Modul Statistika Kurikulum 2020

KATA PENGANTAR
Segala puji bagi Allah SWT, Sang pencipta dan pemelihara alam
semesta. Shalawat dan Salam semoga terlimpah bagi baginda Nabi
Muhammad SAW, keluarga dan para pengikutnya yang setia hingga akhir
masa. Tidak ada kata yang paling indah selain ucapan Alhamdulillah atas
limpahan karunia yang Allah berikan, sehingga akhirnya penulis bersama tim
mata kuliah “statistika” di Program Studi Pendidikan Kepelatihan Fakultas Ilmu
Keolahragaan Universitas Negeri Padang dapat menyelesaikan modul mata
kuliah ini. Modul ini sesungguhnya bukanlah sebuah kerja seorang individu dan
sulit terlaksana tanpa bantuan banyak pihak yang tidak mungkin Penulis
sebutkan satu persatu. Namun dengan segala kerendahan hati, penulis
mengucapkan terima kasih kepada seluruh pihak yang telah memberikan
semangat dalam membuat Modul ini sehingga penulis termotivasi untuk
menggali informasi dari berbagai sumber untuk memperkaya khasanah
pengetahuan. Modul ini disusun bertujuan sebagai pedoman Mata Kuliah
Statistika bagi mahasiswa angkatan 2020 dan selanjutnya, agar dapat
memperluas ilmu tentang materi ilmu statistika khususnya pada beberapa mata
kuliah terkait, kritik dan saran yang konstruktif sangat penulis harapkan demi
perbaikan dan kesempurnaan Modul ini.
Padang, Desember 2020
Penulis
i | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

DAFTAR ISI
KATA PENGANTAR i
DAFTAR ISI ii
RENCANA PEMBELAJARAN SEMESTER iv
I. PENDAHULUAN 1
II. KEGIATAN PEMBELAJARAN
1. Kegiatan Pembelajaran 1 – Topik 1 2
A. Tujuan 2
B. Materi Perkuliahan 2
C. Rangkuman 7
D. Tugas/Latihan/Penilaian 8
A. Tujuan 9
C. Rangkuman 15
A. Tujuan 17
C. Rangkuman 21
4. Kegiatan Pembelajaran 4 – Topik 5
A. Tujuan
B. Materi Perkuliahan
C. Rangkuman
D. Tugas/Latihan/Penilaian
A. Tujuan
C. Rangkuman
A. Tujuan
C. Rangkuman
A. Tujuan
ii | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

C. Rangkuman
A. Tujuan
C. Rangkuman
A. Tujuan
C. Rangkuman
III. EVALUASI
IV. DAFTAR PUSTAKA
iii | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

RENCANA PEMBELAJARAN SEMESTER
A. Informasi Umum
Fakultas : Ilmu Keolahragaan - Universitas Negeri Padang

Jenjang Program/Prodi : S1 – Pendidikan Kepelatihan OR
Semester : Ganjil dan Genap)*
Matakuliah : Statistika
Kode MK : PEL1.61.4205
Jumlah SKS : 3 (tiga)
Pertemuan Pokok Bahasan Sub Pokok Bahasan Sumber
1 Penjelasan Silabus 1. Penjelasan Materi Silabus
dan lainnya 2. Aturan perkuliahan
Topik 1 - Pengertian 1. Konsep Statistik Buku

Statistik dan Data 2. Jenis Data-data 1,2,3,4,5, 6
Statistik dan 7
2 Topik 2 - Distribusi 1. Distribusi F. Tunggal Buku
Frekuensi 2. Distribusi F. Bergolong 1,2,3,4,5, 6
dan 7
3-4 Topik 3 - Tendensi 1. Menentukan Mean Buku 1,2,3,
Sentral 2. Menentukan Median 4,5, 6 dan
3. Menentukan Mode 7
5-6 Topik 4 - Variabilitas 1. Kuartil, Desil dan Persentil Buku
2. Standard Deviasi 1,2,3,4,5, 6
3. Varian dan 7
4. Skor Baku
7 Topik 5 - Analisis 1. Pengertian Korelasi Buku
Korelasi 2. Korelasi Sederhana 2,3,4,5,6
3. Regresi Sederhana dan 7
8 UTS Seluruh Materi Minggu 1 - 7
9 - 10 Topik 6 - Uji Pengujian Normalitas: Buku 3, 4,
Persyaratan Analisis 1. Uji Lilliefors 5,6 dan 7
2. Uji Chi kuadrad
Topik 7 - Pengujian 1. Uji F dua kelompok sampel Buku 1, 3,
Homogenitas 2. Uji Barttlet 4, 5
11 - 12 Topik 8 - Analisis 1. Analisis Korelasi ganda Buku 1, 3,

Korelasi Ganda dan 2. Uji independensi antar 4, 5, 6 dan
Regresi Ganda variabel bebas 7
3. Pengujian Hipotesis
Analisis Regresi 1. Regresi Linear sederhana Buku 1, 3,
Ganda 2. Pegujian Linearitas dan 4, 5, 6 dan
iv | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

Pertemuan Pokok Bahasan Sub Pokok Bahasan Sumber
Keberartian regresi 7
3. Regresi ganda
13 - 15 Topik 9 - Analisis 1. Uji beda mean (uji t), Buku 3, 4,
Komparasi dependent dan independent 5,6, 7
sample
2. Analisis varians
16 UAS Seluruh materi
v | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

PENDAHULUAN
A. SINOPSIS
Memberikan pemahaman dan keterampilan kepada mahasiswa tentang
tujuan dan kerja statistik, jenis, teknik penyusunan dan pengolahan data
serta penerapan analisis secara sederhana. Selanjutnya memberikan
pemahaman dan keterampilan kepada mahasiswa tentang konsep-
konsep statistika, pemilihan analisis statistik untuk masalah penelitian,
macam-macam koefisien korelasi, regresi, pengujian persyaratan
analisis, pengujian hipotesis, pengujian uji beda mean dan uji Anava.
B. DESKRIPSI MATAKULIAH
1. Status Mata kuliah
Mata kuliah Statistika merupakan matakuliah wajib untuk untuk
Program Studi Pendidikan Kepelatihan Olahraga yang dimulai untuk
mahasiswa 2020. Mata kuliah ini erat hubungannya dengan
menyusun dan mengolah data dalam penelitian, menyusun data
dalam penyelesaikan studi, pembuatan tes dan evaluasi belajar.
2. Tujuan Matakuliah
a. Agar mahasiswa mampu memahami konsep statistik
b. Agar mahasiswa mampu menyusun dan mengolah
data
c. Agar mahasiswa mampu mendeskripsikan dan
menginterpretasikan hasil pengolahan data penelitian.
3. Sistem Penilaian
Syarat untuk mengikuti ujian adalah jika mahasiswa mengikuti
perkuliahan tidak kurang dari 80% (12 x tatap muka) dari jumlah
pertemuan.
Persentase penilaian ditentukan dari:
a. Tugas perorangan : 20%)*
b. Kehadiran : 10%)*
c. Ujian Tengah Semester : 30%)*
1 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP
d. Ujian Akhir Semester : 40%)*
A. DAFTAR RUJUKAN
Agus Irianto. Statistik. Konsep Dasar; Aplikasi, dan Pengembangan.

Jakarta: Kencana.
Azwar, S. (2010). http://azwar.staff.ugm.ac.id/files/2010/04/Asumsi-
asumsi-dalam-Inferensi-Statistika1.pdf.
Ergusni. 2015. Uji Hipotesis AnalisisBeda Rerata Dua Sampel (Uji-t dan
t’). Prosiding Seminar Nasional matematika dan Pendidikan
Matematika. STKIP PGRI Padang.
Gravetter, Frederick J. & Larry B. Wallnau. 2007. Statistik for The
Behavioral Sciences (seventh edition).USA: Thomson Wadsworth
Hadi, Sutrisno. 1990. Statistik Jilid I. Yogyakarta: Andi Offset.
Husaini Usman, dkk. 2006. Pengantas Statistika. Bumi Aksara
Isparyadi. 1988. Statistik Pendidikan. Jakarta: P2LPTK.
Kadir. 2015. Statistika Terapan. PT. Raja Grafindo.
Nuryadi, Astuti, T. D., Utami, E. S., dan Budiantara, M. (2017). Dasar-
Dasar Statistik Penelitian. Yogyakarta: Sibuku Media.
Sudjana. 1996. Metode Statistik. Tarsito. Bandung.
Sugiyono. 2004. Statistik NonParametrik untuk Penelitian. Alfabeta,
Bandung.
Supardi U.S. 2013. Aplikasi Statitika Dalam Penelitian (Konsep Statitika
yang Lebih Komprehensif). Change Publication. Jakarta. Indonesia.
Usmadi. 2015. Uji Tukey dan Uji Schefee Uji Lanjut (Post Hoc Test).
Prosiding Seminar Nasional matematika dan Pendidikan
Matematika. STKIP PGRI Padang.
Walpole, R. dan Myers, R. 1995. Ilmu Peluang dan Statistik untuk
Insinyur dan Ilmuwan. Bandung. ITB.
Widhiarso, W. (2011). http://widhiarso.staff.ugm.ac.id/wp/sedikit-tentang-
uji-homogenitas-data/comment-page-4/.

KEGIATAN PEMBELAJARAN
KEGIATAN PEMBELAJARAN TOPIK 1 : KONSEP STATISTIK DAN
JENIS DATA
A. Tujuan
Setelah menyelesaikan pertemuan ini, mahasiswa diharapkan dapat
menjelaskan pengertian statistik dan membedakan antara statistik
deskriptif dengan statistik inferensial serta memahami konsep dalam
pengelolan jenis data.
1. Konsep Statistika
a. 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.
b. Statistika: Pengetahuan yang berhubungan dengan cara-cara
pengumpulan data, pengolahan, atau penganalisisannya dan
penarikan kesimpulan atau interpretasi terhadap hasil analisis
kumpulan data tersebut.
c. 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.
d. Statistik assosiatif: Fase statistik untuk mengetahui asosiasi
(relasi, hubungan) antara dua atau lebih variabel berupa
hubungan yang bersifat non causal.
e. 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.
2. Jenis Data
a. Data adalah Keterangan atau informasi tentang suatu hal bisa
bebentuk Kategori, misalnya: tinggi, rendah, baik, buruk, senang,

puas, berhasil, gagal, dsb., atau juga bisa berbentuk bilangan
(angka).
b. 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.
c. Hasil menghitung merupakan data diskrit, sedangkan hasil
pengukuran merupakan data kontinyu.
d. 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.
e. Data menurut sumbernya dikenal pula Data Intern dan Data
Ekstern
1) Data Intern adalah data yang berasal dari dalam
lembaga/institusi dimana sipengumpul data berkerja.
2) Data Ekstern adalah data yang dikumpulkan dari lembaga
lain.
f. Menurut aktivitas data dapat pula dibedakan data primer dan data
sekunder
1) Data primer dikumpulkan dan diukur sendiri oleh peneliti atau
pengumpul data.
2) Data sekunder adalah data yang diambil dari data yang sudah
tersedia dari sumber data tertentu.
3) Data mentah adalah data yang baru dikumpulkan dan belum
pernah mengalami pengolahan apapun.
g. 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.
a. Skala Nominal
1) Adalah skala yang digunakan untuk data yang
menunjukkan adanya penggolongan atas kriteria yang
sangat tegas batasnya.
2) Penggunaan angka hanya sebagai simbol untuk
mengidentifikasi kategori itu saja.
3) Angka dalam skala nominal tidak dapat diolah secara
matematis melalui proses penambahan, pengurangan,
perkalian atau pembagian.
4) Prosedur statistik yang dapat digunakan adalah
penghitungan belaka, misalnya melaporkan jumlah hasil
pengamatan dalam setiap kategori.
b. Skala Ordinal
menunjukkan adanya penggolongan atas kriteria tertentu
dengan jarak yang tidak sama antara masing-masing
golongan.
2) Dalam pengukuran ordinal ditetapkan posisi relatif objek
atau individu, tanpa menunjukkan jarak antara posisi-
posisi itu.
3) Bila objek itu diberi angka, satunya-satunya yang
dipertimbangkan adalah urutan atau peringkat/ranking
objek-objek tersebut.
4) Angka dalam skala ordinal juga tidak dapat diolah secara
matematis melalui proses penambahan, pengurangan,
perkalian atau pembagian.

c. Skala Interval
menunjukkan adanya penggolongan yang mempunyai
kebesaran sama.
2) Data ini memiliki ciri kebesaran yang berkelanjutan
(kontinyu) sehingga dapat diukur.
3) Skala interval ialah skala yang memberi jarak interval
sama dari suatu titik asal yang tidak tetap (relatif, tidak
ada titik nol sejati/absolut)
4) 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.
5) 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.
6) Seorang mahasiswa mungkin kadang-kadang
memperoleh angka nol dalam ujian matematik, tetapi itu
tidak berarti bahwa ia tidak memiliki pengetahuan
matematik sama sekali.
7) 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
menunjukkan adanya penggolongan yang mempunyai
kebesaran dari suatu titik asal yang absolut (diukur dari
nol).
2) 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.
3) 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.
4) Karena adanya titik nol absolut/mutlak, maka kita dapat
menyatakan bahwa berat 50 kg adalah dua kali lebih berat
dari 25 kg.
3. 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 .......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 ........., tambah
satu jika ganjil.
4,5 5 4
7,50 8 8
1,500 2 2
6,5___ + 7___ + 6___ +
20,000 22 20
C. Rangkuman
Statistik adalah kata yang digunakan untuk menyatakan sekumpulan
fakta, umumnya berbentuk angka-angka yang disusun dalam tabel atau
diagram yang melukiskan atau menggambarkan suatu kumpulan data
yang mempunyai arti. Sedangkan statistika menunjukkan suatu
pengetahuan yang berhubungan dengan cara-cara pengumpulan fakta,
pengolahan, penganalisisan, dan penarikan kesimpulan serta pembuatan
keputusan yang cukup beralasan berdasarkan fakta yang ada.
Statistika dalam pengertian sebagai ilmu dibedakan menjadi dua,
yaitu: 1) Statistika Deskriptif mempunyai tujuan untuk mendeskripsikan
atau memberi gambaran objek yang diteliti sebagaimana adanya tanpa
menarik kesimpulan atau generalisasi. Dalam statistika deskriptif ini
dikemukakan cara-cara penyajian data dalam bentuk tabel maupun
diagram, penentuan ratarata (mean), modus, median, rentang serta
simpangan baku. Metode statistika digolongkan menjadi dua yaitu
Metode Statistika Deskriptif dan Metode Statistika Inferensial. Statistika
Inferensial mempunyai tujuan untuk penarikan kesimpulan. Sebelum

menarik kesimpulan dilakukan suatu dugaan yang diperoleh dari
statistika deskriptif.
Statistik berfungsi hanya sebagai alat bantu, peranan statistik dalam
penelitian tetap diletakkan sebagai alat. Artinya, statistik bukan menjadi
tujuan yang menentukan komponen penelitian lain. Oleh sebab itu, yang
berperan menentukan 11 tetap masalah yang dicari jawabannya dan
tujuan penelitian itu sendiri. Statistik dapat berguna dalam penyusunan
model, perumusan hipotesis, pengembangan alat pengambil data,
penyusunan rancangan penelitian, penentuan sampel, dan analisis data,
yang kemudian data tersebut diinterpretasikan sehingga bermakna.
Dari hasil analisis statistik yang diperoleh berdasarkan perhitungan
yang berbentuk angka-angka tersebut, sebenarnya belum mempunyai
arti apa-apa tanpa dideskripsikan dalam bentuk kalimat atau kata-kata di
dalam penarikan kesimpulan. Jika tidak, maka hasil analisis tersebut
tidak bermakna dan hanya tinggal angkaangka yang tidak "berbunyi".
Adapun manfaat Statistik yaitu: 1) Untuk meramalkan, 2) Untuk
penelitian, 3) Untuk menagatur kualitas barang, 4) Untuk produktivitas
dan 5) Untuk memperbaiki proses (eksperimen).
Setiap kegiatan yang berkaitan dengan statistik selalu berhubungan
dengan data. Pengertian data adalah keterangan yang benar dan nyata.
Data adalah bentuk jamak dari datum. Datum adalah keterangan atau
informasi yang diperoleh dari suatu pengamatan sedangkan data adalah
segala keterangan atau informasi yang dapat memberikan gambaran
tentang suatu keadaan. Untuk memperoleh kesimpulan yang tepat dan
benar maka data yang dikumpulkan dalam pengamatan harus nyata dan
benar, demikian sebaliknya. Syarat data yang baik yaitu : a) Data harus
objektif (sesuai dengan keadaan sebenarnya), b) Data harus mewakili
(representative), c) Data harus up to date, d) Data harus relevan dengan
masalah yang akan dipecah.
1. Buatlah konsep tentang ilmu statistika dan lengkapi
dengan contoh

2. Jelaskan jenis-jenis data berdasarkan kebutuhan penulis
KEGIATAN PEMBELAJARAN TOPIK 2 : DISTRIBUSI FREKUENSI
A. Tujuan
Memahami materi, Penyajian Data dalam Distribusi Frekuensi dan grafik
atau diagram dan memahami bagaimana Penyajian Data dalam Distribusi
Frekuensi dan grafik/ diagram.
1. Distribusi frekuensi adalah penyajian data dalam bentuk tabel
berdasarkan penyebaran frekuensinya.
Salah satu untuk mengatur, menyusun, atau meringkas data ialah
dengan membuat distribusi frekuensi. Kata ditribusi berasal dari
kata distribution (bahasa inggris), yang berarti penyaluran, pembagian,
atau pancaran. Jadi, secara mendasar, distribusi frekuensi dapat
diartikan sebagai penyaluran frekuensi, pembagian frekuensi, atau
pancaran frekuensi. Sedangkan, frekuensi sendiri juga berasal dari
bahasa Inggris, frequency, yang berarti kekerapan, keseringan, atau
jarang kerapnya. Dalam statistika, frekuensi berarti seberapa kali suatu
variabel yang dilambangkan dengan angka (bilangan) berulang kali
dalam deretan data angka tersebut.
Dengan demikian, distribusi frekuensi merupakan suatu keadaan
yang menggambarkan bagaimana frekuensi dari gejala atau variabel
yang dilambangkan dengan angka itu telah tersalur, terbagi, tersebar,
dan terpancar. Penggambaran angka (bilangan) atau penyajian data
angka tersebut dapat disajikan dalam bentuk tabel atau grafik/gambar,
yang kemudian dikenal dengan istilah tabel distribusi frekuensi dan grafik
distribusi frekuensi. Data yang telah diperoleh dari suatu penelitian yang
masih berupa data acak yang dapat dibuat menjadi data yang
berkelompok, yaitu data yang telah disusun ke dalam kelas-kelas
tertentu. Daftar yang memuat data berkelompok disebut distribusi
frekuensi atau tabel frekuensi. Distribusi frekuensi adalah susunan data
menurut kelas interval tertentu atau menurut kategori tertentu dalam
sebuah daftar (Hasan, 2001). Sebuah distribusi frekuensi memiliki

bagian-bagian yang dipakai dalam membuat sebuah daftar distribusi
frekuensi. Bagian-bagian tersebut dijelaskan sebagai berikut (Hasan,
2001).
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
Jenis Banyak Siswa Jumla Judul Kolom
Sekolah Laki-laki Perempuan h
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). Tabel distribusi frekuensi data
tunggal adalah salah satu jenis tabel statistik yang di dalamnya disajikan
frekuensi dari data angka. Angka yang ada tersebut tidak dikelompok-
kelompokkan.
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
Jumlah 16 100,00
5. Menyusun dan menyajikan data dalam distribusi frekuensi bergolong

(untuk macam dan jumlah data yang banyak). Tabel distribusi frekuensi
data kelompok adalah salah satu jenis tabel statistik yang di dalamnya
disajikan pencaran atau distribusi frekuensi dari data angka. Angka-
angka tersebut dikelompokkan (dalam setiap unit terdapat sekelompok
angka).
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.

a. Siapkan Tabel untuk distribusi frekuensi yang terdiri dari kolom, baris,
dan sel sesuai dengan keperluan
b. Tentukan Rentang, yaitu skor tertinggi dikurangi skor terendah. 99 – 31 =
68
c. 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
d. Tentukan Panjang kelas, yaitu rentang dibagi banyak kelas, yaitu 68/7 =
9,71, dibulatkan menjadi 10
e. 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 Tabulasi 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
Seringkali untuk keperluan alnalisis, selain dibuat tabel distribusi
frekuensi relatif dan kumulatif, data disajikan dalam bentuk grafik. Grafik
yang berupa gambar pada umumnya lebih mudah ditangkap dan di ambil
kesimpulan secara cepat dari pada table.
a. Histogram (diagram batang)
Grafik histogram atau histogram frequency merupakan suatu
grafik segi empat yang dibentuk di atas absis dengan menggunakan
batas bawah nyata dan batas atas nyata yang berhimpit-himpit.
(Rachman 2013:53). Diagram batang digunakan untuk lebih
memahami persoalan secara visual. Dalam diagram batang, lebar
batang diambil dari selang kelasdistribusi frekuensinya, sedangkan
frekuensi masing – masing kelas ditunjukan oleh tinggi batang.
Diagram batang memungkinkan kita mudah memahaminya, akan
tetapi akan lebih menarik bila sajian gambar erat kaitannya dengan
apa yang disebut histogram. Sajian histogram berbeda dengan
diagram batang dalam hal lebar, yaitu batang digunakannya batas
kelas dan bukan limit kelasnya. Ini dimaksudkan untuk menghilangkan
jeda atau ruang antar batang, sehingga dapat memberikan kesan
padat.

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
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
Gambar 1. Grafik Histogram Nilai Ujian Mahasiswa
b. Poligon (Diagram Garis)

Poligon Frekuensi adalah grafik garis yang menghubungkan
nilai tengah dari setiap interval kelas. Agar ujung kiri dan kanan
tertutup maka perlu ditambah satu kelas pada kelas pertama dan satu
kelas lagi sesudah kelas terakhir dengan frekuensi masing-masing
nol.

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)

Diagram lingkar merupakan suatu lingkaran yang dibagi menjadi
beberapa bagian lingkaran. Di mana besar setiap bagian lingkaran
tergantung drai besar kecil variabel. Perhitungan nilai bagian lingkaran
dihitung berdasarkan persentase.
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%

,12 ,100 – 91
15% 3%,2 ,40 – 31
4%,3 ,50 – 41
6%,5 ,60– 51
,21 ,90– 81
26%
,13 ,70– 61
16%
,24 ,80– 71
30%
C. Rangkuman
Salah satu langkah untuk mengatur, menyusun, atau meringkas data
ialah dengan membuat distribusi frekuensi. Kata ditribusi berasal dari
kata distribution (bahasa inggris), yang berarti penyaluran, pembagian, atau
pancaran. Jadi, secara mendasar, distribusi frekuensi dapat diartikan
sebagai penyaluran frekuensi, pembagian frekuensi, atau pancaran
frekuensi. Sedangkan, frekuensi sendiri juga berasal dari bahasa
Inggris, frequency, yang berarti kekerapan, keseringan, atau jarang-
kerapnya. Dalam statistika, frekuensi berarti seberapa kali suatu variabel
yang dilambangkan dengan angka (bilangan) berulang kali dalam deretan
data angka tersebut. Dengan demikian, distribusi frekuensi merupakan
suatu keadaan yang menggambarkan bagaimana frekuensi dari gejala atau
variabel yang dilambangkan dengan angka itu telah tersalur, terbagi,
tersebar, dan terpancar.
Penggambaran angka (bilangan) atau penyajian data angka tersebut
dapat disajikan dalam bentuk tabel atau grafik/gambar, yang kemudian
dikenal dengan istilah tabel distribusi frekuensi dan grafik distribusi
frekuensi. Ada dua bentuk distribusi frekuensi dalam penyajian data.
Pertama dalam bentuk tabel distribusi frekuensi data tunggal adalah salah
satu jenis table statistik yang di dalamnya disajikan frekuensi dari data

angka. Angka yang ada tersebut tidak dikelompok-kelompokkan. Kedua
adalah penyajian tabel distribusi frekuensi data kelompok adalah salah satu
jenis tabel statistik yang di dalamnya disajikan pencaran atau distribusi
frekuensi dari data angka. Angka-angka tersebut dikelompokkan (dalam
setiap unit terdapat sekelompok angka).
Setelah penyajian data dalam bentuk table distribusi frekuensi,
selanjutnya bisa ditampilkan dalam bentuk grafik. Ada tiga jenis grafik yang
umum dalam penyajian data yaitu; 1) Histogram (diagram batang), 2)
Poligon (Diagram Garis) dan 3) Pie Diagram (Diagram Lingkaran).
1. Jelas fungsi penyajian data dalam bentuk distribusi frekuensi?
2. Buatlah data distribusi frekuensi dengan data tunggal dan bergolong
berdasarkan angka dari (4) digit belakang NIM mahasiswa.
Contoh: Dari data di bawah ini,
isikanlah kode A, B, C, dan D
dengan memakai NIM Saudara
(empat digit dari belakang).
2 0 0 8 7 0 8 5
- - - - A B C D
Data Tugas Tunggal:

3A 6A 3C 6B 5D 5D 4B 5A 5C 46
48 4C 5D 4C 53 5C 6A 5B 6D
Data Tugas Bergolong:

7A 6A 49 5D 5D A7 4A 7C 6B
68 70 6A 52 69 66 6B 84 7C
7C 6B 5D 5A 7A 41 6D 5D 5D
84 7C 7A 59 5B B1 56 73 69
5D 5D A7 4A 68 70 6A 8B 7A
73 69 66 6B 7C 6B 5D 6A 5B
8B 7A 41 6D 84 7C 7A 6A 52
6A 5B B1 56 5D 5D A7 5D 5A
5C 46 59 6D 73 69 66 7A 59
6D 6C 6A 71 8B 7A 41 A7 4A
B2 68 D3 5D 6A 5B B1 66 6B
3. Dari data pada poin 2 dan 3 buatlah grafiknya!

KEGIATAN PEMBELAJARAN TOPIK 3 : TENDENSI SENTRAL
A. Tujuan
Memahami bagaimana cara pengolahan data untuk Mean (rata-rata),
Median (nilai tengah), dan Modus (angka sering muncul).
Tendensi sentral adalah pengukuran statistik untuk menentukan skor
tunggal yang menetapkan pusat dari distribusi. Tujuan tendensi sentral
adalah untuk menemukan skor single yang paling khusus atau paling
representatif dalam kelompok (Gravetter & Wallnau, 2007). Tiga metode
dalam pengukuran tendensi sentral yakni: mean, median, modus.
Pertama Mean biasanya diketahui sebagai ilmu hitung rata-rata.
Rata-rata untuk populasi diidentifikasi dalam huruf yunani yakni μ (mew),
dan rata-rata untuk sampel adalah “M atau x (x-bar)”. Tendensi sentral
kedua yakni Median, yakni skor yang membagi distribusi menjadi dua.
Median sama dengan persentil ke-50. Tendensi sentral yang ketiga
yakni Modus (mode), modus adalah skor atau kategori yang paling besar
dari frekuensi.
1. Mean atau rata-rata hitung adalah jumlah semua skor dalam suatu
sebaran dibagi dengan jumlah kasus.
Rumus Mean = rata-rata hitung (X)
Data tunggal
Data bergolong
Data bergolong cara

sandi/symbol
Data tunggal rata-
rata gabungan dari
beberapa sub sampel

a. Menghitung Mean data tunggal
70, 69, 45, 80, 56, 66, 58
b. Menghitung Mean data tunggal yang disusun dalam distribusi frekuensi tunggal
(Rumus 2)
Xi Fi fiXi
45 2 90
56 4 224
69 6 414
71 5 355
76 3 228
80 2 160
Jumlah 22 1471
c. 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
d. Menghitung Mean data Bergolong dengan cara sandi/symbol (Rumus 3)

 Ambil salah satu kelas interval, namakan Xo (boleh dimana saja)
 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
e. Menghitung rata-rata gabungan (data tunggal) dari beberapa sub sampel
Sub sampel 1: n1 = 10 = 145
Sub sampel 2: n2 = 6 = 118
Sub sampel 3: n3 = 8 = 162
2. Median adalah nilai tengah dalam suatu sebaran data

a. Median Data tunggal
4, 12, 5, 7, 8, 10, 10
 Susun data terlebih dulu dari kecil ke besar
 Jika jumlah data ganjil, maka median (Me) adalah data paling tengah
dari sebaran data yang telah disusun (8).
 Jika jumlah data..........., maka median (Me) adalah jumlah
dua data paling tengah dibagi 2, yaitu
4, 5, 7, 8, 10, 10, 12, 16 (jumlah data .............)

b. Median Data Bergolong
Nilai Ujian Fi
31 – 40 1
41 – 50 2
51 – 60 5 b= Batas bawah kelas median, ialah
kelas interval dimana median
61 – 70 15 akan terletak
71 – 80 25 p = Panjang kelas interval median
n = Jumlah sampel
81 – 90 20 F = Jumlah frekuensi dengan tanda
91 – 100 12 kelas lebih kecil dari tanda kelas
median
Jumlah 80 f = Frekuensi kelas median
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 =
3. Modus adalah skor/data yang paling banyak/sering muncul dalam

suatu sebaran data.
a. 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.
b. Modus Data Bergolong
Nilai Ujian Fi
31 – 40 1

41 – 50 2

51 – 60 5
b = Batas bawah kelas modus, ialah
61 – 70 15 kelas interval dengan frekuensi
terbanyak
71 – 80 25
p = Panjang kelas modus
81 – 90 20 b1 = Frekuensi kelas modus dikurangi
frekuensi kelas interval dengan
91 – 100 12 tanda kelas lebih kecil sebelum
tanda kelas modus
Jumlah 80 b2 = Frekuensi kelas modus dikurangi
frekuensi kelas interval dengan
tanda kelas lebih besar sesudah
tanda kelas modus
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
C. Rangkuman
1. Mean (Rata-Rata)
Mean merupakan rata-rata dari sekumpulan data, rata-rata atau mean
dapat dicari dengan menjumlahkan seluruh data dan membaginya
dengan banyaknya data tersebut. Mean dilakukan untuk data tunggal
dan data kelompok.
2. Median
Median merupakan data yang berada paling tengah, untuk mencari
median dari sekumpulan data dapat dicari dengan mengurutkan terlebih
data tersebut dari yang terkecil sampai terbesar atau sebaliknya.
Median dilakukan untuk data tunggal dan data kelompok.
3. Modus
Modus merupakan data yang sering muncul atau data yang paling
banyak muncul. Modus dilakukan untuk data tunggal dan data
kelompok.
Silahkan cari mean, median dan modus dari data tugas distribusi frekuensi.

KEGIATAN PEMBELAJARAN TOPIK 4 : VARIABILITAS
A. Tujuan
Mahasiswa dapat memahami dan melakukan analisis materi tentang
variabilitas dan skor standar.
Variabilitas adalah derajat penyebaran nilai-nilai variabel dari tendensi
sentralnya dalam suatu distribusi yang menunjukkan seberapa banyak nilai-
nilai variabel itu berbeda dari tendensi sentralnya, atau seberapa jauh nilai-
nilai varibel itu menyimpang dari tendensi sentralnya (terutama Mean atau
Rata-rata). Pengukuran variabilitas memberikan gambaran variasi,
jangkauan, serta heterogenitas-homogenitas dari pengukuran suatu
kelompok (data). Pada materi ini membahas tentang Quartil, Desil,
Persentil. Selanjutnya tentang standar devisi dan skor standart.
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.
a. Menentukan Letak dan Nilai Kuartil untuk data tunggal
1) Susun data menurut urutan nilainya
2) Tentukan letak kuartil
3) 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
dengan i = 1, 2, 3
► Letak K1 = data ke data ke 3 ¼
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
b. Menentukan Letak dan Nilai Kuartil untuk data bergolong

Nilai Fi
Ujian
31 – 40 1 
41 – 50 2
51 – 60 5 dengan i = 1, 2, 3
61 – 70 15 b= batas bawah kelas Ki, ialah kelas
71 – 80 25 interval dimana Ki akan terletak
81 – 90 20 p = panjang kelas interval Ki
91 – 100 12 F = jumlah frekuensi dengan tanda
Jumlah 80 kelas lebih kecil dari tanda kelas
Ki
f = frekuensi kelas interval Ki
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 + 3 + 15 + 25 = 48
► K3 = 86,5
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.
a. Menentukan Letak dan Nilai Desil untuk data tunggal
2) Tentukan letak Desil
3) 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
dengan i = 1, 2, …………., 9
Letak D1 = data ke = = data ke 1,3
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 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)

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

Nilai Ujian Fi
31 – 40 1
41 – 50 2 
51 – 60 5
dengan i = 1, 2, ……. 9
61 – 70 15
71 – 80 25 b= batas bawah kelas Di, ialah
81 – 90 20 kelas interval dimana Di akan
terletak
91 – 100 12
p = panjang kelas interval Di
Jumlah 80 F = jumlah frekuensi dengan tanda
kelas lebih kecil dari tanda
kelas Di
f = frekuensi kelas interval Di
Letak D2 adalah = 2/10*80 = 16, maka letak D1 adalah di kelas interval ke

4

Letak D9 adalah = 9/10*80 = 72, maka letak D1 adalah di kelas interval ke
7
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.
a. Menentukan Letak dan Nilai Persentil untuk data tunggal
2) Tentukan letak Persentil
3) 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
dengan i = 1, 2, …………., 99
Letak P25 = data ke = = data ke 3,25
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 = 650 = data ke 6,5
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
4. Menentukan Letak dan Nilai Persentil untuk data bergolong
Nilai Ujian Fi
31 – 40 1

41 – 50 2
51 – 60 5 dengan i = 1, 2, 3 ………99
61 – 70 15 b= batas bawah kelas Pi, ialah

kelas interval dimana Pi akan
71 – 80 25 terletak
81 – 90 20 p = panjang kelas interval Pi
F = jumlah frekuensi dengan
91 – 100 12 tanda
kelas lebih kecil dari tanda
Jumlah 80 kelas Pi
f = frekuensi kelas interval Pi
Letak P2 adalah = 2/100*80 = 1,6, maka letak P1 adalah di kelas interval

ke 2
Letak P33 adalah = 33/100*80 = 26,4, maka letak P1 adalah di kelas interval
ke 4

5. Standar deviasi adalah satuan ukuran penyebaran frekuensi dari
tendensi sentralnya.
6. Varians adalah satuan ukuran penyebaran variabel kontinyu yang
menunjukkan kuadrat dari standar deviasi.
Rumus Standar deviasi (s) Varians (s2)
Data tunggal
berdasarkan
deviasi
Data tunggal
berdasarkan
angka kasar
Data bergolong
berdasarkan
deviasi
Data bergolong
berdasarkan
angka kasar
Data bergolong
cara
sandi/simbol
Aplikasi rumus menghitung standar deviasi data tunggal

berdasarkan Deviasi
N
1 45 -19 361
2 56 -8 64
3 69 5 25
4 70 6 36
5 80 16 256
320 742
Rumus Standar deviasi (s) Varians (s2)

Data tunggal
berdasarkan
deviasi
Aplikasi rumus menghitung standar deviasi data tunggal

berdasarka angka mentah
No. Xi Xi2
1 45 2025
2 56 3136
3 69 4761
4 70 4900
5 80 6400
320 21222
Data
tunggal
berdasarka
n angka
mentah
Aplikasi rumus menghitung standar deviasi data bergolong

berdasarkan deviasi
Tinggi (cm) Fi Xi fiXi

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
berdasark
an deviasi
Aplikasi rumus menghitung standar deviasi data bergolong

berdasarkan Angka Kasar

Tinggi (cm) Fi Xi Xi2 Fi.Xi (FiX)2
140 – 144 7 142 20164 994 141148
145 – 149 10 147 21609 1470 216090
150 – 154 16 152 23104 2432 369664
155 – 159 23 157 24649 3611 566927
160 – 164 21 162 26244 3402 551124
165 – 169 17 167 27889 2839 474113
170 – 174 6 172 29584 1032 177504

15780
100
Data
bergolong
berdasarka
n
Angka
Kasar

7. SKOR STANDAR (SKOR BAKU)
a. Z skor adalah besarnya penyimpangan skor individu dari rata-rata dibagi
standar deviasi. Rata-rata skor standar sama dengan 0 dengan standar
deviasi 1.
Dengan rumus sebagai berikut :
Contoh pengunaan rumus Z skor untuk (X) :

Lomp. Tinggi Z- Score
No (X) Z
1 156 -1.37
2 160 -0.78
3 170 0.69
4 165 -0.05
5 175 1.42
6 166 0.10
Diketahui:
 Mean Lompat Tinggi = 165,33
 Standar deviasi Lompat Tinggi = 6,80
Untuk mencari nilai Z-Score sebagaimana dalam tabel di atas dapat
diselesaikan sebagai berikut:
Z- Score untuk X
b. T score adalah bentuk lain dari skor standar dimana rata-rata ditentukan
50 dengan standar deviasi 10.
Dengan rumus sebagai berikut :

T-Score digunakan apabila angka dari data z-sore tidak bulat dan terdiri
dari plus dan minus, untuk memudahkan dijadikan T- Score, disamping
itu T- Score dapat juga digunakan untuk mengkonversi data yang
satuannya adalah waktu maka tanda + (plus) diganti dengan – (minus)
sehingga data layak untuk dianalisis.
Contoh : Dari data tinggi lompat dan kecepatan lari berikut :
Tabel 7. Data hasil lompat tinggi dan lari 100 m
No Tinggi lompatan Lari 100 m

1 156 12.0
2 160 11.8
3 170 11.3
4 165 11.5
5 175 11.0
6 166 11.6
n 6 6
Berdasarkan rumus T-score. dicari :

 Mean Lompat Tinggi =165.33
 Standar deviasi Lompat Tinggi = 6.80
 Mean Lari 100 m = 11.53
 Standar deviasi Lari 100 m = 0.36
Tabel 8. Nilai T-Score Lompat Tinggi dan Lari 100 m
Lomp. Tinggi Lari 100 m T- Score

No (X) (Y)
X Y
1 156 12.0 36.3 36.9
2 160 11.8 42.2 42.5
3 170 11.3 56.9 56.6
4 165 11.5 49.5 50.9
5 175 11.0 64.2 65.0
6 166 11.6 51.0 48.1
Untuk mencari nilai T-Score sebagaimana dalam tabel diatas dapat

diselesaikan sebagai berikut:
T- Score untuk X :

T-Score untuk Y : Karena datanya inversi maka angka tanda plus diganti
dengan minus sebagai berikut :
T- Score untuk Y :
C. Rangkuman
1. Kuartil, merupakan sekumpulan data yang dibagi menjadi empat bagian
yang sama banyak, sesudah disusun menurut urutan nilainya, maka
bilangan pembaginya.
2. Desil, ialah nilai atau angka yang membagi data yang menjadi 10 bagian
yang sama, setelah disusun dari data terkecil sampai data terbesar atau
sebaliknya.
3. Persentil ialah nilai yang membagi data menjadi 100 bagian yang sama.
Setelah disusun dari angka terkecil sampai ke yang terbesar.
4. Varian dipakai untuk melihat pola variasi yang ada di dalam sample.
Semakin besar nilainya, semakin banyak variasi datanya yang mengakib
atkan data menjaditidak akurat.

5. Standar deviasi merupakan fungsi langsung dari varian. Sama seperti
varian,standar deviasi berfungsi memperlihatkan pola sebaran data, gap,
dan variasi sebaranantar data
6. Nilai standar adalah nilai yang ditunjukkan dengan suatu skala
untukmenunjukkan bagaimana perbandingan satu individu dengan
individu lain dalam satu kelompok. Ketika menghitung nilai Standar
deviasi dalam pengukuran variabilitas, kita bekerja dengan angka kasar,
sesuai dengan satuan pengukuran yang digunakan dalam distribusi nilai,
seperti cm, kg dan sebagainya.
7. Ada dua jenis skor baku, yaitu Z skor dan T skor. Z skor adalah
besarnya penyimpangan skor individu dari rata-rata dibagi standar
deviasi. Rata-rata skor standar sama dengan 0 dengan standar
deviasi. Z skor adalah skor yang menunjukkan sejauh mana skor mentah
bersumber dari satuan simpangan baku.
8. T skore digunakan apabila angka dari data Z-skor tidak bulat dan terdiri
dari plus dan minus, untuk memudahkan dijadikan T-skor, disamping itu
T-skor dapat juga digunakan untuk mengkonversi data yang satuannya
adalah waktu maka tanda +(plus) diganti dengan – (minus) sehingga
data layak untuk dianalisis.
1. Silahkan cari Kuartil dari data tugas sebelumnya
2. Silahkan cari Desil dari data tugas sebelumnya
3. Silahkan cari Persentil dari data sebelumnya yaitu (P 5, P 17, P29, P 33,
P 46, P 65, P 78, P88, P 92)
4. Selanjutnya dari data sebelumnya carilah standart deviasi dan varian.
5. Carilah skor baku dari data dibawah ini :
Dari data di samping, isikanlah

Lompat Tegak Kelincahan
NO
(X1) (X2) kode A, B, C, dan D dengan
1 7A 63 memakai NIM Saudara (empat
2 68 70 digit dari belakang).
3 7C 64
4 84 76 1 8 0 8 7 1 5 2
5 5D 45 - - - - A B C D
6 73 69
7 8B 77
8 6A 51
9 5C 46
10 6D 61
11 B2 68
12 49 41
13 6A 52
14 2D 23
15 7A 57
16 A7 32
17 66 60
18 41 30
19 B1 56
20 59 68
21 6A 71
22 D3 24

KEGIATAN PEMBELAJARAN TOPIK 5 : ANALISIS KORELASI DAN
REGRESI SEDERHANA
A. Tujuan
Memahami dan mampu melakukan berbagai analisis korelasi sederhana
dan menginterpretasikan hasilnya serta melakukan analisis regresi
sederhana.
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. 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.
10. Analisis regresi sangat erat kaitannya dengan analisis korelasi.
A. Rumus-rumus korelasi Product Moment:

a. r Pearson berdasarkan standar deviasi
b. r Pearson berdasarkan nilai simpangan
c. r Pearson berdasarkan angka kasar/mentah

Aplikasi rumus-rumus korelasi product moment.
Tabel persiapan penggunaan rumus a dan b
Kekuatan otot Kemampuan X- 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
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
Rumus a.
Rumus b.
Tabel persiapan penggunaan rumus c
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
∑ 460 (X) 800 (Y) 10822 (X2) 32690 (Y2) 18644 (XY)
Rumus c.
B. Aplikasi Regresi Sederhana.

Persamaan regresi linear sederhana adalah Ŷ = a + bx
Dimana: Ŷ = skor yang akan diprediksi berdasarkan skor X

a = konstanta regresi
b = koefisien regresi
Konstanta regresi (a)
Koefisien regresi (b)
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
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
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) =
JK (a) =
JK (b/a) =
JK (S) =
JK(G) =
JK(TC) =
Keterangan: JK = Jumlah Kuadrat

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) = = 1620

JK(b/a) = 0,65 2463 – (260)(180) = 79,95
20
JK(S) = 1748 – 1620 – 79,95 = 48,5
JK(G) =
Untuk menghitung JK(G) sebaiknya dibuat tabel pembantu sebagai berikut.
Tabel 2. Perhitungan Jumlah Kuadrat Galat
Kemampuan Prestasi Tolak

Kelompok Ni
Push-Up (X) Peluru (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

Tabel 3. Daftar ANAVA Regresi Linear Sederhana
Sumber Dk JK KT F
Variasi
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 Dk JK KT Fh Ft Kesimpulan
Variasi α=0.05
Total 20 1748 - -
Koefisien (a) 1 1620 - Regresi
Regresi (b/a) 1 79,95 79,9 29,72 4,41 signifikan
5 (berarti)
Sisa 18 48,5 2,69
Tuna Cocok 8 19,52 2,44 Regresi Linear
Galat 10 28,53 2,85 0,86 3,07
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 Distribusi probabilitas pengujian adalah distribusi

Sampling : F
Fh =
Kriteria Pengujian  = 0.05 : Ft(0,05)(k-2)(n-k)

: Tolak Ho, jika Fh > Ft(0,05)(k-2)(n-k)

Terima Ho, jika Fh < Ft(0,05)(k-2)(n-k)
Hasil Perhitungan :
Fh =
Fh =
Fh = 0,86
Ft(0,05)(8)(10)= 3,07
Jadi Fh(0,86) < Ft(3,07)
Kesimpulan Regresi Linear

:
Pengujian Keberartian Regresi
Uji Keberatian 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 =
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 =
Fh =
Fh = 29,72
Ft(0,05)(1)(18)= 4,41

Jadi Fh(29,72) > Ft(4,41)
Kesimpulan : Regresi berarti
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 :
Untuk penyelesaian di atas dapat dilihat pada penjelasan berikut ini :
Dengan α = 0.05 dan dk = n – 2. diperoleh nilai t tabel = 1.73. yaitu dari

1- α atau 0.95 sebagai dk pembilang dan n-2 (18) sebagai dk penyebut.
Kriteria pengujian adalah: jika t hitung > ttabel. Ho yang menyatakan tidak
terdapat hubungan antara variabel ditolak. Sebaliknya jika t hitung < 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
signikan antara variabel bebas dengan variabel terikat. Dengan kata lain
terdapat hubungan yang berarti antara Kekuatan Otot Tungkai dengan
Kemampuan Menendang.
C. Rangkuman
a. Pada analisis korelasi dapat diketahui derajat atau kekuatan
hubungan antara variabel yang satu terhadap variabel yang lainnya.
b. 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.
c. Regresi tunggal adalah analisis regresi antara satu variabel
(bebas/prediktor) terhadap variabel (terikat/kriteria) lainnya.
Dari tugas analisis skor baku sebelumnya, lanjutkan analisis korelasi
sederhana dengan menggunakan rumus angka kasar serta lanjutkan
dengan pengujian regresi sederhana.

KEGIATAN PEMBELAJARAN TOPIK 6 : PENGUJIAN NORMALITAS
A. Tujuan
Memahami dan mampu melaksanakan pengujian normalitas data tunggal
dengan menggunakan Uji Lilliefors, dan data bergolong dengan Uji Chi
Kuadrad.
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.
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 ( ) = 50,33 dengan standar deviasi (s) = 16,55
Tabel Pengujian Normalitas dengan Uji Lilliefors

Luas
No Xi Zi Kurva F(zi) S(zi) I F(zi) - S(zi) I
Normal
1 23 - 1,65 0,4505 0,0495 0,0833 0,0338
2 27 - 1,41 0,4207 0,0793 0,1667 0,0874
3 33 - 1,05 0,3531 0,1469 0,2500 0,1031
4 40 - 0,62 0,2324 0,2676 0,3333 0,0657
5 48 - 0,14 0,0557 0,4443 0,5000 0,0557
6 48 - 0,14 0,0557 0,4443 0,5000 0,0557
7 57 + 0,40 0,1554 0,6554 0,5833 0,0721
8 59 + 0,53 0,2019 0,7019 0,6667 0,0352
9 62 + 0,71 0,2612 0,7612 0,7500 0,0112
10 68 + 1,07 0,3577 0,8577 0,8333 0,0244
11 69 + 1,13 0,3708 0,8708 0,9167 0,0459
12 70 + 1,19 0,3830 0,8830 1 0,1170 (L0)

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 yang terdapat pada lampiran diisikan nilai
Luas Kurva Normal. Dalam hal ini angka pertama dan kedua pada Zi
adalah untuk melihat baris, dan angka ketiganya untuk melihat
kolom. Luas kurva normalnya adalah angka yang terdapat pada
pertemuan kolom dan baris tersebut.
d. Selanjutnya dihitung peluang skor baku F(zi) = P (z  zi).
Untuk zi yang bertanda negatif (-), harga F(zi) diperoleh dari 0,5 –
angka tabel (0,…..) pada luas kurva normal. Sebaliknya untuk zi
yang bertanda positif (+) harga F(zi) = 0,5 + angka tabel pada luas
kurva normal (0,…..).
e. 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
f. Hitung selisih atau harga mutlak F (zi) – S (zi).

g. Ambil harga mutlak terbesar di antara harga mutlak tersebut
yang disebut Lo (L observasi) = 0.1170.
h. 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 L tabel berarti populasi
berdistribusi normal.
i. 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.
j. Jadi Lo (0,1170) < Ltabel , dengan demikian dapat disimpulkan
bahwa data sampel berasal dari populasi yang berdistribusi normal.

Langkah pengujian normalitas dengan chi kuadrat (2).
a. Susun data dalam daftar distribusi frekuensi yang terdiri dari
beberapa buah kelas interval.
Contoh:
Tabel Data Hasil Tes Lompat Jauh 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
Jumlah 100
b. Hitung mean = (157,80) 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:
Tabel Pembantu Uji Normalitas dengan Uji 2
Batas z untuk Luas tiap Frekuensi Frekuensi
kelas (x) batas kelas diharapkan (Ei) pengamatan (0i)
kelas interval
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 0,2135 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:
k
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.
C. Rangkuman
Uji normalitas digunakan untuk mengetahui penyebaran dari distribusi data,
apakah data menyebar secara normal atau tidak. Uji normalitas dengan
pendekatan Liliefors disebut uji pendekatan non parametik, hal ini dilakukan
jika kelompok sampel yang digunakan dalam sebuah penelitian
diasumsikan kelompok kecil. Metode Chi Square (Uji Goodness of fit
Distribusi Normal). Langkahnya adalah:
a. Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi
frekuensi.
b. Cocok untuk data dengan banyaknya angka besar ( n > 30 )
c. Setiap sel harus terisi, yang kurang dari 5 digabungkan.
Dari tugas yang telah dilakukan sebelumnya tentang analisis korelasi
sederhana. Selanjutnya lakukan Uji Normalitas dengan teknik Liliefors
terhadap data variable X dan Y.

KEGIATAN PEMBELAJARAN TOPIK 7 : PENGUJIAN HOMOGENITAS
A. Tujuan
Tujuan pembelajaran tentang Uji homogenitas adalah pengujian mengenai
sama atau tidaknya variansi-variansi dua buah distribusi atau lebih. Uji
homogenitas yang dibahas dalam tulisan ini adalah Uji Homogenitas
Variansi dan Uji Bartlett. Uji homogenitas dilakukan untuk mengetahui
apakah data dalam variabel X dan Y bersifat homogen atau tidak.
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. Pengujian atau uji homogenitas bertujuan untuk meyakinkan bahwa
sekumpulan data yang diukur memang berasal dari populasi yang
homogen (sama). Penghitungan homogenitas dilakukan peneliti saat
ingin membandingkan sebuah sikap, intensi, atau perilaku (varians) pada
dua kelompok populasi (Widhiarso, 2011). Kelompok populasi tersebut
memiliki ciri dan karakteristik sendiri seperti usia, jenis kelamin,
pendidikan, dan lain sebagianya.
3. 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
c. Kriteria pengujian adalah: terima hipotesis nol yang menyatakan

bahwa kedua kelompok sampel memiliki varians yang homogen, jika

Fhitung lebih kecil dari nilai F tabel sesuai dengan taraf signifikansi yang
dipilih.
Contoh:
Tabel 12. 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:
Varians X2:
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.

4. Langkah pengujian homogenitas varians tiga kelompok sampel atau
lebih (Uji Bartlett).
a. Buat daftar/tabel mengenai besaran-besaran yang diperlukan untuk
Uji Bartlett.
Tabel 13. Besaran-besaran yang diperlukan untuk uji Bartlett
Sampel ke Dk 1/dk si2 log si2 dk (log si2)

1 n1 – 1 1 / n1 – 1 s12 log s12 (n1–1) log s12
2 n2 – 1 1 / n2 – 1 s22 log s22 (n2–1) log s22
. . . . . .
. . . . . .
K nk – 1 1 / nk – 1 sk2 log sk2 (nk–1) log sk2
 (ni-1)  (ni-1) log sk2
b. 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).
c. 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.
d. Contoh penerapan Uji Bartlett

Tabel 14. 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
 Masukkan harga varians masing-masing ke dalam tabel besaran-
besaran statistik untuk Uji Bartlett.
Tabel 15. Uji Homogenitas Varians dengan Uji Bartlett

Sampel Dk 1/dk si2 log si2 dk (log si2)
ke
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(1-α)(k-1)

Jika  = 0,05, dari daftar distribusi chi kuadrad dengan dk (k-1) = 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.
C. Rangkuman
Uji Homogenitas adalah syarat penting atau asumsi dalam berbagai jenis
analisis statistik parametris.
1. Dari tugas yang telah dilakukan sebelumnya tentang analisis korelasi
sederhana. Selanjutnya lakukan Uji Homogenitas untuk data tunggal X
dan Y.
2. Dari data di bawah ini, lakukanlah analisis uji homogenitasnya
Sampel
1 2 3 4
12 13 13 16
Data 17 22 17 17
Penelitian 32 31 21 23
14 26 28 19
19 13 27
25 22

KEGIATAN PEMBELAJARAN TOPIK 8 : ANALISIS KORELASI GANDA
DAN REGRESI GANDA
A. Tujuan
Korelasi ganda merupakan suatu nilai yang menekankan pada
kuatnya pengaruh atau keterkaitan hubungan dua variabel atau lebih
secara bersama-sama dengan variabel lain (Hasanah, 2016). Analisis
korelasi ganda merupakan suatu alat statitik yang digunakan untuk
mengetahui hubungan yang terjadi antara variabel terikat/ terpengaruh
(variabel Y) dengan dua atau lebih variabel bebas atau variabel pengaruh
(X1; X2; X3, Xn) (Ariadi, 2012).
Pada umumnya analisis korelasi ganda bertujuan untuk mencari
hubungan antara dua atau lebih variabel bebas dengan variabel terikat.
Selain itu, analisis korelasi ganda juga dipergunakan untuk mencari kuat
atau lemahnya hubungan antar dua atau lebih variabel independen
terhadap variabel dependen. Melalui korelasi ganda keeratan dan kekuatan
hubungan antar variabel tersebut dapat diketahui.
1. Korelasi ganda digunakan untuk menghitung derajat/kekuatan hubungan
antara beberapa variabel bebas/prediktor dengan variabel terikat/kriteria.
2. Rumus Korelasi Ganda
r2y1 + r2y2 – 2ry1.ry2.r12

Ry.12 =
1 – r212
3. Statistik pengujian signifikansi 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
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 – 2ry1 ry2 r12

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 F tabel adalah
sebesar 3,20.
Jadi Fhitung (16,33) > nilai Ftabel (3,20), maka Ho ditolak dan Ha diterima.
Kesimpulannya adalah terdapat hubungan yang berarti antara X1 dan X2
secara bersama-sama dengan Y.

5. Pengujian independensi antar variabel bebas/prediktor
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.
Dengan α = 0,05 dan dk = n – 2, diperoleh nilai t tabel = 1,675, yaitu

dari 1- α atau 0,95 sebagai dk pembilang dan n-2 (48) sebagai dk
penyebut. Oleh karena thitung (1,19) < ttabel (1,675) 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.
6. Regresi Ganda adalah analisis regresi antara dua atau lebih variabel
(bebas/prediktor) terhadap variabel (terikat/kriteria) lainnya.
a. 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

b. Menghitung koefisien regresi
Tabel 23. 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
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
82.43 47.77 16.47

bo = – b1 1– b2 2
b1 =
b2 =
b1 =
b2 =
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

c. Uji Keberartian Regresi Ganda
JK(Reg) =
= (0,343)(707,93) + (0,270)(393,27) = 348,73
JK(S) = – JK(Reg)
= 403,47 – 348,73 = 54,74
Fh =
Ft(0,05)(2)(27) = 3,35
Fh(86,00) > Ft(3,35)
Kesimpulan: Regresi linear ganda X1 dan X2 terhadap Y berarti

(signifikan atau nyata)
C. Rangkuman
Pada analisis regresi dibahas hubungan fungsional antar variabel, yaitu
seberapa besar kontribusi (yaitu kuadrat dari koefisien korelasi atau r 2)
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. Uji regresi linier
berganda sangat membantu untuk mengetahui pengaruh secara serempak
(simultan) baik kualitas maupun kuantitas dari variable-variabel bebas
terhadap variable tak bebas. Hasil model persamaan regresi dapat
dipergunakan sebagai pedoman untuk memprediksi hubungan antar
variabel diluar data yang dijadikan sampel dalam suatu populasi.

1. Buatlah tugas sesuai topik materi yang telah dijelaskan yaitu
analisis korelasi ganda dan regresi ganda.
2. Dari data yang diberikan di bawah ini:
Rubah huruf A, B, C, D dan E sesuai dengan NIM Suadara, ambil 4 digit
dari belakang.
Contoh:
2 0 0 8 8 7 9 5
A B C D
Tabel 24. Data Tugas
No X1 X2 Y
1 20 5B 70
2 21 49 71
3 32 4D 72
4 25 41 73
5 31 4A 74
6 32 48 75
7 43 4C 78
8 44 48 79
9 35 4D 78
10 28 52 79
11 25 4B 76
12 34 40 80
13 33 3A 82
14 25 46 81
15 38 4D 83
16 27 43 84
17 36 4B 84
18 29 48 83
19 36 4B 80
20 46 48 85
21 38 5A 88
22 27 51 89
23 40 5D 86
24 39 52 85
25 42 5C 88
26 30 48 90
27 39 4B 94
28 22 54 93
29 42 5A 95
30 35 6B 98
Perubahan data langusng dibuat table baru:

Contoh nomor 1 pada kolom X2 data awal 5B berubah menjadi 57

KEGIATAN PEMBELAJARAN TOPIK 9 : ANALISIS KOMPARASI
a. Tujuan
Salah satu tujuan dalam melakukan analisis statistik adalah melakukan uji
hipotesis terhadap komparasi maupun perbandingan suatu nilai yang akan
dicari. Analisis komparasi dapat dilakukan terhadap berbagai ukuran data
seperti nilai varian atau ragam, nilai proporsi dan nilai rata-rata suatu data
yang akan dianalisis.
b. Materi Perkuliahan
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
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:
Keterangan:
= mean sampel pertama
= 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 25. Hasil Akhir 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 = 2,535
derajat kebebasan (dk) = n –1 = 10 – 1 = 9

taraf signifikansi α = 0,05
tt(1-1/2α)(9) = 2,26
tt(1-α)(9) = 1,83
th(2,535) > tt(2,26)
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 26. 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
Berdasarkan tabel di atas nilai th dapat dihitung
th = 4,33
derajat kebebasan (dk) = n –1 = 10 – 1 = 9

tt(1-1/2α)(9) = 2,26
th(4,33) > tt(2,26)

metode mengajar, dimana metode B (X 2) 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:

Keterangan:
= mean sampel pertama

= mean sampel kedua
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 .
Tabel 27. Pengaruh Latihan Sistem Set dan Sistem Sirkuit terhadap
Peningkatan Kekuatan
Latihan Berbeban
Sistem Set Sistem Sirkuit
No X12 X22
(X1) (X2)
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
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
Fhitung =

disimpulkan bahwa kedua varians tersebut homogen.
Selanjutnya untuk pengujian, maka berdasarkan tabel di atas nilai t h

dapat dihitung dengan rumus dibawah ini:
th = 4,52
derajat kebebasan (dk) = n – 2 = 20 – 2 = 18

tt(1-1/2α)(18) = 2,10
tt(1-α)(18) = 1,73
th(4,52) > tt(1,73)

metode dimana metode latihan dengan sistem set (X 1) memberikan
pengaruh yang lebih besar terhadap peningkatan kekuatan otot
dibandingkan dengan sistem sirkuit (X2).
Contoh 2 untuk jumlah sampel yang berbeda

Misalnya anda ingin meneliti dengan variabel yang sama seperti
contoh 1, tetapi jumlah sampelnya berbeda, dan datanya sebagai
mana terlihat dalam tabel berikut

Tabel 28. Pengaruh Latihan Sistem Set dan Sistem Sirkuit terhadap
Peningkatan Kekuatan
Latihan Berbeban
No Sistem Sirkuit
Sistem set (X1) X12 X22
(X2)
1 18 12 324 144
2 20 16 400 256
Peningkatan kekuatan otot
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
S2 7.27 7.56
Untuk uji t sampel bebas varians homogen dengan jumlah n yang

berbeda ini berlaku rumus:
Pengujian homogenitas varians
Fhitung =

disimpulkan bahwa kedua varians tersebut homogen.

Berdasarkan tabel di atas nilai th dapat dihitung dengan rumus:
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(1,72)

metode dimana metode latihan dengan sistem set (X1) memberikan
pengaruh yang lebih besar terhadap peningkatan kekuatan otot
dibandingkan dengan sistem sirkuit (X2).
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…. = μn
Ha : paling sedikit satu tanda sama dengan tidak berlaku
d. Aplikasi analisis varians
Misalnya seorang peneliti ingin mengetahui efek 4 macam makanan
terhadap pertambahan berat badan kambing. Data penelitian ini
sebaiknya disusun seperti dalam tabel berikut.
Tabel 29. Pertambahan Berat Badan Kambing Dengan 4 Jenis Makanan
Jenis makanan
1 2 3 4
Pertambahan 12 14 6 9
berat 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
Misalkan persyaratan kenormalan distribusi dan homogenitas varians

sudah terpenuhi.
Susun daftar analisis varians untuk menguji Ho, sebagai berikut.
Tabel 30. 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.
Berdasarkan data pada tabel 10, maka masing-masing JK dapat

dihitung:
Y2 = 122 + 202 + ……… 182 + 192 = 4738
Dy = 4738 – 4355,56 – 10,24 = 372,20
Tabel 32. Daftar Analisis Varians Pertambahan berat badan kambing

karena 4 jenis makanan
Sumber variasi Dk JK KT F
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 4738
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.
c. Rangkuman
Dari penjelasan materi yang disampaikan di atas, dapat kita simpulkan
bahwa ada banyak jenis uji komparasi digunakan berdasarkan tipe data
yang dimiliki. Dengan mengetahui berbagai jenis uji komparasi, diharapkan
para peneliti atau penulis dapat menggunakan uji komparasi yang tepat
sesuai data yang dimiliki. Jika uji yang dipilih tepat maka kesimpulan dari
hasil yang didapat juga tepat, sehingga dapat diimplementasikan dengan
kebijakan yang tepat pula untuk menentukan keputusan yang akan
dijalankan.
d. Tugas/Latihan/Penilaian
1. Uji t untuk sampel yang berhubungan (dependent sample)
Seorang peneliti menjadikan dua kelompok yang seimbang
berdasarkan matching berdasarkan kemampuan awal mereka. Setelah
diperoleh hasil tes akhir diperoleh data sepertidi bawah ini:

Contoh NIM

2 0 0 8 7 0 8 5
- - - - A B C D

Hasil Tes Akhir Dari Dua Metoda

Metoda X 7A 6A 7C 6B 5D 5D 6B 7A 5C 46
Metoda Y 6B 70 8D 7C 73 6C 6A 8B 6D 82

Lakukanlah analisis sesuai materi yang telah dibahas dalam
pembelajaran.
2. Uji t untuk sampel bebas (independent sample) yang homogen

Dari data yang sama pada poin pertama, lakukan analisis sesuai materi
yang telah dibahas.
3. Uji Anava
Bentuk Latihan
… …. …. …. …
2A 24 2D 2A 4B
Power Otot
40 1A 16 34 2C
Lengan
2D 30 1B 4C 1D
30 4D 2C 33 2A
1B 22 2D
4C
Dari tabel di atas, beri nama judul (A, B, C dan D), dengan kajian yang
tepat.
Selanjutnya lakukan analisis, sesuai materi yang telah dijelaskan.

Modul Statistika Kurikulum 2020

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 Statistika Kurikulum 2020

Diunggah oleh

Hak Cipta:

Format Tersedia

KATA PENGANTAR

Padang, Desember 2020

i | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

ii | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

iii | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

Fakultas : Ilmu Keolahragaan - Universitas Negeri Padang

Topik 1 - Pengertian 1. Konsep Statistik Buku

11 - 12 Topik 8 - Analisis 1. Analisis Korelasi ganda Buku 1, 3,

iv | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

v | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

Agus Irianto. Statistik. Konsep Dasar; Aplikasi, dan Pengembangan.

2 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

3 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

4 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

5 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

6 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

7 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

8 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

9 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

10 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

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

5. Menyusun dan menyajikan data dalam distribusi frekuensi bergolong

Langkah-langkah penyusunan data dalam distribusi frekuensi bergolong.

12 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

13 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

Gambar 1. Grafik Histogram Nilai Ujian Mahasiswa

b. Poligon (Diagram Garis)

14 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

c. Pie Diagram (Diagram Lingkaran)

61 – 70, 13, 16%

81 – 90, 21, 26%

71 – 80, 24, 30%

15 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

16 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

Data Tugas Tunggal:

Data Tugas Bergolong:

17 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

Rumus Mean = rata-rata hitung (X)

Data bergolong cara

18 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

c. Menghitung Mean data Bergolong (Rumus 2)

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

Tinggi (cm) Fi Xi Ci fiCi

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

Sub sampel 1: n1 = 10 = 145

Sub sampel 2: n2 = 6 = 118

Sub sampel 3: n3 = 8 = 162

2. Median adalah nilai tengah dalam suatu sebaran data

dua data paling tengah dibagi 2, yaitu

4, 5, 7, 8, 10, 10, 12, 16 (jumlah data .............)

20 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

Tentukan letak Median. Setengah dari seluruh data adalah 40 buah.

3. Modus adalah skor/data yang paling banyak/sering muncul dalam

21 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

Tentukan letak Modus, yaitu di kelas interval kelima, karena disana

23 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

► Letak K1 = data ke data ke 3 ¼

Yaitu data ke 3 + ¼ jauh dari data ke 3 ke arah data ke 4.

24 | Modul Pembelajaran Statistika – Jurusan Kepelatihan FIK UNP

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

b. Menentukan Letak dan Nilai Kuartil untuk data bergolong

Untuk menentukan kuartil ketiga K3, kita perlu ¾ x jumlah

2. Desil adalah bilangan pembagi, pada sekumpulan data yang dibagi