Modul 3 Statistika Teknik - FT - Teknik Sipil

1
MODUL PERKULIAHAN
STATISTIKA
TEKNIK
Ukuran pemusatan data
(mean, median, modus)
Ukuran penyebaran data
(varians, standar deviasi)
Abstract Kompetensi
Mean, median dan modus berkaitan Mahasiswa mampu menjelaskan
dengan ukuran pemusatan data. pengertian mean, modus, skewness
Variance dan deviasi standard dan deviasi standard
menggambarkan penyimpangan data.
Skewness menjelaskan kedua-duanya,
yaitu mengenai pemusatan dan
penyimpangan data.
Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

Teknik Teknik Sipil W112100015 Retna Kristiana,ST,MM, MT
03
UKURAN PEMUSATAN DATA
Ukuran pemusatan data terdiri dari tiga bagian, yaitu mean, median, dan modus.
a. Rataan Hitung (Mean )
Rataan hitung seringkali disebut sebagai ukuran pemusatan atau rata-rata hitung.
Rataan hitung juga dikenal dengan istilah mean dan diberi lambang x .
1) Rataan data tunggal
Rataan dari sekumpulan data yang banyaknya n adalah jumlah data dibagi dengan
banyaknya data.
Keterangan: = jumlah data, dan n = banyaknya data
Untuk lebih jelasnya, pelajarilah contoh soal berikut ini.
Contoh soal
Dari hasil tes 10 mahasiswa diperoleh data: 3, 7, 6, 5, 3, 6, 9, 8, 7, dan 6. Tentukan rataan

dari data tersebut.
Penyelesaian
Jadi, rataannya adalah 6,0.
2) Rataan dari data distribusi frekuensi
Apabila data disajikan dalam tabel distribusi frekuensi maka rataan dirumuskan sebagai
berikut.
2022 Statistika Teknik

2 Retna Kristiana,ST,MM, MT
Biro Bahan Ajar eLearning dan MKCU
http://pbael.mercubuana.ac.id/
Contoh soal
Berdasarkan data hasil UTS Matematika, enam mahasiswa mendapat nilai 8, tujuh
mahasiswa mendapat nilai 7, lima belas mahasiswa mendapat nilai 6, tujuh mahasiswa
mendapat nilai 5, dan lima mahasiswa mendapat nilai 4. Tentukan rata-rata nilai UTS
Matematika tersebut.
Penyelesaian
Tabel nilai UTS Matematika
Jadi, rataan nilai UTS Matematika adalah 6,05.
3) Mean data bergolong
Rata-rata untuk data bergolong pada hakikatnya sama dengan menghitung ratarata data
pada distribusi frekuensi tunggal dengan mengambil titik tengah kelas sebagai xi. Perhatikan
contoh soal berikut ini.
Contoh soal
Tentukan rataan (mean) dari data berikut ini.
Jadi, rataannya adalah 51.

SOAL UNTUK LATIHAN
Kerjakan soal-soal di bawah ini dengan benar.
1. Diketahui data: 5, 7, 9, 6, 4, 3, 2, 1. Hitunglah mean (rataan) hitungnya.

2. Hitunglah rataan hitung data di bawah ini.
3. Nilai matematika dari dua puluh mahasiswa adalah sebagai berikut:
65 75 66 80 73 75 68 67 75 77
70 71 60 55 65 63 60 70 70 66
Tentukan rataan hitung (mean) dari data tersebut.
4. Tentukan mean dari data berikut:
b. Median
1) Median untuk data tunggal
Median adalah suatu nilai tengah yang telah diurutkan. Median dilambangkan Me. Untuk
menentukan nilai Median data tunggal dapat dilakukan dengan cara:
a) mengurutkan data kemudian dicari nilai tengah,
b) jika banyaknya data besar, setelah data diurutkan, digunakan rumus:
Untuk lebih jelasnya, perhatikan contoh soal berikut.

Contoh soal
Dari data di bawah ini, tentukan mediannya.
1. 2, 5, 4, 5, 6, 7, 5, 9, 8, 4, 6, 7, 8
2) Median untuk data bergolong
Jika data yang tersedia merupakan data bergolong, artinya data itu dikelompokkan ke dalam
interval-interval kelas yang sama panjang. Untuk mengetahui nilai mediannya dapat
ditentukan dengan persamaan berikut ini.

Contoh Soal :
Nilai Frekuensi
40 -49 4
50 - 59 5
60 – 69 14
70 – 79 10
80 – 89 4
90 - 99 3
Carilah nilai median data bergolong di atas.
c. Modus
Modus ialah nilai yang paling sering muncul atau nilai yang mempunyai frekuensi tertinggi.
Jika suatu data hanya mempunyai satu modus disebut unimodal dan bila memiliki dua
modus disebut bimodal, sedangkan jika memiliki modus lebih dari dua disebut multimodal.
Modus dilambangkan dengan Mo.
1) Modus data tunggal
Modus dari data tunggal adalah data yang sering muncul atau data dengan frekuensi
tertinggi. Perhatikan contoh soal berikut ini.

Contoh soal
Tentukan modus dari data di bawah ini.
Penyelesaian
a. 1, 1, 1, 2, 4, 5, 5, 5, 7, 8, 9, 10. Data yang sering muncul adalah 1 dan 5. Jadi modusnya

adalah 1 dan 5.
b. Berdasarkan data pada tabel, nilai yang memiliki frekuensi tertinggi adalah 6. Jadi,
modusnya adalah 6.
2) Modus data bergolong
Modus data bergolong dirumuskan sebagai berikut:
Untuk lebih jelasnya, perhatikan contoh soal berikut ini.
Contoh soal
Tentukan modus dari tabel di bawah ini.

B. Ukuran penyimpangan data
Beberapa jenis pengukuran penyimpangan antara lain :
a. Rentangan (range)
b. Varians
c. Simpangan baku (standar deviasi)
d. Koefisien varians
a. Rentangan (Range)
Rentangan dapat di ketahui dengan mengurangi data tertinggi dengan data terendah.
Rentangan berfungsi untuk melihat perbedaan dari data yang ada.
Rumus :
R = Data tertinggi – data terendah
Contoh :
Data UTS Statistika
Kelas A : 90, 70, 50, 80, 50, 60, 70, 70, 85, 85
Kelas B : 95, 87, 76, 84, 75, 96, 85, 83, 73, 80
Langkah :
1. urutkan dulu kemudian dihitung rentangannya
Kelas A : 50, 50, 60, 70, 70, 70, 80, 85, 85, 90
Kelas B : 73, 75 ,76, 83, 84, 85, 87, 80, 95, 96
Rentangan Kelas A : 90-50 = 40
Rentangan Kelas B : 96-73 = 24
b. Simpangan Rata-rata (Mean Deviasi)
Simpangan rata-rata merupakan nilai rata-rata dari harga mutlak semua simpangan
terhadap rata-rata (mean) kelompoknya. Rumus untuk simpangan rata-rata :
a. Data tunggal
SR =
x− x
n
Contoh :
Data nilai UTS yang diambil sampel 10 orang:
Kelas A : 50, 50, 60, 70, 70, 70, 76, 80, 85, 90
Nilai (X) Rata-Rata (X- x )
(x)
|x|
SR =
x− x
50 20 n
50 20 = 101
60 70 10 10
70 70 0 =10,1
70 70 0 Artinya rata-rata nilau UTS 10 orang
70 70 0 mahasiswa sebesar 70 dengan
simpangan 10,1
76 70 6
80 70 10
85 15
90 20
701 101
b. Data Berkelompok
SR =
 f .(x − x )
i
f
SR = Simpangan rata-rata
f = frekuensi
x i
= titik tengah
x = rata-rata

Contoh :
Nilai f Titik Tengah (X) f.X (X- x ) f. |x|
|x|
60-64 2 62 124 15,64 31,28
65-69 6 67 402 10,64 63,84
70-74 15 72 1.080 5,64 84,6
75-79 20 77 1.540 0,64 12,8
80-84 16 82 1.312 4,36 69,76
85-89 7 87 609 9,36 65,52
90-94 4 92 368 14,36 57,44
Jumlah 70 5.435 385,24
x = 5435 = 77,64
70
SR =
 f .(x − x ) = 385,24 = 5,5
i
f 70
Jadi, rata-rata nilai statistik 70 orang mahasiswa sebesar 77,64 dengan simpangan rata-rata
5,5
c. Simpangan Baku ( Standar deviasi )
Simpangan baku ( standar deviasi) menunjukkan tingkat atau derajat variasi kelompok data
dari rata-ratanya. Standar deviasi ini digunakan untuk memperlihatkan seberapa besar
perbedaan data yang ada dibandingkan dari rata-rata data itu sendiri. Rumus untuk Standar
deviasi :
Data tunggal :
S=
x 2
n −1
S = Standar deviasi
X = nilai rata – rata di kuadratkan
n = Jumlah sampel
Contoh :
1. Data nilai UTS yang diambil sampel 10 orang:
Kelas A : 50, 50, 60, 70, 70, 70, 76, 80, 85, 90
Nilai (X) (X- x ) X2
S=
x 2
|x|
n −1
50 -20 400
1661
50 -20 400 =
10 − 1
60 -10 100
1661
70 0 0 =
9
70 0 0
=
70 0 0
76 6 36
80 10 100
85 15 225
90 20 400
701 101 1661
1. Dari hasil survai yang melihat bagaimana kepemimpinan 10 orang mahasiswa yang
aktif dalam organisasi intra kampus. Data berikut memperlihatkan nilai
kepemimpinan 10 orang responden tersebut.
No X X2 X - x ( x) x2
1 75 5625 - 5,5 30,25
2 70 4900 -10,5 110,25
3 80 6400 -0,5 0,25
4 85 7225 4,5 20,25
5 60 3600 -20,5 420,25
6 75 5625 -5,5 30,25
7 100 10000 19,5 380,25
8 90 8100 9,5 90,25

No X X2 X - x ( x) x2
9 95 9025 14,5 210,25
10 75 5625 -5,5 30,25
Jumlah 805 66125 0 1322,5
x =
x
n
805
x = = 80,5
10
Maka :
S=
x 2
n −1
1322
S=
10 − 1
1322
S=
9
S= 146,9
S = 12,12
Jadi dapat disimpulkan bahwa rata-rata nilai kepemimpinan mahasiswa yang aktif dalam
organisasi intra kampus adalah 80, 5 dengan standar deviasi (penyimpangan) 12,12.
2. Data Berkelompok :
S=
 f .x 2
 f −1

Contoh
Data nilai 70 orang mahasiswa Statistika
Nilai f Batas kelas atas x (X- x ) X2 fX2
|x|
60-64 2 64,5 -15 225 450
65-69 6 69,5 -10 100 600
70-74 15 70,5 -5 25 375
75-79 20 79,5 79,5 0 0 0
80-84 16 84,5 5 25 400
85-89 7 89,5 10 100 700
90-94 4 94,5 15 225 900
Jumlah 70 556,5 0 700 3425
S=
 f .x 2
 f −1
3425
S=
69
S= 49,64
S = 7,045
Jadi, standar deviasi nilai statistika dari 70 mahasiswa sebesar 7,045
d. Varians
Varian ini digunakan untuk menunjukkan tingkat homogenitas suatu data. Varians ini dapat
dihitung dengan berdasarkan kepada standar deviasi dan rata-rata data.
Varians adalah kuadrat dari standar deviasi.
Contoh :
Jika (Standar Deviasi) ➔ 13,58 maka (Varians) = 13,582 = 184.4164

Jika (Standar Deviasi) ➔ 7,045 maka (Varians) = 7,0452 = 49.632025
e. Koefisien Varians (KV)
Koefisein varians adalah perbandingan antara Standar deviasi dengan harga mean (rata-
rata) yang dinyatakan dalam angka persentase (%). Guna dari koefisien Varians untuk
mengamati variasi atau sebaran data dari meannya. Semakin kecil koefien variannya
maka data semakin seragam (homogen), sebaliknya semakin besar koefisien varians
maka data semakin bervariasi (heterogen).
Rumus Koefisien Varians
s
KV = x 100 %
x
KV = Koefisien varians
s = Standar deviasi
x = Rata-rata (mean)
Contoh :
Nilai 70 orang mahasiswa, standar deviasi = 7,045 dengan nilai rata-rata 77,64 maka
Koefisien Variansnya adalah :
s 7,045
KV = x 100 % = x100% = 9,07 %
x 77,64
e. Skewness (ukuran kecondongan)
- Ukuran kecondongan – kemencengan

o Kurva tidak simetris
- Pada kurva distribus i frekuensi diketahui dari posisi modus, rata -rata
dan median
- Pendekatan : Jika
o mean = median = modus : Simetris
o Modus < mean < median : Menceng ke kiri
o Median < mean < modus : Menceng ke kanan

Gambar a. Menceng ke kiri Gambar b. Menceng ke
kanan
e. Kurtosis (ukuran keruncingan)
- Keruncingan disebut juga ketinggian kurva

- Pada distribusi frekuensi di bagi dalam tiga bagian :
◼ Leptokurtis = Sangat runcing
◼ Mesokurtis = Keruncingan sedang (normal)
◼ Platykurtis = Kurva datar

STATISTIK DESKRIPTIF DENGAN SPSS DAN INTERPRESTASINYA
Data-data statistik, yang bisa diperoleh hasil sensus, survei, jajak pendapat atau
pengamatan lainnya umumnya masih bersifat acak, “mentah” dan tidak terorganisir dengan
baik (raw data). Data-data tersebut harus diringkas dengan baik dan teratur, baik dalam
bentuk tabel atau presentasi grafis yang berguna sebagai dasar dalam proses pengambilan
keputusan (statistik inferensi).
Penyajian tabel dan grafis yang digunakan dalam statistik deskriptif dapat berupa:
1. Distribusi frekuensi
2. Presentasi grafis seperti histogram, Pie chart dan sebagainya.
Selain tabel dan grafik, untuk mengetahui deskripsi data diperlukan ukuran yang lebih
eksak, yang biasa disebut summary statistics (ringkasan statistik).
Dua ukuran penting yang sering dipakai dalam pengambilan keputusan adalah:
1. Mencari central tendency (kecenderungan memusat), seperti Mean, Median, dan

Modus
2. mencari ukuran dispersion, seperti Standar Deviasi dan Varians
Selain central tendency dan dispersion, ukuran lain yang dipakai adalah Skewness dan
Kurtosis yang berfungsi untuk mengetahui kemiringan data (gradien data).
Kali ini akan dibahas menu dari SPSS yang berhubungan dengan statistik deskriptif, yaitu
Summarize. Dalam menu ini terdapat beberapa submenu sebagai berikut:
A. Frequencies
Menu ini membahas beberapa penjabaran ukuran statistik deskriptif seperti Mean,
Median, Kuartil, Persentil, Standar Deviasi dan lainnya.
B. Descriptives
Menu ini berfungsi untuk mengetahui skor-z dari suatu distribusi data dan menguji
apakah data berdistribusi normal atau tidak.
C. Explore
Menu ini berfungsi untuk memeriksa lebih teliti sekelompok data. Alat utama yang
dibahas adalah Box-Plot dan Steam & Leaf Plot, selain beberapa uji tambahan untuk
menguji apakah data berasal dari distribusi normal.
D. Crosstabs
Menu ini dugunakan untuk menyajaikan deskripsi data dalam bentuk tabel silang
(crosstab), yang terdiri aatas baris dan kolom. Selain itu menu ini juga dilengkapi dengan
analisis hubungan di antara baris dan kolom, seperti independensi diantara mereka,
besar hubungannya dan lainnya.
E. Case Summaries
Menu ini digunakan untuk melihat lebih jauh isis statistik deskriptif yang meliputi subgrup
dari sebuah kasus, seperti grup “Pria” dan grup “Wanita”, bisa dibuat subgrup “Pria
Dewasa” dan “Pria Remaja”, kemudian “Wanita Dewasa” dan “Wanita Remaja”, serta
dibagi lagi menjadi yang tinggal di kota dan di desa, dan seterusnya.

Menu Frequencies
Contoh penggunaan Frequencies
Misalkan kita memiliki data tentang tinggi badan 25 orang mahasiswa (dalam centimeter)
yang diambil secara acak.
No Tinggi Gender No Tinggi Gender
1 170.2 Pria 14 170.4 Wanita
2 172.5 Pria 15 168.9 Wanita
3 180.3 Pria 16 168.9 Wanita
4 172.5 Pria 17 177.5 Wanita
5 159.6 Wanita 18 174.5 Pria
6 168.5 Wanita 19 186.6 Wanita
7 168.5 Pria 20 164.8 Wanita
8 172.5 Pria 21 170.4 Pria
9 174.5 Pria 22 168.9 Pria
10 159.6 Wanita 23 164.8 Wanita
11 170.4 Wanita 24 167.2 Wanita
12 161.3 Wanita 25 167.2 Wanita
13 172.5 Pria
Yang pertama kita lakukan adalah ada memasukan data terebut ke dalam editor SPSS.
Pada bagian awal kita sudah mempelajari bagaimana membuat data baru dalam SPSS.
Langkah-langkahnya adalah sebagai berikut.
1. Mendefinisikan variabel.Ada banyak cara untuk mendefinisikan variabel, diantaranya

adalah sebagai berikut.
• Karena pada contoh kita ada dua variabel (Tinggi Badan & Gender), maka kita akan
definisikan 2 variabel tersebut tipenya seperti apa. Pada bagian bawah menu editor
data, tekan tombol Variable View. Maka akan tampak tampilan berikut:

• Kolom pertama merupakan tempat untuk mendefinisikan nama-nama variabel
tersebut. Pada baris pertama-kolom pertama untuk mendefinisikan nama variabel ke-
1, baris kedua-kolom pertama untuk mendefinisikan nama variabel ke-2. Kita ketikan
“Tinggi” untuk variabel pertama dan “Gender” untuk variabel kedua.
• Untuk deklarasi Type variabel kita gunakan “Numeric” untuk variabel Tinggi dan
Gender. Nantinya untuk variabel Gender kita pilih angka “1” untuk menandai gender
Pria dan “2” untuk menandai gender Wanita.
• Untuk Width, biasanya standar SPSS untuk numeric adalah 8, kita biarkan saja
angka 8 karena sudah mencukupi untuk keprluan kita.
• Untuk Decimals, untuk variabel Tinggi, karena datanya mengandung 1 angka di
belakang koma, kita pilih 1. Sedangkan untuk gender karena bilangan bulat kita pilih
angka 0. Untuk itu kita perlu mengganti default yang ada pada editor yaitu 2 dengan
angka 1 dan 0 tersebut.
• Untuk sementara biarkan submenu-submenu yang lain seperti Values, Label,
Missing dll. Seperti apa adanya. Tampilan akhir dapat dilihat seperti gambar berikut
ini.
• Selanjutnya kita akan memasukan data yang kita punya dengan terlebih dahulu
menekan tombol Data View. Lalu ketiklah data yang ada, setelah itu simpan dengan
nama Deskriptif1.

2. Bila Anda sudah memiliki data tersebut dalam format Word atau Excel, Anda bisa
langsung meng-copy data tersebut dengan cara yang biasa Anda lakukan, yaitu “Copy-
Paste”. Setelah mengcopy dari data asal, maka lalu letakan pointer di baris-1 kolom-1
SPSS kemudian klim menu Edit, dan pilih submenu Paste.
3. Setelah data ada, lalu kita olah, yaitu ingin menampilkan deskripsi statistik dari data
tersebut yaitu mengenai Mean, Standar Deviasi, Skewness, dll. Selain itu kita ingin pula
menampilkan Chart dari data yang sesuai dengan sata kuantitatif, yaitu Histogram dan
Bar Chart. Langkah-langkahnya sebagai berikut:
a. Dari baris menu, pilih menu Analyze, lalu pilih submenu Descriptive Statistics, lalu
pilih lagi sumenu Frequencies (untuk menampilkan tabel frekuensi). Lalu akan
tampil gambar berikut ini.
b. Kolom Variables(s) harus diisi dengan jenis-jenis variabel apa yang ingin kita
analisis. Karena ingin dibuat frekuensi dari variabel Tinggi, maka klik variabel Tinggi,
kemudian klik tanda , maka variabel Tinggi akan berpindah ke kolom Vraible(s).
c. Klik pilihan Statistics, maka akan tampil di layar gambar berikut:

d. Pilihan Statistics meliputi berbagai ukuran untuk menggambarkan data, antara lain
sebagai berikut:
• PercentilesValues. Untuk keseragaman klik Quartiles dan Percentile(s).
Kemudian pada kotak disamping kanan Percentiles ketik 10, lalu tekan Add.
Sekali lagi ketik 90 pada kotak terdahulu, dan klik lagi tombol Add. Pengerjaan ini
dimaksudkan untuk membuat nilai persentil pada 10 dan 90.
• Dispersion atau penyebaran data. Untuk keseragaman, semua atau keenam
jenis pengukuran Dispersion dipilih semua.
• Central Tendency atau pengukuran pusat data, untuk keseragaman pilih Mean
dan Median.
• Distribution atau bentuk distribusi data. Untuk keseragaman, klik Skewness dan
Kurtosis.
e. Pilihan Charts…juga diklik, maka akan tampil gambar berikut ini.
• Menu Charts berkenaan dengan jenis grafik yang ingin kita pilih. Dari Chart
Type, untuk keseragaman kita pilih Histogram. Lalu menu With normal curve-
nya akan hidup, maka kita klik juga With normal curve. Lalu klik Continue.
• Sekarang editor akan kembali ke tampilan editor Frequencies seperti awal,
selanjutnya kita akan memilih menu Format.
f. Setelah menu Format diklik, maka akan tampil gambar berikut:
• Pada submenu Order by (data output akan disusun seperti apa ?) kita
seragamkan saja dengan memilih output akan disusun naik (dari data terkecil ke
data terbesar). Untuk itu pilih Ascending values. Selanjutnya klik OK. Maka
semua proses pengisian dan pengolahan data telah selesai, dan kita akan lihat
hasilnya (outputnya) pada editor Output.

4. Output SPSS dan Analisisnya
Selanjutnya data yang telah kita olah tersebut akan kita lihat outputnya. Berikut ini
adalah output dari Descriptive.
• Frequencies
Statistics
Tinggi
N Valid 25
Missing 0
Mean 170.1200
Std. Error of Mean 1.20655
Median 170.2000
Std. Deviation 6.03276
Variance 36.394
Skewness .572
Std. Error of Skewness .464
Kurtosis 1.460
Std. Error of Kurtosis .902
Range 27.00
Minimum 159.60
Maximum 186.60
Percentiles 10 160.6200
25 167.2000
50 170.2000
75 172.5000
90 178.6200
Output Bagian Pertama (Statistics)
• N atau jumlah data yang valid adalah 25 buah, sedangkan data yang hilang
(missing) adalah nol. Ini artinya semua data bisa diproses
• Mean atau rata-rata tinggi badan adalah 170,12 cm dengan standar error adalah
1,20655 cm. Penggunaan standar error of Mean adalah untuk memeriksa besar
rata-rata populasi yang diperkirakan dari sampel. Untuk itu, dengan standar error
of Mean tertentu dan pada tingkat kepercayaan 95% (SPSS sebagian besar
menggunakan angka ini sebagai stanadar), rata-rata populasi tinggi badan
menjadi:
Rata-rata Populasi = Rata-rata ± 2 standar error of Mean
= 170,12 ± (2 x 1,20655) cm
= (170, 12 + 2.4131) sampai (170, 12 - 2.4131)
= 172,5331cm sampai 167, 7069 cm
(Angka 2 digunakan karena tingkat kepercayaan 95%)
• Median atau titik tengah data jika semua data diurutkan dan dibagi 2 sama besar.
Angka median 170,20 cm menunjukkan bahwa 50% tinggi badan adalah 170,20
cm ke atas, dan 50%-nya 170,20 cm ke bawah.
• Standar Deviasi adalah 6,03276 cm dan variansinya adalah 36,394 cm.
Penggunaan standar deviasi adalah untuk menilai dispersi rata-rata dari sampel.
Untuk itu, dengan standar deviasi tertentu dan pada tingkat kepercayaan 95%,
rata-rata tinggi badan menjadi:
Rata-rata tingi badan = Rata-rata ± 2 x Standar Deviasi
= 170,12 ± (2 x 6,03276) cm
= 182.18552 cm sampai 170,12 cm

Perhatikan bahwa kedua batas angka berbeda tipis dengan nilai minimum dan
maksimum, ini artinya sebaran data adalah baik.
Ukuran Skewnes adalah 0,572 cm. Untuk penilaian, nilai tersebut diubah ke
angka rasio. Rasio kurtosis adalah = nilai kurtosis/standar error kurtosis =
0,572/0,902 = 0,63. Sebagai pedoman, bila rasio kurtosis berada antara -2
sampai dengan +2, maka distribusi data adalah normal.
• Ukuran kurtosis adalah 1,460 cm

• Data minimum adalah 159,60 cm sedangkan data maksimum adalah 186,60 cm
• Range data = Data maksimum – Data minimum adalah 27,00 cm
• Angka Persentil:
o Rata-rata tinggi badan 10% responden di bawah 160,62 cm
Tinggi
Cumulative
Frequency Percent Valid Percent Percent
Valid 159.60 2 8.0 8.0 8.0
161.30 1 4.0 4.0 12.0
164.80 2 8.0 8.0 20.0
167.20 2 8.0 8.0 28.0
168.50 2 8.0 8.0 36.0
168.90 3 12.0 12.0 48.0
170.20 1 4.0 4.0 52.0
170.40 3 12.0 12.0 64.0
172.50 4 16.0 16.0 80.0
174.50 2 8.0 8.0 88.0
177.50 1 4.0 4.0 92.0
180.30 1 4.0 4.0 96.0
186.60 1 4.0 4.0 100.0
Total 25 100.0 100.0
Output bagian kedua (Tinggi)
Output ini merupakan gambaran tinggi badan responden dalam tabel frekuensi.
Histogram
10
8
Frequency
Mean = 170.12
Std. Dev. = 6.03276
0 N = 25
150.00 160.00 170.00 180.00 190.00
Tinggi

Output bagian ketiga (Histogram)
Terlihat grafik data berbentuk seperti lonceng, ini artinya distribusi data adalah
normal atau mendekati normal (pengujian secara statistik akan dibahas nanti)
• Tabel Frekuensi untuk Gender

Karena variabel gender bukan data kuantitatif namun kategori, maka tidak perlu
dilakukan deskripsi statistik seperti Mean, Median, Standar Deviasi dan sebagainya.
Untuk data kualitatif chart yang sesuai adalah pie chart.
Langkah-langkah membuat Pie Chart
• Buka kembali lembar kerja Deskriptif1.sav

• Dari baris menu, pilih menu Analyze, lalu pilih submenu Descriptive Statistics,
lalu pilih lagi sumenu Frequencies (untuk menampilkan tabel frekuensi). Lalu
akan tampil gambar berikut ini.
• Kolom Variables(s) harus diisi dengan jenis-jenis variabel apa yang ingin kita
analisis. Karena ingin dibuat frekuensi dari variabel Gender, maka klik variabel
Gender, kemudia klik tanda , maka variabel Gender akan berpindah ke kolom
Vraible(s).
• Pilihan Charts…juga diklik, maka akan tampil gambar berikut ini.
• Menu Charts berkenaan dengan jenis grafik yang ingin kita pilih. Dari Chart
Type, untuk keseragaman kita pilih Pie Chart. Lalu klik Continue
Setelah itu menu Format diklik, maka akan tampil gambar berikut:

• Pada submenu Order by (data output akan disusun seperti apa ?) kita
seragamkan saja dengan memilih output akan disusun naik (dari data terkecil ke
data terbesar). Untuk itu pilih Ascending values. Selanjutnya klik OK. Maka
semua proses pengisian dan pengolahan data telah selesai, dan kita akan lihat
hasilnya (outputnya) pada editor Output.
Output Gender
Statistics
Gender
N Valid 25
Missing 0
Gender
Frequenc Valid Cumulative

y Percent Percent Percent
Valid 1 11 44.0 44.0 44.0
2 14 56.0 56.0 100.0
Total 25 100.0 100.0
Penggunaan Menu Descriptive
Langkah-langkah penggunaan menu Desciptive:
• Buka kembali file Deskriptif1.sav

• Dari baris menu, pilih menu Analyze, lalu pilih submenu Descriptive Statistics,
lalu pilih lagi sumenu Descriptives (untuk menampilkan tabel frekuensi). Lalu
akan tampil gambar berikut ini.

• Kolom Variables(s) harus diisi dengan jenis-jenis variabel apa yang ingin kita
analisis. Karena ingin dibuat frekuensi dari variabel Tinggi, maka klik variabel
Tinggi, kemudia klik tanda , maka variabel Tinggi akan berpindah ke kolom
Vraible(s).
• Klik Options, maka akan tampak di layar
Pilihan Options meliputi berbagai ukuran untuk menggambarkan data. Terlihat

default dari SPSS yang memilih Mean, Standar deviasi, maksimum, minimum
sebagai acuan untuk menghitung statistik deskriptif, untuk keseragaman biarkan
pilihan tersebut. Kemudian klik Continue.
• Maka akan terlihat kotak pilihan Save standardized values as variables yang
telah diberi tanda akan digunakan pilihan tersebut. Hal ini berarti pilihan output
SPSS mengenai deskripsi data. Lalu klik OK.
• Maka outputnya sebagai berikut:
Descriptive Statistics
Maximu Std.
N Minimum m Mean Deviation
Tinggi 170.120
25 159.60 186.60 6.03276
0
Valid N
25
(listwise)
Jika dilihat pada Editor data SPSS selain variabel tinggi dan gender sekarang
muncul variabel baru, yaitu zTinggi seperti berikut

• Analisisnya
• Output bagian Pertama
Bagian ini membahas deskripsi statistik dari variabel tinggi yang meliputi
Mean dan yang lainnya.
• Output bagian Kedua

Bagian ini membahas penerapan z-score atau Standard Score. Dalam output
SPSS, nilai z bisa dipakai untuk secara cepat melihat nilai mana yang
menyimpang cukup jauh dari rata-ratanya (outlier)
Jika suatu data berdistribusi normal, suatu nilai bisa distandardisasi dengan
nilai z, yaitu:
xi − x
z=
s
Dimana: xi = nilai data kei; x = Mean data dan s=Standar Deviasi
Sebagai contoh, lihat pada data pertama yaitu tinggi 170,20 cm, nilai z-nya
dihitung dengan rumus adalah sbb:
170.2 − 170.12
z= = 0,013 (sama dengan output SPSS)
6.03
Data yang lain pun sama prinsipnya.
• Melihat Data yang menyimpang (outlier)

Jika data berdistribusi normal dan tingkat kepercayaan 95%, maka tingkat
signifikansi adalah 100% - 95% = 5%. Jika memakai uji dua sisi (ada tanda +
dan - ), maka batas kritis ada pada 5% dibadi dua atau 2,5%. Pada tabel-z
perhitungan pada satu sisi atau 50%, maka batas kritis ada pada luas kurva
(50% - 2,5%) atau 47,5%.
Pada tabel-z, luas kurva untuk 47,5% didapat nilai kritis 1,96.
Dari nilai variabel zTinggi terlihat hanya ada satu data yang termasuk outlier,
yaitu 186.60 cm nilai zTinggi yang di luar 1,96, yaitu zTingginya 2.73175.
Karena dari 25 data hanya ada 1 data yang outlier, maka dapat dikatakan
distrubusi mendekati normal.
Analisis Crosstab (Tabel Silang)
Sebagaimana pernah dibahas di kelas bahwa salah satu analisis data kualitatif yang
berskala nominal (kategori) adalah dengan Crosstab.
Analisis Crosstab untuk Uji Ketergantungan (Test of Independence)

Contoh Kasusnya:
Manajer perusahaan yang memproduksi kopi susu dalam kemasan sachet merek
deCaFe ingin mengetahui bagaimana sikap konsumen terhadap produk perusahaan,
serta bagaimana profil mereka.
Untuk itu 25 orang konsumen yang pernah mencicipi produk deCaFe diminta mengisi
identitas dan sikap mereka terhadap produk deCaFe.
Berikut ini hasilnya:
No Pekerjaan Pendidikan Gender
1 Karyawan Akademi Pria
2 Petani Sarjana Pria
3 wiraswasta Sma Wanita
4 Petani Sma Wanita
5 wiraswasta Akademi Wanita
6 Karyawan Sarjana Pria
7 wiraswasta Sma Wanita
8 wiraswasta Sma Pria
9 Petani Akademi Wanita
10 Petani Akademi Wanita
13 Petani Sma Wanita
14 wiraswasta Sarjana Pria
15 wiraswasta Akademi Wanita
17 Petani Sma Wanita
18 Karyawan Akademi Pria
19 Karyawan Sma Wanita
20 Petani Akademi Pria
21 wiraswasta Sarjana Wanita

No Pekerjaan Pendidikan Gender
22 Petani Sarjana Wanita
23 Petani Sarjana Pria
24 Karyawan Sma Pria
25 Karyawan Sma Pria
Baris pertama, menunjukkan konsumen pertama mempunyai pekerjaan karyawan dan

ia seorang pria yang berpendidikan akademi. Demikian seterusnya.
Dalam SPSS otomatis no urut konsumen sudah ada, sehingga ada 3 variabel saja.
Langkah penyelesaian:
• Buka lembar kerja baru

• Masukkan data seperti ketika Anda memasukan data Deskriptif1.sav. Jangan lupa
definsikan variabelnya. Karena semuanya data kategori pilih Decimalsnya = 0.
• Untuk variabel pekerjaan, tipenya numerik, dimana: 1 = karyawan, 2= wiraswasta
dan 3= petani.
• Untuk variabel pendidikan, tipenya numerik dengan; 1 = Sma, 2= akademi, dan
3=sarjana
• Variabel gender seperti sebelumnya, 1=Pria dan 2 = Wanita.
• Setelah data diketikan lalu simpan data tersebut dengan nama file Crosstab1.sav
pada drive D, dari baris menu, pilih menu Analyze, lalu pilih submenu Descriptive
Statistics, lalu pilih lagi sumenu Crosstab. Lalu akan tampil gambar berikut ini.
• Row(s) atau variabel yang akan ditempatkan pada baris (row) –untuk keseragaman,
kita pilih Gender
• Column(s) atau variabel yang akan ditempatkan pada Kolom) –untuk keseragaman,
kita pilih Pekerjaan
• Klik pilihan Statistics…, akan tampak dilayar gambar berikut.

• Karena kita akan melihat hubungan antara dua variabel, untuk keseragaman pilih
Chi-Square. Pilihan yang lainnya akan digunakan pada kasus yang relevan di
bagian lain. Lalu Klik Continue
• Kemudian Klik pilihan Cells…, akan tampak di layar
• Pilihan Count untuk menampilkan hitungan Chi-square, apakah perlu disertakan nilai
Expected (nilai yang diharapkan) selain nilai observed. Untuk keseragaman klik
hanya Observed
• Pilihan Percentage untuk menampilkan perhitungan angka pada baris dan kolom
dalam persen. Untuk kasus ini biarkan saja kolom tersebut (tidak ada yang dipilih).
Lalu klik Continue,
• Klik pilihan Format…, akan tampak editor berikut
• Row Order atau penempatan nama variabel dalam baris, apakah naik atau turun.
Pilih Ascending. Klik Continue.
• Pilihan Displayclustered bar charts dan Suppers tables biarkan kosong.
• Perhatikan variabel Pendidikan tidak dimasukkan, karena dalam proses ini kita
hanya memasukkan dua saja, tidak mesti semua, nanti kita akan gunakan variabel
pendidikan pada kasus yang lain.
• Klik OK, maka akan tampak output berikut.

Output Crosstab
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
gender *
25 100.0% 0 .0% 25 100.0%
Pekerjaan
Analisis Output Bagian Pertama (Case Processing Summary)
Ada 25 data yang semuanya diproses (tidak ada data missing), sehingga tingkat validitasnya
100%.
gender * kerja Crosstabulation Count
kerja Total
1 2 3
gender 1 8 2 3 13
2 1 5 6 12
Total 9 7 9 25
Analisis Output Bagian Kedua (Crosstab antara Gender dengan Pekerjaan)
Terlihat tabel silang yang memuat hubungan diantara kedua variabel. Misalnya, pada baris-1
kolom-1, terdapat angka 8. Hal ini berarti ada 8 orang pria (variabel gender) yang
mempunyai pekerjaan karyawan (varaibel Pekerjaan). Demikian pula untuk data yanag
lainnya.

Chi-Square Tests
Asymp.
Sig. (2-
Value Df sided)
Pearson Chi-
7.702(a) 2 .021
Square
Likelihood Ratio 8.505 2 .014
Linear-by-Linear
5.342 1 .021
Association
N of Valid Cases 25
a 6 cells (100.0%) have expected count less than 5. The minimum expected
count is 3.36.
Analisis Output bagian Ketiga (Uji Chi-square)
Uji Chi-square untuk mengamati ada tidaknya hubungan antara dua variabel (baris dan
kolom). Di dalam SPSS, selain alat uji Chi-Square juga dilengkapi dengan beberapa alat uji
yang sama tujuannya.
Hipotesis
Hipotesis untuk kasus ini:
Ho: Tidak ada hubungan antara baris dan kolom, atau antara pekerjaan konsumen dengan
gender konsumen tersebut.
Hi : Ada hubungan antara baris dan kolom, atau antara pekerjaan konsumen dengan gender
konsumen tersebut
Pengambilan Keputusan
Dasar pengambilan keputusan, yaitu: Berdasarkan perbandingan Chi-Quare Uji dan angka
dari Tabel
• Jika Chi-square Hitung < Chi-square Tabel, Maka Ho diterima

• Jika Chi-square Hitung > Chi-square Tabel, Maka Ho ditolak
Chi-square Hitung dapat dilihat pada output bagian ketiga yaitu 7.702. Sedangkan Chi-
square Tabel, dapat dilihat pada Tabel Uji-Statistik untuk Chi-square. Dalam hal ini untuk
tingkat signifikansi () = 5% dan derajat kebebasan (dF) = 2 adalah 5,9915.

Karena Chi-square Hitung (7.702) > Chi-square Tabel (5,9915), Maka Ho ditolak Dengan
demikian dipsimpulkan bahwa ada hubungan antara baris dan kolom, atau antara pekerjaan
konsumen dengan gender konsumen tersebut.
Kita juga bisa menguji hipotesis dengan membandingkan nilai Probabilitas yang nilainya
dapat dilihat pada bagian Asymp. Sig. (2-sided), yang dalam kasus ini sebesar 0.021. Jika
nilai Probabilitas > 0,05 maka Ho diterima. Tetapi bila nilai Probabilitas < 0,05 maka Ho
ditolak.
Dalam kasus ini 0.021 < 0,05 artinya Ho ditolak, atau ada hubungan antara baris dan kolom,
atau antara pekerjaan konsumen dengan gender konsumen tersebut.
Dari kedua analisis tersebut bisa diambil kesimpulan yang sama, yaitu Ho ditolak atau ada
hubungan antara pekerjaan seorang konsumen dengan gender konsumen tersebut. Dengan
kiata lain dapat saja dikatakan bahwa kebanyakan pria berprofesi karyawan sedangkan
kebanyakan wanita tidak banyak yang berprofesi karyawan, mungkin banyaknya
wiraswasta.
Pada kasus dimana, Ho ditolak atau disimpulkan bahwa ada hubungan antara pekerjaan
seorang konsumen dengan gender konsumen tersebut, maka dapat ditanyakan pula
seberapa besar atau seberapa kuat hubungan tersebut ? Hal ini akan kita bahas pada
contoh lain.
Sekarang, tugas Anda adalah berlatih untuk mencari hubungan antara variabel Pekerjaan
dengan Tingkat Pendidikan, Jika sudah memasukkan datanya dalam program SPSS simpan
pada drive D dengan nama Crosstab2.sav dan outputnya dengan Crosstab2out. Buatlah
analisis Anda dalam file word lalu simpan pula pada drive D.
Menguji Keeratan Hubungan Dua Variabel Berskala Nominal
Jika tadi kita contohkan bahwa berdasarkan analisis Crosstab ditemukan terdapat hubungan
antara dua variabel berskala nominal, yaitu antara gender dengan pekerjaan. Sekarang kita
akan cari tahu seberapa besar keeratan hubungan tersebut.
SPSS menyediakan dua cara untuk mengukur hubungan tersebut, yaitu:
1. Symetric Measures, yaitu hubungan yang setara dan berdasarkan perhitungan Chi-
square
2. Directional Measures, yaitu hubungan yang tidak setara dan berdasarkan pada
proportional Reduction In Error (PRE)
Kedua cara perhitungan di atas dapat digunakan pada kasus hubungan antara Pekerjaan
dengan Gender.
Langkah-langkahnya:
1. Buka lagi lembar kerja Crosstab1.sav

2. Darri baris menu, pilih menu Analyze, lalu pilih submenu Descriptive Statistics, lalu
pilih lagi sumenu Crosstab. Lalu akan tampil gambar seperti sebelumnya.
a. Pada menu Row(s) atau variabel yang akan ditempatkan pada baris (row) –untuk
keseragaman, kita pilih Gender
b. Column(s) atau variabel yang akan ditempatkan pada Kolom) –untuk
keseragaman, kita pilih Pekerjaan
3. Klik pilihan Statistics…, akan tampak dilayar gambar berikut.
Karena sudah tahu bahwa antara kedua variabel tersebut terdapat hubungan, maka
sekarang tidak perlu lagi Chi-square, oleh karena itu sekarang Chi-square-nya jangan
dicentak (tidak diklik). Kalau diklik, hasilnya akan seperti terdahulu.
4. Klik pilihan Correlations untuk mengetahui koefisien korelasi kedua variabel dengan cara
Symetric Measures.
5. Pada kolol Nominal (yang berarti khusus untuk data yang berskala Nomonal), klik semua
pilihan yaitu Contingency Coefficient, Phi and Cramer’s V, lambda dan Uncertainty
coefficient. Pilihaan ini untuk mengetahui koefisien korelasi dengan cara Directional
Measures. Lalu klik Continue. Kemudian Klik pilihan Cells…, akan tampak di layar
gambar sebelah kanan.
6. Untuk pilihan Count, ntuk keseragaman klik hanya Observed

7. Pilihan Percentage untuk kasus ini biarkan saja kolom tersebut (tidak ada yang dipilih).
Demikian pula kolom Residuals biarkan kosong. Lalu klik Continue.
8. Klik pilihan Format. Row Order atau penempatan nama variabel dalam baris, apakah
naik atau turun. Pilih Ascending. Klik Continue.
9. Pilihan Displayclustered bar charts dan Suppers tables biarkan kosong.
10. Selanjutnya Tekan OK untuk mendapatkan outputnya.
Output bagian Pertama
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
gender *
25 100.0% 0 .0% 25 100.0%
kerja
Ada 25 data yang semuanya diproses (tidak ada data missing), sehingga tingkat validitasnya
100%.

Output bagian Kedua
gender * kerja Crosstabulation
Count
kerja
1 2 3 Total
gende 1 8 2 3 13
r
2 1 5 6 12
Total 9 7 9 25
Tabel yang menggambarkan hubungan antara variabel, misalnya pada baris-2 kolom-1 ada
angka 1, artinya ada 1 orang konsumen wanita bekerka sebagai karyawan.
Output bagian Ketiga (Symmetric Measures)
Symmetric Measures
Asymp.
Std. Approx. Approx.
Value Error(a) T(b) Sig.
Nominal by Phi .555 .021

Nominal
Cramer's V .555 .021
Contingency
.485 .021
Coefficient
Interval by Pearson's R
.472 .167 2.566 .017(c)
Interval
Ordinal by Spearman
.472 .173 2.566 .017(c)
Ordinal Correlation
N of Valid Cases 25
a Not assuming the null hypothesis.
b Using the asymptotic standard error assuming the null hypothesis.
c Based on normal approximation.

Di sini hanya diperhatikan besar korelasi antara Nominal-Nominal. Hal ini karena kedua
variabel berskala nominal, karena itu besaran Pearson dan Spearman tidak relevan untuk
dibahas.
Ada 3 besaran untuk menghitung korelasi antara variabel pekerjaan dengan gender, dan
ketiganya mempunyai angka signifikan atau nilai Probabilitas 0,021. Karena nilai
Probabilitas di bawah 5%, maka bisa dikatakan ada hubungan antara kedua variabel
tersebut (seperti telah terbukti sebelumnya).
Besaran korelasi (Phi dan Cramer) menghasilkan angka sama yaitu 0,555. Sedangkan
koefisien kontingensi menghasilkan angka 0,485 (lebih kecil). Dari ketiga besaran itu bisa
disimpulkan adanya hubungan yang cukup erat antara (disebut erat jika mendekati angka 1
dan tidak ada hubungan bila mendekati angka 0) antara variabel pekerjaan dengan variabel
jender.
Output bagian Keempat (Directional Measures)
Directional Measures
Asymp.
a b
Value Std. Error Approx. T Approx. Sig.
Nominal by Lambda Symmetric .393 .163 2.003 .045
Nominal gender Dependent .500 .236 1.572 .116
kerja Dependent .313 .137 2.041 .041
Goodman and gender Dependent .308 .165 .025 c
Kruskal tau kerja Dependent .160 .095 .021 c
Uncertainty Coefficient Symmetric .191 .114 1.673 .014 d
gender Dependent .246 .147 1.673 .014 d
kerja Dependent .156 .093 1.673 .014 d
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Based on chi-square approximation
d. Likelihood ratio chi-square probability.
Disini juga ada 3 ukuran untuk mengukur hubungan antara kedua variabel tersebut. Namun
di sini ada pembedaan, yaitu satu variabel sebagai dependen sedangkan yang lainnya
sebagai variabel independen.
Untuk lebih jelasnya lihat besaran pada korelasi lambda.
• Symmetric atau kedua variabel setara (bebas), maka besar korelasinya adalah 0,393
atau cukup lemah (kurang dari 0,50). Angka signifikansinya adalah 0,045 atau di bawah
0,05 yang berarti kedua variabel memang berhubungan secara nyata.
• Jika ada perkataan Dependent, dipakai pedoman (berlaku untuk ketiga alat uji) berikut:
o Jika angka korelasi 0, maka pengetahuan akan variabel independen tidak
menolong dalam usaha memprediksi variabel dependen
o Jika angka korelasi = 1, maka pengetahuan akan variabel independen menolong
dalam usaha memprediksi variabel dependen
• Contoh analisis pada Lambda
o Gender Konsumen Dependen atau Gender sebagai variabel dependen
(tergantung), dimana Pekerjaan adalah variabel independennya. Karena angka
signifikansi 0,116 lebih besar daripada 0,05 (5%), maka variabel

Independen/bebas yaitu Pekerjaan tidak dapat memprediksi variabel dependen
yaitu Gender.
o Pekerjaan Konsumen Dependen atau Pekerjaan sebagai variabel dependen
(tergantung), dimana gender adalah variabel independennya. Karena angka
signifikansi 0,041 lebih besar daripada 0,05 (5%), maka variabel
Independen/bebas yaitu Pekerjaan dapat memprediksi variabel dependen yaitu
Gender. Tetapi Angka Korelasi lambdanya 0,313 < 0,50 ini artinya korelasinya
lemah. Bisa dikatakan bahwa pengetahuan akan gender seorang konsumen
tidak begitu menolong dalam mupaya memprediksi pekerjaan konsumen
tersebut. Atau pekerjaan konseumen sebagai karyawan atau petani atau
wiraswasta tidak bisa diperkirakan begitu saja karena ia seoraang pria atau
wanita.
• Analisis pada Korelasi Goodman dan Kruskal Tau

Dari angka signifikansi keduanya adalah signifikan (berbeda dengan Lambda), namun
besar korelasinya juga tidak kuat. Atau variabel gender tidak bisa memprediksi secara
kuat variabel Pekerjaan seorang konsumen, demikian pula sebaliknya.
• Analisis pada Korelasi Uncertainty Coefficient

Dari angka signifikansi ketiganya adalah signifikan, namun besar korelasinya juga tidak
kuat. Atau variabel gender tidak bisa memprediksi secara kuat variabel Pekerjaan
seorang konsumen, demikian pula sebaliknya.
• Analisis pada Korelasi Asymptotic Standard Error

Di sini syaratnya harus didapatkan korelasi yang signifikan. Sebagai contoh angka
korelasi lambda sebesarr 0,313 yang signifikan, didapat standar error 0,137.
Pada tingkat kepercayaan 95% atau ada dua standar deviasi, maka rentang korelasi
adalah: 0,313 ± (2 x 0,137) atau antara 0,039 sampai 0,587

Daftar Pustaka
1. Suharyadi; Purwanto. Statistika Untuk Ekonomi & Keuangan Modern, Jakarta: Salemba
Empat , Ed 1, 2004.
2. Prof. Dr. Agus Irianto, , “Statistik : Konsep Dasar dan Aplikasinya”, Jakarta, Kencana,
2006
3. Dr. Ir. Harinaldi, M.Eng, “Prinsip-Prinsip Statistik untuk Teknik dan Sains”,Jakarta,
Erlangga, 2005.
4. Prof. Dr. Sudjana, MA.,MSc., ”Metoda Statistika”, Bandung, Tarsito, 2007
5. Sumber Internet : http://www.slideshare.net/wifiq/stat-pro-modul1


Modul 3 Statistika Teknik - FT - Teknik Sipil

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

Modul 3 Statistika Teknik - FT - Teknik Sipil

Diunggah oleh

Hak Cipta:

Format Tersedia

1

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

a. Rataan Hitung (Mean )

1) Rataan data tunggal

Keterangan: = jumlah data, dan n = banyaknya data

Untuk lebih jelasnya, pelajarilah contoh soal berikut ini.

Dari hasil tes 10 mahasiswa diperoleh data: 3, 7, 6, 5, 3, 6, 9, 8, 7, dan 6. Tentukan rataan

Jadi, rataannya adalah 6,0.

2) Rataan dari data distribusi frekuensi

2022 Statistika Teknik

Tabel nilai UTS Matematika

Jadi, rataan nilai UTS Matematika adalah 6,05.

3) Mean data bergolong

Tentukan rataan (mean) dari data berikut ini.

Jadi, rataannya adalah 51.

Kerjakan soal-soal di bawah ini dengan benar.

1. Diketahui data: 5, 7, 9, 6, 4, 3, 2, 1. Hitunglah mean (rataan) hitungnya.

3. Nilai matematika dari dua puluh mahasiswa adalah sebagai berikut:

Tentukan rataan hitung (mean) dari data tersebut.

4. Tentukan mean dari data berikut:

1) Median untuk data tunggal

a) mengurutkan data kemudian dicari nilai tengah,

b) jika banyaknya data besar, setelah data diurutkan, digunakan rumus:

Untuk lebih jelasnya, perhatikan contoh soal berikut.

Dari data di bawah ini, tentukan mediannya.

2) Median untuk data bergolong

2022 Statistika Teknik

Carilah nilai median data bergolong di atas.

1) Modus data tunggal

2022 Statistika Teknik

Tentukan modus dari data di bawah ini.

a. 1, 1, 1, 2, 4, 5, 5, 5, 7, 8, 9, 10. Data yang sering muncul adalah 1 dan 5. Jadi modusnya

2) Modus data bergolong

Modus data bergolong dirumuskan sebagai berikut:

Untuk lebih jelasnya, perhatikan contoh soal berikut ini.

Tentukan modus dari tabel di bawah ini.

2022 Statistika Teknik

Beberapa jenis pengukuran penyimpangan antara lain :

R = Data tertinggi – data terendah

Data UTS Statistika

1. urutkan dulu kemudian dihitung rentangannya

Kelas B : 73, 75 ,76, 83, 84, 85, 87, 80, 95, 96

Rentangan Kelas A : 90-50 = 40

Rentangan Kelas B : 96-73 = 24

b. Simpangan Rata-rata (Mean Deviasi)

Data nilai UTS yang diambil sampel 10 orang:

2022 Statistika Teknik

Nilai f Titik Tengah (X) f.X (X- x ) f. |x|

60-64 2 62 124 15,64 31,28

65-69 6 67 402 10,64 63,84

70-74 15 72 1.080 5,64 84,6

75-79 20 77 1.540 0,64 12,8

80-84 16 82 1.312 4,36 69,76

85-89 7 87 609 9,36 65,52

90-94 4 92 368 14,36 57,44

Jumlah 70 5.435 385,24

c. Simpangan Baku ( Standar deviasi )

X = nilai rata – rata di kuadratkan

1. Data nilai UTS yang diambil sampel 10 orang:

Nilai (X) (X- x ) X2

701 101 1661

1 75 5625 - 5,5 30,25

2 70 4900 -10,5 110,25