Statistik Pasca 2008

PROGRAM PASCASARJANA UNP
SILABUS MATA KULIAH STATISTIK

(Semester Juli – Desember 2022)
A. Informasi Umum
1. Mata Kuliah : Statistik

2. Prodi/Konsentrasi : …………
3. Beban Studi : 3 SKS
4. Dosen : Dr. Adnan Fardi, M.Pd. Prof. Dr. Alnedral. M.Pd.,
Dr. Wilda Welis, Dr. Alex Aldha Yudi,
B. Deskripsi Mata Kuliah
1. Status Mata Kuliah

Statistik merupakan mata kuliah wajib untuk semua program
studi/konsentrasi di Program Pascasarjana Universitas Negeri Padang.
2. Sinopsis Mata Kuliah

Memberikan kepada mahasiswa pengetahuan dasar tentang statistik
dengan penerapan pada aplikasi dan interpretasi, mencakup konsep-
konsep statistika, data, skala pengukuran, pemilihan analisis statistik
untuk masalah penelitian, macam-macam analisis korelasi, regresi,
komparasi, pengujian persyaratan analisis, pengujian hipotesis.
3. Tujuan Mata Kuliah

a. Agar mahasiswa mampu memahami berbagai jenis data dan skala
pengukuran
b. Agar mahasiswa mampu menyusun dan mengolah data
c. Agar mahasiswa mampu mendeskripsikan dan menginterpretasikan
hasil pengolahan data penelitian.
4. Sistem Penilaian
Syarat untuk mengikuti ujian adalah jika mahasiswa mengikuti
perkuliahan tidak kurang dari 80% jumlah pertemuan.
Persentase penilaian ditentukan dari dari:
a. Tugas perorangan/kelompok + kehadiran dan partisipasi = 30%
b. Ujian Tengah Semester = 30%
1
c. Ujian Akhir Semester = 40%
C. Materi Perkuliahan
Pertemuan Pokok Bahasan Sub Pokok Bahasan Sumber
Penjelasan Silabus dan 1. Penjelasan Materi Silabus
lainnya 2. Aturan Perkuliahan
3. Penjelasan Penilaian
4. Pengertian Statistik dan
statistika
Berbagai jenis data Data, 1. Jenis Data dan Skala Buku 1, 2,
Skala Pengukuran, dan Pengukuran 3, 4, 5
pembulatan angka 2. Aturan Pembulatan angka
Penyajian Data dalam 1. Distribusi Frekuensi Buku 1, 2,
Distribusi Frekuensi dan Tunggal, dan Bergolong 3, 4, 5
Grafik/diagram 2. Jenis Grafik
1–5
Tendensi Sentral 1.Kuartil, Desil, Persentil Buku 1, 2,
2.Mean, Median, Mode 3, 4, 5
Variabilitas dan Skor Standar 1.Standar Deviasi, Varians Buku 1, 2,
2.Z Skor dan T Skor 3, 4, 5
6-7 Analisis Korelasi 1.Pengertian Korelasi Buku 3, 4,
2.Jenis-jenis Korelasi dan 5
pengujian hipotesis
8 Ujian Tengah Semester Materi Pertemuan 1 – 7
9 - 10 Pengujian Persyaratan Analisis 1. Uji Normalitas Buku, 3, 4,
2. Uji Homogenitas Varians 5
3. Uji Independensi antar
Variabel Bebas
11 -12 Analisis Regresi 1. Regresi tunggal/ganda Buku 2, 3,
2. Pengujian linearitas dan 4, 5
keberartian regresi
13 – 15 Analisis Komparasi 1. Uji Beda Mean (Uji t) Buku 2, 3,

2. ANAVA 5
16 Ujian Akhir Semester Seluruh Materi
D. Daftar Bacaan
1. Hadi, Sutrisno. 1990. Statistik Jilid I. Yogyakarta: Andi Offset.
2. Sudjana. 1991. Desain dan Analisis Eksperimen. Bandung: Tarsito.
3. Sudjana. 1992. Metoda Statistika. Bandung: Tarsito.
4. Sudjana. 1992. Teknik Analisis Regresi dan Korelasi. Bandung: Tarsito.
5. Isparyadi. 1988. Statistik Pendidikan. Jakarta: P2LPTK.
6. Dan buku-buku Statistik lain yang relevan.
Padang, 4 September 2008
2
Dr. Adnan Fardi, M.Pd.
HAND OUT MATA KULIAH STATISTIK
PROGRAM PASCA SARJANA UNP
SATUAN ACARA PERKULIAHAN (SAP)
Pertemuan 1
Semester : Genap/Ganjil
Program Studi : S2/………….
Pokok Bahasan : Penjelasan silabus, Pengertian Statistik
Sub Pokok Bahahan : Penjelasan materi, Aturan Perkuliahan, Penilaian,
Pengertian Statistik, data dan skala pengukuran.
Alokasi Waktu : 3 x 50 menit
Dosen Penanggung Jawab : Dr. Adnan Fardi, M.Pd.
A. Petunjuk Umum
Setiap mahasiswa wajib membaca dan memahami silabus perkuliahan statistik.
B. Kompetensi Pembelajaran
Memahami materi, dan kegiatan pekuliahan selama satu semester.
C. Pokok Materi
Silabus mata kuliah statistik lanjutan dan pengertian konsep statistik, data dan skala
pengukuran.
D. Proses Kegiatan Pembelajaran

1. Metoda Pembelajaran
Ceramah, tanya jawab, diskusi, latihan
2. Media
OHP, whiteboard
E. Evaluasi
Tanya jawab, dan tes lisan
F. Uraian Materi
3
1. Pelaksanaan perkuliahan dilaksanakan sebanyak 16 kali mencakup 14 kali
tatap muka perkuliahan dan 2 kali ujian, yaitu ujian Mid semester yang
dilaksanakan pada pertemuan ke 8 dan ujian semester pada pertemuan ke
16.
2. Pemberian tugas diberikan minimal pada setiap 2 kali pertemuan
3. Seluruh materi yang akan disampaikan selama satu semester dijabarkan
dalam silabus.
4. Bobot penilaian terhadap tugas dan keaktifan selama mengikuti perkuliahan
adalah 30%, ujian Mid semester 30%, dan ujian akhir semester adalah 40%.
5. Statistik: Kumpulan angka yang sering disusun, diatur atau disajikan dalam
bentuk daftar/tabel, sering pula daftar atau tabel tersebut disertai dengan
gambar-gambar yang biasa disebut diagram atau grafik.
6. Statistika: Pengetahuan yang berhubungan dengan cara-cara pengumpulan
data, pengolahan, atau penganalisisannya dan penarikan kesimpulan atau
interpretasi terhadap hasil analisis kumpulan data tersebut.
7. Statistik deskriptif: Fase statistik dimana hanya berusaha menggambarkan
dan menganalisis data dalam suatu kelompok tanpa membuat/menarik
kesimpulan tentang populasi atau kelompok yang lebih besar.
8. Statistik assosiatif: Fase statistik untuk mengetahui asosiasi (relasi,
hubungan) antara dua atau lebih variabel berupa hubungan yang bersifat non
causal.
9. Statistik inferensial: Fase statistik yang berkaitan dengan kondisi-kondisi
dimana data dari sampel dianalisis dan dari analisis tersebut ditarik
kesimpulan untuk populasi dari mana sampel tersebut diambil.
Data
1. Data = Keterangan atau informasi tentang suatu hal bisa berbentuk Kategori,
misalnya: tinggi, rendah, baik, buruk, senang, puas, berhasil, gagal, dsb., atau
juga bisa berbentuk bilangan (angka).
4
2. Data yang berbentuk bilangan disebut data kuantitatif, harganya berubah-ubah
atau bersifat variabel. Dari nilainya dikenal dua golongan data kuantitatif, yaitu
data diskrit dan data kontinyu.
3. Hasil menghitung merupakan data diskrit, sedangkan hasil pengukuran
merupakan data kontinyu.
4. Data yang bukan kuantitatif disebut data kualitatif, yaitu data atau keterangan
mengenai kategori atau golongan. Misalnya: sembuh, sakit, gagal, berhasil,
islam, kristen, golkar, PDI, dsb.
5. Data menurut sumbernya dikenal pula Data Intern dan Data Ekstern
Data Intern adalah data yang berasal dari dalam lembaga/institusi dimana
sipengumpul data berkerja.
Data Ekstern adalah data yang dikumpulkan dari lembaga lain.
6. Menurut aktivitas pengumpul data dapat pula dibedakan data primer dan data
sekunder
Data primer dikumpulkan dan diukur sendiri oleh peneliti atau pengumpul data.
Data sekunder adalah data yang diambil dari data yang sudah tersedia dari
sumberdata tertentu.
7. Data mentah adalah data yang baru dikumpulkan dan belum pernah mengalami
pengolahan apapun.
Skala Pengukuran
1. Pengukuran adalah proses penerjemahan hasil-hasil pengamatan menjadi angka-
angka.
2. Skala pengukuran adalah penetapan/pemberian angka kepada objek-objek, atau
kejadian-kejadian, menurut kaidah-kaidah tertentu.
3. Terdapat empat Jenis Skala pengukuran menurut S.S. Steven, yaitu: Skala
Nominal, Skala Ordinal, Skala Interval, dan Skala Rasio.
5
a. Skala Nominal
❖ Adalah skala yang digunakan untuk data yang menunjukkan adanya
penggolongan atas kriteria yang sangat tegas batasnya.
❖ Penggunaan angka hanya sebagai simbol untuk mengidentifikasi
kategori itu saja.
❖ Angka dalam skala nominal tidak dapat diolah secara matematis melalui
proses penambahan, pengurangan, perkalian atau pembagian.
❖ Prosedur statistik yang dapat digunakan adalah penghitungan belaka,
misalnya melaporkan jumlah hasil pengamatan dalam setiap kategori.
b. Skala Ordinal
penggolongan atas kriteria tertentu dengan jarak yang tidak sama antara
masing-masing golongan.
❖ Dalam pengukuran ordinal ditetapkan posisi relatif objek atau individu,
tanpa menunjukkan jarak antara posisi-posisi itu.
❖ Bila objek itu diberi angka, satunya-satunya yang dipertimbangkan
adalah urutan atau peringkat/ranking objek-objek tersebut.
❖ Angka dalam skala ordinal juga tidak dapat diolah secara matematis
melalui proses penambahan, pengurangan, perkalian atau pembagian.
c. Skala Interval
penggolongan yang mempunyai kebesaran sama.
❖ Data ini memiliki ciri kebesaran yang berkelanjutan (kontinyu) sehingga
dapat diukur.
6
❖ Skala interval ialah skala yang memberi jarak interval sama dari suatu
titik asal yang tidak tetap (relatif, tidak ada titik nol sejati/absolut)
❖ Dalam skala interval, hubungan tata urutan dan jarak antara angka-
angka memiliki arti. Kita dapat menyatakan bahwa perbedaan antara 50
dan 51 derajat Celcius sama dengan perbedaan antara 30 dan 31 derajat
Celcius. Akan tetapi kita tidak dapat menyatakan bahwa 50 derajat
Celcius dua kali lebih panas dari 25 derajat Celcius. Hal ini disebabkan
karena tidak adanya titik nol sejati/absolut dalam skala interval. Titik
nol dalam hal ini ditetapkan berdasarkan kesepakatan belaka. Dalam
skala Celcius titik nol ditetapkan berdasarkan titik beku air.
❖ Demikian pula dalam tes psikologi atau hasil belajar tidak titik nol sejati
sebagai patokannya. Sebagai contoh tidak ada angka kecerdasan nol,
atau tidak ada satu carapun dalam tes kecerdasan yang dapat dipakai
untuk menetapkan bahwa seseorang memiliki tingkat kecerdasan nol.
❖ Seorang mahasiswa mungkin kadang-kadang memperoleh angka nol
dalam ujian matematik, tetapi itu tidak berarti bahwa ia tidak memiliki
pengetahuan matematik sama sekali.
❖ Kalau ada tiga orang mahasiswa memperoleh skor 15, 30 dan 45 dalam
ujian matematik, kita tidak dapat mengatakan bahwa mahasiswa yang
memperoleh skor 30 dua kali lebih pandai dari mahasiswa yang
memeperoleh skor 15, atau mahasiswa yang memperoleh skor 45 tiga
kali lebih pandai dari mahasiswa yang memeperoleh skor 15.
d. Skala Rasio
penggolongan yang mempunyai kebesaran dari suatu titik asal yang
absolut (diukur dari nol).
❖ Skala Rasio pada dasarnya sama dengan skala interval. Bedanya pada
skala rasio digunakan angka nol absolut. Jadi nol berarti kosong atau
tidak ada sama sekali.
7
❖ Skala rasio adalah skala yang digunakan untuk mengukur jarak, berat,
volume, dsbnya. Untuk mengukur jarak misalnya dipakai meter, untuk
mengukur berat dipakai kilogram, untuk mengukur isi dipakai liter.
❖ Karena adanya titik nol absolut/mutlak, maka kita dapat menyatakan
bahwa berat 50 kg adalah dua kali lebih berat dari 25 kg.
Aturan Pembulatan angka

1. Aturan 1 (pembulatan ke bawah)
Jika angka terkiri dari yang harus dihilangkan 4 atau kurang, maka angka
terkanan dari yang mendahuluinya tidak berubah.
Contoh: Rp. 59.376.402,96 dibulatkan hingga jutaan rupiah menjadi Rp. 59
juta. Angka yang harus dihilangkan ialah mulai dari 3 ke kanan dan ini
merupakan angka terkiri. Angka terkanan dari yang mendahului 3, ialah 9,
harus tetap.
2. Aturan 2 (pembulatan ke atas)
Jika angka terkiri dari yang harus dihilangkan lebih dari 5 atau 5 diikuti
oleh angka bukan nol, maka angka terkanan dari yang mendahuluinya
bertambah dengan satu.
Contoh: Rp. 176,51 dibulatkan hingga satuan rupiah menjadi Rp. 177,-.
Angka-angka harus dihilangkan adalah 51 dengan angka terkiri 5 yang
diikuti angka bukan 1 (bukan nol).
3. Aturan 3 (pembulatan dengan Aturan Genap Terdekat)
Jika angka terkiri dari yang harus dihilangkan hanya angka 5 atau 5 yang
diikuti angka-angka nol belaka, maka angka terkanan dari yang
mendahuluinya tetap jika ia genap, tambah satu jika ganjil.
4,5 5 4
7,50 8 8
1,500 2 2
6,5___ + 7___ + 6___ +
8
20,000 22 20

Pertemuan 2
Pokok Bahasan : Penyajian Data dalam Distribusi Frekuensi dan
grafik/diagram
Sub Pokok Bahahan : Distribusi Frekuensi Tunggal, dan Bergolong
Jenis Grafik
A. Petunjuk Umum
Setiap mahasiswa wajib membaca dan memahami literatur yang berkaitan dengan
Penyajian Data dalam Distribusi Frekuensi dan grafik/diagram
Memahami materi, Penyajian Data dalam Distribusi Frekuensi dan grafik/diagram
C. Pokok Materi
Penyajian Data dalam Distribusi Frekuensi dan grafik/diagram

2. Media
OHP, whiteboard
E. Evaluasi
Penyelesaian dan evaluasi tugas-tugas
F. Uraian Materi
9
1. Distribusi frekuensi adalah penyajian data dalam bentuk tabel berdasarkan
penyebaran frekuensinya.
2. Tabel distribusi frekuensi terdiri atas Baris (horizontal), Kolom (vertikal) , dan
sel (isi antara pertemuan baris dan kolom). Jumlah baris, kolom, dan sel dibuat
sesuai dengan keperluan.
3. Judul Tabel biasanya dibuat dibagian atas Tabel.
Tabel 1. Penyebaran Siswa di Kota A Berdasarkan Jenis Sekolah

Dan Jenis Kelamin
Banyak Siswa Judul Kolom

Jenis Sekolah Jumlah
Laki-laki Perempuan
Baris SD 875 687 1562
Baris SMP 512 507 1019
Baris SMA 347 600 947 Badan
Baris SMK 476 200 676 Daftar/Tabel
Baris Total 4204
Baris Judul Baris Sel Sel Sel
4. Menyusun dan menyajikan data dalam distribusi frekuensi tunggal (untuk

macam dan jumlah data yang sedikit)
Contoh data: Nilai ujian 16 orang siswa
69, 45, 69, 56, 45, 69, 80, 70, 56, 69, 70, 56, 69, 56, 70, 69
Tabel 2. Distribusi Frekuensi Nilai Ujian Siswa (X)
Xi Tally/Tabulasi fi fr (%)
45 || 2 12,50
56 |||| 4 25,00
69 |||| | 6 37,50
70 ||| 3 18,75
80 | 1 6,25
10
16 100,00
5. Menyusun dan menyajikan data dalam distribusi frekuensi bergolong (untuk

macam dan jumlah data yang banyak).
Contoh data: Nilai ujian 80 orang Mahasiswa
79 49 48 74 81 98 87 80
80 84 90 70 91 93 82 78
70 71 92 38 56 81 74 73
68 72 85 51 65 93 83 86
90 31 83 73 74 43 86 88
92 93 76 71 90 72 67 75
80 91 61 72 97 91 88 81
70 74 99 95 80 59 71 77
63 60 83 82 60 67 89 63
76 63 88 70 66 88 79 75
Langkah-langkah penyusunan data dalam distribusi frekuensi bergolong.

► Siapkan Tabel untuk distribusi frekuensi yang terdiri dari kolom, baris, dan sel
sesuai dengan keperluan
► Tentukan Rentang, yaitu skor tertinggi dikurangi skor terendah. 99 – 31 = 68
► Tentukan banyak kelas interval dengan rumus berdasarkan aturan Sturgess,
yaitu:
1 + 3,3 log n = 1 + 3,3 (log 80) = 1 + 3,3 (1,9031)
= 7,2802, dibulatkan menjadi 7 kelas
► Tentukan panjang kelas, yaitu rentang dibagi banyak kelas, yaitu 68/7 = 9,71,
dibulatkan menjadi 10
11
► Pilih ujung kelas interval pertama, bisa dimulai dari data yang terendah (31),
atau lebih kecil dari data terendah dengan selisih tidak boleh lebih besar dari
panjang kelas
Tabel 3. Distribusi Frekuensi Nilai 80 orang Mahasiswa

Nilai Ujian Tally Frekuensi Persentase
31 – 40 || 2 2,50
41 – 50 ||| 3 3,75
51 – 60 |||| 5 6,25
61 – 70 |||| |||| ||| 13 16,25
71 – 80 |||| |||| |||| 24 30,00

|||| ||||
81 – 90 |||| |||| |||| 21 26,25
|||| |
91 – 100 |||| |||| || 12 15,00
Jumlah 80 100,00
6. Jenis Grafik/diagram
a. Histogram (diagram batang)
12
30
24
25 21
20
13 Series1
15 12
Series2
10
5
3
5 2
0
31 – 40 41 – 50 51 – 60 61 – 70 71 – 80 81 – 90 91 – 100
Gambar 1. Grafik Histogram Nilai Ujian Mahasiswa (Judul Gambar)
30
30
26.25
25 24
21
20
16.25
15 Series1
15
13
12 Series2
10
6.25
5
5
3 3.75
2 2.5
0
31 – 40 41 – 50 51 – 60 61 – 70 71 – 80 81 – 90 91 – 100
13
91 – 100 15
12
81 – 90 26.25
21
71 – 80 30
24
16.25 Series2
61 – 70 13
Series1
6.25
51 – 60 5
3.75
41 – 50 3
2.5
31 – 40 2
0 5 10 15 20 25 30 35
b. Poligon (grafik garis)
14
30 35
25 30
25
20
20 Series2
15
15 Series1
10
10
5 5
0 0
31 – 40 41 – 50 51 – 60 61 – 70 71 – 80 81 – 90 91 – 100
30 35
25 30
25
20
20 Series2
15
15 Series1
10
10
5 5
0 0
31 – 40 41 – 50 51 – 60 61 – 70 71 – 80 81 – 90 91 – 100
c. Pie Diagram (diagram lingkaran)
15
31 – 40, 2, 3%
41 – 50, 3, 4%
91 – 100, 12, 15%
51 – 60, 5, 6%
61 – 70, 13, 16%
81 – 90, 21, 26%
71 – 80, 24, 30%

Pertemuan 3 dan 4
Pokok Bahasan : Tendensi Sentral
Sub Pokok Bahahan : Kuartil, Desil, Persentil, Mean, Median, dan Modus
A. Petunjuk Umum
Tendensi Sentral Kuartil, Desil, Persentil, Mean, Median, dan Modus.
Memahami materi, Tendensi Sentral Kuartil, Desil, Persentil, Mean, Median, dan
Modus.
16
C. Pokok Materi
Kuartil, Desil, Persentil, Mean, Median, dan Modus.

2. Media
OHP, whiteboard
E. Evaluasi
F. Uraian Materi
1. Kuartil adalah bilangan pembagi, pada sekumpulan data yang dibagi menjadi
empat bagian yang sama banyak, sesudah disusun menurut urutan
nilainya.Terdapat 3 buah Kuartil, yaitu K1, K2, dan K3.
2. Desil adalah bilangan pembagi, pada sekumpulan data yang dibagi menjadi
sepuluh bagian yang sama banyak, sesudah disusun menurut urutan nilainya.
Terdapat 9 buah Desil, yaitu: D1, D2, ……….. D9.
3. Persentil adalah bilangan pembagi, pada sekumpulan data yang dibagi menjadi
seratus bagian yang sama banyak, sesudah disusun menurut urutan nilainya.
Terdapat 99 buah Persentil, yaitu: P1, P2, ……….. P99.
4. Menentukan Letak dan Nilai Kuartil untuk data tunggal
a. Susun data menurut urutan nilainya
b. Tentukan letak kuartil
c. Tentukan nilai kuartil
Sampel dengan data
75, 82, 66, 57, 64, 56, 92, 94, 86, 52, 60, 70
Disusun urutan nilainya dari kecil ke besar
52, 56, 57, 60, 64, 66, 70, 75, 82, 86, 92, 94
Letak Ki = data ke i (n+1)
17
4
dengan i = 1, 2, 3
► Letak K1 = data ke 1 (12+1) = 13 = data ke 3 ¼

4 4
Yaitu data ke 3 + ¼ jauh dari data ke 3 ke arah data ke 4.
► Nilai K1 = data ke 3 + ¼ (data ke 4 – data ke 3)
= 57 + ¼ (60 - 57)
= 57 + ¼ (3)
= 57 ¾
► Letak K2 = data ke 2 (12+1) = 26 = data ke 6 ½

4 4
Yaitu data ke 6 + ½ jauh dari data ke 6 ke arah data ke 7.
► Nilai K2 = data ke 3 + ½ (data ke 7 – data ke 6)

= 66 + ½ (70 - 66)
= 66 + ½ (4)
= 68
5. Menentukan Letak dan Nilai Desil untuk data tunggal
b. Tentukan letak Desil
c. Tentukan nilai Desil
Sampel dengan data
75, 82, 66, 57, 64, 56, 92, 94, 86, 52, 60, 70
52, 56, 57, 60, 64, 66, 70, 75, 82, 86, 92, 94
Letak Di = data ke i (n+1)

10
dengan i = 1, 2, …………., 9
Letak D1 = data ke 1 (12+1) = 13 = data ke 1,3
10 10
18
Yaitu data ke 1 + 0,3 jauh dari data ke 1 ke arah data ke 2.
Nilai D1 = data ke 1 + 0,3 (data ke 2 – data ke 1)

= 52 + 0,3 (56 - 52)
= 52 + 0,3 (4)
= 53,2
Letak D5 = data ke 5 (12+1) = 65 = data ke 6,5

10 10
Yaitu data ke 6 + 0,5 jauh dari data ke 6 ke arah data ke 7 .
Nilai D5 = data ke 6 + 0,5 (data ke 7 – data ke 6)

= 66 + ½ (70 - 66)
= 66 + ½ (4)
= 68
6. Menentukan Letak dan Nilai Persentil untuk data tunggal
b. Tentukan letak Persentil
c. Tentukan nilai Persentil
Sampel dengan data
75, 82, 66, 57, 64, 56, 92, 94, 86, 52, 60, 70
52, 56, 57, 60, 64, 66, 70, 75, 82, 86, 92, 94
Letak Pi = data ke i (n+1)

100
dengan i = 1, 2, …………., 99
Letak P25 = data ke 25 (12+1) = 325 = data ke 3,25

100 100
19
Yaitu data ke 3 + 0,25 jauh dari data ke 3 ke arah data ke 4.
Nilai P25 = data ke 3 + 0,25 (data ke 4 – data ke 3)

= 57 + 0,25 (60 - 57)
= 57 + 0,25 (3)
= 57,75
Letak P50 = data ke 50 (12+1) = 650 = data ke 6,5
100 100
Yaitu data ke 6 + 0,5 jauh dari data ke 6 ke arah data ke 7 .
Nilai P50 = data ke 6 + 0,5 (data ke 7 – data ke 6)

= 66 + ½ (70 - 66)
= 66 + ½ (4)
= 68
7. Menentukan Letak dan Nilai Kuartil untuk data bergolong

Nilai Ujian Fi
▪ Ki = b + p (in/4 – F)
31 – 40 1 f
41 – 50 2 dengan i = 1, 2, 3
51 – 60 5 b= batas bawah kelas Ki, ialah kelas

interval dimana Ki akan terletak
61 – 70 15
p = panjang kelas interval Ki
71 – 80 25
F = jumlah frekuensi dengan tanda
81 – 90 20 kelas lebih kecil dari tanda kelas
91 – 100 12 Ki
Jumlah 80 f = frekuensi kelas interval Ki
▪ Ki = b + p (in/4 – F)
f
20
Untuk menentukan kuartil ketiga K3, kita perlu ¾ x jumlah data/frekuensi,
yaitu ¾ x 80 = 60
► K3 akan terletak di frekuensi ke 60, yaitu pada kelas
interval ke 6.
► Batas bawah kelas interval K3 (b) adalah nilai ujung kiri
kelas interval ke 6 – 0,5 = 80,5
► panjang kelas interval K3 (p) = 10
► Frekuensi kelas interval K3 (f) = 20
► F = 1 + 2 + 5 + 15 + 25 = 48
K3 = 80,5 + 10 (3x80/4 - F )
f
► K3 = 80,5 + 10 (60 - 48 )
20
► K3 = 80,5 + 10 (12 )
20
► K3 = 80,5 + 10 (0,6 )
► K3 = 86,5
8. Menentukan Letak dan Nilai Desil untuk data bergolong
Nilai Ujian Fi
▪ Di = b + p (in/10 – F)
31 – 40 1 f
41 – 50 2 dengan i = 1, 2, ……. 9
51 – 60 5 b= batas bawah kelas Di, ialah kelas

interval dimana Di akan terletak
61 – 70 15
p = panjang kelas interval Di
71 – 80 25
81 – 90 20 kelas lebih kecil dari tanda kelas Di
91 – 100 12 f = frekuensi kelas interval Di
Jumlah 80
9. Menentukan Letak dan Nilai Persentil untuk data bergolong

Nilai Ujian Fi
21
31 – 40 1 ▪ Pi = b + p (in/100 – F)
f
41 – 50 2 dengan i = 1, 2, 3 ………99
51 – 60 5
b= batas bawah kelas Pi, ialah kelas
61 – 70 15
interval dimana Pi akan terletak
71 – 80 25 p = panjang kelas interval Pi
81 – 90 20 F = jumlah frekuensi dengan tanda
91 – 100 12 kelas lebih kecil dari tanda kelas Pi

f = frekuensi kelas interval Pi
Jumlah 80
10. Mean atau rata-rata hitung adalah jumlah semua skor dalam suatu
sebaran dibagi dengan jumlah kasus.
Rumus Mean = rata-rata hitung ( X )
Data tunggal X = X1 + X2 + ……Xi X = ΣXi

n N
Data bergolong/tunggal X = ΣfiXi

n
Data bergolong cara X = x0 + p Σfi ci

sandi/simbol Σfi
Data tunggal rata-rata
gabungan dari beberapa X = Σni Xi
sub sampel Σni
Menghitung Mean data tunggal

► 70, 69, 45, 80, 56
► X = X1 + X2 + X3 + X4 + X5 = 320 = 64
22
n 5
X = Xi = 320 = 64
n 5
Menghitung Mean data tunggal yang

Xi fi fiXi
disusun dalam distribusi frekuensi 45 2 90
tunggal (Rumus 2) 56 4 224
69 6 414
X = ΣfiXi atau X = ΣfiXi 70 3 210
Σfi n 80 1 80
X = 1018 = 63,625 Jumlah 16 1018
16
Menghitung Mean data Bergolong (Rumus 2)

Tinggi (cm) fi Xi fiXi
140 – 144 7 142 994
145 – 149 10 147 1470
150 – 154 16 152 2432
155 – 159 23 157 3611
160 – 164 21 162 3402
165 – 169 17 167 2839
170 – 174 6 172 1032
100 15780
X = ΣfiXi = ΣfiXi = 15780 = 157,8

Σfi n 100
Menghitung Mean data Bergolong cara sandi/symbol (Rumus 3)
23
➢ Ambil salah satu kelas interval, namakan Xo
➢ Untuk harga Xo diberi nilai sandi = 0
➢ Tanda kelas yang lebih kecil dari Xo berturut-turut diberi nilai-nilai sandi
C = -1, C = -2, C = -3 dan seterusnya
➢ Tanda kelas yang lebih besar dari Xo berturut-turut diberi nilai-nilai sandi
C = 1, C = 2, C = 3 dan seterusnya.
Tinggi (cm) Fi Xi Ci fiCi
140 – 144 7 142 -3 -21

145 – 149 10 147 -2 -20
150 – 154 16 152 -1 -16
155 – 159 23 157 0 0
160 – 164 21 162 1 21
165 – 169 17 167 2 34
170 – 174 6 172 3 18
100 16
X = x0 + p Σfi ci = 157 + 5 16 = 157 + 5 0,16 = 157,8

Σfi 100
Menghitung rata-rata gabungan (data tunggal) dari beberapa sub sampel

Sub sampel 1: n1 = 10 X = 145
Sub sampel 2: n2 = 6 X = 118
Sub sampel 3: n3 = 8 X = 162
X = Σni X i
Σni
X = (10)(145) + (6)(118) + (8)(162) = 143,9

10 + 6 + 8
24
11. Median adalah nilai tengah dalam suatu sebaran data
Median Data tunggal
4, 12, 5, 7, 8, 10, 10
✓ Susun data terlebih dulu dari kecil ke besar
4, 5, 7, 8, 10, 10, 12 (jumlah data ganjil)
✓ Jika jumlah data ganjil, maka median (Me) adalah data paling tengah dari
sebaran data yang telah disusun (8).
4, 5, 7, 8, 10, 10, 12, 16 (jumlah data genap)
✓ Jika jumlah data genap, maka median (Me) adalah jumlah dua data paling
tengah dibagi 2, yaitu (8+10) = 9
2
Median Data Bergolong

Nilai Ujian Fi
▪ Me = b + p (½n – F)
31 – 40 1 f
41 – 50 2
b= batas bawah kelas median, ialah kelas
51 – 60 5 interval dimana median akan terletak
61 – 70 15 p = panjang kelas interval median
71 – 80 25 n = jumlah sampel
81 – 90 20
kelas lebih kecil dari tanda kelas median
91 – 100 12
f = frekuensi kelas median
Jumlah 80
25
Tentukan letak Median. Setengah dari seluruh data adalah 40 buah. Jadi median
akan terletak di kelas interval kelima, karena sampai dengan ini jumlah frekuensi
sudah termasuk pada frekuensi ke 40.
Dari kelas median ini diperoleh b = 70,5; p = 10; dan f = 25.
Adapun F = 1 + 2 + 5 + 15 = 23
Jadi Median =
▪ Me = b + p (½n – F)
f
▪ Me = 70,5 + 10 (40 – 23) = 77,3
25
12. Modus adalah skor/data yang paling banyak/sering muncul dalam suatu sebaran
data.
Modus Data Tunggal
12, 34, 14, 28, 34, 34, 28, 14
Modus (Mo) pada data di atas adalah 34, karena skor 34 yang paling banyak
muncul (3 buah) dalam sebaran data tersebut.
Modus Data Bergolong

Nilai Ujian Fi
▪ Mo = b + p __b1__
31 – 40 1
b1 + b2
41 – 50 2
b = batas bawah kelas modus, ialah kelas
51 – 60 5 interval dengan frekuensi terbanyak
p = panjang kelas modus
61 – 70 15
b1 = frekuensi kelas modus dikurangi
71 – 80 25 frekuensi kelas interval dengan tanda
kelas lebih kecil sebelum tanda kelas
81 – 90 20 modus
b2 = frekuensi kelas modus dikurangi
91 – 100 12 frekuensi kelas interval dengan tanda
kelas lebih besar sesudah tanda kelas
Jumlah 80 modus
26
Tentukan letak Modus, yaitu di kelas interval kelima, karena disana terdapat
frekuensi terbanyak
b = 70,5
b1 = 25 – 15 = 10
b2 = 25 – 20 = 5
p = 10
▪ Mo = b + p __b1__
b1 + b2
▪ Mo = 70,5 + 10 __10__ = 77,17

10 + 5

Pertemuan 5
Pokok Bahasan : Variabilitas dan Skor Standar
Sub Pokok Bahahan : Standar deviasi, Varians, Skor standar (baku)
A. Petunjuk Umum
Variabilitas dan Skor Standar
Memahami materi, Variabilitas dan Skor Standar
C. Pokok Materi
27
Standar deviasi, Varians, Skor standar (Z score dan T score)

2. Media
OHP, whiteboard
E. Evaluasi
F. Uraian Materi
1. Standar deviasi adalah satuan ukuran penyebaran frekuensi dari tendensi
sentralnya.
2. Varians adalah satuan ukuran penyebaran variabel kontinyu yang menunjukkan

kuadrat dari standar deviasi
Rumus Standar deviasi (s) Varians (s2)
Data tunggal
berdasarkan deviasi s= Σ (Xi – X )2 s2 = Σ (Xi – X )2
n–1 n–1
Data tunggal
berdasarkan angka s= n ΣXi2 - (ΣXi)2 s2 = n ΣXi2 - (ΣXi)2
mentah n(n – 1) n(n – 1)
Data bergolong s= Σfi (Xi – X )2 s2 = Σfi (Xi – X )2

berdasarkan deviasi n–1 n–1
Data bergolong
berdasarkan angka s= n ΣfiXi2 - (ΣfiXi)2 s2 = n ΣfiXi2 - (ΣfiXi)2
mentah n(n – 1) n(n – 1)
Data bergolong cara s= p2 nΣfi ci2 – (Σfici)2 s2 = p2 nΣfici2 – (Σfici)2

sandi/simbol n(n – 1) n(n – 1)
28
Aplikasi rumus menghitung standar deviasi data tunggal berdasarkan Deviasi
Xi Xi -X (Xi - X )2
45 -19 361
56 -8 64
69 5 25
70 6 36
80 16 256
320 742
Rumus Standar deviasi (s) Varians (s2)

Data tunggal
berdasarkan deviasi s= 742 = 13,62 s2 = 742 = 185,50
5–1 5–1
Aplikasi rumus menghitung standar deviasi data tunggal berdasarkan angka

mentah
Xi Xi2
45 2025
56 3136
69 4761
70 4900
80 6400
320 21222
Data tunggal
29
berdasarkan angka s= 5x21222 - (320)2 = 13,62 s2 = 5x21222-(320)2
mentah 5(5 – 1) 5(4 – 1)
Aplikasi rumus menghitung standar deviasi data bergolong berdasarkan deviasi
Tinggi
fi Xi Xi - X (Xi - X)2 fi(Xi - X)2 fiXi
(cm)
140 – 144 7 142 -16 256 1792 994
145 – 149 10 147 -11 121 1210 1470
150 – 154 16 152 -6 36 576 2432
155 – 159 23 157 -1 1 23 3611
160 – 164 21 162 4 16 336 3402
165 – 169 17 167 9 81 1377 2839
170 – 174 6 172 14 196 1176 1032
100 6490 15780
Data bergolong s= 6490 = 8,09 s2 = Σfi (Xi – X )2

berdasarkan deviasi 100 – 1 n–1
3. SKOR STANDAR (SKOR BAKU)
1. Z skor adalah besarnya penyimpangan skor individu dari rata-rata dibagi

standar deviasi. Rata-rata skor standar sama dengan 0 dengan standar deviasi 1.
Zi = Xi - X
s
2. T score adalah bentuk lain dari skor standar dimana rata-rata ditentukan 50
dengan standar deviasi 10.
30
Ti = 50 + 10 Xi - X
s

Pertemuan 6
Mata Kuliah : Statistik
Pokok Bahasan : Analisis korelasi sederhana/tunggal
Sub Pokok Bahahan : Korelasi product moment, tata jenjang, biserial,
A. Petunjuk Umum
Setiap mahasiswa wajib membaca literatur yang berkaitan dengan analisis korelasi
sederhana/tunggal
Memahami dan mampu melakukan berbagai analisis korelasi sederhana dan
menginterpretasikan hasilnya
31
C. Sub Kompetensi
Memahami dan mampu melakukan analisis korelasi product moment, tata jenjang,
biserial, dan pengujian kelinieran hubungan.
D. Pokok Materi
Korelasi product moment, korelasi tata jenjang, korelasi biserial, uji linearitas
hubungan.
E. Proses Kegiatan Pembelajaran
2. Media
OHP, whiteboard, LCD
F. Evaluasi
Evaluasi tugas latihan, dan ujian tulis (mid semester).
G. Uraian Materi Analisis Korelasi

1. Analisis korelasi adalah suatu teknik statistik untuk mengetahui sejauh mana
hubungan antar variabel.
2. Analisis korelasi antara satu variabel dengan variabel lainnya disebut analisis
korelasi sederhana atau tunggal.
3. Hasil perhitungan analisis korelasi disebut koefisien korelasi yang biasa
disimbolkan dengan r (singkatan dari relation).
4. Koefisien korelasi (r) menunjukkan derajat/kekuatan hubungan antara dua
variabel, atau seberapa jauh perubahan dalam satu variabel ada kaitannya
dengan variabel yang lain.
5. Indeks koefisien korelasi berkisar antara –1 s/d 1, dan biasanya ditulis dengan
0,sekian dengan dua digit angka dibelakang koma.
6. Arah hubungan ditunjukkan oleh tanda koefisien (- atau +), di mana r yang
bertanda plus (+) menunjukkan hubungan yang searah/berbanding lurus,
32
sedangkan r yang bertanda minus (-) menunjukkan hubungan yang berlawanan
arah/berbanding terbalik. Untuk r yang bertanda plus biasanya tidak ditulis
tandanya.
7. Korelasi bukan menunjukkan hubungan sebab akibat.
8. Koefisien korelasi tidak ditafsirkan menurut persentase, yang ditafsirkan
sebagai persentase adalah koefisien determinasi, yaitu koefisien korelasi
dikuadradkan (r2). Hal ini menyatakan sebarapa besar sumbangan/kontribusi
dari variabel bebas/prediktor terhadap variabel terikat/kriterium.
9. Korelasi Product Moment, adalah teknik analisis yang digunakan untuk
mengetahui hubungan antara dua variabel dalam skala interval atau rasio.
Rumus-rumus korelasi Product Moment:
a. r Pearson berdasarkan standar deviasi
1_
rxy = n-1  (X-X)(Y-Y)
sX sY
b. r Pearson berdasarkan nilai simpangan
rxy =  xy_____
(x2) (y2)
c. r Pearson berdasarkan angka mentah/kasar
rxy = nXY – (X)(Y)____
{nX2 – (X) 2 }{nY 2 - (Y)2 }
a. Aplikasi rumus-rumus korelasi product moment.
Tabel persiapan penggunaan rumus a dan b

Kekuatan otot Kemampuan X-X Y-Y
No.
tungkai (X) menendang (Y) (x) (y) x2 y2 xy
1 27 40 4 0 16 0 0
2 26 48 3 8 9 64 24
33
3 28 45 5 5 25 25 25
4 22 36 -1 -4 1 16 4
5 16 32 -7 -8 49 64 56
6 17 34 -6 -6 36 36 36
7 23 32 0 -8 0 64 0
8 19 33 -4 -7 16 49 28
9 26 30 3 -10 9 100 -30
10 24 46 1 6 1 36 6
11 25 42 2 2 4 4 4
12 27 46 4 6 16 36 24
13 26 45 3 5 9 25 15
14 19 39 -4 -1 16 1 4
15 21 34 -2 -6 4 36 12
16 20 40 -3 0 9 0 0
17 24 44 1 4 1 16 4
18 22 46 -1 6 1 36 -6
19 27 49 4 9 16 81 36
20 21 39 -2 -1 4 1 2
460 800 242 690 244
X = X = 460 = 23 Y = Y = 800 = 40
n 20 n 20
sX= Σ (Xi – X)2 = 242 = 3,57

n–1 19
sY= Σ (Yi – Y)2 = 690 = 6,03

n–1 19
Rumus a. 1_
1_ = 19 x 244 = 0,60
rxy = n-1  (X-X)(Y-Y) 3,57 x 6,03
sX sY
Rumus b.
rxy =  xy_____ = 244______ = 0,60
(x2) (y2) (242) (690)
Tabel persiapan penggunaan rumus c
34
Kekuatan otot Kemampuan
Sampel X2 Y2 XY
tungkai (X) menendang (Y)
1 27 40 729 1600 1080
2 26 48 676 2304 1248
3 28 45 784 2025 1260
4 22 36 484 1296 792
5 16 32 256 1024 512
6 17 34 289 1156 578
7 23 32 529 1024 736
8 19 33 361 1089 627
9 26 30 676 900 780
10 24 46 576 2116 1104
11 25 42 625 1764 1050
12 27 46 729 2116 1242
13 26 45 676 2025 1170
14 19 39 361 1521 741
15 21 34 441 1156 714
16 20 40 400 1600 800
17 24 44 576 1936 1056
18 22 46 484 2116 1012
19 27 49 729 2401 1323
20 21 39 441 1521 819
20 460 800 10822 32690 18644
Rumus c.
rxy = nXY – (X)(Y)____
= (20x18644)-(460x800)
{nX2–(X)2 }{nY 2-(Y)2 }
{20x10822-(460)2}{20x32690-(800)2}
rxy = 0,60
10. Korelasi tata jenjang adalah teknik analisis yang digunakan untuk mengetahui
hubungan antara dua variabel dalam skala ordinal.
Rumus korelasi tata jenjang
rs = 1 - 6Di2
n(n2-1)
Contoh aplikasi korelasi tata jenjang
35
Hubungan antara Biaya Persiapan pada masing-masing Kota/Kab. dengan
perolehan medali pada Porda Sumbar
Biaya Persiapan Perolehan Ranking Ranking
No Kota/Kab. D D2
(X) Medali (Y) X Y
1 Padang Rp. 50 juta 58 1 1 0 0
2 B. Tinggi Rp. 46 juta 40 3 2 1 1
3 Agam Rp. 44 juta 26 4 6 -2 4
4 P. Panjang Rp. 30 juta 23 13 7 6 36
5 Solok Rp. 40 juta 34 6.5 4 2.5 6.25
6 Kab. Solok Rp. 42 juta 20 5 8 -3 9
7 Sawahlunto Rp. 48 juta 15 2 9 -7 49
8 SWL SJJ Rp. 40 juta 12 6.5 10 -3.5 12.25
9 Pessel Rp. 35 juta 10 10 11 -1 1
10 Pasaman Rp. 36 juta 8 9 12 -3 9
11 Payakumbuh Rp. 38 juta 36 8 3 5 25
12 50 kota Rp. 34 juta 30 11 5 6 36
13 P. Pariaman Rp. 32 juta 6 12 13 -1 1
14 Pariaman Rp. 25 juta 4 14 14 0 0
189.5
rs = 1 - 6Di2 rs = 1 - 6x189,5 rs = 0,58

n(n2-1) 14(142-1)
11. Korelasi Biserial, digunakan untuk mencari hubungan antara dua vaiabel
kontinum (interval atau rasio) tetapi variabel yang satu telah dibuat dua
penggolongan atas dua kategori dasar data kontinum tersebut, sedangkan
variabel yang lainnya tetap dalam skala interval atau rasio.
Rumus Korelasi Biserial

rb = Ÿ1 – Ÿo PQ
s Y
dimana: rb = koefisien korelasi biserial

Ÿ1 = mean kelompok dengan kategori 1
Ÿo = mean kelompok dengan kategori 0
s = standar deviasi total
36
p = proporsi kelompok 1
Q = proporsi kelompok 0
Y = tinggi ordinat dari P dan Q
Aplikasi rumus korelasi Biserial

Contoh:
Seorang peneliti hendak melihat hubungan antara kemampuan intelektual murid
dengan nilai pada mata pelajaran olahraga. Dalam hal ini nilai olahraga dibagi
menjadi dua kategori, yaitu di atas mean dan di bawah mean. Di atas mean
diberi kode 1, sedangkan di bawah mean diberi kode 0. Data kedua variabel ini
seperti dalam tabel berikut.
IQ (Y) Y2 NOR IQ (Y) Y2 NOR

127 16129 1 127 16129 1 n = 12
99 9801 0 81 6561 1 Y = 1226
81 6561 1 108 11664 1 Y2 = 126934
108 11664 1 99 9801 1 Y1 = 730
97 9409 0 111 12321 1 Y0 = 496
99 9801 1 101 10201 1 n1 = 7
93 8649 0 103 10609 1 n0 = 5
117 13689 0 99 9801 0 Ÿ1 = 104.29
111 12321 1 97 9409 0 Ÿ0 = 99.2
101 10201 1 93 8649 0 P = 0.5833
90 8100 0 117 13689 0 Q = 0.4167
103 10609 1 90 8100 0 Y = 0.3902
1226 126934 1226 126934
37
s= n ΣXi2 - (ΣXi)2 s= 12x126934 – (1226)2 s = 12,35
n(n – 1) 12(12 – 1)
rb = Ÿ1 – Ÿo PQ rb = 104,29– 99,2 (0,5833) (0,4167) rb = 0,26

s Y 12,35 0,3902
12. Pengujian signifikansi koefisien korelasi (distribusi t)

Dengan mengambil contoh dari hasil analisis korelasi antara Kekuatan Otot
Tungkai dengan Kemampuan Menendang yang disajikan terdahulu, maka
pengujian hipotesisnya adalah sebagai berikut
r n-2 0,60 20-2

t = t = t = 3,18
1- r2 1- 0,602
Dengan α = 0,05 dan dk = n – 2, diperoleh nilai ttabel = 1,73, yaitu dari 1- α atau
0,95 sebagai dk pembilang dan n-2 (18) sebagai dk penyebut.
Kriteria pengujian adalah: jika thitung > ttabel, Ho yang menyatakan tidak terdapat
hubungan antara variabel ditolak. Sebaliknya jika thitung < ttabel Ho diterima.
Oleh karena thitung (3,18) > ttabel (1,73) maka Ho ditolak, dan Ha diterima.
Dengan demikian dapat disimpulkan bahwa terdapat hubungan yang signifikan

antara variabel bebas dengan variabel terikat. Dengan kata lain terdapat
hubungan yang berarti antara Kekuatan Otot Tungkai dengan Kemampuan
Menendang.
38
Pertemuan 7
Pokok Bahasan : Analisis korelasi ganda
Sub Pokok Bahahan : Korelasi ganda, pengujian hipotesis, uji independensi
antar variabel bebas
Pertemuan : ……
A. Petunjuk Umum
Setiap mahasiswa wajib membaca literatur yang berkaitan dengan analisis korelasi
ganda.
Memahami dan mampu melakukan analisis korelasi ganda dan menginterpretasikan
hasilnya.
C. Sub Kompetensi
39
Memahami dan mampu melakukan analisis korelasi ganda, uji independent antar
variabel bebas dan menguji hipotesis.
D. Pokok Materi
Analisis korelasi ganda, uji independent antar variabel bebas, uji hipotesis.

2. Media
F. Evaluasi
Penyelesaian dan evaluasi tugas latihan
G. Uraian Materi
1. Korelasi ganda digunakan untuk menghitung derajat/kekuatan hubungan antara
beberapa variabel bebas/prediktor dengan variabel terikat/kriteria.
2. Rumus Korelasi Ganda
r2y1 + r2y2 – 2ry1ry2r12

Ry.12 =
1 – r212
3. Statistik pengujian signifkansi korelasi ganda adalah melalui distribusi F.
R2y12 / k
F =
(1 – R2y12 ) / (n - k – 1)
Dimana: Ry.12 = koefisien korelasi ganda

n = jumlah sampel
k = jumlah variabel prediktor
4. Contoh aplikasi rumus korelasi ganda
40
Misalnya seorang peneliti melalukan analisis korelasi terhadap tiga buah
variabel penelitian (dua variabel prediktor X1 dan X2 dengan satu variabel
kriteria Y) yang diperoleh dari 50 orang sampel. Hasil analisis korelasi tunggal
antar variabel adalah sebagai berikut:
Variabel Y X1 X2
Y - 0,46 0,52
X1 0,46 - 0,17
X2 0,52 0,17 -
r2y1 + r2y2 – 2ry1ry2r12

Ry.12 =
1 – r212
0,462 + 0,522 – 2(0,46)(0,52)(0,17)

Ry.12 = = 0,64
1 – (0,17)2
R2y12 / k
F =
(1 – R2y12 ) / (n - k – 1)
0,642 / 2
F = = 16,33
(1 – 0,642 ) / (50 - 2 – 1)
Dengan menggunakan k = 2 sebagai dk pembilang dan (n – k – 1) 50 – 2 - 1 =

47 sebagai dk penyebut, maka dalam distribusi F, nilai Ftabel adalah sebesar
3,20.
Jadi Fhitung (16,33) > nilai Ftabel , maka Ho ditolak dan Ha diterima.
Kesimpulannya adalah terdapat hubungan yang signifikan antara X1 dan X2
secara bersama dengan Y.
5. Pengujian independensi antar variabel bebas/prediktor
41
Untuk mengetahui apakah ada kontaminasi antara variabel bebas dalam
hubungannya dengan variabel terikat, maka pada analisis korelasi ganda
seyogyanya dilakukan pengujian independensi antar variabel bebas. Jika
hubungan antar variabel bebas signifikan berarti ada kontaminasi, jika tidak
terdapat hubungan (tidak signifikan) antara variabel bebas, berarti hubungan
tersebut bebas dari kontaminasi variabel bebas. Hal belakangan inilah yang
sebaiknya ditemukan dalam korelasi ganda.
Sehubungan dengan contoh di atas, maka uji independensi antar variabel bebas
dapat dilakukan dengan menguji signifikansi melalui uji distribusi t.
r n-2 0,17 50-2

t = t = t = 1,19
1- r2 1- 0,172
Dengan α = 0,05 dan dk = n – 2, diperoleh nilai ttabel = 1,68, yaitu dari 1- α atau
0,95 sebagai dk pembilang dan n-2 (48) sebagai dk penyebut.
Oleh karena thitung (1,19) < ttabel (1,68) maka Ho diterima.
Dengan demikian dapat disimpulkan bahwa tidak terdapat hubungan yang

signifikan antara variabel bebas X1 dengan variabel bebas X2. Dengan kata lain
dapat diartikan bahwa tidak terdapat kontaminasi hubungan antara variabel
bebas dalam kaitannya dengan variabel terikat.
42
Pertemuan 9
Pokok Bahasan : Pengujian normalitas data
Sub Pokok Bahahan : Uji Lilliefors dan uji chi kuadrad
Pertemuan : ………
B. Petunjuk Umum
pengujian normalitas data.
C. Kompetensi Pembelajaran
Memahami dan mampu melaksanakan pengujian normalitas data
D. Sub Kompetensi
43
Memahami dan mampu melaksanakan pengujian normalitas data tunggal dengan uji
Lilliefors, dan data bergolong dengan uji chi kuadrad.
E. Pokok Materi
Uji normalitas data dengan Uji Lilliefors dan uji chi kuadrad
F. Proses Kegiatan Pembelajaran

4. Media
OHP, whiteboard
G. Evaluasi
H. Uraian Materi
1. Pengujian normalitas adalah suatu analisis yang dilakukan untuk menguji
apakah data berasal dari populasi yang berdistribusi normal atau tidak
2. Pengujian normalitas menjadi penting karena kebanyakan analisis statistik yang
bersifat inferensial mensyaratkan bahwa data yang akan diolah seyogyanya
berdistribusi normal.
3. Pengujian normalitas untuk data tunggal dapat dilakukan dengan uji Lilliefors,
sedangkan untuk data bergolong dapat dilakukan dengan uji chi kuadrat.
4. Langkah-langkah uji normalitas Lilliefors
a. Susun data secara berurutan dari skor terkecil sampai terbesar seperti
terlihat dalam contoh tabel berikut.
Data: 27, 40, 23, 48, 33, 68, 62, 70, 57, 59, 69, 48
Hitung rata-rata dan standar deviasi
Rata-rata (X) = 50,3 dengan standar deviasi (s) = 16,55
Xi zi F(zi) S(zi) IF(zi) - S(zi)I
23 - 1,65 0,0495 0,0833 0,0338
27 - 1,41 0,0793 0,1667 0,0874
44
33 - 1,05 0,1469 0,2500 0,1031
40 - 0,62 0,2676 0,3333 0,0657
48 - 0,14 0,4443 0,5000 0,0557
48 - 0,14 0,4443 0,5000 0,0557
57 + 0,40 0,6554 0,5833 0,0721
59 + 0,53 0,7019 0,6667 0,0352
62 + 0,71 0,7612 0,7500 0,0112
68 + 1,07 0,8577 0,8333 0,0244
69 + 1,13 0,8708 0,9167 0,0459
70 + 1,19 0,8830 1 0,1170 (Lo)
b. Pengamatan X1, X2, ……. Xn dijadikan skor baku z1, z2, …… zn, dengan
menggunakan rumus Z skor.
c. Untuk tiap skor baku ini dan dengan menggunakan daftar distribusi normal
baku, dihitung peluang F(zi) = P (z  zi). Untuk zi yang bertanda negatif
(-), harga F(zi) diproleh dari 0,5 – angka tabel (0,…..). Sebaliknya untuk zi
yang bertanda positif (+) harga F(zi) = 0,5 + angka tabel (0,…..).
d. Hitung S(zi), yaitu proporsi z1, z2, …. Zn yang lebih kecil atau sama
dengan zi dengan rumus: S(zi) = banyaknya z1, z2, …. Zn  zi
n
e. Hitung selisih atau harga mutlak F(zi) – S(zi).
f. Ambil harga mutlak terbesar di antara harga mutlak tersebut yang disebut
Lo (L observasi) = 0,1170.
g. Bandingkan Lo dengan Ltabel dengan kriteria: jika Lo lebih besar dari Ltabel
berarti populasi berdistribusi tidak normal, sebaliknya jika Lo lebih kecil
atau sama dengan Ltabel berarti populasi berdistribusi normal.
h. Ltabel dilihat pada tabel Nilai Kritis Uji Lilliefors yang didasarkan pada
jumlah sampel dan taraf signifikansi  yang dipilih. Sesuai dengan data,
maka nilai Ltabel adalah 0,242.
i. Jadi Lo (0,1170) < Ltabel , dengan demikian dapat disimpulkan bahwa data
sampel berasal dari populasi yang berdistribusi normal.
5. Langkah pengujian normalitas dengan chi kuadrat (2).
45
a. Susun data dalam daftar distribusi frekuensi yang terdiri dari k buah kelas
interval.
Contoh data tinggi badan mahasiswa
Tinggi (cm) F
140 – 144 7
145 – 149 10
150 – 154 16
155 – 159 23
160 – 164 21
165 – 169 17
170 – 174 6
b. Hitung mean = (157,8) dan standar deviasi = (8,09)

c. Tentukan batas-batas kelas interval, sesuai dengan data yang ada: kelas
interval kesatu dibatasi oleh 139,5 dan 144,5, yang dalam skor baku
dibatasi oleh -2,26 dan –1,64.
d. Berdasarkan tabel normal baku dapat dihitung luas dibawah kurva normal
untuk kelas interval kesatu = 0,4881 – 0,4495 = 0,0386.
e. Hitung frekuensi diharapkan dengan rumus: Luas tiap kelas interval
dikalikan dengan jumlah sampel.
f. Perhitungan berikutnya terhadap masing-masing kelas interval akan
menghasilkan tabel sbb:
Batas z untuk Luas tiap Frekuensi Frekuensi
kelas (x) batas kelas kelas interval diharapkan (Ei) pengamatan (0i)
139,5 - 2,26
144,5 - 1,64 0,0386 3,9 7
149,5 - 1,03 0,1010 10,1 10
154,5 - 0,41 0,1894 18,9 16
159,5 + 0,21 0,2423 24,2 23
164,5 + 0,83 0,2138 21,4 21
169,5 + 1,45 0,1298 13,0 17
174,5 + 2,06 0,0538 5,4 6
g. Hitung harga 2 dengan rumus:
46
2.= Σ (Oi – Ei)2
i=1 Ei
2.= (7-3,9) 2+ (10-10,1) 2+ (16-18,9) 2+ (23-24,2) 2+ (21-21,4) 2+ (17-13,0) 2+ (6-5,4) 2

3,9 10,1 18,9 24,2 21,4 13,0 5,4
2.= 4,27
h. Dari daftar distribusi frekuensi diketahui banyak kelas (k) = 7. Derajat

kebebasan (dk) adalah k – 3 atau (7 – 3) = 4
.
i. Dengan taraf siginifikansi  = 0,05 maka dari tabel 2 (1-)(4) diperoleh harga
2tabel = 9,49
j. Bandingkan harga 2hitung dengan harga 2tabel dengan kriteria: jika 2hitung
lebih kecil atau sama dengan harga 2tabel, maka dapat disimpulkan bahwa
populasi berdistribusi normal. Sebaliknya jika 2hitung lebih besar dari harga
2tabel, maka dapat disimpulkan bahwa populasi berdistribusi tidak normal.
k. Hasil analisis terhadap data tersebut di atas memperlihatkan bahwa 2hitung

(4,27) lebih kecil dari 2tabel (9,49), maka dapat disimpulkan bahwa data
sampel berasal dari populasi yang berdistribusi normal.
47
Pertemuan 10

Pokok Bahasan : Pengujian homogenitas varians
Sub Pokok Bahahan : Uji F dua kelompok sampel dan Uji Barttlet
Pertemuan : ………….
A. Petunjuk Umum
pengujian homogenitas varians.
Memahami dan mampu melaksanakan pengujian homogenitas varians
C. Sub Kompetensi
48
Memahami dan mampu melaksanakan pengujian homogenitas varians untuk dua
atau lebih kelompok sampel.
D. Pokok Materi
Uji homogenitas varians dua kelompok sampel dan uji Bartlett.

11. Media
F. Evaluasi
G. Uraian Materi
1. Pengujian homogenitas varians adalah suatu teknik analisis untuk menguji
apakah data berasal dari populasi yang homogen atau tidak. Untuk menguji
homogenitas varians terhadap dua kelompok sampel dapat dilakukan dengan
Uji F, sedangkan untuk menguji homogenitas varians terhadap 3 kelompok
sampel atau lebih dapat dilakukan dengan Uji Bartlett.
2. Langkah pengujian homogenitas varians dua kelompok sampel (Uji F):
a. Hitung varians masing-masing kelompok data
b. Hitung hasil bagi antara varians yang besar dengan varians yang kecil
Fhitung = Varians besar

Varians kecil
c. Kriteria pengujian adalah: terima hipotesis nol yang menyatakan bahwa
kedua kelompok sampel memiliki varians yang homogen, jika Fhitung lebih
kecil dari nilai Ftabel sesuai dengan taraf signifikansi yang dipilih.
Contoh:
49
Pengujian homogenitas varians hasil belajar matematika antara siswa laki-
laki dan perempuan.
No. Siswa laki-laki Siswa perempuan

X1 X12 X2 X22
1 7 49 8 64
2 6 36 7 49
3 7 49 6 36
4 8 64 5 25
5 6 36 8 64
6 7 49 7 49
7 6 36 7 49
8 8 64 8 64
9 8 64 6 36
10 7 49 6 36
 70 496 68 472
Varians X1: s2 1 = n Σ X12 - (Σ X1)2 = 10 (496) – (70) 2 = 0,667

n(n – 1) 10 (10 – 1)
Varians X2: s2 2 = n ΣX22 - (ΣX2)2 = 10 (472) – (68) 2 = 1,067

n(n – 1) 10 (10 – 1)
Fhitung = Varians besar = 1,067 = 1,599 = 1,60

Varians kecil 0,667
Dengan menggunakan derajat kebebasan (n1 - 1), (n2 - 1) dan taraf siginfikansi
0,05 pada tabel Distribusi F terbaca batas signifikansi (Ftabel) adalah 3,18.
Mengingat Fhitung lebih kecil dari Ftabel, maka dapat disimpulkan bahwa kedua
varians tersebut homogen. Dengan kata lain dapat disimpulkan bahwa kedua
kelompok sampel tersebut berasal dari populasi yang homogen.
3. Langkah pengujian homogenitas varians tiga kelompok sampel atau lebih (Uji
Batlett)
b. Buat daftar/tabel mengenai besaran-besaran yang diperlukan untuk Uji
Bartlett.
Sampel ke dk 1/dk si2 log si2 dk (log si2)
50
1 n1 – 1 1 / n1 – 1 s1 2 log s12 (n1–1) log s12
2 n2 – 1 1 / n2 – 1 s2 2 log s22 (n2–1) log s22
. . . . . .
. . . . . .
k nk - 1 1 / nk - 1 sk 2 log sk2 (nk–1) log sk2
 (ni-1)  (ni-1) log sk2
c. Hitung harga-harga yang diperlukan dalam Uji Bartlett, yaitu:

1) Varians gabungan dari semua sampel dengan rumus:
s2 = { (ni-1) si2 / ( (ni-1)}
2) Harga satuan Bartlett dengan rumus:
B = (log s2)  (ni-1)
3) Harga satuan 2 dengan rumus
2hitung = (ln 10) {B -  (ni-1) log s2}
ln 10 = 2,3026, disebut logaritma asli bilangan 10 (konstanta)
d. Sesuai dengan taraf signifikansi  yang dipilih, terima hipotesis nol yang
menyatakan bahwa kelompok sampel memiliki varians yang homogen, jika
2hitung lebih kecil dari nilai 2tabel. Harga 2tabel diperoleh dari daftar
distribusi chi kuadrad dengan peluang 1-  dan dk = k – 1 (2tabel (1-)(k-1),
dimana k adalah banyak atau jumlah kelompok sampel
.
e. Contoh penerapan Uji Bartlett
Data pertambahan berat badan kambing karena empat macam makanan
Jenis makanan
1 2 3 4
12 14 6 9
Pertambahan 20 15 16 14
berat badan 23 10 16 18
10 19 20 19
17 22
➢ Hitung varians masing-masing kelompok sampel, di mana

s12 = 29,3 s22= 21,5 s32= 35,7 s42= 20,7
51
➢ Masukkan harga varians masing-masing ke dalam tabel besaran-besaran
statistik untuk Uji Bartlett.
Sampel ke dk 1/dk si2 log si2 dk (log si2)
1 4 0,25 29,3 1,4669 5,8676
2 4 0,25 21,5 1,3324 5,3296
3 3 0,33 35,7 1,5527 4,6581
4 3 0,33 20,7 1,3160 3,9480
14 19,8033
➢ Hitung varians gabungan dari 4 sampel
s2 = { (ni-1) si2 / ( (ni-1)}
s2 = 4 (29,3) + 4 (21,5) + 3 (35,7) + 3 (20,7) = 26,6

4+4+3+3
log s2 = log 26,6 = 1,4249
➢ Hitung harga satuan Bartlett

B = (log s2)  (ni-1)
B = (1,4249) (14) = 19,9486
➢ Hitung harga satuan 2

2hitung = (ln 10) {B -  (ni-1) log s2}
2hitung = (2,3026)(19,9486 – 19,8033) = 0,3346
➢ Lihat harga 2tabel

Jika  = 0,05, dari daftar distribusi chi kuadrad dengan dk = 3 didapat harga
2tabel (0,95)(3) = 7,81.
➢ Bandingkan harga 2hitung dengan 2tabel

Ternyata 2hitung (0,3346) < dari 2tabel (7,81), sehingga Ho yang menyatakan
bahwa varians populasi bersifat homogen dapat diterima. Dengan kata lain
dapat disimpulkan bahwa data diperoleh dari populasi yang homogen.
52
Pertemuan 11-12
Pokok Bahasan : Analisis regresi
Sub Pokok Bahahan : Analisis regresi sederhana/tunggal dan ganda
Pertemuan : ………
A. Petunjuk Umum
Setiap mahasiswa wajib membaca literatur yang berkaitan dengan analisis regresi.
Memahami dan mampu melakukan analisis regresi dan menginterpretasikan
hasilnya.
C. Sub Kompetensi
53
Memahami dan mampu melakukan analisis regresi linear tunggal dan ganda serta
menginterpretasikan hasilnya
D. Pokok Materi
Analisis regresi linear tunggal dan ganda

2. Media
F. Evaluasi
Simulasi data dan evaluasi tugas latihan
G. Uraian Materi
1. Analisis regresi sangat erat kaitannya dengan analisis korelasi.
2. Pada analisis korelasi dapat diketahui derajat atau kekuatan hubungan antara
variabel yang satu terhadap variabel yang lainnya.
3. Pada analisis regresi dibahas hubungan fungsional antar variabel, yaitu seberapa
besar kontribusi (yaitu kuadrat dari koefisien korelasi atau r2) variabel
bebas/prediktor terhadap vaiabel terikat/kriteria, dan bagaimana skor pada suatu
variabel dapat digunakan untuk memprediksi skor pada variabel lainnya melalui
persamaan regresi yang diperoleh.
4. Regresi tunggal adalah analisis regresi antara satu variabel (bebas/prediktor)
terhadap variabel (terikat/kriteria) lainnya.
Persamaan regresi linear sederhana adalah Ŷ = a + bx
Dimana: Ŷ = skor yang akan diprediksi berdasarkan skor X
a = konstanta regresi
b = koefisien regresi
54
Konstanta regresi (a) = (ΣY) (ΣX2) - (ΣX)(ΣXY)
nΣX2 - (ΣX)2
Koefisien regresi (b) = nΣXY - (ΣX)(ΣY)

nΣX2 - (ΣX)2
Untuk analisis regresi diperlukan pengujian normalitas, linearitas

regresi/korelasi dan pengujian keberartian regresi.
Aplikasi analisis regresi linear sederhana
Tabel 1. Harga-harga yang diperlukan untuk menghitung a dan b dalam regresi

Ŷ= a + bx
Kemampuan Prestasi Tolak

No. Push-Up Peluru X2 Y2 XY
X Y
1 8 4 64 16 32
2 10 5 100 25 50
3 16 8 256 64 128
4 14 8 196 64 112
5 20 13 400 169 260
6 14 10 196 100 140
7 14 12 196 144 168
8 15 10 225 100 150
9 11 7 121 49 77
10 10 6 100 36 60
11 6 5 36 25 30
12 14 13 196 169 182
13 12 10 144 100 120
14 13 9 169 81 117
15 15 10 225 100 150
55
16 16 10 256 100 160
17 13 9 169 81 117
18 14 10 196 100 140
19 15 12 225 144 180
20 10 9 100 81 90
260 180 3570 1748 2463
r= 0,79
r2 = 0.62
Ŷ= a + bx
a = (180) (3570) - (260)(2463) = 0.58
(20x3570) - (260)2
b = (20x2463) - (260)(180) = 0.65

(20x3570) - (260)2
Ŷ= 0.58 + 0.65 X
Pengujian Linearitas dan Keberartian Regresi
Besaran-besaran Jumlah Kuadrat yang diperlukan dalam pengujian Linearitas

dan Keberartian Regresi
JK (T) = ΣY2
JK (a) = (ΣY)2
n
JK (b/a) =b ΣXY – (ΣX)(ΣY)

n
JK (S) = JK (T) – JK(a) – JK(b/a)
JK(G) = Σ ΣY2 - (ΣY)2

xi ni
JK(TC) = JK(S) – JK(G)
Keterangan: JK = Jumlah Kuadrat
56
JK(T) = Jumlah Kuadrat Total
JK(a) = Jumlah Kuadrat Koefisien (a)
JK(b/a) = Jumlah Kuadrat Regresi (b/a)
JK(S) = Jumlah Kuadrat Sisa
JK(TC) = Jumlah Kuadrat Tuna Cocok
JK(G) = Jumlah Kuadrat Galat
JK(T) = 1748
JK(a) = (180)2 = 1620

20
JK(b/a) = 0,65 2463 – (260)(180) = 79,95

20
JK(S) = 1748 – 1620 – 79,95 = 48,5
JK(G) = Σ ΣY2 - (ΣY)2

xi ni
Untuk menghitung JK(G) sebaiknya dibuat tabel pembantu sebagai berikut.
Tabel 2. Perhitungan Jumlah Kuadrat Galat
Kemampuan Prestasi Tolak Peluru

Kelompok ni ΣYi2 (ΣYi)2/ni ΣYi2- (ΣYi)2/ni
Push-Up (X) (Y)
6 1 1 5 25 25 0
8 2 1 4 16 16 0
10 3 3 5 6 9 142 133.33 8.67
11 4 1 7 49 49 0
12 5 1 10 100 100 0
13 6 2 9 9 162 162 0
14 7 5 8 10 12 13 10 577 561.8 15.2
15 8 3 10 10 12 344 341.33 2.67
16 9 2 8 10 164 162 2
20 10 1 13 169 169 0
20 Jumlah Kuadrat Galat 28.53
JK(TC) = 48,5 – 28,53 = 19,52
57
Tabel 3. Daftar ANAVA Regresi Linear Sederhana
Sumber Variasi dk JK KT F
Total N ΣY2 ΣY2
Koefisien (a) 1 JK(a) JK(a)
Regresi (b/a) 1 JK(b/a) S2reg = JK(b/a) s2reg ; JK(b/a)
Sisa n-2 JK(S) S2sis = JK(S)/n-2 s2sis ; JK(S)/n-2
Tuna Cocok k-2 JK(TC) S2TC = JK(TC)/k-2 S2TC ; JK(TC)/k-2
Galat n-k JK(G) S2G = JK(G)n-k S2G ; JK(G)/n-k
Tabel 4. Daftar ANAVA Regresi Linear Sederhana Ŷ = 0,58 + 0.65 X
Sumber Variasi Dk JK KT Fh Ft α=0.05 Kesimpulan

Total 20 1748 - -
Koefisien (a) 1 1620 - Regresi
Regresi (b/a) 1 79,95 79,95 29,72 4,41 signifikan
Sisa 18 48,5 2,69 (berarti)
Tuna Cocok 8 19,52 2,44 Regresi
Galat 10 28,53 2,85 0,86 3,07 Linear
Langkah-langkah Pengujian
Pengujian Linearitas Regresi
Uji Linearitas Regresi : Kemampuan Push-Up dengan Prestasi Tolak Peluru
Rumusan Hipotesis : Ho : Regresi linear

Ha : Regresi tidak linear
Statistik Sampel : n = 20
k = 10
dkpembilang = k-2 = 8
dkpenyebut = n - k = 20 – 10 = 10
JK(TC) = 19,52
JK(G) = 28,53
Distribusi Sampling : Distribusi probabilitas pengujian adalah distribusi F

Fh = JK(TC)/k-2
JK(G)/n-k
Kriteria Pengujian : α = 0.05 : Ft(0,05)(k-2)(n-k)

Tolak Ho, jika Fh > Ft(0,05)(k-2)(n-k)
58
Terima Ho, jika Fh < Ft(0,05)(k-2)(n-k)
Hasil Perhitungan : Fh = JK(TC)/k-2

JK(G)/n-k
Fh = 19,52/8
28,53/10
Fh = 0,86
Ft(0,05)(8)(10)= 3,07
Jadi Fh(0,86) < Ft(3,07)
Kesimpulan : Regresi Linear
Pengujian Keberartian Regresi
Uji Keberartian Regresi Kemampuan Push-Up dengan Prestasi Tolak Peluru

:
Rumusan Hipotesis : Ho : Regresi tidak berarti
Ha : Regresi berarti
Statistik Sampel : n = 20
dkpembilang = 1
dkpenyebut = n-2 = 18
JK(b/a) = 79.95
JK(S) = 48,5
Distribusi Sampling : Distribusi probabilitas pengujian adalah distribusi F

Fh = JK(b/a)
JK(S)/n-2
Kriteria Pengujian : α = 0.05 : Ft(0,05)(1)(n-2)

Tolak Ho, jika Fh > Ft(0,05)(1)(n-2)
Terima Ho, jika Fh < Ft(0,05)(1)(n-2)
Hasil Perhitungan : Fh = JK(b/a)

JK(S)/n-2
59
Fh = 79,95
48,5/18
Fh = 29,72
Ft(0,05)(1)(18)= 4,41
Jadi Fh(29,72) > Ft(4,41)
Kesimpulan : Regresi berarti
5. Regresi Ganda adalah analisis regresi antara dua atau lebih variabel
(bebas/prediktor) terhadap variabel (terikat/kriteria) lainnya.
Persamaan regresi ganda adalah : Ŷ = bo + b1X1 + b2X2
Dimana: Ŷ = skor yang akan diprediksi berdasarkan skor X1 dan X2
bo = konstanta regresi
b1X1= koefisien regresi X1 terhadap Y
b2X2= koefisien regresi X2 terhadap Y
Menghitung koefisien regresi

Tabel 5. Besaran-besaran Untuk Menghitung Koefisien Regresi
Ŷ = bo + b1X1 + b2X2
No X1 X2 Y X1X2 X1Y X2Y X12 X22 Y2
1 70 41 10 2870 700 410 4900 1681 100
2 71 43 11 3053 781 473 5041 1849 121
3 72 46 12 3312 864 552 5184 2116 144
4 73 47 15 3431 1095 705 5329 2209 225
5 74 45 11 3330 814 495 5476 2025 121
6 75 48 12 3600 900 576 5625 2304 144
7 78 49 13 3822 1014 637 6084 2401 169
8 79 48 14 3792 1106 672 6241 2304 196
9 78 49 15 3822 1170 735 6084 2401 225
10 79 52 18 4108 1422 936 6241 2704 324
11 76 42 15 3192 1140 630 5776 1764 225
12 80 40 14 3200 1120 560 6400 1600 196
13 82 39 13 3198 1066 507 6724 1521 169
14 81 46 15 3726 1215 690 6561 2116 225
15 83 49 18 4067 1494 882 6889 2401 324
16 84 43 17 3612 1428 731 7056 1849 289
17 84 42 16 3528 1344 672 7056 1764 256
18 83 48 19 3984 1577 912 6889 2304 361
60
19 80 46 16 3680 1280 736 6400 2116 256
20 85 48 16 4080 1360 768 7225 2304 256
21 88 50 18 4400 1584 900 7744 2500 324
22 89 51 17 4539 1513 867 7921 2601 289
23 86 53 20 4558 1720 1060 7396 2809 400
24 85 52 19 4420 1615 988 7225 2704 361
25 88 53 22 4664 1936 1166 7744 2809 484
26 90 48 20 4320 1800 960 8100 2304 400
27 94 47 19 4418 1786 893 8836 2209 361
28 93 54 22 5022 2046 1188 8649 2916 484
29 95 54 22 5130 2090 1188 9025 2916 484
30 98 60 25 5880 2450 1500 9604 3600 625
2473 1433 494 118758 41430 23989 205425 69101 8538
X 82.43 47.77 16.47
Σy2 = ΣY2 – (ΣY)2 Σxiy2 = ΣXiY – (ΣXi)( ΣY)

n n
Σx2 = ΣX2 – (ΣX)2 Σxixj = ΣXiXj – (ΣXi)(ΣXj)

n n
bo = Ÿ1 – b1X1 – b2X2
b1 = (Σx22)(Σx1y) – (Σx1x2)(Σx2y)
(Σx12)(Σx22) – (Σx1x2) 2
b2 = (Σx12)(Σx2y) – (Σx1x2)(Σx1y)
(Σx12)(Σx22) – (Σx1x2) 2
Σy2 = 8538 – (494)2 = 403,47

30
Σx12 = 205425 – (2473)2 = 1567,37

30
Σx22 = 69101 – (1433)2 = 651,37

30
Σx1y2 = 41430 – (2473)(494) = 707,93
30
Σx2y2 = 23989 – (1433)(494) = 392,27
61
30
Σx1x2 = 118758 – (2473)(1433) = 631,03

30
b1 = (651,37)(707,93) – (631,03)(392,27) = 0,343

(1567,37)(651,37) – (631,03) 2
b2 = (1567,37)(392,27) – (631,03)(707,93) = 0,270

(1567,37)(651,37) – (631,03) 2
bo = 16,47 – (0,343)(82,43) – (0,270)(47,77) = - 24,70
Dengan diperolehnya harga-harga koefisien regresi ini, maka

persamaan regresi untuk data di atas adalah:
Ŷ = - 24,70 + 0,343 X1 + 0,270 X2
Uji Keberartian Regresi Ganda

JK(Reg) = b1 Σx1y + b2 Σx2y
= (0,343)(707,93) + (0,270)(393,27) = 348,73
JK(S) = Σ y2 – JK(Reg)
= 403,47 – 348,73 = 54,74
Fh = JK(Reg)/k
JK(S)/(n-k-1)
= 348,73/2 = 86,00
54,74/27
Ft(0,05)(2)(27) = 3,35
Fh(86,00) > Ft(3,35)
Kesimpulan: Regresi linear ganda X1 dan X2 terhadap Y berarti (nyata)
62
Pertemuan 13 -15
Pokok Bahasan : Analisis komparasi
Sub Pokok Bahahan : Uji beda mean (uji t) dan analisis varians
Pertemuan : ………….
A. Petunjuk Umum
Setiap mahasiswa wajib membaca literatur yang berkaitan dengan analisis
komparasi.
63
Memahami dan mampu melakukan analisis komparasi dan menginterpretasikan
hasilnya.
C. Sub Kompetensi
Memahami dan mampu melakukan analisis uji beda mean dengan uji t dan analisis
varians (ANAVA).
D. Pokok Materi
Uji beda mean (uji t) dan analisis varians.

Ceramah, tanya jawab, diskusi
2. Media
OHP, whiteboard, LCD.
F. Evaluasi
Evaluasi tugas latihan, dan ujian tulis (ujian akhir semester).
G. Uraian Materi
1. Pengertian analisis komparasi
a. Analisis komparasi adalah analisis yang digunakan untuk melihat
perbedaan/perbandingan mean antara dua variabel atau lebih.
b. Analisis komparasi untuk melihat perbandingan/perbedaan antara dua
variabel yang banyak digunakan adalah uji beda mean atau uji t (t-test).
c. Analisis komparasi untuk melihat perbedaan mean antara tiga atau lebih
yang banyak digunakan adalah analisis of varians disingkat dengan
ANAVA.
2. Perbedaan antara 2 mean, Uji t
a. Fungsi Uji t
64
1. Uji t hanya dapat digunakan untuk menguji perbedaan mean dari dua
sampel yang diambil dari suatu populasi yang berdistribusi normal,
serta data yang diperoleh dalam skala interval atau rasio.
2. Uji t dapat berlaku untuk sampel yang berkorelasi (dependent atau
correlated sample) atau sampel bebas (independent sample). Untuk
kedua jenis sampel tersebut mempunyai formula yang berbeda dalam
penggunaannya.
3. Khusus untuk sampel bebas pemakaian formulanya juga berbeda,
tergantung apakah variansnya homogen atau heterogen.
b. Langkah penggunaan Uji t
1. Pastikan betulkah sampel tersebut diambil dari populasi yang
berdistribusi normal.
2. Betulkah data diambil dengan skala rasio atau interval
3. Pastikan sampel itu termasuk dependent sample atau independent
sample.
4. Jika sampel tersebut merupakan sampel bebas, pastikan pula apakah
variansnya homogen atau heterogen.
c. Uji t untuk sampel yang berhubungan (dependent sample)
Sampel dikatakan berhubungan/tidak bebas apabila keberadaan satu sampel
pada satu kelompok ada kaitannya dengan keberadaan sampel lainnya pada
kelompok lain. Sampel yang berhubungan ini, mungkin hanya satu sampel
tetapi dikenakan perlakuan dua kali, atau dua sampel yang disamakan
(matching) atas dasar variabel tertentu (variabel terikat), tetapi kedua
sampel tersebut mendapatkan perlakuan yang berbeda. Untuk ini berlaku
rumus atau formula:
t= IX1 – X2I
(ΣD)2
ΣD – n___
2
n (n – 1)
Keterangan:
X1 = mean sampel pertama
65
X2 = mean sampel kedua
D = beda antara skor sampel pertama dan kedua
D2 = kuadrat beda
ΣD2 = jumlah kuadrat beda
n = jumlah pasangan sampel
Contoh 1
Seorang peneliti mencoba dua macam metode mengajar, metode A dan B
dengan mengambil 10 orang anak sebagai sampel. Setiap selesai perlakuan
diberikan tes dengan hasil seperti dalam tabel berikut.
Tabel 1. Hasil ujicoba metode A dan B terhadap satu kelompok sampel

Subyek Metode A (X1) Metode B (X2) D D2
1 6 7 -1 1
2 7 9 -2 4
3 5 7 -2 4
4 6 8 -2 4
5 7 6 1 1
6 8 7 1 1
7 6 8 -2 4
8 6 7 -1 1
9 7 9 -2 4
10 7 7 0 0
Jumlah 65 75 -10 24
Mean 6.5 7.5
Berdasarkan tabel di atas nilai th dapat dihitung
th = I6,5 – 7,5I
(-10)2
24 – 10___
10 (9)
th = 2,535
derajat kebebasan (dk) = n –1 = 10 – 1 = 9

taraf signifikansi α = 0,05
tt(1-1/2α)(9) = 2,26
th(2,535) > tt(2,26)
66
Kesimpulan: terdapat perbedaan yang signifikan antara kedua metode
mengajar, dimana metode B lebih baik dari metode A terhadap hasil belajar
anak.
Contoh 2
Seorang peneliti mengambil 20 orang anak secara acak yang kemudian
dijadikan dua kelompok yang seimbang berdasarkan matching kemampuan
awal mereka. Kemudian melalui undian kedua kelompok tersebut diberikan
perlakuan dengan metode A dan metode B. Hasil tes akhir menunjukkan
hasil sebagai berikut:
Tabel 2. Hasil Uji coba metode A dan B pada dua sampel yang dipasangkan
Subyek Metode A (X1) Metode B (X2) D D2
1 8 8 0 0
2 6 8 -2 4
3 7 7 0 0
4 8 9 -1 1
5 5 7 -2 4
6 7 9 -2 4
7 6 8 -2 4
8 5 7 -2 4
9 7 7 0 0
10 6 8 -2 4
Jumlah 65 78 -13 25
Mean 6.5 7.8
th = I6,5 – 7,8I
(-13)2
25 – 10___
10 (9)
th = 4,33
derajat kebebasan (dk) = n –1 = 10 – 1 = 9

tt(1-1/2α)(9) = 2,26
th(4,33) > tt(2,26)
67
mengajar, dimana metode B (X2) lebih baik dari metode A (X1) terhadap
hasil belajar anak.
d. Uji t untuk sampel bebas (independent sample) dengan varians yang

homogen
Sampel dikatakan independent/bebas apabila keberadaan satu sampel pada
satu kelompok tidak ada kaitannya dengan keberadaan sampel lainnya pada
kelompok lain. Jadi penentuan sampel dan kelompoknya dilakukan secara
acak. Misalnya dari 20 orang sampel diambil setiap kelompok sebanyak 10
orang yang dipilih secara acak, dan kedua sampel tersebut mendapatkan
perlakuan yang berbeda. Untuk ini berlaku rumus atau formula:
t= IX1 – X2I __________
(ΣX1)2 (ΣX1)2
ΣX1 – n___ + ΣX2 – n____
2 2
n (n – 1)
Keterangan:
n = jumlah sampel
Contoh 1 untuk jumlah sampel yang sama

Misalnya anda ingin meneliti mengenai perbedaan pengaruh dua macam
bentuk latihan berbeban, yaitu latihan berbeban sistem set (X1) dan sistem
sirkuit (X2) terhadap peningkatan kekuatan otot. Sampelnya tergolong
kepada independent sampel dan datanya sebagai mana terlihat dalam tabel
berikut
Tabel 3. Pengaruh Latihan Sistem Set dan Sistem Sirkuit terhadap Peningkatan
Kekuatan
Latihan Berbeban
No Sistem Set (X1) Sistem Sirkuit (X2) X12 X22
1 18 12 324 144
2 20 16 400 256
3 18 10 324 100
4 19 16 361 256
5 22 17 484 289
68
6 18 15 324 225
7 23 18 529 324
8 16 11 256 121
9 19 12 361 144
10 17 13 289 169
Jumlah 190 140 3652 2028
Mean 19 14
Varians 4.67 7.56
Pengujian homogenitas varians
Varians kecil 4,67
varians tersebut homogen.

th = I19 – 14I __________
(190)2 (140)2
3652 – 10___ + 2028 – 10____
10 (9)
th = 5 __________
(3652 – 3610)_+ (2028 – 1960)_

90
th = 4,52
derajat kebebasan (dk) = n – 2 = 20 – 2 = 18
tt(1-1/2α)(18) = 2,10
th(4,33) > tt(2,10)

dimana metode latihan dengan sistem set (X1) memberikan pengaruh yang
lebih besar terhadap peningkatan kekuatan otot dibandingkan dengan sistem
sirkuit (X2).
Contoh 2 untuk jumlah sampel yang berbeda
69
Misalnya anda ingin meneliti dengan variabel yang sama seperti contoh 1,
tetapi jumlah sampelnya berbeda, dan datanya sebagai mana terlihat dalam
tabel berikut
Tabel 4. Pengaruh Latihan Sistem Set dan Sistem Sirkuit terhadap Peningkatan
Kekuatan
Latihan Berbeban
No Sistem set (X1) Sistem Sirkuit (X2) X12 X22
1 18 12 324 144
2 20 16
Peningkatan kekuatan otot
400 256
3 14 10 196 100
4 16 16 256 256
5 22 17 484 289
6 18 15 324 225
7 23 18 529 324
8 16 11 256 121
9 19 12 361 144
10 17 13 289 169
11 18 324
12 15 225
Jumlah 216 140 3968 2028
Mean 18 14
7.27 7.56
Untuk uji t sampel bebas varians homogen dengan jumlah n yang berbeda ini
berlaku rumus:
th = IX1 – X2I __________________________
(ΣX1)2 (ΣX1)2
ΣX12 – n1___ + ΣX22 – n2____ _1 + _1__
n1 + n2 – 2 n1 n2

Varians kecil 7,27
70
varians tersebut homogen.
Berdasarkan tabel di atas nilai th dapat dihitung dengan rumus:
th = I18 – 14I __________________________
(216)2 (140)2
3968 – 12___ + 2028 – 10____ _1 + _1__
12 + 10 – 2 12 10
th = 3,43
derajat kebebasan (dk) = (n1 + n2) – 2 = 22 – 2 = 20
tt(1-1/2α)(20) = 2,09
tt(1- α)(20) = 1,72
th(3,43) > tt(2,09)

dimana metode latihan dengan sistem set (X1) memberikan pengaruh yang
lebih besar terhadap peningkatan kekuatan otot dibandingkan dengan sistem
sirkuit (X2).
e. Uji t untuk sampel bebas (independent sample) dengan varians yang

heterogen.
Untuk sampel bebas dengan varians yang heterogen untuk menghitung nilai
t digunakan formula:
:
t= IX1 – X2I __________
S12 + S22
n1 n2
Keterangan:
71
t = koefisien t
n1 = jumlah sampel kesatu
n2 = jumlah sampel kedua
Untuk menentukan apakah koefisien t yang diperoleh dengan rumus di atas

signifikan atau tidak, Cochran dan Cox memberikan formula perkiraan
sebagai berikut.
( S2 ) (t1) + ( S2 ) (t2)
talpha = X1 X2
( S2 ) + ( S2 )
X1 X2
Dimana:
t1 = adalah t pada tabel distribusi t sesuai dengan taraf signifikansi, dan dk =
n1-1
t2 = adalah t pada tabel distribusi t sesuai dengan taraf signifikansi, dan dk =
n2-1
S2 = S12
X1 n1
S2 = S2
X2 n2
Apabila nilai yang diketemukan dengan formula t di atas lebih kecil dari
nilai yang diperoleh dari talpha , hipotesis null diterima kebenarannya. Akan
tetapi jika koefisien t yang diperoleh itu sama besar atau lebih besar dari
nilai t alpha, maka hipotesis null ditolak
Contoh
Misalnya seorang peneliti ingin melihat efektivitas guru menurut tipe A dan
B dalam mengajar. Data penelitian ini dapat dilihat dalam tabel berikut.
Tabel 5. Hasil Belajar Siswa yang diajar oleh Guru Tipe A dan Tipe B
Guru Tipe A Guru Tipe B
No X1 x1 x12 X2 x2 X22
1 8 1 1 8 1.5 2.25
2 7 0 0 5 -1.5 2.25
3 6 -1 1 7 0.5 0.25
72
4 7 0 0 6 -0.5 0.25
5 7 0 0 5 -1.5 2.25
6 8 1 1 9 2.5 6.25
7 8 1 1 6 -0.5 0.25
8 7 0 0 9 2.5 6.25
9 6 -1 1 4 -2.5 6.25
10 6 -1 1 6 -0.5 0.25
Jumlah 70 63 65 26.5
Mean 7 6.5
S 0.8165 1.7159
S2 0.6667 2.9444

Varians kecil 0,6667
Mengingat Fhitung lebih besar dari Ftabel, maka dapat disimpulkan bahwa kedua
varians tersebut heterogen.
Berdasarkan tabel 9 di atas nilai th dapat dihitung dengan rumus:
th = I7 – 6,5I __________
0,6667 + 2,9444
10 10
th = 0,8321
Dengan melihat pada tabel disribusi t pada taraf signifikansi 0,05 dan dk (n1–1)
dan (n2 – 1), maka diperoleh ttabel = 2,262. Selanjutnya dapat dilakukan perhitungan
talpha.
talpha = (0,6667/10) (2,262) + (2,9444/10) (2,262)

(0,6667/10) + (2,9444/10)
talpha = 2,262
Hasil perhitungan menunjukkan bahwa nilai yang diketemukan dengan

formula t di atas lebih kecil dari nilai yang diperoleh dari talpha , maka
hipotesis null diterima kebenarannya. Jadi dapat disimpulkan bahwa tidak
terdapat perbedaan hasil belajar siswa antara guru tipe A dan Tipe B.
73
3. Analisis Varians (ANAVA)
a. Analisis varians adalah teknik analisis yang digunakan untuk
melihat/mengetahui/perbedaan/perbandingan rata-rata pada tiga variabel
atau lebih.
b. Syarat untuk melakukan analisis varians data harus berasal dari populasi
yang berdistribusi normal dan variansnya homogen.
c. Pada analisis varians biasanya akan diuji hipotesis null (Ho) dengan
tandingan Ha.
Ho : μ1 = μ2 = μ…. = μ3
Ha : paling sedikit satu tanda sama dengan tidak berlaku
d. Aplikasi analisis varians
Misalnya seorang peneliti ingin meneliti efek 4 macam makanan terhadap
pertambahan berat badan kambing. Data penelitian ini sebaiknya disusun
seperti dalam tabel berikut.
Tabel 6. Pertambahan berat badan kambing dengan 4 jenis makanan

Jenis makanan
1 2 3 4
Pertambahan berat 12 14 6 9
badan 20 15 16 14
23 10 16 18
10 19 20 19
17 22
Jumlah 82 80 58 60
Rata-rata 16.4 16 14.5 15
74
Misalkan persyaratan kenormalan distribusi dan homogenitas varians sudah
terpenuhi.
Susun daftar analisis varians untuk menguji Ho, sebagai berikut.
Tabel 7. Daftar Analisis Varians
Sumber variasi dk JK KT F
Rata-rata 1 Ry R=Ry/1
Antar kelompok k–1 Ay A=Ay/k-1 A/D
Dalam kelompok (ni-1) Dy D=Dy/(ni-1)
Total ni Y2
Dimana Ry, Ay, Dy, dan Y2 merupakan jumlah kuadrat-kuadrat (JK) yang
berturut-turut berdasarkan sumber-sumber variasi: rata-rata, antara
kelompok, dalam kelompok, dan total. Setiap JK sumber variasi didampingi
oleh derajat kebebasan (dk). Untuk rata-rata dk =1, untuk antar kelompok
dk = k –1, untuk dalam kelompok dk = (ni-1), dan untuk total = ni.
Formula untuk menghitung masing-masing JK ini adalah:
Ry = J2 / ni dengan J = J1 + J2 + J…. + Jk
Ay =  (Ji2 / ni) – Ry
Y2 = jumlah kuadrat-kuadrat (JK) dari semua nilai pengamatan
Dy = Y2 – Ry – Ay
Jika tiap JK dibagi dengan dk nya masing-masing akan diperoleh varians

untuk masing-masng sumber variasi yang disebut kuadrat tengah (KT).
Dengan jalan membagi KT antar kelompok dan KT dalam kelompok akan
diperoleh harga F melalui formula.
F = Ay/k-1____
Dy/(ni-1)
Berdasarkan data pada tabel 10, maka masing-masing JK dapat dihitung:
Ry = (82+80+58+60)2 = 78400 = 4355,56
75
5+5+4+4 18
Ay = 822 + 802 + 582 + 602 – 4355,56 = 10,24

5 5 4 4
Y2 = 12 + 20 + ……… 182 + 192 = 4738
2 2
Dy = 4738 – 4355,56 – 10,24 = 372,20
Tabel 8. Daftar Analisis Varians Pertambahan berat badan kambing karena 4

jenis makanan
Rata-rata 1 4355,56 4355,56
Antar kelompok 3 10,24 3,41 0,128
Dalam kelompok 14 372,20 26,59
Total 18 4378
Fhitung = 3,41_ = 0,128

26,59
Dari daftar distribusi F dengan dk pembilang 3 dan dk penyebut 14 dan

peluang 0,95 (jadi  = 0,05) didapat Ftabel = 3,34.
Ternyata Fhitung(0,128) < dari Ftabel(3,34), jadi Ho diterima, dan dapat
disimpulkan bahwa keempat jenis makanan itu menyebabkan pertambahan
berat badan kambing yang tidak berbeda secara nyata. Dengan kata lain,
keempat macam makanan itu sama efektifnya sehingga campuran mana saja
yang digunakan akan memberikan hasil yang secara nyata tidak berbeda.
Uji Lanjut setelah ANAVA

Jika hasil analisis varians menunjukkan ada perbedaan yang signifikan (Fhitung > Ftabel)
antara perlakuan (Ho ditolak dan Ha diterima), maka diperlukan Uji Lanjut untuk
mengetahui perlakuan mana saja yang berbeda di antara beberapa perlakuan yang
diberikan.
76
Contoh.
Seorang peneliti ingin mengetahui apakah terdapat perbedaan pengaruh waktu belajar
(Pagi, Siang, Sore dan Malam) terhadap hasil ujian. Kecuali waktu, yang diduga akan
mempengaruhi hasil belajar, misalnya cara mengajar, situasi kelas, bahan pelajaran dan
lain-lain dibuat sama. Dimisalkan ada 20 anak dengan dasar yang sama yang dijadikan
percobaan. Secara acak diambil 5 anak untuk setiap waktu mengajar. Pada akhir
percobaan yang dilakukan dengan metode mengajar dan bahan yang sama, diadakan
ujian. Hasil ujian adalah sebagaimana terlihat dalam tabel berikut.
Tabel 9. Hasil Ujian kelas Pagi, Siang, Sore dan Malam

Waktu Pengajaran
Jumlah
Pagi (1) Siang (2) Sore (3) Malam (4)
56 60 43 41
Hasil Ujian 55 59 39 43
50 62 45 45
61 55 46 39
64 56 45 42
Jumlah 286 292 218 210 1006

Banyak
Pengamatan 5 5 5 5 20
Rata-rata 57.2 58.4 43.6 42 201.2
Ho : μ1 = μ2 = μ…. = μ3
Ha : paling sedikit satu tanda sama dengan tidak berlaku (terdapat
perbedaan pengaruh waktu mengajar terhadap hasil ujian/belajar)
Ry = (286+292+218+210)2 = (1006)2 = 50601,8

5+5+5+5 20
Ay = 2862 + 2922 + 2182 + 2102 – 50601,8 = 1135

5 5 5 5
Y2 = 562 + 552 + ……… 392 + 422 = 51940
77
Dy = 51940 – 50601,8 – 1135 = 203,2
Tabel 10. Daftar Analisis Varians Hasil Belajar dalam 4 waktu mengajar (Pagi,
Siang, Sore dan Malam).
Rata-rata 1 50601,8 50601,8
Antar kelompok 3 1135 378,33 29,79
Total 20 51940
Fhitung = 378,33 = 29,79

12,7
Dari daftar distribusi F dengan dk pembilang 3 dan dk penyebut 16 dan

peluang 0,95 (jadi  = 0,05) didapat Ftabel = 3,24.
Ternyata Fhitung(29,79) > dari Ftabel(3,24), jadi Ho ditolak, dan dapat
disimpulkan bahwa keempat waktu waktu mengajar memberikan pengaruh
berbeda secara nyata terhadap hasil belajar. Dengan kata lain, terdapat
perbedaan pengaruh waktu mengajar terhadap hasil belajar anak.
Untuk mengetahui perlakuan (waktu mengajar) mana saja yang berbeda di antara
beberapa perlakuan yang diberikan, diperlukan Uji lanjut setelah ANAVA (salah
satunya adalah Uji Rentang Newman-Keuls).
Rata-rata 1 1,8 1,8
Antar kelompok 3 1135 378,33 29,79
Total 20 1340
Fhitung = 378,33 = 29,79

12,7
78
Dari daftar distribusi F dengan dk pembilang 3 dan dk penyebut 16 dan peluang 0,95
(jadi  = 0,05) didapat Ftabel = 3,24.
Ternyata Fhitung(29,79) > dari Ftabel(3,24), jadi Ho ditolak, dan dapat disimpulkan bahwa
keempat jenis waktu mengajar menyebabkan hasil belajar berbeda secara nyata.
Dengan kata lain, terdapat perbedaan keempat waktu mengajar terhadap hasil
belajar/ujian siswa.
Langkah-langkah Rentang Newman-Keuls

1. Susun k buah rata-rata perlakuan menurut urutan nilainya dari yang paling
kecil sampai ke yang terbesar.
Rata-rata : 42 ; 43,6 ; 57,2 ; 58,4
Rata-rata : -8,0 ; -6,4 ; 7,2 ; 8,4

Perlakuan : 4 3 1 2
2. Dari daftar ANAVA, ambil harga KT (kekeliruan) = 12,7 disertai dk nya =

16.
3. Hitung kekeliruan baku rata-rata untuk tiap perlakuan dengan rumus,
SŸ = KT (kekeliruan) = 12,7 = 1.59
ni 5
4. Tentukan taraf signifikansi , lalu gunakan daftar rentang student yang

tercantum dalam Apendiks. Daftar ini mengandung dk = v dalam kolom kiri
dan p dalam baris atas. Untuk uji Newman- Keuls, diambil v = dk untuk KT
(kekeliruan dan p = 2, 3 …., k. Harga-harga yang didapat untuk v dan p dari
badan daftar sebanyak (k-1) buah, supaya dicatat.
p = 2 3 4
79
rentang = 3,00 3,65 4,05
5. Kali harga-harga yang didapat pada poin 4 itu masing-masing dengan SŸ.
Dengan demikian diperoleh apa yang dinamakan Rentang
Signifikansi Terkecil (RST).
p = 2 3 4
RST = 4,77 5,80 6,44
6. Bandingkan selisih rata-rata terbesar dan rata-rata terkecil dengan
RST untuk p = k, selisih rata-rata terbesar dan rata-rata terkecil
kedua dengan RST untuk p = (k-1), dan seterusnya. Demikian pula
kita bandingkan selisih rata-rata terbesar kedua dan rata-rata terkecil
kedua dengan RST untuk p = (k-2), dan seterusnya.
2 lawan 4 16,4 > 6,44

2 lawan 3 14,8 > 5,80
2 lawan 1 1,2 < 4,77
1 lawan 4 15,2 > 5,80
1 lawan 3 13,6 > 4,77
3 lawan 4 1,6 < 4,77
80

Statistik Pasca 2008

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

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

Statistik Pasca 2008

Diunggah oleh

Hak Cipta:

Format Tersedia

PROGRAM PASCASARJANA UNP

SILABUS MATA KULIAH STATISTIK

1. Mata Kuliah : Statistik

B. Deskripsi Mata Kuliah

1. Status Mata Kuliah

2. Sinopsis Mata Kuliah

3. Tujuan Mata Kuliah

13 – 15 Analisis Komparasi 1. Uji Beda Mean (Uji t) Buku 2, 3,

D. Proses Kegiatan Pembelajaran

Aturan Pembulatan angka

SATUAN ACARA PERKULIAHAN (SAP)

D. Proses Kegiatan Pembelajaran

Tabel 1. Penyebaran Siswa di Kota A Berdasarkan Jenis Sekolah

Banyak Siswa Judul Kolom

4. Menyusun dan menyajikan data dalam distribusi frekuensi tunggal (untuk

Tabel 2. Distribusi Frekuensi Nilai Ujian Siswa (X)

5. Menyusun dan menyajikan data dalam distribusi frekuensi bergolong (untuk

Contoh data: Nilai ujian 80 orang Mahasiswa

Langkah-langkah penyusunan data dalam distribusi frekuensi bergolong.

Tabel 3. Distribusi Frekuensi Nilai 80 orang Mahasiswa

61 – 70 |||| |||| ||| 13 16,25

71 – 80 |||| |||| |||| 24 30,00

Gambar 1. Grafik Histogram Nilai Ujian Mahasiswa (Judul Gambar)

b. Poligon (grafik garis)

c. Pie Diagram (diagram lingkaran)

61 – 70, 13, 16%

81 – 90, 21, 26%

71 – 80, 24, 30%

SATUAN ACARA PERKULIAHAN (SAP)

D. Proses Kegiatan Pembelajaran

Letak Ki = data ke i (n+1)

► Letak K1 = data ke 1 (12+1) = 13 = data ke 3 ¼

► Letak K2 = data ke 2 (12+1) = 26 = data ke 6 ½

► Nilai K2 = data ke 3 + ½ (data ke 7 – data ke 6)

Letak Di = data ke i (n+1)

Nilai D1 = data ke 1 + 0,3 (data ke 2 – data ke 1)

Letak D5 = data ke 5 (12+1) = 65 = data ke 6,5

Yaitu data ke 6 + 0,5 jauh dari data ke 6 ke arah data ke 7 .

Nilai D5 = data ke 6 + 0,5 (data ke 7 – data ke 6)

Letak Pi = data ke i (n+1)

Letak P25 = data ke 25 (12+1) = 325 = data ke 3,25

Nilai P25 = data ke 3 + 0,25 (data ke 4 – data ke 3)

Yaitu data ke 6 + 0,5 jauh dari data ke 6 ke arah data ke 7 .

Nilai P50 = data ke 6 + 0,5 (data ke 7 – data ke 6)

7. Menentukan Letak dan Nilai Kuartil untuk data bergolong

51 – 60 5 b= batas bawah kelas Ki, ialah kelas

Jumlah 80 f = frekuensi kelas interval Ki

51 – 60 5 b= batas bawah kelas Di, ialah kelas

9. Menentukan Letak dan Nilai Persentil untuk data bergolong

91 – 100 12 kelas lebih kecil dari tanda kelas Pi

Data tunggal X = X1 + X2 + ……Xi X = ΣXi

Data bergolong/tunggal X = ΣfiXi

Data bergolong cara X = x0 + p Σfi ci

Menghitung Mean data tunggal

Menghitung Mean data tunggal yang

Menghitung Mean data Bergolong (Rumus 2)

X = ΣfiXi = ΣfiXi = 15780 = 157,8

Menghitung Mean data Bergolong cara sandi/symbol (Rumus 3)

Tinggi (cm) Fi Xi Ci fiCi

140 – 144 7 142 -3 -21

X = x0 + p Σfi ci = 157 + 5 16 = 157 + 5 0,16 = 157,8

Menghitung rata-rata gabungan (data tunggal) dari beberapa sub sampel

▪ Mo = 70,5 + 10 10 = 77,17