak ada perbedaan efek perlakuan antar kelompok”.
Sebagai contoh, ANOVA digunakan untuk membandingkan rata-rata dari beberapa

populasi yang diwakili oleh beberapa kelompok sampel secara bersama, sehingga
hipotesis matematikanya (untuk 5 kelompok) adalah:
H0 : µ1 = µ2 = µ3 = µ4 = µ5
H1 : salah satu dari µ tidak sama
Bunyi hipotesis sebagaimana yang disebutkan di atas bersifat fleksibel karena

tidak menyebutkan secara pasti µ mana yang berbeda dengan lainnya. Hal ini berarti
bahwa µ mana yang tidak sama bukan merupakan masalah
Anova dapat digunakan untuk menganalisa sejumlah sampel dengan jumlah data yang
sama pada tiap-tiap kelompok sampel, atau dengan jumlah data yang berbeda. ANOVA
mensyaratkan data- data penelitian untuk dikelompokkan berdasarkan kriteria
tertentu. Penggunaan “variance” sesuai dengan prinsip dasar perbedaan sampel:
sampel yang berbeda dilihat dari variabilitas-nya. Ukuran yang baik untuk melihat
variabilitas adalah variance atau standard deviation (simpangan baku).
1. Tipe ANOVA
Pemilihan tipe ANOVA tergantung dari rancangan percobaan (experiment design)

yang kita pilih .
a. ANOVA 1 arah:
Sampel dibagi menjadi beberapa kategori dan ulangan

kolom = kategori
baris = ulangan/replika
Contoh: Terdapat 4 Metode diet, dan 14 orang digunakan sebagai sampel
b. ANOVA 2 arah tanpa interaksi :

Dalam kategori terdapat blok/sub-kelompok
Kolom : kategori-1
Baris : blok, kategori -2
Setiap sel berisi satu data
Contoh : Terdapat 4 metode diet dan tiap metode dibagi menjadi 3 blok. Blok
berupa kelompok umur
c. ANOVA 2 arah dengan interaksi :
Dalam kategori, terdapat blok/sub-kelompok
Kolom : Kategori 1
Baris : blok, kategori-2
Setiap blok diulang, satu sel berisi beberapa data
Dengan pengulangan dalam tiap blok seperti ini, interaksi antara kolom dan baris
diketahui. Contoh : Terdapat 4 metode diet dan tiap metode dibagi menjadi 3 blok, dan
tiap blok diulang 3 kali
2. Tabel ANOVA
Untuk memudahkan perhitungan ANOVA, kita dapat membuat tabel ANOVA, sebagai
berikut :
3. ANOVA 1 arah
Tabel ANOVA 1 arah
Apakah keempat metode diet tersebut memberikan rata-rata penurunan berat badan
yang sama?
Uji pendapat tersebut dengan taraf nyata 5%
Solusi :
1. H0 : Setiap metode memberikan rata-rata penurunan berat badan yang sama
H1 : Ada suatu metode yang memberikan rata-rata penurunan berat badan yang
tidak sama
2. Selesaikan Tabel ANOVA berikut :
3. ANOVA 2 arah tanpa Interaksi
Pada rancangan percobaan dengan ANOVA jenis ini, setiap kategori mempunyai
banyak blok yang sama, sehingga jika banyak kolom = k
dan banyak baris / blok = r
maka banyak data = N = r x k
Tabel ANOVA 2 arah tanpa Interaksi
Contoh 2 : Terdapat 4 metode diet dan 3 golongan usia peserta program diet
berikut data rata-rata penurunan berat peserta keempat metode dalam tiga
kelompok umur.
Selesaikan Tabel ANOVA berikut :
Berarti : setiap metode pada setiap kelompok umur memberikan rata-rata

penurunan berat badan yang sama.
4. ANOVA 2 arah dengan Interaksi
Efek interaksi diperoleh setelah setiap kolom (perlakuan) dan blok (baris) diulang.
Interaksi dinyatakan sebagai perkalian Baris x Kolom (BK).
Tabel Anova 2 arah dengan Interaksi
Contoh : Terdapat 4 metode diet, 3 kelompok umur dan 3 ulangan. Berikut
adalah data rata-rata penurunan berat badan setelah 1 bulan melakukan diet.
Ujilah apakah penurunan berat badan sama untuk setiap metode diet,
kelompok umur dan interaksi taraf uji 5%?
Solusi :
1. H0 : Semua perlakuan [metode diet, kelompok umur, interaksi]
memberikan penurunan berat badan yang bernilai sama
H1 : Ada suatu perlakuan [suatu metode diet, kelompok umur, interaksi
memberikan penurunan berat badan yang bernilai tidak sama
2. α = 5%
3. Statistik uji F
4. Selesaikan tabel data dan tabel ANOVA
Kesimpulan :
Perhitungan menunjukkan bahwa rata-rata penurunan berat badan pada Baris
[kelompok umur] dan interaksi tidak berbeda [masih dianggap sama]
sedangkan rata-rata penurunan berat badan dalam kolom [metode diet] dapat
dikatakan berbeda.
Novi Fitria lahir di Surabaya, 4 November 1981.
Putri pasangan Bapak Muhammad Taufik dan
Ibu Iceu Kurniasih ini menghabiskan masa
kecilnya di Surabaya. Pada Agustus 1997,
hijrah ke Bandung dan meneruskan studi di
SMAN 5 Bandung. Alhamdulillah lulus
UMPTN dan masuk Jurusan Biologi, Fakultas
MIPA, Univeritas Padjadjaran, dan meraih
gelar Sarjana Sains (S.Si). Pada Desember 2009
menamatkan program Magister Teknik (M.T)
dengan IPK 3,85 pada Program Studi Teknik Lingkungan jurusan Teknik
Manajemen Lingkungan di Institut Teknologi Bandung. Judul Tesis yang
ditempuh adalah Penilaian Risiko pada Instalasi Pengolahan Air Limbah
Rumah Sakit dengan Metode Failure Mode and Effect Analysis (FMEA), Studi
kasus IPAL Rumah Sakit Dr.Slamet Garut. Sejak 2010 mengabdikan diri
sebagai dosen di Sekolah Tinggi Analis Bakti Asih hingga sekarang. Penulis
mulai sekolah program doktoral di Tahun 2015 dan menyelasaikan studinya
pada tahun 2020 dengan IPK 4,00 pada Program Studi Teknik Lingkungan ITB.
Penulis sangat berterimakasih kepada Dr.Tiny Agustini K, S.Si, M.M.S atas
bimbingannya sehingga penulis dapat menyelesaikan Modul Praktikum
Statistik Analitik ini dengan sebaik mungkin. Penulis juga ingin berpesan
kepada seluruh mahasiswa tercinta, jangan pernah letih untuk terus belajar
dan berkarya, banggakan dan bahagiakan kedua orang tua kita. Torehkan
sejarah yang indah dalam hidup kalian. Semoga semua cita-cita mulia kalian
terwujud dan semoga Allah SWT selalu melindungi kita.

Panduan Praktikum 2020

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Panduan Praktikum 2020

Diunggah oleh

Hak Cipta:

Format Tersedia

IDENTITAS PEMILIK MODUL

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 2

MODUL DIREKTUR PENULIS

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 3

Panduan praktikum ini telah dilengkapi dengan gambar petunjuk langkah-langkah

Bandung, 5 April 2020

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 4

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 5

1. Pengelompokan Jenis Data

2. Skala Pengukuran Data (definisi)

• Skala Pengukuran Nominal :

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 6

Berdasarkan skala pengukurannya, analisis statistik yang dapat digunakan harus

KLASIFIKASI TANPA KLASIFIKASI DENGAN DISKRIT KONTINYU

INTERVAL ATAU RASIO

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 7

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 8

a. Probability Sampling (Random Sample)

b. Nonprobability sampling ( nonrandom sample)

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 9

1 1111E1043 RIDHA ROBBI AMANATI

a. Data Kualitatif skala pengukuran ordinal

2. Identifikasikan Data Berikut :

no nim nama nilai

a. Data Kualitatif skala pengukuran ordinal

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 10

a. Data Kualitatif skala pengukuran ordinal

4. Identifikasikan Data Berikut :

a. Data Kualitatif skala pengukuran ordinal

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 11

6. Apakah yang dimaksud dengan Populasi Infinit dan Populasi Finit ?

7. Apakah yang dimaksud dengan Sampel ? dan apakah kegunaannya?

8. Apakah yang dimaksud dengan Probability Sampling (random sampling)

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 12

1. Raw Data dan Array Data

Contoh raw data :

Contoh array data :

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 13

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 14

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 15

• Menghitung lebar masing-masing kelas. Jika menggunakan lebar kelas

• Menentukan interval masing-masing kelasnya dan menyusunnya mulai

• Akhirnya kita hitung frekuensi masing-masing kelas, dengan cara

3. Pembuatan distribusi frekuensi dengan excel

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 16

Nilai terbesar adalah : 97

Nilai terkecil adalah : 53

3.4 Hitung banyaknya kelompok dengan kaida HA sturges K = 1+3,322 Log N

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 17

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 18

3.9 Lakukan langkah-langkah analisis data sebagai berikut:

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 19

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 20

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 21

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 22

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 23

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 25

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 26

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 27

Nilai Paraf Asisten Praktikum

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 28

5. Persentil (percentile), Persentil adalah nilai-nilai pengamatan yang membagi data

STABA | PANDUAN PRAKTIKUM STATISTIK ANALITIK [Dr.NOVI FITRIA S.SI, M.T] 29