“STATISTIKA INFERENSIAL”
Dosen Pengampu:
Disusun oleh:
PENDIDIKAN DASAR
PROGRAM PASCASARJANA– FAKULTAS ILMU PENDIDIKAN
UNIVERSITAS NEGERI YOGYAKARTA
2022
i
KATA PENGANTAR
Penulis
ii
DAFTAR ISI
BAB I
PENDAHULUAN
A. Latar Belakang
Statistik merupakan alat bantu (media) untuk menggambarkan suatu peristiwa
melalui bentuk visualisasi sederhana dengan angka-angka atau grafik dalam penelitian
kuantitatif (quantitative research). Sebagai alat bantu (media), keberhasilan
menggunakan analisis statistik sangat bergantung pada pemakainya. Artinya,
pendapat yang mengatakan bahwa statistik merupakan alat analisis yang paling
akurat, tepat, dan canggih, atau pendapat yang mengatakan bahwa penelitian tanpa
statistik merupakan penelitian yang kurang dapat dipertanggung-jawabkan atau
bahkan tidak dapat diterima keakuratan hasilnya, harus dieliminasi.
Statistik merupakan alat analisis data yang bekerja dengan angka-angka. Oleh
karena itu, pemakainya selalu dikondisikan untuk senantiasa terlibat dalam permainan
angka-angka atau kalkulasi numerik. Dalam ilmu statistik, angka merupakan simbol
atau pernyataan verbal atas peristiwa atau objek yang dipaparkan. Semula, statistik
hanya diartikan sebagai sekumpulan angka-angka yang menggambarkan kejadian
masa lalu sampai saat gambaran itu dibuat. Misalnya gambaran tentang kondisi
penduduk, pendapatan masyarakat, tingkat produksi pertanian, dan lain sebagainya.
Dewasa ini, statistik tidak hanya merupakan sekumpulan angka-angka yang
menggambarkan masa lalu, tetapi juga dapat dijadikan sebagai dasar pijakan untuk
memprediksi kondisi yang akan datang. Bahkan kondisi yang digambarkan pun
mengalami perkembangan, hingga merambah pada kondisi dunia pendidikan,
sosiologi, antropologi, dan perilaku manusia.
Secara mikro, statistik diartikan sebagai sekumpulan angka yang menggambarkan
suatu objek atau peristiwa. Namun secara makro (dan ini merupakan pengertian yang
lazim digunakan saat ini), statistik merupakan sejumlah cara atau metode dan aturan
tentang pengumpulan, pengolahan (analisis), penyajian, dan penarikan kesimpulan
terhadap data-data yang berupa angka-angka. Sedangkan ilmu pengetahuan yang
membahas tentang cara atau metode dan aturan tersebut disebut statistika.
Terdapat dua cara untuk mempelajari statistika, yaitu melalui kajian teoritis atau
empiris, dan melalui kajian pemanfaatan atau penggunaan. Cara pertama memerlukan
iii
dasar matematika yang kuat dan mendalam, karena cara ini membahas tentang dalil-
dalil matematis, rumus-rumus, model-model, dan lain-lain yang erat kaitannya dengan
proses kelahiran dalil dan rumus. Cara kedua lebih memfokuskan pada segi
penggunaan dalil-dalil dan rumus-rumus yang telah diciptakan oleh statistika teoritis
atau empiris. Dengan demikian, cara kedua tidak membahas dari mana suatu dalil dan
rumus lahir dan mengapa demikian. Cara kedua tidak lain hanya berkonsentrasi pada
bagaimana dalil-dalil atau rumus-rumus itu digunakan secara tepat.
Ditinjau dari sudut pandang fungsi statistik dalam sebuah analisa data penelitian;
apakah ia berfungsi membangun sebuah konfigurasi atau penyajian gambaran semata
(deskriptif) atas data yang telah terkumpul dan terolah atau teranalisa, atau lebih jauh
lagi sampai dengan menarik sebuah kesimpulan berdasarkan ciri-ciri statistik tertentu
(inferensial), maka statistik dapat dibedakan kedalam dua jenis, yaitu statistik
deskriptif (deduktif) dan statistik inferensial (induktif). Selanjutnya, manakala statistik
ditinjau dari sudut pandang asumsi-asumsi dasar yang berkaitan dengan jenis data dan
distribusi data yang diperoleh dari sampel maupun populasi penelitian, maka statistik
dapat dibedakan ke dalam dua jenis, yaitu statistik parametrik dan non-parametrik.
Makalah ini akan membahas lebih lanjut mengenai statistik deskriptif dan statistk
inferensial kemudian statistik parametrik dan non-parametrik.
B. Rumusan Masalah
Adapun rumusan masalah pada makalah ini adalah :
1. Bagaimana teknik analisis data dengan statistika deskriptif?
2. Bagaimana teknik analisis data dengan statistika inferensial?
3. Bagaimana teknik analisis data dengan statistik parametrik?
4. Bagaimana teknik analisis data dengan statistik non-parametrik?
C. Tujuan
Adapun tujuan dari makalah ini adalah untuk :
1. Mengetahui teknik analisis data dengan statistika deskriptif.
2. Mengetahui teknik analisis data dengan statistika inferensial.
3. Mengetahui teknik analisis data dengan statistik parametrik.
4. Mengetahui teknik analisis data dengan statistik non-parametrik.
iv
BAB II
PEMBAHASAN
Dalam penelitian kuantitatif, analisis data merupakan kegiatan setelah data dari
seluruh responden atau dumber data lain terkumpul. Kegiatan dalam analisis data
adalah: mengelompokkan data berdasarkan variabel dan jenis responden, mentabulasi
data berdasarkan variabel dan seluruh responden, menyajikan data tiap variabel yang
diteliti, melakukan perhitungan untuk menjawab rumusan masalah dan melakukan
perhitungan untuk menguji hipotesis yang telah diajukan. Untuk penelitian dan tidak
merumuskan hipotesis langkah terakhir tidak dilakukan.
A. Statistik Deskriptif
Berdasarkan pada sudut pandang fungsi statistik dalam sebuah penelitian, statistik
deskriptif (deduktif) dapat diartikan sebagai statistik yang berfungsi untuk
mendeskripsikan fenomena-fenomena terteliti berdasarkan data yang terkumpul.
Statistik deskriptif tidak bermaksud menarik sebuah kesimpulan, namun hanya
terbatas pada penyajian data –yang telah terkumpul dan diolah/disusun– dalam bentuk
tabel, grafik (diagram), tendensi sentral dan variasi (variabilitas), agar dapat memberi
gambaran yang teratur, ringkas, dan jelas mengenai data suatu peristiwa atau keadaan.
Terdapat 6 (enam) fungsi statistik, yaitu:
v
Dari uraian di atas tampak jelas bahwa statistik deskriptif memilki 4 (empat)
fungsi, yaitu fungsi a sampai dengan fungsi d. Sedangkan statistik inferensial
memiliki 6 (enam) fungsi, yaitu fungsi a sampai dengan fungsi f. Dengan kata lain
untuk mempelajari statistik inferensial seseorang diperlukan mempelajari statistik
deskriptif terlebih dahulu.
Ruang lingkup kajian pada analisis statistik deskriptif dijelaskan Supardi (2013)
yaitu:
vi
a. Penyajian data dalam bentuk tabel seperti tabel tunggal, tabel kontigensi maupun
tabel distribusi frekuensi.
b. Penyajian data dalam bentuk grafik seperti diagram batang, diagram garis, diagram
lingkaran, diagram pencar, diagram peta, diagram simbol maupun diagram yang
disajikan dari tabel distribusi frekuensi yaitu histogram, poligon frekuensi dan
ogive.
c. Ukuran nilai pusat dan letak, seperti rerata, median, modus, varian, simpangan
baku, kuartil, desil, persentii.
d. Ukuran dispersi atau simpangan seperti jangkauan atau rentang, rerata simpangan,
variansi, simpangan baku.
e. Model distribusi data yaitu kemencengan dan keruncingan kurva distribusi.
f. Angka indeks.
g. Times series/deret waktu atau data berkala.
a. Sekurangnya 16% total seluruh bencana alam banjir pada kabupaten tertentu yang
didapatkan setiap tahun penyebabnya adalah prilaku manusia yang hanya
mementingkan keuntungan pribadi.
b. 65% dintara seluruh orang yang sakit di rumah sakit X yang mendapatkan vaksin
tertentu,menerima pengaruh tidak baik dari vaksin tersebut.
c. Indeks besaran di majalah dan surat kabar.
1) Distribusi Frekuensi
Tabel distribusi frekuensi yaitu menggambarkan pengaturan data secara teratur di
dalam suatu tabel. Data diatur secara berurutan sesuai besar kecilnya angka atau
digolongkan di dalam kelas-kelas yang sesuai dengan tingkatan dan jumlah yang
sesuai di dalam kelas. Adapun contoh untuk membuat tabel frekueni adalh sebagai
berikut:
Data Nilai Hasil Belajar Siswa
No Nama Nilai Keterangan
1 A 60 Tidak Tuntas
2 B 55 Tidak Tuntas
3 C 45 Tidak Tuntas
4 D 55 Tidak Tuntas
5 E 45 Tidak Tuntas
6 F 60 Tidak Tuntas
7 G 25 Tidak Tuntas
8 H 55 Tidak Tuntas
9 I 45 Tidak Tuntas
10 J 35 Tidak Tuntas
11 K 75 Tuntas
12 L 75 Tuntas
13 M 45 Tidak Tuntas
14 N 45 Tidak Tuntas
15 O 70 Tuntas
viii
16 P 65 Tidak Tuntas
17 Q 60 Tidak Tuntas
18 R 45 Tidak Tuntas
19 S 55 Tidak Tuntas
20 T 45 Tidak Tuntas
21 U 40 Tidak Tuntas
22 V 30 Tidak Tuntas
23 W 40 Tidak Tuntas
24 X 45 Tidak Tuntas
25 Y 45 Tidak Tuntas
26 Z 55 Tidak Tuntas
27 AA 55 Tidak Tuntas
28 AB 50 Tidak Tuntas
29 AC 70 Tuntas
30 AD 40 Tidak Tuntas
31 AE 40 Tidak Tuntas
32 AF 70 Tuntas
33 AG 70 Tuntas
34 AH 70 Tuntas
35 AI 70 Tuntas
36 AJ 55 Tidak Tuntas
37 AK 75 Tuntas
38 AL 30 Tidak Tuntas
39 AM 65 Tidak Tuntas
40 AN 40 Tidak Tuntas
41 AO 40 Tidak Tuntas
NILAI TERTINGGI 75
NILAI TERENDAH 25
NILAI RATA-RATA 52,56
ix
Rentang
3) Panjang kelas =
Banyak Kelas
50
=
6,28
= 7,96 = 8
x
Contoh tabel distribusi frekuensi data hasil belajar siswa adalah sebagai berikut:
INTERVAL Fi Xi Fi ⸳ Xi
25-32 3 28,5 85,5
33-40 7 36,5 255,5
41-48 8 44,5 356
49-56 9 52,5 472,5
57-64 3 60,5 181,5
65-72 8 68,5 548
73-80 3 76,5 229,5
Jumlah 41 2128,5
Nilai Tertinggi 75
Nilai terendah 25
Rata-rat 52,56
Cara untuk menyususn interval kelas pertama diawali dengan data oaling rendah
(contoh seperti data di atas adalah 25) dan kea rah horizontal ditambah 8, sesuai
perhitungan panjang kelas dan kea rah vertical itu sebanyak 7 kelas sesuai
perhitungan banyak kelas.
Sedangkan Fi adalah singkatan dari frekuensi data (banyaknya siswa yang
mendapatkan nilai pada rentang antara 25-32 dan seterusnya). Xi adalah nilai tengah
data. Untuk mencari nilai Xi (Nilai tengah Data) diperoleh dengan cara “panjang
8+1
kelas ditambah 1 dan dibagi 2” contoh: ( =4,5). Penentuannya adalah dengan
2
menghitung data ke-4 dan ditambah dengan 0,05 setelah data diurutkan dari data
terkecil sampai terbesar (contihnya 28,5 dan seterusnya). Sedangkan untuk
menentukan nilai Fi.Xi (dibaca Fi dikalai Xi) diperoleh dengan cara melakukan
perkalian anatar nilai frekuensi data dengan nilai tengah data.
Berikut ini contoh diagram batang dan histogram seperti di bawah ini:
xi
Diagram Batang
5
4
3
2
1
0
25-32 33-40 41-48 49-56 57-64 65-72 73-80
Interval
Histogram
2) Presentase
Presentase merupakan sebuah angka atau perbandingan untuk menyatakan pecahan
dari 100. Presentase sering ditunjukkan dengan simbol “%”. Persentase merupakan
bentuk bilangan yang mewakili seluruh atau sebagian dari sebuah nilai dengan
membentuk rasio per seratus.
Analisis presentase adalah pengaturan data yang dihitung dalam bentuk persen.
Analisis presentase sering dipergunakan untuk menganalisis data yang dikumpulkan
dengan alat pengumpul data, yaitu angket siswa, Adapun rumusnya adalah sebagai
berikut:
X %=
∑ SA × 100
∑ SI
Ket:
∑ SA = Jumlah Skor Aktual (diperoleh dari jumlah hasil transformasi data angket)
∑ SI = Jumlah Skor Ideal (diperoleh dari jumlah subjek/sampel dikali dengan skor
maksimal bobot angket.
xii
Sedangkan untuk tolok ukurnya dapat dilihat seperti tabel di bawah ini:
Tolok Ukur kategori Presentase
Presentase Kategori
80,00-100,00 Sangat Baik
60,00-79,99 Baik
40,00-59,99 Cukup
00,00-39,99 Kurang
Ada cara lain dalam perhitungan perbandingan data yaitu presentase. Apabila
proporsi mempunyai rentang nilai yaitu antara 0-1, maka presentase mempunyai
rentang nilai antara 0-100. Dengan cara perhitungan presentase, maka sama halnya
dengan cara perhitungan proporsi, hanya saja dalam presentase hasil, untuk
perhitungannya harus dikali dengan 100.
3) Tendensi Sentral
Ukuran pemusatan dari sekumpulan data merupakan nilai tunggal yang
representatif bagi keseluruhan nilai data atau dapat menggambarkan distribusi data
itu, khususnya dalam hal letaknya (lokasinya) (Irawan, 2006:8). Nilai tersebut
dihitung dari keseluruhan data yang bersangkutan sehingga cenderung terletak
diurutan paling tengah atau pusat setelah data diurutkan menurut besarnya.
Dalam penelitian kuantitaif pengolahan dan analisis data dijelaskan menggunakan
tabel dan gambar, serta dapat pula dijelaskan menggunakan teknik statistik yang
disebut modus, median, dan mean. Modus, median, dan mean digunakan untuk
menjelaskan data tunggal dan data kelompok yang didasarkan pada tendency central
dari data tersebut dengan ukuran gejala pusatnya yang berbeda-beda.
Ukuran gejala pusat dan ukuran letak terbagi kedalam dua golongan (Sudjana,
2005:66). Golongan pertama adalah rata-rata hitung, rata-rata ukur, harmonik dan
modus. Golongan kedua meliputi : median, kuartil, desil dan persentil. Median,
kuartil, desil dan persentil termasuk kedalam tata letak karena jika dilhat dari
pembagian datanya menunjukan tata letak.
xiii
4) Standar Deviasi
Standar deviasi sering disebut juga dengan simpangan baku. Bentuk pangkat dua
dari standar deviasi adalah varians. Untuk data yang berasal dari sebuah sampel,
standar deviasi dilambangkan dengan simbol s, sedangkan untuk populasi diberi
simbol σ (sigma) (Sudjana, 2006:93).
Perhitungan standar deviasi masuk kedalam perhitungan statistika deskriptif.
Statistika deskriptif merupakan statistika yang berguna untuk menganalisis data
dengan mendeskripsikan serta menggambarkan data yang telah terkumpul (Jakni,
2006:103). Standar deviasi digunakan untuk membandingkan penyebaran sebuah
data.
Data Tunggal Data Kelompok
Rumus ini menunjukan data pada Rumus ini menunjukan data pada
populasi pada suatu data (Jakni, populasi pada suatu data (Jakni,
2016;116): 2016;116):
σ¿
√ ∑ ( Xi−X )2
n
σ =¿
√ ∑ fi ( Xi−X )2
∑ fi
Rumus ini menunjukan data pada Rumus ini menunjukan data pada
sampel pada suatu data sampel pada suatu data
s¿
√ ∑ ( Xi−X )2
n−1 s¿
√ ∑ fi ( Xi−X )2
∑ fi−1
5) Mean Deviasi
Data Tunggal Data Kelompok
Adapun rumus rata-tata mean Adapun rumus rata-tata mean deviasi
deviasi untuk data tunggal adalah untuk data tunggal adalah sebagai
sebagai berikut (Jakni, 2016): berikut (Jakni, 2016):
MD ¿
∑ |Xi−X| MD ¿
∑ fi|xi− X|
n ∑ fi
xiv
6) Varians
Varians merupakan jumlah kuadrat terhadap standar deviasi. Hal tersebut terjadi
dengan ketentuan apabila nilai standar deviasi sudah diketahui (Jakni, 2016). Dengan
menguadratkan semua penyimpangan, jumlahkan dan membaginya dengan n, maka
akan didapatkan varians. Simbol untuk varians sampel adalah s 2. Sedangkan untuk
varians dalam populasi menggunakan simbol σ 2(Yusuf & Salafudin, 2012).
Data Tunggal Data Kelompok
Secara Rumus dapat dituliskan Secara Rumus dapat dituliskan sebagai
sebagai berikut (Jakni, 2016): berikut (Jakni, 2016):
V¿
∑ ( Xi−X )2
Jika n > 30 V¿
∑ fi ( Xi− X )2
n ∑ fi
V¿
∑ ( Xi−X )2 Jika n < 30
n−1
7) Angka Baku
Angka Baku sering disebut Z, Adapun rumus angka baku adalah sebagai berikut:
Xi−X
Z=
SD
Keterangan:
Z = angka baku
Xi = salah satu data (data ke-1 dan seterusnya sesuai banyak data untuk data
tunggal atau nilai batas kelas untuk data kelompok)
X = rata-rata data
SD = standar deviasi
B. Statistika Inferensial
Statistik inferensial, (sering juga disebut statistik induktif atau statistik
probabilitas) adalah teknik statistik yang digunakan untuk menganalisis data sampel
dan hasilnya diberlakukan untuk populasi (Jakni, 2016:123). Statistika Inferensial
membahas cara menganalisis data serta mengambil kesimpulan (Nuryadi, et al. 2017).
Statistik ini akan cocok digunakan bila sampel diambil dari populasi yang jelas dan
teknik pengambilan sampel dari populasi itu dilakukan secara random.
xv
Statistik Inferensial berkaitan dengan pengambilan keputusan (estimasi parameter
dan pengujian hipotesis). Statistika inferensial sering disebut sebagai Statsitik
Induktif. Metode Statistika inferensial adalah metode yang berkaitan dengan analisis
sebagian data sampai ke peramalan atau penarikan kesimpulan mengenai keseluruhan
data. Sebagian data suatu variabel dikenal sebagai sampel, sedangkan keseluruhan
datanya adalah populasi. Setelah data dikumpulkan, maka dilakukan berbagai metode
Statistik untuk menganalisis data, dan kemudian dilakukan interpretasi serta diambil
kesimpulan. Statistika Inferensia akan menghasilkan generalisasi (jika sampel
representatif). Jadi Statistika Inferensial adalah statistik yang mempelajari tentang
bagaimana pengambilan keputusan dilakukan.
Statistika inferensial terbagi menjadi dua, yaitu statistika parametrik dan non
parametrik. Dalam penelitian eksperimen penggunaan kedua statistik tersebut harus
terlebih dahulu dilakukan pengujian homogenitas sampel dan uji normalitas data.
(Arikunto, 2006:210)
Statistika Inferensial / induktif merupakan statistik yang bertujuan menaksir secara
umum suatu populasi dengan memakai hasil sampel, termasuk didalamnya teori
penaksiran dan pengujian teori. Statistika Inferensial digunakan untuk melakukan
generalisasi dari sampel ke populasi maupun uji hipotesis.
Contoh statistika inferensial : Data tentang penjualan laptop merek „ABC‟
perbulan di suatu toko di Tangerang selama tahun 2017. Dari data tersebut pertama
akan dilakukan deskripsi terhadap data seperti menghitung rata-rata penjualan dan
standar deviasinya. Kemudian baru dilakukan berbagai inferensi terhadap hasil
deskripsi seperti: perkiraan penjualan laptop tersebut bulan Januari tahun berikut,
perkiraan rata-rata penjualan laptop tersebut di seluruh Indonesia.
C. Statistik Parametrik
Statistika parametrik merupakan bagian dari statistika inferensial yang
mempertimbangkan nilai dari satu atau lebih parameter populasi. Sehubungan dengan
kebutuhan inferensialnya, pada umumnya statistika parametrik membutuhkan data
yang berskala pengukuran minimal interval. Selain itu, penurunan prosedur dan
penetapan teorinya berpijak pada asumsi spesifik mengenai bentuk distribusi populasi
yang biasanya diasumsikan normal. Menurut David dan Djamaris (2018) statistika
parametrik adalah statistika yang menggunakan data interval atau selang dan rasio
berdasarkan fakta yang bersifat pasti dan berdasarkan sampel. Data diambil dengan
xvi
memberi peluang yang sama atau independen, serta tidak bias. Data Parametrik juga
dicirikan oleh suatu populasi yang berdisribusi normal dan mempuyai varians yang
sama
Keuntungan penggunaan pengolahan data statistik parametrik adalah tidak perlu
dilakukan pengujian terhadap parameter populasi karena sudah dianggap memenuhi
syarat. Kemudian, data observasi dianggap saling bebas dan diambil dari populasi
yang memiliki distribusi normal dengan varian yang homogen. Asumsi-asumsi yang
rumit tersebut membuat pengujian menggunakan metode parametrik dapat diandalkan
akurasinya. Sedangkan, kerugian statistik parametrik adalah populasi harus memiliki
varian yang sama. Tentu hal ini merupakan hal yang sulit karena kenyataannya semua
varian dari populasi tidak diketahui. Variabel-variabel yang diteliti terbatas hanya
untuk jenis data dengan skala minimal adalah interval dan rasio. Distribusi populasi
harus diketahui berdistribusi normal. Jika belum diketahui tentu harus dicari terlebih
dahulu menggunakan uji normalitas.
1. Distribusi sampel diambil dari dari distribusi populasi yang terdistribusi secara
normal
2. Sampel diperoleh secara random (mewakili populasi)
3. Skala pengukuran harus kontinyu (rasio/interval) atau skala nominal yang diubah
menjadi proporsi
a. Korelasi
1) Konsep Korelasi
Korelasi merupakan suatu hubungan dan saling hubungan serta adanya timbal
balik. Dalam statistik korelasi berarti sebuah hubungan antara dua variabel atau
lebih berupa satu varibel bebas atau lebih secara bersama terhadap variabel terikat
melalui analisis koefisien determinasi (Rusydi, 2018:198-199). Bentuk korelasi
dapat berupa hubungan simetris, hubungan sebab akibat, dan hubungan interaktif
(saling mempengaruhi) (Mundir, 2012 :110).
Uji korelasi berarti menguji adanya sebuah hubungan atau pengaruh antara satu
gejala (variabel) dengan yang lainya. Uji ini termasuk kedalam jenis statistik
inferensial. Dalam statistik inferensial korelasi dapat terbagi kedalam dua analisis
xvii
statistik yaitu terdapat jenis korelasi yang termasuk kedalam statistik parametrik
dan terdapat jenis korelasi lain yang termasuk kedalam statistik non-parametrik.
xviii
2) Arah Korelasi
a) Korelasi positif terjadi apabila kedua variabel (atau lebih) yang berhubungan
itu menunjukkan adanya perubahan yang searah (pararel). Artinya, kenaikan
variabel X selalu diikuti oleh kenaikan variabel Y, begitu juga penurunan
variabel X selalu diikuti oleh penurunan variabel Y. Sebagai contoh kenaikan
skor mata pelajaran matematika (variabel X) diikuti pula dengan kenaikan
skor fisika (variabel Y).
b) Korelasi negatif terjadi apabila kedua variabel (atau lebih) yang berhubungan
itu menunjukkan adanya perubahan yang berlawanan arah. Artinya, kenaikan
variabel X selalu diikuti oleh penurunan variabel Y, begitu juga penurunan
variabel X selalu diikuti oleh kenaikan variabel Y. Sebagai contoh kenaikan
skor mata pelajaran matematika (variabel X) justru diikuti pula dengan
penurunan skor fisika (variabel Y).
c) Korelasi tidak berpola (nihil) terjadi apabila perubahan yang terjadi tidak
jelas naik turunnya (tidak sistematis). Kenaikan variabel X kadang diikuti
oleh kenaikan dan kadang penurunan variabel Y, begitu pula sebaliknya
penurunan variabel X kadang diikuti oleh kenaikan dan kadang penurunan
variabel Y. Sebagai contoh kenaikan skor mata pelajaran matematika
xix
(variabel X) kadang diikuti pula dengan kenaikan skor fisika (variabel Y)
kadang juga tidak sehingga menimbulkan ketidakjelasan dan tidak sistematis.
3) Angka Korelasi
Besarnya angka korelasi berkisar antara 0 (nol) sampai dengan ±1,00. Ini berarti
bahwa angka korelasi tidak bisa lebih dari +1,00. Tanda + (plus) atau – (minus) di
depan angka korelasi merupakan petunjuk arah korelasi. Bila di depan angka
korelasi bertanda plus (+), misalnya; rxy = +0,325 ini berarti bahwa korelasi antara
x dan y merupakan korelasi searah atau korelasi positif. Sebaliknya apabila di
depan angka korelasi bertanda minus (-) misalnya; rxy = -0,785 ini berarti korelasi
antara variabel x dan y merupakan korelasi berlawanan arah atau korelasi negatif.
Tanda plus (+) dan minus (–) di depan indek korelasi adalah bukan tanda
aljabar, yang berarti kurang dari atau lebih dari nol (0). Tanda minus (–)
menunjukkan adanya korelasi yang berlawanan (tidak pararel, tidak searah)
sedangkan tanda plus (+) menunjukkan adanya korelasi yang se arah (pararel, tidak
berlawanan).
a) Korelasi Pearson
Apabila data variabel bebas (variabel X) dan data variabel terikat (variabel
Y) sama-sama berjenis rasio atau interval, maka teknik korelasi yang digunakan
untuk menguji keberadaan hubungan kedua data tersebut adalah korelasi product-
moment Pearson (Pearson Product-moment Correlation) (Mundir : 2012:111).
xx
atau lebih variabel kuantitatif, sedangkan untuk mengukur asosiasi antara dua atau
lebih variabel kuantitatif dipakai tes X kuadrat (Jakni, 2016:124).
N ∑ xy−( ∑ x )( ∑ y )
r xy =
√ {( N ∑ x ) − ( ∑ x ) ( N ( ∑ y ) − ( ∑ y ) ) }
2 2 2 2
Keterangan :
N : Jumlah subjek
Apabila data kedua variabel tersebut berjenis ordinal, maka teknik korelasi
yang digunakan korelasi tata jenjang (Rank-order Correlation) dan Tetracoric.
xxi
Teknik ini digunakan ketika datanya berbentuk ordinal. Yang membedakan
dengan korelasi pearson adalah korelasi rank tidak memperhatikan hubungan
linear antara kedua variabel yang dicari korelasinya (Rusydi, 2018:214).
6∑ D
2
ρ=1−
n ( n2−1 )
Keterangan:
n : Jumlah responden
c) Korelasi point-biserial
Apabila data kedua variabel tersebut yang satu berjenis rasio atau interval
dan yang satu lagi berjenis nominal, maka teknik korelasi yang digunakan adalah
korelasi point-biserial (Point-biserial Correlation) (Mundir : 2012:111).
d) Korelasi Phi
Apabila data kedua variabel tersebut berjenis nominal, maka teknik korelasi
yang digunakan adalah korelasi Phi (Phi Correlation) (Mundir : 2012:111).
Teknik korelasi ini apabila masing-masing variabel hanya terdiri dari dua
kategori seperti hidup-mati, lusus-tidak lulus, tinggi-pendek dll. Lambang dari
korelasi phi adalah ∅ .
∅=
√ x2
N
Dengan rumus ini digunakan terlebih dahulu harga kai kuadrat ( x 2) harga kai
kuadrat didapatkan dengan rumus:
x 2=
∑ ( f 0−f t )
ft
Keterangan :
xxii
f 0 : Frekuensi dari hasil observasi
f t : Frekuensi teoritik
τ=
∑ X−∑ Y
n(n−1)
2
Keterangan :
f) Korelasi ganda
b. Regresi
Regresi dapat digunakan untuk mencari pengaruh antara variabel bebas (X)
terhadap variabel terikat (Y) dan untuk menganalisis sebuah data dalam penelitian
deskriptif yang mencari pengaruh suatu variabel tertentu (Jakni, 2016:127). Analisis
regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab -
akibat antara satu variabel dengan variabel - variabel yang lain (Jakni, 2016:127).
xxiii
Hubungan ini biasanya dinyatakan dalam bentuk persamaan matematis yang
bentuknya dapat linier maupun non-linier. Persamaan yang dihasilkan merupakan
sebuah prediksi yang menggambarkan hubungan antara variabel bebas dan variabel
terikat. Namun sebagaimana layaknya arti kata prediksi maka prediksi yang
tergambar dari persamaan regresi bukanlah merupakan hal yang pasti, tetapi
merupakan suatu keadaan yang mendekati kebenaran (Irianto, 2004).
Y =a+bX
( ∑ y ) ( ∑ x 2 ) ( ∑ x )( ∑ xy )
a= 2
n ∑ x −( ∑ x )
2
n ∑ xy−( ∑ x )( ∑ y )
b= 2
n ∑ x −( ∑ x )
2
Keterangan:
a : Intercept (konstanta)
b : koefisien regresi
N : Jumlah subjek
xxiv
∑ x 2 : Jumlah variabe x dikuadratkan
∑ y2 : Jumlah variabe y dikuadratkan
xxv
2) Regresi ganda
Regresi ganda digunakan untuk mengetahui linearitas hubungan dua atau
lebih variabel independen dengan satu variabel dependen dan dapat pula
digunakan untuk memprediksi harga variabel dependen jika harga-harga variabel
independen diketahui.
Rumus umum persamaan linier regresi ganda adalah:
Y =a+b 1 X 1 +b 2 X 2
c. Uji T (t-Test)
Teknik “t” test pertama sekali dikembangkan oleh William S. Gosset pada tahun
1915. Pada waktu itu Gosset menggunakan nama samaran student t. Huruf “t” yang
terdapat pada istilah t-test diambil dari nama samaran tersebut. Teknik analisa t-test
sering juga disebut dengan nama “student test”. Test t atau t-test adalah teknik analisa
statistik yang dapat dipergunakan untuk mengetahui apakah terdapat perbedaan yang
signifikan antara dua mean sampel atau tidak. Membandingkan dua mean sampel
dapat dibedakan kepada dua yaitu:
1) Membandingkan dua mean dari satu kelompok sampel. Misalnya
membandingkan mean hasil pretest dengan mean hasil posttest dari 40 siswa
yang menjadi sampel penelitian.
2) Membandingkan dua mean dari dua kelompok sampel. Misalnya
membandingkan mean kemampuan baca antara siswa laki-laki dan siswa
perempuan.
t-Test digunakan untuk melakukan uji komparasi (hubungan perbandingan)
antara dua kondisi (masalah) yang sedang diteliti, apakah antara keduanya terdapat
perbedaan yang signifikan atau tidak, dengan catatan datanya berskala (berjenis)
interval/rasio. Data dua kondisi tersebut dapat berasal dari sampel yang berbeda (dua
kelompok sampel) atau dari sampel yang sama (satu kelompok sampel). Sampel yang
berbeda (dua kelompok sampel) disebut dengan sampel bebas (independent samples),
sedangkan sampel yang sama (satu kelompok sampel) disebut dengan sampel
berhubungan (correlated samples atau paired samples).
xxvi
1) Independent Sample t-Test
xxvii
a. Melakukan uji normalitas data
b. Melakukan uji homogenitas
c. Mencari deviasi standar gabungan
d. Mencari T hitung
e. Menentukan derajat kebebasan
f. Menentukan t tabel
g. Mengujian hipotesis
Pada uji related (paired) sample t Test dengan menggunakan sampel dari satu
populasi dan memasukkan partisipan secara random kedalam dua kelompok atau
kondisi. Pada uji related (paired) sample t Test biasanya digunakan Repeated
measure, dimana setiap partisipan akan diukur secara berulang. Setiap partisipan akan
diberikan treatment dua kali dan biasanya diukur dengan melakukan pre-test dan post-
test. Penggunaan design pre-posttest, artinya dilakukan pengukuran terhadap
dependent variabel pada partisipan sebelum dan sesudah diberikan treatment
(Privitera, 2015).
Rumus analisis t-Test yang direkomendasikan untuk sampel berhubungan (satu
kelompok sampel) adalah sebagai berikut.
xxviii
Adapun langkah-langkah perhitungan data dengan menggunakan uji t satu
kelompok subjek yaitu:
a. Melakukan pengujian normalitas dan homogenitas
b. Mencari nilai standar deviasi
c. Mencari nilai mean deviasi
d. Mencari nilai n
e. Menentukan derajat kebebasan
f. Menentukan t tabel
g. Uji hipotesis penelitian
D. Statistik Non-Parameterik
xxix
untuk menganalisis data nominal atau ordinal dari populasi yang bebas distribusi
(tidak harus berdistribusi normal).
Statistik nonparametrik adalah statistik yang parameter populasinya bebas dari
keharusan terpenuhinya syarat-syarat tertentu sebagaimana halnya dengan statistik
parametrik. Dalam statistik nonparametrik, indikator-indikator yang dianalisis adalah
sisi lain dari parameter ukuran objek yang diteliti. Yang termasuk ke dalam statistik
non parametrik meliputi: Mann Whitney U test, Wilcoxon – Signed Rank Test,
Kruskal Wallis, Korelasi Spearman, Kendal, Chi-Square. Terkadang syarat uji
normalitas dan homogenitas tidak terpenuhi. Oleh karena itu, jika ingin menghitung
uji perbedaan dua nilai rata-rata (kelompok) tetapi syarat uji tidak terpenuhi, maka
dapat menggunakan “pasangan” teknik statistik yang bersifat non-parametrik.
1. Chi Squart (Chi Kuadrat)
Chi Squart (Chi Kuadrat) sering dipergunakan untuk uji normalitas data dalam
penelitian eksperimen bidang pendidikan. Adapun langkah-langkah untuk melakukan
perhitungan chi squart (chi kuadrat) data adalah sebagai berikut:
a) Menentuk rentan kelas dengan rumus,
Rentang = Xmak – Xmin (data tertinggi dikurangi data terendah)
b) Menentukan banyak kelas dengan rumus,
Banyak kelas = 1 + 3,3log n (n= banyak data)
c) Menentukan panjang kelas dengan rumusnya,
rentang
panjang kelas=
banyak kelas
d) Membuat tabel bantu uji chi kuadrat
e) Membuat chi kuadrat hitung (X2h)
2
(fo−fh)
X2h = ∑
fh
Keterangan:
X2h = Chi kuadrat hitung
fo = Frekuensi observasi
fh = Frekuensi harapan
f) Menentukan harga tabel chi kuadrat (X2t)
X2t = X2 (1 – α ) (dk)
Keterangan:
X2t = Chi kuadrat tabel
xxx
α = 0,05 (taraf kesalah) dan taraf kepercayaan penelitian (95%) digunakan untuk
penelitian sosial.
dk = banyak kelas dikurangi 1
g) Penguji hipotesis
Jika X2h < X2t, maka data berdistribusi normal.
Jika X2h > X2t, maka data tidak berdistribusi normal.
Berikut ini akan diberikan contoh perhitungan chi kuadrat, yaitu: misalkan data
hasil belajar siswa dengan nilai tertinggi (Xmak) adalah 80 dan nilai terendah (Xmin)
adalah 30, dari jumlah data sebanyak 27 orang siswa.
Ha= data berdistribusi normal
Ho = data tidak berdistribusi normal.
Perhitungannya dapat dilihat seperti di bawah ini:
Rentang = Xmak - Xmin
= 80 – 30
= 50
Banyak kelas = 1 + 3,3 log n
= 1 + 3,3 (log 27)
= 1 + 3,3 (1,4)
= 1+ 4,62
= 5, 62 6
Rentang
Panjang kelas =
Banyak Kelas
50
=
5,62
= 8,9 9
xxxi
Tabel Bantu uji Chi Kuadrat
Interval Batas Z Luas Luas fh fo Chi
Kelas Z Tiap
Kelas
29,5 -2,30 0,010
7
30-38 - 0.0368 -0.9936 1 -4.00004
38,5 -1,67 0,047
5
39-47 -0.104 -2.808 3 -12.0131
47,5 -1,03 0,151
5
48-56 0.4961 13.3947 4 6.589202
56,5 -0,40 0,344
6
57-65 0.9356 25.2612 5 16.25086
65,5 0,23 0,591
66-74 -0.2141 -5.7807 9 -37.7928
74,5 0,86 0,805
1
75-83 -0.1281 -3.4587 5 -20.6868
83,5 1,50 0,933
2
Jumlah 27 -51.6528
Rata- 62,22
rata
SD 14,23
Varians 202,56
xxxii
2. Uji U Maan Whitney Test
Uji U Maan Whitney digunakan untuk melakukan analisis perbandingan dua rata-
rata independent dengan data yang bersifat ordinal. Analisis menggunakan u maan
Whitney harus dilakukan uji normalitas data terlebih dahulu. Analisis u maan
Whitney dapat digunakan apabila data tidak berdistribusi normal. Adapun rumusnya
adalah sebagai berikut:
n1 (n1 +1)
U1 = n1 . n2+ – R1
2
n2 (n2 +1)
U2 = n1 . n2 + – R2
2
Keterangan:
n1 = jumlah sampel 1
n2 = jumlah sampel 2
U1 = jumlah peringkat 1
U2 = jumlah peringkat 2
R1 = jumlah rangking pada sampel n1
R2 = jumlah rangking pada sampel n2
Rumus di atas digunakan untuk data ≤ 20 dan untuk uji hipotesisnya dengan
membandingkan nilau U hitung (ambil yang terkecil dari U 1 dan U2) dengan U
tabel (tabel u Maan Whitney test). Apabila U hitung < Utabel, maka Ha ditolak
dan Ho diterima. Sedangkan analisis data > 20, maka rumus dia tas tetap dipakai
terlebih dahulu, setelah itu dilanjutkan dengan rumus seperti di bawah.
n1 .n 2
U
Z= 2
√ n1 . n2 ¿ ¿ ¿ ¿
Setelah diperoleh nilai Z hitung, maka untuk uji hipotesis dilakukan dengan
cara membandingkan nilai z hitungan dengan z tabel. Apabila Z hitung < Z tabel,
maka Ha ditolak dan Ho diterima, sedangkan apabila U hitung > Utabel, maka Ha
diterima dan Ho ditolak. Adapaun langkah-langkah analisis data menggunakan
uji U Mann Whitney test adalah sebagai berikut:
a) melakukan uji normalitas data
b) membuat urutan data mulai dari yang terkecil sampai terbesar
c) melakukan rangking data dengan ketentuan apabila terdapat dua atau lebih
data yang sama, maka rangking dilakukan dengan menambahkan nomor urut
xxxiii
dan dibagi banyaknya data yang sama. Misalkan data 35 ada 3 dan menduduki
urutan ke 1, 2 & 3, maka 1+2+3=6, 6 dibagi 3 = 2, jadi ketiga urutan data
tersebut memperoleh rangking yang sama yaitu 20. Untuk mempermudah
perhitungan tersebut, maka dapat dicari dengan rumus seperti di bawah ini:
Σ No. urut data
Rangking =
banyaknya data yang sama
d) Menghitung nilai U1 dan U2 sesuai rumus U Maan Whitney test.
e) Mencari nilai U tabel (tabel U Maan Whitney test) untuk data ≤ 20.
f) Uji hipotesis data ≤ 20.
Apabila U hitung < U tabel, maka Ha diterima dan Ho ditolak, sedangkan U hitung
> U tabel, maka Ha ditolak dan Ho diterima.
g) Untuk data > 20 dilanjutkan dengan menacri nilai Z hitung.
h) Mencari Z tabel.
i) Uji hipotesisi data > 20
Apabila Z hitung < Ztabel, maka Ha ditolak dan Ho diterima, sedangkan apabila Z
hitung > Z tabel, maka Ha diterima dan Ho ditolak.
Berikut diberikan contoh perhitungan uji u Maan Whitney test dari data (misalkan
data di bawah ini tidak berdistribsi normal) dengan hipotesis yang sudah dirumuskan
seperti.
Ha = terdapat perbedaan hasil belajar kelas eksperimen dan kelas kontrol.
Ho = tidak terdapat perbedaa hasil belajar kelas eksperimen dan kelas kontrol.
xxxiv
Data Hasil Belajar Siswa
xxxv
Data di atas diurutkan dan diberi rangking seperti di bawah ini
No Nama Pretest Rangking Posttest Rangking
Siswa Skor Nilai Skor Nilai
1 A 7 35.00 2 14 70 5
2 B 7 35.00 2 14 70 5
3 C 7 35.00 2 14 70 5
4 D 8 40.00 4,5 14 70 5
5 E 8 40.00 4,5 14 70 5
6 F 9 45.00 7,5 14 70 5
7 G 9 45.00 7,5 14 70 5
8 H 9 45.00 7,5 14 70 5
9 I 9 45.00 7,5 14 70 5
10 J 10 50.00 12,5 15 75 11,5
11 K 10 50.00 12,5 15 75 11,5
12 L 10 50.00 12,5 15 75 11,5
13 M 10 50.00 12,5 15 75 11,5
14 N 10 50.00 12,5 16 80 16,5
15 O 10 50.00 12,5 16 80 16,5
16 P 11 55.00 18 16 80 16,5
17 Q 11 55.00 18 16 80 16,5
18 R 11 55.00 18 16 80 16,5
19 S 11 55.00 18 16 80 16,5
20 T 11 55.00 18 16 80 16,5
21 U 12 60.00 24 17 85 24
22 V 12 60.00 24 17 85 24
23 W 12 60.00 24 17 85 24
24 X 12 60.00 24 17 85 24
25 Y 12 60.00 24 17 85 24
26 Z 12 60.00 24 17 85 24
27 AA 12 60.00 24 17 85 24
28 AB 13 65.00 29 18 90 30
29 AC 13 65.00 29 18 90 30
30 AD 13 65.00 29 18 90 30
31 AE 14 70.00 31 18 90 30
32 AF 15 75.00 33 18 90 30
33 AG 15 75.00 33 19 95 33,5
34 AH 15 75.00 33 19 95 33,5
N1= R1 = 595 N2 = R2 = 591,5
34 34
√ 34.34(34+34+ 1)
2
1156−578
Z=
√39882
578
Z=
199.71
Z = 2.89
Ztabel = 0,9981
Dari perhitungan tersebut diketahui nilai Z hitung = 2,89 dan Z tabel 0,9981,
jadi Z hitung > Z tabel, maka Ha diterima dan Ho ditolak. Kesimpulanya adalah
terdapat perbedaan hasil belajar kelas eksperimen dan kelas kontrol.
xxxviii
BAB III
KESIMPULAN
xxxix
DAFTAR PUSTAKA
xl