Buku Stat Is Tika

STATISTIKA
Daftar Isi
KATA PENGANTAR ................................................................. ERROR! BOOKMARK NOT DEFINED.

DAFTAR ISI ................................................................................................................................. 1
DAFTAR TABEL ....................................................................... ERROR! BOOKMARK NOT DEFINED.
DAFTAR RUMUS..................................................................... ERROR! BOOKMARK NOT DEFINED.
BAB 1 PENDAHULUAN ............................................................................................................... 4
1.1 PENGANTAR ........................................................................................................................6
1.2 PENGERTIAN STATISTIK DAN STATISTIKA ....................................................................................7
1.3 MACAM-MACAM STATISTIKA..................................................................................................9
1.4 PERANAN STATISTIKA ..........................................................................................................11
1.5 SOAL-SOAL ........................................................................................................................14
BAB 2 DATA, PENGUMPULAN DAN PENYAJIAN DATA .............................................................. 15
2.1 PENGERTIAN DAN MACAM-MACAM DATA ...............................................................................17
2.2 POPULASI DAN SAMPEL .......................................................................................................20
2.3 PENGUMPULAN DAN PENYAJIAN DATA ...................................................................................21
2.4 SOAL-SOAL ........................................................................................................................23
BAB 3 DISTRIBUSI FREKUENSI DAN GRAFIK .............................................................................. 24
3.1 PENGANTAR ......................................................................................................................26
3.2 MEMBUAT DAFTAR DISTRIBUSI FREKUENSI .............................................................................28
3.3 HISTOGRAM DAN POLIGON FREKUENSI ...................................................................................31
3.4 DISTRIBUSI FREKUENSI RELATIF DAN KOMULATIF ......................................................................34
3.5 SOAL-SOAL ........................................................................................................................39
BAB 4 UKURAN PEMUSATAN DAN UKURAN LETAK DATA ........................................................ 40
4.1 PENGANTAR ......................................................................................................................42
4.2 RATA-RATA HITUNG............................................................................................................42
4.3 MEDIAN ...........................................................................................................................53
4.4 MODUS ............................................................................................................................56
4.5 RATA-RATA UKUR DAN RATA-RATA HARMONIS ........................................................................58
4.6 KUARTIL, DESIL DAN PERSENTIL .............................................................................................62
4.7 SOAL-SOAL ........................................................................................................................67
BAB 5 UKURAN PENYEBARAN DATA ........................................................................................ 69
5.1 PENGANTAR ......................................................................................................................71
5.2 RENTANGAN, RENTANG ANTAR KUARTIL, DAN SIMPANGAN KUARTIL ...........................................71
1
5.3 SIMPANGAN RATA-RATA ......................................................................................................72
5.4 SIMPANGAN BAKU (STANDAR DEVIASI) ..................................................................................73
5.5 BILANGAN BAKU DAN KOEFESIEN VARIASI ...............................................................................82
5.6 SOAL-SOAL ........................................................................................................................84
BAB 6 DISTRIBUSI TEORETIS ..................................................................................................... 85
6.1 PENGANTAR ......................................................................................................................87
6.2 DISTRIBUSI NORMAL ...........................................................................................................88
6.2.1 Pendahuluan .............................................................................................................88
6.2.2 Ciri-ciri Distribusi Normal ..........................................................................................89
6.2.3 Kurva Normal Umum dan Normal Baku (Standar)....................................................90
6.2.4 Cara Menggunakan Tabel Kurva Normal .................................................................. 91
6.3 DISTRIBUSI STUDENT ...........................................................................................................93
6.4 DISTRIBUSI CHI-KUADRAT .................................................................................................... 94
6.5 DISTRIBUSI F .....................................................................................................................94
6.6 SOAL-SOAL ........................................................................................................................95
BAB 7 UJI NORMALITAS DAN HOMOGENITAS .......................................................................... 96
7.1 PENGANTAR ......................................................................................................................98
7.2 UJI NORMALITAS ................................................................................................................98
7.2.1 Uji Liliefors .................................................................................................................98
7.2.2 Uji Chi-Kuadrat ........................................................................................................101
7.3 UJI HOMOGENITAS ...........................................................................................................104
7.4 SOAL-SOAL:.....................................................................................................................106
BAB 8 PENGUJIAN HIPOTESIS ..................................................................................................107
8.1 PENGERTIAN DAN JENIS HIPOTESIS.......................................................................................109
8.2 BENTUK-BENTUK HIPOTESIS ...............................................................................................110
8.2.1 Hipotesis Deskriptif .................................................................................................110
8.2.2 Hipotesis Komparatif ...............................................................................................111
8.2.3 Hipotesis Asosiatif ...................................................................................................112
8.3 KARAKTERISTIK HIPOTESIS YANG BAIK ...................................................................................113
8.4 PENGOLAHAN DATA DAN PENGUJIAN HIPOTESIS ....................................................................113
8.4.1 Pengolahan Data ....................................................................................................113
8.4.2 Pengujian Hipotesis .................................................................................................114
8.5 SOAL-SOAL ......................................................................................................................116
BAB 9 UJI KESAMAAN DUA RATA-RATA ..................................................................................118
9.1 PENGANTAR ....................................................................................................................120
9.2 LANGKAH-LANGKAH UJI KESAMAAN DUA RATA-RATA .............................................................122
9.3 SOAL-SOAL ......................................................................................................................124
BAB 10 ANALISIS KORELASI .....................................................................................................125
10.1 PENGANTAR ....................................................................................................................127
10.2 KORELASI PRODUK MOMEN PEARSON..................................................................................128
10.3 SOAL-SOAL ......................................................................................................................134
2
BAB 11 ANALISIS REGRESI .......................................................................................................136
11.1 PENGANTAR ....................................................................................................................138
11.2 ASUMSI ..........................................................................................................................139
11.3 MAKNA PERSAMAAN REGRESI ............................................................................................139
11.4 CARA MENENTUKAN PERSAMAAN REGRESI ...........................................................................140
11.5 SOAL-SOAL ......................................................................................................................143
BAB 12 UJI CHI-KUADRAT........................................................................................................145
12.1 PENGERTIAN DAN RUMUS ..................................................................................................147
12.2 LANGKAH-LANGKAH UJI CHI-KUADRAT .................................................................................148
12.3 KOEFISIEN KONTINGENSI ....................................................................................................149
12.4 SOAL-SOAL ......................................................................................................................149
BAB 13 UJI NONPARAMETRIK .................................................................................................151
13.1 PENGANTAR ....................................................................................................................153
13.2 KORELASI SPEARMAN RANK................................................................................................153
13.3 UJI WILCOXON ................................................................................................................158
13.4 SOAL-SOAL ......................................................................................................................160
SOAL LATIHAN ........................................................................................................................161
DAFTAR PUSTAKA ...................................................................................................................169
BIODATA PENULIS .................................................................. ERROR! BOOKMARK NOT DEFINED.
3
BAB 1 PENDAHULUAN
Materi :
Pengertian Statistik dan Statistika; macam-macam Statistika;dan
peranan Statistika
Waktu :
3 jam pembelajaran (150 menit).
Capaian Pembelajaran Mata Kuliah (CPMK):

Setelah mengikuti perkuliahan dan mempelajari bab ini, mahasiswa
diharapkan dapat mengetahui, menyebutkan dan menjelaskan dengan
baik dan benar tentang:
(1) Pengertian Statistik dan Statistika;
(2) Macam-macam Statistika;
(3) Peranan Statistika.
Kegiatan Pembelajaran:
Ekspositori, tanya jawab, diskusi kelompok, dan pemberian tugas.
Sarana/kelengkapan/fasilitas:
1. Laptop beserta bahan/fasilitas kelengkapan lainnya;
2. Materi/bahan/buku ajar.
Penilaian:
1. Penilaian pre-tes dengan cara lisan atau tertulis, hasilnya
diutamakan sebagai umpan balik untuk kepentingan dosen
maupun mahasiswa dalam pembelajaran;
2. Penilaian tugas yang diberikan dosen untuk mengukur daya serap
mahasiswa, dan sekaligus sebagai kontribusi untuk penilaian
akhir;
3. Teknik penilaian: dilaksanakan secara tertulis, lisan, dan
observasi.
4
PETA KONSEP
5
1.1 Pengantar
Dasar-dasar Statistika merupakan bahagian dari Matematika,

sudah diperkenalkan sejak sekolah/pendidikan dasar dan menengah.
Di Perguruan Tinggi, Statistika diberikan kepada hampir semua bidang
keahlian, baik jenjang program S1, S2 dan S3. Statistika
dirasakansemakinberguna, baik sebagai ilmu pembantu (Statistika
terapan) maupun sebagai ilmu tersendiri (Statistika teoretis atau
Statistika Matematika). Disadari atau tidak, statistika telah banyak
digunakan dalam berbagai bidang kehidupan, terutama dalam dunia
penelitian.
Selain dalam bidang atau untuk kepentingan penelitian,
statistika juga semakin banyak diperlukan dalam berbagai bidang lain,
seperti dalam bidang pendidikan, psikologi, ekonomi, kedokteran,
pertanian, teknik, asuransi, dan lainnya. Pada saat ini hampir semua
disiplin ilmu pengetahuan menggunakan metode statistika dalam
melakukan kegiatannya. Penggunaan analisis statistik ternyata
mampu memberikan bantuan yang cukup berarti dalam memperlancar
pencapaian tujuan berbagai kegiatan. Melalui penggunaan atau
bantuan statistika terutama dalam hal penelitian pada berbagai bidang
ilmu, akan terjadi perubahan atau perkembangan ilmu tersebut kearah
yang lebih baik, dan akan memberi dampak terhadap kemajuan masa
depan. Dengan demikian, statistika sangat diperlukan terutama bagi
calon ilmuan dalam berbagai bidang ilmu, termasuk guru/dosen yang
selalu berhadapan dengan data yang memerlukan pengolahan dan
analisis.
6
1.2 Pengertian Statistik dan Statistika
Statistika merupakan salah satu cabang matematika, adalah

ilmu pengetahuan yang berhubungan dengan metode ilmiah untuk
pengambilan kesimpulan dan keputusan yang rasional. Sudjana
(2005) dalam bukunya metoda Statistika, menyatakan bahwa,
"Statistika adalah pengetahuan yang berhubungan dengan cara-cara
pengumpulan data, pengolahan atau penganalisisannya dan penarikan
kesimpulan berdasarkan kumpulan data dan penganalisisan yang
dilakukan". Kadang-kadang pengertian Statistika dimaksudkan untuk
menunjuk-kan keadaan sesuatu, misalnya statistik penduduk, statistik
pegawai, dan lain-lain. Dalam hal ini dibedakan pengertian statistik
dari pada pengertian Statistika.
Secara etimologis kata statistik (statistic) berasal dari kata
“status” (bahasa latin) atau “staat” (bahasa Belanda), yang
mempunyai persamaan arti dengan “state” (bahasa Inggris); dalam
bahasa Indonesia diterjemahkan menjadi negara. Disebut negara,
karena dahulu statistik lebih berfungsi untuk keperluan administrasi
negara, misalnya: untuk menyusun informasi tentang penduduk,
untuk memperlancar pajak, mobilisasi penduduk dalam angkatan
perang, dan sebagainya. Kepentingan negara itu meliputi berbagai
bidang, sehingga lahirlah istilah statistik yang pemakaiannya
disesuaikan dengan lingkup datanya, dalam berbagai bidang
kehidupan.
Pada mulanya istilah statistik diartikan sebagai kumpulan bahan
atau keterangan (data) atau angka-angka yang menggambarkan
keadaan penduduk, pendapatan masyarakat, tingkat produksi
pertanian pada suatu waktu tertentu, yang mempunyai arti penting
dan kegunaan yang besar bagi suatu Negara. Dewasa ini statistik tidak
hanya memberi gambaran keadaan sekarang dan masa lalu saja,
tetapi dengan statistik data atau angka-angka yang ada dapat
7
digunakan untuk meramal kondisi dimasa yang akan datang. Istilah
statistik (statistic) dan statistika (statistics) secara umum sering
dianggap sama saja. Namun,dalam pengertian yang lebih luas kedua
istilah tersebut terdapat perbedaan.
Agus Irianto (2007) dalam bukunya “Statistik, Konsep Dasar
dan Aplikasinya” menyatakan: "Statistik adalah sekumpulan cara
maupun aturan-aturan yang berkaitan dengan pengumpulan,
pengolahan (analisis), penarikan kesimpulan, atas data-data yang
berbentuk angka, dengan menggunakan suatu asumsi-asumsi
tertentu". Selanjutnya, Anas Sudijono (2009), dalam bukunya
“Pengantar Statistik Pendidikan” menyatakan bahwa: Ditinjau dari segi
terminologi, istilah statistik dewasa ini mengandung empat macam
pengertian: Pertama, istilah “statistik” diberi pengertian sebagai “data
statistik”, yaitu kumpulan bahan/keterangan yang berupa angka atau
bilangan, yang dapat memberikan gambaran mengenai keadaan,
peristiwa atau gejala tertentu; Kedua, istilah “statistik” juga sering
diberi pengertian sebagai “kegiatan statistik” atau kegiatan
perstatistikan”, yaitu mencakup: pengumpulan data, penyajian data,
dan penganalisisan data; Ketiga, istilah “statistik” kadang-kadang juga
dimaksudkan sebagai “metode statistik”, yaitu cara-cara tertentu yang
perlu ditempuh dalam rangka mengumpulkan, menyusun atau
mengatur, menyajikan, menganalisis, dan memberikan interpretasi
terhadap sekumpulan bahan keterangan yang berupa angka, sehingga
kumpulan bahan keterangan yang berupa angka itu “dapat berbicara”
atau dapat memberikan pengertian dan makna tertentu; dan,
Keempat, istilah “statistik” juga dapat diberi pengertian sebagai “Ilmu
Statistik”, yaitu ilmu pengetahuan yang mempelajari dan
mengembangkan secara ilmiah tahap-tahap yang ada dalam kegiatan
statistik. Pada pengertian yang keempat ini, tidak dibedakan antara
Statistik dengan Statistika.
8
Pengertian yang dikemukakan oleh beberapa para pakar
tersebut, istilah statistik dan statistika tidak terlalu dibedakan
(fleksibel). Namun, kadang-kadang istilah statistik dan statistika diberi
pengertian yang berbeda. Statistik hanya dimaksudkan untuk
menunjukkan keadaan sesuatu, misalnya statistik penduduk, statistik
pegawai, dan lain-lain. Yang lainnya, seperti daftar atau tabel, grafik
atau diagram, mean, modus, median, simpangan baku, dan lain-lain
disebut statistik. Hal ini sejalan dengan pendapat Burhan
Nurgiyantoro, dkk. (2004) dalam bukunya “Statistik Terapan, untuk
Penelitian Ilmu-Ilmu Sosial”, secara tegas dinyatakan: “Statistik
diartikan sebagai alat pengolah data angka, sedangkan statistika
adalah cabang ilmu yang mengamati dan atau mengembangkan cara-
cara mengolah data. Jadi statistik adalah produk dari kerja statistika,
atau statistika adalah penghasil statistik”.
Berdasarkan uraian di atas, dapat dikemukakan bahwa yang
dimaksudkan dengan Statistika adalah ilmu pengetahuan yang
mempelajari atau membahas tentang cara-cara pengumpulan data,
mengidentifikasi data, mengklasifikasi data, menyusun data, mengolah
dan menganalisis data, dan membuat kesimpulan. Dalam hal demikan,
berarti statistika memiliki makna yang lebih luas dari pada statistik,
atau statistik dapat dikatakan sebagai bahagian dari statistika.
1.3 Macam-macam Statistika
Statistika dibedakan atas dua macam, yaitu statistika teoretis

(statistika matematik) dan statistika terapan. Pada statistika teoretis
diperlukan dasar matematika yang kuat dan mendalam, yang dibahas
antara lain penurunan sifat-sifat, rumus-rumus, menciptakan model-
model dan lainnya. Dalam konteks pengembangan rumus-rumus atau
model-model dalam statistika untuk dapat digunakan oleh semua
pihak, tidak lepas dan mutlak memerlukan peran matematika,
9
sehingga statistika (terutama statistika teoretis) dinyatakan atau
dianggap sebagai cabang dari matematika.
Aturan-aturan, rumus-rumus, sifat-sifat yang telah diciptakan
oleh statistika teoretis diambil dan digunakan mana yang diperlukan
dalam berbagai bidang pengetahuan. Dalam statistika terapan tidak
dipersoalkan bagaimana didapatnya rumus-rumus atau aturan-aturan,
melainkan hanya dipentingkan bagaimana cara, teknik atau metoda
statistika digunakan. Jadi, statistika lebih memiliki peran sebagai alat
(penerapan), yaitu alat untuk analisis dan alat untuk membuat
keputusan dalam berbagai bidang permasalahan.
Dilihat dari sisi kedalaman analisis, statistika dibedakan menjadi
dua, yaitu Statistika Deskriptif dan Statistika Inferensial. Statistika
Deskriptif yang sering juga disebut statistika deduktif adalah statistik
yang digunakan untuk menggambarkan atau menganalisis suatu data
statistik hasil penelitian, tetapi tidak digunakan untuk membuat
kesimpulan yang lebih luas (general/inferensi). Statistik Deskriptif
antara lain membahas cara-cara pengumpulan data, penyederhanaan
angka-angka pengamatan yang diperoleh (meringkas dan
menyajikannya), serta melakukan pengukuran pemusatan dan
penyebaran data untuk memperoleh informasi yang lebih menarik,
berguna dan mudah dipahami. Penelitian yang tidak menggunakan
sampel dan juga penelitian yang menggunakan sampel tetapi peneliti
tidak bermaksud untuk membuat kesimpulan terhadap populasi dari
mana sampel diambil, analisisnya menggunakan statistik deskriptif.
Statistika Inferensial sering juga disebut Statistika Induktif,
adalah statistik yang digunakan untuk menganalisis data sampel, dan
hasilnya akan digene-ralisasikan (diinferensikan) untuk populasi di
mana sampel diambil. Statistika inferensial membahas mengenai cara
menganalisis data serta mengambil kesimpulan (berdasarkan estimasi
parameter dan pengujian hipotesis). Metode Statistika Inferensial
10
berkaitan dengan analisis sebagian data sampai ke peramalan atau
penarikan kesimpulan mengenai keseluruhan data. Statistika
Inferensial mempunyai tugas mengambil kesimpulan dan juga
membuat keputusan yang beralasan, sehubungan dengan
ketidakpastian di masa depan, berdasarkan penganalisisan yang telah
dilakukan. Selanjutnya statistik Inferensial dapat dibedakan menjadi
Statistika Parametrik dan Non-Parametrik.
Statistika parametrik merupakan bagian dari statistika
Inferensial, digunakan untuk menganalisis data dalam skala interval
atau rasio. Persyaratan penggunaan analisis statistika parametric,
data yang diambil dari populasi harus berdistribusi normal. Sedangkan
statistik non-parametrik, digunakan untuk menganalisis data nominal
dan ordinal (data kualitatif atau dikuantitatifkan) dari populasi yang
bebas distribusi, atau tidak harus berdistribusi normal. Contoh analisis
statistika parametrik antara lain: Uji t (untuk satu atau dua sampel),
Uji Korelasi Pearson, dan Analisis Regresi. Sedangkan contoh analisis
statistik nonparametrik antara lain: Uji Chi Kuadrat, Korelasi
Spearman, Uji Wilcoxon, Uji Mann-Whitney.
1.4 Peranan Statistika
Perkembangan Statistika dimulai sebagai suatu ilmu yang

membahas mengenai cara-cara mengumpulkan angka-angka atau
data sebagai hasil pengamatan menjadi suatu bentuk yang lebih dapat
dipahami. Pengamatan pada angka-angka itu pada mulanya dilakukan
atas perintah Raja/Presiden suatu Negara, yang ingin mengetahui
kekayaan negaranya menyangkut: tenaga kerja manusia, hasil
pertanian, kesehatan, kekayaan dan lainnya. Pengumpulan data
seperti itu sudah dimulai sejak zaman Kaisar Agustus (sekitar
menjelang Nabi Isa A.S. lahir), yang membuat pernyataan
menyangkut pengenaan pajak. Hal yang sama terjadi pada saat
11
William memerintahkan mengadakan pencacahan jiwa dan kekayaan
di seluruh wilayah Inggris, untuk keperluan penentuan pajak. Semua
hasil pengamatan dicatat di dalam sebuah buku. Berdasarkan
keperluan semacam ini timbullah teknik pencatatan angka-angka
pengamatan dalam bentuk daftar dan grafis. Penyederhanaan angka-
angka tersebut dikenal dengan Statistika Deskriptif.
Pada taraf selanjutnya orang tidak puas dengan hanya
mengumpulkan angka-angka pengamatan saja, timbullah usaha untuk
menentukan kesimpulan-kesimpulan atau peramalan-peramalan
berdasarkan angka-angka statistik yang dikumpulkan itu. Bagian ilmu
yang membahas cara-cara mengambil kesimpulan berdasarkan angka-
angka pengamatan dinamakan Statistika Inferensial atau Statistika
Induktif. Awal perkembangan Statistika Inferensial adalah pada abad
19, yang dipelopori oleh Karl Pearson (1857-1936). Statistika
Inferensial mulai berkembang dengan pesat setelah buku “Statistical
Method for Research Workers” karangan R.A. Fisher (1890-1962)
terbit pada tahun 1925. Pada tahun 1936, R.A. Fisher dan Kart
Pearson beserta tokoh lain yang hidup pada zaman yang sama, telah
mengembangkan teori mengenai penyajian hipotesis, yang menjadi
landasan bagi penelitian-penelitian selanjutnya.
Seperti dinyatakan sebelumnya, bahwa statistika memiliki peran
penting dalam kehidupan, terutama dalam dunia penelitian. Husaini
Usman dan Purnomo Setiady Akbar (2006), dalam bukunya
“Pengantar Statistika”, mengemukakan: Dalam kehidupan sehari-hari
ditengah ledakan data, kita tidak dapat melepaskan diri dari data, baik
data kuantitatif maupun data kualitatif. Data dapat dianalisis baik
secara kuantitatif maupun kualitatif, atau gabungan dari keduanya.
Dalam menghadapi data yang berserakan itu, kita ditantang untuk
mengumpulkannya melalui teknik pengumpulan data. Setelah data
terkumpul, maka dilanjutkan dengan penyajian dan mengolah data.
12
Dalam hal ini statistik deskriptif sangat diperlukan karena peneliti akan
dapat mendeskripsikan data yang dikumpulkan. Selanjutnya, mungkin
peneliti ingin membedakan data berdasarkan rata-rata kelompoknya,
atau ingin meramalkan pengaruh data yang satu dengan yang lainnya,
sehingga akhirnya peneliti dapat menarik suatu kesimpulan
berdasarkan hasil analisis data tersebut. Dalam hal ini statistik
inferensial sangatlah diperlukan. Statistika tidak hanya berperan
sebagai alat untuk deskripsi, tetapi juga sebagai alat komparasi,
korelasi dan regresi.
Selanjutnya, Sugiyono (2009), dalam bukunya ”Statistika untuk
Penelitian” menyatakan bahwa: peranan statistik dalam penelitian
adalah sebagai: (1) Alat untuk menghitung besarnya anggota sampel
yang diambil dari suatu populasi; (2) Alat untuk menguji validitas dan
reliabilitas instrumen; (3) Teknik-teknik untuk menyajikan data,
sehingga data lebih komunikatif; dan (4) Alat untuk analisis data
seperti menguji hipotesis penelitian yang diajukan. Dengan
mengunakan bantuan statistik, penentuan jumlah sampel yang
diperlukan dalam suatu penelitian lebih dapat dipertanggung-
jawabkan, instrument yang digunakan untuk penelitian harus valid dan
reliabel, dan data dapat disusun dan disajikan dalam tabel, grafik,
atau diagram, serta dapat melakukan analisis data dengan
menggunakan berbagai uji statistik antara lain: uji korelasi, regresi, t-
test, dan uji statistik lainnya.
Peranan statistika dalam dunia pendidikan bagi para
guru/dosen, selain untuk kepentingan penelitian, juga untuk keperluan
penilaian hasil belajar siswa/mahasiswa setelah menempuh proses
pembelajaran. Di dalam kegiatan menilai hasil belajar, seorang
guru/dosen mengunakan norma tertentu yang berwujud ukuran. Hasil
penilaian seringkali dinyatakan dalam berbagai macam cara, yang
umumnya dinyatakan dalam bentuk angka (bilangan). Atau, data yang
13
berwujud kualitatif dilakukan kuantifikasi untuk mendapatkan data
kuantitatif yang berbentuk angka (bilangan), sehingga gambaran
prestasi hasil belajar siswa/mahasiswa dapat terdeteksi dengan jelas.
Dalam melakukan pengolahan dan analisis data nilai hasil belajar
sangat diperlukan jasa statistika.
1.5 Soal-soal
1. Kemukakan/jelaskan;
a. Pengertian statistik dan statistika; dan,
b. Perbedaan statistik dengan statistika.
2. Jelaskan perbedaan berikut:
a. Statistika matematika (teoretis) dengan statistika terapan
(praktis)
b. Deskriptif dengan inferensial
c. Statistik Parametrik dengan Statistik non-parametrik.
3. Bagaimana peranan statistika dalam kehidupan sehari-hari ?
4. Mengapa kita perlu mempelajari statistika?
5. Bagaimana sikap kita terhadap pihak lain yang membenci analisis
statistik dalam penelitian ?
14
BAB 2 DATA, PENGUMPULAN DAN PENYAJIAN DATA
Materi :
Pengertian dan macam-macam data, populasi dan sampel,
pengumpulan dan penyajian data.
Waktu :

(1) Pengertian data.
(2) Macam-macam jenis data.
(3) Populasi dan sampel
(4) Teknik pengumpulan data.
(5) Teknik-teknik penyajian data.
Ekspositori, tanya jawab, diskusi, kerja kelompok, dan pemberian
tugas.
Penilaian:
1. Penilaian pra-tes dengan cara lisan atau tertulis, hasilnya
diutamakan sebagai umpan balik untuk kepentingan dosen
maupun mahasiswa dalam pembelajaran;
mahasiswa, dan sekaligus sebagai kontribusi untuk penilaian
akhir;
3. Teknik penilaian: dilaksanakan secara tertulis, lisan, dan sikap.
15
PETA KONSEP
16
2.1 Pengertian dan macam-macam Data
Keterangan atau fakta mengenai sesuatu persoalan, bisa dalam

bentuk bilangan seperti 1, 2, 3, 4, 6, 10, 23, 65, 78, 100, 160 dan
sebagainya, atau juga berbentuk kategori, misalnya: rusak, baik,
senang, puas, berhasil gagal dan sebagainya, kesemuanya ini
dinamakan data, atau lengkapnya disebut data statistik. Data adalah
berbentuk jamak, sedang yang berbentuk tunggal disebut datum. Jadi
data sama dengan datum-datum. Data dapat disebut suatu bahan
mentah yang jika diolah dengan baik melalui berbagai analisis dapat
melahirkan berbagai informasi. Dengan informasi tersebut kita dapat
mengambil suatu keputusan. Data dapat dikelompokkan menjadi dua,
yaitu data kualitatif dan data kuantitatif.
Data kualitatif adalah data yang berbentuk kalimat, uraian,
kata, atau gambar. Contoh data kualitatif: jenis kelamin, agama,
warna, dan sebagainya. Sedangkan data kuantitatif adalah data yang
berbentuk angka atau bilangan seperti tinggi, panjang, umur, atau
data kualitatif yang diangkakan (skoring). Data kuantitatif
dikelompokkan menjadi dua yaitu data diskrit dan data kontinum.
Data diskrit adalah data yang diperoleh dari hasil menghitung
atau membilang (bukan mengukur). Contoh data diskrit, misalnya:
banyak pegawai suatu kantor 18 orang, keluarga A mempunyai 3
(tiga) orang anak laki-laki dan 1 (satu) orang anak perempuan,
jumlah mahasiswa di salah satu perguruan tinggi sebanyak 24.308
orang, banyak mahasiswa yang mengikuti mata kuliah statistika 56
orang, dan sebagainya. Sedangkan data kontinum adalah data yang
diperoleh dari hasil pengukuran, misalnya: berat badan seseorang 52
kg, tinggi badan seseorang 163 cm, kecepatan mobil 70 km/jam, isi
17
galon air 32,5 liter, waktu yang ditempuh menuju suatu tempat 1¾
jam, dan sebagainya.
Data yang akan dianalisis dengan statistik harus berbentuk
angka, maka apabila data yang ditemui belum berbentuk angka,
langkah awal yang harus dilakukan adalah melakukan perubahan data
agar berbentuk angka. Angka-angka yang digunakan dalam analisis
statistik berdasarkan tingkat pengukuran atau skalanya
dikelompokkan menjadi empat macam, yaitu: data nominal, data
ordinal, data interval, dan data rasio.
2.1.1 Data Nominal.

Data nominal adalah data yang berasal dari pengelompokan
peristiwa berdasarkan kategori tertentu yang perbedaannya hanyalah
menunjukkan perbedaan kualitatif. Data atau angkanya berfungsi
sebagai simbol atau tanda, label atau kode saja. Angka-angka disini
tidak mempunyai daya pembeda yang berjenjang (tidak kenal lebih
besar maupun lebih kecil, dan tidak mempunyai makna hitung).
Contohnya jenis kelamin manusia: pria (1), dan wanita (2).
2.1.2 Data Ordinal.

Data ordinal adalah data yang berbentuk kategori yang dapat
disusun menurut besarnya, atau angkanya mempunyai urutan tertentu
sehingga setiap angka mempunyai daya pembeda (lebih besar
maupun lebih kecil), dengan rentangan atau interval antara angka
satu dengan yang lain tidak harus sama. Data ordinal memiliki ciri
seperti pada data nominal ditambah dengan satu ciri, yaitu kategori
data dapat disusun berdasarkan urutan sesuai dengan besarnya
karak-teristik yang dimiliki. Sebagai contoh: dalam suatu Olimpiade
Matematika, didapatkan data: Juara 1 mendapat nilai 96; Juara 2
mendapat nilai 85; Juara 3 mendapat nilai 84; Juara 4 (harapan)
18
dengan nilai 76. Keempat nilai (juara) tersebut dapat dan sudah
diurutkan, dimana rentang antar jenjang tidak sama (juara 1 dan 2
bedanya 11, juara 2 dan 3 bedanya hanya 1, dan juara 3 dan 4
memiliki perbedaan 8).
2.1.3 Data interval.

Data interval adalah angkanya mempunyai urutan dan
mempunyai daya pembeda, serta mempunyai rentangan atau interval
antara angka-angka yang satu dengan lainnya, tetapi tidak
mempunyai angka 0 yang mutlak. Misalnya, Indek Prestasi Komulatif
(IPK) mahasiswa: 3,32; 2,86; 3,05; dan 3,84.
2.1.4 Data rasio.

Merupakan angka yang mempunyai urutan/ranking, mempunyai
daya pembeda, dan mempunyai rentangan atau interval antara angka
yang satu dengan yang lainnya tetap, serta ukuran yang satu dengan
lainnya dapat dibandingkan. Misalnya, hasil pengukuran tinggi atau
jarak beberapa bangunan.
Data nominal dan data ordinal adalah kelompok data diskrit,
sedangkan data interval dan data rasio adalah kelompok data
kontineu. Data ordinal dan data rasio dapat diurutkan, sedangkan data
nominal dan interval tidak dapat diurutkan.
Menurut sumbernya dibedakan antara data primer dengan data
sekunder. Data primer ialah data yang dikumpulkan dan disusun
sendiri oleh pihak yang berkepentingan (petugasnya). Sedangkan data
sekunder ialah data yang diambil /diperoleh dari pihak atau badan lain
yang sudah dikumpulkan, disusun dan diumumkan. Data yang baru
dikumpulkan dan belum pernah mengalami pengolahan apapun
dikenal atau disebut data mentah.
19
2.2 Populasi dan Sampel
Kesimpulan yang dibuat mengenai sesuatu persoalan umumnya

diharapkan dapat berlaku untuk persoalan itu secara keseluruhan,
bukan hanya untuk sebagian saja. Andaikan kita ingin mengetahui
rata-rata tinggi badan penduduk Indonesia, maka tidaklah praktis bila
kita meneliti semua penduduk Indonesia. Begitu pula penelitian
mengenai nilai ujian saringan masuk perguruan tinggi tahun 2015,
tanah di bulan, dan padi hasil panen petani, tidaklah praktis atau
tidaklah mungkin diteliti seluruhnya.
Dengan demikian, penelitian itu cukup dilakukan sebagian saja,
dan dapat dibenarkan, asal cukup representatif. Misalnya untuk
meneliti ada tidaknya kehidupan di Bulan, cukup diambil sebagian saja
dari tanahnya disembarang tempat, sebab besar kemungkinan akan
representatif. Tetapi penelitian mengenai nilai ujian saringan masuk
perguruan tinggi tidak boleh diambil dari calon-calon sekolah tertentu
saja, sebab kemungkinan besar kelompok siswa dari sekolah itu
adalah kelompok siswa yang tergolong bodoh atau siswa pandai saja,
sehingga nilai ujian siswa itu tidak mewakili nilai ujian semua siswa.
Sebagian dari keseluruhan yang diteliti disebut sampel,
sedangkan keseluruhannya adalah populasi. Misalnya dalam penelitian
tanah di bulan yang dibawa ke bumi merupakan sampel, sedangkan
tanah bulan seluruhnya adalah populasi. Demikian juga sebagian dari
nilai hasil tes calon mahasiswa yang mengikuti ujian saringan masuk
perguruan tinggi tahun 2015, yang diambil secara representatif untuk
kepentingan analisis merupakan sampel, sedangkan keseluruhan dari
nilai calon mahasiswa adalah populasi.
20
2.3 Pengumpulan dan Penyajian Data
Untuk memperoleh keterangan tentang sesuatu kita

memerlukan data. Data harus betul-betul “jujur”, yakni kebenarannya
harus dapat dipercaya.
2.3.1 Pengumpulan Data

Pengumpulan data dapat dilakukan dengan beberapa cara,
yaitu:
1. Observasi.Misalnya bila kita memerlukan keterangan tentang
kemampuan anak-anak dalam matematika, kita dapat mengunjungi
sekolah-sekolah melihat anak-anak belajar matematika di kelas
atau menanyakan nilai dalam matematika dari setiap anak kepada
guru matematika atau ke kantor sekolah.
2. Wawancara. Kadang-kadang dengan cara observasi, data yang
diperoleh itu kurang lengkap. Atau kadang-kadang data yang kita
perlukan itu berupa keterangan dari seseorang atau orang-orang
yang kita anggap mengetahui masalah yang kita inginkan, maka
kita perlu mendatangi orang tertentu untuk mengadakan
wawancara. Misalnya kita dapat melakukan wawancara dengan
seorang kepala sekolah dasar (SD) untuk mengetahui sampai di
mana buku matematika sekolah dasar dipergunakan/dipelajari di
sekolahnya.
3. Angket. Kadang-kadang data yang kita inginkan itu tempatnya
jauh, atau di tempat-tempat yang terpisah. Atau kita mempunyai
pertanyaan-pertanyaan yang harus dijawab oleh orang-orang
tertentu yang tempatnya jauh atau tersebar. Maka untuk
memperoleh data tersebut kita dapat membuat angket dan
memberikan atau mengirimkannya kepada yang bersangkutan.
Angket tidak hanya untuk dijawab oleh orang-orang yang
tempatnya jauh, tetapi bila diperlukan juga untuk orang-orang
21
yang tempatnya dekat, misalnya: bila data yang kita perlukan itu
merupakan rahasia, yang diminta keterangan itu banyak
jumlahnya, agar pertanyaan yang diajukan itu lebih terperinci dan
lengkap.
4. Tes. Selain observasi, wawancara, dan angket, pengumpulan data
dalam dunia pendidikan sering dilakukan dengan melakukan tes.
Tes adalah alat ukur yang terdiri dari sejumlah soal atau
pertanyaan yang harus dijawab/dikerjakan oleh peserta tes
(terutama untuk siswa, mahasiswa, atau guru). Bentuk tes terdiri
dari tes lisan, tes tulisan, atau perbuatan.
2.3.2 Penyajian Data

Data yang telah dikumpulkan, baik berasal dari populasi
maupun dari sampel, untuk keperluan laporan dan atau analisis
selanjutnya, perlu diatur, disusun dan disajikan dalam bentuk yang
jelas dan baik. Secara garis besar ada dua cara penyajian data yang
sering dipakai, yaitu:
1. Daftar atau tabel; dan
2. Diagram atau grafik
Data yang banyaknya 30 atau lebih dianjurkan untuk disajikan
dalam daftar atau tabel. Data yang sudah dinyatakan dalam daftar
atau tabel disebut data tersusun, dan daftar atau tabelnya disebut
daftar atau tabel distribusi frekuensi. Penyajian data dengan grafik
atau diagram dikenal ada beberapa macam, yaitu: diagram batang
(histogram), diagram garis (polygon), diagram lambang (piktogram),
dan diagram lingkaran. Data-data yang tersusun dalam suatu tabel
atau daftar, yang biasa disebut daftar distribusi frekuensi, dapat
dinyatakan dalam suatu diagram atau grafik.
22
2.4 Soal-soal
1. Jelaskan apa yang dimaksud dengan data.

2. Apakah yang dimaksud dengan:
a. Data kuantitatif f.Data Ordinal
b. Data kualitatif g. Data Interval
c. Data diskrit h. Data Rasio
d. Data continue i.Data primer
e. Data Nominal k. Data sekunder.
3. Jelaskan pengertian populasi dan sampel.
4. Kemukakan beberapa cara teknis pengumpulan data.
5. Kemukakan pula beberapa macam teknik penyajian data.
23
BAB 3DISTRIBUSI FREKUENSI DAN GRAFIK
Materi :
Pengantar, teknik membuat daftar distribusi frekuensi, histogram dan
poligon, distribusi relatif dan komulatif.
Waktu : 3 jam pembelajaran (150 menit).

(1) Pengertian distribusi frekuensi.
(2) Teknik (prosedur) membuat daftar distribusi frekuensi.
(3) Teknik membuat histogram dan poligon.
(4) Membuat grafik distribusi relatif dan komulatif.
Ekspositori, tanya jawab, diskusi, dan kerja kelompok.
Penilaian:
diutamakan sebagai umpan balik untuk kepentingan dosen maupun
mahasiswa dalam pembelajaran;
mahasiswa, dan sekaligus sebagai kontribusi untuk penilaian akhir.
24
PETA KONSEP
25
3.1 Pengantar
Distribusi frekuensi merupakan sajian data yang sudah disusun

atau disajikan dalam bentuk daftar. Maksudnya ialah bahwa
komponen-komponen data itu dalam bentuk bilangan, disusun
menurut besarnya. Bilangan-bilangan yang sudah diurutkan kemudian
dikelompokkan dalam kelas-kelas interval. Perhatikan distribusi
frekuensi nilai ujian Statistika 100 orang mahasiswa seperti berikut:
Nilai Statistika Frekuensi
45 – 51 4
52 – 58 9
59 – 65 15
66 – 72 26
73 – 79 30
80 – 86 12
87 – 93 3
Jumlah 100
Nilai Statistika dari 100 orang mahasiswa itu dikelompokkan ke

dalam tujuh kelompok. Kelompok-kelompok tersebut dinamakan
kelas-kelas dari distribusi frekuensi. Kelas pertama ialah nilai dari 45
sampai 51 yang banyaknya atau frekuensinya adalah 4, kelas kedua
adalah dari 52 sampai 58 dengan frekuensi 9, kelas ketiga adalah dari
59 sampai 65 dengan frekuensi 15, dan seterusnya sampai kelas ke
tujuh (terakhir) nilainya dari 87 sampai dengan 93 dengan frekuensi
3. Perhatikan kelas pertama 45-51, disebut pula bahwa interval kelas
26
pertama adalah 45-51. Dengan demikian interval kelas kedua adalah
52-58 dan seterusnya. Bilangan atau angka sebelah kiri setiap interval
kelas disebut ujung bawah kelas, sedangkan angka sebelah kanan dari
setiap interval kelas disebut ujung atas kelas. Misalnya kelas kelima
mempunyai ujung bawah 73 dan ujung atas 79. Bila nilai ujian
Statistika tersebut merupakan pembulatan ke dalam satuan, interval
kelas 45−51 yang sesungguhnya secara teoretis terletak antara 44,5
dan 51,5. Bilangan-bilangan 44,5 dan 51,5 disebut batas bawah dan
batas atas interval kelas pertama. Istilah batas bawah dan batas atas
sering pula dinyatakan dengan tepi bawah dan tepi atas interval kelas.
Batas kelas dapat diperoleh dengan menjumlahkan ujung atas kelas
dengan ujung bawah kelas berikutnya, kemudian dibagi dua. Misalnya
untuk mencari batas-batas dari interval kelas 80 - 86 (kelas ke-enam)
adalah:
79 + 80
Batas bawah (Bb) = = 79,5
2
86 + 87
Batas atas (Ba) = = 86,5
2
Dengan menggunakan batas-batas (bawah dan atas) kelas,

interval kelas 80 − 86 yang sesungguhnya menjadi 79,5 - 86,5.
Demikian juga untuk menentukan batas-batas kelas yang lainnya.
Panjang kelas suatu interval kelas ialah selisih antara batas atas kelas
dengan batas bawahnya. Dapat dilihat bahwa panjang interval
kelasnya semuanya sama, yaitu 7. Tetapi tidak mesti distribusi
frekuensi itu panjang semua kelasnya dibuat sama, tetapi pada
umumnya panjang kelas suatu data tersusun dalam daftar distribusi
frekuensi dibuat sama.
Titik tengah suatu kelas ialah jumlah batas bawah dan batas
atas kelas dibagi dua. Atau juga dapat diperoleh dari jumlah ujung
27
bawah dan ujung atas kelas dibagi dua. Untuk data distribusi frekuensi
di atas, titik tengah kelas keenam adalah:
79, 5 + 86,5 80 + 86
= 83 = 83
2 ; atau 2 (hasilnya sama)
Demikian juga titik tengah kelas yang lainnya, dilakukan dengan
cara yang sama sehingga diperoleh titik tengah semua kelas data pada
tabel distribusi frekuensi di atas, yaitu: 48, 55, 62, 69. 83, dan 90.
3.2 Membuat Daftar Distribusi Frekuensi
Berikut ini adalah sekumpulan data berat badan dari 50 orang

siswa, setelah ditimbang dengan dibulatkan dalam satuan kilogram
(kg) terdekat, yaitu:
54594860485954446048
67625958605459605959
595854594065 54596040
5059446255 60586055 58
6235595848405058 6762
Data berat badan tersebut dapat disusun ke dalam daftar

(tabel) distribusi frekuensi, tanpa pengelompokan dan dengan
pengelompokan. Distribusi frekuensi tanpa pengelompokan dari data
tersebut adalah seperti tabel berikut:
Berat Badan
Frekuensi
(dalam Kg)
35 1
40 3
44 2
48 4
50 2
28
Berat Badan
Frekuensi
(dalam Kg)
54 5
55 2
58 6
59 11
60 7
62 4
65 1
67 2
Jumlah 50
Untuk lebih sederhana, data yang dikumpulkan lazimnya

dinyatakan dalam distribusi frekuensi dengan pengelompokan.
Panjang kelas dari suatu distribusi frekuensi yang dikelompokkan tidak
mesti sama. Tetapi karena distribusi demikian akan menyukarkan kita
dalam perhitungan, maka lazimnya distribusi frekuensi dibuat panjang
kelasnya sama.
Membuat daftar distribusi frekuensi, kita lakukan dengan
mengikuti langkah-langkah berikut:
(1) Tentukan rentang (R), ialah data terbesar dikurangi data terkecil.
Pada data berat badandi atas, rentangan (R) = 67 - 35 = 32.
(2) Tentukan banyak kelas interval yang diperlukan (k). Banyak kelas
biasa diambil paling sedikit 5 kelas dan paling banyak 15 kelas,
dipilih menurut keperluan terutama mempertimbangkan rentangan
data. Cara yang umumnya digunakan adalah aturan Sturges,
yaitu:k = l + (3,3)log n; di mana k ialah banyaknya kelas. dan
n banyak data.
Untuk data berat badan di atas, banyak data (n) = 50, maka
banyak kelas:
k = 1 + (3,3) log 50
= 1 + (3,3) (1,699) = 1 + 5,607
k = 6,607
29
Kita dapat membuat daftar distribusi frekuensi data tersebut dengan
banyak kelas 6 atau 7 buah.
(3) Tentukan panjang interval kelas (p). Secara incer-incer ditentukan
oleh aturan:
rentang
p = ; (pembulatan ke atas)
banyak kelas
32
= ; dalam hal ini diambil banyak kelas (k) = 7
7
p = 4,57; dengan pembulatan ke atas: p = 5.
Harga p diambil sesuai dengan ketelitian satuan data yang digunakan.
(4) Pilih ujung bawah kelas interval pertama. Untuk ini bisa diambil
sama dengan data terkecil, atau lebih kecil dari data terkecil,
tetapi selisihnya dengan data terkecil harus kurang dari panjang
kelas yang telah ditentukan.
Sebelum dibuat daftar sebenarnya, biasanya dibuat daftar

penolong yang berisikan kolom tabulasi (tally), yang merupakan
kumpulan garis miring sesuai dengan banyaknya data. Dengan
mengambil banyak kelas 7, panjang kelas 5, dan dimulai dengan
ujung bawah kelas pertama 35, kita peroleh daftar distribusi frekuensi
seperti berikut:
Berat Badan Tally Frekuensi
35 – 39 / 1
40 – 44 ///// 5
45 – 49 ///// 4
50 – 54 ///// // 7
55 – 59 ///// ///// ///// //// 19
60 – 64 ///// ///// / 11
65 – 69 /// 3
Jumlah – 50
Distribusi frekuensi data tersebut di atas, kelas pertamanya
dapat saja tidak dimulai dari 35, tetapi dimulai dari yang lebih kecil
30
dari 35 misalnya 34 atau 33, asal saja data terbesar yaitu 67 masih
termasuk dalam kelas terakhir.
Bila batas bawah kelas pertama dimulai dengan angka 33, maka
daftar distribusi frekuensi data tersebut menjadi seperti berikut:
Berat Badan Frekuensi
33 – 37 1
38 – 42 3
43 – 47 2
48 – 52 6
53 – 57 5
58 – 62 31
63 – 67 2
Jumlah 50
Batas bawah kelas pertama tidak mungkin kurang dari 33, sebab
data terbesar yaitu 67 akan tidak masuk lagi di dalam kelas terakhir,
bila panjang interval kelas masih tetap 5.
3.3 Histogram dan Poligon Frekuensi
Histogram dan polygon adalah dua grafik distribusi frekuensi

yang merupakan satu kesatuan yang sangat terkait. Histogram adalah
gambar yang terdiri dari persegi panjang-persegipanjang yang
panjang alasnya sama dengan panjang interval kelas dan tingginya
sama dengan frekwensi interval kelas masing-masing. Sedangkan
polygon dari suatu distribusi frekwensi diperoleh dengan jalan
menghubungkan titik-titik tengah sisi atas setiap persegi panjang.
Cara melukis histogram dilakukan seperti berikut:
31
1) Buatlah salib sumbu yang tegak lurus satu sama lain; sumbu
datar meng-gambarkan jenis data, dan sumbu tegak
menggambarkan frekuensinya.
2) Tentukanlah titik-titik tengah kelas dari semua interval,
digambarkan pada sumbu datar. Pada contoh data berat badan,
titik-titik tengahnya yaitu: 37, 42, 47, 52, 57, 62 dan 67.
3) Lukis frekuensi masing-masing interval kelas pada sumbu
tegak (mungkin secara proporsional/perbandingan saja). Pada
contoh data berat badan frekuensinya yaitu: 1, 5, 4, 7, 19, 11 dan
3.
4) Selesaikan gambar persegipanjang-persegipanjang tersebut.
Dengan menghubungkan titik-titik tengah sisi atas setiap

persegipanjang diperoleh diagram garis (polygon) dari distribusi
frekuensi tersebut.
Berikut dapat kita lukiskan histogram dan polygon dari distribusi

frekuensi data berat badan 50 siswa.
Gambar: histogram (diagram batang) data berat badan 50 siswa
32
Gambar: polygon (diagram garis) data berat badan 50 siswa
Mengingat luas polygon yang terjadi harus sama dengan luas

histogramnya, maka pada kedua ujung dibuat kelas baru yang
frekuensinya masing-masing nol. Polygon yang masih terbuka itu
ditutup dengan menghubungkan titik tengah sisi atas persegipanjang
interval pertama dan terakhir dengan titik tengah kelas baru
disampingnya.
33
3.4 Distribusi Frekuensi Relatif dan Komulatif
Disiribusi relatif ialah distribusi frekuensi dimana frekuensinya

dinyatakan dengan perbandingan, desimal atau persen. Perhatikan
contoh berikut:
Frekuensi – Relatif
Frekuensi
Berat Badan
(Mutlak) Persen
Perbandingan Desimal
(%)
1
35 – 39 1 0,02 2
50
5
40 – 44 5 0,10 10
50
4
45 – 49 4 0,08 8
50
50 – 54 7
7 0,14 14
50
55 – 59 19 19 0,38 38
50
60 – 64 11 11 0,22 22
50
65 – 69 3 3 0,06 6
50
Jumlah 50 1 1,00 100
Distribusi kumulatif dapat dibentuk dengan menjumlahkan

frekuensi demi frekuensi setiap kelas dengan kelas berikutnya secara
runtun. Dikenal dua macam distribusi frekuensi kumulatif yaitu:
distribusi kumulatif kurang dari dan distribusi kumulatif lebih dari.
Perhatikan daftar berikut:
a. Distribusi kumulatif kurang dari, seperti daftar berikut:
34
Berat Badan fkum fkum %
Kurang dari 35 0 0
Kurang dari 40 1 2
Kurang dari 45 6 12
Kurang dari 50 10 20
b. Distribusi kumulatif lebih dari, seperti daftar berikut:
Berat Badan fkum fkum %
35 atau lebih 50 100

40 atau lebih 49 98
45 atau lebih 44 88
50 atau lebih 40 80
55 atau lebih 33 66
60 atau lebih 14 28
65 atau lebih 3 6
70 atau lebih 0 0
Distribusi frekuensi kumulatif, bila tidak dinyatakan apa-apa

maka yang dimaksudkan adalah distribusi frekuensi kumulatif “kurang
dari”. Artinya, distribusi komulatif yang sering atau umum digunakan
adalah distribusi komulatif “kurang dari”.
Jadi, dari kedua daftar distrubusi frekuensi kumulatif data berat

badan 50 siswa di atas, maka yang dimaksudkan adalah daftar
pertama yaitu frekuensi komulatif “kurang dari”, seperti berikut:
35
Frekuensi Frekuensi
Berat Badan
Kumulatif
(Mutlak)
35 – 39 1 1
40 – 44 5 6
45 – 49 4 10
50 – 54 7 17
55 – 59 19 36
60 – 64 11 47
65 – 69 3 50
Jumlah 50 -
Artinya: 1 orang yang beratnya kurang dari 40 kg

6 orang yang beratnya kurang dari 45 kg
50 orang yang beratnya kurang dari 70 kg.
36
Contoh lain: data tinggi badan 50 siswa, seperti tabel berikut:
Tinggi Frekuensi – Relatif

Badan Frekuensi
(dalam (Mutlak) Perbandingan Desimal Persen
cm)
3
145 – 149 3 50 0,06 6
5
150 – 154 5
50 0,40 10
17
50
155 – 159 17 0,34 34
23
50
160 – 164 23 2 0,46 46
50
165 – 169 2 0,04 4
Jumlah 50 1 1 100
Daftar distribusi kumulatif diperoleh dengan jalan menjumlahkan

frekuensi demi frekuensi secara runtun dari kelas pertama sampai ke
kelas terakhir. Contohnya:
Tinggi Badan fkum fkum %
Kurang dari 145 0 0

Kurang dari 150 3 6
Maka distribusi frekuensi kumulatif “kurang dari”, yaitu:
37
Frekuensi Frekuensi
Tinggi Badan
(Mutlak) Kumulatif
145 – 149 3 3
150 – 154 5 8
155 – 159 17 25
160 – 164 23 48
165 – 169 2 50
Jumlah 50 –
Artinya: 3 orang yang tingginya 149 cm atau kurang;

8 orang yang tingginya 154 cm atau kurang;
50 orang yang tingginya 169 cm atau kurang.
Grafik atau kurva dari distribusi frekuensi kumulatif disebut dengan
ogive (ozaiv). Contoh ogivedistribusi kumulatif (kurang dari) data
tinggi badan 50 siswa adalah:
38
3.5 Soal-soal
1. Sebutkan macam-macam bentuk penyajian data.

2. Jelaskan pengertian data tersusun dalam daftar distribusi
frekuensi dengan pengelompokan dan tanpa pengelompokan.
3. Kemukakan langkah-langkah membuat daftar distribusi
frekuensi.
4. Jelaskan pengertian dari histogram dan poligon.
5. Jelaskan:
a. Pengertian distribusi frekuensi relatif ;
b. Pengertian distribusi frekuensi komulatif kurang dari dan lebih
dari.
6. Diketahui data berat badan 50 siswa seperti pada tabel berikut:

33 – 37 1
38 – 42 3
43 – 47 2
48 – 52 6
53 – 57 5
58 – 62 31
63 – 67 2
Jumlah 50
Buatlah histogram, distribusi frekuensi relatif, distribusi frekuensi

komulatif kurang dari dan distribusi frekuensi komulatif lebih
dari.
39
BAB 4UKURAN PEMUSATAN DAN UKURAN LETAK DATA
Materi :
Rata-rata hitung (Mean), Median, Modus, Rata-rata ukur dan rata-rata
harmonis, Kuartil, Desil dan Persentil.
Waktu :
2 × 3 jam pembelajaran (2×150 menit).

(1) Pengertian ukuran gejala pusat dan ukuran letak.
(2) Rata-rata hitung (mean) dan dapat menghitungnya.
(3) Median dan dapat menghitungnya.
(4) Modus dan dapat menghitungnya.
(5) Rata-rata ukur dan rata-rata harmonis dan dapat menghitungnya.
(6) Kuartil dan dapat menghitungnya.
(7) Desil dan persentil, dan dapat menghitungnya.
Ekspository, tanya jawab, diskusi, kerja kelompok, dan pemberian
tugas.
Penilaian:
diutamakan sebagai umpan balik untuk kepentingan dosen maupun
mahasiswa dalam pembelajaran;
mahasiswa, dan sekaligus sebagai kontribusi untuk penilaian akhir;
40
PETA KONSEP
41
4.1 Pengantar
Untuk mendapatkan gambaran yang lebih jelas tentang data

mengenai sesuatu persoalan, diperlukan ukuran-ukuran dari kumpulan
data tersebut. Dalam bab ini akan diuraikan tentang ukuran gejala
pusat dan ukuran letak. Beberapa macam ukuran gejala pusat adalah:
rata-rata hitung, rata-rata ukur, rata-rata harmonik dan modus.
Sedangkan ukuran letak meliputi: median, kuartil, desil dan persentil.
Ukuran yang dihitung dari data sampel dinamakan statistik, dan

apabila ukuran itu dihitung dari kumpulan data populasi dinamakan
parameter. Dengan demikian ukuran yang sama dapat bernama
statistik atau parameter, bergantung pada apakah ukuran dimaksud
untuk sampel atau populasi. Ukuran-ukuran yang sering dibicarakan
atau dibahas dalam perhitungan-perhitungan adalah rata-rata hitung,
median, kuartil dan modus, baik untuk data tak tersusun maupun data
tersusun.
4.2 Rata-rata Hitung
Dalam statistika seringkali satu bilangan atau satu ukuran

mewakili sekumpulan bilangan. Misalnya, bila rata-rata hitung nilai
ujian statistika dari sekelompok mahasiswa adalah 70,5, maka 70,5 ini
seringkali dapat dijadikan mewakili kelompok nilai-nilai ujian semua
mahasiswa tersebut dalam mata kuliah statistika.
Rata-rata hitung untuk data kuantitatif yang terdapat dalam

sebuah sampel dihitung dengan jalan membagi jumlah nilai data
dengan banyak data. Atau, rata-rata hitung dari sekumpulan bilangan
ialah jumlah bilangan-bilangan itu dibagi banyak bilangan.Bila
bilangan-bilangan itu: x1, x2, x3, …, xn; maka rata-rata hitungnya
adalah:
42
n
x + x + x +...+ xn ∑ xi
x= 1 2 3 ; atau x = i =1
n n
Dalam bentuk yang lebih sederhana dapat ditulis:
∑ xi
x= ........................................... (1)
n
Contoh:
Rata-rata hitung dari bilangan-bilangan (data) 6, 7, 8, 6, 5, 9, 2, 7,

6, 8 adalah:
∑ xi
x=
n
x + x 2 + x 3 + ... + x10
x= 1
10
6+7+8+6+5+9+ 2+7+6+8
x=
10
64
x= = 6,4
10
Jika bilangan-bilangan: x1, x2, x3, …, xkmasing-masing terjadi

dalam frekuensi f1, f2, f3, …, fk, maka rata-rata hitung data tersebut
adalah:
k
f x + f x + f x +...+ fk xk i =1
∑f x i i
x= 1 1 2 2 3 3 = k
f1 + f2 + f3. + ...+ fk
∑f
i =1
i
Bentuk sederhananya dapat ditulis:
43
∑ fi xi ∑ fi xi
x= ; atau x = ................ (2)
∑ fi n
dimana:n = ∑fimerupakan total frekuensi atau banyaknya data.
Contoh:
Seperti data pada contoh di atas: 6 terjadi dengan frekuensi 3, 7 dan

8 masing-masing terjadi dengan frekuensi 2, sedangkan 2, 5 dan 9
masing-masing frekuensinya 1. Maka, rata-rata hitungnya adalah:
3 × 6 + 2 × 7 + 2 × 8 +1× 2 +1× 5 +1× 9
x=
3 + 2 + 2 +1+1+1
18 + 14 + 16 + 2 + 5 + 9
x=
10
64
x= = 6, 4
10
Contoh lain:
a. Nilai ujian statistika dari lima orang mahasiswa adalah: 70, 75, 85,
56, dan 90; makanilai rata-ratanya ialah:
70+ 75+ 85+ 56+ 90 376

x= = = 75,2 (menggunakan rumus 1).
5 5
b. Jika: empat orang mahasiswa mendapat nilai 70, enam orang

mendapat 75, tiga orang mendapat 85, dan masing-masing satu
orang mendapat nilai 56 dan 90, maka lebih baik data itu disajikan
seperti tabel berikut:
44
xi fi fix i
70 4 280
75 6 450
85 3 255
56 1 56
90 1 90
Jumlah 15 1141
Dari tabel di dapat:∑fi = 15 dan ∑fixi = 1141, Sehingga dengan

menggunakan rumus (2), diperoleh:
∑ fi xi 1141
x= = = 75,4
n 15
Jadi, nilai rata-rata ujian statistika untuk ke 15 mahasiswa tersebut adalah 75,4.
Rumus (2) disebut rumus rata-rata diboboti, dimana faktor

pembobotannya ialah fi.
Selanjutnya kita juga dapat menentukan rata-rata gabungan,

yaitu rata-rata dari beberapa sub-sampel lalu dijadikan satu. Kalau
ada k buah sub-sampel masing-masing dengan keadaan berikut:
Sub sampel 1: berukuran n1 dengan rata-rata x1 ;
Sub sampel 2: berukuran n2 dengan rata-rata x2 ; dan seterusnya

hingga
Sub sampel k: berukuran nk dengan rata-rata xk
Maka rata-rata gabungan dari k buah sub sampel tersebut dihitung

dengan menggunakan rumus:
45
k
∑ ni x
x = i=1
k ..................................... (3)
∑i=1
ni
Contoh:
Tiga sub-sampel masing-masing berukuran 10, 6dan 8, sedangkan

rata-rata (data tinggi badan) masing-masing kelompok 145, 118 dan
162 (satuan cm). Rata-rata gabungan tiga kelompok tersebut dihitung
dengan menggunakan rumus (3):
10 × 145 + 6 × 118 + 8 × 162 3454

x= =
10 + 6 + 8 24
x = 143,91
Jadi, rata-rata gabungan tinggi badan tiga kelompok (sub-sampel)

tersebut adalah 143,91 (cm).
Untuk data yang telah disusun dalam daftar distribusi frekuensi,

rata-ratanya dihitung dengan menggunakan rumus (2), dengan xi
sebagai titik tengah (tanda) kelas interval. Jadi rata-rata hitung data
tersusun dihitung dengan menggunakan rumus:
∑
i =1
fi xi
x= ............................. (4)
n
Dimana:
x ialah rata-rata hitung
xi ialah titik tengah kelas (tanda kelas) ke-i
fi ialah frekuensi dari kelas-i
k ialah banyaknya kelas, sedangkan

46
n merupakan banyaknya data (total frekuensi).
Catatan:
Rumus (4) dapat dibenarkan dengan anggapan bahwa data pada

setiap interval kelas berkumpul pada titik tengah kelasnya.
Dengan mengambil salah satu dari titik tengah (tanda) kelas sebagai
rata-rata hitung (mean) sementara atau terkaan, maka rumus (4)
untuk data tersusun menjadi:
∑ fd
i =1
i i
x = xo + ............................ (5)
n
Dimana:
x =rata-rata hitung;
xo = rata-rata hitung sementara/terkaan (juga ada yang menyatakan

dengan MT atau M) dari salah satu titik tengah kelas (xi);
k = banyaknya kelas;
di= xi – x0, dimana xi ialah titik tengah kelas ke-i;
n = banyak data.
di
Bila ci = (p = panjang kelas), maka rumus (5) menjadi:
p
∑fc
i =1
i i
x = xo + p ( ) ......................... . (6)
n
Menghitung nilai rata-rata dengan rumus (6) disebut dengan cara
codingatau carasingkat. Cara coding ini hanya berlaku jika panjang
interval kelas pada daftar distribusi frekuensi semuanya sama.
47
Contoh:
Hitunglahnilai rata-rata (mean) dari data berat badan 50 siswa, seperti

pada daftar berikut:
35 – 39 1
40 – 44 5
45 – 49 4
50 – 54 7
55 – 59 19
60 – 64 11
65 – 69 3
Jumlah 50
Dengan menggunakan ketiga rumus di atas (untuk pembagi n).
Penyelesaian:
1. Menggunakan rumus:
k
∑
i =1
fi xi
x=
n
48
Tabel analisis data dapat dibuat seperti berikut:
Berat
fi xi fi x i
Badan
35 – 39 1 37 37
40 – 44 5 42 210
45 – 49 4 47 188
50 – 54 7 52 364
55 – 59 19 57 1083
60 – 64 11 62 682
65 – 69 3 67 201
Jumlah 50 - 2765
2765
x = = 55,3
50
k
∑ fd
i =1
i i
x = xo +
n
Tabel analisis data seperti berikut:
Berat Badan fi xi di fidi
35 – 39 1 37 -15 -15
40 – 44 5 42 -10 -50
45 – 49 4 47 -5 -20
50 – 54 7 (52) 0 0
55 – 59 19 57 5 95
49
60 – 64 11 62 10 110
65 – 69 3 67 15 45
Jumlah 50 – – 165
165
x = 52 + = 52 + 3,3
50
x = 55 ,3
3. Selanjutnya kita gunakan rumus terakhir:

Tabel:
Berat Badan fi xi ci fici
35 – 39 1 37 -3 -3
40 – 44 5 42 -2 -10
45 – 49 4 47 -1 -4
50 – 54 7 52 0 0
55 – 59 19 57 1 19
60 – 64 11 62 2 22
65 – 69 3 67 3 9
Jumlah 50 – – 33
∑
i =1
f i ci
x = xo + p ( )
n
33
= 52 + 5 ( )
50
= 52 + 5×0,66 = 52 + 3,3
50
x = 55 , 3
Ternyata dengan menggunakan ketiga rumus, nilai rata-rata

hitungnya diperoleh harga yang sama, yaitu 55,3. Rumus terakhir
dalam perhitungannya lebih sederhana. Perhitungan rumus terakhir
disebut dengan cara coding, dengan ci merupakan nilai koding. Harga
dari ci adalah:
xi − x0
ci =
p
Dengan p merupakan panjang kelas dan xo (atau dapat pula
dinyatakan dengan M)merupakan salah satu titik tengah kelas yang
dipilih/ditetapkan sebagai rata-rata sementara.
Nilai rata-rata hitung data berat badan 50 siswa seperti contoh di

atas, dengan menggunakan rumus (4), rumus (5) dan rumus (6),
dapat ditulis dalam satu tabel, seperti berikut.
Berat
fi xi fix i di fidi ci fici
Badan
35 – 39 1 37 37 -15 -15 -3 -3
40 – 44 5 42 210 -10 -50 -2 -10
45 – 49 4 47 188 -5 -20 -1 -4
50 – 54 7 (52) 364 0 0 0 0
55 – 59 19 57 1083 5 95 1 19
60 – 64 11 62 682 10 110 2 22
65 – 69 3 67 201 15 45 3 9
Jumlah 50 – 2765 – 165 – 33
Contoh lain:
51
Hitunglah nilai rata-rata data tinggi badan 50 orang siswa seperti pada
tabel distribusi frekuensi berikut ini:
Tinggi Badan Frekuensi
145 – 149 3
150 – 154 5
155 – 159 17
160 – 164 23
165 – 169 2
Jumlah 50
dengan menggunakan rumus (4), rumus (5) dan rumus (6).
Penyelesaian:
Tabel pembantu analisis data seperti berikut:
Tinggi
fi xi fix i di fidi ci fici
Badan
145 – 149 3 147 441 -10 -30 -2 -6
150 – 154 5 152 760 -5 -25 -1 -5
155 – 159 17 157 2669 0 0 0 0
160 – 164 23 162 3726 5 115 1 23
165 – 169 2 167 334 10 20 2 4
Jumlah 50 – 7930 – 80 – 16
52
k
∑fx
i =1
i i
7930
a. x= = = 158,6
n 50
b. Misalkan rata-rata hitung sementara atau mean terkaan (x0 atau
MT) = 157 (titik tengah kelas ke-3)
k
∑fd
i =1
i i
80
x = x0 + =157+ =157+1,6 = 158,6
n 50
c. Panjang interval kelasnya p = 5, maka:

k
∑fc
i =1
i i
16
x = xo + p ( ) = 157 + 5 × = 157 + 1,6 = 158,6
n 50
Dengan menggunakan rumus (4), (5) dan (6) diperoleh hasil yang
sama, yaitu x = 158 ,6 . Rumus terakhir (6) lebih praktis dan
sederhana dibandingkan dengan rumus (4) dan (5).
4.3 Median
Biasanya orang mendefinisikan median sebagai suatu nilai yang membagi dua
suatu deretan nilai (atau sebuah pencaran frekwensi) sehingga banyaknya data di kedua
bagian itu sama. Jadi median menentukan letak data setelah data-data tersebut disusun
menurut urutan besar nilainya, yaitu bilangan mana yang terletak di tengah. Untuk data
n+1
sampel kecil median adalah data ke 2 , sedangkan untuk sampel besar median adalah
n
data ke 2 .
Contoh:
Median dari deretan bilangan (data): 2, 6, 7, 9, 10, 13, 17, 17, 20 adalah 10 (datum yang
ke-5 setelah diurutkan).
Bila banyak data genap maka mediannya ialah rata-rata hitung dua bilangan yang
ditengah (setelah data tersebut diurutkan). Contohnya, median dari deretan bilangan
(data): 2, 6, 7, 9, 10, 13, 17, 17, 20, 21adalah ½ (10+13) = 11,5.
53
Dari contoh di atas, jelaslah bahwa yang dimaksudkan dengan median
darisekumpulan bilangan (data) ialah bilangan yang di tengah, atau rata-rata hitung
duabilangan yang tengah, setelah bilangan-bilangan itu diurutkan besarnya.
Sekumpulan data yang disajikan dalam daftar distribusi frekuensi, berarti data itu sudah
disusun ataudiurutkan menurut besarnya. Dalam hal ini berarti pula bahwa median data
tersusun tersebut berada pada kelas tertentu dimana angka (median) tersebut membagi
jumlah frekuensi sama banyak.
Untuk data yang telah disusun dalam daftar distribusi frekuensi, mediannya
dihitung dengan menggunakan rumus:
1
2
n− F)
Me = Bb + p ( )
f Me
Dimana:
Me = nilai median dari kelompok data (yang akan dicari);
Bb = batas bawah kelas median; juga dapat dinyatakan dengan tepi bawah (TB)
p = panjang kelas (kelas median);
F = jumlah frekuensi kelas-kelas sebelum kelas median; dan
n = banyaknya data.
Contoh:
Hitunglah median dari data berikut:
35 – 39 1
40 – 44 5
45 – 49 4
50 – 54 7
54
55 – 59 19
60 – 64 11
65 – 69 3
Jumlah 50
Penyelesaian:
Mediannya adalah data yang ke 25 (setengah dari 50). Berarti median berada pada kelas
kelima, yaitu pada interval: 55 − 59, sebab jumlah frekuensi interval kelas ke satu,
kedua, ketiga dan keempat yaitu 1 + 5 + 4 + 7 kurang dari 25, sedangkan jumlah
frekuensi kelas kesatu, kedua. ketiga, keempat dan kelima yaitu 1 + 5 + 4 + 7+19
melebihi dari 25.
Untuk interval kelas 55 – 59
Bb = 54,5; fMe= 19; p= 5; F= 17 (diperoleh dari 1 + 5 + 4 + 7); dan, n= 50.
Maka:
n
−F
Me = Bb + p ( 2 )
f Me
25 − 17
Me = 54,5 + 5 ( )
19
8
= 54,5 + 5 ( ) = 54,5 + 2,1
19
Me = 56,6
Jadi, median data berat badan 50 siswapada tabel di atas adalah: Me = 56,6
Secara geometris median adalah nilai x (absis) yang berhubungan dengan garis vertikal
(ordinat) yang membagi histogram atas dua bagian yang luasnya relatif sama.
55
4.4 Modus
Modus dari sekumpulan data atau bilangan adalah bilangan yang terbanyak
terdapat di dalam kumpulan itu, atau dengan istilah lain disebut yang paling sering
muncul. Modus dapat dianggap sebagai nilai sekitar mana nilai-nilai yang lain
terkonsentrasi. Ada sekumpulan bilangan yang bermodus tunggal, bermodus ganda
(lebih dari satu modus), dan tak bermodus.
Contoh:
Kumpulan bilangan,
(1) 2, 2, 5, 7, 9, 9, 9, 9, 10, 10, 18; modusnya 9

(2) 2, 3, 4, 4, 4, 5, 5, 7, 7, 7, 9; modusnya 4 dan 7
(3) 2, 3, 8, 10, 12, 15, 16, 21; tidak mempunyai modus
Sekumpulan data yang hanya mempunyai satu modus disebut unimodal, sedangkan
yang bermodus dua disebut bimodal.
Modus, dalam keadaan tidak disadari juga sering dipakai untuk menentukan
"rata-rata" data kualitatif. Misalnya jika kita dengar atau baca tentang kebanyakan
kematian di suatu daerah di Indonesia disebabkan oleh penyakit malaria, dan pada
umumnya kecelakaan lalu lintas disebabkan kecerobohan pengemudi. Ini tiada lain
masing-masing merupakan modus penyebab kematian dan modus penyebab
kecelakaan lalu lintas.
Seperti dikemukakan di atas, modus adalah bilangan atau datum yang paling
sering muncul. Dengan demikian pada distribusi frekuensi (data tersusun) modus ada
pada interval kelas yang frekuensinya paling banyak. Karena dengan frekuensi terbanyak
itu dinamakan kelas modus, dan kita anggap selalu berisi modus di kelas tersebut. Kita
tidak akan mendapatkan nilai modus yang sebenarnya dari sekumpulan data yang telah
tersusun dalam pencaran frekuensi. Yang dapat ditentukan hanyalah suatu nilai
penghampir bagi modus itu.
Para ahli statistika sependapat penentuan modus data tersusun dalam pencaran
frekuensi adalah dengan menggunakan rumus berikut:
s1
M o = Bb + p ( )
s1 + s2
dimana:
56
Mo=nilai modus;
Bb = batas (tepi) bawah kelas modus (kelas yang memiliki prekuensi terbanyak);
p = panjang interval kelas (kelas modus);
S1= selisih antara frekuensi kelas modus dengan frekuensi kelas sebelumnya;
S2 = selisih antara frekuensi kelas modus dengan frekuensi kelassesudahnya.

Contoh:
Hitunglah modus data berikut ini:
35 – 39 1
40 – 44 5
45 – 49 4
50 – 54 7
55 – 59 19
60 – 64 11
65 – 69 3
Jumlah 50
Penyelesaian:
Interval kelas dimana modus berada adalah 55 – 59, sebab frekuensinya paling banyak,
yang disebut kelas modus.
Bb = 54,5 ;s1= 12 (di dapat dari 19 – 7)
p =5 ;s2= 8 (di dapat dari 19 – 11)
s1
Jadi: Mo = Bb + p ( )
s1 + s2
12
= 54 ,5 + 5 ( ) = 54,5 + 3,0
12 + 8
57
Mo = 57,5
Berdasarkan hasil perhitungan, data berat badan 50 siswa diperoleh: rata-rata hitung
( x ) = 55,3, median (Me) = 56,6 dan modus (Mo) = 57,5.
Ketiga nilai pengukuran, yaitu rata-rata hitung ( x ), median (Me) dan modus
(Mo), mempunyai kebaikan dan kekurangan masing-masing. Biasanya dalam
pengukuran, orang lebih menyukai harga rata-rata hitung ( x ) dari pada median dan
modus. Akan tetapi adakalanya harga rata-rata hitung hampir tidak berarti apa-apa.
Misalnya di suatu Kampung (Desa)atau Dusun yang berpenduduk 10 keluarga, dengan
rata-rata pendapatan bulanan mereka sebesar Rp. 2.000.000,-. Akan tetapi di
Kampung/Dusun tersebut hanya terdapat satu sumber pekerjaan yaitu pembakaran
(pabrik) batubata. Sembilan dari sepuluh keluarga, kepala keluarganya adalah pekerja
pada pabrik batu bata itu dengan penghasilan Rp. 800.000,- per-bulan, sedangkan
kepala keluarga yang satu lagi adalah pemilik pabrik batu bata dengan pendapatan Rp.
12.800.000,- perbulan. Dalam kasus ini angka Rp. 2.000.000,- tidak dapat
menggambarkan penghasilan atau tingkat kesejahteraan penduduk desa tersebut,
karena hampir semua kepala keluarga penghasilannya hanya Rp. 800.000. Artinya,
dalam kasus seperti ini, modus atau median lebih akurat dari pada nilai rata-rata
hitungnya.
Dalam kasus data tersusun (data berkelompok) dimana kurva distribusi frekuensi
(polygon) telah dilukiskan, modus berupa nilai atau nilai-nilai x yang berpadanan
dengan titik atau titik-titik maksimum pada grafik tersebut.Untuk lingkungan frekuensi
unimodal yang agak menceng atau tak simetri, secara empiris ditemukan hubungan
antara harga rata-rata (mean), median dan modus. Jika mean, median dan modus
bernilai sama atau hampir sama maka grafiknya adalah simetris; bila
modus<median<mean, maka grafik miring (menceng) ke-kanan; dan jika
mean<median<modus, maka grafik menceng ke-kiri. Dengan demikian, berdasarkan
hasil analisis data berat badan 50 siswa yang nilai rata-rata hitung ( x ) = 55,3, median
(Me) = 56,6 dan modus (Mo) = 57,5 grafiknya agak sedikit menceng ke-kiri.
4.5 Rata-rata Ukur dan Rata-rata Harmonis
Rata-rata ukur dan rata-rata harmonis tidaklah begitu banyak dipakai di dalam
Statistika, dan akan banyak diantara pembaca yang tidak memerlukannya sama sekali.
58
Walaupun demikian kita bahas juga secara singkat mengenai kedua pengertian tersebut.
Jika perbandingan tiap dua data berurutan tetap atau hampir tetap, rata-rata ukur (atau
disebut juga rata-rata geometri) lebih baik dipakai daripada rata-rata hitung, apabila
dikehendaki rata-ratanya. Untuk data bernilai x1 x2, ..., xn adalah n buah bilangan, dan u
kita pakai untuk menunjukkan harga rata-rata ukurnya, maka diperoleh rumus:
n
U= x1.x2.x3 ...xn ; atau U =n ∏xi
n
................ (1)
i=1
Contoh:Rata-rata ukur untuk data x1 = 2, x2 = 4 dan x3 = 8 adalah:
U = 3 2× 4×8 = 4
Untuk bilangan-bilangan bernilai besar atau perhitungan yang lebih rumit,
sebaiknya kita pergunakan logaritma, seperti berikut:
1
log U = (log x1 + log x2 + ..... + log xn ; atau,
n
∑ log x
i =1
i
log U = ........................................ (2)

n
Rata-rata ukur (u) akan didapat dengan jalan mencari kembali logaritmanya, dengan
menggunakan daftar logaritma atau kalkulator/komputer.
Untuk data yang telah disusun dalam daftar distribusi frekuensi, rata-rata ukurnya
dihitung berdasarkan rumus seperti berikut:
k
∑( f
i =1
i log xi )
log U = k ................................... (3)
∑
i =1
fi
Dengan xi menyatakan tanda (titik tengah) kelas, fi frekuensi yang sesuai dengan xidan
harga rata-rata ukur (u) dicari kembali dari log u.
Contoh:
59
Untuk data berat badan 50 siswa seperti contoh terdahulu, kita bentuk tabel:
Berat Badan fi xi log xi fi log xi
35 – 39 1 37 1,568 1,568
40 – 44 5 42 1,623 8,115
45 – 49 4 47 1,627 6,688
50 – 54 7 52 1,716 12,012
55 – 59 19 57 1,756 33,364
60 – 64 11 62 1,792 19,712
65 – 69 3 67 1,826 5,478
Jumlah 50 – – 86,937
∑f
i =1
i log xi
log U = 86,937
k =
∑f
i =1
i
50
log U = 1,7387
Dalam daftar logaritma atau kalkulator/komputer, nilai yang memenuhi agar

log U = 1,7387 adalah U = 54,795. Berarti data berat badan dari 50 siswa mempunyai
rata-rata ukur 54,795 atau dibulatkan 54,80.
5.2. Rata-rata Harmonis
Selain rata-rata ukur, seperti telah dikemukakan, terdapat pula rata-rata

harmonis. Harga rata-rata harmonis dari sekumpulan data adalah kebalikan dari harga
rata-rata hitung dari kebalikan bilangan-bilangan (data). Jika x1, x2, x3,..., xn merupakan
sebuah sampel berukuran n, maka rata-rata harmonisnya dinyatakan dengan rumus:
1
H=
1 1 1 1 ; atau,
( + + ...+ )
n x1 x2 xn
60
n
H = .................................... (1)
n
1
∑ ( )
1=1 xi
Contoh:
Rata-rata harmonis bilangan 2, 4, 8 adalah:
3 3
H= = = 3,428
1 1 1 0,875
( + + )
2 4 8
Atau, dibulatkan H = 3,43.
Untuk data tersusun, rata-rata harmonis (H) dihitung dengan menggunakan

rumus berikut:
∑ fi
H= ....................................... (2)
∑( f i / xi )
Contoh:
Rata-rata harmonis data berat badan 50 siswa seperti pada tabel terdahulu, adalah:
Berat Badan fi xi fi/xi
35 – 39 1 37 0,027
40 – 44 5 42 0,119
45 – 49 4 47 0,085
50 – 54 7 52 0,135
55 – 59 19 57 0,333
60 – 64 11 62 0,177
61
65 – 69 3 67 0,045
Jumlah 50 – 0,921
Dengan menggunakan rumus di atas, diperoleh:
∑ fi 50
H= = .
∑( f i / xi ) 0,921
H = 54,289 .
Jadi, rata-rata harmonis (H) dari data berat badan50 siswa adalah 54,289, atau
dibulatkan 54,29.
Berdasarkan beberapa contoh di atas, ternyata terdapat hubungan antararata-

rata ukur, rata-rata harmonis dan rata-rata hitung. Hubungan tersebut secara umum
berlaku: H ≤ U ≤ x .
4.6 Kuartil, Desil dan Persentil
Jika sekumpulan data disusun menurut besarnya, nilai tengah atau rata-rata
hitung dari dua nilai tengah yang membagi himpunan atas dua bagian yang sama
banyak disebut median. Dengan memperluas pemikiran ini kita dapat membayangkan
nilai-nilai yang membagi himpunan atas empat bagian yang sama banyak, nilai-nilai ini
yang dinyatakan oleh K1, K2 dan K3 masing-masing disebut kuartil pertama, kuartil kedua
dan kuartil ketiga. Disini jelas pula bahwa kuartil kedua (K2) sama dengan median (Me).
Dengan cara yang sama, nilai-nilai yang membagi data atas sepuluh bagian yang sama
disebut desil, dan dinyatakan oleh D1, D2, D3, ..., D9. Sedangkan nilai-nilai yang membagi
data atas seratus bagian yang sama disebut persentil, dan dinyatakan oleh P1, P2, P3,…,
P99.
Menentukan kuartil, desil dan persentil dari sekumpulan data terlebih dahulu
data itu disusun menurut urutan besarnya, kemudian menentukan letaknya (data yang
keberapa). Letak kuartil ditentukan oleh rumus:
62
i ( n + 1)
Data ke ; i = 1, 2, 3,…, 9; Letak desil: data ke i (n + 1) ; i = 1, 2, 3,…, 9.
4 10
i (n + 1)
Sedangkan letak persentil adalah: data ke ; dengan i = 1, 2, 3, …, 99.
100
Contoh:
Data nilai Statistika 12 orang mahasiswa sebagai berikut: 75, 82, 66, 57, 64, 56, 92, 94,
86, 52, 60, 70. Setelah disusun berdasarkan urutan besarnya, data nilai menjadi: 52, 56,
57, 60, 64, 66, 70, 75, 82, 86, 92, 94 (12 buah nilai/bilangan).
Kuartil
i (n + 1) 12 + 1
Ki adalah data ke ; berarti K1 data ke , atau data ke-3¼, yaitu antara data
4 4
ke-3 dan data ke-4.
Nilai K1 = data ke-3 + ¼(data ke-4 –data ke-3)
K1 = 57 + ¼ (60−57)
= 57 + ¾ = 57 + 0,75
K1= 57,75
Dengan cara yang sama, menggantikan i = 3 diperoleh: K3adalah data ke-9¾;
K3 = data ke-9 + ¾ (data ke-10 – data ke-9)
= 82 + ¾ (86 – 82) = 82 + 3
K3 = 85
Jadi, diperoleh K1 = 57,75 dan K3 = 85.
Sedangkan K2 adalah sama dengan Median (Me), adalah data yang di tengah (data ke
6½) yaitu 68.
Desil
63
Misalkan kita ingin menentukan desil ke-7 dari data nilai Statistika 12 orang mahasiswa
seperti dinyatakan di atas.
7 (12 + 1)
D7 adalah data ke , atau data ke-9,1.
10
Nilai D7 = data ke 9,1
Jadi, D7 = data ke-9 + (0,1) (data ke-10 – data ke-9)
= 82 + (0,1)(86 – 82) = 82 + 0,4
D7 = 82,4
Untuk data yang telah disusun dalam daftar distribusi frekuensi (data tersusun),
nilai kuartil (Ki) dihitung dengan rumus:
1
n−F
Ki = Bb + p ( 4
); i = 1, 2, 3
f Ki
Dengan:
Bb= Batas bawah kelas Ki, yaitu kelas interval dimana Ki terletak;
p= Panjang interval kelas Ki;
F= Jumlah frekuensi sebelum kelas Ki;
fKi = Frekuensi kelas Ki.
Nilai desil (Di) data tersusun dihitung dengan rumus:
i
n−F
Di = Bb + p ( 10 ); i = 1, 2, 3, …., 9.
f Di
Sedangkan untuk menentukan nilai persentil (Pi) data tersusun dihitung dengan
menggunakan rumus:
1
n− F
Pi = Bb + p( 100 ); i = 1, 2, 3, …., 99.
fPi
64
Dimana:
Bb = Batas bawah kelas Di (atau Pi)
p = Panjang kelas
F = Jumlah frekuensi sebelum kelas Di (atau Pi)
fDi = Frekuensi kelas Di
fPi = Frekuensi kelas Pi
Contoh:
Data berat badan dari 50siswa seperti pada tabel berikut:
35 – 39 1
40 – 44 5
45 – 49 4
50 – 54 7
55 – 59 19
60 – 64 11
65 – 69 3
Jumlah 50
a. Kuartil:
Untuk menentukan nilai kuartil ketiga (K3), kitaperlu tentukan bahwa K3 adalah
data ke-(¾ × 50) = data ke-37,5. Dengan demikian K3(data ke 37,5) terletak pada kelas
interval ke enam: 60 – 64.Dari kelas K3, di dapat:
Bb = 59,5, p = 5, F = 1 + 5 + 4 + 7 + 19 = 36, dan fK3 = 11
Dengan i = 3 dan n= 50, berdasarkan rumus:

1
n−F
Ki = Bb + p ( 4
)
f Ki
65
3
× 50 − 36
K3= 59,5 + 5 ( 4 )
11
37,5 − 36
= 59,5 + 5 ( ) = 59,5 + 0,68
11
K3 = 60,18
Ini berarti, ada 75% siswa yang berat badan paling tinggi 60,18.
b. Desil:
Dari tabel distribusi data berat badan, kita ingin mendapatkan nilai D3. Untuk ini
kita perlu 30% x 50 = 15 data. Kelas D3 berimpit dengankelas interval ke-4 (interval: 50 –
54). Berdasarkan rumus, diperoleh:
i
n−F
Di = Bb + p ( 10
);
f Di
3
×50−10
D3 = 49,5 + 5 ( 10 )
7
15 − 10
= 49,5 + 5 ( ) = 49,5 + 3,57
7
D3 = 53,07.
c. Persentil:
Bila kita ingin menentukan/menghitung P10, kita perlu 10% x 50=5 data, P10 berarti
berada dalam kelas ke-2(interval: 40 – 44).Berdasarkan rumus, untuk P10 (n = 10) nilai
persentil (Pi)adalah:
1
n− F
Pi = Bb + p( 100
);
fPi
10
×50 −1
P10 = 39,5 + 5 ( 100 )
5
66
= 39,5 + 5(0,8)
P10 = 43,5
Dari perhitungan di atas diperoleh P10 = 43,5 (=D1), dan D3= 53,07 (=P30); berarti
berattertinggi dari 10% siswa adalah 43,5 dan berat tertinggi dari 30% siswa adalah
53,07.
Dengan menggunakan rumus yang telah dikemukakan, dapat pula ditemukan

desil dan persentil yang lainnya. Dan, dengan menganalisis rumus-rumus di atas dapat
kita temukan pula hubungan antara kuartil, desil dan persentil, juga hubungannya
dengan median. Antara lain: median adalah data yang di tengah yang nilainya sama
dengan Kuartil 2, Desil 5, dan Persentil 50.
4.7 Soal-soal
1. Kemukakan pengertian statistik dan parameter.
2. Jelaskan pengertian dari;
a. Rata-rata hitung (mean), modus, rata-rata ukur, dan rata-rata harmonis;
b. Median, kuartil, desil dan persentil.
3. Data: 5, 7, 6, 8, 6, 7, 8, 7, 8, 9.
a. Tentukan nilai mean, modus dan median dari data tersebut.
b. Tentukan nilai rata-rata ukur dan rata-rata harmonis dari data tersebut.
4. Hitunglah mean, modus, median, kuartil 1, serta desil ke-4, dari data nilai matematika
20 orang siswa berikut: 60, 75, 80, 50, 70, 85, 65, 60, 75, 80, 85, 70, 85, 70, 65, 75,
80, 70, 90, 80.
5. Hitunglan nilai rata-rata hitung (mean), modus, median, kuartil 1, kuartil 3, desil ke-4,
persentil ke-15 dan persentil ke-85, dari data nilai matematika siswa seperti pada
tabel berikut:
Nilai Matematika Frekuensi
67
40 – 49 1
50 – 59 3
60 – 69 9
70 – 79 15
80 – 89 10
90 – 99 2
Jumlah 40
68
BAB 5UKURAN PENYEBARANDATA
Materi : Rentang, Rentang antar kuartil dan Simpangan kuartil, Rata-rata

simpangan, Simpangan baku, Bilangan baku dan Koefisien variasi.
Waktu : 3 jam pembelajaran (150 menit).
Setelah mengikuti perkuliahan dan mempelajari bab ini, mahasiswa diharapkan
dapat mengetahui, menyebutkan dan menjelaskan dengan baik dan benar tentang:
(1) Rentang dan dapat menentukannya.
(2) Rentang antar kuartil.
(3) Simpangan kuartil dan dapat menghitungnya.
(4) Rata-rata simpangan dan dapat menghitungnya.
(5) Simpangan baku, varians dan dapat menghitungnya.
(6) Bilangan (angka) baku dan dapat menghitungnya.
(7) Koefisien variasi dan dapat menghitungnya.
Ekspositori, tanya jawab, diskusi, kerja kelompok, dan pemberian tugas.
Penilaian:1. Penilaian pra-tes dengan cara lisan atau tertulis, hasilnya diutamakan
sebagai umpan balik untuk kepentingan dosen maupun mahasiswa pada
pembelajaran;
2. Penilaian tugas yang diberikan dosen untuk mengukur daya serap mahasiswa,
dan sekaligus sebagai kontribusi untuk penilaian akhir;
69
PETA KONSEP
70
5.1 Pengantar
Selain ukuran gejala pusat (ukuran pemusatan) dan ukuran letak,ukuran lain yang
menggambarkan karakteristik data adalah ukuran sebaran (penyebaran) atau ukuran
simpangan. Ukuran sebaran (penyebaran) ini dinamakan pula ukuran variasi, yang
menggambarkan derajat bagaimana terpercayanya data kuantitatif disekitar nilai rata-
ratanya. Beberapa ukuran sebaran (dispersi) yang sering dibicarakan/digunakan adalah:
rentang, rentang antar kuartil, simpangan kuartil, rata-rata simpangan, simpangan baku
atau deviasi standard, varians dan koefisien variasi.
5.2 Rentangan, Rentang Antar Kuartil, dan Simpangan

Kuartil
Ukuran variasi yang paling mudah ditentukan ialah rentang (range atau
jangkauan). Rentang suatu himpunan bilangan adalah selisih data terbesar dan terkecil,
dengan rumus dinyatakan:
R = data terbesar − data terkecil
Contoh:
Data berat badan ke 50 siswa yang terdapat pada halaman terdahulu, di mana data
terbesar = 67 dan data terkecil = 35; maka rentangnya (selisih data terbesar dengan
data terkecil) adalah: R = 67 - 35 = 31.
Rentang antar kuartil yaitu selisih antara Kuartil terbesar (K3) dan Kuartil terkecil
(K1). Nilai rentang antar kuartil dinyatakan dengan rumus:
RAK = K3 – K1
Sedangkan simpangan kuartil atau deviasi kuartil, atau disebut pula rentang semi antar
kuartil, harganya setengah dari rentang antar kuartil. Jadinilai simpangan kuartil (SK),
dinyatakan dengan rumus:
SK = ½ (K3 – K1); atau
71
K 3 − K1
SK =
2
Contoh:
Data berat badan 50 siswa seperti tabel sebelumnya,setelah dihitung ditemukan K3 =

60,18, dan bila kita hitungditemukan pula K1=51,29. Dengan demikian di dapat nilai
rentang antar kuartil (RAK) = 60,18 – 51,29 = 8,89; dan simpangan kuartil (SK) = ½ (8,36)
= 4,445 = 4,45.
5.3 Simpangan Rata-rata
Simpangan rata-rata (mean deviation atau average deviation) ialah rata-rata dari
simpangan data terhadap nilai rata-rata, disebut juga fluktuasi.Dengan memisalkan
bahwa x1, x2, x3, ..., xn sekumpulan data berukuran n, dengan x sebagai harga rata-rata
hitungnya. Selanjutnya kita tentukan jarak-jarak: x1 − x , x 2 − x , . . ., x n − x
dijumlahkan, lalu dibagi dengan n, maka diperoleh simpangan rata-rata atau rata-rata
simpangan. Rumusnya adalah:
1 n
SR = ∑ xi − x
n i =1
.................................. (1)
Dimana:
SR= Simpangan rata-rata
xi=Data
x =Rata-rata hitung
n =Banyak data
Contoh:
Hasil evaluasi (nilai) matematika dari 10 siswa sebagai berikut:
5, 5½, 6, 6, 6½, 6½, 7, 7, 7½, 8. Tentukan deviasi rata-rata (simpangan rata-rata) data
tersebut.
72
Jawab:
5 + 5 ½ + 6 + 6 + 6 ½ + 6 12 + 7 + 7 + 7 ½ + 8
x= = 6½
10
1 n
SR =
n
∑
i =1
xi − x
1
= (1½ + 1 + ½ + ½ + 0 + 0 + ½ + ½ + 1 + 1½)
10
1
= ×7
10
SR = 0,7
Untuk data tersusun, simpangan rata-ratanya dihitung dengan menggunakan

rumus:
1 k
SR = ∑ fi xi − x .......................................... (2)
n i =1
Dimana xidi sini merupakan titik tengah kelas ke-k, dan fimerupakan frekuensi tiap kelas.
Catatan:Simpangan rata-rata selain diberi simbul dengan SR (simpangan rata-rata), juga

dinyatakan dengan RS (rata-rata simpangan).
5.4 Simpangan Baku (Standar Deviasi)
Simpangan baku atau deviasi standar merupakan salah satu ukuran pokok pada
statistika. Simpangan baku merupakan simpangan yang paling banyak digunakan.
Simpangan baku untuk sampel diberi simbul dengan s, sedangkan untuk populasi
diberi simbul dengan σ (di baca sigma: huruf kecil dari ∑). Simbol lain untuk
simpangan baku juga dinyatakan dengan SB (simpangan baku), SD (standar
deviasi).
Deviasi rata-rata atau rata-rata simpangan (SR) diperoleh setelah kita
menghindari dari tanda negatif dengan mengambil hanya harga mutlaknya. Cara
73
lain untuk menghindari tanda negatif adalah dengan jalan menguadratkan,
kemudian dihitung nilai rata-ratanya, dan akhirnya dicari akarnya. Pendapat
terakhir disebut deviasi baku atau simpangan baku dari data tersebut.
Jika kita mempunyai sampel berukuran n dengan data x1, x2, x3, ..., xn dan rata-
ratanya x , maka nilai simpangan baku adalah akar dari jumlah (xi - x )2dibagi
dengan n. Nilai simpangan baku dinyatakan dengan rumus:
∑ (x
i =1
i − x) 2
s= ................................. (1.a)
n
Dimana untukakar diambil harga yang bernilai positif; artinya nilai s selalu
positif.
Contoh:
Diberikan sampel dengan data: 7, 8, 10, 9, 6
Untuk menentukan simpangan baku (s), kita buat tabel berikut:
No. Urut xi xi - x (x1 - x )2
1 7 -1 1
2 8 0 0
3 10 2 4
4 9 1 1
5 6 -2 4
Jumlah 40 0 10
Nilai rata-rata (setelah dihitung): x = 8

Dalam kolom (3) terlihat bahwa jumlahdari (xi - x ) = 0, harga kuadratnya
sepertipada kolom (4) jumlah dari (xi - x )2 = 10.
n
∑ (x
i =1
1 − x)2
s=
n
74
10
s= = 2 = 1,414 = 1,41
5
Jadi, data tersebut memiliki rata-rata ( x ) = 8 dan simpangan baku (s) = 1,41.
Rumus simpangan baku (s) di atas dapat diubah kedalam bentuk yang lain,
penjabarannya seperti berikut ini:
∑ ( xi − x) 2
s=
n
2
∑ ( xi2 − 2 xi x + x )
=
n
2
∑ xi2 2 x ∑ xi ∑ x
= − +
n n n
2
∑x 2 2
= i
− 2x + x
n
∑ x i2 2
= − x
n
∑ xi2 ∑ xi 2
s= −( ) ................................. (2.a)
n n
Simpangan baku data tersusun (dalam daftar distribusi frekuensi) dihitung dengan
rumus:
∑ f i ( xi − x) 2
s= ............................ (3.a)
n
Dengan melakukan penjabaran, dapat diubah menjadi,
∑ f i xi2 ∑ f i xi 2
s= −( ) ............................ (4.a)
n n
Disamping kedua rumus di atas, kita dapat juga menggunakan rumus:
75
∑ fi ci2 ∑ fi ci 2
s= p −( ) ............................ (5.a)
n n
Untuk sampel besar nilai rata-rata hitung ( x ) seringkali mendekati atau sama
dengan salah satu data, sehingga ada salah satu (xi- x ) bernilai nol.Nol tidak
mempengaruhi jumlah, maka rumus simpangan baku, pembaginya n dikurangi
satu. Dengan menganggap x berimpit dengan salah satu xi, berarti pembaginya
adalah (n – 1). Dalam hal demikian nilai simpangan baku dapat juga dinyatakan
dengan rumus:
∑ (x
i =1
1 − x) 2
s= ................................ (1.b)
n −1
n ∑ xi2 − ( ∑ xi ) 2
s= ............................. (2.b)
n ( n − 1)
∑ f i ( xi − x) 2
s= ........................... (3.b)
n −1
n ∑ f i x 2 i − (∑ f i xi ) 2
s= ........................... (4.b)
n (n −1)
n ∑ fi ci2 ∑ fi ci 2
s= p −( ) ............................ (5.b)
n −1 n −1
Catatan:
Untuk sampel kecildigunakan rumus simpangan baku dengan pembagi n.
Sedangkan untuk sampel besar,karena nilai rata-ratanya cenderung atau
berpeluang besar mendekati atau hampir berimpit dengan salah satu datum
sehingga salah satu simpangannya mendekati nol, sehingga dapat
digunakanpembagi (n–l). Namun mengingat kepraktisannya menentukan nilai
simpangan baku lebih sering digunakan rumus dengan pembaginya n.
Contoh:
76
Hitunglah simpangan baku (s) dari data berat badan 50 siswa seperti pada tabel
berikut:
35 – 39 1
40 – 44 5
45 – 49 4
50 – 54 7
55 – 59 19
60 – 64 11
65 – 69 3
Jumlah 50
Dengan menggunakan ketiga rumus di atas (untuk pembagi n).
Jawaban:
∑ f i ( xi − x) 2
2. Menggunakan rumus: s =
n
Rata-rata hitungnya harus dicari dulu, atau telah di dapat sebelumnya. Data berat
badan 50 siswa seperti pada tabel di atas, berdasarkan hasil perhitungan
sebelumnya sudah diperoleh: rata-rata hitung ( x ) = 55,3. Sehingga tabel
analisisnya seperti berikut:
Berat Badan fi xi (xi - x ) (xi - x )2 fi (xi - x )2
35 – 39 1 37 -18,3 334,89 334,89

40 – 44 5 42 -13,3 176,89 884,45
45 – 49 4 47 -8,3 68,89 275,56
50 – 54 7 52 -3,3 10,89 76,23
55 – 59 19 57 1,7 2,89 54,91
60 – 64 11 62 6,7 44,89 493,79
65 – 69 3 67 11,7 136,89 410,67
Jumlah 50 – – – 2530,50
77
∑ f i ( xi − x) 2
s=
n
2530 ,50
=
50
= 50 ,61
s = 7 ,114
∑ f i xi2 ∑ f i xi 2
s= −( )
n n
Tabel analisisnya seperti berikut:
Berat Badan fi xi fi xi xi2 fi xi2

35 – 39 1 37 -37 1369 1369
40 – 44 5 42 210 1764 8820
45 – 49 4 47 188 2209 8836
50 – 54 7 52 364 2704 18928
55 – 59 19 57 1083 3249 61731
60 – 64 11 62 682 3844 42284
65 – 69 3 67 201 4489 13467
Jumlah 50 – 2765 – 155435
155435 2765 2
s= −( ) = 3108,7 − (55,3) 2 = 31087− 3058,09
50 50
s = 50 ,61 = 7 ,114
3. Selanjutnya kita gunakan rumus terakhir:
∑ f i ci2 ∑ f i ci 2
s= p −( )
n n
78
Tabel analisisnya seperti berikut:
Berat Badan fi xi ci fici ci2 fici2

35 – 39 1 37 -3 -3 9 9
40 – 44 5 42 -2 -10 4 20
45 – 49 4 47 -1 -4 1 4
50 – 54 7 52 0 0 0 0
55 – 59 19 57 1 19 1 19
60 – 64 11 62 2 22 4 44
65 – 69 3 67 3 9 9 27
Jumlah 50 – – 33 – 123
123 33 2
s =5 − ( ) = 5 2,46 − 0,4356 = 5 2,0244
50 50
s = 5 × 1,4228 = 7,114
Ternyata dengan menggunakan ketiga rumus, standar deviasi atau simpangan

bakunya(s) diperoleh harga yang sama, yaitu 7,114; atau dibulatkan 7,11.
Perhitungan menggunakan rumus yang terakhir (5.a) dengan cara codingdalam
perhitungannya lebih sederhana, dengan ci merupakan nilai koding. Harga dari ci
adalah:
xi − x0
ci =
p
Dengan p merupakan panjang kelas;xo merupakan sembarang titik tengah kelas
sebagai rata-rata sementara (xo juga dinyatakan dengan MT atau M); ci juga
dapat dinyatakan dengan ui.
Catatan:
1. Varians suatu himpunan data diidentifikasi sebagai kuadrat simpangan
baku;dengan demikian untuk varians sampel adalah (dinyatakan) dengan s2,
dan σ2 untuk varians populasi. Jelasnya s dan s2 merupakan statistik
sedangkan σ dan σ2 parameter.
2. Untuk perhitungan simpangan baku yang langsung dari populasi, pada
rumusnya tidak dikurangi 1. Untuk sampel besar (n ≥ 30) secara praktis tidak
berbeda hasilnya menggunakan kedua rumus tersebut.
79
Selanjutnya, sebagaimana halnya dalam rata-rata hitung kita dapat menentukan
rata-rata hitung gabungan. Jika terdapat k kumpulan bilangan yang banyaknya
masing-masing adalah n1, n2, n3, ..., nk, dengan simpangan bakunya setelah
dihitung masing-masing adalah s1, s2, s3, ..., sk.Setelah dijadikan sebuah sampel
gabungan, maka simpangan baku gabungannya adalah:
n1 s12 + n2 s22 +...+ nk sk2 ∑ ni si2

s= = ; ............... (6)
n1 + n2 + ...+ nk ∑ni
Jika hanya dua kumpulan data, maka simpangan baku gabungannya adalah:
n1 s12 + n2 s22
s= ; .......................................... (7)
n1 + n2
Kadang-kadang n digantikan oleh (n−1), terutama untuk sampel besar, sehingga
simpangan bakunya:
∑(ni −1) si2

s= ; (k = banyak sampel) ................ (8)
∑ni − k
Contoh:
Hasil pengamatan pertama terhadap 16 objek menunjukkan nilai simpangan baku
(s) = 2,4; sedangkan pengamatan kedua terhadap 20 objek memiliki simpangan
baku (s) = 3,2.Deviasi standar (simpangan baku) gabungannya adalah:
n1 s12 + n2 s22 16 × (2.4) 2 + 20 × (3,2) 2 92 ,16 + 204 ,8

s= = =
n1 + n2 16 + 20 36
s= 8,24889 = 2,872
Diperoleh nilai simpangan baku gabungan: s = 2,872. Dan, bila kita hitung
dengan rumus menggantikan n dengan (n–1) diperoleh nilai simpangan baku s =
2,874. Kedua angka ini perbedaannya kecil, dan jika dibulatkan dalam dua
desimalkeduanya bernilai sama, yaitu s = 2,87.
Simpangan baku merupakan ukuran yang paling penting dan paling banyak
dipakai. Berikut beberapa sifat (tambahan) dari simpangan baku, yaitu:
80
1. Sebenarnya simpangan baku itu boleh saja dianggap sebagai
ukuran simpangan antara nilai-nilai data dengan sembarangan harga rata-rata
selain rata-rata hitung. Kalau harga rata-rata sembarang itu dinyatakan dengan
R, maka simpangan baku itu dapat didefenisikan sebagai:
∑ ( xi − R ) 2
s=
n
Semua simpangan baku demikian, yang minimum adalah untuk R = x ,
simpangan baku memakai harga rata-rata hitung inilah yang selalu dipakai.
2. Misalkan kita mengukur tinggi badan dari sekumpulan siswa
SMA, dimana rata-rata hitung tinggi badan mereka 147 cm dengan simpangan
baku 5,2 cm. Misalkan pengukuran tersebut diperoleh dari sejumlah besar
siswa, sehingga tinggi badan mereka dianggap terpencar secara normal atau
mengikuti distribusi normal, maka :
a. 68,27 persen dari pada tinggi badan mereka itu akan termasuk dalam
interval di antara x - s dan x + s, yaitu di antara 141,8 cm dan 152,2 cm.
b. 95,45 persen dari tinggi badan mereka itu akan termasuk di dalam interval
di antara x - 2s dan x + 2s, yaitu di antara 136,6 cm dan 157,4 cm.
c. 99,73 persen dari tinggi badan mereka itu akan termasuk di antara x - 3s
dan x + 3s, yaitu di antara 131,4 cm dan 162,6 cm.
Perhatikan gambar berikut:
Sifat kedua simpangan baku ini sangat penting di dalam statistik modern. Pemakaian
sifat ini sangat banyak dilakukan di dalam penaksiran dan pengujian hipotesis.
81
5.5 Bilangan Baku dan Koefesien Variasi
5.1Bilangan Baku(standard score)

Misalkan kita mempunyai sebuah sampel berukuran n dengan data x1, x2, x3,...,xn
sedangkan rata-rata hitungnya = x dan simpangan baku = s, maka bilangan baku
(zi) didefinisikan dengan rumus:
xi − x
zi = ; i = 1, 2, 3, ..., n
s
Angka yang di dapat dinamakan angka atau bilangan baku (zi). Variabel z1, z2, z3,
..., zn ternyata mempunyai rata-rata = 0 dengan simpangan baku = 1.Bilangan
baku digunakan untuk membandingkan dua atau lebih nilai yang berlainan.
Contoh:
Seorang siswa SMA mendapat nilai 70 pada ujian akhir Matematika, dimana rata-
rata dan simpangan baku kelompok 65dan 7. Sedangkan pada ujian akhir Bahasa
Inggris rata-rata kelompok 76 dan simpangan baku 12, ia mendapat nilai 82.
Dalam mata ujian (pelajaran) mana ia mencapai kedudukan yang lebih baik?
Jawab:
Menentukan bilangan baku dengan rumus:
xi − x
zi =
s
70 − 65
Untuk Matematika:z = = 0,714 = 0,71
7
82 − 76
Bahasa Inggris: z= = 0,50
12
Berarti, siswa tersebut dalam mata pelajaran matematika adalah 0,71 kali
simpangan baku di atas rata-rata, sedang dalam Bahasa Inggris 0,50 kali
simpangan baku di atas rata-rata. Dengan demikian kedudukan siswa tersebut
lebih baik dalam bidang Matematika dari pada Bahasa Inggris, walaupun angka
nilai Bahasa Inggris yang diperoleh lebih besar dari nilai Matematika.
Bilangan baku positif (z ≥ 0) menyatakan bahwa keadaan yang diteliti ada di atas
rata-rata, dan bilangan baku negatif (z ≤ 0) menyatakan keadaan yang diteliti ada
82
di bawah rata-rata. Sedangkan bilangan standar atau baku nol (z = 0) menyatakan
bahwa keadaan yang diteliti sama dengan rata-rata.
5.2 Koefisien Variasi

Ukuran variasi atau dispersi 5 cm untuk ukuran jarak 10 m dan variasi 5 cm untuk
ukuran jarak 3 m, jelas mempunyai pengaruh yang berlainan. Untuk mengukur
pengaruh demikian dan untuk membandingkan variasi antara nilai-nilai besar dan
nilai-nilai kecil, digunakan ukuran dispersi relatif yang disebut koefesien variasi
disingkat KV. Rumus koefisien variasi seperti berikut:
Simpangan
KV = ×100% ; atau disingkat
rata - rata
s
KV = ×100 %
x
Koefisien variasi (KV) tidak bergantung pada satuan yang digunakan. Karenanya
dapat dipakai untuk membandingkan variasi relatif atau koefesien variasi
beberapa kumpulan data dengan satuan yang berbeda.
Contoh:
Penguasa (pemilik) suatu pabrik paku ingin meneliti mesin mana yang
menghasilkan paku yang lebih seragam, apakah mesin A yang menghasilkan paku
ukuran 12 cm atau mesin B yang menghasilkan paku ukuran 7 cm.Dari masing-
masing paku yang berbeda ukurannya tersebut diambil sampel berukuran 10 (dari
masing-masing 100 paku). Tiap paku diukur, ternyata banyak yang tidak tepat 12
cm atau 7 cm. Dari paku yang berukuran 12 cm setelah dihitung diperoleh
simpangan baku 0,03 cm dan rata-rata 12 cm. Dan, dari paku yang berukuran 7
cm diperoleh simpangan baku 0,02 dan rata-rata 7 cm.
Koefisien variasi paku ukuran 12 cm adalah:
0,03
KV = ×100 % = 0,25%
12
Koefesien variasi paku ukuran 7 cm adalah:
0,02
KV = ×100 % = 0,29 %
7
83
Ternyata hasil produksi mesin A (paku berukuran 12 cm) lebih seragam dari pada
hasil produksi mesin B (paku berukuran 7 cm).
5.6 Soal-soal
1.Kemukakan pengertian dari rentang dan rentang aantar kuartil sebagai ukuran
penyebaran data.
2. Hitunglah nilai rentang antar kuartil dan simpangan kuartil dari data: 5, 7, 6, 8, 6, 7, 8,
7, 8, 9.
3. Hitunglah nilai rata-rata simpangan, simpangan baku, varians, dan koefisien variasi
dari data: 5, 7, 6, 8, 6, 7, 8, 7, 8, 9.
4. Hitunglahnilai rata-rata simpangan, simpangan baku, varians, dan koefisien variasi

dari data nilai matematika 20 orang siswa berikut: 60, 75, 80, 50, 70, 85, 65, 60, 75,
80, 85, 70, 85, 70, 65, 75, 80, 70, 90, 80.
5. Hitunglan nilai rata-rata simpangan, simpangan baku, varians, dan koefisien variasi
dari data nilai matematika siswa seperti pada tabel berikut:
40 – 49 1
50 – 59 3
60 – 69 9
70 – 79 15
80 – 89 10
90 – 99 2
Jumlah 40
84
BAB 6DISTRIBUSI TEORETIS
Materi :
Distribusi Normal, Distribusi Student, Distribusi Chi-Kuadrat, Distribusi F.
Waktu :

1. Pengertian distribusi Normal, nilai baku, dan dapat menggunakan tabel z.
2. Arti distribusi Studen, dan dapat menggunakan tabel T.
3. Arti distribusi Chi-Kuadrat, dan dapat menggunakan tabel Ϫ.
4. Arti distribusi F, dan dapat menggunakan tabel F.
Penilaian:
1. Penilaian pra-tes dengan cara lisan atau tertulis, hasilnya diutamakan sebagai
umpan balik untuk kepentingan dosen maupun mahasiswa dalam
pembelajaran;
85
Peta konsep
86
6.1 Pengantar
Distribusi teoretis atau disebut juga distribusi peluang adalah suatu daftar
yang disusun berdasarkan probabilitas dari suatu peristiwa atau kejadian.
Frekuensi dari distribusi teoretis berkaitan dengan variabel randum atau variabel
acak, yang nilai-nilainya ditentukan oleh kesempatan pada suatu peristiwa.
Variabel randum ada dua macam, yaitu variabel randum diskrit dan variabel
randum kontinu. Variabel randum diskrit tidak berbentuk pecahan, contohnya:
jumlah anak dalam sebuah keluarga. Sedangkan variabel kontinu mengambil
seluruh nilai pada suatu interval, dapat berupa bilangan bulat maupun pecahan,
contohnya antara lain: usia penduduk suatu daerah, penghasilan/pendapatan orang
tuasiswa di suatu sekolah.
Contoh:
Sebuah mata uang logam dengan permukaanI = A dan permukaan II =
B,dilemparkan ke atas sebanyak 3 kali. Tentukan distribusi teoretisnya?
Penyelesaian:
Dari peristiwa pelemparan uang logam tersebut, diperoleh ruang sampel dengan
anggota sebanyak 8 yaitu:
S = {AAA, AAB, ABA, BAA, ABB, BBA, BAB, BBB}
Jika X merupakan jumlah munculnya permukaan I (A) maka:
3. untuk AAA didapat X = 3
4. untuk AAB didapat X = 2
5. untuk ABA didapat X = 2
6. untuk BAA didapat X = 2
7. untuk ABB didapat X = 1
8. untuk BBA didapat X = 1
9. untuk BAB didapat X = 1
10. untuk BBB didapat X = 0
Dengan demikian X = { 0, 1, 2, 3 }
Jika setiap nilai X dicari nilai probabilitasnya, maka distribusi teoretisnya
seperti tabel berikut.
Tabel: Hasil pelemparan sebuah Mata Uang Logam sebanyak tiga kali
87
Kejadian Frekuensi
P(X)
(Xi) (fi)
0 1 0,125
1 3 0,375
2 3 0,375
3 1 0,125
Jumlah 8 1,000
Data pada tabel dapat pula dinyatakan dalam bentuk histogram dan poligon.
Distribusi teoretis yang tergolong ke dalam distribusi teoretis diskrit antara
lain: distribusi binomial, distribusi hipergeometrik, dan distribusi Poisson.
Sedangkan distribusi teoretis kontinu antara lain: distribusi normal, distribusi
student, distribusi chi-kuadrat, dan distribusi F. Distribusi teoretis yang paling
banyak ditemukan adalah distribusi normal, distribusi student, distribusi chi-
kuadrat dan distribusi F.
6.2 Distribusi Normal
6.2.1 Pendahuluan
Pada pembahasan terdahulu kita telah dapat menyajikan data menurut
keadaan kelompok, simpangan baku, dan angka baku. Penyajian tersebut dapat
pula dilanjutkan dengan menggunakan distribusi normal. Sebagai contoh, dalam
suatu perlombaan lari masal kita dapat menyajikan data dalam bentuk keadaan
kelompok. Namun, jika dikehendakidapat pula dilanjutkan dengan penyajian:
a. Berapa pelari yang gagal untuk jarak 10 km?
b. Berapa pelari yang sukses untuk jarak 10 km lebih?
c. Apakah ada perbedaan jarak tempuh menurut kategori jenis kelamin, umur,
dan sebagainya?
d. Adakah hubungan antara jarak tempuh dengan berat badan?
e. Dapatkah diramalkan bahwa semakin banyak yang ikut, semakin banyak yang
berhasil?
Jadi, dengan menggunakan distribusi normal, penyajian data lebih
bermakna dari pada hanya menggunakan penyajian kelompok saja. Karena
dengan adanya persyaratan normalitas data, maka data dapat dilanjutkan
88
penyajiannya dalam bentuk membedakan, mencari hubungannya, dan
meramalkannya. Mengapa diperlukan data acak dan berdistribusi normal?
Jawabnya ialah karena hampir segala sesuatu yang ada di dunia ini akan lebih
mudah dibandingkan, dihubungkan, dan diramalkan apabila datanya acak dan
berdistribusi normal. Kenyataannya bahwa hampir semua gejala alam ciptaan
Yang Maha Kuasa mendekati distribusi normal. Jika menggunakan data acak
distribusi normal dalam sebuah kurva, maka kurva tersebut dinamakan kurva
normal.
6.2.2 Ciri-ciri Distribusi Normal

a. Berbentuk lonceng simetris terhadap x = µ
Distribusi normal atau kurve normal disebut juga dengan nama distribusi
Gauss, karena persamaan matematisnya ditemukan oleh Gauss dengan rumus:
2
1  x−µ 
f ( x) = e −1/ 2  
σ 2π  σ 
Dimana:
π= Nilai konstan, yaitu = 3,1416 (atau 3,14)
e= Nilai konstan, yaitu = 2,7183 (atau 2,71)
µ= Parameter yang merupakan rata-rata
σ= Parameter yang merupakan simpangan baku.
Jika x mempunyai bentuk –~<x <~, maka disebut variabel acak X
berdistribusi normal.
b. Grafiknya selalu berada di atas sumbu absis X.
0,3939
c. Mempunyai modus; jadi kurva unimodal tercapai pada x = µ =
σ
d. Grafiknya mendekati (berasimtutkan) sumbu absis X, dimulai dari x = µ + 3σ
ke kanan dan x = µ – 3σke kiri.
e. Luas daerah grafik = 1 (satu unit persegi).
Untuk mendapatkan model distribusi normal, transformasi data mentah
menjadi angka baku yang berdistribusi normal menggunakan rumus:
xi − x
zi =
s 89
Dalam hal ini:
Zi = angka (bilangan) baku;
Xi = data asal (raw data);
x = rerata data asal;
s = simpangan baku data asal.
6.2.3 Kurva Normal Umum dan Normal Baku (Standar)

a. Normal Umum, di mana µ= rata-rata dan σ= simpangan baku
b. Normal Baku, dinyatakan dalam bilangan baku ..., -3, -2, -1, 0, 1, 2, 3, ...
Perubahan dari bentuk normal umum menjadi normal baku dilakukan

dengan langkah-langkah sebagai berikut:
1. Cari zhitung dengan rumus:
xi − µ
zi =
σ
90
2. Gambarkan kurvanya.
3. Tuliskan nilai zhitung pada sumbu X di kurva di atas dan tarik garis
dari titik zhitung ke atas sehingga memotong garis kurve.
4. Luas yang terdapat dalam tabel merupakan luas daerah antara garis
tegak ke titik 0 di tengah kurve.
5. Carilah tempat nilai z dalam tabel normal
6. Luas kurve normal = 1, karenaµ= 0, maka luas dari 0 keujung kiri = 0,5; dan
luas dari 0 ke ujung kanan = 0,5.
Jika z bilangan bulat, maka luas daerah (dalam %) adalah sebagai berikut:
Jika z bukan bilangan bulat, maka luas daerahnya dicari dengan menggunakan
tabel kurva normal baku (seperti pada lampiran).
6.2.4 Cara Menggunakan Tabel Kurva Normal

Perhatikan beberapa contoh menggunakan tabel kurva normal, berkaitan
dengan luas daerah kurva normal berdasarkan besarnya bilangan baku (z):
a. Berapa luas kurva normal dari tengah ke z = + 2,34?
Jawab: 0,4904 atau 49,04% (ke kanan)
b. Berapa luas kurva normal dari z = -2,34 ke tengah (z = 0)?
Jawab: 0,4904 atau 49,04% (ke kiri)
c. Berapa luas antara z = -2,34 dan z = + 2,34 atau (-2,34 < z < + 2,34)?
Jawab: 49,04 + 49,04 = 98,08%
d. Berapa luas antara z = 1,23 dengan z = 2,34 atau (1,23 < z < 2,34)?
Jawab: z = + 2,34 = 49,04%
z = + 1,23 = 39,07%
91
Jadi, luas antara z = 1,23 dengan z = 2,34 atau (1,23 < z < 2,34) adalah:
49,04% - 39,07% = 9,03%
e. Berapa luas z = + 1,23 ke kanan?
Jawab: z + 1,23 ke kanan = 10,93%
f. Berapa luas z = + 1,23 ke kiri?
Jawab: 100% – 10,93% = 89,07%
g. Berapa nilai z untuk luas 49,60%?
Jawab:z = 2,65
Contoh kasus:
Dari 100 responden di dapat harga rata-rata untuk motivasi kerja = 75 dengan
simpangan baku = 4.
Ditanya:
a. Berapa jumlah responden yang mendapat nilai 80 ke atas?
b. Berapa jumlah responden yang mendapat nilai 70 ke bawah?
c. Berapa nilai responden yang dapat dikulifikasikan 10% dari nilai tertinggi?
Jawab:
x−µ
a. z =
σ
80 − 75
=
4
z = 1,25
Dari tabel kurve normal (seperti terlampir) di dapat luas ke kanan dari z =
1,25 adalah 10,56%.Jadi jumlah responden = 10,56% x 100 = 11 orang.
70 − 75
b. z = = -1,25
4
dari tabel kurve normal di dapat luas ke kiri = 10,56%
Jadi jumlah responden = 10,56% x 100 = 11 orang.
c. Batas kualifikasi 10% tertinggi = 50% - 10% = 40% dari tabel di dapat
1,28.Karena simpangan baku (s) = 4, maka untuk 1,28 s = 1,28 x 4 = 5,12.
Jadi batas (minimal) kualifikasi skor 10% tertinggi adalah: 75 + 5,12 = 80,12.
92
6.3 Distribusi Student
Distribusi dengan variabel acak kontineu lainnya selain distribusi normal

ialah distribusi student. Pada tahun 1908, W.S. Gosset dengan nama samaran
Student berhasil mempublikasikan karyanya yang disebut dengan distribusi
Student atau distribusi t. Distribusi Student (distribusi t) dapat digunakan untuk
data yang tidak normal, terutama untuk sampel kecil.
Tabel distribusi Student digunakan dengan cara membandingkan nilai thitung
dengan nilai ttabel yang di dapat dari tabel distribusi Student atau selanjutnya
disebut tabel t. Tabel t berguna untuk:Pengujian hipotesis uji kesamaan dua rata-
rata, dan uji signifikansi koefisien korelasi. Nilai thitung didapat dengan
menggunakan rumus:
x − µ
t hitung =
s
n
Untuk mendeteksi nilai t secara teoretis dapat diperhatikan Tabel-t seperti pada
lampiran, yang digunakan untuk pengujian analisis data statistik.
Nilai ttabel dicari dengan cara:
1) Tentukan nilai α apakah 0,01, 0,05, atau 0,10
2) Tentukan apakah untuk uji dua pihak atau uji satu pihak.
3) Hitung df atau dk = n – 1 untuk uji hipotesis satu kelompok, atau n-2 untuk
uji beda dua rata-rata.
4) Cari nilai tersebut di dalam tabel t (terlampir).
Contoh:
Diketahui:α= 0,05; dan n = 10.
Tentukan : berapa nilai ttabel untuk uji dua pihak, dan nilai ttabel untuk uji satu
pihak?
Jawab : untuk uji dua pihak ttabel = 2,228; dan
untuk uji satu pihak nilai ttabel = 1,833.
93
6.4 Distribusi Chi-Kuadrat
Distribusi chi-kuadrat merupakan distribusi dengan variabel acak kontinu.

Simbol yang dipakai untuk chi-kuadrat adalah χ 2 . Dalam chi-kuadrat, ada dua
hal yang dibandingkan, yakni frekuensi pengamatan (observasi) dan frekuensi
teoretik atau yang diharapkan (ekspektasi).Rumus yang digunakan adalah:
( f o − f e )2
χ =∑
2
fe
Dengan: χ 2 = nilai chi-kuadrat (yang akan dicari);
fo = frekuensi hasil observasi (pengamatan); dan
fe = frekuensi ekspektasi (harapan)
Tabel chi-kuadrat digunakan dengan cara membandingkannya nilai χ 2 hitung
dengan nilai χ 2 tabel yang di dapat dari tabel χ 2 . Tabel χ 2 berguna antara lain
untuk mencari hubungan antara data nominal dan pengujian normalitas data.
Nilai χ 2 tabel dicari dengan cara sebagai berikut:
1) Tentukan nilai α apakah 0,01, 0,05, atau 0,10
2) Hitung df atau dk = n – 1
3) Cari nilai tersebut di dalam tabel χ 2 (terlampir).
Contoh:
Diketahui: α = 0,05; dan n = 10
Berapa : χ 2 tabel?
Jawab : Dengan mengambil α= 0,05; n = 10 (berarti dk = n -1 = 9).
Dengan memperhatikan pada tabel didapat: χ 2 tabel = 16,92.
6.5 Distribusi F
Distribusi F juga merupakan distribusi variabel acak yang kontinu. Rumus

uji F adalah:
2
s
F = b2
sw
94
Dimana:
Sb2 = varian terbesar (pembilang)
Sw2 = varian terkecil (penyebut)
Tabel distribusi F yang selanjutnya disebut tabel F, digunakan dengan cara
membandingkannya nilai Fhitung dengan nilai Ftabel yang di dapat dari tabel F.
Tabel F berguna terutama untuk: pengujian homogenitas data, dan juga untuk
pengujian signifikansi korelasi dan linieritas data.
Nilai Ftabel dicari dengan cara sebagai berikut:
1) Tentukan nilai α apakah 0,01 atau 0,05
2) Hitung df atau dk dengan rumus tertentu, sehingga di dapat pembilang dan
penyebutnya.
3) Dalam tabel F ada dk untuk pembilang dan ada dk untuk penyebut) sehingga
ditulis F(dk pembilang, dk penyebut)
4) Cari nilai tersebut di dalam tabel F (terlampir).
Contoh:
Diketahui:α= 0,05; dan n1= 24 dan n2 = 8.
Tentukan : berapa nilai F0,05(24,8) dan F0,01(24,8).
Jawab : F0,05(24,8) = 3,12; dan
F0,01(24,8) = 5,28.
6.6 Soal-soal
1. Kemukakan pengertian dan macam-macam didtribusi teoretis.

2. Mengapa kita memerlukan data acak yang berdidstribusi normal?
3. Dari 50peserta tes Bahasa Inggris di dapat nilai rata-rata = 65 dan simpangan
baku = 12.
a. Berapa orang peserta yang mendapat nilai 75 ke atas?
b. Berapa orang peserta yang mendapat nilai 60 ke bawah?
c. Berapa nilai responden yang dapat dikulifikasikan 25% dari nilai tertinggi?
4. Berapa nilai t jika n=15, α=0,05 untuk dua arah dan satu arah. Dan, berapa pula
nilai t jika α=0,01.
5. Berapa nilai χ 2 tabeluntuk α= 0,05; dan n = 16.
6. Berapa nilai F jika n1=15 dan n2 = 25, untuk α=0,05, α=0,01.
95
BAB 7UJI NORMALITAS DAN HOMOGENITAS
Materi :
Uji Normalitas dan Uji Homogenitas.
Waktu :

(1) Dapat melakukan uji normalitas data.
(2) Dapat melakukan uji homogenitas varians.
Penilaian:
pembelajaran;
96
PETA KONSEP
97
7.1 Pengantar
Untuk menentukan uji statistik mana yang digunakan, apakah menggunakan uji
statistik parametrik atau non parametrik, perlu dilakukan uji persyaratan analisis.
Pengujian dengan statistik inferensial parametrik mensyaratkan antara lain uji
normalitas dan uji homogenitas. Selain itu, uji statistik parametrikpun
mensyaratkan data yang dianalisis harus berskala interval atau rasio, serta
pengambilan sampel harus dilakukan secara random.
7.2 Uji Normalitas
Pengujian normalitas dilakukan untuk mengetahui normal tidaknya suatu

distribusi data. Hal ini penting diketahui berkaitan dengan ketepatan pemilihan uji
statistik yang akan digunakan. Karena uji statistik parametrik mensyaratkan data
berdistribusi normal. Apabila distribusi data tidak normal maka disarankan untuk
menggunakan uji statistik nonparametrik.Uji normalitas dapat dilakukan dengan
beberapa cara, antara lain: dengan menafsirkan grafik ogive, koefisien tingkat
kemencengan, uji Liliefors, Kolmogorof-Smirnof, uji Chi-Kuadrat.
Penentuan kenormalan suatu distribusi data statistik harus dilakukan dengan
pengujian. Dalam statistik induktif dilakukan pengujian apakah suatu data sampel
berasal dari populasi berdistribusi normal atau tidak. Penentuan kenormalan suatu
distribusi data akan di kemukakan berikut ini dengan cara pengujian Liliefors
danChi-Kuadrat.
7.2.1 Uji Liliefors

Uji normalitas dengan uji liliefors dilakukan apabila data merupakan data tunggal
atau data frekuensi tunggal, bukan data distribusi frekuensi kelompok. Uji
normalitas menggunakan uji Lilliefors (Lo) dilakukan dengan langkah-langkah
berikut:
1. Menentukan taraf signifikansi (α), yaitu misalkan pada α=5% (0,05) dengan
hipotesis yang akan diuji:
H0 : Data berdistribusi normal, melawan,
H1 : Data tidak berdistribusi normal;
dengan kriteria pengujian:
98
Jika Lo=Lhitung< Ltabelterima H0, dan
jika Lo= Lhitung> Ltabel tolak H0.
2. Lakukan langkah-langkah pengujian normalitas seperti berikut:

a. Data pengamatan Y1 , Y2 , Y3, …, Yn dijadikan bilangan baku z1, z2 ,z3,
...,zn, dengan menggunakan rumus
(dengan dan s masing-masing merupakan rerata dan simpangan baku)

b. Untuk setiap bilangan baku ini dengan menggunakan daftar distribusi
normal baku, kemudian dihitung peluangF(zi) = P(z ≤ zi)
c. Selanjutnya dihitung proporsi z1, z2, z3, ….., zn yang lebih kecil atau sama
dengan zi jika proporsi ini dinyatakan oleh S(zi) maka:
S(zi) = proporsi komulatif data pada tiap zi, atau:
Fkom
S(zi) =
N
d. Hitung selisih F(zi) - S(zi), kemudian tentukan harga mutlaknya.
e. Ambil harga yang paling besar di antara harga-harga mutlak selisih tersebut,
sebagai harga Lo atau Lhitung.
Untuk menerima atau menolak hipotesis nol (H0), dilakukan dengan cara
membandingkan nilai Lo(Lhitung) dengan nilai Lkritis (Ltabel) yang didapat dari tabel
Liliefors untuk taraf nyata (signifikansi) yang dipilih, misal α = 0,05. Untuk
mempermudah perhitungan dibuat dalam bentuk tabel.
Contoh:
Lakukan uji normalitas dari hasil pengumpulan data suatu sampel seperti berikut:
7 9 7 8 6 8 5 6 4 7
5 5 6 6 6 5 7 8 7 9
Jawab:
Sajikan data tersebut dalam tabel dan diurutkan, lalu hitung rerata (mean) dan
simpangan baku, seperti berikut:
Tabel 1.1
99
No. Yi fi fiYi (Yi- )2 fi (Yi- )2
1 4 1 4 6,50 6,50
2 5 4 20 2,40 9,60
3 6 5 30 0,30 1,50
4 7 5 35 0,20 1,00
5 8 3 24 2,10 6,30
6 9 2 18 6,00 12,00
Jumlah - 20 135 - 36,90
135
Sehingga didapat, mean = =6,55
20
∑ f i (Yi − Y ) 2 36 ,90
dan simpangan baku: s = = = √1,845= 1,36
n 20
Selanjutnya, lakukan konversi setiap nilai mentah Yi menjadi nilai baku zi:
(Y − Y
zi = i
); dan menentukan nilai Lo, dengan langkah-langkah seperti tabel
s
berikut:
Tabel 4.2 Tabel Uji Lilliefors
No. Yi fi Fkom Zi Ztabel F[Zi] S[Zi] |S[Zi] - F[Zi] |
1 4 1 1 -1,88 0.4699 0,0030 0,05 0,0470

2 5 4 5 -1,14 0,3729 0,1271 0,25 0,1229
3 6 5 10 -0,40 0,1554 0,3446 0,50 0,1554
4 7 5 15 0,33 0,1293 0,6293 0,75 0,1207
5 8 3 18 1,07 0,3577 0,8577 0,90 0,0423
6 9 2 20 1,80 0,4641 0,9641 1,00 0,0359
Jumlah - 20 - - - - - -
Dari hasil perhitungan (dalam tabel), didapat nilai Lo = 0,1554 (nilai/angka yang
terbesar); sedangkan dari tabel Liliefors untuk α=0,05 dan n=20 nilai Ltabel
=0,173. Karena nilai Lo< Ltabel maka H0 diterima, dan dapat disimpulkan bahwa
“data atau sampel berdistribusi normal”.
100
7.2.2 Uji Chi-Kuadrat
Uji normalitas dengan Chi-Kuadrat dipergunakan untuk menguji data kelompok
dalam tabel distribusi frekuensi. Uji normalitas dengan uji Chi-Kuadrat dilakukan
dengan langkah-langkah:
1. Membuat daftar distribusi frekuensi, dari data yang berserakan (data tunggal)
kedalam distribusi frekuensi data kelompok.
2. Mencari rerata (mean) dan simpangan baku data kelompok.
3. Tentukan batas/tepi kelas tiap interval; dinyatakan sebagai Xi (X1, X2, X3, ...,
Xk). Kemudian lakukan konversi setiap nilai tepi kelas (Xi) menjadi nilai baku
Z1, Z2, Z3, ..., Zk; dimana nilai baku Zi ditentukan dengan rumus:
(X − X
Zi = i
)
s
4. Tentukan besar peluang setiap nilai Zi berdasarkan tabel Z; luas lengkungan
dibawah Kurva Normal disebut dengan F(Zi), dengan ketentuan: Jika Zi< 0 maka
F(Zi) = 0,5 - Ztabel, dan Jika Zi.> 0 maka F(Zi) = 0,5 + Ztabel
5. Tentukan luas peluang normal (Li) tiap kelas interval dengan cara mengurangi
atau selisih nilai F(Zi) yaitu: Li = F(Zi) - F(Zi-1).
6. Tentukan fe (frekuensi ekspektasi/harapan) dengan cara mengalikan luas
peluang normal kelas tiap interval (Li) dengan banyak sampel, yaitu fe = Li x ni
7. Masukkan frekuensi observasi (faktual) sebagai fo, kemudian cari nilai dari
( fo − fe ) setiap interval; yang hasil penjumlahannya: χ2hitung=Σ ( fo − fe )
2 2
fe fe
8. Tentukan nilai χ2tabel pada taraf signifikansi α dan derajad kebebasan (dk) = k-
1, dengan k = banyaknya kelas/kelompok.
9. Bandingkan nilai χ2hitung dengan χ2tabel, apabila nilai χ2hitung< χ2tabel maka data
berdistribusi normal; dan apabila nilai χ2hitung> χ2tabel maka data tidak berdistribusi
normal.
Contoh:
Lakukanlah pengujian, untuk mengetahui apakah data nilai dalam tabel distribusi
frekuensi berikut berdistribusi normal atau tidak?
Data Nilai Frekuensi

(Xi) (fi)
40 - 49 3
101
50 - 59 5
60 - 69 15
70 - 79 12
80 - 89 5
Jumlah 40
Jawab:
Langkah pertama hitunglah nilai mean dan simpangan baku, seperti berikut:
2 2
Interval fi Xi fiXi ( Xi − X ) fi ( Xi − X )
40 - 49 3 44,5 133,5 515,29 1545,87
50 - 59 5 54,5 272,5 161,29 806,45
60 - 69 15 64,5 967,5 7,29 109,35
70 - 79 12 74,5 894 53,29 639,48
80 - 89 5 84,5 422,5 299,29 1496,45
Jumlah 40 - 2689,5 - 4597,6
Nilai rata-rata (mean): X = ∑

fiXi
= 67,23 = 67,2; dan
∑ fi
Simpangan baku: s = ∑ fi( Xi − X ) 2

= 10,85 = 10,8
n −1
Tentukan nilai batas atas dan bawah setiap interval kelas, kemudian konversikan
setiap nilai tepi kelas tersebut menjadi nilai baku, dan selanjutnya tentukan nilai:
( fo − fe ) seperti dalam tabel berikut:
2
fe
Tepi
Luas ( fo − fe )
2
Interval fo Kelas Zi Ztabel F(Zi) Kelas fe fe

(Xi) (Li)
39,5 -2,57 0,4949 0,0051

40 - 49 3 0,0465 1,86 0,699
49,5 -1,63 0,4484 0,0516
50 - 59 5 0,1873 7,49 0,828
59,5 -0,71 0,2611 0,2389
102
60 - 69 12 0,3443 13,77 0,228
69,5 0,21 0,0832 0,5832
70 - 79 15 0,2966 11,86 0,831
79,5 1,13 0,3708 0,8798
80 - 89 5 0,1010 4,04 0,228
89,5 2,07 0,4808 0,9808
Jumlah 40 - - - - 0,9757 39,03 2,814
( fo − fe )
2
2
Hasil perhitungan seperti pada tabel, didapat: χ hitung=Σ = 2,814.
fe
Sedangkan dari tabel Chi-Kuadrat (pada lampiran) untuk α = 0,05 dan dk = 4
didapat nilai χ2tabel = 9,488. Nilai χ2hitung (=2,814) < χ2tabel maka H0 diterima,
sehingga dapat disimpulkan bahwa “data atau sampel berdistribusi normal”.
Proses mencari nilai frekuensi harapan (fe) sering pula disederhanakan dengan
menentukan luas kelas yang berada rata-rata hitung dicari luasnya dengan
menjumlahkan luas sebelah kiri dengan luas sebelah kanannya. Sehingga tabelnya
menjadi seperti berikut:
Tepi Luas ( fo − fe )
2
Interval fo Kelas Zi Ztabel Kelas fe fe

(Xi) F(zi-zi-1)
39,5 -2,57 0,4949

40 - 49 3 0,0465 1,86 0,699
49,5 -1,63 0,4484
50 - 59 5 0,1873 7,49 0,828
59,5 -0,71 0,2611
60 - 69 12 0,3443 13,77 0,228
69,5 0,21 0,0832
70 - 79 15 0,2876 11,50 1,003
79,5 1,13 0,3708
80 - 89 5 0,1100 4,40 0,082
89,5 2,07 0,4808
Jumlah 40 - - - 0,9757 39,11 2,840
Hasil perhitungan seperti pada tabel di atas, diperoleh: χ2hitung = 2,840.
Nilai Chi-Kuadrat tabel untuk α = 0,05 dan dk = 4 adalah: χ2tabel = 9,488.
Karena hasil analisis menunjukkan bahwa nilai χ2hitung< χ2tabel maka H0 diterima,
sehingga dapat disimpulkan “data berdistribusi normal”.
103
7.3 Uji Homogenitas
Uji asumsi homogenitas varians dilakukan untuk analisis yang sifatnya

membandingkan dua kelompokatau lebih. Dalam analisis ini yang diuji apakah
varians dari kelompok yang dibandingkan adalah homogen.Pengujian ini dapat
dilakukan antara lain dengan Uji F (Fisher), uji Bartlett, uji Harley. Dalam materi
bahasan ini akan diuraikan pengujian homogenitas menggunakan uji Fisher.
3.1 Uji F (Fisher)

Pengujian homogenitas dengan uji F dapat dilakukan apabila data yang akan diuji
hanya ada 2 (dua) kelompok data/sampel. Uji F dilakukan dengan
membandingkan varians terbesar dengan varians terkecil. Langkah-langkah
melakukan pengujian homogenitas dengan Uji F sebagai berikut:
(1) Tentukan taraf signifikansi (α) untuk menguji hipotesis:
H0 : σ12 = σ22 (varian 1 sama dengan varian 2, atau homogen)
H0 : σ12 ≠ σ22 (varian 1 tidak sama dengan varian 2, atau tidak homogen)
Dengan kriteria pengujian:
- Terima H0 jika Fhitung< Ftabel; dan
- Tolak H0 jika Fhitung> Ftabel.
(2) Menghitung varian tiap kelompok data.
(3) Tentukan nilai Fhitung, yaitu:
(4) Tentukanlah nilai Ftabel untuk taraf signifikansi α, dk1= dkpembilang = n1-1, dan
dk2 = dkpenyebut = n2 - 1. Dalam hal ini n1 = banyaknya data kelompok varian
terbesar (pembilang), dan n2 = banyak data kelompok varian terkecil (penyebut).
(5) Lakukanlah pengujian dengan cara membandingkan nilai Fhitung dan Ftabel.
Contoh:
Dari hasil pengukuran diperoleh data dari dua kelompok A dan kelompok B
seperti pada tabel berikut:
Tabel: Data hasil penilaian kinerja dua kelompok Karyawan yang bekerja pada
Perusahaan berbeda (A dan B):
No. Kelompok A Kelompok B

1 47 42
104
2 51 44
3 50 50
4 49 46
5 46 43
6 50 48
7 53 50
8 48 47
Jawab:
Menghitung varian masing-masing kelompok:
Berdasarkan data pada Tabel, dengan menggunakan rumus diperoleh
besarnyavarians masing-masing kelompok:
Melakukan uji homogenitas varians dengan uji F:
Besarnya F hitung dari hasil analisis adalah: Fhitung= 1,299.

Untuk menentukan apakah kedua varians homogen, yaitu dengan
membandingkan Fhitung dengan Ftabel.
Besarnya Ftabel dengan derajat kebebasan kelompok A (dbA) = n1 – 1 = 8-1= 7,
dan kelompok B (dbB) = n2 – 1 = 8-1 = 7 pada taraf signifikansi α = 0,05 sebesar
4,28 dan pada taraf α = 0,01 sebesar 8,47.
Membandingkan nilai Fhitung dan Ftabel, ternyata pada taraf signifikansi α = 0,05
nilai Fhitung<Ftabel, berarti bahwa varians kedua kelompok data adalah homogen.
Catatan: Menghitung varians masing-masing kelompok dengan banyak data
(sampel) masing-masing bisa sama atau bisa juga berbeda.
105
7.4 Soal-soal:
1. Selidiki apakah data: 5, 7, 6, 8, 6, 7, 8, 7, 8, 9 berdistribusi normal atau

tidak.
2. Selidiki apakah data nilai Bahasa Inggris 20 siswa: 60, 75, 80, 50, 70, 85,
65, 60, 75, 80, 85, 70, 85, 70, 65, 75, 80, 70, 90, 80 berdistribusi normal
atau tidak.
3. Selidiki apakah data nilai matematika siswa seperti pada tabel berikut
berdistribusi normal atau tidak?
40 – 49 1
50 – 59 3
60 – 69 9
70 – 79 15
80 – 89 10
90 – 99 2
Jumlah 40
4. Selidiki apakah data nilai siswa pada soal nomor 2 dan data pada soal
nomor 3 di atas, memiliki varians yang homogen atau tidak.
106
BAB 8PENGUJIAN HIPOTESIS
Materi :
Pengertian dan jenis hipotesis, Bentuk-bentuk hipotesis, Karakteristik hipotesis
yang baik, Pengujian Hipotesis.
Waktu :

(1) Pengertian hipotesis.
(2) Bentuk-bentuk hipotesis.
(3) Ciri-ciri hipotesis yang baik.
(4) Melakukan pengujian hipotesis satu sampel.
Penilaian:
pembelajaran;
107
PETA KONSEP
108
8.1 Pengertian dan Jenis Hipotesis
Istilah hipotesis berasal bahasa Yunani, yaitu dari kata hupo dan thesis.
Hupo artinya sementara, atau kurang kebenarannya artau masih lemah
kebenarannya. Sedangkan thesis artinya pernyataan atau teori (Husaini Usman,
2006:119). Jadi hipotesis merupakan pernyataan atau jawaban sementara yang
perlu diuji kebenarannya. Untuk menguji kebenaran sebuah hipotesis digunakan
pengujian yang disebut pengujian hipotesis. Pengujian hipotesis akan membawa
kepada kesimpulan untuk menolak atau menerima hipotesis.
Dalam melakukan pengolahan atau analisis data penelitian sangat
diperlukan peran Statistika, terutama yang berkaitan dengan pengujian hipotesis
penelitian. Hipotesis merupakan jawaban sementara terhadap rumusan masalah
penelitian, di mana rumusan masalah penelitian telah dinyatakan dalam bentuk
kalimat pertanyaan. Dikatakan sementara, karena jawaban yang diberikan baru
didasarkan pada teori yang relevan, belum didasarkan pada fakta-fakta empiris
yang diperoleh melalui pengumpulan data. Jadi hipotesis juga dapat dinyatakan
sebagai jawaban teoritis terhadap rumusan masalah penelitian, belum merupakan
jawaban yang empirik. Penelitian yang merumuskan hipotesis adalah penelitian
yang menggunakan pendekatan kuantitatif. Pada penelitian kualitatif, tidak
dirumuskan hipotesis, tetapi justru diharapkan dapat ditemukan hipotesis.
Selanjutnya hipotesis, tersebut akan diuji oleh peneliti dengan menggunakan
pendekatan kuantitatif.
Ada dua macam pengertian dan jenis hipotesis, yaitu hipotesis penelitian
dan hipotesis statistik. Pengertian hipotesis penelitian seperti telah dikemukakan
di atas, yaitu sebagai jawaban teoritis (bersifat sementara) terhadap rumusan
masalah penelitian, dan belum merupakan jawaban yang empirik. Selanjutnya
hipotesis statistik itu ada, bila penelitian bekerja dengan sampel. Jika penelitian
tidak menggunakan sampel yang diambil secara random, maka tidak ada hipotesis
statistik, sehingga analisis data tidak menggunakan statistik inferensial (tidak ada
uji signifikansi), tetapi cukup menggunakan statistik deskriptif
Dalam suatu penelitian, dapat terjadi ada hipotesis penelitian, tetapi tidak
ada hipotesis statistik. Penelitian yang dilakukan pada seluruh populasi mungkin
akan terdapat hipotesis penelitian tetapi tidak akan ada hipotesis statistik. Ingat
bahwa hipotesis itu berupa jawaban sementara terhadap rumusan masalah dan
109
hipotesis yang akan diuji ini dinamakan hipotesis kerja. Sebagai lawannya adalah
hipotesis nol (nihil). Hipotesis kerja disusun berdasarkan atas teori yang
dipandang handal, sedangkan hipotesis nol dirumuskan karena teori yang
digunakan masih diragukan keandalannya.
Dalam hipotesis statistik, yang diuji adalah hipotesis nol, hipotesis yang
menyatakan tidak ada perbedaan antara data sampel dan data populasi. Yang diuji
hipotesis nol karena peneliti tidak berharap ada perbedaan antara sampel dan
populasi atau statistik dan parameter. Parameter adalah ukuran-ukuran yang
berkenaan dengan populasi.
8.2 Bentuk-bentuk Hipotesis
Bentuk-bentuk hipotesis penelitian sangat terkait dengan rumusan masalah

penelitian. Bila dilihat dan tingkat ekspansinya, maka bentuk rumusan masalah
penelitian ada tiga yaitu: rumusan masalah deskriptif (variabel mandiri),
komparatif(perbandingan) dan asosiatif (hubungan). Oleh karena itu, bentuk
hipotesis penelitian juga ada tiga yaitu hipotesis deskriptif, komparatif dan
asosiatif.Hipotesis deskriptif, adalah jawaban sementara terhadap rumusan
masalah deskriptif; hipotesis komparatif merupakan jawaban sementara terhadap
masalah komparatif; dan hipotesis asosiatif adalah merupakan jawaban sementara
terhadap masalah asosiasi/hubungan.
8.2.1 Hipotesis Deskriptif

Hipotesis deskriptif merupakan jawaban sementara terhadap masalah
deskriptif, yaitu yang berkenaan dengan variabel mandiri.
Contoh:
(1) Rumusan Masalah Deskriptif:
Seberapa tinggi semangat kerja Guru di Sekolah X?
(2) Hipotesis Deskriptif:
Hipotesis nolnya (Ho) bisa berbentuk demikian:
a) Motivasi kerja Guru di Sekolah X= 75% dari kriteria ideal yang
ditetapkan.
b) Motivasi kerja Guru di Sekolah X paling sedikit 75% dari kriteria ideal
yang ditetapkan (paling sedikit itu berarti lebih besar atau sama dengan).
110
c) Motivasi kerja Guru di Sekolah X paling banyak 75% dari kriteria ideal
yang ditetapkan (paling banyak itu berarti lebih kecil atau sama dengan).
Dalam kenyataannya hipotesis yang diajukan adalah salah satu saja, dan
hipotesis mana yang dipilih tergantung pada teori dan pengamatan
pendahuluan yang dilakukan pada objek.
Hipotesis alternatifnya masing-masing adalah:
a) Motivasi kerja Guru di Sekolah X ≠ 75%
b) Motivasi kerja Guru di Sekolah X < 75%
c) Motivasi kerja Guru di Sekolah X > 75%
(3) Hipotesis statistik adalah:
a) Ho: p = 75%; p = hipotesis berbentuk persentase
Ha: p ≠ 75%
b) Ho: p ≥ 75%
Ha: p < 75%
c) Ho: p ≤ 75%
Ha: p > 75%
Teknik statistik yang digunakan untuk menguji ketiga hipotesis tersebut tidak
sama. Cara-cara pengujian hipotesis akan dibahas pada bab analisis data atau uji-
uji statistik pada uraian berikutnya.
8.2.2 Hipotesis Komparatif

Hipotesis komparatif merupakan jawaban sementara terhadap rumusan
masalah komparatif. Pada rumusan ini variabelnya sama tetapi populasi atau
sampelnya yang berbeda, atau keadaan itu terjadi pada waktu yang berbeda.
1) Rumusan Masalah Komparatif
Bagaimanakah produktivitas kerja Guru di Sekolah X bila dibandingkan
dengan Sekolah Y?
2) Hipotesis komparatif
Berdasarkan rumusan masalah komparatif tersebut dapat dikemukakan tiga
model hipotesis nol dan alternatif sebagai berikut:
a. Hipotesis Nol:
1) Ho: Tidak terdapat perbedaan motivasi kerja antara Guru di Sekolah Xdan
Sekolah Y; atau, terdapat persamaan motivasi kerja antara Guru di
Sekolah X dan Guru di Sekolah Y.
111
2) Ho : Motivasi kerjaGuru di Sekolah X lebih besar atau sama dengan (≥)
Guru di Sekolah Y.
(“lebih besar atau sama dengan” berarti paling sedikit)
3) Ho: Motivasi kerjaGuru di Sekolah X lebih kecil atau sama dengan
(≤)Guru di Sekolah Y.
(“lebih kecil atau sama dengan” berarti paling besar).
b. Hipotesis Alternatif:
1) Ha : Motivasi kerjaGuru di Sekolah X lebih besar (atau lebih kecil) dari
Guru di Sekolah Y.
2) Ha : Motivasi kerjaGuru di Sekolah X lebih kecil daripada (<)Guru di
Sekolah Y.
3) Ha : Motivasi kerjaGuru di Sekolah X lebih besar daripada (>)Guru di
Sekolah Y.
b. Hipotesis Statistik dapat dirumuskan sebagai berikut:
1) Ho : µ2 = µ2
Ha: µ1 ≠ µ2
2) Ho: µ1 ≥ µ2
Ha : µ1 < µ2
3) Ha : µ1 ≥ µ2
Ho: µ1> µ2
µ1 = rata-rata (populasi) motivasi kerjaGuru di Sekolah X;
µ2 = rata-rata (populasi) motivasi kerjaGuru di Sekolah Y.
8.2.3 Hipotesis Asosiatif

Hipotesis asosiatif adalah jawaban sementara terhadap rumusan masalah
asosiatif, yaitu yang menanyakan hubungan antara dua variabel atau lebih.
1) Rumusan Masalah Asosiatif
Adakah hubungan yang signifikan antara tinggi badan pelayan toko
dengan barang yang terjual.
2) Hipotesis Penelitian:
Terdapat hubungan yang positif dan signifikan antara tinggi badan pelayan
toko dengan barang yang terjual.
3) Hipotesis Statistik
Ho: p = 0 ; berarti tidak ada hubungan.
Ha:p≠ 0; berarti lebih besar atau lebih kecil dari nol; berarti ada hubungan.
112
p nilai korelasi dalam formulasi yang dihipotesiskan,.
8.3 Karakteristik Hipotesis yang Baik
a) Merupakan dugaan terhadap nilai variabel mandiri, perbandingan nilai

variabel mandiri antar berbagai sampel atau waktu yang berbeda, dan
merupakan dugaan tentang hubungan antara dua variabel atau lebih.
b) Dinyatakan dalam kalimat positif yang jelas, sehingga tidak menimbulkan
berbagai penafsiran.
c) Dapat diuji berdasarkan data yang dikumpulkan dengan menggunakan
teknik pengumpulan data yang benar.
d) Dapat dianalisis dengan statistik deskriptif maupun inferensial. Statistik
inferensial meliputi statistik parametrik dan nonparametrik.
8.4 Pengolahan Data dan Pengujian Hipotesis
8.4.1 Pengolahan Data

Sekumpulan data, sebelum dilakukan analisis atau pengujian hipotesis,
maka terlebih dahulu ditentukan nilai rata-rata hitung standar deviasi serta
uji normalitas. Data nilai matematika 26 siswa adalah sebagai berikut:
80 80 80 80 80 74 74 72 72 72
72 72 70 70 66 66 62 62 62 60
48 40 40 40 72 55
Setelah diketahui rentang dan banyak kelas interval maka dilakukan perhitungan
untuk mengetahui distribusi frekuensi nilai siswa. Selanjutnya dari hasil yang
diperoleh data tersebut dikelompokkan kedalam tabel distribusi frekuensi seperti
berikut:
Tabel 4.1 Daftar Distribusi Frekuensi Nilai Tes Matematika Siswa

Interval fi xi xi 2 fixi fi.xi2
40 – 46 3 43 1849 129 5547
47 – 53 1 50 2500 50 2500
54 – 60 2 57 3249 114 6498
61 – 67 5 64 4096 320 20480
113
Interval fi xi xi 2 fixi fi.xi2
68 – 74 10 71 5041 710 50410
75 – 81 5 78 6084 390 30420
jumlah 26 - - 1713 115855
Berdasarkan Tabel Distribusi Frekuensi di atas maka dapat dihitung nilai rata-rata
yaitu:
= 65,88
Variansnya adalah:
s = 10,94
Dari perhitungan, diperoleh bahwa rata-rata tes adalah = 65,88 varians s2 =
119,79 dan simpangan baku s = 10,94.
8.4.2 Pengujian Hipotesis

Karena data tidak berdistribusi normal, maka pengujian hipotesis tidak
dapat dilakukan dengan uji statistik uji-t. Siagian dan Sugiarto (2000:309)
menyatakan bahwa uji nonparametrik digunakan sebagai alternatif, bila mana
distribusi sampel tidak dapat memenuhi asumsi distribusi normal. Dalam hal ini
pengujian hipotesis akan diuji dengan uji tanda peringkat Wilcoxon.
Untuk hipotesis yang akan diuji adalah:
114
(Hasil belajar siswa kelas X SMA Negeri 1 Peukan Bada Aceh Besar
Tahun Pelajaran 2011/2012 pada mata pelajaran Matematika belum
mencapai tahap berhasil atau belum tuntas)
(Hasil belajar siswa kelas X SMA Negeri 1 Peukan Bada Aceh Besar
Tahun Pelajaran 2011/2012 pada mata pelajaran Matematika telah
mencapai tahap berhasil atau sudah tuntas).
Dengan kriteria pengujian yang berlaku adalah “tolak Ho bila T-- > d, dan terima
Ho jika mempunyai harga yang lainnya’’. Sehingga dengan dapat dilihat
hasilnya pada tabel 4.2, sebagai berikut:
Tabel 4.2 Daftar Uji Tanda Peringkat Wilcoxon
xi d i = xi - Rangking Tanda
74 4 4 18,5 +
80 10 10 22 +
72 2 2 14,5 +
62 -8 8 8 -
48 -22 22 4 -
72 2 2 14,5 +
40 -30 30 2 -
66 -4 4 10,5 -
72 2 2 14,5 +
80 10 10 22 +
55 -15 15 5 -
80 10 10 22 +
40 -30 30 2 -
60 -10 10 6 -
72 2 2 14,5 +
70 0 0
40 -30 30 2 -
62 -8 8 8 -
80 10 10 22 +
80 10 10 22 +
72 2 2 14,5 +
74 4 4 18,5 +
115
xi d i = xi - Rangking Tanda
70 0 0
62 -8 8 8 -
72 2 2 14,5 +
66 -4 4 10,5 -
Dari tabel di atas diperoleh T-- = 66. Dengan taraf singnifikan α = 0,05 dan
n = 24 dari tabel statistik T Wilcoxon diperoleh d = 81. Kriteria pengujian
adalah: tolak H0 jika T -- lebih dari d, di mana diperoleh 66 < 81 maka H0
diterima. Dengan demikian dapat disimpulkan bahwa hasil belajar siswa mata
pelajaran matematika belum belum tuntas.
Catatan:
Bila data nilai di atas berdistribusi normal maka uji hipotesis dapat dilakukan
dengan uji t sampel tunggal (satu kasus), dengan rumus:
x − µ
t = 0
s
n
Dari perhitungan sebelumnya diperoleh: = 65,88; s = 10,94; n = 26; dan

. Sehingga diperoleh nilai thitung :
65 ,88 − 70
t= = − 1, 916
10 , 94
26
Untuk α = 0,05 dan n = 26 (df = 26-1 = 25) nilai ttabel = 2,060.

Nilai thitung = -1,916 < 2,060; berarti thitung< ttabel; dengan demikian hasil uji
hipotesis adalah terima H0. Dapat disimpulkan bahwa hasil belajar matematika
siswa belum tuntas. (Ternyata hasil pengujian hipotesisnya sama dengan metoda
Wilcoxon).
8.5 Soal-soal
1. Jelaskan pengertian hipotesis dan mengapa hipotesis itu perlu diuji.

2. Kemukakan beberapa macam hipotesis.
116
3. Apa persyaratan agar uji hipotesis ketuntasan belajar (satu sampel) dapat
dilakukan?
4. Selidiki apakah nilai kelompok siswa: 60, 75, 80, 55, 70, 85, 65, 60, 75,
80, 75, 65, 85, 70, 85, 70, 60, 75, 80, 70, 90, 80; sudah mencapai
ketuntasan (KKM) atau belum? (dengan angka KKM ditetapkan/diambil =
72).
117
BAB 9UJI KESAMAAN DUA RATA-RATA
Materi :
Pengantar, Rumus-rumus, Langkah-langkah Uji Kesamaan dua Rata-rata.
Waktu :

(1) Pengertian uji kesamaan dua rata-rata.
(2) Rumus dalam melakukan uji kesamaan dua rata-rata.
(3) Melakukan pengujian hipotesis uji beda rata-rata dua sampel.
Penilaian:
umpan balik untuk kepentingan dosen maupun mahasiswa;
118
PETA KONSEP
119
9.1 Pengantar
Uji kesamaan dua rata-rata digunakan untuk mengetahui ada atau tidak
adanya perbedan (kesamaan) nilai rata-rata antara dua kelompok data. Untuk
menguji kesamaan dua rata-rata, teknik analisis statistik yang sering digunakan
ialah uji t (t test), atau dapat pula digunakan uji z (khusus untuk sampel besar).
Rumus uji t banyak ragamnya dan pemakaiannya disesuaikan dengan karaktenstik
kedua data yang akan dibedakan. Persyaratan yang harus dipenuhi sebelum uji t
dilakukan adalah: data masing-masing berdistribusi normal, dan data dipilih
secara acak.
1. Rumus-rumus
a. Jika kedua data sampel terpisah atau independen (tidak berkorelasi)
dengan, maka rumus yang digunakan adalah rumus uji t, yaitu:
x1 − x2
t=
 ∑ x12 + ∑ x22   1 1 
  + 
 n +n −2   n n 
 1 2  1 2 
Dimana: x1 dan x2 = nilai rata-rata kelompok pertama dan kelompok

kedua; ∑x 2
1 dan ∑x 2
2 = jumlah kuadrat simpangan dari
kelompok pertama dan kelompok kedua; sedangkan n1 dan
n2adalah banyak anggota kelompok (sampel) pertama dan
kedua.
b. Jika kedua data sampel dependen (berkorelasi/berpasangan), maka rumus
yang digunakan adalah:
x1 − x2
t=
∑D 2
+ (∑ D) 2 / n
n (n −1)
120
Dengan D = beda antara skor kelompok pertama dan kelompok kedua, dan
n adalah banyak pasangan dari data yang tersedia.
Atau, dapat pula digunakan rumus:
x d
t =
∑ x 2
d
n + ( n + 1)
Dimana: xd rata-rata perbedaan dari n pasangan pengamatan.
c. Untuk sampel tunggal (satu kasus), digunakan rumus :
x − µ
t = 0
s
n
d. Jika kedua sampel terpisah (indevenden), maka perbedaan dua rata-rata

dihitung dengan rumus:
x1 − x2
t =
1 1
s +
n1 n2
Atau, rumus tersebut dapat dinyatakan dalam bentuk:
x1 − x2
t =
s 12 s2
+ 2
n1 n2
n1 s12 + n2 s22
2
Dimana: s = ;
n1 + n2
s1 dan s2 adalah simpangan baku kelompok 1 dan kelompok 2;
sedangkan s merupakan simpangan baku gabungan.
e. Untuk sampel besar, maka perbedaan dua rata-rata dapat pula dihitung
menggunakan uji z, dengan rumus:
x1 − x2
z=
1 1 121
s +
n1 − 1 n 2 − 1
Dimana:
(n1 − 1) s12 + (n 2 − 1) s 22
s2 =
n1 + n 2 − 2
s1 dan s2 adalah simpangan baku kedua kelompok data.
Atau,
x 1 − x2
z=
s12 s22
+
n1 −1 n2 −1
9.2 Langkah-langkah Uji Kesamaan Dua Rata-rata
1) Asumsikan bahwa data dipilih secara acak, dan uji atau asumsikan bahwa
data tersebut berdistribusi normal;
2) Tulis Ha dan H0 dalam bentuk kalimat, dan Ha dan H0 dalam bentuk
statistik;
3) Cari thitung dengan rumus tertentu;
4) Tetapkan taraf signifikansinya (α) dan cari ttabel pada dk = n1 + n2 – 2
dengan menggunakan tabel t;
5) Tentukan kriteria pengujian analisis (sesuai hipotesis);
6) Bandingkan thitung dengan ttabel;
7) Buatlah kesimpulannya.
2. Contoh Soal :
Suatu penelitian ingin mengetahui adakah perbedaan yang signifikan antara
prestasi belajar Matematika siswa yang berasal dari SD dengan siswa yang
berasal dari MI di kelas I SMP Negeri 8 Banda Aceh tahun pelajaran 2013/2014.
Datanya sebagai berikut:
Prestasi siswa Kelas I SMP Prestasi siswa Kelas I SMP

yang Berasal dari SD yang berasal dari MI
x1 = 75,09 x 2 = 68,45
122
s1 = 16,20 s2= 17,63
n1 = 24 n2= 18
Jawab:
1) Asumsikan bahwa data dipilih secara acak, dan diuji atau asumsikan bahwa
data berdistribusi normal.
2) Ha dan H0 dalam bentuk kalimat
Ha: “Terdapat perbedaan prestasi belajar matematika antar siswa yang berasal
dari SD dan yang berasal dari MI di kelas I SMP Negeri 8 Banda Aceh,
tahun pelajaran 2013/2014”.
H0: “Tidak terdapat perbedaan prestasi belajar matematika antara siswa yang
berasal dari SD dan yang berasal dari MI di kelas I SMP Negeri 8 Banda
Aceh dalam mata pelajaran matematika, tahun pelajaran 2013/2014”.
Ha dan H0 dalam bentuk hipotesis statistik
Ha: µ1≠µ2
H0: µ1 = µ2
3) Cari thitung dengan rumus :
x1 − x2
t=
1 1
s +
n1 n 2
Dimana :
2 (n1 − 1) s12 + (n 2 − 1) s 22
s =
n1 + n 2 − 2
24 × 262, ×18 × 310,82

s2 = = 283,17
24 + 18
s = 283,17 = 16,83
Sehingga:
75,09 − 68,45
thitung =
1 1
16,83 +
24 18
123
= 1,265
4) Taraf signifikansinya (α) = 0,05; ttabel dengan pengujian dua pihak dimana dk =
n1 + n2 – 2 = 24 + 18 – 2 = 40; dengan menggunakan tabel t di dapat nilai ttabel
= 2,02 (uji dua pihak).
5) Tentukan kriteria pengujian yaitu: Jika –ttabel≤ thitung≤ ttabel maka H0 diterima
(uji dua pihak, sesuai hipotesis).
6) Ternyata – 2,02 < 1,265 < 2,02 atau – ttabel < thitung< ttabel; sehingga H0 diterima
atau Ha ditolak.
7) Kesimpulan: “Tidak terdapat perbedaan yang signifikan prestasi belajar
matematika antar siswa yang berasal dari SD dan yang berasal dari MI di kelas
I SMP Negeri 8 Banda Aceh, tahun pelajaran 2013/2014.
9.3 Soal-soal
1. Jelaskan tentang perbedaan rata-rata dua kelompok data (sampel).

2. Apa persyaratan agar uji kesamaan dua rata-rata dapat dilakukan?
3. Selidiki apakah data nilai kelompok siswa laki-laki (A): 60, 75, 80, 55,
70, 85, 65, 60, 75, 80; dan nilai kelompok siswa perempuan (B): 75, 65,
85, 70, 85, 70, 60, 75, 80, 70, 90, 80; memiliki perbedaan yang signifikan
atau tidak?
124
BAB 10ANALISIS KORELASI
Materi :
Pengantar, Asumsi, Rumus dan Langkah-langkah Uji Korelasi Produk momen
Pearson.
Waktu :

(1) Pengertian uji korelasi.
(2) Rumus-rumus dalam melakukan uji Korelasi.
(3) Melakukan pengujian hipotesis uji Korelasi.
Penilaian:
125
PETA KONSEP
126
10.1 Pengantar
Korelasi adalah istilah statistik yang menyatakan derajat hubungan linier

antara dua variabel atau lebih, yang ditemukan oleh Karl Pearson pada awal tahun
1900. Oleh sebab itu terkenal dengan sebutan Korelasi Product Moment Pearson.
Korelasi adalah salah satu teknik analisis statistik yang paling banyak digunakan
oleh para peneliti, karena peneliti umumnya tertarik terhadap peristiwa-peristiwa
yang terjadi dan mencoba untuk mencari hubungannya. Misalnya kita ingin
menghubungkan antara tinggi badan dengan berat badan, antara umur dengan
tekanan darah, antara motivasi dengan prestasi belajar; dan sebagainya.
Hubungan antara dua variabel di dalam teknik korelasi bukanlah dalam arti
hubungan sebab akibat (timbal balik), melainkan hanya merupakan hubungan
searah saja. Hubungan sebab akibat, misalnya kemiskinan dengan kebodohan.
Artinya, orang yang bodoh dapat menyebabkan dirinya miskin, sebaliknya orang
yang miskin dapat menyebabkan dirinya bodoh. Jadi tidak jelas mana yang
menjadi penyebab dan mana yang menjadi akibat. Keadaan ini berbeda dengan
hubungan searah (linier) di dalam analisis korelasi. Dalam korelasi hanya dikenal
hubungan searah saja (bukantimbal balik), misalnya: (1) tinggi badan
menyebabkan berat badannya bertambah, tetapi berat badannya bertambah belum
tentu menyebabkan tingginya bertambah pula; (2) meningkatnya pemakaian
mobil pribadi menyebabkan macetnya lalu lintas, tetapi macetnya lalu lintas,
belum tentu meningkatkan pemakaian mobil pribadi; demikian seterusnya.
Akibatnya, dalam korelasi dikenal penyebab dan akibatnya.
Data penyebab atau yang mempengaruhi disebut variabel bebas, dan data akibat
atau yang dipengaruhi disebut variabel terikat. Istilah bebas disebut juga dengan
independen (independent) yang biasanya dilambangkan dengan huruf X atau X1,
X2, X3, ..., Xn (tergantung banyaknya variabel bebas). Sedangkan istilah terikat
disebut juga dependen (dependent), yang biasanya dilambangkan dengan huruf Y.
Bagaimana menentukan bahwa variabel itu bebas atau terikat? Jawabnya ialah
tergantung dari landasan teori yang kita pakai.
Variabel-variabel yang akan dihubungkan terdiri atas berbagai tingkatan
data. Tingkatan data meliputi data nominal, ordinal, interval, dan rasio. Tingkatan
data tersebut menentukan analisis korelasi mana yang paling tepat digunakan.
127
10.2 Korelasi Produk Momen Pearson
Korelasi Produk Momen Pearson sering disingkat korelasi saja, merupakan

salah satu teknik korelasi yang paling banyak digunakan dalam penelitian
(terutama penelitian sosial). Besarnya angka korelasi disebut koefesien korelasi,
dan dinyatakan dalam lambang r.
2.1. Kegunaan Korelasi Produk Momen Pearson

Kegunaan Korelasi Produk Momen Pearson adalah untuk menyatakan ada
atau tidaknya hubungan yang signifikan antara variabel satu dengan variabel yang
lainnya. Besarnya sumbangan variabel satu terhadap variabel lainnya dinyatakan
dalam persen, yaitu r2 x 100 %. Nilai r disebut koefisien diterminasi atau
koefesien penentu. Dengan demikian, r2 x 100% terjadi dalam variabel terikat Y
yang ditentukan oleh variabel X.
2,2. Asumsi
Asumsi ataupun persyaratan yang harus dipenuhi dalam menggunakan
korelasi Produk Momen, antara lain adalah: (l) Variabel yang dihubungkan
mempunyai data yang berdistribusi normal; (2) Variabel yang dihubungkan mem-
punyai data yang dipilih secara acak (random); (3) Variabel yang dihubungkan
mempunyai variansi skor yang sama; (4) Variabel yang dihubungkan mempunyai
data interval atau rasio.
2.3. Menghitung Nilai r

Langkah-langkah menghitung nilai r dengan menggunakan bantuan tabel r
adalah sebagai berikut:
(1) Asumsikan bahwa persyaratan untuk menggunakan analisis korelasi Produk
Momen telah terpenuhi.
(2) Tulis Ha dan H0 dalam bentuk kalimat
Ha : Terdapat hubungan yang signifikan antara variable X dan Y
H0 : Tidak terdapat hubungan yang signifikan antar variable X dengan Y
(3) Tulis Ha dan H0 dalam bentuk statistik
Ha : r ≠ 0 atau r > 0
H0 : r = 0
(4) Cari rhitung dengan menggunakan rumus (a), (b) atau (c):
a.
n∑X1 Y1 −(∑X1)(∑Y1)
rxy = 128
{n∑X12 −( ∑Xi )2 }{n∑Yi2 −(∑Yi )2 }
b.
∑xy
rxy =
(∑x2 ) (∑ y2 )
Dengan: x = Xi – X ; dan y = Yi – Y
c. Jika kedua variabel yang akan dicari korelasinya mempunyai nilai (data)
yang sangat berbeda, maka r dihitung dengan mengubah data kedua
variabel itu ke dalam nilai Z.
Zx Zy
rxy =
n
Dimana:
X −X Y −Y
Zx = ; dan Z y =
Sdx Sdy
(5) Tentukan kriteria pengujian korelasi pada taraf signifikansi tertentu (biasanya
a = 0,05), yaitu:. untuk hipotesis dua pihak (berdasarkan teori pendukung),
Jika –rtabel≤ rhitung≤ rtabel maka H0diterima atau korelasinya tidak signifikan;
dan untuk hipotesis satu pihak: jika rhitung< rtabel maka H0diterima; untuk
keadaan lainnya H0ditolak, artinya korelasinya signifikan.
(6) Tentukan derajat kebebasan, dengan rumus dk = n – 2. Dengan
menggunakan tabel r pada taraf signifikansi α = 0,05 di dapat nilai rtabel.
(7) Bandingkan rhitung dengan rtabel dan konsultasikan dengan kriteria langkah (5).
(8) Buatlah kesimpulannya.
(9) Jika di minta, maka hitunglah besamya sumbangan variabel X terhadap Y.
Jika tidak ingin menggunakan rtabel, maka uji siginifikansi r dapat pula
menggunakan ttabel. Bila menggunakan tabel t, sebagai pengganti langkah (4), (5),
(6) dan (7) sebagai berikut:
(4) Cari thitung dihitung dengan rumus:
129
n−2
thitung = r
1− r 2
(5) Tentukan kriteria pengujian siginifikansi korelasi pada taraf signifikansi
tertentu (biasanya diambil α = 0,05), yaitu:
Jika – ttabel≤ thitung≤ ttabel maka H0 diterima atau korelasinya tidak siginifikan
(untuk hipotesis penelitian uji dua pihak); sedangkan untuk uji satu pihak, H0
diterima jika thitung≤ ttabel; dalam keadaan lainnya (jika thitung>ttabelatau thitung< -
ttabel) maka H0 ditolak atau Ha diterima.
(6) Tentukan dk dengan rumus dk = n - 2 ; pada taraf siginifikansi α = 0,05
dengan menggunakan tabel t didapat nilai ttabel.
(7) Bandingkan harga thitung dengan ttabel dan konsultasikan dengan kriteria
pengujian seperti langkah (5).
Contoh 1.
Selidiki apakah data nilai matematika dan nilai fisika dari sepuluh orang siswa di
salah satu SMA di Banda Aceh, seperti tertera pada tabel berikut memiliki
hubungan yang signifikan?.
Datanya adalah:
Nomor Kode Nilai Matematika Nilai Fisika

Siswa (X) (Y)
01 6 7
02 5 6
03 7 8
04 6 7
05 7 7
06 8 9
07 6 5
08 7 8
09 9 9
10 7 8
Jawab:
Langkah-langkahnya:
(1) Buktikan atau asumsikan bahwa kedua variabel (X dan Y) mempunyai data
yang berdistribusi normal, dan dipilih secara acak.
(2) Ha dan H0 dalam bentuk kalimat
Ha : Terdapat hubungan yang signifikan antara variabel X dan Y
130
H0 : Tidak terdapat hubungan yang signifikan antara variabel X dan Y
(3) Hipotesis statistiknya
Ha : r ≠ 0
H0 : r = 0
(4) Berdasarkan rumus, butlah tabel kerja sebagai penolong untuk menghitung r,
seperti berikut ini:
Tabel Kerja (penolong) untuk Menghitung Nilai r
No. X i Y1
Xi Yi X i2 Yi 2
01 6 7 36 49 42
02 5 6 25 36 30
03 7 8 49 64 56
04 6 7 36 49 42
05 7 7 49 49 49
06 8 9 64 81 72
07 6 5 36 25 30
08 7 8 49 64 56
09 9 9 81 81 81
10 7 8 49 64 56
Jumlah 68 74 474 562 514
n ∑ X i Yi − (∑ X i ) (∑ Yi )
rxy =
{ n ∑ Xi 2 − (∑ X i ) 2 }{ n ∑ Yi 2 − (∑ Yi ) 2 }
10 × 514 − 68 × 74
rxy =
(10 × 474 − 68 2 ) (10 × 562 − 74 2 )
5140 − 5032 108 108

= = = = 0,835
116 × 144 16704 129,24
rxy = 0,835
(5) Kriteria pengujian signifikansi korelas yaitu:
131
Jika – rtabel< rhitung< rtabel, maka H0 diterima atau korelasinya tidak signifikan;
dan jika selainnya maka H0 ditolak atau Ha diterima.
(6) Dengan n = 10 atau derajat kebebasan dk = n – 2 = 10 – 2 = 8; pada α =0,05
dari tabel r di dapat nilai rtabel = 0,632
(7) Ternyata 0,835 > 0,632 atau rhitung> rtabel, sehingga H0 ditolak atau Ha diterima,
artinya korelasi kedua variabel (X dan Y) adalah positif dan signifikan.
(8) Kesimpulan variabel X (nilai Matematika) dan Y (nilai Fisika) memiliki
hubungan positif yang signifikan.
(9) Besarnya hubungan (sumbangan) variabel X terhadap Y adalah 0,8352×100%
= 69,72%.
Catatan: Jika pernyataan hipotesis penelitian yang diajukan menghendaki uji satu
pihak, searah (r positif) atau berlawanan arah (r negatif), maka kriteria
pengujian dapat disesuaikan.
Contoh 2.
Diketahui data jumlah Satuan Kredit Semester (SKS) yang diambil dan Indek
Prestasi (IP) yang dicapai, dari lima orang mahasiswa seperti pada tabel berikut:
Jumlah SKS IP
yang diambil yang didapat
20 2,70
18 3,20
22 2,75
10 3,00
15 3,10
Selidiki, adakah terdapat hubungan yang signifikan antara jumlah SKS yang
diambil dengan IP yang didapat?
Jawab:
(1) Buktikan atau asumsikan bahwa kedua variabel itu mempunyai data yang
berdistribusi normal dan dipilih acak.
(2) Ha dan H0 dalam bentuk kalimat.
Ha : Terdapat hubungan yang signifikan antara jumlah SKS dengan IPK
H0 : Tidak terdapat hubungan yang signifikan antara jumlah SKS dengan IP
132
(3) Hipotesis statistiknya (uji pihak kanan/korelasi positif dan signifikan).
Ha : r ≠ 0
H0 : r = 0
(4) Butlah tabel sebagai penolong untuk menghitung r:
Tabel Kerja untuk Menghitung Nilai r:
No. Xi Yi Xi- X Yi- Y Zx Zy ZxZy
1 20 2,70 3 -0,25 0,71 -1,32 -0,94

2 18 3,20 1 0,25 0,24 1,32 0,32
3 22 2,75 5 -0,20 1,19 -1,05 -1,25
4 10 3,00 -7 0,05 -1,67 0,26 -0,43
5 15 3,10 -2 0,15 -0,47 0,79 -0,37
Jumlah 85 14,75 0 0 – – -2,67
X −X Y −Y
Zx = dan Zy =
Sd x Sd y
X = 17 ; Sd x = 4,20 dan,
Y = 2,95; Sd y = 0,19
∑Zx Zy
rhitung = rxy =
n
− 2,67
=
5
rhitung = rxy = − 0,534
(5) Kriteria pengujian signifikaasi korelasi, pada taraf signifikansi α = 0,05, yaitu:
Jika –rtabel ≤ rhitung ≤ rtabel maka H0 diterima, atau korelasinya tidak signifikan;
dan jika selainnya maka H0 ditolak atau korelasinya signifikan.
(6) dk = n – 2 = 5 – 2 = 3, Dengan α = 0,05 dari tabel r di dapat nilai rtabel = 0,878
(7) Ternyata -0,878 < −0,534 < 0,878 atau –rtabel ≤ rhitung ≤ rtabel, sehingga H0
diterima atau korelasinya negatif tidak signifikan.
133
(8) Kesimpulan: jumlah SKS yang diambil dan IPK yang dicapai tidak memiliki
hubungan yang signifikan.
(9) Besarnya sumbangan jumlah SKS yang diambil mahasiswa terhadap IPK
yang dicapai (pada data di atas) adalah:
R = (-0,534)2 x 100% = 28,52%.
Jika tidak menggunakan rtabel, uji signifikansi r dapat pula menggunakan ttabel,
sebagai pengganti langkah (4), (5), (6) dan (7) sebagai berikut:
(4) thitung dicari berdasarkan rumus:
n−2
t hitung = r
1− r 2
5− 2
= − 0,534
1 − (−0,534) 2
= − 0,534 4,1967
thitung= − 1,0939
(5) Tentukan kriteria pengujian signifikansi korelasi pada α = 0,05 yaitu,
Jika –ttabel ≤ thitung ≤ ttabel maka H0 diterima, atau korelasinya tidak signifikan
(6) dk = n – 2 = 5 – 2 = 3, Dengan α = 0,05 dari tabel t di dapat nilai ttabel = 3,18
(7) Ternyata -3,18 <−1,0939< 3,18 atau –ttabel ≤ thitung ≤ ttabel, artinya H0 diterima,
atau korelasinya tidak signifikan.
Dengan demikian, dapat disimpulkan bahwa jumlah SKS yang diambil dan
IPK yang dicapai mahasiswa memiliki korelasi yang tidak signifikan (rhitung=
−0,534, atau thitung= −1,0939); dan besarnya sumbangan jumlah SKS yang
diambil mahasiswa terhadap IPK yang dicapaiadalah: R = 28,52%.
10.3 Soal-soal
1. Jelaskan pengertian korelasi.

2. Selidiki apakah data nilai UTS dan UAS matematika siswa, seperti tertera pada
tabel berikut, memiliki korelasi (hubungan) yang signifikan atau tidak.
Kode Siswa Nilai UTS Nilai UAS

134
(X) (Y)
01 6 8
02 7 7
03 7 8
04 8 9
05 5 7
06 7 8
07 8 8
08 6 7
09 6 6
10 8 8
135
BAB 11ANALISIS REGRESI
Materi :
Pengantar, Asumsi, Persamaan regresi, Cara menentukan persamaan regresi.
Waktu :

(1) Pengertian analisis regresi.
(2) Beberapa asumsi dalam analisis regresi.
(3) Rumus-rumus dalam melakukan uji regresi.
(4) Melakukan pengujian hipotesis uji regresi.
Penilaian:
136
PETA KONSEP
137
11.1 Pengantar
Berbagai gejala yang kita hadapi dalam kehidupan sehari-hari, seringkali

variabel tertentu bergantung pada variabel lainnya. Misalnya: (1) berat badan
dalam taraf tertentu tergantung pada tinggi badannya, (2) produktivitas kerja pada
taraf tertentu tergantung pada efisiensi dan efektifitas kerjanya, (3) produksi padi
dalam taraf tertentu tergantung pada kesuburan tanah, teknologi yang dipakai,
banyak curah hujan dan sebagainya.
Berdasarkan contoh tersebut, tampaklah mana variabel bebas (yang
mempengaruhi) dan mana variabel terikat (yang dipengaruhi). Variabel yang
mempengaruhi ini dalam analisis regresi disebut sebagai variebel prediktor, yang
dinyatakan dengan lambang X; sedangkan variabel yang dipengaruhi disebut
variabel kriterium dengan lambang Y. Analisis regresi diperlukan, karena sebagai
ilmuwan atau peneliti dituntut untuk mencari kebenaran secara ilmiah atau
berdasarkan ilmu, yang salah satu fungsi ilmu adalah meramalkan (to predict).
Fungsi ilmu yang lainnya adalah menggambarkan (to discribe), mengontrol (to
control), dan menerangkan (to explain).
Jika kita mempunyai dua buah variabel atau lebih, maka sudah sewajar-
nyalah kalau kita ingin mempelajari bagaimana variabel-variabel itu berhubungan
atau dapat diramalkan. Hubungan yang diperoleh biasanya dinyatakan dalam
persamaan matematik yang menyatakan hubungan fungsional antara variabel-
variabel. Pelajaran yang menyangkut masalah ini disebut analisis regresi.
Hubungan fungsional antara satu variabel prediktor dengan satu variabel
kriterium disebut analisis regresi tunggal, sedangkan hubungan fungsional yang
lebih dari satu variabel disebut analisis regresi ganda. Analisis regresi tunggal
sering pula dinyatakan sebagai analisis regresi sederhana.
Analisis regresi berguna untuk mendapatkan hubungan fungsional antara
dua variabel atau lebih, atau mendapatkan pengaruh antara variabel prediktor
terhadap variabel kriteriumnya atau meramalkan pengaruh variabel prediktor
terhadap variabel kriteriumnya.
138
11.2 Asumsi
Beberapa asumsi atau persyaratan yang harus dipenuhi agar analisis regresi
dapat digunakan, antara lain:
(1) Data variabel yang dicari hubungan fungsionalnya berdistribusi normal.
(2) Variabel X tidak acak, sedangkan variabel Y harus acak.
(3) Variabel yang dihubungkan memiliki pasangan sama dan subjek yang sama
pula.
(4) Variabel yang dihubungkan mempunyai data interval atau rasio.
11.3 Makna Persamaan Regresi
Misalnya kita ingin mengetahui hubungan fungsional (pengaruh atau

meramalkan pengaruh) antara banyaknya pengunjung toko (variabel X) dengan
banyaknya pembeli di sebuah toko. Persamaan regresinya ialah:
Ŷ = a + bX
dimana:
Ŷ = variabel kriterium (baca ye topi)
X = variabel prediktor
a = bilangan konstan
b = koefisien arah regresi linier.
Bentuk persamaan regresi tersebut sering dibaca sebagai regresi Y atas X, artinya
persamaan regresi dengan X sebagai variabel prediktornya dan Y sebagai varabel
kriteriumnya.
Koefisien arah regresi linier dinyatakan dengan huruf b yang juga
menyatakan perubahan rata-rata variabel Y untuk setiap variabel X. Maksudnya
ialah bila harga b positif maka variabel Y akan mengalami kenaikkan atau
pertambahan. Sebaliknya bila b negatif, maka variabel Y akan mengalami
penurunan.
Sebagai contoh, persamaan regresi antara pengunjung (X) dan pembeli (Y)
ialah Y = 9 + 0,50X. Maknanya ialah, karena b positif maka hubungan
fungsionalnya juga menjadi positif. Selanjutnya kita dapat mengatakan bahwa
jika setiap pengunjung (X) bertambah dengan 30 orang, maka rata-rata pembeli
(Y) akan bertambah menjadi Y = 9 + 0,50.30 = 24 orang. Dan akhirnya kita dapat
139
menyimpulkan bahwa semakin banyak pengunjung semakin banyak pula
pembelinya.
11.4 Cara Menentukan Persamaan Regresi
Persamaan regresi dapat ditentukan secara manual dengan bantuan tabel

penolong, dengan bantuan kalkulator, atau dengan menggunakan komputer. Pada
kesempatan ini perhitungan analisis regresi dibatasi secara manual saja, karena
lebih diutamakan/ditekankan pada pemahaman konsep tentang analisis regresi.
Sedangkan penggunaan komputer atau media lainnya dapat dilakukan pada
kesempatan atau mata kuliah lain, seperti mata kuliah pemogram komputer atau
analisis statistik. Pemahaman konsep tentang analisis regresi kita perhatikan
contoh sederhana berikut ini.
Seperti dikemukakan di atas bentuk umum persamaan regresi dua variabel
X dan Y adalah: Ŷ = a + bX. Nilai a dan b dihitung dengan rumus masing-
masing:
(∑ Yi ) (∑ X i2 ) − (∑ X i ) (∑ X i Yi )
a=
n ∑ X i2 − (∑ X i ) 2
n ∑ X i Yi − (∑ X i ) (∑ Yi )
b=
n (∑ X 22 ) − (∑ X i ) 2
Atau, jika b sudah dihitung lebih dahulu, maka a dapat dihitung dengan
rumus:a = Y − b X
Contoh:
Diketahui data (X dan Y) seperti pada tabel berikut:
X Y
2 3
3 1
2 2
3 2
140
1 1
3 1
Pertanyaan:
1. Tentukan bagaimana persamaan regresinya?
2. Apakah hubungan fungsional antara X dan Y signifikan?
3. Gambarkan diagram pencar (scater diagram) dan garis regresinya!
Jawab:
Langkah-langkahnya seperti berikut ini:
1. Tabel penolong
No. Xi Yi Yi2 Xi2 XiYi

1 2 3 9 4 6
2 3 1 1 9 3
3 2 2 4 4 4
4 3 2 4 9 6
5 1 1 1 1 1
6 3 1 1 9 3
Jumlah 14 10 20 36 23
2. Masukkan nilai-nilai pada tabel ke dalam rumus (a):
(∑ Yi ) (∑ X i2 ) − (∑ X i ) (∑ X i Yi )
a=
n ∑ X i2 − (∑ X i ) 2
10 × 36 − 14 × 23
=
6 × 36 − 14 2
a = 1,90 ..................... (1)
Masukkan nilai-nilai pada tabel ke dalam rumus (b):
n ∑ X i Yi − (∑ X i ) (∑ Yi )
b=
n ∑ X i2 − (∑ X i ) 2
141
6 × 23 − 14 × 10
=
6 × 36 − 14 2
b = − 0,10 .................... (2)
Atau, a dapat dihitung/dicari dengan rumus:
a = Y −b X
10 14
a= − (−0,10) × = 1,67 – (-0,10)×2,33
6 6
a = 1,67 + 0,23 = 1,90
Masukkan nilai a=1,90dan b=-0,10 ke dalam persamaan regresi: Y = a + bX;
sehingga diperoleh persamaan regresinya: Y = 1,90 – 0,10X.
3. Gambar pencaran data dan garis regresi:
4. Hubungan fungsional antara X dan Y.

Ha dan H0 dalam bentuk kalimat:
Ha : Terdapat hubungan fungsional yang signifikan antara variabel X dan Y
H0 : Tidak terdapat hubungan fungsional yang signifikan antara variabel X
dan Y
Hipotesis statistiknya:
Ha : r ≠ 0
H0 : r = 0
142
n ∑ X i Yi − (∑ X i ) (∑ Yi )
rxy =
{ n ∑ Xi 2 − (∑ X i ) 2 }{ n ∑ Yi 2 − (∑ Yi ) 2 }
6 × 23 −14 × 10
rxy =
(6 × 36 −14 2 ) (6 × 20 −10 2 )
rxy = − 0,100
Kriteria pengujian signifikansi korelas yaitu:

Jika – rtabel< rhitung< rtabel, maka H0 diterima atau korelasinya tidak signifikan; dan
jika selainnya maka H0 ditolak atau Ha diterima.
Dengan n = 6 atau derajat kebebasan dk = n – 2 = 6 – 2 = 4; pada α =0,05 dari
tabel r kritis Pearson di dapat nilai rtabel = 0,811
Ternyata -0,811 < -0,100 atau – rtabel< rhitung atau rhitung> - rtabel,, sehingga H0
diterima atau Ha ditolak, artinya korelasi kedua variabel adalah negatif dan tidak
signifikan.Kesimpulannya:Tidak terdapat hubungan fungsional yang signifikan
antara variabel X dan variabel Y.
11.5 Soal-soal
1. Jelaskan pengertian analisis regresi dua variabel

2. Carilah persamaan regresi nilai UTS dan nilai UAS matematika siswa, seperti
data pada tabel berikut.
Kode Siswa Nilai UTS (X) Nilai UAS (Y)

01 6 7
02 7 7
03 7 8
04 8 9
05 5 5
06 7 8
07 8 9
08 6 7
09 5 6
10 7 8
143
3. Seorang dokter ingin mengetahui apakah ada hubungan antara berat badan
seseorang dengan tinggi badan, untuk keperluan tersebut selanjutnya dilakukan
penelitian terhadap 6 orang dengan data seperti pada Tabel berikut:
Nomor/Kode Tinggi Badan (cm) Berat Badan (kg)

01 132 39
02 143 47
03 136 52
04 158 68
05 171 48
06 160 62
Hitunglah nilai korelasi, koefisien determinasinya, dan tentukan persamaan garis
regresinya.
144
BAB 12UJI CHI-KUADRAT
Materi :
Pengertian dan Rumus Chi-Kuadrat, Langkah-langkah uji Chi-Kuadrat, Koefisien
Kontingensi (C).
Waktu :
Tujuan Pembelajaran:
1. Pengertian dan kegunaan Uji Chi-Kuadrat.
2. Menentukan terdapat atau tidaknya hubungan antara kedua variabel yang
dihubungkan.
3. Menghitung besarnya hubungan antara kedua variabel nominal.
4. Menghitung normalitas data sebagai penerapan Uji Chi-Kuadrat.
Penilaian:
145
PETA KONSEP
146
12.1 Pengertian dan Rumus
Uji Chi-Kuadrat digunakan apabila peneliti ingin mengetahui ada tidaknya

perbedaan proporsi subjek, objek, kejadian dan lain-lain. Karenanya dalam uji
chi-kuadrat datanya bersifat nominal atau kategorikal, bukan data interval. Atau,
data interval yang sudah dilakukan konversi kedalam bentuk data nominal atau
data ordinal.
Contoh pemakaian chi-kuadrat, misalkan kepada 300 orang mahasiswa
diminta pendapatnya mengenai kurikulum baru. Ternyata 160 mahasiswa setuju
dan 140 mahasiswa lagi tidak setuju dengan kurikulum baru. Hipotesis yang akan
diuji atau pertanyaan yang memerlukan jawaban adalah: apakah terdapat
perbedaan jawaban mahasiswa yang signifikan terhadap adanya kurikulum baru?.
Dalam chi-kuadrat, ada dua hal yang dibandingkan, yakni frekuensi pengamatan
(observasi) dan frekuensi teoretik atau yang diharapkan (ekspektasi).
Rumus yang digunakan adalah:
( fo − fe )2
χ =∑
2
fe
Dengan: χ 2 adalah nilai chi-kuadrat (yang akan dicari); fo adalah frekuensi hasil
observasi (pengamatan); dan fe adalah frekuensi ekspektasi (harapan).
300
Dalam contoh di atas: fe = =150
2
(160 −150) 2 (140 −150) 2
Sehingga χ2 = +
150 150
χ 2 = 1,33
Nilai chi-kuadrat hitung tersebut dibandingkan dengan nilai chi-kuadrat

tabel pada taraf nyata tertentu (biasanya 0,05) dan dengan derajad bebas tertentu.
Misalnya pada taraf nyata 0,05 untuk derajat bebas (2 - 1) adalah 3,84. Ternyata
χ 2 = 1,33 < 3,84. Ini berarti tidak terdapat perbedaan yang signifikan jawaban
mahasiswa terhadap pemberlakuan kurikulum baru. Artinya, yang menyatakan
setuju dan tidak setuju adalah sama.
147
12.2 Langkah-langkah Uji Chi-Kuadrat
Penggunaan chi-kuadrat bisa juga untuk menguji perbedaan proporsi

jawaban yang lebih dari dua kategori. Misalnya terhadap contoh di atas, frekuensi
jawaban dari 300 mahasiswa mengenai persepsi mereka terhadap kurikulum baru
ditanyatakan pada mahasiswa pria dan mahasiswa wanita. Jawaban mereka
dilukiskan seperti dalam tabel berikut.
Kelompok/Kategori
Setuju Tidak Setuju Jumlah
Mahasiswa
Pria 60 40 100
Wanita 150 50 200
Jumlah 210 90 300
Data pada tabel adalah hasil pengamatan atau observasi (fo). Kita perlu
mencari frekuensi teoretis atau frekuensi harapan (fe), yaitu:
(1.1) Untuk mahasiswa pria yang menjawab/menyatakan setuju,
100
fe = × 210 = 70
300
(1.2) Untuk pria yang menyatakan tidak setuju,
100
fe = × 90 = 30; atau 100 – 70 = 30
300
(2.1) Untuk wanita yang menyatakan setuju,
200
fe = × 210 =140
300
(2.2) Untuk wanita yang menyatakan tidak setuju,
fe = 200 – 140 = 60
2 (60 − 70) 2 (40 − 30) 2 (150 − 140) 2 (50 − 60) 2

Sehingga χ = + + +
70 30 140 60
χ 2 = 7,13
148
χ 2 hitungan ini dibandingkan dengan tabel chi-kuadrat pada taraf kepercayaan
0,05 dengan df = (2 – 1) (2 – 1) yakni 3,84. Ternyata 7,13 > 3,84. Artinya,
perbedaan jawaban tersebut bergantung pada jenis kelamin.
12.3 Koefisien Kontingensi
Koefisien kontingensi atau C dapat dihitung dalam Chi-kuadrat. Koefisiensi

ini adalah ukuran kadar asosiasi atau relasi antara dua himpunan atribut. Rumus
yang dipakai adalah sebagai berikut:
χ2
C=
N +χ2
Dalam contoh di atas,
7,13
C=
300 + 7,13
C = 0,152
Dengan demikian, derajat asosiasi antara jenis kelamin mahasiswa dengan
persepsi terhadap kurikulum baru termasuk lemah.
Penggunaan uji Chi Kuadrat juga digunakan untuk melakukan uji
normalitas data, seperti yang telah diuraikan sebelumnya. Data berdistribusi
normal merupakan persyaratan yang perlu dipenuhi untuk uji statistik parametrik.
Bila data tidak normal, maka dianjurkan menguji hipotesis dengan menggunakan
uji non-parametrik. Prosedur atau contoh uji normalitas data dengan
menggunakan uji Chi-Kuadrat dapat diperhatikan uraian materi pada bab
sepelumnya.
12.4 Soal-soal
1. Jelaskan pengertian analisis uji Chi-Kuadrat.

2. Selidiki apakah ada hubungan atau pengaruh jenis kelamin terhadap nilai UTS
mata pelajaran matematika siswa kelas I SMA; data seperti pada tabel berikut.
Nilai mencapai Nilai tidak

Jenis Kelamin KKM mencapai Jumlah
(≥70) KKM (<70)
149
Laki-laki 8 5 14
Perempuan 15 7 18
Jumlah 23 12 35
150
BAB 13UJI NONPARAMETRIK
Materi :
Korelasi Spearman-Rank, Uji Wilcoxon.
Waktu :

1. Pengertian dan langkah-langkah uji Korelasi Spearman Rank.
2. Melakukan uji Korelasi Spearman-Rank.
3. Pengertian dan penggunaan uji Uji Wilcoxon.
4. Melakukan pengujian Uji Wilcoxon.
Ekspository, tanya jawab, diskusi, kerja kelompok, dan pemberian tugas.
Penilaian:
151
PETA KONSEP
152
13.1 Pengantar
Uji Non-Parametrik yang akan dibahas pada mata kuliah Statistika Dasar
atau pada tulisan ini dibatasi hanya tentang Korelasi Spearman Rank dan Uji
Wilcoxon. Menyangkut pembahasan lebih luas dan mendalam tentang uji Statistik
Non-Parametrik akan diberikan pada mata kuliah Statistika Inferensial atau
Statistika Non-Parametrik. Korelasi Spearman Rank dan Uji Wilcoxon
merupakan contoh uji statistik yang sederhana dan sering digunakan dalam
analisis data.
13.2 Korelasi Spearman Rank
Korelasi Spearman rank (korelasi rank) dipakai apabila: (1) kedua variabel
yang akan dikorelasikan mempunyai tingkatan data ordinal, (2) jumlah anggota
sampel di bawah 30 (sampel kecil), (3) data tersebut memang diubah dari interval
ke ordinal, dan (4) data interval tersebut ternyata tidak berdistribusi normal.
Korelasi rank ini ditemukan oleh Spearman, sehingga disebut juga sebagai
korelasi Spearman. Korelasi ini dapat juga disebut sebagai korelasi bertingkat,
korelasi berjenjang, korelasi berurutan, atau korelasi berpangkat.
Besarnya hubungan antara dua variabel atau derajat hubungan yang
mengukur korelasi berpangkat disebut koefisien korelasi berpangkat atau
koefisien korelasi spearman yang dinyatakan dengan lambing rs. Makna dan
kelayakan nilai r seperti halnya dengan yang diuraikan dalam korelasi PPM.
2.1 Guna Korelasi Spearman Rank.

Korelasi spearman rankberguna untuk mendapatkan:
(1) Kuatnya hubungan dua buah data ordinal,
(2) Derajat kesesuaian dari dua penilai terhadap kelompok yang sama,
(3) Validitas konkuren alat pengumpulan data,
(4) Reliabilitas alat pengumpul data setelah dikembangkan bersama-sama dengan
William Brown, sehingga disebut dengan korelasi spearman-Brown.
2.2 Rumus Korelasi Rank.
153
6∑ b2
Korelasi Spearman: rs = 1 −
N3 − N
2rs
Korelasi Spearman-Brown: r11 =
1 + rs
2.3 Langkah-langkah Menghitung Koefisien Korelasi Rank.

Langkah-langkah yang dilakukan dalam menghitung koefisien korelasi rank
adalah seperti berikut:
1. Tulis Ha dan H0 dalam bentuk kalimat:
a. Ha:Terdapat hubungan yang positif dan signifikan antara variabel X
dengan Y.
b. H0 : Tidak terdapat hubungan yang positif dan signifikan antara variabel
X dengan Y.
2. Tulis Ha dan H0 dalam bentuk statistik:
a. Ha : r ≠ 0
b. H0: r = 0
3. Buat tabel penolong untuk menghitung koefisien korelasi rank
4. Masukkan nilai-nilai yang terdapat dalam tabel tersebut ke dalam rumus rs.
5. Tetapkan taraf signifikansinya.
6. Tentukan kriteria pengujian signifikansi rs.
Jika –rstabel ≤ rs hitung ≤ rs tabel’ maka H0 diterima atau korelasinya tidak
signifikan.
7. Cari rs tabel pada daftar r kritis untuk Spearman dengan N dan taraf signifikansi
langkah 5
8. Bandingkan rs hitung dengan rs tabel dan konsultasikan dengan kriteria seperti
pada langkah 6.
9. Buatlah kesimpulannya.
Catatan:
Jika tidak ingin menggunakan tabel r kritis spearman, maka dapat pula
menggunakan tabel t sebagai pengganti langkah 4, 6, 7 dan 8 sebagai berikut:
4. Cari thitung dengan rumus :
n-2
t hitung = rs
1- r 2
154
6. Jika –rs tabel < ts hitung < ts tabel maka H0 diterima atau korelasinya tidak signifikan.
7. Tentukan dk = n – 2 dan dengan taraf signifikansi seperti langkah 3 dan lihat
tabel t sehingga didapat nilai ttabel.
8. Bandingkan thitung dengan ttabel dan konsultasikan dengan kriteria di atas.
Contoh:
Diketahui data (X dan Y) seperti pada tabel berikut:
No. X Y
1. 2 2
2. 3 3
3. 2 1
4. 3 2
5. 3 3
6. 1 2
Jumlah 14 13
Ditanya:
1. Bagaimana hubungan X dengan Y?
2. Jika X sebagai jumlah nilai genap dan Y jumlah nilai ganjil. Apakah alat
pengumpul data tersebut reliabel?
Jawaban soal 1: (Hubungan X dengan Y?)

1. Tulis Ha dan H0 dalam bentuk kalimat
Ha : Terdapat hubungan yang positif dan signifikan antara variabel X
dengan Y.
H0 : Tidak terdapat hubungan yang positif dan signifikan antara variabel
Xdengan Y.
2. Tuliskan Ha dan H0 dalam bentuk statistik.
Ha : r ≠ 0
H0 : r = 0
3. Tabel Penolong:
Nilai Nilai Rank Rank Beda

No. b2
Genap Ganjil Genap Ganjil (b)
1. 2 2 4,50 4 0,50 0,25
2. 3 3 2 1,50 0,50 0,25
3. 2 1 4,50 6 -1,50 2,25
4. 3 2 2 4 -2 4
155
5. 3 3 2 1,50 0,50 0,25
6. 1 2 6 4 2 4
Jumlah 14 13 - - 0 11
Cara menghitung rank (genap):
(a) Urutkan data genap mulai yang terbesar sampai terkecil, sehingga data
genap (X) menjadi sebagai berikut:
Urutan ke- Nilai Data Rangking ke-

1 3 2
2 3 2
3 3 2
4 2 4,5
5 2 4,5
6 1 6
(b) Periksa dulu apakah data yang diurutkan sudah cocok dengan banyaknya
sampel? Dalam hal ini ada enam urutan. Setelah cocok lanjutkan
menghitung urutan ranking ke-... dengan cara berikut:
1+ 2 + 3
Nilai 3 merupakan ranking ke- =2
3
4+5
Nilai 2 merupakan ranking ke- = 4 ,50
2
Nilai 1 merupakan ranking ke-6

(c) Masukkan ranking tersebut ke dalam tabel penolong sesuai dengan nilai
data masing-masing.
Dengan cara yang sama, maka ranking ke-n, untuk data nilai ganjil dapat
pula dihitung (dicari).
(d) Cari selisih ranking nilai genap dengan ranking nilai ganjil.
(e) Jumlahkan semua selisih ranking tersebut, jika = 0 berarti perhitungan
betul dan lanjutkan.
(f) Kuadratkan selisih ranking (b) tersebut, kemudian jumlahkan hingga
menjadi b2.
156
4. Masukkan nilai yang didapat dalam tabel penolong itu ke dalam rumus
Spearman, sehingga didapat:
6 × 11
rs hitung =1 -
63 − 6
66
= 1- = 0,687
212
5. Taraf signifikansi (α) = 0,05.

6. Tentukan kriterianya yaitu:
Jika –rs tabel < rs hitung < rs tabel, maka H0 diterima atau korelasinya tidak
signifikan.
7. rs tabel pada daftar r kritis Spearman dengan α = 0,05 dan N = 6 didapat rs tabel =
0,886.
8. Ternyata: -0,886 < 0,687 < 0,886 atau- rs tabel < r s hitung < r s tabel, sehingga H0
diterima atau korelasinya tidak signifikan.
9. Kesimpulannya: Hubungan antara variabel X dengan variabel Y ternyata
positif dan tidak signifikan (agak cukup).
Catatan:
Jika tidak ingin menggunakan tabel r kritis Spearman, maka dapat pula
menggunakan tabel sebagai pengganti langkah 5 dan seterusnya. Langkah-
langkahnya adalah sebagai berikut:
5. Cari thitung dengan rumus
n−2
thitung = rs
1− r 2
= 0,687 6 − 2 = 0,687×2,752
1 − 0,687 2
thitung = 1,8906
6. Tentukan kriteria pengujian signifikansi korelasi yaitu:-ttabel < thitung < ttabel, maka
H0diterima atau korelasinya tidak signifikan.
7. Tentukan dk = 6-2=4 dan dengan taraf signifikansi (α = 0,05) dengan melihat
tabel t didapat nilai ttabel = 2,776.
8. Ternyata -2,776 <1,8906< 2,776 atau –ttabel < thitung < ttabel sehingga H0 diterima
atau korelasinya tidak signifikan.
157
9. Kesimpulannya: Hubungan antara variabel X dengan variabel Y ternyata
positif (agak cukup) dan tidak signifikan.
Jawaban Nomor 2:
Apakah alat pengumpul data tersebut reliabel?; dimulai dari langkah 4 dan
lanjutkan dengan memasukkan nilai r ke rumus Spearman-Brown, sehingga
didapat:
2 x0,687
r11 =
1 + 0,687
= 0,814
6. Tentukan kriterianya yaitu:
Jika –rtabel ≤ r11 hitung ≤ r tabel, maka H0 diterima atau tidak reliable.
7. rii tabel pada daftar r kritis Spearman dengan α = 0,05 dan n=6 didapat rii tabel
=0,829.
8. Ternyata -0,829<0,814 <0,829
Atau –rs tabel < r hitung < rs tabel sehingga H0 diterima atau alat pengumpul datanya
tidak reliabel.
9. Kesimpulannya: alat pengumpul data tersebut tidak reliabel untuk mengukur
variabel tertentu (hampir reliabel).
13.3 Uji Wilcoxon
Uji Wilcoxon lebih kuat dari uji tanda, karena selain memperhatikan arah
perbedaan juga memperhatikan besar relatif perbedaan tersebut.
Langkah-langkah (metode) seperti berikut:
- Hitung Di = skor selisih sembarang/semua pasangan
- Berikan ranking pada Di dari yang terkecil dan kelompokkan mana ranking
yang negatif (−) dan positif (+)
- Untuk Di = 0, maka dikeluarkan dari perhitungan. Sedangkan jika Di yang
sama pemberian ranking merupakan ranking rata-rata dari skor yang sama.
- Tetapkan T = jumlah yang lebih kecil dari kedua kelompok ranking yang
memiliki tanda sama.
Jika H0 benar, maka jumlah ranking kedua kelompok akan mendekati sama.
Keputusan:
- Untuk sampel kecil (n ≤ 25) gunakan Tabel G. Tolak H0 jika T ≤ nilai Tabel G.
158
- Untuk n > 25 maka didekati dengan distribusi normal melalui Z= (T-µT)/σT
N (N + 1) ( N (N + 1) (2N + 1))
Dengan µT = dan σr =
4 2N
Contoh:
Data prestasi kerja guru sebelum dan sesudah dilatih.
No. Sebelum pelatihan Sesudah pelatihan

1 5 3
2 2 4
3 1 5
4 5 1
5 2 4
6 3 3
7 3 5
8 5 2
9 2 3
10 4 5
Pertanyaan: apakah ada perbedaan prestasi kerja guru antara sebelum dan sesudah
dilatih?
Jawab:
No. Sebelum Sesudah Tanda Ranking

dilatih dilatih
1 5 3 -2 4,5
2 2 4 2 4,5
3 1 5 4 8,5
4 5 1 -4 8,5
5 2 4 2 4,5
6 3 3 0
7 3 5 2 4,5
8 5 2 -3 7
9 2 3 1 1,5
10 4 5 1 1,5
H0 :Tidak ada perbedaan prestasi kerja guru sebelum dan sesudah dilatih
Ha : Ada perbedaan prestasi kerja guru sebelum dan sesudah dilatih.
159
P+ = 25
P- = 20
T dipilih yang terkecil, yaitu 20, dengan n = 9, sehingga diperoleh Ttabel = 6
(lihat Tabel G).
Jika Thitung > Ttabel’ H0 diterima.
Ternyata 20 > 6, berarti H0 diterima.
Kesimpulan: tidak ada perbedaan prestasi kerja guru sebelum dan sesudah
mengikuti pelatihan (dilatih).
13.4 Soal-soal
1. Data Kinerja Karyawan sebelum dan sesudah dilaksanakan peraturan baru

adalah sebagai berikut:
No. Kinerja sebelum Kinerja sesudah

Respon dilaksanakan dilaksanakan
den Peraturan Baru Peraturan Baru
1 4 4
2 5 3
3 4 4
4 4 3
5 5 3
6 3 3
7 2 2
8 5 2
9 5 4
10 4 5
Pertanyaan: apakah ada perbedaan prestasi kerja guru antara sebelum dan sesudah
dilatih?
160
SOAL LATIHAN
1. Jelaskan pengertian dari statistika, kemudian jelaskan pula kegunaannya.

2. Dalam bidang-bidang manakah Ilmu Statistika itu makin terasa
penting ?
3. Data ialah bilangan atau pernyataan yang dapat memberikan
keterangan. Manakah yang merupakan data (sebutkan pula data diskrit atau
data kontinu)?.
a. Banyak mahasiswa universitas x ada 7954 orang
b. Luas areal sawah di daerah itu 567,5 km2
c. Gaji pegawai dalam rupiah.
d. Kecepatan kenderaan tiap jam.
e. Pulau Jawa termasuk pulau yang penduduknya sangat padat.
f. Operasi bagi pada bilangan rasional tidak nol tertutup.
g. 25 = 32
h. Januari adalah nama bulan.
i. Rata-rata nilai UTS Statistika adalah 56.
4. Kesimpulan berdasarkan hasil penelitian menggunakan statistika
akan lebih dapat dipertanggungjawabkan bila pengumpulan datanya dilakukan
secara sensus dan bukan secara sampling. Berikan komentar anda tentang ini.
5. Kita memerlukan keterangan, tetapi sebagian besar dari pada
orang-orang yang kita perlukan keterangannya itu tidak mau menerangkannya
dengan terus terang. Bagaimanakah caranya agar kita dapat memperoleh
kterangan itu dengan baik.
6. Berilah contoh pengumpulan data yang harus dilakukan melalui
observasi, angket, dan wawancara masing-masing.
7. Jelaskan pengertian data kualitatif dan kuantitatif, data primer, data
sekunder, data mentah. populasi, dan sampel.
8. Sebutkan langkah-langkah membuat distribusi frekuensi
a. tanpa pengelompokan (tidak tersusun)
b. dengan pengelompokan (tersusun)
9. Apakah yang dimaksud dengan histogram, poligon frekuensi,
piktogram, ogive, kurva unimodal, kurva bimodal dan kurva multimodal.
161
10. Ketika membuat daftar distribusi frekuensi, kapankah kita gunakan
panjang kelas interval tidak sama atau terbuka.
11. Banyak lulusan sarjana jurusan matematika suatu universitas (X)
dari tahun 2006 sampai dengan tahun 2012 adalah: 7 orang tahun 2006, 10
orang tahun 2007, 9 orang tahun 2008, 17 orang tahun 2009, 15 orang tahun
2010, 20 orang tahun 2011, dan 12 orang tahun 2012. Buatlah diagram
batangnya, kemudian tentukan jumlah sarjana dan rata-rata pertahun yang
dihasilkan.
12. Sebutkanlah macam-macam ukuran gejala puat dan ukuran letak
yang dikenal hingga sekarang. Jelaskan.
13. Diketahui sekumpuian bilangan yang merupakan nilai ulangan
(UTS) 20 mahasiswa dalammata kuliah statistika, sebagai berikut: 75, 65, 50,
70, 85, 65, 80, 75, 45, 70, 75, 50, 80, 90, 55, 60, 70, 85, 75, 65.
a. Hitunglah nilai rata-ratanya.
b. Tentukan mediannya.
c. Hitung kuartil pertama dan ketiga.
d. Berapa modusnya.
e. Hitunglah sebarannya.
f. Hitunglah deviasi rata-ratanya.
g. Hitting pula deviasi bakunya.
14. Nilai ujian final (UAS) Statistika lima orang mahasiswa pada suatu
semester tertentu, dia mendapatkan angka-angka nilai ujian; 75, 65, 80, 75,
dan 85. Tentukanlah harga rata-rata hitungnya. Berapakah nilai median,
modus, harga rata-rata ukur dan harga rata-rata harmonis?
15. Kuartil, desil dan persentil yang berapakah median? Tunjukkan
perhitungan median sebagai kuartil, desil dan persentil, dengan memakai
sebuah pencaran frekwensi.
16. Sampel berukuran 1000 dibagi menjadi 4 kelompok (sub sampel).
Dari tiap-tiap sub-sampel dihitung rata-rata dan mediannya. Hasilnya sebagai
berikut :
Subsampel 1: ukuran 200,dengan x = 54,2 dan Me = 25
Subsampel 2: ukuran 400,dengan x = 60,2 dan Me = 37
Subsampel 3 : ukuran 250, dengan x = 57,0 dan Me = 20
Subsampel 4 : ukuran 150, dengan x = 62,7 dan Me = 32
Hitunglah mean dan median untuk keseribu pengamatan yang didapat.
162
17. Pada data yang bagaimanakah kita menggunakan rentang (10 – 90)
persentil.
18. Apa yang dimaksud dengan fluktuasi. Jelaskan!
19. Terangkan mengapa harga rata-rata hanya membenkan keterangan
yang kabur mengenai sekumpulan data.
20. Hitunglah rata-rata hitung, median, modus, jangkauan, rentang
antar kuartil, simpangan kuartil, simpangan, simpangan rata-rata dan
simpangan baku, dari data:
a. 8, 7, 3, 6, 7, 7, 3, 3.
b. 1, 8, 3, 4, 10, 6, 6, 9, 2, 7, 5.
c. 4, 4½ ,4½ , 5, 5, 6, 6½ , 7½ , 8, 9, 9, 6, 10, 7, 8.
21. Bila data semakin menyebar, makin bagaimanakah :
a. Jangkauannya ?
b. Deviasi bakunya ?
22. Ditentukan distribusi frekuensi berikut:
Nilai Frekuensi
21 – 30 3
31 – 40 10
41 – 50 8
51 – 60 27
61 – 70 20
71 – 80 16
81 – 90 9
91 – 100 7
Jumlah 100
Pertanyaan :
c. Sebutkan banyaknya data, banyaknya kelas, panjang
interval kelas, batas bawah kelas pertama dan batas atas
kelas terakhir, dan titik tengah setiap kelas.
d. Hitung median dan modus data tersebut.
e. Hitunglah rata-rata hitungnya.
f. Hitung pula simpangan rata-rata dan simpangan baku
data tersebut.
163
g. Buatlah histogram dan poligon frekuensi dari distribusi
tersebut.
h. Berapa persen (%) yang mendapat nilai antara: x-s – x+s,
x-2s – x+2s, dan x-3s – x+3s.
23. Seorang siswa memperoleh nilai Matematika 6,5 (rata-rata hitung
dan simpangan baku Matematika kelas tersebut masing-masing 5,4 dan 1,2);
sedangkan nilai Bahasa Indonesia 7 (rata-rata dan hitung dan simpangan baku
Bahasa Indonesia kelas tersebut masing-masing 6,7 dan 0,8). Tentukan mana
lebih baik kedudukan siswa tersebut dalam kedua pelajaran.
24. Diberikan data: 12, 8, 9, 10, 14, 15, 8, 10, 12, 10. Hitunglah:
a. Rata-rata simpangan
b. Simpangan baku
c. Simpangan baku berapa kali rata-rata simpangan.
25. Hasil ujian Statistika untuk 42 orang mahasiswa sebagai berikut:
65 73 50 90 72 57 68 87 75 69 80 60 68 55
67 65 80 71 65 72 76 45 95 56 70 85 67 77
70 68 72 75 73 55 60 74 80 90 65 78 60 85
a. Hitung nilai rata-rata dan simpangan bakunya.
b. Jadikan data di atas ke dalam angka baku dengan rata-
rata 50 dan simpangan baku 10, dalam hal ini data diubah kedalam angka
T, yatu: T = 50 + 10z.
c. Kalau dalam sistem angka baku ini nilai lulus ditentukan
paling kecil 70, ada berapa orang yang lulus.
26. Ada tiga calon masing-masing datang dari tiga sekolah tingkat
akhir yang berbeda. Di sekolahnya masing-masing calon A mendapat nilai
matematika 83 sedangkan rata-rata kelasnya 62 dan simpangan baku 12.
Calon B mendapat nifai 97 dengan rata-rata kelas 83 dan simpangan baku 15,
sedangkan calon C mendapat nilai 87 dengan rata-rata kelas 65 dan
simpangan baku 14. Salah satu calon ini akan dipilih berdasarkan sistem
dengan rata-rata 50 dan simpangan baku 10. Calon mana sebaiknya yang
harus didahulukan diterima.
27. Andaikan distribusi frekwensi nilai tes masuk ke jurusan matematika
dari 200 calon adalah sebagai berikut:
Nilai Frekuensi
164
45 – 49 8
50 – 54 21
55 – 59 24
60 – 64 32
65 – 69 46
70 – 74 30
75 – 79 20
80 – 84 12
85 – 89 7
Jumlah 200
a. Buatlah histogram dan poligonnya

b. Hitunglah rata-rata, median, modus, kuartil ke 1 dan ke 3
c. Hitunglah deviasi bakunya
d. Berapa orang yang mendapat nilai paling sedikit adalah (x + s)
28. Dari 150 data dipoleh s = 1,8, dan dari 200 data diperoleh s = 2,2.
Tentukan deviasi standar gabungannya.
29. Jika simpangan kuartil pada distribusi normal adalah 2,4 tentukan
simpangan bakunya.
30. Jika koefisien variasi 3,2% dan rata-rata hitung 57, hitunglah simpangan
bakunya.
31. Sifat manakah dari simpangan baku (standard deviasi) itu yang sering
dipergunakan di dalam penaksiran dan pengujian hipotesis.
32. Seorang mahasiswa dalam mata kuliah statistika mendapat angka (nilai)
adalah: kuis 75, tugas 85 dan ujian akhir semester 67. Jika masing-masing
mempunyai bobot yang berbeda yaitu 2, 1 dan 3. berapakah angka nilai akhir
(mentah) dari mahasiswa tersebut.
33. Seperti halnya soal nomor 32 di atas, salah seorang mahasiswa yang lain
dalam kelompok dan mata kuliah yang sama mendapat nilai kuis 60, tugas 75
dan ujian akhir semester 75. Tentukan pula nilai akhir yang diperoleh
mahasiswa tersebut.
34. Sehubungan dengan soal 32 dan 33, jika rata-rata hitung keseluruhan
mahasiswa (kelompok) dari nilai akhir mereka adalah 52,5 dan simpangan
bakunya 12, tentukan bilangan baku dari kedua mahasiswa tersebut.
165
35. Pemilik suatu perusahaan pabrik paku ingin meneliti mesin mana yang
menghasilkan paku yang lebih seragam, apakah mesin X yang menghasilkan
paku 9 cm atau mesin Y yang menghasilkan paku ukuran 5 cm. Dalam hal ini
dari masing-masing paku yang berbeda ukurannya itu diambil sampel
berukuran 100 (masing-masing 100 paku). Setelah diukur, paku yang
berukuran 9 cm diperoleh simpangan bakunya 0,03 dan rata-rata 9 cm.
sedangkan dari paku yang berukuran 5 cm diperoleh simpangan baku 0,025.
Tentukan dan jelaskan mesin mana yang menghasilkan paku lebih seragam.
36. Apa guna tabel t. Berapa nilai t jika n = 10, α = 0,05, untuk dua arah dan
satu arah? Berapa pula nilai t jika α = 0,01 ?
Berapa nilai χ untuk n = 14 dan α = 0,05?
2
37.
38. Berapa nilai F untuk F(30,10) untuk α = 0,05 dan α - 0,01? Dan berapa
F(10,30) untuk α = 0,05 dan α = 0,01?
39. Data nilai ujian ujian tengah semester dari siswa Pria dan Wanita pada
kelas I suatu SMA Kota Banda Aceh tahun pelajaran 2013/2014 seperti
berikut:
Pria : 75 60 62 47 68 50 85 48 66 52 63 58 7865
53 40 72 56 35 82 67 55 70 68 62 76 5743
Wanita: 65 68 80 76 60 72 90 44 82 66 70 86 5567 85 78
72 50 95 67 40 75 68 62 86 57 7370
73 80 62 4768 65
Pertanyaan:
a. Hitunglah nilai rata-rata dan simpangan .baku dari kedua kelompok data
tersebut.
b. Selidiki apakah nilai (prestasi) kedua kelompok siswa (Pria dan Wanita)
tersebut memiliki perbedaan yang signifikans.
40. Selidikiapakah ada perbedaan yang signifikan indek prestasi (IP)
mahasiswa Wanita dengan mahasiswa Pria, jika data rata-rata IP mereka
kuliah selama satu tahun pertama, seperti berikut:
Mahasiswa Wanita Mahasiswa Pria
X 1 = 3,24 X 2 = 2,87
s1 = 0,57 s2 = 0,81
n1 = 36 n2 = 24
166
41. Diketahui hasil tes pertama dan tes kedua terhadap 12 orang siswa
sebagai berikut:
Tes I : 45 60 70 62 60 60 40 65 5036 58 65
Tes II : 7073 90 80 78 67 75 85 64 74 75 83
Pertanyaan:
a. Apakah korelasinya positif?
b. Berapa besarnya sumbangan tes I terhadap tes II?
c. Apakah r tersebut signifikan pada α = 0,05?
42. Diketahui data mengenai banyaknya tenaga kerja dengan produksi
sepatu yang dihasilkan oleh sebuah perusahaan sepatu, sebagai berikut:
Produksi yang 105 75 155 65 150 200

dihasilkan (sepatu)
Jumlah Pekerja 20 17 25 15 22 30
a. Jika diduga antara tenaga kerja dan produksi terdapat hubungan, maka
hitunglah berapa koefisien korelasinya?
b. Dari data di atas apakah benar ada hubungan antara tenaga kerja dan
produksi, dengan menggunakan tingkat kepercayaan 5%?
c. Jika melihat pada derajat hubungan kedua variabel di atas (hasil
jawabannya) dan bentuk hubungannya, apakah dibenarkan jika anda
menghitung persamaan regresinya? Kemukakan alasan jawabannya; dan
jika dapat dihitung, tentukan persamaan regresinya!
43. 43.Suatu penelitian diadakan untuk mengetahui apakah ada hubungan
antara penghasilan (pendapatan) keluarga yang digolongkan ke dalam
golongan rendah, sedang, dan tinggi dengan penggunaan angkutan
umum:Kereta Api, Bus dan Taksi ketika bepergian. Data yang diperoleh
seperti pada tabel berikut:
Tingkat Pendapatan Kereta Api Bus Taksi
Rendah 45 40 25
Sedang 35 35 40
Tinggi 20 25 35
167
Gunakan α = 0,05, apakah ada hubungan yang berarti antara golongan
pendapatan dan penggunaan angkatan umum? Berikan uraian atas hasil yang
diperoleh!
44. Selidiki, apakah ada hubungan antara Hasil Belajar (X) dengan IQ (Y);
bila datanya seperti pada tabel berikut.
Hasil Tes
No. Urut Subjek IQ (Y)
(X)
1. A 67 90
2. B 51 76
3. C 70 100
4. D 65 90
5. E 54 85
6. F 49 80
7. G 67 95
8. H 65 76
168
DAFTAR PUSTAKA
Agung, I.Gusti Ngurah, (2001). STATISTIKA Analisis Hubungan Kausal

Berdasarkan Data Kategorik. Jakarta: PT. RajaGrafindo Persada (ISBN:
979-421-614-3)
Dayan, Anton, (1978). Metode Statistik. Jakarta: LP3ES.
Hadi, Sutrisno, (2004). Analisis Regresi. Yogyakarta: Andi Ofset (ISBN: 979-
731-459-6).
Hartono, (2008). STATISTIK untuk Penelitian. Penerbit: Lembaga Studi Filsafat,

Kemasyarakatan, Kependidikan dan Perempuan (LSFK2P-Yogyakarta
(ISBN: 979-3477-45-8).
Hasan, M. Iqbal, (2004). Analisis Data Penelitian dengan Statistik. Jakarta: PT.
Bumi Aksara. (ISBN: 979-526-060-7)
Hanafiah, Kemas Ali, (2006). Dasar-dasar Statistika,Aneka Bidang Ilmu

Pertanian dan Hayati. PT. RajaGrafindo Persada-Jakarta (ISNB: 979-
3654-65-1).
Hariyadi, Moh. (2009). Statistik Pendidikan (Panduan Lengkap dari Design

Sampai Analisis Statistik Pendidikan). Jakarta: PRESTASI PUSTAKA-
RAYA. (ISBN: 978-602847006-3)
Irianto, Agus, M., (2007). Statistik,Konsep Dasar dan Aplikasinya. Jakarta:

Kencana Prenada Media Group. (ISBN: 9793465-45-X 310).
Nasution, A. H., dan Barizi, (1979). Metode Statistika. Jakarta : Gramedia.
Nugroho, Sigit, (2008). Dasar-dasar Metode Statistika. Penerbit PT. Gramedia-

Jakarta.
Pasaribu, Amudi (1983). Pengantar Statistik, Jakarta : Ghalia Indonesia.
Reksoatmodjo, Tedjo, (2007). STATISTIKA, untuk Psikologi dan Pendidikan PT.

Refika Aditama-Bandung. (ISBN: 979-1073-29-5).
169
Riduwan, & Sunarto, , (2009). Pengantar STATISTIKA untuk Penelitian
Pendidikan, Sosial, Ekonomi Kommunikasi dan Bisnis. (Lengkap dengan
Aplikasi SPSS 14. Penerbit ALPABETA, Bandung (ISBN: 979-8433-6).
Ruseffendi, E. T., (1977). Statistika. Bandung: Proyek Balai Pendidikan Guru

Tertulis, Depdikbud.
Soepeno, Bambang (1997). Statistik Terapan, dalam penelitian ilmu-ilmu sosial

& Pendidikan. Jakarta: Rineka Cipta.
Spiegel, Murray R., Phd. & Stephens, Larry J. (2007). Statistik (Teori dan Soal-
soal, Alih bahasa: Wiwit Kartawan & Irzam Hermein) Penerbit Erlangga.
Sudijono, Anas, Prof., Drs. (2009). Pengantar STATISTIK PENDIDIKAN. PT.

RajaGrafindo Persada-Jakarta. (ISBN: 979-421-085-2).
Supangat, Andi, Drs. M.Si., (2007). Statistik, Dalam Kajian Deskiptif, Inferential
dan Non-Parametrik. Kencana Prenada Media Group Jakarta. (ISBN: 978-
979-392587-5 5195).
Syah, Darwyan, dkk. (2009). Pengantar Statistik Pendidikan, Gaung Persada

Press Jakarta. (ISBN:979-386917-8)
Sudjana, (1991). Teknik Analisis Regresi dan Korelasi. Tarsito-Bandung

(Anggota IKAPI).
Sudjana, (2005). Metoda Statistika. Tarsito Bandung (ISBN: 979-9185-37-8).
Sugijono, (2009). Statistik Non-Parametris untuk Penelitian. CV. ALFABETA-

Bandung (ISBN: 978-979-8433-58-0).
Sulaiman, Wahid, (2005). Statistik Non-Parametrik, Contoh Kasus dan

Pemecahannya dengan SPSS. Penerbit: ANDI Yogyakarta. (ISBN: 979-
731-628-9).
Usman, Husaini & R. Purnomo Setiadi Akbar, (2006). Pengantar Statistika,

Penerbit PT. Bumi Aksara, Jakarta. (ISBN: 979-526-222-X).
Walpole, R. E., (1995). Pengantar Statistika (Edisi ke-3). Jakarta : PT. Gramedia
Pustaka Utama.
Yusri, (2009). STATISTIKA SOSIAL, Aplikasi dan Interpretasi. Graha Ilmu-

Yogyakarta (ISBN: 978-979-756-518-3).
170

Buku Stat Is Tika

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Buku Stat Is Tika

Diunggah oleh

Hak Cipta:

Format Tersedia

STATISTIKA

KATA PENGANTAR ................................................................. ERROR! BOOKMARK NOT DEFINED.

Capaian Pembelajaran Mata Kuliah (CPMK):

Dasar-dasar Statistika merupakan bahagian dari Matematika,

Statistika merupakan salah satu cabang matematika, adalah

1.3 Macam-macam Statistika

Statistika dibedakan atas dua macam, yaitu statistika teoretis

1.4 Peranan Statistika

Perkembangan Statistika dimulai sebagai suatu ilmu yang

Capaian Pembelajaran Mata Kuliah (CPMK):

Keterangan atau fakta mengenai sesuatu persoalan, bisa dalam

2.1.1 Data Nominal.

2.1.2 Data Ordinal.

2.1.3 Data interval.

2.1.4 Data rasio.

Kesimpulan yang dibuat mengenai sesuatu persoalan umumnya

Untuk memperoleh keterangan tentang sesuatu kita

2.3.1 Pengumpulan Data

2.3.2 Penyajian Data

1. Jelaskan apa yang dimaksud dengan data.

Waktu : 3 jam pembelajaran (150 menit).

Capaian Pembelajaran Mata Kuliah (CPMK):

Distribusi frekuensi merupakan sajian data yang sudah disusun

Nilai Statistika Frekuensi

Nilai Statistika dari 100 orang mahasiswa itu dikelompokkan ke

Dengan menggunakan batas-batas (bawah dan atas) kelas,

3.2 Membuat Daftar Distribusi Frekuensi

Berikut ini adalah sekumpulan data berat badan dari 50 orang

Data berat badan tersebut dapat disusun ke dalam daftar

Untuk lebih sederhana, data yang dikumpulkan lazimnya

Sebelum dibuat daftar sebenarnya, biasanya dibuat daftar

Berat Badan Frekuensi

3.3 Histogram dan Poligon Frekuensi

Histogram dan polygon adalah dua grafik distribusi frekuensi

Cara melukis histogram dilakukan seperti berikut:

Dengan menghubungkan titik-titik tengah sisi atas setiap

Berikut dapat kita lukiskan histogram dan polygon dari distribusi

Gambar: histogram (diagram batang) data berat badan 50 siswa

Mengingat luas polygon yang terjadi harus sama dengan luas

Disiribusi relatif ialah distribusi frekuensi dimana frekuensinya

Distribusi kumulatif dapat dibentuk dengan menjumlahkan

b. Distribusi kumulatif lebih dari, seperti daftar berikut:

Berat Badan fkum fkum %

35 atau lebih 50 100

Distribusi frekuensi kumulatif, bila tidak dinyatakan apa-apa

Jadi, dari kedua daftar distrubusi frekuensi kumulatif data berat

Artinya: 1 orang yang beratnya kurang dari 40 kg

Tinggi Frekuensi – Relatif

165 – 169 2 0,04 4

Daftar distribusi kumulatif diperoleh dengan jalan menjumlahkan

Tinggi Badan fkum fkum %

Kurang dari 145 0 0

Maka distribusi frekuensi kumulatif “kurang dari”, yaitu:

Artinya: 3 orang yang tingginya 149 cm atau kurang;

1. Sebutkan macam-macam bentuk penyajian data.

Berat Badan Frekuensi

Buatlah histogram, distribusi frekuensi relatif, distribusi frekuensi

Capaian Pembelajaran Mata Kuliah (CPMK):

Untuk mendapatkan gambaran yang lebih jelas tentang data

Ukuran yang dihitung dari data sampel dinamakan statistik, dan

4.2 Rata-rata Hitung

Dalam statistika seringkali satu bilangan atau satu ukuran

Rata-rata hitung untuk data kuantitatif yang terdapat dalam