1.

STATISTIK
A. Pengertian Statistik

Kata statistik berawal dari bahasa latin yang artinya “status” dan dalam bahasa inggris “state”
yang artinya negara. Menurut Harun Al Rasyid (2005) didalam Abdurahman dkk (2011) mereka
mengartikan statistika sebagai perangkat metode-metode yang membahas:

 Bagaimana cara mengumpulkan data yang dapat memberikan informasi yang optimal
 Bagaimana cara meringkas, mengolah, dan menyajikan data
 Bagiamana cara melakukan analisis terhadap sekumpulan data sehingga dari analisis itu
timbul strategi-strategi tertentu.
 Bagaimana cara mengambil kesimpulan dan menyarakan keputusan yang sebaiknya
diambil atas dasar strategi yang ada.
 Bagaimana menentukan besarnya resiko kekeliruan yang mungkin terjadi jika kita
mengambil keputusan atas dasar strategi tersebut.

Dapat disimpulkan bahwa statistik merupakan suatu ilmu pengetahuan yang membahas tentang
bagaimana seseorang mengolah, menganalisa, dan menginterpretasikan sebuah data sehingga
kita dapat memberikan informasi yang akurat.

B. Kegunaan Statistika

Menurut Abdurahman dkk (2011) menjelaskan kegunaan statistika diantaranya adalah;

1. Statistika dapat meningkatkan efisiensi dengan cara membatasi dan memastikan cara
kerja dan cara berpikir
2. Statistika dapat meringkas hasil-hasil penelitian dalam bentuk sederhana dan mudah
dipahami
3. Statistika dapat memberikan dasar untuk melakukan interpretasi dan menarik kesimpulan
penelitian yang tepat
4. Statistika dapat memberikan gambaran eksak mengenai suatu peramalan untuk waktu
yang akan data
5. Statistika dapat memberikan dasar untuk menyusun peramalan tentang bagaimana suatu
hal akan terjadi berdasarkan pada keadaan yang telah diketahui atau telah diukur dan
teruji
 6. Statistika dapat menguji atau menganalisis faktor-faktor kausah dan perbedaan dari
sejumlah faktor-faktor yang kompleks dan rumit
C. Tujuan dari Statistika
a. Menjelaskan Hubungan Antar Variabel
Didalam data kuantitasi setelah selesai dikumpulkan, data tersebut disajikan guna
mengambil suatu keputusan. Oleh karena itu sangat diperlukan sebuah kemampuan untuk
menyaring jumlah yang besar agar dapat menjelaskan hubunhan antar variabel dalam
mengambil suatu keputusan.

b. Membuat Keputusan Lebih Baik

Setiap orang dapat menggunakan ilmu statistik sebagai alat bantu untuk menghasilkan
sebuah keputusan yang lebih baik lagi dari kondisi atau situasi yang tidakpasti.
c. Mengatasi Perubahan-Perubahan
Globalisasi memungkinkan terjadinya perubahan dalam berbagai hal. Tetapi data statistik
dapat membantu dalam mengatasi perubahan yang terjadi.
d. Membuat Rencana dan Ramalan-ramalan
Perencanaan merupakan suatu tindakan yang dilakukan di masa yang akan datang tetapi
dengan didasari sebuah perkiraan mengenai kejadian-kejadian atau hubungan yang ada di
masa yang akan datang. Dengan begitu, diperlukan sebuah proses atau teknik peramalan
untuk dapat memperoleh perkiraan tersebut.

D. Data Statistik

Dapat dikumpulkan dengan menggunakan prosedur yang sistematis. Pengumpulan data ini
berdasarkan karakteristiknya, yaitu;

1. Pengamatan (observasi), yaitu cara pengumpulan data dengan terjun dan melihat
langsung ke lapangan terhadap objek yang diteliti (populasi). Pengamatan ini bisa disebut
juga pengamatan lapangan
2. Penelusuran literatur, yaitu cara pengumpulan data dengan mengguna-kan sebagian
atau seluruh data yang telah ada. Cara ini disebut juga pengamatan tidak
langsung.
 3. Penggunaan kuesioner (angket), yaitu cara pengumpulan data dengan menggunakan
daftar pertanyaan/angket atau daftar isian terhadap objek yang diteliti (populasi)
4. Wawancara (interviu), yaitu cara pengumpulan data dengan langsung mengadakan
tanya-jawab kepada objek yang diteliti atau kepada peran-tara yang mengetahui
persoalan dari objek yang diteliti.

E. Pengelompokan Statistika

Dalam metode statistika dapat digolokan menjadi dua yaitu metode statistika deskriptif dan
metode statistika inferensial.

1. Statistika Deskriptif

Menurut Hasan (2004:185) menjelaskan bahwa analisis statistika deskriptif adalah merupakan
bentuk analisis data penelitian untuk menguji generalisasi hasil penelitian berdasarkan satu
sample. Dalam menganalisis data artinya kita melaksanakan suatu tindakan terhadap data agar
menghasilkan tujuan tertentu baik itu gambaran atas data ataupun berupa suatu kesimpulan
dalam sebuah kondisi atau kejadian yang kita ambil datanya. Pengambilan alat analisis akan
sangat berpengaruh pada pengambilan keputusan atas data yang sudah terkumpul. Menurut
Maswar (2017) kesalahan pengambilan alat analisis akan menghasilkan kesimpulan yang tidak
valid dan berdampak pada penggunaan dan penerapan hasil penelitian.

Dalam metode statistika deskriptif dilakukan kegiatan pengujian hipotesis deskriptif. Hasil dari
pengujian hipotesis penelitian ini dapat digeneralisasikan atau tidak. jika hipotesis nol (H0)
diterima, berarti hasil penelitian dapat digeneralisasikan. Analisis deskriptif ini menggunakan
satu variabel atau lebih tapi bersifat mandiri, oleh karena itu analisis ini tidak berbentuk
perbandingan atau hubungan. Kemudian Hasan (2001:7) Menjelaskan statistika deskriptif atau
bisa disebut juga statistika deduktif adalah bagian dari statistika mempelajari cara pengumpulan
data dan penyajian data sehingga muda dipahami. Statistika deskriptif juga hanya berhubungan
dengan hal menguraikan atau memberikan keterangan-keterangan mengenai suatu data atau
keadaan atau fenomena. Statistika Deskriptif merupakan sekumpulan prosedur dasar atau sebagai
metode dalam beberapa hal berikut :

1. Mengumpulkan data
2. Mengorganisasikan data

___________________________________
Lilih Deva. Statistik Deskriptif Sebagai Kumpulan Informasi. Jurnal Ilmu Perpustakaan Dan Informasi. Vol. 16 (1). 41-52

3. Menyajikan data
4. Menganalisis data
5. Menginterpretasikan data

Statistika Deskriptif berfokus untuk membahas mengenai cara mengumpulkan data,

menyederhanakan angka yang diamati atau diperoleh, dalam hal ini meringkas atau menyaji.
Statistika Deskriptif ini memiliki beberapa kegunaan dalam penelitian bidang ilmu sosial, adalah
sebagai berikut;

1. Dengan adanya statistik, maka pengumpulan data yang diperoleh akan tersaji dengan
ringkas dan rapi serta dapat memberikan informasi inti dari kumpulan data yang ada.
2. Dengan adanya statistik, memungkinkan peneliti menyajikan ataupun menggambarkan
datanya dengan teknik grafik maupun teknik numerik.
3. Statistik juga memungkinkan peneliti mengukur dua karakteristik dari setiap
respondennya dan selanjutnya meneliti hubungan di antara kedua karakteristik (variabel)
tersebut.
4. Statistik deskriptif memegang peranan penting dalam persiapan analisis data. Analisis ini
dilakukan sebelum peneliti menerapkan statistika inferensial terhadap data penelitiannya.
Istilah lain yang digunakan untuk tahap persiapan ini adalah exploratory data analysis.

Menurut Maswar (2017) analisis deskriptif sangat membantu dalam mengatur, menyusun, dan
menyajikan dalam bentuk mudah di pahami. Analisis deskriptif digunakan untuk melihat kondisi
sampel dan tidak bertujuan untuk mencari informasi tentang populasi yang di anggap mewakili
kondisi sampel. Selain itu analisis deskriptif digunakan sebagai penggambaran data tidak harus
berhenti pada hal yang terkai gambar (grafik) saja akan tetapi juga hitungan terkait yang dapat
membantu pengguna penelitian mendapatkan gambaran utuh mengenai data yang dihasilkan dan
analisis deskriptif juga mampu memberikan informasi yang utuh bagi pembacanya.

a. Statistika Deskriptif sebagai Kumpulan Informasi

Sesuai dengan definisinya yaitu merupakan salah satu metofe statistika yang berkaitan untuk
pengumpulan dan penyajian data sehingga dapat memberikan informasi yang berguna. Bentuk
deskriptif dari data dapat dibuat berdasarkan kebutuhan dan optimalnya sebuah informas. Dalam
sebuah penelitian dapat menentukan jenis deskripsi seperti apa yang akan dibuat sehingga data
dapat menggambarkan informasi yang berguna dan mudah di cerna.

b. Penyajian Data dalam Statistik Deskriptif

Statistik Deskriptif banyak menyimpan informasi dan interpretasi yang berguna bagi pengguna
atau pengambil keputusan. Secara umum ada beberapa cara penyajian data dalam statistika
deskriptif diantaranya;

1. Tabel

Menurut Herhyanto (2016) menyebutkan ada 3 jenis tabel yang sering digunakan yakni;

a. Tabel Berisi Kolom

Tabel ini digunakan untuk berbagai kepentingan karena penampilan dan penyusunannya
yang mudah dan sederhana. Terdiri dari judul baris dan judul kolom yang menjelaskan
kategorinya, tabel baris kolom biasa digunakan untuk menampilkan data tunggal/tidak
bergolong
b. Tabel kontingensi
Tabel kontingensi biasa digunakan untuk memperjelas tabel baris kolom yakni ketika
kategori baris atau kolomnya akan diperinci menjadi beberapa kategori lagi.
c. Tabel distribusi frekuensi
Tabel inilah yang dinilai paling rumit dalam proses pembuatannya. Tabel ini akan
berguna jika cacah data besar sedemikian hingga dapat dibuat interval yang akan
mempersingkat penampilan tabel. Dalam pembuatan interval dan penentuan panjangnya
interval dapat menggunakan rumus tertentu yang dikenal dengan rumus Sturgess.

Dalam pengertian diatas kita harus bisa membuat penyusunan tabel yakni judul tabel yang
dituliskan diatas tabel dan sumber tabel yang dituliskan dibawah tabel. Seringkali pembuat tabel
melupakan pencantuman sumber padahal hal ini sangat penting untuk mengetahui apakah data
yang ditampilkan merupakan data primer atau data sekunder. Sekaligus sebagai kontrol
seandainya terdapat kesalahan dalam data, maka pembaca dapat langsung mengkonfirmasi
kepada sumbernya
 2. Grafik/Diagram

Menurut Riduwan (2015) grafik merupakan sebuah lukisan pasang surutnya keadaan dengan
menggunakan gambar atau garis. Perlu diketahui pembuatan grafik/diagram tentu tidak hanya
berupa garis pada koordinat kartesius. Ada beberapa pilihan grafik untuk data tunggal,
diantaranya adalah diagram batang, diagram garis, diagram titik, diagram lingkaran, dan
piktogram. Sedangkan untuk data bergolong, dapat digambarkan menggunakan histogram,
poligon, dan ogive. Hal yang perlu dicatat dalam pembuatan diagram untuk data tunggal adalah
terkait pembuatan diagram garis.

Pada data tunggal dikenal dengan diagram batang maka pada data bergolong dikenal dengan
histogram, proses pembuatannya sama hanya saja masing – masing batang akan saling berimpit
dan sumbu X pada kartesiusnya akan diwakili dengan titik tengah masing – masing interval.
Sedangkan istilah poligon pada data bergolong sebenarnya adalah diagram garis yang dibuat
dengan menghubungkan titik tengah pada atas batang histogram yang telah disusun sebelumnya.
tujuan pembuatan diagram adalah untuk menggambarkan data penelitian pun bisa memperindah
penjelasan daripada sekedar berupa tabel yang kaku karena diagram bisa dibuat dalam berbagai
warna yang indah. Akan tetapi tujuan memperindah ini jangan sampai melupakan tujuan utama
untuk penyajian data sehingga diagram haruslah jelas ketika akan dibaca data / angkanya.

3. Ukuran Pemusatan (Tendensi Sentral)

Menurut Sudaryono, Saefullah, dan Rahardja (2012) ukuran pemusatan merupakan suatu
bilangan yang menunjukkan kecenderungan memusatnya label angka (bilangan) pada suatu
distribusi data. Ukuran pemusatan ini akan membantu untuk merangkum dan mendeskripsikan
data dengan cara mencari indeks (angka) tertentu yang mewakili data yang dimiliki. Meskipun
tidak mengungkapkan informasi individu (subyek data) secara tunggal, tapi ukuran pemusatan
dapat memberi ringkasan yang komprehensif terhadap data. Terdapat tiga buah ukuran tendensi
sentral yang bisa mewakili data yakni:

 Rata – Rata Hitung (Mean)

Rata – rata hitung biasa juga disebut sebagai rerata atau mean disimbolkan dengan
µ untuk data populasi dan untuk data sampel. Mean adalah nilai yang paling
umum untuk menggambarkan kumpulan data. Menurut Sudaryono, Saefullah, dan
Rahardja (2012) Mean dapat diperoleh dengan membagi jumlah nilai – nilai data
dengan jumlah individu (cacah data). Nilai mean yang dihasilkan dapat digunakan
untuk perbandingan data populasi satu dengan data populasi lain.

 Median
Median merupakan rata – rata letak. Sudaryono, Saefullah, dan Rahardja (2012)
menjelaskan bahwa dalam mencari median dari sejumlah data dapat diawali
dengan mengurutkan data dari yang terkecil hingga yang terbesar kemudian
dibagi menjadi dua kelompok. Separuh termasuk kelompok tinggi dan separuhnya
termasuk kelompok rendah. Maka titik tengah yang berada diantara kedua
kelompok tersebut bisa disebut sebagai median. Nilai median dapat menjadi
alternatif untuk mencari perkiraan nilai mean.

 Modus
Menurut Riduwan (2012) Modus merupakan suatu nilai dari data yang memiliki
frekuensi tertinggi atau merupakan nilai yang sering muncul dalam kelompok
data. modus dapat dijadikan ukuran untuk melihat gejala atau kejadian yang
sering muncul atau terjadi. Pada data kuantitatif, modus tidak selalu bersifat
tunggal. Berbeda dengan mean dan median, bisa jadi pada suatu data terdapat
lebih dari 1 modus

4. Ukuran Nilai Tempat

Ukuran nilai tempat dalam berbagai variasi ini dapat ditentukan dengan terlebih dahulu dengan
mengurutkan data. Ukuran nilai ini biasa digunakan untuk membantu menggolongkan data ke
dalam kategori tertentu.

5. Ukuran Penyebaran (Dispersi)

Hamid (2016) menerangkan bahwa ukuran dispersi dapat membantu kita untuk melihat seberapa
jauh data menyebar dari rataannya. Hal ini akan membantu juga dalam melihat adanya pencilan
dalam data.

1. Jangkauan (Range) diperoleh dengan mengurangkan data terbesar dan terkecil.

2. Menurut Riduwan (2015) Simpangan Rata – rata merupakan nilai rataan dari harga
mutlak semua simpangan nilai data terhadap rataan datanya. Kegunaan ukuran ini adalah
untuk mengetahui sejauh mana data menyimpang dari mean nya.
3. Ragam (Variansi) dan Simpangan Baku (Standar Deviasi) Variansi merupakan harga
kuadrat dari simpangan baku yang dapat ditentukan dengan mengkuadratkan selisih nilai
data dengan mean kemudian membaginya dengan cacah data. Variansi selalu bernilai
positif dan harganya yang kecil menunjukkan bahwa sebaran data dekat dengan
rataannya.

2. Statistik Inferensial
A. Pengertian Statistik Inferensial

Metode statistik inferesial sering dianggap sebagai metode mengumpulkan, mengolah,

menganalisis, dan menginterpretasi data kunatitatif. Tidak hanya itu metode ini juga
mempersoalkan cara menarik kesimpulan tentang karakteristik populasi dengan menggunakan
data sampel yang terbatas. Analisis data inferensial adalah penyajian statistik yang dihasilkan
dari penelitian secara sampel. Pada umumnya, analisis data inferensial digunakan untuk
menganalisis data sampel yang dihasilnya untuk memperkirakan populasi.

Beberapa contoh kegiatan inferensi:

 Diambil 10 sampel tinggi badan mahasiswa di salah satu universitas, dan

diketahui rata-rata tinggi adalah 170,3cm. Maka bisa disimpulkan bahwa rata-rata
tinggi badan mahasiswa universitas tersebut (sebagai populasi) adalah 170,3cm
 NB: contoh yang diatas bersifat umum, dan tidak menjelaskan penggunaan stadar
deviasi untuk estimasi yang lengkap
 Diambil 130 sampel pria dan wanita yang bekerja pada sebuah pabrik, yang
mempunyai 5000 pekerja. Dari proses statistik inferensi pada 130 sampel tersebut
didapat bahwa ada perbedaan antara pria dan wanita pada kepuasan kerja mereka.

_________________________________

Dr. Eng. Yeri Sutopo, M.PD dan Prof. Dr. Achmad Slamet, M.Si. (2017). Statistik Inferensial. Yogyakarta: ANDI

Maka bisa disimpulkan bahwa rata-rata kepuasan kerja pria dan wanita pekerja
pabrik tersebut (5.000 orang atau populasi riset) memang berbeda. Mungkin saja
rata-rata pekerja pria lebih luas daripada rata-rata pekerja wanita, atau
sebaliknya.Dengan demikian, jika pengambilan sampel adalah salah, atau
pengguna metode statistik tertentu pada sampel adalah salah, maka akan berakibat
kesalahan dalam pengambilan keputusan secara umum terhadap populasi.
 Pengambilan sampel yang salah akan mengakibatkan keputusan yang bisa salah.
Seperti mengambil 10 sampel pada mahasiswa yang kebetulan tinggi badannya
melebihi 170cm akan mengambil kesimpulan salah, jika kebanyakan isi populasi
justru tinggi badannya Cuma sekitar 160-an cm.
 Pada contoh yang kedua, pengambilan sampel sudah benar, namun metode
statistik inferensi yang diterapkan salah, keputusan yang diambil juga bisa salah.
Seperti membandingkan sikap pria dan wanita yang seharusnya kedua sampel
tersebut independen satu sama lain, namun diperlakukan sebagai satu sampe saja,
maka keputusan bisa saja salah. Atau, jika sampel cuman diambil 12 orang pria
muda, wanita muda, pria dewasa dan wanita dewasa namun menggunakan
prosedur statistik parametrik.
B. Sifat Statistik Inferensial

Statistik inferensial digunakan untuk menarik kesimpulan dari beberapa orang, kejadian, dan
waktu untuk keseluruhan (generalisasi). Sifat statistik inferensial, yaitu:

 data yang dianalisis berasal dari random sampling (acak)

  menggeneralisasikan dan meramalkan baik tentang ciri penting suatu variabel
maupun hubungan antarvariabel;
 generalisasi dan ramalan yang dibuat diberlakukan bagi keseluruhan populasi atas
dasar hasil analisis data dari sampel;
 generalisasi dan ramalan dilaksanakan dengan uji hipotesis atau pengecekan
asumsi.
C. Karakteristik Statistik Inferensial

Dalam statistika inferensia diadakan yang namanya pendugaan parameter, membuat hipotesis,
serta menguji hipotesis tersebut sampai pada pembuatan kesimpulan yang berlaku umum.
Metode ini sering disebut juga statistik induktif, karena kesimpulan yang ditarik didasarkan pada
informasi dari sebagian data saja Statistika inferensia memiliki 4 karakteristik, yaitu;

 pengamatan secara acak, Karakteristik pertama dalam statistika inferensia adalah

pengamatan secara acak (random observation), berarti bahwa pengamatan atau
pengukuran yang dilakukan tidak dapat diprediksi dengan tingkat kepastian tertentu
sebelumnya. Artinya, hasil dari pengamatan (pengukuran) yang dilakukan cenderung
bervariasi secara acak. Pada contoh di atas, seorang peneliti tidak dapat menentukan
bahwa seorang pencari kerja yang terpilih secara random dari daftar yang tersedia.

 penarikan sampel (sampling), Karakteristik kedua dari karakteristik inferensia

berhubungan dengan Karakteristik kedua dari karakteristik inferensia berhubungan
denganteknik penarikan sampel (sampling).

 Karakteristik ketiga dari statistika inferensia berhubungan dengan data dalam bentuk
angka (numerical data). Maksudnya, dari sampel yang terpilih secara random, peneliti
akan mengumpulkan data. Data yang terkumpul tersebut merupakan pengukuran (dari
karakteristik) setiap elemen yang terpilih ke dalam sampel.

 Karakteristik keempat dari statistika inferensia adalah tujuan (umum) dari statistika
inferensia. Maksud dilakukannya penarikan sampel secara random adalah untuk
mendapatkan informasi dari sebagian elemen (unsur) populasi yang menjadi perhatian
peneliti untuk selanjutnya peneliti melakukan penarikan kesimpulan (inferensi) mengenai
keseluruhan populasi.
 D. Statistika inferensial terbagi lagi menjadi dua, yakni:

1. Statistika Parametrik adalah kegiatan untuk m menarik kesimpulan atas beberapa gejala
yang dapat disimpulkan ke keseluruhan bobotnya paling tinggi (populasi). Ciri dari
parametrik adalah skala data interval/rasio, serta distribusi data (populasi) normal.
Misalnya semua mahasiswa tidak suka menyontek. Statistika parametrik menggunakan
asumsi mengenai populasi dan membutuhkan pengukuran kuantitatif dengan level data
interval atau rasio. Karakteristik dari statistika parametrik ialah:

 analisis yang didasarkan atas asumsi bahwa data memiliki sebaran tertentu (diskrit
/ kontinum dan normal / tidak normal) dengan parameter yang belum diketahui;

 jenis data kuantitatif dan harus diambil secara acak / random;

 sampel harus mempunyai jumlah tertentu dengan standar keterwakilannya

(representatif);

 distribusi data yang terkumpul harus normal sesuai dengan kurva normal;

 homogen, variasinya rendah.

Statistika parametrik (metode kuantitatif) merupakan metode statistika yang menyangkut

pendugaan parameter, pengujian hipotesis, pembentukan selang kepercayaan, dan
hubungan antara dua sifat (peubah) atau lebih bagi parameterparameter yang mempunyai
sebaran (distribusi normal) tertentu yang diketahui. Metode statistika parametrik
berlandaskan pada anggapan-anggapan tertentu yang telah disusun terlebih dahulu, jika
anggapan-anggapan tersebut tidak sesuai dengan keadaan sebenarnya, apalagi jika
menyimpang jauh maka keampuhan metode ini tidak dapat dijamin atau bahkan dapat
menyesatkan. Pengolongan statistika parametrik, antara lain: korelasi, regresi, path
analysis (analisis jalur), structural equation modeling (SEM), analisis faktor,
deskriminan, regresi logistik, dan analisis multivariat. Prosedur penggunaan statistika
parametrik harus mempertimbangkan:

 penentuan hipotesis;

 pemilihan uji statistika (alat analisis);

  penentuan taraf kesalahan (α) dan ukuran cuplikan (n)

 menentukan sebaran cuplikan (sampling distribution);

 penentuan daerah penolakan Ho; dan (6) pengambilan keputusan dan penarikan
kesimpulan

Kelebihan statistika parametrik adalah:

 dapat digunakan untuk menduga atau meramal;

 hasil analisis dapat diperoleh dengan pasti dan akurat apabila digunakan sesuai
aturan-aturan yang telah ditetapkan;

 dapat digunakan untuk mengukur interaksi hubungan antara dua atau lebih
variabel (peubah);

 dapat menyederhanakan realitas permasalahan yang kompleks dan rumit dalam

sebuah model sederhana.

Kekurangan statistika parametrik adalah:

 berdasarkan pada anggapan-anggapan (asumsi);

 asumsi tidak sesuai dengan realitas yang terjadi atau menyimpang jauh maka
kemampuannya tidak dapat dijamin bahkan menyesatkan;

 data harus berdistribusi normal dengan skala pengukuran data yang harus
digunakan adalah interval dan rasio;

 dapat digunakan untuk menganalisis data yang populasi / sampelnya sama;

 tidak dapat dipergunakan untuk menganalisis dengan cuplikan (sampel) yang

jumlahnya sedikit (> 30).

2. Statistik Nonparametrik merupakan metode yang bersifat historis, komparatif, dan case
study. Statistika nonparametrik merupakan statistik yang tidak memerlukan pembuatan
asumsi tentang bentuk distribusi atau bebas distribusi, sehingga tidak memerlukan asumsi
 terhadap populasi yang akan diuji. Menurut Riduwan (2006:39) yang menyatakan
statistik nonparamerik tidak menganut asumsi bahwa data popuasi atau sampel harus
berdistribusi normal, dipilih secara acak, memiliki hubungan yang linear, dan data
bersifat homogen. Oleh karena itu, statistik nonparametrik disebut juga dengan statistik
bebas distribusi. Statistik nonparametrik lebih banyak bekerja dengan data nominal dan
ordinal.

Nominal
Tidak
Nonparametrik
Normal
Ordinal

Tidak Normal Transformasi

Interval

Rasio Periksa Mendekati

Parametrik
Normal
Normal
Model Paramterik dan Nonparametrik

Sebagaimana pendapat Hatani (2008) statistika nonparametrik adalah statistika yang tidak
memerlukan pembuatan asumsi tentang bentuk distribusi atau bebas distribusi. Sehingga tidak
memerlukan asumsi terhadap populasi yang akan diuji.
  Kelemahan statistika nonparametrik:
a. bila asumsi sebaran normal dapat dipenuhi, maka kesimpulan analisis yang diperoleh
kemungkinan akan membias;
b. tidak dapat dipergunakan untuk mengukur interaksi; dan
c. tidak dapat dipakai sebagai alat untuk menduga atau meramal.

 Manfaat statistika nonparametrik:

a. nilai peluang hasil analisis dapat diperoleh dengan pasti karena tidak berdasarkan
pada anggapan (asumsi);
b. dapat dipergunakan untuk menganalisis dengan cuplikan (populasi) yang sedikit;
c. dapat menganalisis data yang populasinya atau sampelnya berbeda;
d. dapat dipergunakan untuk menganalisis data yang ukurannya menurut skala ordinal
dan nominal;
e. metode analisis relatif mudah dengan hanya mempergunakan aljabar yang sederhana;
f. mudah dipelajari dan diaplikasika
 Syarat dan Pemilihan Metode Nonparametrik

Berikut beberapa kondisi data yang memungkinkan digunakannya metode statistik

nonparametrik:

a. Untuk data yang tidak berdistribusi normal atau varians tidak sama, bisa dilakukan
transformasi data ke bentuk logaritmik, akar dan sebagainnya, lalu dilakukan pengujian
normalitas dan varians sekali lagi
b. Jika jumlah data sedikit, bisa diusahakan penambahan data sehingga memenuhi prosedur
parametrik (sekitar 30 data atau lebih), sejauh penambahan data tidak membebani biaya
dan masih relevan dengan tujuan penelitian
c. Untuk data bertipe nominal atu ordinal, hail ini tidak bisa diubah, karena menyangkut
“nature” data. Mau tidak mau prosedur nonparametrik sangat dianjurkan untuk tipe
nominal dan ordinal.

MEMBACA KORELASI
Kata

“korelasi” berasal dari bahasa Inggris, yaitu “correlation”.Dalam bahasa Indonesia sering
diterjemahkan dengan “hubungan” atau “saling berhubungan”, atau “hubungan timbal-balik”1
A. Penelitian Korelasional
Penelitian korelasi sejatinya tidak ditentukan oleh di mana atau bagaimana jenis data
penelitian dikumpulkan. Namun, beberapa pendekatan sangat terkait dengan penelitian
korelasional, termasuk hubungannya pengamatan naturalistik (di mana peneliti mengamati
perilaku orang dalam konteks di mana itu terjadi) dan penggunaan data arsip yang sudah
dikumpulkan untuk beberapa tujuan lain.
B. Pengertian Penelitian Korelasional
Penelitian korelasional adalah jenis penelitian non eksperimental yang senantiasa
dilakaukan dengan mengukur dua variabel dan menilai hubungan statistik dan statistika (yaitu,
korelasi), dimana diantara kedua variabel tersebut dengan sedikit atau tidak ada upaya untuk
mengendalikan variabel asing (variabel extraneous).
C. Pengertian Penelitian Korelasional Menurut para Ahli
Adapun definisi penelitian korelasional menurut para ahli, antara lain;
Gay, Penelitian korelasional ialah merupakan salah satu bagian penelitian expostfacto karena
biasanya peneliti tidak memanipulasi keadaan variabel yang ada dan langsung mencari
keberadaan hubungan dan tingkat hubungan variabel yang direfleksikan dalam koefesien
korelasi.

1
Anas Sudijono, Pengantar Statistik Pendidikan, (Jakarta: Raja Grafindo Persada, 2004), hlm. 179.
Suryabrata (1994), Arti penelitian korelasional adalah penelitian yang bertujuan untuk
mendeteksi sejauh mana variasi-variasi pada suatu faktor memiliki kaitan dengan variasi-variasi
pada satu atau lebih faktor lain berdasarkan pada koefisien korelasi.
Fraenkel dan Wallen (2008), Penelitian korelasi adalah metode penelitian deskripsi dengan sebab
penelitian tersebut merupakan upaya untuk menggambarkan kondisi yang sudah terjadi. Dalam
penelitian ini, peneliti berupaya menggambarkan kondisi sekarang dalam konteks penelitian
kuantitatif yang direfleksikan dalam variabel.
Emzir (2009), Penelitian korelasional yaitu penelitian yang dilakukan dalam berbagai bidang
diantaranya pendidikan, sosial, maupun ekonomi. Penelitian korelasional hanya terbatas pada
panafsiran hubungan antarvariabel saja, tidak sampai pada hubungan kausalitas, tapi penelitian
ini bisa dijadikan acuan untuk diajadi penelitian selanjutnya seperti penelitian eksperimen.
D. Tujuan Penelitian Korelasional
Setelah mempelajari pengertian dari jenis riset di atas, selanjutnya, pada bab ini akan
membahas mengenai tujuan penelitian korelasional.
Penelitian korelasional memiliki tujuan untuk mengidentifikasi variabel-variabel yang
memiliki hubungan dengan variabel lainnya, apakah ada perubahan pada suatu variabel tertentu
atau tidak, dan apakah variabel tersebut menciptakan perubahan pada variabel lainnya.
Contohnya adalah mengukur kaitan hubungan antara kecerdasan dengan usia, kreativitas dengan
motivasi, dan sebagainya.
Penelitian korelasional ini termasuk penelitian deskriptif yang dapat mengungkapkan
hubungan secara statistik. Penelitian ini berbeda dengan penelitian eksperimen yang
mengandalkan sepenuhnya pada hipotesis dan metodologi ilmiah.
Contoh sederhana penelitian dapat mengungkapkan hubungan statistik antara seseorang
dengan berpenghasilan tinggi dan kepindahan. Artinya makin banyak penghasilan seseorang,
maka makin besar juga kemungkinan pindah atau tidaknya orang tersebut.
Penelitian korelasional kerapkali dipergunakan untuk mengeksplorasi hubungan antar
variabel penelitian yang saling terkiat. Sehingga secara umum riset ini tidak menggambarkan
sifat hubungan seperti dalam penelitian deskriptif serta tidak dapat digunakan untuk menentukan
penyebab sebagai penelitian eksperimental. Oleh karena itulah untuk tujuan dari penelitian ini
adalah untuk menentukan variabel mana yang berinteraksi dan jenis interaksi apa yang terjadi.
Sehingga studi korelasi sangatlah memungkinkan peneliti untuk membuat prediksi
berdasarkan hubungan yang ditemukan. Misalnya, jika perubahan dalam variabel A secara
konsisten menghasilkan perubahan ke variabel B, hubungan korelasional dapat dijelaskan.

E. Macam Penelitian Korelasional

Berikut ini jenis-jenis desain penelitian korelasional, yaitu:
 Studi Hubungan
 Studi hubungan dilakukan sebagai usaha untuk mendapatkan pemahaman faktor apa
saja atau variabel yang berhubungan dengan variabel yang kompleks, misalnya seperti hasil
belajar akademik, konsep diri dan motivasi.
Variabel yang diketahui tidak memiliki hubungan dapat dieliminasi dari perhatian
atau pertimbangan selanjutnya. Identifikasi variabel yang berhubungan bisa membantu
beberapa tujuan utama, pertama studi kasus hubungan bisa memberikan arah untuk
melanjutkan studi kausal-komparatif ataupun eksperimental.
Pada studi kausal komparatif dan eksperimental, peneliti juga berkonsentrasi pada
pengontrolan variabel selain variabel bebas, yang mungkin saja berhubungan dengan variabel
terikat dan menyingkirkan pengaruhnya agar tidak bercampur dengan pengaruh variabel
bebas.
Kedua, studi hubungan bisa membantu peneliti mengidentifkasi variabel-variabel
seperti itu, yang berguna untuk mengontrol, dan selanjutnya menyelidiki pengaruh variabel
bebas yang sesungguhnya.
 Studi Prediksi
Bila variabel memiliki hubungan yang signifikan, skor pada satu variabel bisa digunakan
untuk memprediksikan skor pada variabel yang lainnya. Misalnya, Peringkat SMA, bisa dipakai
untuk memprediksikan peringkat di perguruan tinggi. Variabel yang mendasar pembuatan diacu
sebagai kriteria.
Studi prediksi digunakan untuk memudahkan dalam pengambilan suatu kesimpulan
mengenai individu atau membantu dalam pemilihan individu. Studi prediksi juga digunakan
untuk menguji hipotesis teoretis tentang variabel yang dipercaya menjadi pediktor pad suatu
kriteria, dan untuk menentukan validitas prediktif dari instrumen pengukuran individual.
Bila beberapa variabel prediktor masing-masing memiliki hubungan dengan suatu
variabel kriteria, prediksi yang didasarkan pada kombinasi dari beberapa variabel tersebut akan
lebih akurat daripada didasarkan hanya pada salah satu darinya.
 Korelasi Multivariat
Korelasi multivariat merupakan teknik yang digunakan untuk mengukur dan menyelidiki
tingkat hubungan antara kombinasi dari tiga variabel atau lebih. Setidaknya untuk tahapan
penentuannya terdapat beberapa teknik yang bisa digunakan, dua diantaranya;
 Regresi ganda atau multiple regression
Teknik ini digunakan untuk memprediksi suatu fenomena yang kompleks, karena
jika hanya dengan menggunakan satu faktor (variabel prediktor) seringkali
hasilnya kurang akurat. Dalam banyak hal, semakin banyak informasi yang
didapatkan semakin akurat prediksi yang bisa dibuat (Mc Millan & Schumaker,
2010), yaitu dengan menggunakan kombinasi dua atau lebih variabel prediktor.
Penggunaan dua atau lebih variabel prediktor akan membuat prediksi terhadap
variabel kriteria lebih akurat dibanding dengan hanya menggunakan masing-
 masing variabel prediktor secara sendiri-sendiri. Sehingga, penambahan jumlah
prediktor akan meningkatkan akurasi prediksi kriteria.
 Korelasi kanonik
Pada dasarnya teknik ini sama dengan regresi ganda, yaitu dengan
mengombinasikan beberapa variabel untuk memprediksi variabel kriteria. Namun,
tidak seperti regresi ganda yang hanya melibatkan satu variabel kriteria, korelasi
kanonik melibatkan lebih dari satu variabel kriteria.
Korelasi kanonik berguna untuk menjawab pertanyaan, bagaimana serangkaian
variabel prediktor memprediksi serangkai variabel kriteria? Sehingga, korelasi
kanonik ini bisa dianggap sebagai perluasan dari regresi ganda, dan sebaliknya,
regresi berganda bisa dianggap sebagai bagian dari korelasi kanonik (Pedhazur
dalam Abidin, 2010).
Korelasi ini seringkali digunakan dalam penelitian eksplorasi yang bertujuan
untuk meentukan apakah sejumlah variabel mempunyai hubungan satu sama lain
yang serupa atau berbeda.
F. Ciri Penelitian Korelasional
Penelitian korelasional memiliki beberapa ciri yang memnbedakannya dengan penelitian
lainnya. Ciri-ciri tersebut antara lain:
 Penelitian korelasional cocok digunakan apabila variabel-variabel yang diteliti
rumit dan/atau tidak bisa diteliti dengan metode eksperimental atau tidak bisa
dimanipulasi.
 Penelitian korelasional memungkinkan pengukuran beberapa variabel dan saling
hubungannya secara serentak dalam keadaan realistiknya.
 Output dari penelitian korelasional ialah taraf atau tinggi-rendahnya saling
hubungan dan bukan ada atau tidak adanya saling hubungan tersebut.
 Penelitian korelasional dapat digunakan untuk meramalkan variabel tertentu
berdasarkan variabel bebas.
Kelebihan penelitian korelasional diantaranya yaitu mampu untuk menyelidiki hubungan
antara beberapa variabel secara bersama-sama (simultan); bisa memberikan informasi tentang
derajat (kekuatan) hubungan antara variabel-variabel yang diteliti.
G. Hasil Desain Penelitian Korelasi
Korelasi berarti asosiasi yang lebih tepat adalah ukuran sejauh mana dua variabel terkait.
Sehingga atas dasar inilah ada tiga hasil yang mungkin mucul dari desain penelitian korelasi
dengan sejumlah kelemahan dan kelebihannya. Yakni;
 Korelasi positif
Korelasi positif antara dua variabel adalah ketika peningkatan satu variabel
mengarah pada peningkatan variabel lainnya dan penurunan satu variabel akan
berdampak pada penurunan variabel lainnya. Misalnya, jumlah uang yang dimiliki
seseorang mungkin berkorelasi positif dengan jumlah mobil yang dimilikinya.
  Korelasi negatif
Korelasi negatif secara harfiah adalah kebalikan dari korelasi positif. Ini berarti,
jika ada peningkatan dalam satu variabel, variabel lainnya akan menunjukkan penurunan
dan sebaliknya.
Misalnya, tingkat pendidikan mungkin berkorelasi negatif dengan tingkat
kejahatan ketika peningkatan satu variabel menyebabkan penurunan variabel lain dan
sebaliknya. Ini berarti jika dalam beberapa hal tingkat pendidikan di suatu negara
ditingkatkan, hal itu dapat menurunkan tingkat kejahatan.
Harap dicatat, bahwa ini tidak berarti bahwa kurangnya pendidikan mengarah
pada kejahatan. Ini berarti kurangnya pendidikan dan kejahatan diyakini memiliki alasan
yang sama: kemiskinan.
H. Tidak ada korelasi (Korelasi nol)
Ini berarti perubahan dalam satu variabel tidak berpengaruh pada variabel lain, atau
dengan kata lain tidak ada hubungan antara dua variabel. Misalnya tidak ada hubungan antara
jumlah teh yang diminum dan tingkat kecerdasan.
I. Cara Menuliskan Penelitian Korelasional
Berikut ini langkah-langkah dalam melakukan penelitian korelasi, antara lain adalah
sebagai berikut;
 Pemilihan Masalah
Pada penelitian korelasional, rumusan masalah yang dipilih harus memiliki nilai
yang berarti dalam pola perilaku fenomena yang kompleks yang membutuhkan
pemahaman. Disamping itu, variabel yang dimasukkan dalam penelitian harus
berdasarkan pada pertimbangan, baik secara teoritis maupun logika, bahwa
variabel tersebut memiliki hubungan tertentu. Hal ini biasanya bisa diperoleh
berdasarkan hasil penelitian sebelumnya.
Tiga jenis masalah utama:
 Apakah variabel X terkait dengan variabel Y?
 seberapa baik variabel P memprediksi variabel C?
 Apa hubungan antara sejumlah besar variabel dan prediksi apa yang dapat
dibuat?
 Studi kepusatakaan
Setelah permasalahan ditentukan, langkah berikutnya yaitu studi kepustakaan
yang menjadi dasar untuk mendapatkan landasan teori, kerangka pikir dan
penentuan dugaan sementara sehingga peneliti dapat mengerti, mengalokasikan,
mengorganisasikan, dan menggunakan variasi pustaka dalam bidangnya. Beragam
sumber untuk mendapatkan teori yang berkaitan dengan masalah yang diteliti bisa
dari jurnal, laporan hasil penelitian, majalah ilmiah, surat kabar, buku yang
relevan, hasil-hasil seminar, artikel ilmiah dan narasumber.
 Metodologi Penelitian
 Setelah melakukan studi pustaka, langkah berikutnya adalah menentukan
metodologi penelitian. Pada tahap ini peneliti harus memilih subjek penelitian dan
menentukan cara dalam pengolahan data. Subyek dipilih harus bisa diukur dalam
variabel-variabel yang menjadi fokus penelitian. Subyek harus relatif homogen
dalam faktor-faktor di luar variabel yang diteliti yang mungkin bisa berpengaruh
terhadap variabel terikat.
Jika subyek yang dilibatkan memiliki perbedaan yang berarti dalam faktor-faktor
tersebut, korelasi antar variabel yang diteliti menjadi kabur. Untuk mengurangi
heterogenitas, peneliti bisa mengklasifikasikan subyek menjadi beberapa
kelompok berdasarkan tingkat faktor tertentu kemudian menguji hubungan antar
variabel penelitian untuk masing-masing kelompok.
 Pengumpulan data
Terdapat beragam jenis instrumen penelitian bisa digunakan untuk mengukur dan
mengumpulkan data masing-masing variabel. Misalnya jenis angket, tes,
pedoman wawancara dan pedoman observasi, sesuai dengan kebutuhan penelitian.
Data yang dikumpulkan harus dalam bentuk angka.
Pada penelitian korelasional, pengukuran variabel bisadilakukan dalam waktu
yang relatif sama. Sedangkan dalam penelitian prediktif, variabel prediktor harus
diukur selang beberapa waktu sebelum variabel kriteria terjadi. Jika tidak
demikian, maka menyebabkan prediksi terhadap kriteria tersebut tidak ada
artinya.
 Analisis data
Cara analisis data dalam penelitian korelasional yaitu dengan mengkorelasikan
hasil pengukuran suatu variabel dengan hasil pengukuran variabel lain. Dalam
penelitian korelasional, teknik korelasi bivariat, sesuai dengan jenis datanya,
digunakan untuk menghitung tingkat hubungan antara variabel yang satu dengan
yang lain.
Sedangkan dalam penelitian prediktif, teknik yang digunakan yaitu analisis
regresi untuk mengetahui tingkat kemampuan prediktif variabel prediktor
terhadap variabel kriteria. Meskipun demikian, bisa juga menggunakan analisis
korelasi biasa jika hanya melibatkan dua variabel.
Jika melibatkan lebih dari dua variabel, misalnya untuk menentukan apakah dua
variabel prediktor atau lebih bisa digunakan untuk memprediksi variabel kriteria
lebih baik jika digunakan secara sendiri-sendiri, teknik analisis regresi ganda,
multiple regresion atau analisis kanonik.
Pelaporan hasil analisis biasanya dalam bentuk nilai koefisien korelasi atau
koefisien regresi beserta tingkat signifikansinya, disamping proporsi variansi yang
disumbangkan oleh variabel bebas terhadap variabel terikat.
Interpretasi data pada penelitian korelasional ialah jika dua variabel dihubungkan
maka akan menghasil koefisen korelasi dengan simbol (r). Hubungan variabel
tersebut dinyatakan dengan nilai dari -1 samapai +1. Nilai negatif (-) menunjukan
korelasi negatif yang variabelnya saling bertolak belakang, sedangkan nilai positif
 (+) menunjukkan korelasi positif yang variabelnya saling mendekati ke arah yang
sama (Syamsudin dan Vismaia, 2009:25).
 Simpulan
Simpulan berisi hasil analisis deskripsi dan pembahasan tentang hal yang diteliti
dengan menggunakan mudah dipahami pembaca secara ringkas.
Berikut data “motivasi” terhadap “kinerja” karyawan di sebuah perusahaan x. Berikut data
dibawah ini
NO Motivasi Kinerja 26 27 22
1 41 29 27 37 29
2 33 26 28 39 16
3 40 31 29 39 23
4 40 23 30 32 19
5 43 23 31 37 27
6 36 24 32 37 27
7 40 23 33 34 31
8 37 27 34 33 29
9 42 30 35 39 33
10 42 33 36 41 32
11 32 29 37 44 27
12 42 32 38 39 27
13 40 24 39 39 28
14 38 27 40 44 30
15 42 26 41 41 31
16 31 24 42 30 25
17 33 21 43 32 20
18 42 26 44 38 26
19 39 28 45 31 20
20 40 26 46 34 20
21 32 25 47 34 27
22 33 20 48 39 23
23 40 27 49 29 18
24 36 28 50 41 28
25 40 24 51 42 27
52 34 19
53 33 28
Pengambilan Keputusan

Dimana:
1. Jika Nilai Signifikan < 0,05, maka Berkorelasi
2. Jika Nilai Signifikan >0,05, maka Tidak Berkorelasi

Menggunakan Metode Person

1. Nilai Person Corelation 0,00 s/d 0,20 = tidak ada korelasi

2. Nilai Person Corelation 0,21 s/d 0,40 = Korelasi lemah
3. Nilai Person Corelation 0,41 s/d 0,60 = Korelasi sedang
4. Nilai Person Corelation 0,61 s/d 0,80 = Korelasi Kuat
5. Nilai Person Corelation 0,81 s/d 1,00 = Korelasi sempurna

Penjelasan

1. Pengambilan Keputusan

Dari hasil tabel tersebut diketahui nilai Signifikan (Sig) untuk hubugan
“Motivasi” dengan “Kinerja” adalah sebesar 0,01. Maka, karna nilai .001(lihat tabel
Kolom “Motivasi”) lebih kecil dari nilai 0.05 dapat dikatakan bahwa terdapat hubungan
“Motivasi” dengan “Kinerja”. Dan tabel “Kinerja” juga sebaliknya terdapat hubungan
antara “kinerja” dan “Motivasi”.

2. Tingkat Hubungan “Motivasi” dan “Kinerja”

 Pada pedoman korelasinya bahwa di tabel korelasi diatas nilai Person korelasinya
sebesar 0.463. Jika melihat pada pedoman, nilai Person korelasinya sekitar 0,41 s/d 0.60,
berarti tingkat hubungan antara “Motivasi” dengan “Kinerja” termasuk kategori
“sedang.”

3. Menentukan Hubungan Positif dan Negatif

Untuk melihat apakah arah hubungannya positif/negatif tinggal melihat nilai
person korelasinya. Pada tabel korelasi, nilai diatas sebesar 0,463 (Lihat nilai korelasi
Person 0,41 s/d 0,60). Artinya dapat disimpulkan bahwa “Motivasi” berhubungan secara
Positif terhadap “Kinerja”.
4. Jika Nilai Signifikan tepat di angka 0,05
Hal yang perlu dilakukan adalah “Membandingkan Person Korelasi dengan r
tabel”. Jadi secara ketentuan yang berlaku jika :
a) Pearson Corellation > r tabel = Berhubungan
b) Pearson Corellation < r tabel = Tidak Berhubungan

Diketahui nilai korelasi sebesar 0.455 (lihat tabel korelasi). Kemudian mencari
nilai r tabel tersebut dengan melihat daftar tabel distribusi “r tabel”.

Nilai r tabel sebesar 0,266 (dikarenakan jumlah sampel pada tabel sebanyak 53
dan di ambil nilai N yang mendekati yaitu N=55). Jadi dapat dikatakan bahwa Nilai
 Korelasi adalah 0,463 lebih besar (>) dari pada nilai r tabel 0,266 (lihat tabel distribusi).
Berarti dapat dikatakan terdapat hubungan antara variabel “Motivasi” dengan “Kinerja”.
Pada intinya tidak ada perbedaan mengenai hasil yang menggunakan signifikan korelasi
maupun menggunakan Person korelasi dengan r tabel mengahasilkan kesimpulan yang
sama. Pada akhirnya tidak ada perbedaan hasil menggunakan Pearson korelasi dan r
tabel.

KESIMPULAN
Dari penjelasan yang dikemukakan, dapatlah dikatakan bahwa penelitian korelasional tidak
memiliki kontrol atas atau memanipulasi salah satu variabel. Sehingga peran peneliti adalah
untuk mengumpulkan data dan menentukan apakah ada pola yang menunjukkan hubungan
korelasional antar variabel.
Peran peneliti adalah untuk menganalisis dan menafsirkan data, tetapi tidak ada variabel yang
dikendalikan oleh peneliti. Studi korelasional dapat dilakukan dalam lingkungan alami,
lingkungan laboratorium, atau hanya dengan mengumpulkan data yang tersedia melalui berbagai
cara.
 A. PENGERTIAN REGRESI
Sir Francis Galton (1822 – 1911), memperkenalkan model peramalan, penaksiran,
atau pendugaan, yang selanjutnya dinamakan regresi, sehubungan dengan penelitiannya
terhadaptinggi badan manusia. Penelitian tersebut membandingkan antara tinggi anak laki-laki
dan tinggi badan ayahnya. Galton menunjukkan bahwa tinggi badan anak laki-laki dari ayah
yang tinggisetelah beberapa generasi cenderung mundur (regressed) mendekati nilai tengah
populasi.Dengan kata lain, anak laki-laki dari ayah yang badannya sangat tinggi cederung lebih
pendekdari pada ayahnya, sedangkan anak laki-laki dari ayah yang badannya sangat pendek
cenderung lebih tinggi dari ayahnya. Analisis regresi digunakan untuk menentukan bentuk (dari)
hubungan antar variabel. Tujuan utama dalam penggunaan analisis ini adalah untukmeramalkan
atau menduga nilai dari satu variabel dalam hubungannya dengan variabel yang lainyang
diketahui melalui persamaan garis regresinya. (Iqbal Hasan, 2003).

Adakalanya, setelah kita memperoleh data berdasarkan sampel, kita ingin menduga nilai
darisuatu variabel Y yang bersesuaian dengan nilai tertentu dari variabel X. Hal ini diperoleh
dengan menaksir nilai Y dari kurva kuadrat minimum yang sesuai dengan data yang kita himpun
darisampel. Kurva yang diperoleh dan kita bentuk dari data sampel itu disebut kurva regresi
Yterhadap X, karena Y diduga dari X. (Murray R. Spiegel, 1988).

Dalam melakukan analisis regresi, sebagian besar mahasiswa biasanya tidak

melakukan pengamatan populasi secara langsung. Hal itu dilakukan selain pertimbangan waktu,
tenaga, juga berdasarkan pertimbangan biaya yang relatif besar jika melakukan pengamatan
terhadap populasi. Dalam hal ini, lazimnya digunakan persamaan regresi linier sederhana sampel
sebagai penduga persamaan regresi linier sederhana populasi dengan bentuk persamaan seperti
berikut :y = a + bX. Dan karena antara Y dan X memiliki hubungan, maka nilai X dapat
digunakan untukmenduga atau meramal nilai Y. X dinamakan variabel bebas karena variabel ini
nilai-nilainyatidak bergantung pada variabel lain. Dan Y disebut variabel terikat juga karena
variabel yangnilai-nilainya bergantung pada variabel lain. Hubungan antar variabel yang akan
dipelajari disini hanyalah hubungan linier sederhana, yakni hubungan yang hanya melibatkan
dua variabel (Xdan Y) dan berpangkat satu. (Iqbal Hasan, 2003)
.Regresi sederhana, adalah bentuk regresi dengan model yang bertujuan untuk
mempelajarihubungan antara dua variabel, yakni variabel independen (bebas) dan variabel
dependen (terikat). Jika ditulis dalam bentuk persamaan, model regresi sederhana adalah y = a +
bx,dimana, y adalah variabel takbebas (terikat), X adalah variabel bebas, a adalah penduga bagi
intercept (α), b adalah penduga bagi koefisien regresi (β). Atau dengan kata lain α dan β
adalah parameter yang nilainya tidak diketahui sehingga diduga melalui statistik sampel.
(Sambas dan Maman, 2011).

Menurut kelaziman, dalam ilmu statistika ada dua macam hubungan antara dua variabel
yangrelatif sering digunakan, yakni bentuk hubungan dan keeratan hubungan. Bentuk hubungan
bisadiketahui melalui analisis regresi, sedangkan keeratan hubungan dapat diketahui dengan
analisiskorelasi. Analisis regresi dipergunakan untuk menelaah hubungan antara dua variabel
atau lebih,terutama untuk menelusuri pola hubungan yang modelnya belum diketahui dengan
baik, atauuntuk mengetahui bagaimana variasi dari beberapa variabel independen mempengaruhi
variabel dependen dalam suatu fenomena yang komplek. Jika X1, X2, …., Xn, adalah variabel-
variabelindependen dan Y adalah variabel dependen, maka terdapat hubungan fungsional antara
X danY, dimana variasi dari X akan diiringi pula oleh variasi dari Y. Jika dibuat secara
matematishubungan itu dapat dijabarkan sebagai berikut: Y = f(X1, X2, ….., Xn, e), dimana Y
adalah variabel dependen (tak bebas), X adalah variabel independen (bebas) dan e adalah
variabel residu (disturbace term).

Berkaitan dengan analisis regresi ini, setidaknya ada empat kegiatan yang lazim
dilaksanakanyakni : (1) mengadakan estimasi terhadap parameter berdasarkan data empiris, (2)
menguji berapa besar variasi variabel dependen dapat diterangkan oleh variasi independen, (3)
menguji apakah estimasi parameter tersebut signifikan atau tidak, dan (4) melihat apakah tanda
magnitude dari estimasi parameter cocok dengan teori. (Moh. Nazir, 2013).

Hubungan antar variabel dapat berupa hubungan linier ataupun hubungan tidak linier.
Misalnya, berat badan orang dewasa sampai pada tahap raf tertentu bergantung pada tinggi
badan, keliling lingkaran bergantung pada diameternya, dan tekanan gas bergantung pada suhu
dan volumenya. Hubungan-hubungan itu bila dinyatakan dalam bentuk matematis akan
memberikan persamaan- persamaan tertentu. Untuk dua variabel, hubungan liniernya dapat
dinyatakan dalam bentuk persamaan linier, yakni: Y = a + bX. Hubungan antara dua variabel
pada persamaan linier jika digambarkan secara (scatter diagram), semua nilai Y dan X akan
berada pada suatu garis lurus. Dan dalam ilmu ekonomi, garis itu dinamakan garis regresi. (Iqbal
Hasan, 2003).

B. ANALISIS REGRESI DENGAN SPSS 17 DAN CARA MEMBACANYA

Cara menganalisis Regresi linier berganda dengan SPSS 17.0

Analisis regresi digunakan untuk memprediksi pengaruh variabel bebas terhadap variabel terikat.
Analisis regresi juga dapat dilakukan untuk mengetahui kelinieritas variabel terikat dengan
varibel bebasnya, selain itu juga dapat menunjukkan ada atau tidaknya data yang outlier atau
data yang ekstrim.
Analisis regresi linear berganda terdiri dari satu variabel dependen dan dua atau lebih variabel
independen.  Misalnya dalam suatu kegiatan penelitian ingin diketahui apakah variabel X (Sex
dan Nilai harian 1) berpengaruh terhadap variabel Y (nilai rapot). Data penelitian adalah sebagai
berikut:

Nama Sex Nilai harian 1  Nilai Rapot

IDM01 1 50 68
IDM02 2 61 86
IDM03 1 80 78
IDM04 1 76 80
IDM05 1 40 76
IDM06 2 73 74
IDM07 2 86 70
IDM08 1 77 80
IDM09 1 59 76
IDM10 2 56 85
IDM11 2 66 60
IDM12 1 80 69
IDM13 1 72 89
IDM14 2 95 90
IDM15 1 83 88

Keterangan sex: 1=laki-laki, 2=perempuan

Langkah-langkah menganalisis menggunakan spss 17.0  adalah sebagai berikut:

1.    Buka lembar kerja SPSS
2.    Buat semua keterangan variabel di variable view seperti gambar berikut:
3. Klik Data view dan masukan data sehingga tampak hasilnya sebagai berikut:

4. Lakukan analisis dengan cara: Analize, Regression, Liniear. akan muncul dialog seperti
gambar berikut; Selanjutnya isilah kotak menu Dependen dengan variabel terikat, yaitu variabel
Rapor dan kotak menu independen dengan variabel bebas, yaitu variabel Sex dan Harian 1.

5. Selanjutnya klik kotak menu Statistics. Pilih Estimates, Descriptives dan Model fit lau klik
Continue. Tampilan muncul seperti berikut
6. Kotak menu Plots, berfungsi untuk menampilkan grafik pada analisis regresi.  klik kotak
menu Plots, kemudian klik Normal probanility plot yang terletak pada kotak menu Standardized
Residual plots. Selanjutnya klik Continue. Tampilannya adalah sebagai berikut:

7. Selanjutnya klik Continue. Untuk melakukan analisis kliklah OK. Beberapa saat kemudian
akan keluar outputnya, sebagai berikut:

Regression
[DataSet1]
Cara membaca Output tersebut adalah. sebagai berikut:
1. Deskriptif statistik

Dari output tersebut dapat dilihat rata-rata nilai rapot dari 15 siswa adalah 77,93 dengan standar
deviasi 8,779 sedangkan rata-rata nilai harian 1 adalah 70,27 dengan standar deviasi 14,786
2. Korelasi

Dari tabel dapat dilihat bahwa besar hubungan antara variabel nilai rapot dengan sex adalah -
0,042 hal ini menunjukan hubungan negatif.
besar hubungan nilai harian 1 dengan nilai rapot adalah 0,238 yang berarti ada hubungan positif,
makin besar nilai harian 1 maka makin tinggi pula nilai rapot.

3. Variabel masuk dan keluar

Dari tabel diatas menunjukan variabel yang dimasukan adalah nilai harian 1 dan sex, sedangkan
variabel yang dikeluarkan tidak ada (Variables Removed tidak ada)

4.Model sisaan 

 Pada tabel diatas angka R Square adalah 0,063 yaitu hasil kuadrat dari koefisien korelasi (0,250
x 0,250 = 0,063). Standar Error of the Estimate adalah 9,181, perhatikan pada analisis deskriptif
statitik bahwa standar deviasi nilai rapot adalah 8,779 yang jauh lebih kecil dari dari standar
error, oleh karena lebih besar daripada standar deviasi nilai rapot maka model regresi tidak bagus
dalam bertindak sebagai predictor nilai rapot.
5. Anova

Hipotesis:
Ho: B1=B2=0
Ha: ada Bi yang tidak nol
Pengambilan keputusan:
Jika F hitung <= T  tabel atau probabilitas >= 0,05 maka Ho diterima
Jika F hitung > T  tabel atau probabilitas < 0,05 maka Ho ditolak

Dari tabel diatas dapat dilihat nilai F hitung yaitu 0,401, sedangkan nilai F tabel dapat diperoleh
dengan menggunakan tabel F dengan derajat bebas (df) Residual (sisa) yaitu 12 sebagai df
penyebut dan df Regression (perlakuan) yaitu 2 sebagai df pembilang dengan tarap siginifikan
0,05, sehingga diperoleh nilai F tabel yaitu 3,89. Karena F hitung (0,401)  <  F tebel (3,89) maka
Ho diterima.
Berdasarkan nilai Signifikan, terlihat pada kolom sig yaitu 0,679 itu berarti probabilitas 0,679
lebih dari daripada 0,05 maka Ho diterima.
Kesimpulan:
Tidak ada koefisien yang tidak nol atau koefisien berarti, maka model regresi tidak dapat dipakai
untuk memprediksi nilai rapot.

6. Koefisien

Hipotesis:
Ho: Bi=0
Ha: ada Bi yang tidak nol , i=1 atau 2
Pengambilan keputusan:
Jika T hitung <= T  tabel atau probabilitas >= 0,05 maka Ho diterima
Jika T hitung > T  tabel atau probabilitas < 0,05 maka Ho ditolak
* Constant: Berdasarkan tabel diatas, dapat dilihat bahwa nilai T hitung untuk Constant yaitu 
5,360, pada T tabel dengan db 12 dan taraf signifikan 0,05 diperoleh 1,782, karena T hitung > T
tabel maka Ho ditolak. sedangkan sig pada tabel B adalah 0,000 yang berarti probabilitas 0,000,
karena probabilitas kurang dari 0,05 maka ditolak. Berarti  bermakna dan diramalkan tidak
melalui titik (0,0).
** Sex: Berdasarkan tabel diatas, dapat dilihat bahwa nilai T hitung untuk Sex yaitu  -0,277,
pada T tabel dengan db 12 dan taraf signifikan 0,05 diperoleh 1,782, karena T hitung < T tabel
maka Ho diterima. sedangkan sig pada tabel B adalah 0,786 yang berarti probabilitas 0,786,
karena probabilitas kurang dari 0,05 maka diterima. artinya B tidak berarti.
*** Harian 1: Berdasarkan tabel diatas, dapat dilihat bahwa nilai T hitung untuk Harian 1 yaitu 
0,882, pada T tabel dengan db 12 dan taraf signifikan 0,05 diperoleh 1,782, karena T hitung < T
tabel maka Ho diterima. sedangkan sig pada tabel B adalah 0,786 yang berarti probabilitas 0,395,
karena probabilitas kurang dari 0,05 maka diterima. artinya B tidak berarti

Berdasarkan analisis diatas maka dapat dibuat model regresi dugaannya yaitu:
Y = 69,429

Dari tabel diatas merupakan ringkasan yang meliputi nilai minimum dan maksimum, mean dan
standar deviasi dari predicted value (nilai yang diprediksi) dan statistic residu.

7. Kelinieran

Jika residual berasal dari distribusi normal, maka nilai-nilai sebaran data akan terletak sekitar
garis lurus, terlihat bahwa sebaran data pada gambar diatas tersebar hampir semua tidak pada
sumbu normal, maka dapat dikatakan bahwa pernyataan normalitas tidak dapat dipenuhi.

Regresi Linear

Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu
atau beberapa variabel terhadap satu buah variabel. Variabel yang mempengaruhi sering disebut
variabel bebas, variabel independen atau variabel penjelas. Variabel yang dipengaruhi sering
disebut dengan variabel terikat atau variabel dependen. Regresi linear hanya dapat digunakan
pada skala interval dan ratio
Secara umum regresi linear terdiri dari dua, yaitu regresi linear sederhana yaitu dengan satu buah
variabel bebas dan satu buah variabel terikat; dan regresi linear berganda dengan beberapa
variabel bebas dan satu buah variabel terikat. Analisis regresi linear merupakan metode statistik
yang paling jamak dipergunakan dalam penelitian-penelitian sosial, terutama penelitian ekonomi.
Program komputer yang paling banyak digunakan adalah SPSS (Statistical Package For Service
Solutions).
Regresi Linear Sederhana
Analisis regresi linear sederhana dipergunakan untuk mengetahui pengaruh antara satu buah
variabel bebas terhadap satu buah variabel terikat. Persamaan umumnya adalah:
Y = a + b X.
Dengan Y adalah variabel terikat dan X adalah variabel bebas. Koefisien a adalah konstanta
(intercept) yang merupakan titik potong antara garis regresi dengan sumbu Y pada koordinat
kartesius.
Langkah penghitungan analisis regresi dengan menggunakan program SPSS adalah: Analyse -->
regression --> linear. Pada jendela yang ada, klik variabel terikat lalu klik tanda panah pada kota
dependent. Maka variabel tersebut akan masuk ke kotak sebagai variabel dependen. Lakukan
dengan cara yang sama untuk variabel bebas (independent). Lalu klik OK dan akan muncul
output SPSS.
Interpretasi Output

1. Koefisien determinasi

Koefisien determinasi mencerminkan seberapa besar kemampuan variabel bebas dalam

menjelaskan varians variabel terikatnya. Mempunyai nilai antara 0 – 1 di mana nilai yang
mendekati 1 berarti semakin tinggi kemampuan variabel bebas dalam menjelaskan varians
variabel terikatnya.

2. Nilai t hitung dan signifikansi

Nilai t hitung > t tabel berarti ada pengaruh yang signifikan antara variabel bebas terhadap
variabel terikat, atau bisa juga dengan signifikansi di bawah 0,05 untuk penelitian sosial, dan
untuk penelitian bursa kadang-kadang digunakan toleransi sampai dengan 0,10.

3. Persamaan regresi

Sebagai ilustrasi variabel bebas: Biaya promosi dan variabel terikat: Profitabilitas (dalam juta
rupiah) dan hasil analisisnya Y = 1,2 + 0,55 X. Berarti interpretasinya:

1. Jika besarnya biaya promosi meningkat sebesar 1 juta rupiah, maka profitabilitas
meningkat sebesar 0,55 juta rupiah.
2. Jika biaya promosi bernilai nol, maka profitabilitas akan bernilai 1,2 juta rupiah.

Interpretasi terhadap nilai intercept (dalam contoh ini 1,2 juta) harus hati-hati dan sesuai dengan
rancangan penelitian. Jika penelitian menggunakan angket dengan skala likert antara 1 sampai 5,
maka interpretasi di atas tidak boleh dilakukan karena variabel X tidak mungkin bernilai nol.
Interpretasi dengan skala likert tersebut sebaiknya menggunakan nilai standardized coefficient
sehingga tidak ada konstanta karena nilainya telah distandarkan.
Contoh: Pengaruh antara kepuasan (X) terhadap kinerja (Y) dengan skala likert antara 1 sampai
dengan 5. Hasil output yang digunakan adalah standardized coefficients sehingga Y = 0,21 X dan
diinterpretasikan bahwa peningkatan kepuasan kerja akan diikuti dengan peningkatan kinerja
atau penurunan kepuasan kerja juga akan diikuti dengan penurunan kinerja. Peningkatan
kepuasan kerja dalam satu satuan unit akan diikuti dengan peningkatan kinerja sebesar 0,21
(21%).
Regresi Linear Berganda
Analisis regresi linear berganda sebenarnya sama dengan analisis regresi linear sederhana, hanya
variabel bebasnya lebih dari satu buah. Persamaan umumnya adalah:
Y = a + b1 X1 + b2 X2 + .... + bn Xn.
Dengan Y adalah variabel bebas, dan X adalah variabel-variabel bebas, a adalah konstanta
(intersept) dan b adalah koefisien regresi pada masing-masing variabel bebas.
Interpretasi terhadap persamaan juga relatif sama, sebagai ilustrasi, pengaruh antara motivasi
(X1), kompensasi (X2) dan kepemimpinan (X3) terhadap kepuasan kerja (Y) menghasilkan
persamaan sebagai berikut:
Y = 0,235 + 0,21 X1 + 0,32 X2 + 0,12 X3

1. Jika variabel motivasi meningkat dengan asumsi variabel kompensasi dan kepemimpinan
tetap, maka kepuasan kerja juga akan meningkat
2. Jika variabel kompensasi meningkat, dengan asumsi variabel motivasi dan kepemimpinan
tetap, maka kepuasan kerja juga akan meningkat.
3. Jika variabel kepemimpinan meningkat, dengan asumsi variabel motivasi dan kompensasi
tetap, maka kepuasan kerja juga akan meningkat.

Interpretasi terhadap konstanta (0,235) juga harus dilakukan secara hati-hati. Jika
pengukuran variabel dengan menggunakan skala Likert antara 1 sampai dengan 5 maka tidak
boleh diinterpretasikan bahwa jika variabel motivasi, kompensasi dan kepemimpinan bernilai
nol, sebagai ketiga variabel tersebut tidak mungkin bernilai nol karena Skala Likert terendah
yang digunakan adalah 1.
Analisis regresi linear berganda memerlukan pengujian secara serempak dengan menggunakan F
hitung. Signifikansi ditentukan dengan membandingkan F hitung dengan F tabel atau melihat
signifikansi pada output SPSS. Dalam beberapa kasus dapat terjadi bahwa secara simultan
(serempak) beberapa variabel mempunyai pengaruh yang signifikan, tetapi secara parsial tidak.
Sebagai ilustrasi: seorang penjahat takut terhadap polisi yang membawa pistol (diasumsikan
polisis dan pistol secara serempak membuat takut penjahat). Akan tetapi secara parsial, pistol
tidak membuat takut seorang penjahat. Contoh lain: air panas, kopi dan gula menimbulkan
kenikmatan, tetapi secara parsial, kopi saja belum tentu menimbulkan kenikmatan.
Penggunaan metode analisis regresi linear berganda memerlukan uji asumsi klasik yang secara
statistik harus dipenuhi. Asumsi klasik yang sering digunakan adalah asumsi normalitas,
multikolinearitas, autokorelasi, heteroskedastisitas dan asumsi linearitas..
Langkah-langkah yang lazim dipergunakan dalam analisis regresi linear berganda adalah 1)
koefisien determinasi; 2) Uji F dan 3 ) uji t. Persamaan regresi sebaiknya dilakukan di akhir
analisis karena interpretasi terhadap persamaan regresi akan lebih akurat jika telah diketahui
signifikansinya. Koefisien determinasi sebaiknya menggunakan Adjusted R Square dan jika
bernilai negatif maka uji F dan uji t tidak dapat dilakukan.

Bentuk-bentuk regresi yang juga sering digunakan dalam penelitian adalah regresi logistik atau
regresi ordinal.
Pertanyaan-pertanyaan yang sering muncul

1. Dalam uji regresi sederhana apakah perlu menginterpretasikan nilai F hitung?

Uji F adalah uji kelayakan model (goodness of fit) yang harus dilakukan dalam analisis regresi
linear. Untuk analisis regresi linear sederhana Uji F boleh dipergunakan atau tidak, karena uji F
akan sama hasilnya dengan uji t.

2. Kapan menggunakan uji satu arah dan kapan menggunakan uji dua arah?

Penentuan arah pengujian adalah berdasarkan masalah penelitian, tujuan penelitian dan
perumusan hipotesis. Jika hipotesis sudah menentukan arahnya, maka sebaiknya digunakan uji
satu arah, tetapi jika hipotesis belum menentukan arah, maka sebaiknya menggunakan uji dua
arah. Penentuan arah pada hipotesis berdasarkan tinjauan literatur. Contoh hipotesis dua arah:
Terdapat pengaruh antara kepuasan terhadap kinerja. Contoh hipotesis satu arah: Terdapat
pengaruh positif antara kepuasan terhadap kinerja. Nilai t tabel juga berbeda antara satu arah dan
dua arah. Jika menggunakan signifikansi, maka signifikansi hasil output dibagi dua terlebih
dahulu, baru dibandingkan dengan 5%.

3. Apa bedanya korelasi dengan regresi?

Korelasi adalah hubungan dan regresi adalah pengaruh. Korelasi bisa berlaku bolak-balik,
sebagai contoh A berhubungan dengan B demikian juga B berhubungan dengan A. Untuk regresi
tidak bisa dibalik, artinya A berpengaruh terhadap B, tetapi tidak boleh dikatakan B berpengaruh
terhadap A. Dalam kehidupan sehari-hari kedua istilah itu (hubungan dan pengaruh) sering
dipergunakan secara rancu, tetapi dalam ilmu statistik sangat berbeda. A berhubungan dengan B
belum tentu A berpengaruh terhadap B. Tetapi jika A berpengaruh terhadap B maka pasti A juga
berhubungan dengan B. (Dalam analisis lanjut sebenarnya juga ada pengaruh yang bolak-balik
yang disebut dengan recursive, yang tidak dapat dianalisis dengan analisis regresi tetapi
menggunakan (structural equation modelling)

Daftar Pustaka

Abidin, Zainal. 2010. Analisis Pengaruh Keandalan dan Etos Kerja Terhadap Pelayanan Publik
Pegawai Kantor Pelayanan Pajak Pratama Medan Kota. Medan: USU
Ali Muhidin, Sambas dan Abdurahman, Maman, Analisis Korelasi, Regresi, dan Jalur dalam
Penelitian, Bandung, CV Pustaka Setia, 2011
Anas Sudijono, 2004, Pengantar Statistik Pendidikan, Jakarta: Raja Grafindo Persada
AR, Syamsudin dan Vismaia S. Damaianti. (2009). Metode Penelitian Pendidikan Bahasa.
Bandung: Remaja Rosdakarya.
Dr. Eng. Yeri Sutopo, M.PD dan Prof. Dr. Achmad Slamet, M.Si. (2017). Statistik Inferensial.
Yogyakarta: ANDI

Emzir. 2009. Metodologi Penelitian Pendidikan. Jakarta. Pt Raja Grafindo Persada.

Frankel, J. P. & Wallen N. E. (2008). How to Design and Evaluate Research in Education. New
York: McGraw-Hill Companies, Inc.
Hadi, Sutarto dkk. (2016). Statistik Inferensial Teori dan Aplikasinya. Depok: Rajagrafindo
Persada

Iqbal Hasan, Pokok-pokok Materi Statistik 1 (Statistik Deskriptif), Jakarta: PT Bumi Aksara,
2003, Eds. 2.
Sumadi Suryabrata. 1994. Metode Penelitian. Jakarta: Rajawali Press
Leni Masnidar Nasution. Statistik Deskriptif. Jurnal Hikmah. Vo. 14 (1). 49-50

Lilih Deva. Statistik Deskriptif Sebagai Kumpulan Informasi. Jurnal Ilmu Perpustakaan Dan
Informasi. Vol. 16 (1). 41-52

McMillan, J.H. & Schumacher S. (2010). Research in Education. New Jersey: Pearson
Education.
Murray R.Spiegel. (1988), Seri Buku Schaum: Statistika, edisi ke-2 penerbit Erlangga, Bandung.
Nazir, Moh. (2013). Metode Penelitian. Bogor: Ghalia Indonesia
Dr. Muchson, SE. MM. (2017). Statistik Deskriptif. Bogor: Guepedia

Husnul, Nisak dkk. (2020). Statistik Deskriptif. Tanggerang: Unpam Press

Santoso, Singgih. (2010). Statistik Nonparametrik (Konsep dan Aplikasi Dengan SPSS). Jakarta:
PT. Elex Media Komputindo

Sumadi Suryabrata. 1994. Metode Penelitian. Jakarta: Rajawali Press